كيفية إجراء اختبار كروسكال-واليس في ستاتا

يُعد التحليل الإحصائي الاستدلالي الركيزة الأساسية التي تقوم عليها الأبحاث العلمية الرصينة في مختلف الحقول المعرفية، لا سيما في العلوم الاجتماعية، والسلوكية، والعلوم الطبية الحيوية. فعندما يسعى الباحث إلى تقييم الفروق الجوهرية بين ثلاث مجموعات مستقلة أو أكثر بناءً على متغير كمي أو رتبي، يبرز تحليل التباين الأحادي (One-Way ANOVA) كخيار بارامتري كلاسيكي شائع. ومع ذلك، تصطدم هذه الطريقة التقليدية في كثير من الأحيان بعقبات منهجية معقدة في البيانات الواقعية؛ كأن تكون البيانات ملتوية بشدة، أو تحتوي على قيم شاذة ومتطرفة تعصف بالمتوسطات الحسابية، أو تفشل في تلبية افتراض التوزيع الطبيعي المعياري وتجانس التباين، أو تنتمي إلى مقاييس رتبية غير متصلة مثل مقاييس ليكرت المتعددة النقاط.

في مثل هذه البيئات الإحصائية المعقدة، يصبح اللجوء إلى الاختبارات اللامعلمية (Non-parametric Tests) ضرورة منهجية ملحة لضمان موثوقية القرارات الإحصائية وتجنب الوقوع في أخطاء الاستدلال الإحصائي (مثل الخطأ من النوع الأول أو الثاني). وهنا يبرز اختبار كروسكال-واليس (Kruskal-Wallis H Test) بوصفه البديل اللامعلمي الأقوى والأكثر مرونة لتحليل التباين الأحادي، حيث يعتمد على ترتيب المشاهدات وتحويل القيم الخام إلى رتب، مما يحرر الباحث من قيود التوزيع الطبيعي الصارمة ويمنحه أداة دقيقة لاكتشاف الفروق بين التوزيعات أو الوسائط عبر المجموعات المتعددة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري، رياضي، وتطبيقي عميق لكيفية تنفيذ وقراءة وتفسير اختبار كروسكال-واليس في بيئة الحزم البرمجية الرائدة ستاتا (Stata). سنستعرض الرحلة الإحصائية المتكاملة بدءاً من الأسس الرياضية للمنطق القائم على الرتب، مروراً بفحص الافتراضات وتجهيز البيانات وتوليد الرسوم البيانية الاستكشافية، وصولاً إلى كتابة أوامر التنفيذ، وإجراء المقارنات البعدية التصحيحية، وحساب حجوم الأثر الدقيقة، وتوثيق النتائج وفق المعايير الأكاديمية الصارمة لجمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة شاملة لاختبار كروسكال-واليس والمفاهيم الإحصائية الأساسية

1.1 تعريف اختبار كروسكال-واليس وسياقه التاريخي

يرجع الفضل في تأسيس وتطوير اختبار كروسكال-واليس إلى العالمين الإحصائيين البارزين ويليام كروسكال (William Kruskal) ودبليو ألين واليس (W. Allen Wallis)، اللذين قدّما هذه الخوارزمية في ورقة بحثية بارزة نُشرت عام 1952 في دورية الجمعية الإحصائية الأمريكية (Journal of the American Statistical Association). وجاء تطوير هذا الاختبار لسد ثغرة منهجية قائمة في التحليلات الكلاسيكية؛ إذ كان الباحثون يفتقرون إلى وسيلة قوية لمقارنة أكثر من عينتين مستقلتين عندما تنتهك البيانات فرضيات التوزيع الطبيعي التي يتطلبها اختبار تحليل التباين (F-test).

يُعرَّف اختبار كروسكال-واليس، ويُرمز له بإحصائية $H$، بأنه اختبار إحصائي استدلالي لامعلمي يُستخدم لتحديد ما إذا كانت هناك فروق ذات دلالة إحصائية بين ثلاث مجموعات مستقلة أو أكثر من حيث متغير تابع متصل أو رتبي. يُعتبر هذا الاختبار امتداداً مباشراً لاختبار مان-ويتني (Mann-Whitney U Test) المخصص لمقارنة مجموعتين فقط، كما يُعد المقابل اللامعلمي المباشر لتحليل التباين الأحادي للعينات المستقلة (One-Way Independent ANOVA).

تكمن الأهمية الاستثنائية لهذا الاختبار في مجالات مثل العلوم النفسية، والعلوم السلوكية، وعلم الاجتماع، والتعليم، وعلم الوبائيات؛ حيث يتعامل الباحثون غالباً مع مقاييس التقييم الذاتي، والاستبيانات النفسية ذات التدرج الرتبي، ودرجات القلق أو الاكتئاب، والبيانات الاقتصادية الديموغرافية (مثل الدخل أو الثروة) التي تتسم بطبيعتها بعدم التماثل والتواء التوزيع ووجود قيم متطرفة قد تشوه المتوسطات الحسابية بشكل جذري وتؤدي إلى استنتاجات خاطئة إذا ما طُبقت عليها الاختبارات المعلمية.

1.2 المنطق الإحصائي لتحويل البيانات إلى رتب (Rank-based Logic)

يقوم المنطق الرياضي لاختبار كروسكال-واليس على مبدأ تحويل القيم الأصلية الخام للمتغير التابع إلى رتب عددية بسيطة (Ranks). تبدأ العملية بتجميع كافة المشاهدات من جميع المجموعات المستقلة معاً وتجريدها مؤقتاً من تسميات المجموعات، ثم ترتيب هذه القيم تصاعدياً من أصغر قيمة تأخذ الرتبة (1) إلى أكبر قيمة تأخذ الرتبة الإجمالية ($N$)، حيث يمثل$N$ حجم العينة الكلي المجمع عبر كافة الفئات المدروسة.

في الحالات الواقعية، غالباً ما تتكرر بعض القيم بين المشاهدات المختلفة، وهو ما يُعرف في الأدبيات الإحصائية بـ “الرتب المشتركة أو المتطابقة” (Tied Ranks). يتعامل الاختبار مع هذه الحالات بتطبيق طريقة “متوسط الرتب” (Mid-rank Method)؛ فإذا احتلت ثلاث مشاهدات الرتب 4 و5 و6 لتطابق قيمها، تُمنح كل مشاهدة منها الرتبة المتوسطة وهي 5، أي حاصل قسمة مجموع الرتب المشغولة على عددها: $(4+5+6)/3 = 5$.

بعد تعيين الرتب لجميع المشاهدات، يُعاد فرزها إلى مجموعاتها الأصلية، ويتم حساب مجموع الرتب ($R_j$) ومتوسط الرتب ($\bar{R}_j$) لكل مجموعة $j$. تحت الفرضية الصفرية التي تفترض عدم وجود فروق بين المجموعات، يُتوقع أن تكون متوسطات الرتب متقاربة ومتساوية تقريباً مع القيمة المتوقعة لمتوسط الرتب الكلي وهو$(N+1)/2$. يتم بعد ذلك حساب إحصائية الاختبار$H$، والتي تقيس مدى انحراف مجموع الرتب المرصودة في كل مجموعة عن القيمة المتوقعة نظرياً وفق المعادلة العامة:

$$H = \frac{12}{N(N+1)} \sum_{j=1}^{k} \frac{R_j^2}{n_j} – 3(N+1)$$

حيث تمثل $k$ عدد المجموعات، و$n_j$ حجم العينة في المجموعة $j$. تقترب هذه الإحصائية$H$ من توزيع مربع كاي (Chi-Square Distribution) بدرجات حرية مساوية لـ ($k – 1$) عندما تكون أحجام العينات كبيرة نسبياً (عادة $n_j ge 5$).

