الإحصاء والتحليل النفسيالبرمجة بلغة بايثون

كيفية إجراء اختبار غرابز في بايثون

دليل أكاديمي شامل يوضح كيفية إجراء اختبار غرابز (Grubbs’ Test) لاكتشاف القيم الشاذة في البيانات باستخدام لغة بايثون ومكتبة outlier_utils مع التطبيقات العملية.

تاريخ النشر

يُعد التعامل مع البيانات الشاذة والمتطرفة (Outliers) أحد أبرز التحديات المنهجية والإحصائية التي تواجه الباحثين ومحللي البيانات في مختلف الحقول المعرفية، لا سيما في مجالات القياس النفسي، العلوم السلوكية، والهندسة الحيوية. إن وجود نقطة بيانات واحدة تنحرف بصورة جوهرية عن النمط العام للمشاهدات كفيل بزعزعة استقرار المؤشرات الإحصائية المعلمية (Parametric Statistics)، كالمتوسط الحسابي والانحراف المعياري ومصفوفات التباين والتباين المشترك، مما يقود بالتبعية إلى تقديرات متحيزة واختبارات فرضيات مضللة تفتقر إلى الصدق الداخلي والخارجي.

ضمن هذا السياق الحرج، برز اختبار غرابز (Grubbs’ Test) كأحد أرسخ وأدق الاختبارات الإحصائية المعلمية المصممة خصيصاً لرصد وتحديد القيم المتطرفة الفردية في مجموعات البيانات أحادية المتغير التي تفترض التوزيع الطبيعي. يتيح هذا الاختبار إطاراً رياضياً صارماً للتمييز بين التباين العشوائي المتوقع ضمن المجتمع الإحصائي وبين الشذوذ الحقيقي الناتج عن أخطاء القياس أو الحالات الاستثنائية التي تستوجب العزل أو التحقيق المعمق.

مع التطور المتسارع لأدوات الحوسبة الإحصائية ولغة البرمجة بايثون (Python)، بات بالإمكان تنفيذ هذا الاختبار الإحصائي الكلاسيكي بكفاءة برمجية فائقة، سواء عبر حزم متخصصة أو من خلال بناء الخوارزميات الحسابية مباشرة بالاعتماد على المكتبات العلمية الأساسية. يقدم هذا الدليل الشامل تفكيكاً نظرياً وعملياً عميقاً لاختبار غرابز، مستعرضاً الأسس الرياضية، الشروط المنهجية المسبقة، خطوات التنفيذ البرمجي خطوة بخطوة، والاعتبارات الأخلاقية والأكاديمية المصاحبة لتنقية البيانات وفق أرقى المعايير البحثية.

جدول المحتويات

1. مقدمة إلى اختبار غرابز وأهميته في التحليل الإحصائي

1.1 المفهوم الرياضي لاكتشاف القيم المتطرفة الشاذة

تُعرّف القيمة الشاذة (Outlier) في الأدبيات الإحصائية بأنها تلك المشاهدة التي تبدو غير متسقة بصورة لافتة مع بقية عناصر العينة التي سُحبت منها. من الناحية الرياضية البحتة، تمارس هذه القيم المتطرفة تأثيراً غير متناسب (Disproportionate Leverage) على المعالم الإحصائية للعينة؛ حيث يعتمد المتوسط الحسابي على القيمة العددية المطلقة لكل مفردة، مما يجعله فريسة سهلة للانجذاب نحو الأطراف المتطرفة. يمتد هذا التأثير المشوه إلى الانحراف المعياري، الذي يقيس متوسط المسافات المربعة عن المتوسط، فتتضخم قيمته بصورة دراماتيكية، مما يؤدي بدوره إلى اتساع فترات الثقة وانخفاض القوة الإحصائية لاختبارات الفرضيات، مثل اختبار “ت” (t-test) وتحليل التباين (ANOVA).

تتجلى أهمية عزل وتدقيق القيم الشاذة في تحسين الجدارة التنبؤية للنماذج الإحصائية والنماذج المعتمدة على خوارزميات التعلم الآلي. فعندما تُبنى النماذج الاستدلالية بوجود قيم شاذة لم تُعالج، فإن معاملات الانحدار تميل إلى التكيف مع هذه النقاط الشاذة على حساب البنية الهيكلية الحقيقية للعلاقة بين المتغيرات. يؤدي ذلك إلى ظاهرة فرط التخصيص (Overfitting) وتقويض قدرة النموذج على التعميم على بيانات جديدة ومستقلة، مما يحتم وجود آلية استكشاف إحصائية منضبطة تفصل الإشارة الحقيقية عن التشويه.

من الضروري التفريق من الناحية المنهجية بين مفهومين متمايزين: الضوضاء العشوائية (Random Noise) والقيم المتطرفة ذات الدلالة النظامية. تمثل الضوضاء التباينات الطبيعية المتأصلة في أدوات القياس والظواهر المدروسة، وتتوزع عادة بشكل متناظر حول المركز وفق مسار التوزيع الغوسي الطبيعي. في المقابل، تعكس القيم الشاذة إما خللاً نظامياً في التجربة (كخطأ في إدخال البيانات أو عطل في أجهزة الاستشعار) أو ظاهرة نادرة ولكنها حقيقية تتطلب معالجة منفصلة دون السماح لها بإفساد النموذج المعلمي العام للعينة.

1.2 السياق التاريخي وتطوير اختبار غرابز بواسطة فرانك غرابز

تعود الجذور التاريخية لهذا الاختبار إلى المنتصف الأول من القرن العشرين، وتحديداً إلى الورقة البحثية التأسيسية التي نشرها عالم الإحصاء الأمريكي فرانك غرابز (Frank E. Grubbs) عام 1950 في المجلة المرموقة حوليات الإحصاء الرياضي (The Annals of Mathematical Statistics) تحت عنوان “عينة القيم المتطرفة لاختبار الفرضيات الإحصائية”. قدم غرابز في عمله حلاً رياضياً دقيقاً لمشكلة استكشاف القيم الشاذة، متجاوزاً المقاربات التقريبية السابقة التي كانت تفتقر إلى التوزيعات الاحتمالية الدقيقة للقيم الحرجة، ومؤسساً لقاعدة اختبار تحسب أقصى انحراف معياري لطرف العينة.

عُرف هذا الاختبار في الأوساط الأكاديمية والمهنية بعدة مسميات متكافئة، لعل أبرزها “اختبار الانحراف المعياري المتطرف الأقصى” (Maximum Extreme Studentized Deviate – ESD)، وذلك لأنه يعتمد في جوهره على تقسيم الفارق بين أقصى قيمة ومتوسط العينة على الانحراف المعياري المحسوب من نفس العينة بعد تصحيح درجات الحرية. يمثل هذا الإجراء الحسابي تسوية دقيقة تُخضع أقصى مسافة ممكنة للمعايرة وفق مقياس تشتت البيانات الفعلي، مما يجعل القيمة المحسوبة قابلة للمقارنة مع جداول احتمالية دقيقة مشتقة من توزيع “ت” لستودنت.

شهد استخدام اختبار غرابز تحولاً نوعياً عبر العقود؛ فبعد أن كان تطبيقه محصوراً في ضبط الجودة الصناعية، ومقاييس المقذوفات العسكرية، والتحاليل الكيميائية المعملية، امتدت تطبيقاته لتشمل العلوم الاجتماعية والسلوكية والنفسية. أصبح الاختبار أداة لا غنى عنها في تنقية مجموعات البيانات المعقدة قبل إخضاعها للنمذجة البنائية أو التحليل العاملي، حيث يضمن للباحثين استبعاد المشاهدات المشوهة دون الوقوع في فخ التحيز الذاتي أو الحذف العشوائي غير المبرر إحصائياً.

1.3 تطبيقات الاختبار في أبحاث علم النفس والقياس السلوكي

في أبحاث علم النفس التجريبي والعلوم العصبية المعرفية، يُعد زمن الاستجابة (Reaction Time) أحد أكثر المتغيرات اعتماداً لقياس العمليات الذهنية ومعالجة المعلومات. غالباً ما تشهد هذه التجارب تسجيل أزمنة استجابة غير واقعية؛ إما لكونها فائقة السرعة نتيجة استجابة استباقية غير مقصودة من المفحوص، أو مفرطة البطء بسبب تشتت الانتباه المؤقت أو فقدان التركيز. يوفر اختبار غرابز معياراً صارماً وموضوعياً لعزل أزمنة الاستجابة المتطرفة، مما يضمن أن تمثل البيانات المتبقية الأداء المعرفي الفعلي للمشاركين بدقة متناهية.

يمتد التطبيق المنهجي لاختبار غرابز إلى استبيانات القياس النفسي ومقاييس الشخصية، حيث يواجه الباحثون تحدي “الاستجابة غير المتأنية” أو العشوائية (Careless/Insufficient Effort Responding). يظهر بعض المبحوثين سلوكيات شاذة مثل الإجابة المتطرفة المستمرة أو ملء الاستبيان في فترات زمنية يستحيل فيها قراءة الأسئلة وفهمها. يساعد تطبيق الاختبار على درجات المقاييس الفرعية أو زمن الإجابة الإجمالي في اكتشاف هؤلاء الأفراد وعزل بياناتهم لحماية الصدق البنائي للأداة القياسية.

إن مسألة استبعاد أو الإبقاء على القيم المتطرفة ترتبط مباشرة بمعاملات الصدق والموثوقية للمقاييس السلوكية. فالإبقاء على القيم الشاذة الناتجة عن أخطاء منهجية يؤدي حتماً إلى خفض معامل ألفا كرونباخ (Cronbach’s Alpha) وتشويه مصفوفة الارتباطات البينية للفقرات. ومن ناحية أخرى، فإن استخدام اختبار إحصائي صارم مثل غرابز يمنح الباحث مسوغاً منهجياً موثقاً لطرد هذه القيم، مقارنة بأساليب الحذف اليدوي التي قد تثير تساؤلات المراجعين الأكاديميين حول نزاهة التحليل وتلفيق البيانات.

