كيفية إجراء اختبار كروسكال-واليز في برنامج ستاتا

تُعد الإحصاءات اللامعلمية ركيزة أساسية في ترسانة الباحث العلمي، ولا سيما عند مواجهة بيانات لا تتوافق مع الافتراضات الصارمة للنماذج المعلمية الكلاسيكية. في مجالات متعددة مثل العلوم السلوكية، وعلم النفس، والعلوم الاجتماعية، والعلوم الطبية الحيوية، كثيراً ما يواجه المحللون متغيرات مقاسة بمقاييس ترتيبية أو بيانات كمية تعاني من التواء شديد أو تحتوي على قيم شاذة يتعذر التخلص منها دون الإخلال بسلامة العينة. في ظل هذه الظروف المنهجية، يبرز اختبار كروسكال-واليز (Kruskal-Wallis Test) كبديل قوي وموثوق لاختبار تحليل التباين الأحادي (One-Way ANOVA)، حيث يتيح للباحثين مقارنة ثلاثة مجتمعات إحصائية مستقلة أو أكثر دون الحاجة إلى افتراض التوزيع الطبيعي للبيانات.

يقدم برنامج ستاتا (Stata) بيئة إحصائية فائقة القوة والمرونة لإجراء الاختبارات اللامعلمية، حيث يجمع بين بساطة الأوامر ودقة الحسابات البرمجية والقدرة على التعامل مع مجموعات البيانات الكبيرة والمعقدة. لا يقتصر إجراء الاختبار في ستاتا على الحصول على قيمة الدلالة الإحصائية فحسب، بل يمتد ليشمل فحص الرتب، واكتشاف التعادلات، وحساب أحجام الأثر الدقيقة، وإجراء الاختبارات البعدية المعمقة، وتوليد الرسوم البيانية الاستكشافية المتقدمة التي تلبي أعلى معايير النشر في المجلات العلمية المحكمة الملتزمة بدليل جمعية علم النفس الأمريكية (APA).

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع منهجي وعملي متكامل لكل باحث، وطالب دراسات عليا، ومحلل بيانات يرغب في إتقان تطبيق وتفسير اختبار كروسكال-واليز باستخدام برنامج ستاتا. سنستعرض في هذا المقال الأسس النظرية والرياضية العميقة للاختبار، والشروط المنهجية لتطبيقه، وخطوات التحليل الاستكشافي للبيانات، والتنفيذ البرمجي عبر سطر الأوامر والواجهة الرسومية، ثم التعمق في المقارنات البعدية وحساب أحجام الأثر اللامعلمية، وصولاً إلى التوثيق الأكاديمي وتفادي الأخطاء الشائعة في التحليل والتفسير.

1. مقدمة شاملة حول اختبار كروسكال-واليز وموقعه في التحليل الإحصائي

1.1 تعريف اختبار كروسكال-واليز وسياقه التاريخي

يُعرّف اختبار كروسكال-واليز، المعروف أيضاً باسم تحليل التباين الأحادي اللامعلمي للرتب (Kruskal-Wallis One-Way Analysis of Variance by Ranks)، بأنه اختبار إحصائي استدلالي لامعلمي يُستخدم لتحديد ما إذا كانت هناك فروق ذات دلالة إحصائية بين ثلاث مجموعات مستقلة أو أكثر مقاسة على متغير تابع ترتيبي أو كمي مستمر. تم تطوير هذا الاختبار الرائد في عام 1952 بواسطة عالمي الإحصاء الأمريكيين ويليام كروسكال (William Kruskal) وويليام ألين واليز (W. Allen Wallis)، كاستجابة منهجية للحاجة الماسة إلى أداة مقارنة بين مجموعات متعددة لا تعتمد على المعالم التوزيعية للمجتمع الإحصائي الأصلي، وتحديداً التوزيع الطبيعي والتجانس التام للتباينات.

يقوم المفهوم الجوهري للاختبار على استبدال القيم العددية الخام بمواقعها الترتيبية أو “رتبها” النسبية ضمن مصفوفة البيانات المدمجة لكافة المجموعات. بدلاً من مقارنة المتوسطات الحسابية للمجموعات كما هو الحال في تحليل التباين التقليدي (ANOVA)، يقيس اختبار كروسكال-واليز التفاوت في متوسطات الرتب الإجمالية بين المجموعات. فإذا كانت المجموعات مسحوبة بالفعل من نفس المجتمع الإحصائي أو من مجتمعات متطابقة، فإن متوسط الرتب لكل مجموعة يجب أن يكون متقارباً حول متوسط الرتبة العامة لكافة المشاهدات. ومن ثم، فإن أي تباين جوهري بين متوسطات الرتب يعد دليلاً إحصائياً ضد فرضية تماثل التوزيعات.

تتجلى الأهمية البالغة لاختبار كروسكال-واليز في الأبحاث السلوكية، والنفسية، والتربوية، والعلوم الصحية، حيث تمثل المقاييس النفسية ومقاييس الاتجاهات أدوات القياس السائدة. في هذه المجالات، نادراً ما تحقق البيانات شروط التوزيع الطبيعي الخطي بسبب طبيعة الظواهر الإنسانية المقاسة، ومحدودية أدوات التقييم (مثل استبانات التقرير الذاتي)، وميل الاستجابات نحو الانحياز الإيجابي أو السلبي. يوفر الاختبار للباحثين وسيلة صارمة ومقبولة منهجياً لاختبار الفرضيات دون الوقوع في خطأ التحايل على البيانات أو استخدام اختبارات معلمية غير متطابقة مع طبيعة المتغيرات.

1.2 متى يُستخدم اختبار كروسكال-واليز في العلوم النفسية والاجتماعية

تتعدد المواقف البحثية التي تفرض على الباحث في العلوم النفسية والاجتماعية اللجوء إلى اختبار كروسكال-واليز بدلاً من النماذج المعلمية. يأتي في مقدمة هذه المواقف طبيعة مستوى قياس المتغير التابع؛ فعندما يكون المتغير مقاساً على مقياس ترتيبي (Ordinal Scale)—مثل مقاييس ليكرت الخماسية أو السباعية المستخدمة لقياس درجات الاكتئاب، أو مستويات الرضا الوظيفي، أو درجات القلق الأكاديمي—فإن الفروق بين النقاط المتتالية على المقياس لا تكون متساوية رياضياً بالضرورة، مما يجعل حساب المتوسط الحسابي والانحراف المعياري أمراً مشكوكاً في دقته المنهجية، ويجعل تحليل الرتب الخيار الأمثل.

الموقف الثاني يرتبط بوجود التواء شديد (Severe Skewness) أو وجود قيم متطرفة وشاذة (Outliers) في البيانات الكمية المستمرة. في دراسات علم النفس الإكلينيكي على سبيل المثال، قد يُقاس زمن رد الفعل العصبي بالمللي ثانية، أو قد تُقاس فترات البقاء في المستشفى بالأيام، وهي متغيرات تميل بطبيعتها إلى الالتواء الموجب الشديد مع وجود حالات نادرة ذات قيم مرتفعة جداً. في مثل هذه الحالات، يتأثر المتوسط الحسابي بشدة بالقيم المتطرفة، بينما تظل الرتب والوسائط محصنة ومستقرة (Robust)، مما يعطي تقديراً حقيقياً للفروق بين المجموعات العلاجية المختلفة.

الموقف الثالث يتعلق بحجم العينات وخصائص التصميم الإكلينيكي. في الدراسات السريرية المتقدمة أو التدخلات النفسية المصممة لفئات خاصة (مثل اضطراب طيف التوحد عالي الأداء، أو مرضى الفصام المقاوم للعلاج)، غالباً ما تكون العينات المتاحة صغيرة جداً (مثلاً، من 6 إلى 12 مشاركاً في كل مجموعة). في ظل هذه الأحجام المحدودة، يفقد اختبار شابيرو-ويلك (Shapiro-Wilk) وغيره من اختبارات الاعتدالية قدرته على التحقق الموثوق من التوزيع الطبيعي، وتتعطل مبرهنة النهاية المركزية، مما يجعل افتراض المعلمية مخاطرة غير مبررة إحصائياً، ويجعل اختبار كروسكال-واليز المسار المنهجي الأكثر أماناً ومصداقية للنشر العلمي.