1.3 صياغة الفرضيات الإحصائية للاختبار

تتطلب الصياغة الدقيقة للفرضيات الإحصائية لاختبار كروسكال-واليس فهماً عميقاً لطبيعة التوزيعات الاحتمالية للمجموعات المقارنة. في سياقها العام والأشمل، تُصاغ الفرضية الصفرية ($H_0$) والفرضية البديلة ($H_1$) على النحو التالي:

• الفرضية الصفرية ($H_0$): تتطابق التوزيعات الاحتمالية للمتغير التابع عبر كافة المجموعات السكانية المدروسة، أو أن احتمالية أن تكون قيمة مسحوبة عشوائياً من إحدى المجموعات أكبر من قيمة مسحوبة من مجموعة أخرى متساوية تماماً وتساوي 0.5 عبر جميع الأزواج (أي تساوي متوسطات الرتب عبر المجموعات).
• الفرضية البديلة ($H_1$): تختلف مجموعة سكانية واحدة على الأقل عن المجموعات الأخرى من حيث توزيع درجات المتغير التابع (أو أن هناك هيمنة عشوائية لمجموعة على أخرى).

من الضروري التمييز الإحصائي بين اختبار “تساوي الوسائط” (Medians) واختبار “تساوي التوزيعات العامة”. فإذا كانت المجموعات تشترك في نفس شكل التوزيع الاحتمالي والتشتت (نفس الالتواء والتفرطح والتغاير)، فإن الفرضية الصفرية تصبح تحديداً: “تتساوى وسائط المجموعات ($M_1 = M_2 = dots = M_k$)”. أما إذا اختلفت أشكال التوزيعات بين المجموعات، فإن الاختبار لا يقيس الفروق بين الوسائط الحقيقية، بل يقيس الفروق في التوزيع الشامل ومتوسطات الرتب (Mean Ranks).

يساعد التحديد الصارم للفرضيات في الأبحاث النفسية والتربوية على توجيه تفسير الباحث؛ إذ يمنع الإفراط في تعميم النتائج عند غياب شرط تماثل التوزيعات، ويوجه التحليلات نحو استنتاجات تعبر بدقة عن الهيمنة التوزيعية أو الفروق الوسيطية الفعلية.

2. المقارنة المنهجية بين اختبار كروسكال-واليس وتحليل التباين أحادي الاتجاه (ANOVA)

2.1 الفروق الجوهرية في طبيعة البيانات والافتراضات

تتمحور الفروق الأساسية بين اختبار كروسكال-واليس وتحليل التباين الأحادي الكلاسيكي (ANOVA) حول مستوى قياس المتغير التابع والافتراضات البارامترية المحيطة بالبيانات. يعتمد اختبار ANOVA على القيم الخام لحساب المتوسطات الحسابية والتباينات الكلية والداخلية والبينية، في حين يستند كروسكال-واليس كلياً إلى الرتب الترتيبية للأرقام بعد التخلص من مقادير المسافات المطلقة بين المشاهدات.

تتجلى نقطة التفوق الكبرى لاختبار كروسكال-واليس في مناعته القوية ضد تأثير القيم المتطرفة (Outliers) والالتواءات الحادة. في تحليل التباين (ANOVA)، تؤدي قيمة شاذة واحدة شديدة الارتفاع أو الانخفاض إلى سحب المتوسط الحسابي وتضخيم التباين المتبقي (Mean Square Error)، مما يقلل بشكل حاد من قيمة الإحصائية $F$ ويفقد الاختبار قدرته على اكتشاف الفروق الحقيقية، أو العكس بتوليد فروق وهمية. في المقابل، فإن تحويل القيم إلى رتب في اختبار كروسكال-واليس يحجم أثر القيم المتطرفة ويجعلها مجرد رتبة عليا (مثل الرتبة $N$) بغض النظر عن المسافة الرقمية الفاصلة بينها وبين المشاهدة السابقة لها.

علاوة على ذلك، يُعد كروسكال-واليس الخيار القياسي والوحيد عندما يكون المتغير التابع مقاساً على مستوى رتبي (Ordinal Scale)؛ حيث تفقد العمليات الحسابية للمتوسطات والانحرافات المعيارية معناها الرياضي الدقيق وتصبح غير صالحة إحصائياً.

2.2 مقارنة القوة الإحصائية وحجم العينة

عند دراسة القوة الإحصائية (Statistical Power)، تُقاس كفاءة الاختبارات اللامعلمية بمفهوم “الكفاءة النسبية المقاربة” (Asymptotic Relative Efficiency – ARE) مقارنة بالاختبارات المعلمية. عند تحقق شروط التوزيع الطبيعي الكامل وتجانس التباين، تبلغ الكفاءة النسبية المقاربة لاختبار كروسكال-واليس حوالي 95.5% (أي $\frac{3}{\pi}$) مقارنة باختبار ANOVA. هذا يعني أن الباحث الذي يستخدم كروسكال-واليس على بيانات طبيعية تماماً لا يفقد سوى قدر ضئيل جداً من القوة الإحصائية.

في المقابل، عندما تنتهك البيانات افتراض الاعتدالية ويكون التوزيع مائلاً أو ذو ذيول ثقيلة (مثل توزيع كوشي أو التوزيع اللوغاريتمي الطبيعي أو التوزيع الأسي)، تتفوق الكفاءة النسبية لاختبار كروسكال-واليس لتتجاوز 100% بكثير، وتصل في بعض التوزيعات الملتوية إلى أكثر من 150% أو ما لا نهاية، مما يجعله أكثر قوة وكفاءة بمراحل من ANOVA في اكتشاف التأثيرات الحقيقية ورفض الفرضية الصفرية الباطلة.

فيما يخص العينات الصغيرة، إذا كان حجم العينة في المجموعات صغيراً جداً ($n < 5$)، فإن التقريب المعتمد على توزيع مربع كاي لإحصائية $H$ قد يواجه بعض التحيز في ضبط معدل الخطأ من النوع الأول ($\alpha$)، مما يستلزم استخدام الجداول التوزيعية الدقيقة (Exact Permutation Distributions) المتاحة في بعض الحزم البرمجية المتخصصة في ستاتا.

