كيفية إجراء اختبار ليفين في إكسيل

يمثل التحليل الإحصائي الاستدلالي الركيزة الأساسية التي تقوم عليها الأبحاث التجريبية والكمية في شتى المجالات العلمية، بدءاً من العلوم الطبيعية وصولاً إلى العلوم السلوكية والاجتماعية. وتعتمد صحة وموثوقية النتائج المستخلصة من الاختبارات المعلمية (Parametric Tests) الكلاسيكية، مثل تحليل التباين الأحادي (ANOVA) واختبار “ت” للعينات المستقلة (Independent Samples t-test)، على مجموعة صارمة من الافتراضات المنهجية والرياضية. ويأتي في مقدمة هذه الشروط افتراض تجانس التباين (Homogeneity of Variance أو Homoscedasticity)، والذي يقتضي أن تكون التباينات داخل المجتمعات الإحصائية المسحوب منها العينات متساوية أو متقاربة إلى حد لا يؤثر سلباً على معدلات الخطأ الاستدلالي.

عندما تُنتهك هذه الفرضية المحورية، تفقد الاختبارات المعلمية متانتها الإحصائية وتصبح النتائج عرضة للتشويه، مما يرفع احتمالية الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية الصحيحة) أو الخطأ من النوع الثاني (قبول الفرضية الصفرية الخاطئة). ومن هنا تبرز الأهمية البالغة لتطبيق اختبارات التحقق القبلي من تجانس التباين، ويُعد اختبار ليفين (Levene’s Test) المعيار الذهبي والأكثر شيوعاً واستقراراً بين الإحصائيين والباحثين لتحقيق هذا الغرض، نظراً لقدرته الفائقة على التعامل مع التوزيعات التي قد تحيد قليلاً عن التوزيع الطبيعي، مقارنة بالاختبارات الكلاسيكية الأكثر حساسية.

على الرغم من توافر البرمجيات الإحصائية التخصصية المعقدة، يظل برنامج مايكروسوفت إكسيل (Microsoft Excel) الأداة الأكثر انتشاراً ومرونة بين الباحثين والطلاب لإدارة البيانات وتحليلها. يهدف هذا الدليل الشامل والمفصل إلى تفكيك البنية الرياضية لاختبار ليفين، وشرح خطوات تنفيذه خطوة بخطوة داخل بيئة إكسيل دون الحاجة إلى أدوات خارجية معقدة، بالإضافة إلى تقديم أطر عملية لتفسير النتائج، وتطبيق التعديلات المتقدمة، وبناء نماذج ديناميكية مؤتمتة تسهم في رفع دقة البحوث الأكاديمية والتطبيقية.

1. مقدمة نظرية حول اختبار ليفين وأهميته في التحليل الإحصائي

1.1 تعريف اختبار ليفين ومفهوم تجانس التباين

يُعرَّف تجانس التباين، أو ما يُعرف إحصائياً بمصطلح Homoscedasticity، بأنه الحالة الرياضية التي يتساوى فيها تشتت المشاهدات حول متوسطاتها الحسابية عبر جميع المجموعات التجريبية أو الضابطة الخاضعة للدراسة. يُعد هذا المفهوم حجر الزاوية في الإحصاء الاستدلالي المعلمي، حيث تفترض النماذج الخطية العامة أن الخطأ العشوائي في التقدير يمتلك تبايناً ثابتاً لا يتغير بتغير مستويات المتغير المستقل. تاريخياً، قام عالم الإحصاء الأمريكي هاورد ليفين (Howard Levene) بتطوير هذا الاختبار عام 1960 ونشره في ورقته البحثية التأسيسية بعنوان “Contributions to Probability and Statistics: Essays in Honor of Harold Hotelling”، وذلك بهدف إيجاد مقياس متين وقوي لاختبار الفروق بين التباينات دون التأثر الحاد بشكل التوزيع التكراري للبيانات.