1.3 الفرضيات الإحصائية للاختبار (الصفرية والبديلة)

تتطلب الصياغة الدقيقة للفرضيات الإحصائية في اختبار كروسكال-واليز فهماً عميقاً لطبيعة البيانات وتوزيعها عبر المجموعات. في الصيغة العامة للاختبار، تُصاغ الفرضية الصفرية والفرضية البديلة بدلالة تماثل التوزيعات الاحتمالية للمجتمعات الإحصائية التي سُحبت منها العينات:

• الفرضية الصفرية (H0): توزيعات المتغير التابع متطابقة عبر جميع المجموعات المستقلة المقارنة ($F_1(x) = F_2(x) = dots = F_k(x)$)، مما يعني عدم وجود أي فرق في مواقع التوزيعات أو هيمنة عشوائية بين المجموعات.
• الفرضية البديلة (H1): توزيع متغير تابعة لمجموعة واحدة على الأقل يختلف عن توزيعات المجموعات الأخرى، أو أن هناك مجموعة واحدة على الأقل تهيمن عشوائياً (Stochastically Dominates) على مجموعة أخرى.

تكتسب صياغة الفرضيات بعداً أكثر تحديداً عندما يتحقق شرط تماثل أشكال التوزيع (Shape Similarity) بين المجموعات. إذا أظهر الفحص البصري والإحصائي أن المنحنيات التوزيعية للمجموعات تمتلك نفس الشكل العام ونفس درجة التشتت والالتواء ولكنها تختلف فقط في موقعها على المحور الأفقي، فإن اختبار كروسكال-واليز يتحول مباشرة إلى اختبار لمقارنة الوسائط (Medians). وبناءً على ذلك، تصبح الفرضية الصفرية: “وسائط جميع المجموعات متساوية ($M_1 = M_2 = dots = M_k$)”، بينما تنص الفرضية البديلة على: “يوجد وسيط مجموعة واحدة على الأقل يختلف عن وسائط المجموعات الأخرى”.

من الضروري جداً للباحث إدراك هذا التمييز المفاهيمي؛ فالكثير من الدراسات تفسر رفض الفرضية الصفرية في اختبار كروسكال-واليز خطأً على أنه دليل قاطع على اختلاف الوسائط دون التحقق من تماثل أشكال التوزيع. إذا كانت التوزيعات متباينة في الأشكال والتباينات، فإن النتيجة الإحصائية تشير إلى اختلاف عام في التوزيعات التراكمية أو متوسطات الرتب وليس إلى الفروق بين الوسائط الفردية حصراً.

2. الأسس النظرية والرياضية لاختبار كروسكال-واليز

2.1 آلية تحويل البيانات إلى رتب (Rank Transformation)

تعتمد الميكانيكية الحسابية لاختبار كروسكال-واليز على خوارزمية منهجية لتحويل البيانات الأصلية إلى نظام رتبي موحد يلغي تأثير التباعد غير المتساوي بين القيم العددية ويحد من وطأة القيم الشاذة. تبدأ الخطوة الأولى بدمج المشاهدات التابعة لجميع المجموعات المستقلة البالغ عددها $k$ مجموعة في مصفوفة بيانات واحدة تضم الحجم الكلي للعينة $N$، حيث تمثل $N = \sum_{i=1}^{k} n_i$ مجموع العينات الجزئية لكل مجموعة.

تُرتب جميع المشاهدات في هذه المصفوفة الموحدة ترتيباً تصاعدياً من أصغر قيمة عددية إلى أكبر قيمة عددية، بغض النظر عن المجموعة التي تنتمي إليها كل مشاهدة. تُعطى أصغر قيمة الرتبة (1)، والقيمة التي تليها الرتبة (2)، وهكذا دواليك حتى تأخذ أعلى قيمة الرتبة ($N$). في حال وجود قيم متطابقة أو متعادلة (Ties) بين مشاهدتين أو أكثر، يتم تطبيق قاعدة “الرتبة المتوسطة” (Mid-rank Rule)، حيث يتم حساب المتوسط الحسابي للرتب التي كانت ستشغلها هذه القيم لو كانت مختلفة، وتُسند هذه الرتبة المتوسطة لكل قيمة من القيم المتعادلة بالتساوي.

عقب إتمام عملية الترتيب وتعيين الرتب لكامل المصفوفة، يُعاد فرز المشاهدات إلى مجموعاتها التجريبية أو التصنيفية الأصلية، ويتم حساب مجموع الرتب ($R_i$) لكل مجموعة من المجموعات الـ $k$ على حدة عبر جمع رتب كافة الأفراد التابعين لها:

$$R_i = \sum_{j=1}^{n_i} r_{ij}$$

كما يُحسب متوسط الرتبة الخاص بكل مجموعة عبر قسمة مجموع رتبها على حجم عينتها ($\bar{R}_i = R_i / n_i$). يمثل هذا المتوسط الرتبي المؤشر الإحصائي الأساسي الذي يعكس تموضع المجموعة ضمن التوزيع العام.

2.2 المعادلة الرياضية وإحصاء الاختبار H

يقوم إحصاء الاختبار، المعروف تاريخياً بالرمز $H$، بقياس مدى التشتت أو التباعد الموزون لمتوسطات رتب المجموعات حول متوسط الرتبة الكلية لجميع المشاهدات، والذي يساوي دائماً $(N + 1) / 2$. تُشتق المعادلة العامة لإحصاء كروسكال-واليز القياسي (في غياب التعادلات) بالصيغة الرياضية التالية:

$$H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)$$

حيث يمثل $N$ الحجم الكلي للمشاهدات، و$k$ عدد المجموعات المقارنة، و$n_i$ حجم عينة المجموعة رقم $i$، و$R_i$ مجموع رتب المشاهدات في المجموعة $i$. يُلاحظ في هذه المعادلة أن الثابت $12 / [N(N+1)]$ مشتق من مقلوب تباين التوزيع المنتظم المنفصل للرتب من 1 إلى $N$.

عند وجود قيم مكررة ومتعادلة في البيانات، فإن التباين الكلي للرتب ينخفض مقارنة بالتباين النظري المفترض للرتب غير المتعادلة. لمعالجة هذا الانخفاض وضمان دقة الاستدلال، يتم تطبيق عامل تصحيح التعادلات ($C$)، ويُحسب إحصاء $H$ المصحح ($H_c$) بالصيغة التالية:

$$H_c = \frac{H}{1 – \frac{\sum_{t=1}^{g} (t_i^3 – t_i)}{N^3 – N}}$$

حيث تمثل $g$ عدد مجموعات القيم المتعادلة، و$t_i$ عدد المشاهدات المشتركة في الرتبة المتعادلة رقم $i$. في العينات الكبيرة والمتوسطة، يقترب التوزيع الاحتمالي لإحصاء $H$ (أو $H_c$) تدريجياً من توزيع كاي تربيع ($\chi^2$) بدرجات حرية مساوية لعدد المجموعات مطروحاً منه واحد ($df = k – 1$).

2.3 الافتراضات التوزيعية وسلوك الاختبار

يمتاز اختبار كروسكال-واليز بالتحرر من القيود التوزيعية الصارمة، إذ لا يشترط نهائياً أن تتبع البيانات الأصلية توزيعاً طبيعياً غاوسياً داخل المجتمعات المقارنة. ومع ذلك، يفترض الاختبار من الناحية النظرية الرياضية استمرارية المتغير التابع الكامن (Continuous Underlying Distribution)، وذلك لتفادي تراكم أعداد هائلة من الرتب المتعادلة التي قد تؤدي في الحالات القصوى إلى تقليل دقة التقارب مع توزيع كاي تربيع.