2.3 شجرة اتخاذ القرار الإحصائي لاختيار الاختبار المناسب

لاتخاذ قرار منهجي محكم بين إجراء اختبار ANOVA أو اللجوء إلى اختبار كروسكال-واليس في ستاتا، يُنصح الباحثون باتباع مصفوفة المعايير الإجرائية التالية:

• المستوى الأول (مستوى القياس): إذا كان المتغير التابع رتبياً خالصاً (مثل رتب عسكرية، فئات رضا، أو مؤشرات أداء رتبية)، فإن اختبار كروسكال-واليس هو الخيار الحتمي. إذا كان كمياً فئوياً أو نسبياً، يُنتقل للمستوى الثاني.
• المستوى الثاني (التوزيع الطبيعي والشذوذ): يُفحص التوزيع الطبيعي للمتغير التابع داخل كل مجموعة على حدة عبر الاختبارات الإحصائية (مثل Shapiro-Wilk) والفحص البصري. في حال وجود التواءات واضحة أو قيم شاذة مؤثرة لا يمكن تبرير استبعادها، يتم اختيار كروسكال-واليس.
• المستوى الثالث (تجانس التباين): إذا كانت البيانات كمية وموزعة توزيعاً طبيعياً مع وجود عدم تجانس في التباين، يمكن اللجوء لاختبارات معلمية معدلة مثل Welch’s ANOVA. أما إذا اجتمع عدم التوزيع الطبيعي مع عدم تجانس التباين، فإن كروسكال-واليس يُعد الخيار الأساسي مع ضرورة مراعاة تفسيره في ضوء متوسطات الرتب.

في الحالات المتقدمة التي تتطلب دراسة تأثيرات تفاعلية لعدة متغيرات مستقلة في آن واحد أو ضبط متغيرات مصاحبة (Covariates) دون تحقق الشروط المعلمية، يمكن الانتقال في بيئة ستاتا إلى النماذج الخطية المعممة (GLM)، أو الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression)، أو انحدار المئينيات (Quantile Regression).

3. الافتراضات الإحصائية لاختبار كروسكال-واليس وكيفية التحقق منها

3.1 استقلالية المشاهدات ومستوى القياس

تُمثل استقلالية المشاهدات (Independence of Observations) حجر الزاوية الذي لا يمكن التنازل عنه في اختبار كروسكال-واليس. يتطلب هذا الافتراض ألا تؤثر استجابة أو قياس أي فرد في العينة على استجابة أي فرد آخر، سواء داخل نفس المجموعة أو عبر المجموعات المختلفة. يُبنى هذا الافتراض من خلال التصميم التجريبي أو المنهجي للدراسة (Between-Subjects Design)، وتجنب استخدام هذا الاختبار مع التصاميم ذات القياسات المكررة (Repeated Measures) أو العينات المترابطة، حيث يتطلب هذا النوع الأخير استخدام اختبار فريدمان (Friedman Test).

أما من حيث مستوى القياس، فيجب أن يكون المتغير المستقل (العامل التصنيفي) متغيراً فئوياً (Categorical/Nominal) يحتوي على ثلاث فئات أو أكثر، في حين يجب أن يكون المتغير التابع إما متغيراً رتبياً (Ordinal) أو متغيراً كمياً مستمراً (Continuous) لم تتحقق فيه شروط التحليل المعلمي.

3.2 افتراض تماثل أشكال التوزيعات (Similarity of Distribution Shapes)

يُعد افتراض تماثل أشكال التوزيعات شرطاً تفسيرياً حاسماً لاختبار كروسكال-واليس. لا يشترط هذا الافتراض أن تكون التوزيعات طبيعية أو متماثلة حول المتوسط، بل يشترط أن يكون شكل منحنى الكثافة الاحتمالية للمتغير التابع متشابهاً هندسياً في كافة المجموعات (أي تشترك المجموعات في اتجاه ومقدار الالتواء، والتفرطح، وانتشار البيانات).

إذا تحقق هذا الافتراض (تماثل أشكال التوزيعات عبر الفئات)، فإن اختبار كروسكال-واليس يتحول وظيفياً إلى اختبار مقارنة للوسائط الحقيقية (Medians) للمجموعات؛ حيث يُفسر رفض الفرضية الصفرية بأن وسيط إحدى المجموعات أعلى أو أدنى إحصائياً من وسائط المجموعات الأخرى. أما إذا كانت التوزيعات متباينة الأشكال (كأن يكون توزيع المجموعة الأولى ملتوياً لليمين والمجموعة الثانية ملتوياً لليسار)، فإن الاختبار يظل صالحاً رياضياً، لكنه يقيس ظاهرة “الهيمنة العشوائية” (Stochastic Dominance) والاختلاف في “متوسطات الرتب” (Mean Ranks) فقط، ولا يجوز حينئذ صياغة النتائج من منطلق مقارنة الوسائط المباشرة.

3.3 تجانس التباين بين المجموعات (Homoscedasticity)

يرتبط افتراض تجانس التباين ارتباطاً وثيقاً بافتراض تماثل التوزيعات؛ حيث يتطلب أن يكون تشتت البيانات حول المركز متقارباً بين الفئات المختلفة للمتغير المستقل. يؤدي الخلل الحاد في تجانس التباين إلى التأثير على المعدل الاسمي للخطأ من النوع الأول، لا سيما عندما تكون أحجام العينات بين المجموعات غير متساوية إلى حد كبير (Unbalanced Sample Sizes).

يمكن اختبار هذا الافتراض في ستاتا باستخدام اختبارات تجانس التباين اللامعلمية أو اختبار ليفين (Levene’s Test) عبر الأمر robvar. إذا تبين وجود تفاوت ضخم في التباينات مع اختلاف أحجام العينات، يُستحسن دعم التحليل بتفسير دقيق للرتب المتوسطة وتطبيق التحويلات المناسبة، أو الانتقال إلى نماذج انحدار الرتب اللامعلمية الأكثر متانة.

4. تهيئة بيئة العمل وإعداد البيانات في برنامج ستاتا (Stata)

4.1 واجهة أوامر ستاتا وإعداد مسار العمل

توفر حزمة ستاتا الإحصائية بيئة برمجية صارمة وقابلة لإعادة الإنتاج (Reproducible Research). تبدأ الممارسات البحثية الاحترافية دائماً بإنشاء وتحديد دليل العمل الحالي (Working Directory) الذي تُحفظ فيه ملفات البيانات، والأكواد، والمخرجات، وذلك عبر الأمر cd (Change Directory) في نافذة الأوامر، كما يُستحسن إنشاء ملف أوامر تفاعلي (Do-file) لتوثيق جميع العمليات التحليلية خطوة بخطوة.

تتميز بنية أوامر ستاتا بنظام دقيق وثابت يعتمد على قواعد بناء الجملة (Syntax): command [varlist] [if] [in] [weight] [, options]. لضمان التوثيق الدقيق للأبحاث، يُفضل فتح ملف سجل للمخرجات في مستهل جلسة العمل باستخدام الأمر log using "analysis_log.txt", text replace وتأكيد حفظه وإغلاقه في نهاية الجلسة عبر الأمر log close.

4.2 تحميل مجموعات البيانات النموذجية واستيراد البيانات الخارجية

تتيح ستاتا استدعاء العديد من قواعد البيانات التدريبية المخزنة سحابياً عبر خوادمها لدعم التعلم والتطبيق الإحصائي. من أشهر هذه المجموعات بيانات التعداد السكاني الأمريكي المتاحة عبر الأمر المباشر: sysuse census, clear، والتي تتضمن متغيرات ديموغرافية وجغرافية متعددة، مثل متوسط العمر السكاني (medage) والمناطق الجغرافية الأربع (region).