2. الافتراضات والشروط المسبقة لتطبيق اختبار غرابز

2.1 شرط التوزيع الطبيعي التقريبي للبيانات

يقوم اختبار غرابز على افتراض أساسي غير قابل للتفاوض، وهو أن مجموعة البيانات المستهدفة بالتحليل مستمدة من مجتمع يتبع التوزيع الطبيعي (Gaussian Normal Distribution) بصورة تقريبية ومقبولة. يستند الاشتقاق الرياضي لإحصائية الاختبار والقيم الحرجة المقابلة لها كلياً على خصائص التوزيع الطبيعي؛ حيث يُفترض أن احتمال وقوع المشاهدات يتبع دالة الكثافة الاحتمالية الجرسية المتناظرة حول المتوسط. إن انتهاك هذا الافتراض يفرغ الاختبار من صلاحيته الرياضية ويجعل نتائجه غير قابلة للاعتماد الأكاديمي.

للتحقق من استيفاء شرط التوزيع الطبيعي قبل الشروع في تطبيق اختبار غرابز، يتعين على الباحث استخدام اختبارات التوزيع الرسمية، ويأتي في مقدمتها اختبار شابيرو-ويلك (Shapiro-Wilk Test)، الذي يتميز بحساسية وقوة فائقة في الكشف عن الانحرافات عن التوزيع الطبيعي حتى في العينات المتوسطة والصغيرة. إلى جانب ذلك، يُنصح بالاستعانة بمؤشرات الالتواء (Skewness) والتفرطح (Kurtosis)، بالإضافة إلى الفحص البصري عبر الرسوم الاحتمالية الطبيعية للتأكد من خلو البيانات من أي اعوجاج أو ذيول ثقيلة متأصلة في طبيعة الظاهرة ذاتها.

تكمن خطورة انتهاك شرط التوزيع الطبيعي في التضخم الحاد لمعدل الخطأ من النوع الأول (Type I Error Rate)، وهو احتمال رفض الفرضية الصفرية القائلة بعدم وجود قيم شاذة عندما تكون الفرضية صحيحة في الواقع. فإذا كانت البيانات الأصلية تتبع توزيعاً ملتوياً بطبيعته، مثل توزيع غاما أو التوزيع اللوغاريتمي الطبيعي، فإن اختبار غرابز سيصنف بالضرورة المشاهدات الواقعة في الذيل الطويل على أنها قيم شاذة تستوجب الحذف، في حين أنها في الحقيقة تمثل السلوك الطبيعي للمتغير الخاضع للدراسة، مما يقود إلى تدمير معلومات حيوية وتشويه التوزيع الأصلي.

2.2 شرط حجم العينة الأدنى (N >= 7)

يشترط اختبار غرابز من الناحية الحسابية والمنهجية توفر حجم عينة أدنى لا يقل عن سبع مشاهدات (N ≥ 7) لإجراء الحسابات بدرجة مقبولة من الموثوقية الإحصائية. يرتبط هذا القيد مباشرة بطبيعة الصيغة الرياضية للقيمة الحرجة للاختبار، والتي تعتمد على درجات حرية تساوي (N – 2). فعندما يكون حجم العينة صغيراً جداً، تصبح التباينات التقديرية للانحراف المعياري غير مستقرة بصورة تجعل حساب النسبة المعيارية غير دقيق وعرضة للتأرجح العشوائي المفرط.

عند التعامل مع عينات متناهية الصغر تقل عن 7 عناصر، تتضاءل القوة الإحصائية (Statistical Power) للاختبار إلى مستويات حرجة، بحيث يصبح من المستحيل تقريباً رفض الفرضية الصفرية حتى لو كانت القيمة المتطرفة بعيدة جداً عن المركز. يرجع ذلك إلى أن نقطة البيانات الشاذة في العينات الصغيرة تسحب المتوسط الحسابي بقوة وتضخم الانحراف المعياري إلى درجة تعطل بسط ومقام إحصائية الاختبار معاً، وهي ظاهرة إحصائية تحد من فائدة المقاربة المعلمية لغرابز في مثل هذه الظروف الضيقة.

في الحالات التي تفرض فيها الطبيعة التجريبية التعامل مع عينات يقل حجمها عن 7 عناصر، يوصى باللجوء إلى بدائل إحصائية مخصصة للعينات المحدودة جداً، مثل اختبار ديكسون (Dixon’s Q-Test)، الذي يعتمد على نسب الفروق المكانية بين الرتب بدلاً من المتوسط والانحراف المعياري. وتجدر الإشارة إلى أنه في العينات الصغيرة للغاية، يفضل دائماً توخي الحذر الشديد وفحص المشاهدات المشتبه بها يدوياً عبر مراجعة دفاتر المختبر وسجلات التسجيل بدلاً من الاعتماد الأعمى على الإقصاء الآلي.

2.3 صياغة الفرضيات الإحصائية الصفرية والبديلة

يقوم الإطار الاستدلالي لاختبار غرابز على بنية فرضيات متقابلة ومحددة بدقة رياضية. تنص الفرضية الصفرية (Null Hypothesis – H0) على أنه: “لا توجد قيم شاذة متطرفة في مجموعة البيانات”، وهو ما يكافئ القول بأن جميع المشاهدات داخل العينة قد سُحبت عشوائياً من مجتمع واحد متجانس يتبع التوزيع الطبيعي بنفس المتوسط والانحراف المعياري. تفترض هذه الفرضية أن التباينات الظاهرة بين القيم ليست سوى تمظهر طبيعي للصدفة الاحتمالية.

في المقابل، تتم صياغة الفرضية البديلة (Alternative Hypothesis – H1) بناءً على نوع الاختبار؛ ففي الاختبار ثنائي الطرف، تنص الفرضية على أن: “توجد قيمة شاذة واحدة على الأقل في مجموعة البيانات (سواء كانت في الطرف الأعلى أو الأدنى)”. أما في الاختبارات أحادية الطرف، فيجري توجيه الفرضية البديلة نحو حد بعينه؛ كأن تنص على أن “أكبر قيمة في العينة هي قيمة شاذة” أو “أصغر قيمة في العينة هي قيمة شاذة”، مما يسمح بتركيز القوة الاحتمالية نحو الطرف المشتبه به فقط.

يتطلب اتخاذ القرار الإحصائي تحديد مستوى الدلالة المعياري (Significance Level – Alpha)، والذي يُحدد عادة في العلوم السلوكية والطبية عند القيمة التقليدية (Alpha = 0.05)، أو القيمة الأكثر صرامة (Alpha = 0.01) عند الرغبة في تقليل مخاطر الحذف الخاطئ للمشاهدات الصالحة. يتم رفض الفرضية الصفرية وقبول الفرضية البديلة عندما تتجاوز إحصائية غرابز المحسوبة القيمة الحرجة المجدولة، أو عندما تكون القيمة الاحتمالية (P-value) الناتجة أقل من مستوى الدلالة المحدد مسبقاً، مما يشكل دليلاً إحصائياً كافياً على شذوذ النقطة المعنية.

3. الأسس الرياضية والمعادلات لحساب إحصائية غرابز

3.1 حساب إحصائية الاختبار للقيم ثنائية الطرف

تعتمد الآلية الحسابية لاختبار غرابز ثنائي الطرف (Two-Sided Grubbs’ Test) على تحديد أقصى انحراف مطلق تسجله أي نقطة في العينة عن المتوسط الحسابي العام، ومن ثم تحويل هذا الانحراف إلى قيمة معيارية عبر قسمته على الانحراف المعياري للعينة بأكملها. تُصاغ المعادلة الرياضية الأساسية لحساب إحصائية غرابز (المشار إليها بالرمز G) على النحو التالي:

G = max | x_i – x̄ | / s

حيث يمثل x_i كل مفردة من مفردات العينة، بينما يمثل x̄ المتوسط الحسابي لجميع المشاهدات، في حين يرمز الحرف s إلى الانحراف المعياري للعينة المحسوب باستخدام درجات حرية مصححة (N – 1) لضمان عدم التحيز الإحصائي في تقدير تباين المجتمع.

يقوم بسط المعادلة، المتمثل في القيمة المطلقة لفارق المسافة، بمسح شامل لكافة عناصر العينة للعثور على النقطة الأكثر تطرفاً على الإطلاق، بصرف النظر عما إذا كانت هذه النقطة تقع في أقصى اليمين (قيمة عظمى) أو في أقصى اليسار (قيمة صغرى). تعكس هذه القيمة أقصى مسافة إقليدية تفصل مشاهدة فردية عن مركز الثقل الإحصائي للمجموعة، مما يبرزها كمرشح وحيد ورئيسي لاختبار الشذوذ ضمن دورة الفحص الواحدة.

تكتمل المعادلة بعملية التوحيد القياسي (Standardization) في المقام؛ حيث تؤدي القسمة على الانحراف المعياري للعينة s إلى تحويل المسافة المطلقة من وحدات القياس الأصلية للبيانات إلى وحدات انحراف معياري خالية من الأبعاد. ينتج عن هذا التقسيم درجة معيارية شبيهة بالدرجة التائية أو الزائية، إلا أنها تخضع لتوزيع غرابز المتطرف الذي يأخذ في الحسبان التأثير المزدوج للنقطة المتطرفة على كل من حساب المتوسط وتضخيم الانحراف المعياري في آن واحد.

3.2 تحديد القيمة الحرجة للاختبار باستخدام توزيع t لستودنت

لتحديد ما إذا كانت إحصائية G المحسوبة كافية لرفض الفرضية الصفرية، طور فرانك غرابز معادلة تحويلية أنيقة تتيح استخراج القيمة الحرجة (G_critical) بالاعتماد المباشر على التوزيع الاحتمالي لتوزيع “ت” لستودنت (Student’s t-Distribution). ترتبط هذه المعادلة بحجم العينة الإجمالي N وبدرجات حرية تساوي (N – 2)، وتُعطى بالصيغة الرياضية الدقيقة التالية:

G_critical = ((N – 1) / sqrt(N)) * sqrt( t^2 / (N – 2 + t^2) )

حيث تمثل t النقطة المئوية الحرجة لتوزيع “ت” بدرجات حرية (N – 2) عند مستوى دلالة معدل يساوي (alpha / (2 * N)) في حالة الاختبار ثنائي الطرف، حيث يتم تطبيق هذا التعديل الاحتمالي كشكل مدمج من تصحيح بونفيروني لتغطية فحص جميع مفردات العينة البالغ عددها N.