يعتمد السلوك التقاربي (Asymptotic Behavior) للاختبار على نظرية العينات الكبيرة. عندما يكون حجم العينة في كل مجموعة كافياً (عادة $n_i ge 5$ عبر المجموعات كافة)، فإن توزيع المعاينة لإحصاء $H$ يتوافق بدقة فائقة مع توزيع كاي تربيع. أما إذا كانت العينات شديدة الصغر (مثل ثلاث مجموعات بحجم 3 أو 4 مشاركين فقط لكل منها)، فإن التقارب مع توزيع كاي تربيع يصبح غير دقيق، مما يتطلب نظرياً حساب التوزيع الاحتمالي الدقيق (Exact Permutation Distribution) للمعاينة التبادلية للرتب، وهو ما توفره حزم برمجية متخصصة وإضافات برمجية ضمن بيئة ستاتا.

3. شروط وافتراضات تطبيق اختبار كروسكال-واليز

3.1 استقلالية الملاحظات وتصميم العينة

تُعد استقلالية الملاحظات (Independence of Observations) الشرط المنهجي والإحصائي الأهم على الإطلاق لتطبيق اختبار كروسكال-واليز، وهو شرط غير قابل للتساهل. يعني هذا الافتراض أن قيمة أي مشاهدة أو استجابة لأي مشارك داخل مجموعة معينة لا تؤثر ولا تتأثر بقيمة أي مشاهدة أخرى داخل نفس المجموعة أو عبر المجموعات الأخرى قيد الدراسة. يتطلب هذا الشرط سحب عينات عشوائية مستقلة أو تخصيص المشاركين عشوائياً للظروف التجريبية المختلفة.

يترتب على هذا الافتراض عدم ملاءمة اختبار كروسكال-واليز نهائياً للتصميمات الإحصائية التي تتضمن قياسات متكررة (Repeated Measures Designs) على نفس الأفراد عبر فترات زمنية، أو التصميمات التي تستخدم العينات المترابطة أو الأزواج المتطابقة (Matched Pairs). بالنسبة لمثل هذه التصميمات المرتبطة، يُعد اختبار فريدمان (Friedman Test) هو البديل اللامعلمي المناسب لمعالجة الارتباط الداخلي للقياسات.

يؤدي انتهاك شرط الاستقلالية (كالناجم عن التجميع العنقودي غير المعالج، مثل جمع بيانات الطلاب من فصول دراسية محددة حيث يؤثر المعلم على الجميع) إلى تضخم هائل في معدل الخطأ من النوع الأول (Type I Error Rate)، مما يجعل الباحث يرفض الفرضية الصفرية ويعلن وجود فروق ذات دلالة إحصائية بينما هي في الواقع ناتجة عن الترابط الخفي بين المشاهدات.

3.2 طبيعة المتغير التابع والمتغير المستقل

يحدد هيكل المتغيرات الإحصائية مدى قابلية تطبيق الاختبار وفق المعايير التالية:

• المتغير التابع (Dependent Variable): يجب أن يُقاس المتغير التابع على مستوى ترتيبي (Ordinal) على الأقل، أو مقياس فتروي (Interval)، أو مقياس نسبي (Ratio). يُشترط أن تكون فئات المتغير الترتيبي قابلة للترتيب المنطقي المتدرج من الأقل إلى الأعلى، مثل درجات مقياس ليكرت (غير موافق بشدة، غير موافق، محايد، موافق، موافق بشدة) أو مستويات التحصيل الأكاديمي (مقبول، جيد، جيد جداً، ممتاز).
• المتغير المستقل (Independent/Grouping Variable): يجب أن يكون متغيراً فئوياً تصنيفياً (Categorical/Nominal) يتكون من مجموعتين مستقلتين على الأقل، ويفضل منهجياً أن يكون مكوناً من ثلاث مجموعات فأكثر لتمييزه عن اختبار مان-ويتني (Mann-Whitney U Test) المخصص لمجموعتين فقط.

تتضمن الأمثلة الكلاسيكية في الأبحاث النفسية استخدام درجات القلق المقاسة على مقياس بيك للقلق (BAI) كمتغير تابع، مع تقسيم عينة الدراسة إلى أربع مجموعات علاجية مستقلة تمثل المتغير المستقل: (1) العلاج المعرفي السلوكي، (2) العلاج بالقبول والالتزام، (3) العلاج الدوائي فقط، (4) مجموعة ضابطة بدون علاج.

3.3 شرط تجانس شكل التوزيع بين المجموعات

يمثل شرط تجانس شكل التوزيع (Homogeneity of Distribution Shape) حجر الزاوية في التفسير الدقيق لمخرجات اختبار كروسكال-واليز. يخلط العديد من المحللين بين اختبار كروسكال-واليز كاختبار للوسائط واختباره كاختبار للهيمنة العشوائية العامة. إذا كانت المنحنيات التوزيعية لجميع المجموعات تمتلك أشكالاً متطابقة تقريباً من حيث التفرطح والتشتت والالتواء ولكنها مزاحة أفقياً، فإن الاختبار يقارن بصورة قاطعة بين وسائط المجموعات (Medians).

أما إذا كانت أشكال التوزيعات غير متماثلة بين المجموعات (على سبيل المثال، مجموعة تظهر التواءً موجباً حاداً، ومجموعة ثانية تظهر توزيعاً متماثلاً، وثالثة تظهر توزيعاً ثنائي القمة)، فإن اختبار كروسكال-واليز يظل صالحاً رياضياً، لكنه في هذه الحالة يختبر الهيمنة العشوائية (Stochastic Dominance) والتفاوت في متوسطات الرتب الإجمالية، ولا يمكن الجزم بأن الفروق الإحصائية تعود إلى تباين الوسائط وحدها.

يتم التحقق المنهجي من هذا الشرط من خلال الجمع بين الفحص البصري عبر الرسوم الصندوقية ومخططات الكثافة الاحتمالية، والفحص الوصفي عبر مقارنة المدى الربيعي (IQR) والانحراف المعياري عبر المجموعات لضمان تقارب التباينات والشكل التوزيعي العام.

4. مقارنة اختبار كروسكال-واليز باختبار تحليل التباين الأحادي (One-Way ANOVA)

4.1 أوجه التشابه والاختلاف الجوهرية

يتشابه اختبار كروسكال-واليز واختبار تحليل التباين الأحادي المعلمي في هدفهما البحثي العام؛ فكلا الاختبارين مصمم لتقييم الفروق الإحصائية بين ثلاث مجموعات مستقلة أو أكثر بناءً على قياسات متغير تابع معين في ظل تصميم عينات بينية (Between-Subjects Design). ومع ذلك، تختلف الأسس الرياضية والافتراضات الهيكلية لكليهما اختلافاً جذرياً.

يعتمد تحليل التباين (ANOVA) على تجزئة التباين الكلي للبيانات الأصلية إلى تباين مفسر بين المجموعات (Between-groups variance) وتباين غير مفسر داخل المجموعات (Within-groups error variance) باستخدام المتوسطات الحسابية والمربعات الصغرى. يشترط هذا النموذج أن تتبع الأخطاء العشوائية توزيعاً طبيعياً مع تجانس تام لتباين المجموعات (Homoscedasticity). في المقابل، يتجاهل اختبار كروسكال-واليز القيم العددية الخام تماماً ويعتمد حصراً على رتب البيانات، مما يجعله غير حساس بالمرة للانحرافات الكبيرة عن التوزيع الطبيعي ومقاوماً للتشويه الناتج عن القيم المتطرفة الشديدة.

4.2 الكفاءة والقوة الإحصائية (Statistical Power)

تُقاس جودة الاختبارات اللامعلمية بمفهوم إحصائي متقدم يُعرف بـ الكفاءة المقاربة النسبية (Asymptotic Relative Efficiency – ARE) مقارنة بنظيراتها المعلمية. عند تطبيق اختبار كروسكال-واليز على بيانات تتبع تماماً التوزيع الطبيعي وتفي بجميع شروط تحليل التباين، تبلغ الكفاءة المقاربة للاختبار حوالي 95.5% ($3/\pi \approx 0.955$). يعني ذلك أن الفقدان في القوة الإحصائية نتيجة استخدام الرتب بدلاً من المتوسطات في ظل ظروف التوزيع الطبيعي المثالية ضئيل جداً ولا يتعدى 4.5% من كفاءة العينة.