أما في حال استيراد بيانات الأبحاث الميدانية من مصادر خارجية مثل برامج Excel أو ملفات CSV، توفر ستاتا الأمر المباشر import excel "Dataset.xlsx", sheet("Sheet1") firstrow clear أو import delimited "Dataset.csv", clear. يجب عقب عملية الاستيراد فحص المتغيرات المحملة للتأكد من التعرف الصحيح على طبيعة الحقول وعدم تحويل المتغيرات الرقمية إلى متغيرات نصية (String) نتيجة وجود أخطاء في إدخال الرموز.

4.3 تنظيف البيانات وترميز المتغيرات النفسية والديموغرافية

تُمثل مرحلة تنظيف البيانات الركيزة التي تحدد دقة التحليل اللاحق. تتضمن هذه الخطوة فحص المشاهدات المفقودة (Missing Values) والتعامل معها؛ حيث توفر ستاتا أدوات متقدمة مثل الأمر misstable summarize لاكتشاف أنماط الفقدان وتحديد ما إذا كان الفقدان عشوائياً تماماً أم يخضع لأنماط منهجية تستدعي المعالجة قبل التحليل.

في كثير من الأحيان، تُجمع المتغيرات المستقلة الفئوية (مثل فئات التخصص الأكاديمي، أو المناطق الجغرافية، أو مستويات القلق) بصيغ نصية غير رقمية. في هذه الحالة، يجب تحويلها إلى متغيرات فئوية عددية مقترنة بتسميات وصفية من خلال الأمر encode text_variable, generate(numeric_variable). كما يمكن إضافة وتعديل التسميات التعريفية للمتغيرات وقيمها الفئوية لتعزيز وضوح المخرجات باستخدام الأوامر:

label define group_lbl 1 "شمال" 2 "جنوب" 3 "شرق" 4 "غرب"
label values region group_lbl
label variable medage "العمر الوسيط للسكان بالسنوات"

5. الاستكشاف الأولي للبيانات والإحصاء الوصفي في ستاتا

5.1 استخراج ملخصات الإحصاء الوصفي الأساسية

قبل الشروع في تطبيق أي اختبار استدلالي، يجب فحص المعالم الوصفية الكلية للمتغير التابع. يوفر الأمر summarize في ستاتا ملخصاً عاماً يتضمن حجم العينة ($N$)، المتوسط الحسابي (Mean)، الانحراف المعياري (Std. Dev.)، وأدنى وأعلى قيمة مرصودة. ولمعرفة السمات التوزيعية الدقيقة، يُضاف الخيار التفصيلي detail للأمر، كما يلي: summarize medage, detail.

يولد هذا الخيار الموسع مخرجات غنية تشمل المئينيات التفصيلية (Percentiles)، والوسيط (50th Percentile)، والتباين، والالتواء (Skewness)، والتفرطح (Kurtosis). في البيانات المخصصة لاختبار كروسكال-واليس، يُعد فحص قيمة الالتواء مؤشراً أولياً جوهرياً؛ حيث تشير القيم التي تتجاوز $\pm 1$ أو $\pm 2$ إلى انحراف واضح عن التوزيع الطبيعي، مما يؤكد الحاجة إلى التوجه نحو مقاييس النزعة المركزية اللامعلمية مثل الوسيط والمدى الربيعي (Interquartile Range – IQR).

5.2 حساب المؤشرات الوصفية التفصيلية حسب المجموعات

تتطلب المقارنة بين المجموعات استخراج المقاييس الوصفية بشكل منفصل لكل فئة من فئات المتغير المستقل. يتميز الأمر tabstat في ستاتا بمرونة فائقة تمكن الباحث من طلب مصفوفة مخصصة من الإحصاءات الوصفية مقسمة حسب المجموعات عبر السطر البرمجي:

tabstat medage, by(region) stat(n median p25 p75 iq mean sd) format(%9.2f) nototal

يستخرج هذا الأمر جدولاً منظماً يوضح لكل مجموعة فرعية عدد المشاهدات، الوسيط، المئين 25 والمئين 75، المدى الربيعي، بالإضافة إلى المتوسط والانحراف المعياري. وتساعد مقارنة الفروق بين المتوسط والوسيط داخل كل مجموعة على اكتشاف اتجاه الالتواء المحلي الخاص بكل فئة، مما يوفر فهماً أولياً حول مدى تقارب أو تباعد المجموعات قبل الاختبار الرسمي.

5.3 تقييم التوزيع الطبيعي والاعتدالية إحصائياً

يُعد التحقق من انتهاك افتراض التوزيع الطبيعي المسوغ المنهجي الأبرز لاستخدام اختبار كروسكال-واليس. توفر ستاتا حزمة متكاملة من الاختبارات الإحصائية المخصصة لفحص الاعتدالية، يأتي في مقدمتها اختبار شابيرو-ويلك (Shapiro-Wilk Test) الذي يُنفذ عبر الأمر swilk. ولتقييم الاعتدالية داخل كل مجموعة على حدة، يُستخدم الأمر المقترن بالفرز:

bysort region: swilk medage

يقوم الاختبار على فرضية صفرية مفادها أن البيانات تتبع توزيعاً طبيعياً. إذا كانت القيمة الاحتمالية ($p$-value) الناتجة أقل من مستوى الدلالة المعتمد ($alpha = 0.05$) في إحدى المجموعات أو جميعها، يتم رفض الفرضية الصفرية، مما يشير إلى وجود انحراف دال إحصائياً عن التوزيع الطبيعي. كما يمكن تعزيز النتائج بتطبيق اختبار شابيرو-فرانسيا عبر sfrancia، واختبار التواء وتفرطح التوزيع عبر sktest، لتوثيق تبرير التحول إلى التحليل اللامعلمي في تقرير البحث.

6. الفحص البصري وتصور البيانات في ستاتا قبل التحليل

6.1 إنشاء وتخصيص المخططات الصندوقية (Box Plots)

يُمثل المخطط الصندوقي (Box Plot) الأداة البصرية الأكثر فاعلية لاستكشاف خصائص البيانات اللامعلمية. يعكس الصندوق المدى الربيعي (IQR) الممتد من المئين 25 إلى المئين 75، بينما يمثل الخط العرضي داخل الصندوق وسيط المجموعة. تُولد ستاتا هذه المخططات بدقة عبر الأمر:

graph box medage, over(region) title("توزيع العمر الوسيط حسب المنطقة الجغرافية") ytitle("العمر الوسيط")

يتيح الفحص البصري للمخطط الصندوقي رصد موقع الوسيط داخل الصندوق لتقييم الالتواء، ومقارنة أطوال الصناديق لتقييم تجانس التشتت، وتحديد النقاط المنفصلة المعروضة خارج أطراف الشوارب (Whiskers) والتي تمثل القيم الشاذة والمتطرفة، مما يعطي تصورا واضحاً عن طبيعة البيانات وعن مدى صحة افتراض تماثل أشكال التوزيعات بين المجموعات.