يُعد استخدام توزيع “ت” لستودنت في هذا السياق ركيزة رياضية بالغة الأهمية؛ إذ يعوض عدم معرفة الانحراف المعياري الحقيقي للمجتمع والاعتماد بدلاً من ذلك على الانحراف المعياري التقديري للعينة. تعكس درجات الحرية (N – 2) حقيقة أننا قمنا بتقدير معلمين إحصائيين من البيانات: المتوسط الحسابي، والنقطة المتطرفة ذاتها، مما يفرض خصم درجتي حرية للحفاظ على دقة التقدير الاحتمالي لمساحة الذيول.

تتم عملية اتخاذ القرار الإحصائي بمقارنة مباشرة وحاسمة: إذا كانت القيمة المحسوبة G أكبر تماماً من القيمة الحرجة G_critical، يُرفض فرض العدم بثقة إحصائية تساوي (1 – alpha)، وتُعلن النقطة المحددة قيمة شاذة ذات دلالة إحصائية. أما إذا كانت القيمة المحسوبة أقل من أو تساوي القيمة الحرجة، فإن الاختلاف يُعزى للتباين الطبيعي، وتظل العينة متماسكة دون حذف أي من عناصرها.

3.3 معادلات الاختبار أحادي الطرف للقيم العظمى أو الصغرى

عندما يمتلك الباحث أسباباً نظرية أو تجريبية قاطعة ترجح حدوث الشذوذ في اتجاه واحد فقط دون الآخر، يتم اللجوء إلى الاختبار أحادي الطرف (One-Sided Grubbs’ Test). في هذه الحالة، تتغير صياغة إحصائية الاختبار للتركيز إما على الحد الأعلى أو الحد الأدنى للعينة، مما يوفر تركيزاً أعلى للقوة الإحصائية في الطرف المستهدف. لحساب إحصائية فحص الحد الأقصى (Max Test)، تُستخدم المعادلة التالية:

G_max = (max(x) – x̄) / s

بينما تُستخدم المعادلة المماثلة لفحص الحد الأدنى (Min Test) للتأكد من شذوذ أصغر قيمة:

G_min = (x̄ – min(x)) / s

في كلا النموذجين أحاديي الطرف، يزول استخدام القيمة المطلقة ويحل محله الفارق الموجه الصريح الذي يقيس المسافة بين الطرف المستهدف والمتوسط الحسابي بدقة متجهة.

ينعكس هذا التحول المنهجي أيضاً على حساب القيمة الحرجة لتوزيع “ت” المرتبط بمعادلة غرابز؛ حيث يُحسب الوسيط الاحتمالي لتوزيع “ت” عند مستوى دلالة مقداره (alpha / N) بدلاً من (alpha / (2 * N)) المعمول به في الاختبار ثنائي الطرف. يتيح هذا التعديل الاستفادة الكاملة من مساحة الرفض الاحتمالية في جانب واحد، مما يجعل القيمة الحرجة أحادية الطرف أقل قليلاً من نظيرتها ثنائية الطرف، وهو ما يزيد من حساسية الاختبار لرصد القيم الشاذة الموجهة.

تجدر الإشارة إلى أن اختيار الاختبار أحادي الطرف يجب أن يُبنى على فرضيات قبلية (A priori) موثقة في خطة البحث قبل الاطلاع على البيانات، وليس كقرار لاحق (Post-hoc) بعد رؤية النتائج. فاللجوء إلى الاختبار أحادي الطرف لمجرد رفع احتمالية اكتشاف الشذوذ دون تبرير نظري يُعد ممارسة بحثية غير سليمة ترفع من احتمالية الوقوع في الخطأ الإحصائي من النوع الأول وتضعف موثوقية الاستنتاجات العلمية.

4. إعداد بيئة العمل البرمجية وتثبيت المكتبات في بايثون

4.1 تثبيت مكتبة outlier_utils وأدوات التحليل الأساسية

تتمتع لغة بايثون بنظام بيئي ثري يدعم التحليلات الإحصائية المتقدمة. لتنفيذ اختبار غرابز بكفاءة وبأقل قدر من التعقيد البرمجي، تُعد مكتبة outlier_utils الخيار القياسي الأكثر انتشاراً في المجتمع العلمي. تتضمن هذه الحزمة وحدة مخصصة تُعرف باسم smirnov_grubbs، توفر تطبيقاً برمجياً سريعاً ومحكماً لمختلف صيغ اختبار غرابز. يتم تثبيت هذه الحزمة بسهولة تامة عبر بيئة سطر الأوامر باستخدام أداة إدارة حزم بايثون عبر كتابة الأمر: pip install outlier_utils.

يتعين على المطور أو الباحث التحقق من توافق المكتبة مع إصدار بايثون المستخدم في بيئة العمل، مثل إصدارات بايثون 3.8 فما فوق، وبيئات التطوير التفاعلية مثل Jupyter Notebook أو Google Colab أو بيئات العمل الاحترافية مثل VS Code و PyCharm. توفر الحزمة واجهة برمجية خفيفة الوزن تعتمد على هياكل البيانات القياسية، مما يجعلها متوافقة مع خطوط معالجة البيانات المعقدة ودورات المعالجة القبلية لنماذج الذكاء الاصطناعي.

في حالات نادرة قد تطرأ بعض مشكلات التبعيات البرمجية أثناء التثبيت، والتي ترتبط عادة بوجود تعارضات بين إصدارات المكتبات الحسابية الداعمة. يُنصح في هذه الحالات بإنشاء بيئة افتراضية معزولة (Virtual Environment) باستخدام أدوات مثل venv أو conda، ومن ثم تثبيت المكتبة لضمان عزل المتطلبات البرمجية وتجنب تضارب الحزم، مما يوفر بيئة تجريبية قابلة لإعادة الإنتاج ومستقرة تماماً للتحليلات الإحصائية.

4.2 استيراد الحزم الحسابية المساعدة (NumPy و SciPy)

لا يمكن إجراء التحليلات الإحصائية الجادة في بايثون بمعزل عن الحزمتين الأساسيتين: NumPy و SciPy. تُعد مكتبة NumPy الأساس الحسابي للتعامل مع المصفوفات متعددة الأبعاد (Arrays) وإجراء العمليات الجبرية المتجهية بكفاءة فائقة وسرعة تنفيذ مبنية بلغة C، مما يمنحها تفوقاً حاسوبياً هائلاً مقارنة بقوائم بايثون التقليدية، خاصة عند معالجة متجهات البيانات الكبيرة وحساب المتوسطات والانحرافات المعيارية الموزونة.

من جانبها، تقدم مكتبة SciPy، وتحديداً الحزمة الفرعية scipy.stats، ترسانة شاملة من التوزيعات الاحتمالية المستمرة والمنفصلة، والدوال الإحصائية المتطورة لاختبار الفرضيات وحساب الاحتمالات التراكمية (Cumulative Distribution Functions) والنقاط المئوية العكسية (Percent Point Functions). تُعد هذه الحزمة ضرورية ليس فقط للتحقق من شروط التوزيع الطبيعي للبيانات، بل أيضاً لحساب القيم الحرجة لاختبار غرابز عند بناء الخوارزمية من الصفر.

لتنظيم بيئة العمل البرمجية وضمان كفاءة التنفيذ وتجنب الأخطاء البرمجية الشائعة، يتم استيراد هذه الحزم في مستهل كود التحليل بأسماء مستعارة معيارية متفق عليها أكاديمياً وبرمجياً؛ حيث تُستورد NumPy بالاسم المختصر np، وحزمة scipy.stats بالاسم stats، بالإضافة إلى استيراد وحدة smirnov_grubbs مباشرة من مكتبة outliers. يوفر هذا الهيكل البرمجي المنظم وضوحاً كاملاً لقراءة الكود ويسهل مشاركته وتدقيقه من قبل فرق البحث والمراجعين المستقلين.

4.3 بنية دالة smirnov_grubbs والوسطاء الإحصائيين التابعين لها

تتميز بنية دالة smirnov_grubbs.test البرمجية بالبساطة والصرامة؛ حيث صُممت لتأخذ مصفوفة البيانات الرقمية كوسيط إلزامي أولي (data)، والتي يمكن تمريرها على شكل قائمة بايثون قياسية أو مصفوفة من مصفوفات NumPy أو سلسلة من سلاسل مكتبة Pandas (Series). تقوم الدالة تلقائياً بفحص الأبعاد وتحويل المدخلات إلى مصفوفة رقمية أحادية البعد لتسريع المعالجة وتفادي أخطاء الأنماط غير المتجانسة.

يتمثل الوسيط الإحصائي الثاني الأكثر أهمية في المعامل alpha، والذي يحدد مستوى الدلالة الإحصائية المقبول للاختبار. تم ضبط القيمة الافتراضية لهذا الوسيط برمجياً عند 0.05، وهو ما يتوافق مع المعايير القياسية في الأبحاث الأكاديمية. ومع ذلك، يمتلك الباحث حرية ضبط هذا المعامل ليأخذ قيماً أكثر تحفظاً مثل 0.01 أو 0.001 بحسب متطلبات الدراسة وطبيعة التكاليف المترتبة على الأخطاء الإحصائية من النوعين الأول والثاني.

تعمل الدالة داخلياً بطريقة تكرارية ذكية؛ حيث لا تكتفي باختبار النقطة الشاذة القصوى مرة واحدة، بل تقوم بحذف النقطة إذا ثبت شذوذها ثم تعيد احتساب المعالم الإحصائية للعينة المتبقية وتكرر الاختبار حتى تصل إلى حالة استقرار إحصائي لا تحتوي فيها البيانات المتبقية على أي قيم شاذة تتجاوز القيمة الحرجة عند مستوى ألفا المحدد. تعيد الدالة في النهاية مصفوفة مصفاة تحتوي فقط على البيانات النقية المقبولة إحصائياً، مع إمكانية استخراج القيم المحذوفة عبر دوال مرافقة.