على النقيض من ذلك، عندما تعاني البيانات من توزيعات غير طبيعية، وخاصة التوزيعات ثقيلة الذيول (Heavy-tailed Distributions) مثل توزيع كوشي أو توزيع لابلاس أو التوزيعات ذات الالتواء الشديد، فإن الكفاءة النسبية لاختبار كروسكال-واليز تتجاوز 100% بكثير وتصل في بعض الحالات إلى قيم لا نهائية مقارنة بـ ANOVA. تحت هذه الظروف، يمتلك اختبار كروسكال-واليز قوة إحصائية متفوقة بكثير لاكتشاف الفروق الحقيقية بين المجموعات مقارنة بتحليل التباين المعلمي الذي تنخفض قدرته بشدة نتيجة تضخم خطأ التباين بسبب القيم المتطرفة.

4.3 معايير اتخاذ القرار بين المعلمي واللامعلمي

لاتخاذ قرار منهجي رصين بين تطبيق تحليل التباين الأحادي أو اختبار كروسكال-واليز، يتبع الباحث الإحصائي شجرة قرار متعددة الخطوات تستند إلى المعايير التالية:

• مستوى القياس: إذا كان المتغير التابع ترتيبياً بطبيعته، فإن اختبار كروسكال-واليز هو الخيار المنهجي الوحيد الصحيح.
• فحص اعتدالية التوزيع: إجراء اختبار شابيرو-ويلك (Shapiro-Wilk) أو كولموجوروف-سميرنوف (Kolmogorov-Smirnov) داخل كل مجموعة على حدة. في حال رفض فرضية التوزيع الطبيعي ($p < 0.05$) في المجموعات ذات العينات الصغيرة أو المتوسطة، يتم التحول مباشرة إلى كروسكال-واليز.
• فحص تجانس التباينات: إجراء اختبار ليفين (Levene’s Test). إذا كان هناك انتهاك شديد لتجانس التباين مقترناً بعدم اعتدالية التوزيع، يُفضل استخدام كروسكال-واليز (أو اختبار ويلش ANOVA إذا كانت البيانات طبيعية مع عدم تجانس التباين).
• حجم العينة ومبرهنة النهاية المركزية: في العينات الكبيرة جداً (مئات المشاهدات لكل مجموعة)، يصبح تحليل التباين مقاوماً لانحرافات التوزيع الطبيعي بفضل مبرهنة النهاية المركزية، ما لم تكن البيانات مقاسة على مقياس ترتيبي بحت.

5. إعداد بيئة العمل واستيراد البيانات في برنامج ستاتا (Stata)

5.1 تحميل البيانات المضمنة واستيراد الملفات الخارجية

يوفر برنامج ستاتا بيئة مرنة ومتكاملة للتعامل مع مختلف مصادر البيانات. للبدء في التدريب العملي، يتضمن البرنامج مجموعات بيانات مدمجة يمكن تحميلها مباشرة عبر سطر الأوامر باستخدام الأمر sysuse أو webuse للبيانات المتاحة على خوادم ستاتا الرسمية. على سبيل المثال، يمكن تحميل مجموعة بيانات التعداد السكاني الأمريكي الشهيرة بكتابة الأمر:

sysuse census, clear

أما في الأبحاث الميدانية الفعلية، غالباً ما تُجمع البيانات وتُخزن في ملفات إكسل أو ملفات نصية مفصولة بفواصل. لاستيراد ملف إكسل خارجي إلى ستاتا، يُستخدم الأمر import excel مع تحديد مسار الملف وتحديد الخيار firstrow لاعتبار الصف الأول كأسماء للمتغيرات:

import excel "C:DataPsychology_Study.xlsx", sheet("Sheet1") firstrow clear

كما يمكن استيراد الملفات المفصولة بفواصل بسهولة عبر أمر import delimited:

import delimited "C:DataClinical_Trial.csv", clear

يجب التأكد دائماً من أن أسماء المتغيرات خالية من المسافات والرموز غير القياسية لتجنب أي أخطاء برمجية أثناء التحليل اللاحق.

5.2 فحص هيكل البيانات والمتغيرات

عقب استيراد البيانات إلى ذاكرة ستاتا، يُعد الفحص الهيكلي والاستكشافي الأولي خطوة إلزامية لضمان سلامة المتغيرات وأنواعها البرمجية. يُنفذ ذلك أولاً باستخدام الأمر describe الذي يعرض تقريراً شاملاً عن عدد المشاهدات، وعدد المتغيرات، ونوع تخزين كل متغير (مثل byte، int، float، أو str للنصوص):

describe

يلي ذلك استخراج المؤشرات الإحصائية الوصفية الأساسية لجميع المتغيرات الكمية والترتيبية عبر الأمر summarize، والذي يوفر ملخصاً يحتوي على عدد المشاهدات الصالحة، والمتوسط الحسابي، والانحراف المعياري، والحد الأدنى والأقصى:

summarize

إذا أردنا فحص متغير معين مثل متوسط العمر الوسيط للولاية medage مقسماً حسب المنطقة الجغرافية region، يمكننا استخدام الأمر المتقدم التالي للحصول على تفاصيل دقيقة تشمل المئينات والوسيط:

summarize medage, detail

5.3 تنظيف البيانات والتعامل مع القيم المفقودة

تتطلب الاختبارات اللامعلمية معالجة واعية للبيانات المفقودة (Missing Values) وتصنيفاً دقيقاً للمتغيرات الفئوية. في ستاتا، تُمثل القيم المفقودة للنصوص بفراغات "" وللمتغيرات الرقمية بنقاط .. لاكتشاف وتحديد عدد القيم المفقودة في المتغير التابع والمتغير التجميعي، نستخدم أمر العد المشروط:

count if missing(medage) | missing(region)

إذا كان المتغير المستقل مخزناً كمتغير نصي (String Variable)، مثل أسماء المناطق (“Northeast”, “South”, “Midwest”, “West”)، فإن أمر kwallis لن يعمل مباشرة مع النصوص ويتطلب متغيراً رقمياً معنوناً. لتحويل المتغير النصي إلى رقمي مع الاحتفاظ بالتسميات التوضيحية، نستخدم أمر encode:

encode region_str, gen(region_code)

كما يمكن إنشاء وتطبيق تسميات توضيحية للفئات الرقمية يدوياً لضمان وضوح المخرجات باستخدام الأوامر:

label define region_lbl 1 "NE" 2 "N Cntrl" 3 "South" 4 "West"
label values region region_lbl

6. الفحص الاستكشافي للبيانات والتحقق البصري في ستاتا

6.1 إنشاء الرسوم الصندوقية المقارنة (Boxplots)

يمثل الرسم الصندوقي المقارن (Boxplot) الأداة البصرية الأقوى في التحليل الاستكشافي قبل إجراء اختبار كروسكال-واليز. يتيح الرسم الصندوقي للباحث معاينة الوسيط (الخط الأفقي داخل الصندوق)، والمدى الربيعي IQR (طول الصندوق بين الربيع الأول $Q_1$ والربيع الثالث $Q_3$)، والأذرع التي تمتد لأقصى وأدنى القيم غير الشاذة، بالإضافة إلى عرض النقاط المتطرفة كرموز مستقلة خارج الأذرع.

لتوليد رسم صندوقي احترافي في ستاتا يقارن المتغير التابع medage عبر فئات المتغير المستقل region، نستخدم الأمر التالي:

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

من خلال قراءة هذا الرسم، يمكن للباحث تقييم أمرين في غاية الأهمية: أولاً، الفروق المبدئية في مستويات الوسائط عبر المجموعات؛ وثانياً، تماثل أو اختلاف تشتت البيانات وأطوال الصناديق ووجود القيم المتطرفة التي تبرر تماماً تفضيل اختبار كروسكال-واليز على النماذج المعلمية.

6.2 تمثيل منحنيات التوزيع وتماثل الأشكال

كما أوضحنا في الشروط المنهجية، فإن تفسير نتائج اختبار كروسكال-واليز كفروق بين الوسائط يعتمد كلياً على تماثل أشكال التوزيع بين المجموعات. يوفر برنامج ستاتا إمكانية رسم مدرجات التكرار ومنحنيات الكثافة الاحتمالية المقدرة عبر النواة (Kernel Density Estimation) مقسمة حسب المجموعات في لوحة واحدة باستخدام خيار by().