6.2 توليد المدرجات التكرارية ورسوم الكثافة الاحتمالية

لتفحص منحنيات التوزيع التكراري ومقارنة تماثلها الهندسي عبر الفئات، يُستخدم الأمر histogram مقترناً بخيار التقسيم حسب المتغير المستقل، مع إمكانية إضافة تقدير الكثافة النواة (Kernel Density) لإظهار المسار الانسيابي لتوزيع البيانات عبر الأمر التالي:

histogram medage, by(region, total) kdensity normal xtitle("العمر الوسيط") ytitle("الكثافة")

يوضح هذا الرسم البياني المركب شكل المدرج التكراري لكل منطقة مقارنة بالمنحنى الطبيعي النظري، مما يبرز مناطق التجمع والقمم المتعددة (Multimodality) والالتواء الإيجابي أو السلبي في كل مجموعة، ويوفر دليلاً بصرياً قوياً يدعم قرار تفسير الفروق لاحقاً سواء بالوسائط أو برتب البيانات.

6.3 مخططات التوزيع التراكمي وتماثل الأشكال

تُعد مخططات الاحتمال التراكمي والمطابقة التوزيعية من الأدوات التشخيصية المتقدمة في ستاتا. يمكن استخدام مخططات المئينيات النظرية عبر الأمر qnorm medage أو مخططات الاحتمال الطبيعي pnorm medage لتقييم انحراف البيانات عن الخط المستقيم النظري. كما يمكن رسم التوزيعات التراكمية التجريبية المقارنة عبر حزم ستاتا الرسومية لتقييم مدى الهيمنة العشوائية لتوزيع إحدى المجموعات فوق التوزيعات الأخرى، وتصدير هذه الأشكال التوضيحية بدقة متناهية لنشرها في المجلات المحكمة عبر الأمر graph export "figure1.png", as(png) width(2400) replace.

7. خطوات تنفيذ اختبار كروسكال-واليس باستخدام الأمر kwallis في ستاتا

7.1 الصياغة البرمجية وقواعد الأمر kwallis

يتميز تنفيذ اختبار كروسكال-واليس في برنامج ستاتا بالسهولة والوضوح عبر الأمر المدمج الأساسي kwallis. تخضع الصياغة البرمجية للأمر لقاعدة محددة تتطلب إدخال المتغير التابع متبوعاً بفاصلة وخيار تحديد المتغير المستقل الفئوي بين قوسين عبر العبارة by(). بالاستناد إلى بيانات التعداد السكاني، يُصاغ الأمر على النحو الآتي:

kwallis medage, by(region)

يقوم هذا الأمر بإجراء الاختبار المجمع على كافة الفئات. ويمكن أيضاً تطبيقه على عينات فرعية محددة عبر استخدام الشروط المنطقية if؛ على سبيل المثال، لتنفيذ الاختبار على الولايات التي يزيد عدد سكانها عن حد معين يُكتب: kwallis medage if pop > 1000000, by(region). وتجدر الإشارة إلى أن ستاتا تتطلب أن يكون المتغير المحدد داخل خيار by() متغيراً رقمياً، وإلا ستظهر رسالة خطأ برمجية تنبه الباحث إلى ضرورة ترميز المتغير الفئوي أولاً.

7.2 آلية الحساب الداخلي للأمر في ستاتا

عند تنفيذ الأمر kwallis، تبدأ الخوارزمية الداخلية لستاتا بفرز جميع المشاهدات تصاعدياً وتوليد الرتب المجمعة تلقائياً في الخلفية البرمجية مع معالجة الرتب المتطابقة عبر إعطائها متوسط الرتب. بعد ذلك، تقوم البرمجية بحساب مجموع الرتب ($R_j$) ومتوسط الرتب المعياري لكل فئة، وتطبق صيغتي إحصائية مربع كاي: الصيغة غير المعدلة ($H$)، والصيغة المعدلة للروابط ($H_{adj}$).

تستخدم ستاتا معادلة التعديل على القيم المتطابقة (Tie Correction Factor) لحساب الإحصائية الدقيقة، والتي تعتمد على الصيغة الرياضية:

$$C_{ties} = 1 – \frac{\sum (t_i^3 – t_i)}{N^3 – N}$$

حيث تمثل $t_i$ عدد المشاهدات المشتركة في الرتبة $i$. ثم يتم حساب إحصائية مربع كاي المعدلة بقسمة الإحصائية الخام على معامل التعديل:$H_{adj} = H / C_{ties}$. تُعرض القيمتان في المخرجات لتمكين الباحث من ملاحظة الفارق بين الإحصائية مع التعديل وبدونه، علماً بأن الاعتماد الأكاديمي يكون دائماً على القيمة المعدلة لوجود التكرارات في البيانات الواقعية.

7.3 تخزين النتائج واستدعاء المخرجات المبرمجة (Saved Results)

عقب تشغيل الأمر kwallis، تقوم ستاتا بتخزين المؤشرات الإحصائية الناتجة تلقائياً في الذاكرة المؤقتة للبرنامج تحت قائمة الكائنات الإحصائية الحسابية r-class. يمكن للباحث استكشاف هذه القيم عبر كتابة الأمر return list في نافذة الأوامر.

تتضمن القيم المحفوظة في الذاكرة: r(df) الذي يمثل درجات الحرية ($k-1$)، وr(chi2) الذي يمثل قيمة إحصائية مربع كاي غير المعدلة، وr(chi2_adj) لقيمة مربع كاي المعدلة للروابط. تكتسب هذه القيم المحفوظة أهمية بالغة في البرمجة المتقدمة؛ حيث تتيح للباحث استدعاءها مباشرة في الأكواد التلقائية لحساب حجوم الأثر، أو إدراجها ضمن الجداول المخصصة دون الحاجة لإعادة كتابة الأرقام يدوياً.

8. قراءة وتفسير المخرجات الإحصائية لاختبار كروسكال-واليس في ستاتا

8.1 تفسير جدول رتب المجموعات (Rank Sums Table)

يُولد الأمر kwallis في شاشة النتائج جدولاً رئيسياً يعرض تفاصيل الرتب لكل مجموعة مصنفة، ويتكون من الأعمدة الأساسية التالية: اسم الفئة (Variable Categories)، وعدد المشاهدات المرصودة في كل فئة (Obs)، ومجموع الرتب (Rank Sum)، ومتوسط الرتب لكل مجموعة (Mean Rank).

تُعد قراءة متوسطات الرتب المحطة الأساسية لفهم اتجاه الفروق بين المجموعات؛ فالمجموعة التي تسجل أعلى متوسط رتب تعكس تركزاً للقيم المرتفعة في المتغير التابع، بينما تشير المجموعة ذات متوسط الرتب الأدنى إلى تمركز المشاهدات عند القيم الدنيا. يفيد فحص عمود المشاهدات ($Obs$) أيضاً في التحقق من عدم إسقاط أي بيانات بصورة غير متوقعة بسبب القيم المفقودة.