5. تنفيذ اختبار غرابز ثنائي الطرف (Two-Sided Grubbs’ Test) في بايثون

5.1 تجهيز بيانات الاختبار التجريبية وبناء المصفوفة

لبدء التطبيق العملي لاختبار غرابز ثنائي الطرف، سنقوم ببناء مجموعة بيانات تحاكي قياسات نفسية لتجربة استجابة معرفية (Cognitive Response Times) مقاسة بالمللي ثانية لعدد من المشاركين البالغين. في مثل هذه التجارب، تتراوح القيم الطبيعية عادة حول متوسط قدره 400 مللي ثانية مع انحراف معياري يقارب 25 مللي ثانية، مع إمكانية تسلل قيم متطرفة شاذة ناتجة عن أعطال تقنية أو شرود ذهني مؤقت للمفحوصين.

نقوم بإنشاء مصفوفة NumPy تتكون من مشاهدات واقعية؛ على سبيل المثال: مجموعة القيم المتجانسة [385, 392, 401, 398, 405, 389, 412, 395, 403, 388, 407, 399] مضافاً إليها قيمة متطرفة عليا مشبوهة مثل [550] وقيمة دنيا مقبولة. يتيح بناء هذه المصفوفة تفحص الخصائص الوصفية للعينة بصورة أولية، حيث يمكن ملاحظة الارتفاع المباشر في المتوسط الحسابي الإجمالي وزيادة التباين بمجرد حقن القيمة الشاذة 550 في التوزيع.

قبل الشروع في المعالجة الآلية، يقوم الباحث عادة باستكشاف البيانات المبدئية عبر استخراج المقاييس الوصفية الأساسية: المتوسط الحسابي، الوسيط، المدى، والانحراف المعياري. يُظهر هذا الاستكشاف الأولي وجود فجوة رقمية واسعة بين القيمة 550 وأقرب نقطة لها في المجموعة (412)، مما يجعلها هدفاً مرشحاً للاختبار الاستدلالي الصارم للتحقق مما إذا كانت هذه الفجوة تتجاوز حدود الصدفة الاحتمالية المسموح بها وفق توزيع غرابز المعياري.

5.2 استدعاء وتنفيذ الدالة smirnov_grubbs.test

لتنفيذ الاختبار ثنائي الطرف على المصفوفة التجريبية، يتم استدعاء الدالة smirnov_grubbs.test وتمرير مصفوفة البيانات ومستوى الدلالة المعياري (alpha=0.05). تقوم الدالة بحساب المتوسط الحسابي والانحراف المعياري للعينة، ثم استخراج القيمة الأكثر ابتعاداً عن المركز في كلا الاتجاهين، وحساب إحصائية G المقابلة لها ومقارنتها بالقيمة الحرجة المشتقة من توزيع ستودنت ثنائي الطرف.

يوضح السلوك التنفيذي للدالة قدرتها على معالجة كلا الطرفين بشكل متزامن وبكفاءة رياضية مطلقة. فإذا كانت أقصى مسافة تنتمي للطرف الأيمن (مثل القيمة 550)، فإن الدالة تفحص هذا الطرف أولاً؛ وفي حال إثبات شذوذ النقطة إحصائياً، تقوم الدالة باستبعادها من المجموعة، ثم تعيد تقييم الطرف الأدنى للتأكد من خلوه من أي شذوذ مضاد. يضمن هذا النهج المتكامل عدم إغفال أي انحراف حرج يقع في أي من ذيلي منحنى التوزيع الطبيعي.

ينتج عن تنفيذ الدالة مصفوفة جديدة مصفاة تم تجريدها من القيمة الشاذة المستبعدة، مع الحفاظ على الترتيب الأصلي وتماسك بقية المشاهدات الصالحة. كما توفر الحزمة دالة بديلة مرافقة تُسمى smirnov_grubbs.test_indices تعيد المؤشرات الرقمية (Indices) للمواقع التي تتواجد فيها القيم المقبولة، مما يسهل على الباحث عزل الصفوف المقابلة في قواعد البيانات الأوسع وجداول البيانات المعقدة.

5.3 تفسير المخرجات البرمجية واتخاذ القرار الأكاديمي

عند فحص المخرجات الناتجة عن تنفيذ الكود البرمجي، يقارن الباحث حجم المصفوفة الأصلية بحجم المصفوفة المسترجعة. إذا كان طول المصفوفة الأصلية 13 عنصراً وأصبح 12 عنصراً، فإن ذلك يشير مباشرة إلى استبعاد مشاهدة واحدة. عبر تطبيق عملية الطرح المجموعي (Set Difference) بين المصفوفتين، يُستخرج الرقم المستبعد صراحة، وهو في حالتنا القيمة [550]، مع تحديد مقدار انحرافها المعياري الذي تجاوز القيمة الحرجة المسموح بها.

يتطلب اتخاذ القرار الأكاديمي صياغة النتائج بلغة علمية دقيقة وواضحة. بناءً على المخرجات، يُقرر الباحث رفض الفرضية الصفرية وقبول الفرضية البديلة القائلة بوجود قيمة شاذة واحدة في الطرف الأعلى من العينة عند مستوى دلالة alpha = 0.05. يبرر هذا القرار الإحصائي استبعاد المشاهدة 550 من التحليلات المعلمية اللاحقة، حيث لم يعد بقاؤها مبرراً من الناحية الرياضية أو المنهجية.

يتم تدوين التقرير الإحصائي النهائي وفق معايير جمعية علم النفس الأمريكية (APA) بالصيغة القياسية: “أظهر اختبار غرابز ثنائي الطرف للقيم الشاذة وجود مشاهدة متطرفة واحدة شاذة ذات دلالة إحصائية (G = 3.12, p < 0.05)، حيث بلغت قيمة زمن الاستجابة 550 مللي ثانية مقارنة بمتوسط المجموعة البالغ 408.3 مللي ثانية. وبناءً على ذلك، تم استبعاد هذه المشاهدة لضمان استيفاء شروط النماذج الاستدلالية اللاحقة”.

6. تنفيذ اختبار غرابز أحادي الطرف للقيم العظمى (One-Sided Max Test)

6.1 حالات الاستخدام المنهجي لاختبار الطرف الواحد العلوي

يُعد اختبار غرابز أحادي الطرف الموجه للقيم العظمى (One-Sided Max Test) الأداة الإحصائية المثلى عندما تنص الفرضيات البحثية أو طبيعة التصميم التجريبي على أن الشذوذ لا يمكن أن يتولد منطقياً إلا في الاتجاه التصاعدي أو الإيجابي. يبرز هذا السيناريو بوضوح في دراسات التلوث البيئي والسموم؛ حيث يُعتبر الانخفاض في تركيز المادة الملوثة أمراً طبيعياً، في حين يُشتبه في التركيزات المفرطة الارتفاع باعتبارها بؤراً تلوثية شاذة تستدعي الفحص والعزل الإحصائي.

في حقل الأبحاث النفسية والتفاعل بين الإنسان والحاسوب، يُمثل فحص أزمنة رد الفعل الطويلة الناتجة عن شرود الانتباه أو الانقطاع اللحظي للتركيز أحد أبرز التطبيقات لاختبار الحد الأقصى. في مثل هذه المهام، يمتلك الجهاز العصبي البشري حدوداً فسيولوجية دنيا لسرعة المعالجة الحسية الحركية (لا تقل عادة عن 150 مللي ثانية)، مما يجعل تسجيل أزمنة سريعة أمراً محكوماً بطبيعة فيزيائية، بينما تظل الحدود العليا مفتوحة للانحرافات الناتجة عن تشتت المفحوص.

تتمثل الميزة المنهجية الكبرى لاختبار الحد الأقصى أحادي الطرف في زيادة القوة الإحصائية (Statistical Power) للاختبار في الكشف عن القيم العظمى المتطرفة مقارنة بالاختبار ثنائي الطرف. فمن خلال تركيز كامل المساحة الاحتمالية لمستوى الدلالة ألفا (Alpha) في ذيل التوزيع الأيمن بدلاً من شطرها إلى نصفين، تنخفض القيمة الحرجة المطلوبة لرفض الفرضية الصفرية، مما يمنح الباحث حساسية إحصائية أعلى لرصد الشذوذ الحقيقي الذي قد يفلت من الاختبار ثنائي الطرف في العينات ذات التباين الحدي.

6.2 تطبيق الدالة smirnov_grubbs.max_test برمجياً

توفر حزمة smirnov_grubbs دالة مخصصة لاستهداف الطرف الأعلى للعينة تُعرف باسم smirnov_grubbs.max_test. يتم تمرير المتجه الرقمي للبيانات إلى هذه الدالة مع تحديد قيمة ألفا المطلوبة. في هذا السياق البرمجي، تقوم الدالة بحساب المسافة الرياضية بين القيمة القصوى المطلقة داخل المصفوفة (Max Value) والمتوسط الحسابي فقط، متجاهلة تماماً موقع المشاهدات الصغرى حتى لو كانت تبدو متباعدة بصرياً عن المركز.

يتميز هذا التطبيق البرمجي بدقته في تعديل القيمة الحرجة لتوزيع “ت”؛ حيث تستخدم الخوارزمية الداخلية صيغة الاحتمال أحادي الطرف (alpha / N) بدلاً من (alpha / 2N)، مما ينتج عنه عتبة إحصائية أكثر حدة للقيم العظمى. عند تمرير مصفوفة تتضمن قيماً مثل [102, 105, 101, 108, 104, 103, 135]، تركز الدالة حصرياً على فحص القيمة 135 وتحدد ما إذا كان انحرافها عن متوسط باقي النقاط كافياً لاعتبارها شذوذاً موجباً معنوياً.

تُرجع الدالة مصفوفة مقتطعة تم حذف القيمة العظمى منها إذا تجاوزت إحصائيتها القيمة الحرجة، أو تُرجع نفس المصفوفة الأصلية دون أي تغيير إذا عجزت القيمة العظمى عن تحقيق الدلالة الإحصائية المقررة. يضمن هذا الإجراء البرمجي للمحلل عدم المساس بأي قيم دنيا في العينة، مما يوفر ضبطاً تجريبياً يتماشى تماماً مع الفرضية أحادية الاتجاه التي تم التخطيط لها مسبقاً.