تتجلى الأهمية الجوهرية لاختبار ليفين في قدرته على فحص تساوي التباينات بين عينتين مستقلتين أو أكثر، وهو ما يُمكّن الباحث من الحكم على ما إذا كان التشتت الملاحظ في العينات يعكس تبايناً حقيقياً في المجتمعات الإصلية (Population Variances) أم أنه مجرد خطأ معاينة عشوائي. ومن الأهمية بمكان التمييز بين تباين العينة ($s^2$)، الذي يمثل مقياساً وصفياً لتشتت البيانات المجمعة فعلياً، وتباين المجتمع ($\sigma^2$)، وهو المعلمة المجهولة التي يسعى التحليل الإحصائي للاستدلال عليها. يتيح اختبار ليفين اختبار الفرضيات المتعلقة بمعلمات المجتمعات من خلال تحويل قيم المشاهدات إلى انحرافات مطلقة، مما يحول مسألة فحص التباينات إلى مسألة فحص الفروق بين المتوسطات، وهي خطوة منهجية بارعة قللت من الاعتماد الصارم على التوزيع الطبيعي المتعامد.

1.2 موقع اختبار ليفين ضمن الاختبارات الإحصائية المعلمية واللامعلمية

يشغل اختبار ليفين موقعاً محورياً كأحد أهم الاختبارات التشخيصية القبلية (Diagnostic Tests) في مسار التحليل الإحصائي. فقبل الشروع في تطبيق تحليل التباين الأحادي (One-Way ANOVA) لمقارنة متوسطات ثلاث مجموعات أو أكثر، أو تطبيق اختبار “ت” للعينات المستقلة (Independent Samples t-test) لمقارنة متوسطين، يتعين على الباحث إثبات تحقق فرضية تجانس التباين. وفي حال أظهر اختبار ليفين وجود فروق ذات دلالة إحصائية بين التباينات، فإن الاعتماد على نتائج اختبار ANOVA التقليدي يصبح مضللاً، إذ يؤدي خرق التجانس إلى تضخيم قيمة الإحصائي $F$ أو تقليصه بشكل غير مبرر، مما يهدد السلامة المنهجية للدراسة بالكامل.

يتمركز اختبار ليفين في منطقة فريدة تجمع بين متانة الاختبارات المعلمية ومرونة الاختبارات اللامعلمية. فبينما تُعد الاختبارات الكلاسيكية مثل اختبار بارتليت شديدة الحساسية لخرق التوزيع الطبيعي، يتميز اختبار ليفين بكونه اختباراً “شبه معلمي” يتمتع بمقاومة عالية ضد الالتواء والانحراف عن السواء. وفي الحالات التي يثبت فيها عدم تجانس التباينات مع وجود توزيعات شديدة اللاتماثل، يوجه اختبار ليفين الباحث نحو اتخاذ مسارات بديلة؛ إما بتطبيق اختبارات معلمية معدلة مثل اختبار ويلش (Welch’s ANOVA) واختبار براون-فورسيز، أو اللجوء إلى الاختبارات اللامعلمية المقابلة كاختبار كروسكال-واليس (Kruskal-Wallis) واختبار مان-ويتني (Mann-Whitney U)، مما يضمن عدم بناء استنتاجات علمية على أسس رياضية واهية.

1.3 أهمية تطبيق اختبار ليفين في بحوث علم النفس والعلوم السلوكية

تحظى مسألة تجانس التباين بأهمية استثنائية في بحوث علم النفس والعلوم السلوكية والتربوية، نظراً للطبيعة المعقدة للمتغيرات السيكولوجية وتأثرها الكبير بالفروق الفردية. يؤدي عدم تجانس التباين في هذه المجالات إلى خلل جسيم في ضبط معدلات الخطأ من النوع الأول ($\alpha$)؛ فإذا كانت المجموعة ذات الحجم الأصغر تمتلك التباين الأكبر، فإن القيمة الاحتمالية لاختبار الفروق بين المتوسطات تميل إلى إعطاء نتائج دالة إحصائياً زائفة (Liberal Test)، مما يقود إلى قبول فرضيات بحثية غير صحيحة حول فعالية تدخلات علاجية أو تعليمية معينة.

إضافة إلى ذلك، فإن تباين الاستجابات في المقاييس السيكومترية يحمل بحد ذاته دلالات جوهرية؛ فاختلاف التشتت بين المجموعات قد يشير إلى أن تدخلاً نفسياً معيناً لا يؤثر فقط على مستوى السلوك (المتوسط الحسابي)، بل يؤثر أيضاً على استقرار وثبات الاستجابات السلوكية لدى الأفراد. ويضمن التطبيق الدقيق لاختبار ليفين في التجارب السلوكية المعملية والميدانية عزل هذه التأثيرات والتحقق من أن المقارنات المباشرة بين المجموعات ترتكز على تجانس حقيقي في البنية التباينية، مما يدعم الصدق الداخلي والصدق الإحصائي للدراسات النفسية المعاصرة.