لرسم منحنيات الكثافة للمجموعات المختلفة ومقارنة تماثل أشكالها، ننفذ الأمر:

twoway (kdensity medage if region==1, lpattern(solid) lcolor(navy)) (kdensity medage if region==2, lpattern(dash) lcolor(maroon)) (kdensity medage if region==3, lpattern(dot) lcolor(forest_green)) (kdensity medage if region==4, lpattern(dash_dot) lcolor(dkorange)), legend(order(1 "Northeast" 2 "N Cntrl" 3 "South" 4 "West")) title("مقارنة منحنيات الكثافة التوزيعية عبر المناطق")

كما يمكن استخدام المدرج التكراري المقسم عبر الأمر:

histogram medage, by(region, total) kdensity

إذا أظهرت هذه المنحنيات نمطاً متشابهاً في الانحراف وشكل القمم، يحق للباحث بثقة تفسير الفروق الإحصائية كفروق مباشرة بين وسائط المجموعات.

6.3 استخراج الإحصاءات الوصفية المقسمة حسب الفئات

لا تكتمل المعاينة الاستكشافية دون استخراج مصفوفة وصفية دقيقة للبيانات الرقمية تلائم طبيعة التحليل اللامعلمي. في التحليلات اللامعلمية، يُفضل دائماً الاعتماد على الوسيط (Median / p50) والمدى الربيعي (IQR) والربيعيات ($Q_1, Q_3$) بدلاً من المتوسط الحسابي والانحراف المعياري، نظراً لمقاومة هذه المؤشرات للقيم الشاذة والالتواء.

يُعد أمر tabstat في ستاتا الأداة المثلى لتوليد جداول إحصائية وصفية مخصصة ومقسمة حسب المجموعات. لتلخيص المتغير medage حسب region، ننفذ الكود البرمجي الآتي:

tabstat medage, by(region) statistics(n p50 iqr p25 p75 mean sd) columns(statistics)

يعرض هذا الأمر جدولاً منظماً يوضح لكل منطقة جغرافية: عدد الملاحظات ($n$)، الوسيط الإحصائي ($p50$)، المدى الربيعي ($iqr$)، الربيع الأدنى ($p25$)، الربيع الأعلى ($p75$)، بالإضافة إلى المتوسط والانحراف المعياري لغرض المقارنة الشاملة. توفر هذه الأرقام الدعامة الوصفية المباشرة التي سيتم توثيقها لاحقاً في التقرير النهائي.

7. خطوات تنفيذ اختبار كروسكال-واليز باستخدام أوامر ستاتا

7.1 بناء الجملة البرمجية لأمر kwallis

يتميز برنامج ستاتا بوجود أمر داخلي قياسي عالي الكفاءة مخصص لإجراء اختبار كروسكال-واليز وهو الأمر kwallis. تأتي الصيغة التركيبية العامة للأمر على النحو التالي:

kwallis varname [if] [in], by(groupvar)

حيث يمثل varname المتغير التابع المراد اختباره (يجب أن يكون متغيراً رقمياً مستمراً أو ترتيبياً)، ويمثل groupvar المتغير المستقل التجميعي الإلزامي المحدد داخل القوسين عبر الخيار by(). يمكن إدراج الشروط المنطقية if لاختبار مجموعات فرعية محددة من العينة، أو استخدام in لتطبيق التحليل على نطاق محدد من صفوف المشاهدات.

يقوم الأمر تلقائياً بتنفيذ كافة العمليات الحسابية الموصوفة نظرياً: دمج المشاهدات، تعيين الرتب الشاملة، معالجة التعادلات عبر الرتب المتوسطة، تجميع الرتب لكل فئة، وحساب إحصاء كاي تربيع المقابل مع وبدون تصحيح التعادلات، بالإضافة إلى حساب القيمة الاحتمالية الدقيقة بناءً على درجات الحرية المقابلة.

7.2 تطبيق عملي على مجموعة بيانات التعداد السكاني (Census)

لتطبيق الاختبار عملياً على بيانات التعداد السكاني لاختبار الفرضية القائلة بوجود فروق ذات دلالة إحصائية في متوسط العمر الوسيط للسكان (medage) عبر المناطق الجغرافية الأربع للولايات المتحدة (region: Northeast, North Central, South, West)، ننفذ الأمر التالي في سطر أوامر ستاتا:

kwallis medage, by(region)

إذا أردنا إجراء الاختبار على عينة فرعية تشمل فقط الولايات التي يزيد عدد سكانها عن مليون نسمة، يمكننا بكل بساطة تطبيق الشرط المنطقي التالي:

kwallis medage if pop > 1000000, by(region)

يقوم ستاتا بتنفيذ التحليل في أجزاء من الثانية ويطبع جدولاً تفصيلياً يوضح رتب كل مجموعة متبوعاً بقيمة إحصاء الاختبار المحسوب ودرجات الحرية والقيمة الاحتمالية ($p\text{-value}$).

7.3 تنفيذ الاختبار عبر القوائم المنسدلة لواجهة المستخدم (GUI)

بالإضافة إلى كتابة الأوامر المباشرة، يتيح ستاتا للمستخدمين تنفيذ اختبار كروسكال-واليز بسهولة تامة من خلال الواجهة الرسومية التفاعلية (Graphical User Interface – GUI). للوصول إلى نافذة الاختبار، يتبع الباحث المسار التالي من القائمة العلوية:

1. النقر على قائمة Statistics في الشريط العلوي.
2. التمرير إلى Nonparametric tests (الاختبارات اللامعلمية).
3. اختيار Kruskal-Wallis test (أو قد تجدها تحت مسار: Kruskal-Wallis rank test).
4. في النافذة المنبثقة:
   • في حقل Outcome variable: قم باختيار المتغير التابع (مثلاً: medage).
   • في حقل Grouping variable: قم باختيار متغير التجميع المستقل (مثلاً: region).
5. (اختياري) التوجه إلى تبويب if/in لتحديد أي قيود منطقية على العينة.
6. النقر على زر OK أو Submit لتنفيذ التحليل.

تولد هذه الخطوات نفس الأمر البرمجي تماماً في نافذة النتائج (Results Window)، مما يضمن التطابق الكامل بين مخرجات الواجهة وسطر الأوامر.

8. قراءة وتفسير مخرجات اختبار كروسكال-واليز في ستاتا

8.1 تحليل جدول رتب المجموعات (Rank Sums Table)

عند تنفيذ أمر kwallis medage, by(region)، يُنتج ستاتا جدولاً يمثل مصفوفة نتائج الرتب يتضمن الأعمدة الأساسية التالية:

• المجموعة (region): تعرض أسماء أو أرقام المجموعات المقارنة (مثل: NE, N Cntrl, South, West).
• عدد المشاهدات (Obs): يوضح حجم العينة الفعلي داخل كل مجموعة الذي دخل في حسابات الرتب ($n_i$).
• مجموع الرتب (Rank Sum): يمثل المجموع التراكمي للرتب المعينة لأفراد تلك المجموعة ($R_i$).

لفهم اتجاه الفروق بين المجموعات بدقة، يقوم الباحث بحساب متوسط الرتبة لكل مجموعة ذهنياً أو يدوياً عبر قسمة مجموع الرتب على عدد الملاحظات ($\text{Mean Rank} = \text{Rank Sum} / \text{Obs}$). تعكس المجموعة التي تمتلك أعلى متوسط رتبة تموضعاً منهجياً نحو القيم الأعلى للمتغير التابع، بينما تشير المجموعة ذات متوسط الرتب الأدنى إلى تركز قيمها في الطرف الأدنى للمقياس. يوفر هذا الفحص الأولي فهماً وصفياً لترتيب المجموعات قبل النظر في الدلالة الإحصائية.