6.3 تحليل الأثر الإحصائي لعزل القيم العظمى المتطرفة

يترتب على استبعاد القيمة العظمى الشاذة تحول جوهري في الخصائص التوزيعية والوصفية للعينة المدروسة. فبمجرد إقصاء النقطة المتطرفة العليا، يتراجع المتوسط الحسابي مباشرة نحو موقعه المتزن المقارب للوسيط، مما يعيد التناظر لمؤشرات النزعة المركزية. كما ينخفض الانحراف المعياري بصورة ملحوظة، مما يعكس تراجع التشتت المصطنع واستعادة التجانس الحقيقي للمشاهدات التجريبية الأصلية.

على مستوى شكل التوزيع، يؤدي عزل القيمة العظمى المتطرفة إلى القضاء على الالتواء الإيجابي الحاد (Positive Skewness) والتفرطح المدبب ذي الذيول الثقيلة. يوضح فحص معاملات الالتواء قبل وبعد المعالجة اقتراب قيمة الالتواء من الصفر الإحصائي، وهو ما يؤكد استعادة البيانات لنمط التوزيع الطبيعي المعياري، مما يجعلها مهيأة للاستخدام الموثوق في النماذج الخطية العامة واختبارات الفروق المعلمية.

من المنظور النفسي والسلوكي، فإن استبعاد القيم المفرطة الارتفاع يمنع الوقوع في الاستنتاجات الخاطئة المتعلقة بتضخيم صعوبة المهام أو بطء المعالجة الإدراكية لدى عينة الدراسة. فعندما تُعزل الحالات الناتجة عن انقطاع التركيز أو العوامل الخارجية، تصبح الدرجات المتبقية تعبيراً صادقاً عن القدرة المعرفية الفعلية، مما يدعم الصدق التمييزي والموثوقية العامة للنتائج المنشورة في التقرير العلمي النهائي.

7. تنفيذ اختبار غرابز أحادي الطرف للقيم الصغرى (One-Sided Min Test)

7.1 سياق فحص القيم الشاذة الدنيا في الدراسات السلوكية

في مقابل فحص القيم العظمى، يبرز سياق علمي وتجريبي موازٍ يتطلب التركيز الموجه على فحص واستبعاد القيم المتطرفة الدنيا (One-Sided Min Test). يتجلى هذا الاحتياج في البحوث السلوكية والتربوية عند مواجهة درجات متدنية للغاية لا تتوافق مع القدرات الأساسية للمشاركين، مثل تسجيل درجات تقترب من الصفر في اختبارات الذكاء أو التحصيل، والتي تعكس غالباً عدم رغبة المفحوص في التعاون، أو عدم فهم التعليمات المكتوبة، أو حدوث خلل في تسجيل البيانات البرمجية.

كذلك، يُعد رصد الاستجابات فائقة السرعة في التجارب الإدراكية تطبيقاً حيوياً لاختبار الحد الأدنى؛ حيث تُسجل بعض أجهزة القياس استجابات بشرية تقل عن 100 مللي ثانية. تُصنف هذه الاستجابات فسيولوجياً على أنها استجابات ارتكاسية أو توقعات عشوائية (Anticipatory Responses) حدثت قبل ظهور المثير الحسي على الشاشة، مما يفرض ضرورة عزلها إحصائياً لكونها لا تعكس زمن المعالجة المعرفية الحقيقية المراد قياسها.

يمنح استهداف الطرف الأدنى حصرياً ميزة منهجية كبرى؛ إذ يتيح للباحث تنقية البيانات من “أرضيات الأداء” المصطنعة دون التأثير على التباين الطبيعي للأداء المتميز في الطرف الأعلى. يجنب هذا الإجراء الباحثين مخاطر الحذف المزدوج غير المبرر، ويوفر أساساً عقلانياً لتطهير العينة من النقاط التي تقع خارج حدود النطاق البشري أو السلوكي المقبول تجريبياً.

7.2 تطبيق الدالة smirnov_grubbs.min_test برمجياً

يتم تنفيذ اختبار الحد الأدنى في بايثون عبر استدعاء الدالة المخصصة smirnov_grubbs.min_test المتوفرة ضمن حزمة outliers. تُمرر مصفوفة البيانات ومستوى الدلالة alpha كمعاملات قياسية للدالة. عند بدء المعالجة، تقوم الدالة بحساب إحصائية G الموجهة لأصغر قيمة عبر طرح القيمة الصغرى من المتوسط الحسابي وقسمة الناتج على الانحراف المعياري، لإنتاج مقياس الانحراف الأدنى.

تتعامل الدالة برمجياً مع مقارنة إحصائية G الصغرى المحسوبة بالقيمة الحرجة لاختبار الطرف الواحد المشتقة من توزيع ستودنت عند درجات حرية (N – 2). إذا أظهرت البيانات، على سبيل المثال، مجموعة من درجات اختبار معرفي تتوزع كالتالي: [88, 92, 85, 90, 89, 94, 91, 42]، فإن الدالة تتجاهل الدرجة 94 تماماً وتختبر النقطة 42 كمرشح وحيد للشذوذ الأدنى.

تُرجع الدالة المصفوفة بعد اقتطاع القيمة الصغرى المتطرفة فور ثبوت شذوذها الإحصائي، مما يعيد توازن البيانات. وتتميز هذه الدالة بسرعة أدائها وخلوها من التعقيد، مما يجعلها مثالية للدمج في خطوط التنقية المؤتمتة (Data Cleaning Pipelines) التي تتطلب فحصاً مسبقاً وسريعاً للأطراف الدنيا لسلاسل البيانات السلوكية الضخمة.

7.3 التحقق من سلامة البيانات بعد استبعاد القيمة الصغرى

عقب تنفيذ استبعاد القيمة الصغرى الشاذة، تبرز ضرورة إعادة احتساب المؤشرات الإحصائية الوصفية والشكلية للتأكد من سلامة التوزيع المتبقي. يترتب على عزل النقطة الصغرى المتطرفة ارتفاع فوري في المتوسط الحسابي ليقترب من وسيط العينة، متحرراً من السحب السلبي الذي مارسته القيمة المتدنية، كما يتقلص الانحراف المعياري ليعبر بدقة عن التجانس الحقيقي للمجموعة الأساسية.

يسهم هذا الإجراء التطهيري في القضاء على الالتواء السلبي الحاد (Negative Skewness) الذي يشوه العينة، حيث تتحرك ذيول التوزيع نحو التماثل الطبيعي المقبول. يظهر فحص معاملات التفرطح عودة الذيل الأيسر إلى الارتفاع المعياري للتوزيع الغوسي، مما يزيل الآثار السلبية لتلك النقطة على افتراضات الخطية والتجانس المسبقة لنماذج التحليل المعلمي المتقدمة.

يتطلب التوثيق المنهجي النزيه تقديم تقرير مفصل حول المعالم الإحصائية للعينة قبل وبعد استبعاد المشاهدة الصغرى الشاذة، مع إبراز قيمة إحصائية G الصغرى ومستوى دلالتها الإحصائية، وتقديم التفسير السلوكي أو التجريبي الذي يبرر شذوذ تلك النقطة. يعزز هذا التوثيق الشفاف مصداقية البحث الأكاديمي ويوفر للمراجعين فهماً كاملاً للإجراءات المتبعة لضمان جودة وصلاحية البيانات للتحليل.

8. التطبيق التكراري لاكتشاف القيم الشاذة المتعددة برمجياً

8.1 ظاهرة الحجب (Masking Effect) ومحدودية اختبار غرابز البسيط

على الرغم من الرصانة الرياضية لاختبار غرابز، إلا أن تطبيقه في صورته البسيطة لمرة واحدة (Single Application) يواجه قصوراً جوهرياً يتمثل في تصميمه الحسابي لرصد قيمة شاذة واحدة فقط في كل دورة فحص. تنشأ الإشكالية الكبرى عند وجود قيمتين شاذتين متطرفتين أو أكثر تقعان في نفس الطرف وتتقاربان في القيمة العددية، مما يقود إلى ظهور معضلة إحصائية كلاسيكية تُعرف باسم “ظاهرة الحجب” (Masking Effect).

تحدث ظاهرة الحجب لأن وجود قيمتين شاذتين متطرفتين معاً يؤدي إلى تضخم هائل ومضاعف في قيمة الانحراف المعياري المحسوب للعينة (s)، بينما ينعكس تأثيرهما المشترك على سحب المتوسط الحسابي نحوهما بصورة تقلل المسافة المحسوبة في بسط إحصائية الاختبار. نتيجة لهذا التضخم في المقام وتقلص البسط، تصبح إحصائية G المحسوبة للنقطة الأكثر تطرفاً أصغر من القيمة الحرجة الحقيقية، مما يؤدي إلى فشل الاختبار في كشف الشذوذ واحتفاظ العينة بكلا النقطتين الشاذتين بشكل خاطئ.

تتكامل ظاهرة الحجب مع ظاهرة معاكسة تُعرف باسم “ظاهرة الإغراق” (Swamping Effect)، حيث قد يؤدي وجود قيمة شاذة واحدة شديدة التطرف إلى جعل نقطة مجاورة سليمة تبدو وكأنها شاذة أيضاً عند تطبيق اختبارات غير منضبطة. تبرز هذه التحديات المنهجية الحاجة إلى تبني مقاربات تكرارية واعية ومضبوطة برمجياً للتعامل مع البيانات المعقدة التي يُشتبه في احتوائها على بؤر شذوذ متعددة دون الوقوع في أخطاء التقدير الإحصائي.

8.2 بناء خوارزمية تكرارية (Iterative Grubbs’ Algorithm) في بايثون

لتجاوز محدودية الفحص المفرد والتغلب على ظاهرة الحجب، يمكن بناء خوارزمية تكرارية ذكية في بايثون تقوم بتنفيذ اختبار غرابز في حلقة مغلقة (Loop) تكتشف وتستبعد القيم الشاذة تباعاً حتى تتطهر البيانات بالكامل. تعتمد هذه الخوارزمية على مبدأ إعادة احتساب المعالم الإحصائية للعينة (المتوسط، الانحراف المعياري، وحجم العينة N) بصورة ديناميكية بعد كل عملية استبعاد ناجحة.