8.2 قراءة إحصائية الاختبار ومستوى الدلالة الإحصائية

يظهر في الجزء السفلي من مخرجات ستاتا سطران إحصائيان يلخصان نتائج الاختبار الفرضي:

• السطر الأول: chi-squared = X.XXX with X d.f. (prob = X.XXXX)، ويمثل إحصائية مربع كاي غير المعدلة للروابط ودرجات الحرية وقيمتها الاحتمالية.
• السطر الثاني: chi-squared with ties = X.XXX with X d.f. (prob = X.XXXX)، ويمثل إحصائية مربع كاي المعدلة لوجود الرتب المشتركة ومستوى دلالتها الدقيق.

يتخذ الباحث قراره الإحصائي بناءً على القيمة الاحتمالية المعدلة (prob)؛ فإذا كانت $p le 0.05$، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة، مما يدل على وجود فروق ذات دلالة إحصائية في توزيعات المتغير التابع بين المجموعات على الأقل بين زوج واحد من الفئات. أما إذا كانت $p > 0.05$، فيُقبل الفرض الصفري، ويُستنتج عدم كفاية الأدلة الإحصائية لإثبات وجود أي تباين دال بين المجموعات.

8.3 تحليل الأهمية الإحصائية مقابل الأهمية العملية (Clinical Significance)

يجب التمييز الحذر بين الدلالة الإحصائية الرقمية (Statistical Significance) والدلالة العملية أو التطبيقية (Practical/Clinical Significance). في العينات الكبيرة جداً، قد يؤدي اختبار كروسكال-واليس إلى إعطاء قيمة $p$-value شديدة الصغر (مثل$p < 0.001$) حتى لو كانت الفروق الفعلية في الرتب أو الوسائط طفيفة للغاية ولا تحمل أي وزن تطبيقي في الميدان السلوكي أو الطبي.

لذلك، تشدد الأدبيات المنهجية الحديثة على عدم الاكتفاء بذكر الدلالة الإحصائية وحدها، بل يجب استكمال التقرير بحساب مؤشرات حجم الأثر وفحص المسافات التباينية بين وسائط المجموعات لتقييم الأهمية الجوهرية للنتائج في ضوء الإطار النظري للمشكلة المدروسة.

9. الاختبارات البعدية والمقارنات المتعددة (Post-Hoc Pairwise Tests) في ستاتا

9.1 مبررات إجراء التحليل البعدي وضبط تضخم الخطأ من النوع الأول

يُصنف اختبار كروسكال-واليس ضمن “الاختبارات الإجمالية الشاملة” (Omnibus Tests)؛ ما يعني أن النتيجة الدالة إحصائياً تخبر الباحث بوجود اختلاف بين المجموعات عموماً، لكنها تعجز عن تحديد أي الأزواج المحددة هي المسؤولة عن هذا الاختلاف (هل الفارق بين المجموعة الأولى والثانية، أم الأولى والثالثة، أم بين جميع الفئات؟).

للإجابة عن هذا السؤال، تبرز الحاجة إلى إجراء المقارنات الثنائية البعدية (Pairwise Post-Hoc Comparisons). ومع ذلك، فإن إجراء مقارنات ثنائية متكررة يؤدي حتماً إلى ظاهرة خطيرة تُعرف بـ “تضخم معدل الخطأ العائلي” (Family-wise Error Rate Inflation)، حيث يرتفع احتمال ارتكاب خطأ من النوع الأول ($\alpha$) فوق المستوى الاسمي 0.05 مع كل مقارنة إضافية وفق الصيغة: $\alpha_{FW} = 1 – (1 – \alpha)^c$، حيث $c$ تمثل عدد المقارنات الثنائية المحتملة: $c = \frac{k(k-1)}{2}$. لمواجهة هذا التضخم، يلزم تطبيق تعديلات تصحيحية إحصائية صارمة مثل تعديل بونفيروني (Bonferroni)، وسيداك (Sidak)، وهولم (Holm).

9.2 تنفيذ اختبار دَن للمقارنات المتعددة (Dunn’s Test) عبر حزمة dunntest

يُعتبر اختبار دَن (Dunn’s Test – 1964) الاختبار البعدي المعياري الأكثر قبولاً وشيوعاً بعد اختبار كروسكال-واليس، نظراً لأنه يستخدم نفس الرتب المجمعة المشتقة في الاختبار الإجمالي الأساسي ولا يعيد ترتيب كل زوج على حدة. تتوفر هذه الأداة في ستاتا عبر حزمة خارجية متقدمة يمكن تثبيتها بسهولة عبر الأمر:

ssc install dunntest

عقب التثبيت، يمكن تنفيذ الاختبار مع تطبيق التعديلات البعدية المرغوبة باستخدام الأمر:

dunntest medage, by(region) bonferroni

أو باستخدام تعديل سيداك الأقل تشدداً:

dunntest medage, by(region) sidak

تولد ستاتا مصفوفة ثنائية كاملة لجميع المقارنات المحتملة بين أزواج المجموعات، تتضمن الفروق بين متوسطات الرتب لكل زوج، وقيمة $Z$ المعيارية، والقيمة الاحتمالية الأصلية والمعدلة. يُعتبر الزوج دالاً إحصائياً إذا كانت القيمة الاحتمالية المعدلة أقل من 0.05، مما يمكن الباحث من تحديد خريطة التمايزات التفصيلية بدقة علمية متناهية.

9.3 البدائل الأخرى للمقارنات البعدية في ستاتا

بالإضافة إلى اختبار دَن، تتيح ستاتا بدائل منهجية أخرى لإجراء المقارنات البعدية، من أبرزها:

• سلسلة اختبارات مان-ويتني (Pairwise Mann-Whitney U Tests): عبر الأمر ranksum مع تطبيق تصحيح بونفيروني يدوياً بتقسيم مستوى الدلالة 0.05 على عدد المقارنات. يعيب هذه الطريقة أنها تعيد ترتيب الرتب لكل زوج بشكل منفصل عن العينة الإجمالية، مما قد يسبب بعض التضارب مع رتب كروسكال-واليس الكلية.
• اختبار كونوفير-إيمان (Conover-Iman Test): وهو اختبار بعدي لامعلمي قوي يستند إلى توزيع $t$ لدرجات الرتب، ويتميز بقوة إحصائية أعلى من اختبار دَن عند الرغبة في رصد فروق دقيقة في العينات المتوسطة، ويمكن تثبيته وتشغيله في ستاتا عبر حزمة conovertest.

يُفضل في الأبحاث النفسية والاجتماعية اعتماد اختبار دَن مع تعديل بونفيروني لكونه الخيار الأكثر تحفظاً وملاءمة للحد من الاستنتاجات الإيجابية الزائفة.