8.2 تفسير إحصاء كاي تربيع والقيمة الاحتمالية (P-value)

يظهر في الجزء السفلي من مخرجات ستاتا سطران حاسمان يحتويان على إحصاء الاختبار المحسوب ومؤشرات الدلالة الإحصائية:

• chi-squared = X.XXX with Y d.f. : يمثل قيمة إحصاء كاي تربيع $H$ المحسوبة بدون تصحيح التعادلات، حيث يمثل $d.f.$ درجات الحرية وتساوي دائماً عدد المجموعات مطروحاً منه 1 ($k – 1$).
• chi-squared with ties = X.XXX with Y d.f. : يمثل قيمة إحصاء كاي تربيع $H_c$ بعد تطبيق عامل تصحيح التعادلات الحسابي. يُعد هذا السطر هو المعتمد رسمياً في التقرير إذا كانت البيانات تحتوي على أي قيم مكررة.
• probability = 0.XXXX : تمثل القيمة الاحتمالية المحسوبة ($p\text{-value}$).

تتم عملية اتخاذ القرار الإحصائي بمقارنة القيمة الاحتمالية بمستوى الدلالة المعياري المحدد مسبقاً (عادة $\alpha = 0.05$):

إذا كانت $p < 0.05$، فإننا نرفض الفرضية الصفرية ($H_0$) ونستنتج وجود فروق ذات دلالة إحصائية بين توزيعات المجموعات المقارنة. أما إذا كانت $p ge 0.05$، فإننا نفشل في رفض الفرضية الصفرية، مما يعني عدم وجود أدلة إحصائية كافية تشير إلى وجود اختلاف حقيقي بين المجموعات.

8.3 الاستنتاج العملي والربط بالفرضيات البحثية

يمثل الاستنتاج الإحصائي خطوة أولية يجب ربطها مباشرة بالسياق الموضوعي والنظري للبحث. إذا أظهرت نتائج تحليل التعداد السكاني أن قيمة $H(3) = 13.19$ مع $p = 0.0042$، فإن الاستنتاج الأكاديمي المباشر هو أن متوسطات أعمار السكان تختلف اختلافاً جوهرياً ودالاً إحصائياً بين المناطق الجغرافية الأربع للولايات المتحدة.

ومع ذلك، تبرز هنا المحدودية الكبرى لاختبار كروسكال-واليز الإجمالي؛ فهو اختبار كلي (Omnibus Test). يخبرنا الاختبار بوجود فرق إحصائي في مكان ما بين المجموعات، لكنه عاجز تماماً عن تحديد أي الأزواج المحددة تختلف عن بعضها البعض بدقة (هل يختلف الشمال الشرقي عن الجنوب؟ أم أن الغرب يختلف عن الوسط الشمالي فقط؟). للإجابة على هذا السؤال المحوري، يصبح الانتقال إلى الاختبارات البعدية للمقارنات الثنائية ضرورة منهجية حتمية.

9. الاختبارات البعدية والمقارنات المتعددة في ستاتا

9.1 ضرورة التحليلات البعدية (Post-Hoc Pairwise Comparisons)

عندما يسفر اختبار كروسكال-واليز الإجمالي عن دلالة إحصائية ($p < 0.05$)، لا يجوز منهجياً التوقف عند هذه النتيجة أو الاكتفاء بالمقارنة البصرية لمتوسطات الرتب. يتطلب البحث العلمي الدقيق إجراء مقارنات ثنائية بعدية (Post-Hoc Pairwise Comparisons) بين كل زوج من المجموعات لتحديد مواقع الفروق بدقة.

ومع ذلك، فإن إجراء مقارنات ثنائية متعددة يثير مشكلة إحصائية خطيرة تُعرف باسم تضخم معدل الخطأ العائلي من النوع الأول (Family-wise Error Rate – FWER). إذا قمنا بمقارنة 4 مجموعات، فإن عدد المقارنات الثنائية المحتملة هو $C = \frac{k(k-1)}{2} = \frac{4(3)}{2} = 6$ مقارنات. إذا طُبق مستوى الدلالة $\alpha = 0.05$ على كل مقارنة مستقلة، فإن احتمال ارتكاب خطأ واحد على الأقل من النوع الأول (إعلان فرق زائف) يرتفع إلى:

$$\text{FWER} = 1 – (1 – \alpha)^c = 1 – (0.95)^6 \approx 0.265 \text{ (أي 26.5%)!}$$

لتفادي هذا التضخم الخاطئ، يجب استخدام اختبارات بعدية لامعلمية متخصصة تتضمن تعديلات رياضية صارمة لمستوى الدلالة، مثل تعديل بونفيروني (Bonferroni) أو تعديل سيداك (Šidák) أو تعديل بنجاميني-هوشبرج (FDR).

9.2 اختبار دان (Dunn’s Test) وتطبيقه عبر ستاتا

يُعد اختبار دان (Dunn’s Test, 1964) الاختبار البعدي اللامعلمي القياسي والأكثر قبولاً بعد اختبار كروسكال-واليز. يعتمد اختبار دان على مقارنة الفروق بين متوسطات الرتب المحسوبة للاختبار الإجمالي المشترك باستخدام التباين المجمع لكامل العينة، مما يجعله أكثر اتساقاً وقوة من إجراء اختبارات مان-ويتني منفصلة.

لا يتوفر اختبار دان كأمر داخلي افتراضي في ستاتا، ولكن يمكن تثبيته بسهولة تامة من مستودع البرمجيات الإحصائية التابع لجامعة بوسطن (SSC) عبر كتابة الأمر:

ssc install dunntest

عقب اكتمال التثبيت، يمكن تنفيذ اختبار دان مع تطبيق تعديل بونفيروني الصارم للمقارنات المتعددة عبر الأمر التالي:

dunntest medage, by(region) bonferroni

كما يمكن تطبيق تعديل سيداك عبر كتابة الخيار sidak بدلاً من bonferroni:

dunntest medage, by(region) sidak

ينتج هذا الأمر مصفوفة تقاطعية تعرض الفروق المعيارية (z-scores) لكل مقارنة زوجية متبوعة بالقيم الاحتمالية المصححة مباشرة. تعتبر أي مقارنة زوجية تقل قيمتها الاحتمالية المصححة عن 0.05 ذات دلالة إحصائية مؤكدة بعد التحكم في الخطأ من النوع الأول.

9.3 اختبارات مان-ويتني الثنائية مع تصحيح بونفيروني اليدوي

تتمثل إحدى الطرق البديلة الشائعة لإجراء المقارنات البعدية في تنفيذ سلسلة من اختبارات مان-ويتني (Wilcoxon-Mann-Whitney Rank-Sum Test) بين كل زوج من المجموعات باستخدام الأمر المدمج ranksum، مع تطبيق تعديل بونفيروني يدوياً على مستوى ألفا الحرج.

لحساب مستوى ألفا المصحح يدوياً، نقسم مستوى الدلالة الكلي (0.05) على إجمالي عدد المقارنات الممكنة ($c$). في حالة 4 مجموعات (6 مقارنات):

$$\alpha_{\text{adjusted}} = \frac{0.05}{6} \approx 0.00833$$

نقوم بعد ذلك بتنفيذ الأوامر الزوجية، على سبيل المثال لمقارنة المنطقة 1 بالمنطقة 2، ثم المنطقة 1 بالمنطقة 3:

ranksum medage if region == 1 | region == 2, by(region)
ranksum medage if region == 1 | region == 3, by(region)
ranksum medage if region == 1 | region == 4, by(region)

لا نعتبر الفرق دالاً إحصائياً في هذه الحالة إلا إذا كانت القيمة الاحتمالية الناتجة أصغر من $0.0083$ وليس $0.05$. ومع ذلك، يُفضل إحصائياً استخدام اختبار دان المباشر لأنه يحسب الرتب من التوزيع الشامل لكامل العينة وليس من العينات الفرعية الثنائية فقط.