تُبنى الخوارزمية برمجياً باستخدام حلقة تكرارية من نوع while تبدأ بفحص المصفوفة الأصلية؛ فإذا تم اكتشاف قيمة شاذة تتجاوز القيمة الحرجة عند مستوى الدلالة المحدد، يتم تسجيل تلك القيمة وحذفها من المصفوفة، ثم تقليص حجم العينة (N = N – 1) وإعادة تشغيل الاختبار على المصفوفة المحدثة. يستمر هذا المسار التكراري بالدوران واختبار الأطراف المتعاقبة حتى تصل الخوارزمية إلى دورة تفشل فيها إحصائية G القصوى في تجاوز القيمة الحرجة المجدولة لتلك المرحلة، وهو ما يمثل شرط التوقف المنطقي (Stopping Criterion) للخروج من الحلقة.

توفر وحدة smirnov_grubbs هذا السلوك التكراري بصورة مدمجة ومحسنة داخلياً؛ حيث تواصل الدالة فحص واستبعاد النقاط المتطرفة المتتالية تلقائياً حتى يثبت أن جميع القيم المتبقية تقع ضمن حدود التوزيع الطبيعي المتوقع. يتيح هذا التطبيق التكراري تنظيف العينة من مجموعات القيم الشاذة المتعددة بكفاءة برمجية عالية ودون الحاجة إلى كتابة حلقات تكرار يدوية معقدة من قبل الباحث.

8.3 تقييم مخاطر التكرار المفرط للاختبار ومعدل الخطأ التراكمي

على الرغم من الفعالية البرمجية للخوارزمية التكرارية، إلا أن التطبيق المتتالي لاختبار غرابز ينطوي على مخاطر إحصائية ومنهجية بالغة الحساسية، في مقدمتها تضخم “معدل الخطأ المرجح للعائلة” (Family-wise Error Rate). فمع كل دورة تكرار إضافية للاختبار على نفس مجموعة البيانات، يتراكم احتمال ارتكاب الخطأ من النوع الأول (رفض العدم الخاطئ)، بحيث يصبح المعدل الحقيقي للخطأ التراكمي أكبر بكثير من قيمة ألفا الاسمية (0.05) المحددة في البداية.

للحد من هذه المخاطر وتطويق التضخم الاحتمالي، ينبغي على الباحثين تطبيق تدابير تصحيحية صارمة، مثل استخدام تعديل بونفيروني (Bonferroni Correction)، حيث يتم تقسيم مستوى ألفا الأصلي على الحد الأقصى المتوقع لعدد التكرارات أو عدد المشاهدات، مما يرفع من عتبة القيمة الحرجة ويمنع الاستبعاد الجائر للبيانات الصالحة. كما يُنصح دائماً بوضع سقف أعلى مسبق لعدد النقاط المسموح باستبعادها تكرارياً (كأن لا يتجاوز 5% إلى 10% من إجمالي حجم العينة الأصلي).

يجب على الباحث الموازنة الحذرة بين الرغبة في تنقية البيانات من الشوائب الإحصائية وبين الحفاظ على حجم العينة والتمثيل الواقعي للظاهرة المدروسة. فالتكرار المفرط لاختبار غرابز قد يقود في النهاية إلى تقليم اصطناعي لأطراف التوزيع (Trimming)، مما يخلق عينة متجانسة بشكل مصطنع وذات تباين منخفض بصورة زائفة، وهو ما يقوض صدق النتائج وقابليتها للتعميم على مجتمعات حقيقية تتسم بطبيعتها بالتباين والاتساع.

9. بناء اختبار غرابز من الصفر باستخدام NumPy و SciPy

9.1 كتابة الدالة الرياضية لحساب إحصائية G يدوياً

يوفر بناء اختبار غرابز برمجياً من الصفر (From Scratch) فهماً عميقاً لآلياته الحسابية ويتيح للمحلل مرونة كاملة في تخصيص الاختبار ودمجه في خطوط التحليل المتقدمة دون الاعتماد على مكتبات خارجية ثانوية. نبدأ بإنشاء دالة بايثون تأخذ مصفوفة البيانات data ومعامل alpha، وتعتمد حصرياً على المكتبتين المعياريتين NumPy و SciPy لإنجاز كافة العمليات الحسابية المتجهية.

تستهل الدالة خطواتها بحساب حجم العينة N باستخدام الدالة len(data)، يليه حساب المتوسط الحسابي للعينة عبر الدالة np.mean(data). بعد ذلك، يتم حساب الانحراف المعياري للعينة بدقة متناهية باستخدام الدالة np.std(data, ddof=1)، مع التأكيد الصارم على ضبط معامل درجات الحرية ddof=1 لضمان قسمة مجموع المربعات على (N – 1) بدلاً من N، وهو شرط رياضي جوهري لتفادي التقليل المتحيز من تباين المجتمع.

تواصل الدالة حساب المسافات المطلقة لجميع النقاط عن المتوسط عبر التعبير البرمجي np.abs(data – mean)، ثم تحديد أقصى مسافة مطلقة باستخدام الدالة np.max() مع الاحتفاظ بمؤشر النقطة الأكثر انحرافاً. تُحسب إحصائية غرابز (G_calculated) بقسمة هذه المسافة القصوى على الانحراف المعياري المحسوب، لإنتاج القيمة العددية المعيارية التي تمثل انحراف النقطة المرشحة للشذوذ عن مركز البيانات.

9.2 حساب القيمة الحرجة والقيمة الاحتمالية (P-value) برمجياً

تنتقل الدالة بعد ذلك إلى مرحلة بناء المعيار الاحتمالي لحساب القيمة الحرجة (G_critical) بدقة بالغة. يتم الاستعانة بدالة النقطة المئوية العكسية لتوزيع ستودنت scipy.stats.t.ppf. لحساب القيمة التائية الحرجة للاختبار ثنائي الطرف، يُمرر للدالة الاحتمال المعدل المتمثل في: 1 – (alpha / (2 * N)) عند درجات حرية تساوي N – 2، مما يستخرج الإحداثي التائي الدقيق لحدود الرفض.

يتم تطبيق معادلة غرابز التحويلية برمجياً عبر دمج القيمة التائية المحسوبة وحجم العينة N في معادلة الجذور التربيعية:

G_critical = ((N – 1) / np.sqrt(N)) * np.sqrt(t_value**2 / (N – 2 + t_value**2))

ينتج عن هذه المعادلة العتبة الفاصلة لغرابز. كما يمكن للدالة حساب القيمة الاحتمالية الدقيقة (P-value) المقابلة لإحصائية G عبر تحويل إحصائية G المحسوبة إلى ما يكافئها من قيمة تائية باستخدام الصيغة العكسية، ثم حساب مساحة الذيل التراكمية باستخدام دالة البقاء لتوزيع “ت” scipy.stats.t.sf وضرب الناتج في (2 * N).

تختتم الدالة عملها بمقارنة منطقية واضحة: إذا كانت إحصائية G_calculated > G_critical (أو كانت P-value < alpha)، فإن الدالة تُعلن اكتشاف قيمة شاذة وتعيد تفاصيل النقطة وموقعها وقيمتها المحسوبة وحالتها الإحصائية. أما في حال العكس، فإن الدالة تفيد بعدم وجود أدلة إحصائية كافية على الشذوذ، مما يوفر تقريراً تحليلياً شاملاً ومكتملاً دون الحاجة لأي أدوات وسيطة.

9.3 مقارنة النتائج والتحقق من صحة الكود المبني يدوياً

للتحقق الصارم من دقة الدالة المبنية يدوياً وموثوقيتها الحسابية، يتم إخضاعها لاختبار مقارنة معياري (Benchmarking) مباشر مقابل مخرجات دالة smirnov_grubbs الرسمية ومقابل الجداول الإحصائية التاريخية المنشورة في ورقة غرابز الأصلية وفي معايير المعهد الوطني للمعايير والتقنية (NIST). يتم تمرير مجموعات بيانات تجريبية متطابقة إلى كلا التطبيقين وفحص الفروق الرقمية في القيم المحسوبة والحرجة ومؤشرات النقاط المستبعدة.

تُظهر نتائج المقارنة تطابقاً حسابياً تاماً حتى المرتبة العشرية السادسة بين الدالة الذاتية والمكتبة الجاهزة في حساب إحصائية G والقيمة الحرجة عبر أحجام عينات متباينة (تتراوح بين N = 7 و N = 1000). يُثبت هذا التطابق سلامة الاشتقاق الرياضي واستيفاء الدالة لكافة الشروط الحسابية المعتمدة أكاديمياً، مما يمنح الباحث الثقة الكاملة في دمج هذا الكود داخل خطوط المعالجة المستقلة ومشاريع النمذجة المتقدمة.

من حيث الكفاءة الحوسبية والزمنية، يتميز التنفيذ اليدوي المباشر المبني على NumPy بتفوق طفيف في سرعة التنفيذ وتقليل استهلاك الذاكرة نظراً لتجريده من الطبقات البرمجية الإضافية والتحققات المفرطة للأنماط. كما تتيح هذه الدالة المستقلة سهولة استثنائية في المعالجة للحالات الحدية وتوفير رسائل خطأ مخصصة عندما يقل حجم العينة عن 7 مشاهدات، مما يجعلها أداة مرنة وشديدة المتانة لمشاريع الإنتاج العلمي والتطبيقي الكبرى.

10. التصور البصري للبيانات قبل وبعد تطبيق اختبار غرابز

10.1 رسم مخططات الصندوق (Boxplots) باستخدام Seaborn و Matplotlib

يمثل الاستكشاف البصري ركيزة أساسية لا غنى عنها لمرافقة التحليل الإحصائي الرقمي. يوفر مخطط الصندوق (Boxplot) المبني باستخدام مكتبتي Matplotlib و Seaborn وسيلة بصرية استثنائية لتمثيل توزيع البيانات ومواقع النقاط المتطرفة؛ حيث يعرض المخطط بوضوح خط الوسيط، المدى الربيعي المحصور بين الربيعين الأول والثالث (IQR)، وحدود الشوارب (Whiskers) التي تمتد عادة بمقدار 1.5 ضعف المدى الربيعي.