10. حساب وتفسير حجم الأثر (Effect Size) لاختبار كروسكال-واليس

10.1 مؤشر إبسيلون تربيع (Epsilon-Squared: E²_R)

يُمثل مؤشر إبسيلون تربيع ($E^2_R$ أو $\epsilon^2$) أحد أهم مقاييس حجم الأثر المخصصة لاختبار كروسكال-واليس، حيث يقيس النسبة المئوية للتباين الكلي في الرتب المفسر بواسطة العامل التصنيفي المستقل. يُحسب المؤشر رياضياً عبر قسمة إحصائية الاختبار $H$ المحسوبة على النسبة المعيارية لحجم العينة وفق المعادلة:

$$E^2_R = \frac{H}{(N^2 – 1) / (N + 1)} = \frac{H}{N – 1}$$

تتراوح قيمة هذا المؤشر بين 0 (انعدام الأثر تماماً) و1 (تفسير كامل لتباين الرتب). ويمكن برمجة هذا الحساب تلقائياً في ستاتا مباشرة بعد تشغيل الأمر kwallis عبر السطور البرمجية التالية:

quietly kwallis medage, by(region)
scalar epsilon2 = r(chi2_adj) / (c(N) - 1)
display "Epsilon-Squared = " epsilon2

وفقاً لمعايير التفسير الشائعة في العلوم السلوكية: تُعد القيمة $0.01 le E^2_R < 0.06$ حجماً صغيراً للأثر، ومن $0.06 le E^2_R < 0.14$ حجماً متوسطاً، بينما تُشير القيم $E^2_R ge 0.14$ إلى حجم أثر كبير يعكس تأثيراً جوهرياً للمتغير المستقل.

10.2 مؤشر إيتا تربيع القائم على الرتب (Rank-based Eta-Squared: η²_H)

يُعد مؤشر إيتا تربيع القائم على الرتب ($\eta^2_H$) البديل اللامعلمي المباشر لمؤشر إيتا تربيع المستخدم في تحليل التباين ANOVA. يُحسب هذا المؤشر من واقع إحصائية مربع كاي مع مراعاة درجات الحرية وحجم العينة الكلي، وفق المعادلة المعتمدة في الأدبيات الإحصائية:

$$\eta^2_H = \frac{H – k + 1}{N – k}$$

حيث تمثل $k$ عدد المجموعات، و$N$ الحجم الكلي للمشاهدات، و$H$ قيمة مربع كاي المعدلة للروابط. يمكن كتابة كود مخصص في ستاتا لحساب هذا المؤشر وعرضه كالتالي:

quietly kwallis medage, by(region)
scalar eta2_H = (r(chi2_adj) - r(df)) / (c(N) - r(df) - 1)
display "Rank-based Eta-Squared = " eta2_H

تُفسر قيم إيتا تربيع اللامعلمية بنفس الموجهات الكلاسيكية المقترحة من قِبل كوهين (Cohen): 0.01 أثر صغير، 0.06 أثر متوسط، و0.14 فما فوق أثر كبير. وتوفر هذه القيمة للباحث تقديراً لقوة النموذج التحليلي وقدرته على تفسير تباين الرتب بين العينات.

10.3 حجم الأثر للمقارنات الثنائية البعدية (Cliff’s Delta & Wilcoxon r)

لا يكتمل التقرير الإحصائي الرصين دون توثيق حجوم الأثر للمقارنات الثنائية البعدية الناتجة عن اختبارات ما بعد الاختبار الإجمالي. يُعد مؤشر معامل الارتباط $r$ البديل الأكثر شيوعاً للمقارنات الزوجية، ويُحسب من القيمة المعيارية $Z$ المستخرجة من المقارنة الثنائية مقسومة على الجذر التربيعي لحجم العينة المشتركة في المقارنة:

$$r = \frac{|Z|}{\sqrt{N_{pair}}}$$

تُفسر قيم $r$ على أنها: 0.1 أثر صغير، 0.3 أثر متوسط، 0.5 أثر كبير. بالإضافة إلى ذلك، يُستخدم مؤشر “دلتا كليف” (Cliff’s Delta – $d$) كمقياس لامعلمي يعبر عن مقدار احتمالية أن تكون قيمة مفردة مسحوبة عشوائياً من المجموعة الأولى أعلى من قيمة مسحوبة من المجموعة الثانية مطروحاً منها احتمالية العكس، وتتراوح قيمه بين -1 و +1، مما يجعله أداة قيّمة للتحليلات التلوية (Meta-Analyses).

11. توثيق وكتابة النتائج الإحصائية وفق دليل الجمعية الأمريكية لعلم النفس (APA)

11.1 المكونات الأساسية لصياغة النتائج في المتن الأكاديمي

وفقاً لمعايير الإصدار السابع من دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition)، يتطلب توثيق اختبار كروسكال-واليس تضمين كافة العناصر الإحصائية الآتية في المتن النصي للنتائج:

• اسم الاختبار الإحصائي المطبق مع توضيح سبب اختياره (عدم تحقق الاعتدالية أو طبيعة المتغير الرتبية).
• درجات الحرية ($df$) بين قوسين إلى جوار إحصائية $H$.
• قيمة إحصائية $H$ المعدلة للروابط مقربة إلى منزلتين عشريتين.
• القيمة الاحتمالية الدقيقة (Exact $p$-value) مثل$p = .014$ أو $p < .001$.
• قيمة حجم الأثر المحسوبة ($\epsilon^2$ أو $\eta^2_H$).
• المؤشرات الوصفية لكل مجموعة (العدد $n$، والوسيط$Mdn$، والمدى الربيعي$IQR$، أو متوسط الرتب$Mean Rank$).

نموذج صياغة نصية في حال دلالة الاختبار (بالعربية):
“أظهرت نتائج اختبار كروسكال-واليس وجود فروق ذات دلالة إحصائية في العمر الوسيط للسكان عبر المناطق الجغرافية الأربع، $H(3) = 10.45$، $p = .015$، بحجم أثر متوسط $\epsilon^2 = .19$. وقد سجلت منطقة الشمال الشرقي أعلى متوسط رتب ($Mean Rank = 34.20$, $Mdn = 32.10$, $IQR = 2.40$)، تلتها منطقة الغرب ($Mean Rank = 28.50$, $Mdn = 30.50$, $IQR = 3.10$)، ثم الشمال الأوسط ($Mean Rank = 24.10$, $Mdn = 29.80$, $IQR = 1.90$)، بينما سجلت المنطقة الجنوبية أدنى متوسط رتب ($Mean Rank = 18.20$, $Mdn = 28.90$, $IQR = 2.20$).”

نموذج صياغة نتائج التحليل البعدي:
“وبإجراء المقارنات البعدية الثنائية باستخدام اختبار دَن مع تطبيق تعديل بونفيروني لضبط الخطأ، تبين وجود فرق دال إحصائياً بين منطقة الشمال الشرقي والمنطقة الجنوبية ($p = .008$, $r = .42$)، في حين لم تكن الفروق بين بقية الأزواج الأخرى دالة إحصائياً بعد التعديل ($p > .05$).”

11.2 بناء الجداول الإحصائية المرافقة للتقرير

يُعزز عرض النتائج داخل جدول إحصائي منسق ومعد وفق معايير APA من رصانة التقرير العلمي. يجب أن يخلو الجدول من الخطوط الرأسية، وأن يقتصر على الخطوط الأفقية العلوية والسفلية والخط الفاصل تحت العناوين الرئيسية. يمكن استخدام حزم تصدير الجداول من ستاتا مثل asdoc أو table1_mc أو كتابة جدول مخصص يتضمن الأعمدة التالية:

• المجموعة التصنيفية / المنطقة الجغرافية.
• حجم العينة في كل مجموعة ($n$).
• الوسيط الحقيقي ($Mdn$).
• المدى الربيعي ($IQR$) أو الانحراف الربيعي.
• متوسط الرتب ($Mean Rank$).
• إحصائية $H$ الشاملة والدلالة الإحصائية المقترنة بها.
• أعمدة المقارنات البعدية الثنائية مع تمييز الفروق الدالة بالنجوم المرجعية ($*p < .05$, $**p < .01$).