9.4 اختبار كونوفير-إيمان (Conover-Iman Test) في ستاتا

يمثل اختبار كونوفير-إيمان (Conover & Iman, 1979) خياراً بعدياً لامعلمياً فائق القوة، حيث يُعتبر النظير اللامعلمي لاختبار فيشر للفروق الصغرى الدالة (Fisher’s LSD) المطبق على الرتب. يمتاز هذا الاختبار بقوة إحصائية أعلى من اختبار دان، وخاصة في العينات المتوسطة والصغيرة، مما يجعله أكثر حساسية لاكتشاف الفروق الحقيقية الدقيقة.

يمكن تثبيت حزمة اختبار كونوفير في ستاتا عبر الأمر:

ssc install conovertest

ثم يُنفذ التحليل البعدي مع تعديل بونفيروني عبر الأمر التالي:

conovertest medage, by(region) bonferroni

يوفر الجدول الناتج تحليلاً دقيقاً للفروق بين المجموعات مع ضبط معدل الخطأ، مما يعطي الباحث رؤية متكاملة تدعم نتائج اختبار دان وتؤكد موثوقية الاستنتاجات التفصيلية.

10. حساب حجم الأثر (Effect Size) لاختبار كروسكال-واليز في ستاتا

10.1 مؤشر إيتا تربيع اللامعلمي (Eta-Squared based on H)

لا تكفي القيمة الاحتمالية وحدها لتقييم الأهمية العلمية أو العملية للنتائج؛ إذ تخبرنا الدلالة الإحصائية فقط بما إذا كان الفرق ناجماً عن الصدفة أم لا، لكنها لا توضح حجم أو قوة هذا الفرق. يُعد مؤشر إيتا تربيع المبني على إحصاء $H$ ($\eta_H^2$) أحد أكثر مقاييس حجم الأثر استخداماً وقبولاً لاختبار كروسكال-واليز، حيث يمثل النسبة المئوية للتباين في رتب المتغير التابع التي يفسرها المتغير المستقل التجميعي.

تُحسب إيتا تربيع اللامعلمية بالمعادلة التالية:

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

حيث يمثل $H$ قيمة إحصاء كاي تربيع لاختبار كروسكال-واليز، و$k$ عدد المجموعات، و$N$ الحجم الكلي للعينة. تتراوح قيمة $\eta_H^2$ عملياً بين 0 و 1. وفقاً للمعايير المنهجية المعتمدة لـ كوهين (Cohen, 1988)، تُفسر القيم كما يلي:

• أثر صغير (Small effect): $0.01 le \eta^2 < 0.06$
• أثر متوسط (Medium effect): $0.06 le \eta^2 < 0.14$
• أثر كبير (Large effect): $\eta^2 ge 0.14$

لحساب إيتا تربيع تلقائياً وبرمجياً في ستاتا عقب تنفيذ أمر kwallis، يمكننا الاستفادة من القيم المخزنة مؤقتاً في مصفوفة النتائج r() وكتابة الأسطر البرمجية التالية:

quietly kwallis medage, by(region)
scalar H = r(df_m) > 0 ? r(chi2_sub) : r(chi2)
scalar k = r(df) + 1
scalar N = r(N)
scalar eta2_H = (r(chi2_sub) - k + 1) / (N - k)
display "Nonparametric Eta-Squared (Eta2_H) = " eta2_H

10.2 مؤشر إبسيلون تربيع (Epsilon-Squared)

يُعد مؤشر إبسيلون تربيع للرتب ($E_R^2$ أو $\varepsilon^2$) بديلاً ممتازاً وأكثر تحفظاً لمؤشر إيتا تربيع، حيث يمتاز بكونه مقدراً غير متحيز لحجم الأثر، وخاصة في الدراسات التي تعتمد على عينات صغيرة الحجم. يقيس المؤشر درجة الهيمنة النسبية بين المجموعات على مقياس يتراوح بدقة من 0 (انعدام الأثر تماماً) إلى 1 (التطابق التام للهيمنة الترتيبية).

تُعطى المعادلة الرياضية لإبسيلون تربيع بالصيغة الآتية:

$$E_R^2 = \frac{H}{\frac{N^2 – 1}{N + 1}} = \frac{H(N + 1)}{N^2 – 1}$$

تخضع إبسيلون تربيع لنفس القواعد التفسيرية العامة لأحجام الأثر (صغير: 0.01، متوسط: 0.08، كبير: 0.26). يمكن حساب هذا المؤشر في ستاتا مباشرة عبر تنفيذ الكود التالي:

quietly kwallis medage, by(region)
scalar epsilon2 = r(chi2_sub) / ((r(N)^2 - 1) / (r(N) + 1))
display "Epsilon-Squared (E_R^2) = " epsilon2

10.3 أهمية توثيق حجم الأثر بجانب القيمة الاحتمالية

تشدد الجمعية الأمريكية لعلم النفس (APA – American Psychological Association) في دليل النشر العلمي الصادر عنها (الإصدار السابع) على أن تقديم القيم الاحتمالية وحدها يُعد قصوراً منهجياً لا يفي بمتطلبات البحث الرصين. فالقيمة الاحتمالية شديدة الحساسية لحجم العينة؛ حيث يمكن لعينة ضخمة جداً أن تظهر فروقاً تافهة عملياً على أنها “دالة إحصائياً” ($p < 0.001$).

يتيح توثيق حجم الأثر للباحثين والقراء إمكانية التمييز الجذري بين “الدلالة الإحصائية” و”الأهمية الإكلينيكية والعملية” للنتائج. علاوة على ذلك، يمثل حساب ونشر أحجام الأثر الدقيقة حجر الزاوية الذي يُمكّن الباحثين اللاحقين من إدراج الدراسة في بحوث التحليل التلوي (Meta-Analysis) وحساب القوة الإحصائية لتصميم الدراسات المستقبلية وحساب حجم العينات المطلوبة بدقة (Sample Size Estimation).

11. كتابة وتوثيق نتائج الاختبار وفق دليل جمعية علم النفس الأمريكية (APA Style)

11.1 العناصر الأساسية الواجب تضمينها في التقرير

عند إعداد التقرير الأكاديمي لنتائج اختبار كروسكال-واليز وفق معايير APA (الإصدار السابع)، يجب التأكد من تضمين كافة المكونات المنهجية التالية بوضوح داخل متن البحث:

• الاسم الكامل للاختبار الإحصائي والمبرر المنهجي لاستخدامه (مثل عدم اعتدالية التوزيع أو الطبيعة الترتيبية للمتغير).
• إحصاء كاي تربيع لاختبار كروسكال-واليز بالرمز ($H$)، متبوعاً بدرجات الحرية ($df$) بين قوسين، وحجم العينة الإجمالي ($N$).
• القيمة الاحتمالية الدقيقة ($p\text{-value}$) مكتوبة حتى ثلاث خانات عشرية (دون صفر قبل الفاصلة، مثلاً: $p = .004$ وليس $p = 0.004$).
• مؤشر حجم الأثر المحسوب بدقة ($\eta_H^2$ أو $\varepsilon^2$) وتفسيره النوعي.
• جدول أو ملخص وصفي للمجموعات يتضمن عدد الحالات ($n$)، ومتوسط الرتب (Mean Rank)، والوسيط ($Mdn$)، والمدى الربيعي ($IQR$) لكل مجموعة.
• نتائج المقارنات البعدية الزوجية مع ذكر اسم الاختبار البعدي المستخدم (مثل اختبار دان) ونوع التعديل المطبق للتحكم في خطأ المقارنات المتعددة (مثل تعديل بونفيروني).

11.2 نماذج صياغة قياسية للنتائج باللغتين العربية والإنجليزية

فيما يلي نماذج صياغة أكاديمية قياسية جاهزة للاستخدام عند كتابة النتائج:

نموذج الصياغة باللغة العربية (في حال وجود دلالة إحصائية):
“أُجري اختبار كروسكال-واليز للرتب لتقييم الفروق في متوسط العمر بين المناطق الجغرافية الأربع (الشمال الشرقي، الوسط الشمالي، الجنوب، الغرب). أظهرت النتائج وجود فروق ذات دلالة إحصائية بين المناطق الجغرافية، $H(3) = 13.19$، $p = .004$، مع حجم أثر كبير ($\eta_H^2 = .22$). أظهرت المقارنات البعدية باستخدام اختبار دان مع تصحيح بونفيروني أن متوسط العمر في منطقة الشمال الشرقي ($Mdn = 32.10$, $IQR = 3.40$, متوسط الرتب = $38.7$) كان أعلى بدلالة إحصائية مقارنة بالمنطقة الغربية ($Mdn = 29.90$, $IQR = 2.80$, متوسط الرتب = $17.5$, $p = .003$). في حين لم تظهر فروق دالة إحصائياً بين باقي المقارنات الزوجية الأخرى ($p > .05$).”