لتوضيح الأثر الجوهري لاختبار غرابز بصرياً، يُفضل إنشاء لوحة مقارنة بيانية متجاورة جنباً إلى جنب (Side-by-Side Subplots). تتضمن اللوحة الأولى مخطط الصندوق لمجموعة البيانات الأصلية متضمناً القيمة الشاذة التي تظهر كنقطة معزولة تطفو بعيداً خارج حدود الشارب العلوي أو السفلي، في حين تتضمن اللوحة المجاورة مخطط الصندوق للبيانات بعد تطهيرها بواسطة اختبار غرابز، مما يبرز بوضوح استعادة الصندوق لتماسكه وتناظره المعياري.

تسهم هذه المقارنة البصرية المتجاورة في تزويد الباحث والمراجع الأكاديمي بإدراك حسي فوري للأثر الإحصائي لعملية الاستبعاد؛ حيث يُلاحظ انكماش طول الصندوق وهبوط الشوارب إلى مستويات متناسقة، مما يدل بصرياً على تراجع التباين الزائف وتمركز المشاهدات في نطاقها الطبيعي، وهو ما يعزز الثقة في سلامة القرار الإحصائي المتخذ بناءً على اختبار غرابز الرقمي.

10.2 مخططات التوزيع الطبيعي ومخطط الاحتمالية (Q-Q Plot)

إلى جانب مخططات الصندوق، يمثل مخطط التوزيع التكراري ومنحنى الكثافة الاحتمالية (KDE Plot) أداة بصرية بالغة الأهمية لمراقبة استعادة التناظر الطبيعي للبيانات. قبل تطبيق اختبار غرابز، يظهر منحنى الكثافة مشوهاً بوضوح مع وجود ذيل ممتد وغير متناسق يسحب التوزيع نحو النقطة الشاذة. ولكن بمجرد استبعاد تلك النقطة، يستعيد المنحنى شكله الجرسي الكلاسيكي المتناظر حول المتوسط الحسابي.

يتكامل هذا الفحص البصري مع توليد مخطط الاحتمالية الطبيعية، المعروف باسم مخطط Q-Q (Quantile-Quantile Plot)، باستخدام الدالة scipy.stats.probplot. يقوم هذا المخطط بمقارنة رتب ونقاط البيانات الفعلية مع النقاط المئوية النظرية المتوقعة من التوزيع الطبيعي المعياري؛ حيث تصطف النقاط الطبيعية على طول خط مستقيم بزاوية 45 درجة، بينما تنحرف القيم الشاذة بصورة حادة وصارخة عن هذا الخط في أقصى الأطراف.

يُظهر فحص مخطط Q-Q بعد تطبيق اختبار غرابز عودة سريعة لكافة النقاط الطرفية لتصطف بانتظام مذهل فوق الخط المرجعي المستقيم، مما يبرهن بصرياً ورياضياً على زوال الانحرافات التوزيعية الثقيلة. يُعد تضمين هذه المخططات الاحتمالية في ملاحق الأوراق البحثية والتقارير الإحصائية دليلاً دامغاً على استيفاء شروط التوزيع الطبيعي بعد المعالجة، مما يرفع من جودة التوثيق الأكاديمي للبحث.

10.3 تسليط الضوء على القيمة المستبعدة في المخططات النقطية (Scatter Plots)

توفر المخططات النقطية للسلاسل الزمنية أو تسلسل المشاهدات الفردية (Index Scatter Plots) تمثيلاً بيانياً فعالاً يوضح موقع النقطة الشاذة وسياق ظهورها داخل مجرى التجربة. في هذا النوع من الرسوم البيانية، تُمثل كل نقطة قياس على المحور الرأسي مقابل ترتيب جمعها الزمني أو الإجرائي على المحور الأفقي، مما يسمح بتتبع مسار التجربة وتحديد ما إذا كان الشذوذ عارضاً أم مرتبطاً بتوقيت زمني محدد.

يمكن تسليط الضوء برمجياً على القيمة المستبعدة بواسطة تقنيات التلوين الشرطي في Matplotlib؛ حيث يتم رسم جميع النقاط المقبولة بلون محايد موحد (مثل الأزرق الداكن)، بينما تُلون النقطة التي حددها اختبار غرابز كقيمة شاذة بلون مغاير صارخ (مثل الأحمر المتوهج) مع وضع شارة توضيحية (Annotation) ودائرة بيانية تحيط بالنقطة لتبيان قيمتها الدقيقة ومقدار انحرافها عن خط المتوسط الحسابي المرجعي المرسوم عبر المخطط.

يساعد هذا التمثيل النقطي المميز في مناقشة الأسباب المنهجية للشذوذ أثناء كتابة تقرير البحث؛ فقد يكشف التوزيع الزمني للنقاط الشاذة، على سبيل المثال، وقوع الشذوذ في بداية الجلسة التجريبية نتيجة عدم استيعاب المبحوث لآلية الاختبار، أو تركزها في الدقائق الأخيرة بسبب الإرهاق الذهني. يمنح هذا الربط البصري السياقي عمقاً تفسيرياً يتجاوز مجرد المعالجة الرقمية الصامتة للبيانات.

11. البدائل الإحصائية لاختبار غرابز في حالات انتهاك الشروط

11.1 اختبار روزنر الموسع (Rosner’s Generalized ESD Test)

عندما يواجه الباحث مجموعات بيانات يُشتبه باحتوائها على قيم شاذة متعددة ومتقاربة تنذر بحدوث ظاهرة الحجب، وتكون العينة كبيرة نسبياً (N ≥ 25)، يبرز اختبار روزنر الموسع (Rosner’s Generalized Extreme Studentized Deviate Test) كبديل متطور ومتفوق إحصائياً على التطبيق التكراري البسيط لاختبار غرابز. صُمم هذا الاختبار في عام 1983 بواسطة عالم الإحصاء الحيوي برنارد روزنر ليتعامل بكفاءة مع اكتشاف ما يصل إلى عدد محدد مسبقاً (k) من القيم الشاذة في وقت واحد.

تكمن القوة المنهجية لاختبار روزنر في قدرته على تقييم النقاط الشاذة بصورة عكسية متدرجة تحمي الاختبار من التضخم المتبادل للتباين؛ حيث يقوم بحساب إحصائيات الانحراف المعياري المتطرف لعدد k من النقاط الأكثر بعداً، ثم يختبر الدلالة الإحصائية بدءاً من النقطة رقم k نزولاً إلى النقطة الأولى. تضمن هذه الآلية التراجعية الحفاظ على القوة الإحصائية حتى في وجود كتل شاذة متراصة، مما يقضي تماماً على مخاطر ظاهرة الحجب دون الحاجة لافتراض مسبق بعدد دقيق للقيم الشاذة.

على الرغم من تفوق روزنر في العينات الكبيرة والمتوسطة، إلا أن اختبار غرابز يظل الخيار الأبسط والأكثر كفاءة وقوة في العينات الصغيرة والمحدودة (التي يتراوح حجمها بين 7 و 25 مشاهدة)، حيث يفقد اختبار روزنر دقته التقريبية في العينات الضيقة. لذلك، يتعين على المحلل المفاضلة المنهجية الواعية بين الاختبارين بناءً على حجم العينة المتاحة والعدد المتوقع للقيم الشاذة داخل مصفوفة التحليل.

11.2 اختبار ديكسون (Dixon’s Q-Test) للعينات الصغيرة جداً

في الحالات المعملية والتجريبية الخاصة التي ينخفض فيها حجم العينة إلى ما دون الحد الأدنى لغرابز، ليتراوح بين 3 و 7 مشاهدات فقط (3 ≤ N ≤ 7)، يفقد اختبار غرابز صلاحيته الرياضية، ويبرز هنا اختبار ديكسون (Dixon’s Q-Test) كأفضل بديل إحصائي معلمي معتمد. يعتمد اختبار ديكسون على حساب نسبة الفروق النسبية بين الرتب المكانية المتتالية للبيانات المرتبة تصاعدياً، دون الحاجة لحساب المتوسط أو الانحراف المعياري للعينة.

تُحسب إحصائية ديكسون (Q_calculated) عبر قسمة المسافة الخطية المطلقة بين النقطة المشبوهة المتطرفة وأقرب نقطة مجاورة لها على المدى الإجمالي الكامل للعينة (القيمة العظمى مطروحاً منها القيمة الصغرى):

Q = | x_suspect – x_nearest | / (x_max – x_min)

تتم بعد ذلك مقارنة نسبة Q المحسوبة بجداول ديكسون الاحتمالية الحرجة عند مستوى ألفا المطلوب؛ فإذا تجاوزت النسبة المحسوبة القيمة الحرجة، تُصنف النقطة كقيمة شاذة يجب استبعادها.

يتميز اختبار ديكسون بسهولة تنفيذه البرمجي واليدوي الفائقة وحساسيته العالية للشذوذ في الدراسات الاستطلاعية المعملية والتحاليل الكيميائية المحدودة. ومع ذلك، يفقد اختبار ديكسون كفاءته بسرعة مع نمو حجم العينة متجاوزاً 10 مشاهدات، حيث تتفوق إحصائية غرابز وقيم توزيع “ت” بدرجات حرية أكبر، مما يجعل ديكسون خياراً متخصصاً ومقتصراً على العينات المتناهية الصغر فقط.

11.3 الأساليب اللامعلمية: المدى الربيعي (IQR) والانحراف المطلق عن الوسيط (MAD)

عندما تنتهك البيانات شرط التوزيع الطبيعي بصورة جوهرية وتفشل محاولات التحويل الرياضي، يصبح من غير الجائز تطبيق اختبار غرابز المعلمي. في هذه الحالات، يجب التحول نحو الأساليب اللامعلمية المتينة (Non-parametric Robust Methods) التي لا تفترض أي توزيع احتمالي مسبق للمجتمع. تبرز في مقدمة هذه الأساليب قاعدة جون توكي الشهيرة المعتمدة على المدى الربيعي (Interquartile Range – IQR)، والتي تصنف أي نقطة تقع خارج النطاق [Q1 – 1.5 * IQR, Q3 + 1.5 * IQR] كقيمة متطرفة.