2. الفرضيات الإحصائية وشروط تطبيق اختبار ليفين

2.1 صياغة الفرضية الصفرية والفرضية البديلة

يعتمد البناء الاستدلالي لاختبار ليفين على صياغة رياضية ومنهجية واضحة للفرضيات الإحصائية. تسعى الفرضية الصفرية ($H_0$) إلى إثبات التكافؤ التام بين تباينات المجتمعات الإحصائية للمجموعات محل الدراسة ($k$ من المجموعات)، وتُصاغ رياضياً على النحو التالي:

$$H_0: \sigma_1^2 = \sigma_2^2 = \sigma_3^2 = dots = \sigma_k^2$$

وتعني هذه الفرضية أن التباينات الملاحظة بين المجموعات في البيانات التجريبية متطابقة في المجتمع الأصل، وأن أي تفاوت بسيط بينها يعود إلى التباين العشوائي الناتج عن المعاينة فقط.

في المقابل، تنص الفرضية البديلة ($H_1$ أو $H_a$) على عدم تساوي تباينات المجتمعات، وتُصاغ بصورة غير موجهة كالتالي:

$$H_1: \exists , i, j \quad \text{such t\hat} \quad \sigma_i^2 \neq \sigma_j^2 \quad (\text{for at least one pair } i \neq j)$$

وتعني هذه الفرضية وجود مجموعة واحدة على الأقل يختلف تباينها الجوهري عن باقي المجموعات. يتطلب اختبار هاتين الفرضيتين تحديد مستوى دلالة إحصائية مسبق (Significance Level – $\alpha$)، والذي يُحدد عادة عند $0.05$ أو $0.01$. يمثل مستوى ألفا الحد الأقصى المقبول لاحتمالية رفض الفرضية الصفرية وهي صحيحة؛ فإذا كانت القيمة الاحتمالية المحسوبة ($ptext{-value}$) أصغر من أو تساوي مستوى$alpha$ المعتمد، تُرفض الفرضية الصفرية ويُستنتج خرق تجانس التباين، بينما يشير تجاوز القيمة الاحتمالية لهذا المستوى إلى الفشل في رفض الفرضية الصفرية، مما يعني إمكانية افتراض تجانس التباين بأمان إحصائي.

2.2 الشروط والافتراضات اللازمة لتطبيق الاختبار

على الرغم من تمتع اختبار ليفين بمرونة واسعة مقارنة بنظرائه، إلا أن تطبيقه الصحيح يتطلب استيفاء عدد من الشروط المنهجية الأساسية:

• استقلالية المشاهدات (Independence of Observations): يجب أن تكون كافة المشاهدات داخل كل مجموعة مستقلة تماماً عن بعضها البعض، كما يجب أن تكون المجموعات الإحصائية منفصلة وغير مترابطة، بحيث لا يؤثر وجود فرد في مجموعة معينة على اختيار أو استجابة أي فرد آخر.
• مستوى قياس المتغير التابع (Level of Measurement): يشترط أن يكون المتغير التابع مقاساً على مقياس كمي مستمر، سواء كان مقياس فترة (Interval Scale) أو مقياس نسبة (Ratio Scale)، ولا يجوز تطبيق الاختبار على البيانات الرتبية البحتة أو الاسمية.
• شكل التوزيع الاحتمالي: على الرغم من متانة الاختبار ضد خرق التوزيع الطبيعي المعتدل، فإن البيانات يجب ألا تعاني من التواء متطرف أو تفرطح شاذ غير معالج قد يشوه الانحرافات المحسوبة.

2.3 مقارنة المتانة بين اختبار ليفين المعتمد على المتوسط والوسيط

يعتمد اختبار ليفين التقليدي، الذي اقترحه هاورد ليفين عام 1960، على قياس الانحرافات المطلقة لكل مشاهدة عن المتوسط الحسابي (Mean) الخاص بمجموعتها ($|X_{ij} – \bar{X}_i|$). ورغم كفاءة هذا النموذج عندما تكون البيانات موزعة توزيعاً قريباً من التوزيع الطبيعي المتماثل، إلا أن حساسيته تزداد في وجود قيم متطرفة أو توزيعات مائلة بشدة، حيث يؤدي انحياز المتوسط الحسابي بفعل الالتواء إلى تضخيم الانحرافات المطلقة بشكل غير متوازن عبر المجموعات.