Standard English Reporting (APA 7th Edition):
“A Kruskal-Wallis test was conducted to examine the differences in median age across the four geographic regions (Northeast, North Central, South, and West). The results revealed a statistically significant difference across regions, $H(3) = 13.19$, $p = .004$, $\eta_H^2 = .22$, indicating a large effect size. Pairwise post-hoc comparisons using Dunn’s test with Bonferroni adjustment indicated that median age was significantly higher in the Northeast region ($Mdn = 32.10$, $IQR = 3.40$) compared to the West region ($Mdn = 29.90$, $IQR = 2.80$, $p = .003$). No other pairwise comparisons reached statistical significance after adjustment ($p > .05$).”

11.3 تصميم الجداول والرسوم البيانية التوضيحية للنشر

يشترط دليل APA تنسيق الجداول الإحصائية بنمط محدد يعتمد على الخطوط الأفقية فقط (أعلى الجدول، أسفل عناوين الأعمدة، وأسفل الجدول) مع الامتناع التام عن استخدام الخطوط الرأسية. يجب أن يتضمن الجدول الإحصاءات الوصفية الكاملة لكل مجموعة إلى جانب قيم الرتب، مع وضع حواشٍ سفلية توضح الرموز ومستويات الدلالة.

لتصدير الرسوم البيانية الاستكشافية من برنامج ستاتا بجودة طباعة فائقة تلبي شروط المجلات العلمية (بدقة 300 DPI أو بتنسيق متجهي Vector EPS/PDF)، يُستخدم أمر graph export مباشرة بعد رسم الشكل:

graph box medage, over(region) asyvars showyvars
graph export "Figure1_Boxplot.png", width(2400) height(1800) replace
graph export "Figure1_Boxplot.pdf", as(pdf) replace

يضمن التصدير بتنسيقات عالية الدقة عدم تشوه النصوص أو الرموز عند تنسيق البحث للنشر النهائي في المجلات الدولية.

12. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها في ستاتا

12.1 الأخطاء الشائعة في تشغيل الأوامر واستيراد المتغيرات

أثناء تنفيذ التحليلات الإحصائية في ستاتا، قد تظهر بعض رسائل الخطأ الشائعة التي تعيق استكمال التحليل. من أبرز هذه الرسائل ظهور خطأ variable not found؛ يعود هذا عادة إلى حساسية ستاتا الصارمة لحالة الأحرف (Case Sensitivity)، فالمتغير Medage يختلف تماماً عن medage في النظام البرمجي لستاتا.

الخطأ الشائع الثاني هو محاولة تشغيل أمر kwallis باستخدام متغير مستقل نصي (String)، مما ينتج عنه رسالة الخطأ type mismatch أو must be numeric. يتم حل هذه المشكلة فوراً بتحويل المتغير النصي إلى متغير رمزي معنون باستخدام الأمر encode textvar, gen(numvar) كما تم توضيحه سابقاً.

كذلك، يجب الحذر من استخدام متغيرات تابعة ذات قيم ثنائية فقط (Binary 0/1)؛ فعلى الرغم من أن الاختبار سيعمل برمجياً، إلا أن استخدامه في هذه الحالة يُعد خطأً منهجياً، والبديل الصحيح لاختبار الفروق في النسب الثنائية بين عدة مجموعات هو اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence) أو نموذج الانحدار اللوجستي.

12.2 إساءة تفسير المخرجات والخلط المنهجي

يقع الكثير من الباحثين في فخ الخلط المنهجي عند تفسير نتائج كروسكال-واليز. الخطأ الأول والأكثر انتشاراً هو الادعاء الجازم بأن الاختبار يثبت “تساوي أو اختلاف الوسائط” دون التحقق المسبق من تماثل أشكال التوزيع؛ ففي غياب تماثل الأشكال، يختبر كروسكال-واليز تباين التوزيعات العامة ومجموع الرتب فقط.

الخطأ المنهجي الثاني هو اللجوء إلى اختبارات $t$ المعلمية للعينات المستقلة (Student’s t-tests) كاختبارات بعدية دون تطبيق تصحيحات متعددة بعد الحصول على دلالة إحصائية في كروسكال-واليز. يُعد هذا الإجراء تناقضاً منهجياً فجاً؛ فالباحث الذي اختار نموذجاً لامعلمياً لعدم اعتدالية البيانات لا يجوز له التحول فجأة إلى اختبارات معلمية تفترض الاعتدالية لإجراء المقارنات الثنائية. البديل الصحيح دائماً هو اختبار دان أو اختبار كونوفير المعدلين.

الخطأ الثالث يتمثل في تجاهل نسبة التعادلات المرتفعة في البيانات الترتيبية القصيرة (مثل مقياس ثلاثي النقاط فقط لعينة ضخمة). عند وجود تعادلات مفرطة، يجب التأكد دائماً من قراءة قيمة chi-squared with ties والتحقق من عدم تأثر دقة التقارب الاحتمالي.

12.3 أفضل الممارسات البرمجية لضمان قابلية إعادة الإنتاج (Reproducibility)

لضمان الشفافية العلمية وإمكانية تكرار التحليل والنتائج بدقة من قبل المراجعين والباحثين الآخرين (Reproducible Research)، يُوصى دائماً باتباع القواعد البرمجية الصارمة التالية داخل بيئة ستاتا:

• كتابة وتوثيق كافة أوامر التحليل وتنظيف البيانات والرسم البياني داخل ملف أوامر موحد (Stata Do-file) بامتداد .do بدلاً من الاعتماد على الأوامر المنفردة أو النقر عبر القوائم المنسدلة.
• استخدام التعليقات الشارحة المسبوقة برمز * أو المحصورة بين /* ... */ لتوضيح المبررات المنهجية لكل خطوة تحليلية داخل ملف الأوامر.
• في حال تطبيق أي أساليب محاكاة أو إعادة معاينة عشوائية مثل أسلوب التمهيد (Bootstrapping) لحساب فترات الثقة للوسائط اللامعلمية، يجب تثبيت بذرة التوليد العشوائي باستخدام أمر set seed [number] لضمان الحصول على نفس النتائج الرقمية بدقة عند إعادة تشغيل الكود في أي وقت أو على أي جهاز آخر.

خاتمة واستنتاجات ختامية

يمثل اختبار كروسكال-واليز أداة استدلالية متطورة ولا غنى عنها في الإحصاء التطبيقي والعلوم النفسية والسلوكية. من خلال اعتماده على تحويل المشاهدات إلى رتب متسلسلة، يوفر الاختبار حلاً رياضياً أنيقاً يحرر الباحث من قيود التوزيع الطبيعي الصارمة ويحمي النتائج من التأثير المشوه للقيم الشاذة والالتواءات الإحصائية الشديدة.

يوفر برنامج ستاتا منظومة متكاملة لا تقتصر على حساب إحصاء الاختبار الأساسي عبر أمر kwallis، بل تتيح التحقق الاستكشافي البصري، وحساب أحجام الأثر الدقيقة ($\eta_H^2$ و $\varepsilon^2$)، وإجراء المقارنات المتعددة البعدية المصححة عبر حزم مثل dunntest و conovertest. إن إتقان الباحث لهذه الأدوات البرمجية والمنهجية يضمن تقديم دراسات رصينة وموثوقة تتوافق مع أعلى معايير النشر في الدوريات العلمية المحكمة عالمياً.

References

• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Conover, W. J., & Iman, R. L. (1979). On multiple-comparisons procedures (Technical Report LA-7677-MS). Los Alamos Scientific Laboratory. https://doi.org/10.2172/6057803
• Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490181
• 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
• 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.