يُمثل مقياس الانحراف المطلق عن الوسيط (Median Absolute Deviation – MAD) البديل اللامعلمي الأقوى والأكثر مناعة على الإطلاق ضد تأثير القيم الشاذة، والمعروف بنقطة انهيار (Breakdown Point) تصل إلى 50%. يُحسب مقياس MAD في بايثون عبر إيجاد وسيط الانحرافات المطلقة لكل نقطة عن وسيط العينة الإجمالي، وفق المعادلة:

MAD = median(| x_i – median(x) |)

يتم بعد ذلك تحويل هذا المقياس إلى درجة معيارية متينة (Modified Z-score) بقسمة المسافة عن الوسيط على حاصل ضرب MAD في الثابت المعياري 1.4826، وتُعتبر أي نقطة تتجاوز درجتها المتينة 3 أو 3.5 قيمة شاذة إحصائياً.

يُفضل الباحث الاعتماد على مقياس MAD والأساليب اللامعلمية عند التعامل مع بيانات تتميز بالتواء شديد متأصل، أو بيانات التوزيعات اللوجستية وتوزيعات كوشي، أو عندما تكون البيانات ملوثة بنسبة عالية من الضوضاء غير الغوسية. توفر هذه الطرق حماية قوية لتحليلات البيانات دون المخاطرة برفض الفرضيات الصفرية بصورة زائفة نتيجة انتهاك التوزيع الطبيعي المفترض في اختبار غرابز.

12. أفضل الممارسات الأكاديمية والأخلاقية لمعالجة القيم الشاذة

12.1 التحقيق في مصدر القيمة الشاذة قبل حذفها إحصائياً

تفرض المنهجية العلمية الرصينة واجباً أخلاقياً وتحليلياً صارماً يقضي بعدم التعامل مع القيم الشاذة كأرقام مجردة يجب استئصالها برمجياً فوراً، بل يجب الشروع أولاً في تحقيق استقصائي شامل حول المصدر الفعلي لنشوء تلك القيمة المتطرفة. ينبغي على الباحث التمييز الدقيق بين ثلاثة مصادر رئيسية: أخطاء القياس والإدخال المادية (Data Entry/Measurement Errors)، الحالات الخارجة عن مجتمع الدراسة المستهدف (Out-of-Population Cases)، والتباين الطبيعي الأصيل في السلوك والقدرات الإنسانية النادرة.

إذا كشف التحقيق أن القيمة الشاذة نتجت عن خطأ في النقل الرقمي (كأن تُسجل درجة 990 بدلاً من 99) أو عطل بروتوكولي مسجل في جهاز القياس، فإن الحذف أو التصحيح يُعد واجباً إجرائياً لا شائبة فيه. أما إذا كانت القيمة المتطرفة تمثل أداءً بشرياً حقيقياً وموثقاً لشخص ينتمي بالفعل إلى مجتمع البحث، فإن حذف هذه النقطة لمجرد تحسين مخرجات الدلالة الإحصائية لاختبارات الفرضيات يُعد ممارسة غير أخلاقية تقوض النزاهة الأكاديمية وتحجب ظواهر فريدة قد تكون هي الاكتشاف العلمي الأهم في التجربة بأكملها.

في الحالات التي يتعذر فيها الجزم القاطع بسبب الشذوذ، تتجسد أفضل الممارسات المنهجية في إجراء “تحليل الحساسية المزدوج” (Sensitivity Analysis). يتمثل هذا الإجراء في تنفيذ كافة التحليلات والنماذج الإحصائية مرتين متوازيتين: المرة الأولى باستخدام مجموعة البيانات الكاملة بما فيها النقاط الشاذة، والمرة الثانية باستخدام مجموعة البيانات المنقحة بعد استبعاد القيم الشاذة عبر اختبار غرابز. يتيح عرض كلا التحليلين في متن البحث للقراء والمراجعين تقييم مدى متانة النتائج واستقرار الاستنتاجات العلمية بصرف النظر عن قرار الحذف الإحصائي.

12.2 معايير التوثيق الأكاديمي وفق دليل الجمعية الأمريكية لعلم النفس (APA)

يتطلب النشر العلمي في المجلات المحكمة المفهرسة الامتثال الكامل لمعايير الشفافية والتوثيق المنهجي المحددة في دليل النشر الصادر عن جمعية علم النفس الأمريكية (APA Style – 7th Edition). يحظر الدليل استبعاد أي مشاهدة من التحليل دون الإفصاح الكامل والصريح عن ذلك في قسم المنهجية (Methodology) والنتائج (Results)، مع تقديم التبرير النظري والإحصائي التفصيلي الذي استند إليه قرار الاستبعاد.

يجب أن يتضمن التوثيق الأكاديمي لاختبار غرابز تفاصيل محددة تشمل: نوع الاختبار المطبق (أحادي أم ثنائي الطرف)، مستوى الدلالة المعتمد (alpha level)، قيمة إحصائية غرابز المحسوبة بدقة (G-value)، حجم العينة قبل وبعد الحذف (N)، والقيمة الاحتمالية المقابلة (p-value). يُكتب النص التوثيقي بنسق أكاديمي منضبط؛ مثل: “أجري اختبار غرابز ثنائي الطرف لاستكشاف القيم المتطرفة في درجات مقياس القلق المعرفي، مما أسفر عن تحديد واستبعاد مشاهدة متطرفة واحدة ذات دلالة إحصائية (G = 3.24, p = .018, N_original = 45, N_final = 44)، ولم يتم رصد أي قيم شاذة إضافية بعد إعادة التحليل التكراري”.

إن الشفافية المطلقة في توثيق خطوات معالجة البيانات واستبعاد المشاهدات لا ترفع من مصداقية الورقة البحثية فحسب، بل تُعد شرطاً أساسياً لضمان “قابلية التكرار والتحقق العلمي” (Replicability and Reproducibility). يتيح هذا الإفصاح المنهجي للباحثين المستقلين إعادة إنتاج التحليلات بنفس المعايير الحسابية ومقارنة النتائج بدقة، مما يسهم في تعزيز البناء التراكمي للمعرفة العلمية الموثوقة.

12.3 تطوير خط أنابيب برمجي متكامل لتنقية البيانات (Pipeline)

لتحقيق أعلى درجات الكفاءة وإعادة الاستخدام البرمجي في المشاريع الإحصائية ومشاريع علوم البيانات الكبرى، يُوصى بتطوير خط أنابيب برمجي مؤتمت ومتكامل (Data Cleaning Pipeline) يدمج اختبار غرابز كفئة مخصصة (Custom Transformer) متوافقة بالكامل مع مكتبات بايثون القياسية مثل Pandas ومحولات Scikit-Learn. يسمح هذا التصميم المعياري بإدراج خطوات فحص الشذوذ ضمن دورة المعالجة المسبقة للبيانات بصورة مرنة وآمنة تمنع تسرب البيانات (Data Leakage).

يبدأ خط الأنابيب البرمجي المؤتمت بالتحقق التلقائي من استيفاء الشروط المسبقة؛ حيث يمرر المتغير الرقمي أولاً إلى دالة فحص التوزيع الطبيعي (مثل اختبار شابيرو-ويلك)، متبوعاً بالتحقق من استيفاء حجم العينة الأدنى (N ≥ 7). إذا اجتازت البيانات هذه الشروط بنجاح، يُشغل خط الأنابيب اختبار غرابز (المبني ذاتياً أو عبر smirnov_grubbs) لعزل القيم الشاذة، وفي حال فشل شرط التوزيع الطبيعي، يتحول خط الأنابيب تلقائياً إلى المسار اللامعلمي البديل المعتمد على مقياس MAD أو IQR دون توقف المعالجة.

يختتم خط الأنابيب عمله بتوليد تقرير تدقيق جودة آلي (Data Quality Audit Log) يوثق كافة التحويلات التي طرأت على المصفوفات الرقمية، مسجلاً عدد الحالات المستبعدة، معالم التوزيع قبل وبعد التنقية، والمخططات البصرية المصاحبة في ملفات تقرير بصيغة HTML أو PDF. يمنح هذا الهيكل البرمجي المعياري فرق البحث حلاً شاملاً وقابلاً للتوسع يجمع بين الدقة الرياضية الصارمة والأتمتة البرمجية الحديثة وفق أرقى المعايير الهندسية والإحصائية.

خاتمة

يمثل اختبار غرابز للقيم الشاذة أداة إحصائية كلاسيكية لا غنى عنها في ترسانة الباحث ومحلل البيانات؛ إذ يجمع بين الأناقة الرياضية والصرامة الاستدلالية في التمييز بين التباين العشوائي والشذوذ الحقيقي المؤثر على صدق النماذج المعلمية. ومن خلال بيئة الحوسبة الإحصائية بلغة بايثون، تمكن الباحثون من نقل هذا الاختبار من حيز الجداول الحسابية اليدوية المعقدة إلى حيز الأتمتة البرمجية السريعة والدقيقة، سواء عبر حزم جاهزة ومحكمة مثل outlier_utils أو من خلال صياغة الخوارزميات الذاتية بالاعتماد على NumPy و SciPy.

ومع ذلك، تظل القيمة الحقيقية للتطبيق البرمجي لاختبار غرابز مشروطة دائماً بالالتزام الصارم بالافتراضات المنهجية؛ وفي مقدمتها التوزيع الطبيعي التقريبي وحجم العينة المناسب، مع ضرورة الوعي بظواهر الحجب والبدائل اللامعلمية المتاحة عند انتهاك الشروط. إن الجمع الواعي بين الصرامة الرياضية، الفهم البصري المعمق، والممارسات الأكاديمية الأخلاقية في التوثيق وفق معايير APA، يضمن تحويل عملية تنقية البيانات من مجرد إجراء تقني روتيني إلى ركيزة منهجية أصيلة تدعم موثوقية الاكتشافات العلمية وقابليتها للتكرار والتعميم في مختلف ميادين المعرفة الإنسانية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). كيفية إجراء اختبار غرابز في بايثون. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-grubbs-test-in-python-2/
looti, Mohammed. “كيفية إجراء اختبار غرابز في بايثون.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-grubbs-test-in-python-2/.
looti, Mohammed. “كيفية إجراء اختبار غرابز في بايثون.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/how-to-perform-grubbs-test-in-python-2/.