لتجاوز هذا القصور المنهجي، قدم العالمان براون وفورسيز (Brown & Forsythe, 1974) تعديلاً جوهرياً لاختبار ليفين، يقضي بحساب الانحرافات المطلقة بالاعتماد على الوسيط (Median) للمجموعة ($|X_{ij} – \tilde{X}_i|$) بدلاً من المتوسط الحسابي، وأحياناً الاعتماد على المتوسط المشذب (Trimmed Mean). أثبتت دراسات المحاكاة الرياضية أن تعديل براون-فورسيز المعتمد على الوسيط يوفر قوة إحصائية متفوقة ومتانة استثنائية ضد التوزيعات ذات الذيول الثقيلة (Heavy-tailed Distributions) والتوزيعات الملتوية، مما يجعله الخيار المفضل والتلقائي في معظم الحزم الإحصائية المتقدمة عند الشك في سوية التوزيع التكراري للبيانات.

3. مقارنة اختبار ليفين مع اختبارات تجانس التباين البديلة

3.1 اختبار ليفين مقابل اختبار بارتليت (Bartlett’s Test)

يُعد اختبار بارتليت من أقدم وأشهر الاختبارات المستخدمة لفحص تجانس التباينات، وهو يستند مباشرة إلى مبدأ نسبة الإمكانية العظمى (Likelihood Ratio Test). ومع ذلك، فإن نقطة الضعف القاتلة في اختبار بارتليت تكمن في فرضيته الصارمة التي تشترط أن تكون المجتمعات المدروسة تتبع التوزيع الطبيعي المعياري بدقة تامة. وتؤدي أي درجة طفيفة من الالتواء (Skewness) أو التفرطح (Kurtosis) في البيانات إلى جعل اختبار بارتليت يكتشف “فروقاً زائفة” في التباين، حيث يخلط الاختبار بين عدم التماثل في التوزيع وبين عدم تجانس التباين الفعلي.

في المقابل، يتفوق اختبار ليفين بشكل حاسم في معالجة البيانات النفسية والسلوكية والاجتماعية التي نادراً ما تحقق التوزيع الطبيعي المثالي. ومن حيث القوة الإحصائية (Statistical Power)، يُظهر اختبار بارتليت قوة أعلى قليلاً في حالة التوزيع الطبيعي الصرف والعينات الصغيرة، إلا أن اختبار ليفين يوفر حماية فائقة ضد أخطاء النوع الأول ويحافظ على مستويات قوة مستقرة وثابتة عبر طيف واسع من التوزيعات اللاتماثلية والعينات الكبيرة والمتوسطة، مما يجعله الاختبار الأكثر أماناً وموثوقية في الممارسات البحثية التطبيقية.

3.2 اختبار ليفين مقابل اختبار هارتلي واختبار كوكران

يعتمد اختبار هارتلي، والمعروف باختبار $F_{\max}$، على حساب النسبة المباشرة بين أكبر تباين عينة وأصغر تباين عينة ($F_{\max} = s^2_{\max} / s^2_{\min}$). ورغم بساطته الحسابية، إلا أنه يعاني من قيود منهجية قاسية؛ إذ يشترط تساوي أحجام العينات تماماً ($n_1 = n_2 = dots = n_k$)، بالإضافة إلى حساسيته المفرطة للتوزيع الطبيعي، مما يحد من قابليته للتطبيق في الدراسات الميدانية الواقعية التي غالباً ما تشهد تفاوتاً في أعداد المشاركين بين المجموعات.

أما اختبار كوكران ($C$-test)، فيعتمد على مقارنة التباين الأكبر بمجموع تباينات كافة المجموعات المشتركة في التحليل. ورغم فائدته في الكشف عما إذا كان هناك تباين منفرد يشذ بصورة استثنائية عن باقي التباينات، فإنه يشترط أيضاً أحجام عينات متساوية ويفتقر إلى المرونة الشاملة. تتجلى الميزة التنافسية الكبرى لاختبار ليفين في مرونته الحسابية المطلقة؛ فهو يتعامل بسلاسة وكفاءة رياضية متناهية مع التصاميم التجريبية ذات أحجام العينات غير المتساوية (Unbalanced Designs)، دون الإخلال بصدق التقديرات أو درجات الحرية في التحليل النهائي.