11.3 صياغة المناقشة وتفسير المعنى النفسي والسلوكي للنتائج

في قسم المناقشة، ينتقل الباحث من سرد الأرقام الإحصائية إلى تفسير المعاني السيكولوجية والاجتماعية التي تعكسها تلك الأرقام. يجب ربط الفروق المرصودة بين متوسطات الرتب بالدراسات السابقة والأطر النظرية المفسرة للظاهرة؛ فإذا كان الاختبار مطبقاً على مستويات الرضا الوظيفي عبر الإدارات المختلفة، يتم تفسير أسباب تفوق إدارة معينة في الرتب بالسياسات الإدارية، والحوافز، ومناخ العمل التنظيمي.

كما يُلزم الباحث بمناقشة محددات الدراسة، لا سيما ما يتعلق باعتماد الاختبار على الرتب بدلاً من المقادير الكمية المطلقة، وحجم العينة المتاح، وتأثير تماثل أو اختلاف أشكال التوزيعات على طبيعة الاستنتاجات، مع تقديم توصيات تطبيقية واقتراح مسارات بحثية مستقبلية لمعالجة الفجوات المتبقية.

12. الأخطاء الشائعة واستراتيجيات استكشاف المشكلات وحلها في ستاتا

12.1 الأخطاء المنهجية والتفسيرية الشائعة

يقع العديد من الباحثين في منزلقات منهجية وإحصائية عند التعامل مع اختبار كروسكال-واليس، من أبرزها:

• الخلط بين الوسائط والرتب: التصريح بأن الاختبار أثبت تفوق “وسيط” مجموعة على أخرى، في حين أن التوزيعات غير متماثلة هندسياً؛ والصحيح في هذه الحالة هو التصريح بتفوق “متوسطات الرتب” أو الهيمنة التوزيعية فقط.
• إجراء اختبارات مان-ويتني غير المعدلة: تنفيذ مقارنات ثنائية بعدية متعددة بمستوى دلالة 0.05 دون تطبيق تصحيح بونفيروني أو اختبار دَن، مما يرفع الخطأ من النوع الأول بشكل تضليلي.
• تطبيق الاختبار على عينات مترابطة: استخدام الأمر kwallis لمقارنة قياسات قبلية وبعدية وتتبعية لنفس الأفراد، وهو خطأ جسيم يتطلب استخدام اختبار فريدمان اللامعلمي (friedman).
• تجاهل حجم الأثر: الاكتفاء بإعلان وجود دلالة إحصائية بناءً على قيمة $p$-value متناهية الصغر دون إرفاق مؤشر حجم الأثر ($epsilon^2$).

12.2 المشكلات التقنية في ستاتا وحلولها البرمجية

أثناء كتابة الأوامر في ستاتا، قد تواجه الباحث بعض رسائل الأخطاء الشائعة، وفيما يلي تفصيل أسبابها وكيفية معالجتها برمجياً:

• رسالة الخطأ factor variables and time-series operators not allowed: تظهر هذه الرسالة عند محاولة إدخال محددات المعامل الفئوي (مثل i.region) داخل الأمر kwallis. الأمر kwallis مبرمج بنظام كلاسيكي يتطلب اسم المتغير فقط داخل خيار by() بدون البادئة i.؛ أي كتابة by(region) وليس by(i.region).
• رسالة الخطأ string variables not allowed in by(): تحدث عندما يكون المتغير المستقل مخزناً كنص. الحل هو ترميزه عبر الأمر encode region_str, gen(region_num) واستخدام المتغير الجديد.
• مشكلات تثبيت الحزم الإضافية: قد يفشل الأمر ssc install dunntest إذا كانت إعدادات جدار الحماية تمنع الاتصال بخوادم SSC. يمكن حل ذلك بتشغيل الأمر عبر البروتوكول المباشر net search dunntest وتحديد المسار البديل.

12.3 أفضل الممارسات للتحليل الإحصائي الموثوق والقابل للتكرار

لضمان الشفافية العلمية وإمكانية تكرار التحليل الإحصائي من قبل باحثين آخرين (Replication)، يُنصح بالالتزام بالإجراءات التنظيمية التالية داخل ملفات أوامر ستاتا (Do-Files):

• تنظيم الكود وتضمين التعليقات الشارحة لكل خطوة تبدأ بعلامة * أو // لتوضيح الغرض من كل أمر إحصائي.
• تجنب التعديل اليدوي على البيانات داخل محرر البيانات (Data Editor) والاعتماد الكامل على سطور الأوامر لتعديل المتغيرات وتنظيفها.
• حفظ نسخ البيانات المعدلة بأسماء جديدة ومؤرخة دون الكتابة فوق ملف البيانات الخام الأصلي.
• استخدام الأمر set seed [number] عند إجراء أي عمليات إعادة تدوير احتمالية أو محاكاة لضمان تطابق الأرقام في كل مرة يُنفذ فيها الكود.

خاتمة شاملة ومستقبل التحليل اللامعلمي

يُمثل اختبار كروسكال-واليس أداة استدلالية متقدمة لا غنى عنها في الترسانة المنهجية للباحث المعاصر، إذ يجمع بين القوة الإحصائية والمرونة الفائقة في التعامل مع تعقيدات البيانات الواقعية وتجاوز قيود التوزيع الطبيعي المعياري. ومن خلال حزمة البرمجيات المتقدمة ستاتا، يستطيع الباحث إدارة العملية التحليلية المتكاملة بكفاءة فائقة، بدءاً من الفحص البصري والاستكشاف الوصفي، مروراً بتنفيذ الاختبار الإجمالي والتحليلات البعدية المصححة، وصولاً إلى استخراج حجوم الأثر الدقيقة والتوثيق الأكاديمي الرصين.

ومع تطور الأساليب الإحصائية الحديثة، يزداد التكامل بين الأساليب اللامعلمية الكلاسيكية والنماذج الإحصائية المعاصرة كالانحدار المتين والنماذج شبه البارامترية، مما يمنح الباحثين آفاقاً أوسع لفهم الظواهر السلوكية والاجتماعية بدقة وموضوعية تتطابق مع أعلى المعايير العلمية الدولية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cliff, N. (1993). Dominance statistics: Ordinal analyses to answer ordinal questions. Psychological Bulletin, 114(3), 494–509. https://doi.org/10.1037/0033-2909.114.3.494
• Conover, W. J., & Iman, R. L. (1981). Rank transformations as a bridge between parametric and nonparametric statistics. The American Statistician, 35(3), 124–129. https://doi.org/10.1080/00031305.1981.10479327
• Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490481
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-Handbook of Statistical Methods. U.S. Department of Commerce. https://www.itl.nist.gov/div898/handbook/
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited. An overview of some recommended measures of effect size. Trends in Sport Sciences, 21(1), 19–25.