4. تهيئة بيئة العمل وإدخال البيانات في مايكروسوفت إكسيل

4.1 تفعيل حزمة أدوات تحليل البيانات (Data Analysis ToolPak)

يتطلب إجراء العمليات الإحصائية المتقدمة واختبارات تحليل التباين في مايكروسوفت إكسيل تفعيل الأداة المدمجة المتخصصة المعروفة بـ Data Analysis ToolPak. لا تكون هذه الحزمة مفعلة بشكل افتراضي في التثبيت الأولي للبرنامج، ولكن يمكن إتاحتها باتباع الخطوات القياسية المعتمدة:

• انقر على شريط ملف (File) في الزاوية العلوية لبرنامج إكسيل، ثم اختر خيارات (Options) من القائمة السفلية.
• في نافذة خيارات إكسيل، حدد تبويب الوظائف الإضافية (Add-ins) من القائمة الجانبية.
• في أسفل النافذة، تأكد من ضبط قائمة إدارة (Manage) على خيار وظائف Excel الإضافية (Excel Add-ins)، ثم انقر على زر انتقال (Go…).
• ستظهر نافذة منبثقة؛ قم بتفعيل المربع المجاور لخيار حزمة أدوات التحليل (Analysis ToolPak)، ثم انقر على موافق (OK).

بمجرد اكتمال هذه الخطوات، ستظهر مجموعة جديدة تسمى تحليل (Analysis) تحتوي على أيقونة تحليل البيانات (Data Analysis) في أقصى يمين تبويب بيانات (Data) في الشريط الرئيسي لإكسيل، مما يتيح الوصول الفوري لكافة النماذج الإحصائية المعلمية المتقدمة.

4.2 هيكلة البيانات وترتيب الأعمدة للدراسة الإحصائية

تعد الهيكلة السليمة للبيانات داخل ورقة العمل (Worksheet) شرطاً أساسياً لضمان سلاسة العمليات الحسابية ومنع حدوث الأخطاء الصورية أو الرياضية. يُفضل في إكسيل اعتماد تنسيق البيانات العريض (Wide Format)، حيث يتم تخصيص عمود مستقل لكل مجموعة تجريبية أو ضابطة تحت الدراسة. يجب أن يحتوي الصف الأول من كل عمود على تسمية نصية واضحة وفريدة تعبر عن المجموعة (مثل: Control_Group، Treatment_A، Treatment_B).

يتعين على الباحث فحص البيانات والتأكد من خلوها من القيم المفقودة (Missing Values) أو الفجوات العشوائية داخل مصفوفة المشاهدات. وفي حال وجود قيم مفقودة ناتجة عن تسرب بعض أفراد العينة، يجب اتخاذ قرار منهجي واضح إما باستبعاد الحالة غير المكتملة أو استخدام أساليب التعويض الإحصائي المعتمدة، مع التأكد من أن الأعمدة تعكس بدقة قيم المشاهدات الرقمية الفعلية الخالية من أي رموز نصية أو مسافات غير مرئية قد تعيق حساب الدوال الإحصائية اللاحقة.

4.3 فحص البيانات الأولي واستكشاف الشواذ

قبل الشروع في تطبيق خوارزمية اختبار ليفين، يجب إجراء استكشاف أولي وصفي للبيانات الخام داخل إكسيل. يتضمن ذلك حساب مقاييس النزعة المركزية مثل المتوسط الحسابي (دالة AVERAGE) والوسيط (دالة MEDIAN)، ومقاييس التشتت مثل الانحراف المعياري (دالة STDEV.S) والتباين (دالة VAR.S) لكل مجموعة على حدة.

يُنصح بشدة بإنشاء المخططات الصندوقية (Box Plots) المتاحة في إكسيل من خلال تبويب إدراج (Insert) > المخططات الإحصائية (Statistical Charts). يتيح المخطط الصندوقي للباحث رؤية بصرية واضحة لشكل التوزيع التكراري، وتحديد ما إذا كانت البيانات تعاني من قيم متطرفة شاذة (Outliers) تقع خارج حدود النطاق الربيعي ($1.5 times text{IQR}$). إن وجود قيم شاذة متطرفة يؤثر بشكل مباشر ومضاعف على حسابات التباين والانحرافات المعيارية، مما يجعل تحديدها مبكراً أمراً حاسماً في اتخاذ القرار حول استخدام ليفين المعتمد على المتوسط أو ليفين المعتمد على الوسيط (براون-فورسيز).

5. الخطوة الأولى: حساب المتوسطات الحسابية والوسيط للمجموعات

5.1 استخدام دالة AVERAGE لحساب المتوسطات

تتمثل الخطوة الإجرائية الأولى في بناء نموذج اختبار ليفين التقليدي في إكسيل في حساب المتوسط الحسابي الخاص بكل مجموعة من المجموعات الخاضعة للمقارنة. ولتنفيذ ذلك بدقة ومهنية، يتم تخصيص صف مخصص أسفل مصفوفة البيانات لكل مجموعة، وليكن الصف المجاور لتسمية “المتوسط الحسابي”. يتم إدخال الدالة القياسية بصيغتها العامة:

=AVERAGE(A2:A31)

حيث يمثل النطاق A2:A31 مشاهدات المجموعة الأولى. يتم تكرار نفس العملية للمجموعة الثانية في العمود المجاور =AVERAGE(B2:B31) وللمجموعة الثالثة =AVERAGE(C2:C31) وهكذا لبقية المجموعات.

من الضروري التحقق من صحة المراجع المدخلة ومقارنة المخرجات بما تم استخراجه في مرحلة الإحصاء الوصفي الاستكشافي. يمثل هذا المتوسط الأساس الرياضي الذي ستُقاس عليه كافة المسافات الفردية للمشاهدات، ويجب التأكد من عدم استخدام دوال تدمج خلايا نصية أو فارغة بشكل غير مقصود، لضمان الحصول على قيمة معيارية دقيقة تعكس المركز الهندسي الحقيقي لتوزيع كل عينة مستقلة.

5.2 استخدام دالة MEDIAN لحساب الوسيط (بديل براون-فورسيز)

في الحالات التي تكشف فيها المعاينة الاستكشافية الأولية عن وجود التواء إيجابي أو سلبي في درجات المتغير، أو عند رغبة الباحث في تطبيق اختبار براون-فورسيز الأكثر متانة، يتم استبدال المتوسط الحسابي بحساب الوسيط الإحصائي لكل مجموعة. يتم ذلك بإنشاء صف مخصص أسفل البيانات وإدراج دالة الوسيط في إكسيل:

=MEDIAN(A2:A31)

وتُعمم الصيغة أفقياً على كافة الأعمدة الممثلة للمجموعات التجريبية والضابطة المستهدفة بالدراسة.

يتيح إجراء مقارنة مباشرة بين القيمة الناتجة لدالة AVERAGE وقيمة دالة MEDIAN في نفس العمود مؤشراً سريعاً وعملياً على درجة تناظر البيانات؛ فإذا تقاربت القيمتان إلى حد كبير، فإن البيانات تقترب من التوزيع الطبيعي المتماثل، ويصبح استخدام المتوسط ملائماً. أما إذا تباعدت قيمة الوسيط بصورة ملحوظة عن المتوسط، فإن ذلك يؤكد وجود التواء يسحب المتوسط نحو الذيل الطويل، مما يجعل استخدام الوسيط كنقطة ارتكاز لحساب الانحرافات المطلقة خياراً منهجياً أكثر أماناً ودقة لحماية التحليل من التقديرات الزائفة لتباين المجموعات.

6. الخطوة الثانية: حساب الانحرافات المطلقة (Absolute Residuals)

6.1 فهم المنطق الرياضي لحساب الانحرافات المطلقة

يقوم الابتكار الرياضي العبقري لهاورد ليفين على تحويل درجات المشاهدات الأصلية ($X_{ij}$) إلى مقاييس تشتت خطية من خلال حساب الانحرافات المطلقة (Absolute Deviations) عن مركز المجموعة ($Z_{ij} = |X_{ij} – \bar{X}_i|$ أو $Z_{ij} = |X_{ij} – \tilde{X}_i|$). يهدف هذا التحويل الرياضي البسيط إلى التخلص التام من الإشارات السالبة الناتجة عن القيم التي تقع تحت المتوسط أو الوسيط، وتحويل كافة الانحرافات إلى مسافات موجبة تعبر عن مقدار ابتعاد كل مفردة عن المركز بغض النظر عن الاتجاه.

من الناحية النظرية، عندما نحسب متوسط هذه الانحرافات المطلقة لكل مجموعة، فإننا نحصل في الواقع على مقياس مباشر لحجم التشتت والتباين داخل تلك المجموعة. وبالتالي، فإن فحص ما إذا كانت تباينات المجموعات متساوية يتحول بالكامل وبصورة رياضية متقنة إلى فحص ما إذا كانت “متوسطات الانحرافات المطلقة” متساوية بين المجموعات. يتيح هذا التحويل تطبيق اختبار تحليل التباين الأحادي (ANOVA) القياسي مباشرة على هذه الانحرافات المطلقة دون المساس بجوهر المفهوم الإحصائي للتباين، مما يجعل الفكرة قابلة للتنفيذ السلس عبر أدوات الجداول الحسابية المتاحة في إكسيل.

6.2 تطبيق دالة ABS في إكسيل على كافة المشاهدات

لتطبيق هذه الخطوة داخل ورقة عمل إكسيل، نقوم ببناء مصفوفة جديدة بجوار مصفوفة البيانات الأصلية، ونعطي أعمدتها نفس التسميات مع إضافة لاحقة توضيحية (مثل: AbsDev_Group1، AbsDev_Group2، إلخ). نستخدم دالة القيمة المطلقة ABS مقرونة بتثبيت مرجع خلية المتوسط أو الوسيط باستخدام علامة الدولار ($) لضمان ثبات المرجع عند السحب الرأسي.

على سبيل المثال، إذا كانت مشاهدات المجموعة الأولى تبدأ من الخلية A2 إلى A31، وكان المتوسط الحسابي لتلك المجموعة محسوباً ومستقراً في الخلية A33، فإننا نكتب في أول خلية من المصفوفة الجديدة (ولتكن E2) الصيغة الرياضية التالية:

=ABS(A2 - A$33)

بعد إدخال الصيغة والضغط على مفتاح Enter، نستخدم مقبض التعبئة التلقائية (AutoFill Handle) لسحب المعادلة رأسياً حتى الصف 31 لتغطية كافة مشاهدات المجموعة الأولى. نكرر نفس الصيغة للمجموعة الثانية في الخلية F2 كالتالي: =ABS(B2 - B$33) ونسحبها لأسفل، وكذلك للمجموعة الثالثة =ABS(C2 - C$33) في الخلية G2. إن التثبيت الدقيق لرقم الصف ($33) يضمن بقاء المقارنة مرتبطة دائماً بالمتوسط الصحيح لكل عمود أثناء نسخ وتعبئة الدوال عبر نطاقات البيانات المختلفة.

6.3 مراجعة مصفوفة الانحرافات والتأكد من خلوها من الأخطاء

عقب إتمام بناء مصفوفة الانحرافات المطلقة، يجب إجراء تدقيق ومراجعة شاملة للبيانات الجديدة قبل الانتقال إلى مرحلة التحليل الاستدلالي. يتضمن هذا التدقيق التحقق من أن عدد الصفوف والأعمدة في مصفوفة الانحرافات يتطابق تطابقاً تاماً مع مصفوفة البيانات الأصلية، والتأكد من عدم ظهور أي رسائل خطأ برمجية شهيرة مثل #VALUE! الناتجة عن وجود فراغات نصية، أو #REF! الناتجة عن أخطاء في مراجع الخلايا.

يجب التأكد من أن كافة القيم الظاهرة في مصفوفة الانحرافات هي قيم موجبة حصراً أو أصفار (في حال تطابقت المشاهدة تماماً مع المتوسط)، حيث إن ظهور أي قيمة سالبة يعني حدوث خلل في كتابة دالة ABS. كما يُنصح باختيار عينة عشوائية من الخلايا وحسابها يدوياً للتأكد من أن المعادلة تشير بالفعل إلى المشاهدة ومتوسطها الصحيح، مما يضمن جاهزية النطاق الجديد بصورة قطعية لتطبيق أدوات تحليل التباين دون أي شوائب برمجية.

7. الخطوة الثالثة: إجراء تحليل التباين الأحادي (One-Way ANOVA) على الانحرافات المطلقة

7.1 تشغيل أداة Anova: Single Factor من حزمة التحليل

بعد تجهيز مصفوفة الانحرافات المطلقة، ننتقل إلى تنفيذ الخطوة الحاسمة لاختبار ليفين، وهي تطبيق اختبار تحليل التباين الأحادي على هذه المصفوفة المستحدثة. يتم تنفيذ ذلك باتباع الإجراءات المحددة التالية داخل إكسيل:

• انتقل إلى تبويب بيانات (Data) في الشريط العلوي وانقر على خيار تحليل البيانات (Data Analysis) في أقصى اليمين.
• من قائمة الأدوات الإحصائية المنبثقة، حدد الخيار الأول: تحليل التباين: عامل أحادي (Anova: Single Factor)، ثم انقر على موافق (OK).
• في حقل نطاق الإدخال (Input Range)، قم بتحديد نطاق مصفوفة الانحرافات المطلقة فقط، شاملاً صف العناوين والرؤوس في الأعلى (على سبيل المثال: $E$1:$G$31)، مع الحذر الشديد من تضمين بيانات الأعمدة الأصلية.
• في خيار تجميع حسب (Grouped By)، تأكد من تحديد خيار أعمدة (Columns) نظراً لأن كل مجموعة مرتبة في عمود مستقل.
• قم بتفعيل المربع الحواري المجاور لخيار تسميات في الصف الأول (Labels in first row) إذا قمت بتضمين رؤوس الأعمدة في نطاق التحديد.

7.2 ضبط معلمات التحليل واختيار نطاق المخرجات

في نفس نافذة التحليل، يظهر حقل ألفا ($\alpha$) وقيمته الافتراضية محددة بـ 0.05. يتم الإبقاء على هذه القيمة كمعيار دلالة قياسي ما لم تتطلب طبيعة البحث أو التوجه النظري للدراسة ضبطها عند مستوى أكثر صرامة مثل 0.01 للحد من احتمالية أخطاء النوع الأول في الدراسات الطبية أو السريرية الحساسة.

في قسم خيارات الإخراج (Output options)، يمتلك الباحث حرية الاختيار بين تحديد نطاق الإخراج (Output Range) واختيار خلية فارغة داخل نفس ورقة العمل (مثل الخلية I1) لمشاهدة النتائج بجوار البيانات، أو اختيار ورقة عمل جديدة (New Worksheet Ply) لتصدير الجدول إلى تبويب منفصل ومنظم. بمجرد النقر على زر موافق (OK)، يقوم إكسيل بتنفيذ الحسابات الرياضية المتقدمة لتباين الانحرافات المطلقة ويولد فوراً جدول المخرجات الإحصائي الشامل لاختبار ليفين.

8. تفسير المخرجات الإحصائية واتخاذ القرار العلمي

8.1 قراءة جدول ANOVA الناتج عن مصفوفة الانحرافات

يقدم إكسيل مخرجات التحليل في جدولين رئيسيين؛ الجدول الأول ملخص وصفي (SUMMARY) يوضح حجم العينة ($N$)، والمجموع ($Sum$)، ومتوسط الانحراف المطلق ($Average$)، وتباين الانحرافات ($Variance$) لكل مجموعة. أما الجدول الثاني، وهو الأهم، فهو جدول تحليل التباين (ANOVA) الذي يشتمل على المكونات الرياضية الاستدلالية التالية:

توضح درجات الحرية بين المجموعات ($df_{\text{between}}$) عدد المجموعات مطروحاً منها واحد ($k – 1$)، بينما تمثل درجات الحرية داخل المجموعات ($df_{\text{within}}$) إجمالي عدد الأفراد مطروحاً منه عدد المجموعات ($N – k$). يمثل مجموع المربعات (Sum of Squares – SS) كمية التشتت المنسوبة للفروق بين المجموعات مقارنة بالتشتت الداخلي، وينتج عن قسمة مجموع المربعات على درجات الحرية المقابلة ما يُعرف بـ متوسط المربعات (Mean Squares – MS). وتتولد قيمة إحصائي فايشر المحسوبة ($F\text{-statistic}$) من قسمة متوسط المربعات بين المجموعات على متوسط المربعات داخل المجموعات ($F = MS_{\text{between}} / MS_{\text{within}}$)، وهي القيمة الاختبارية المركزية في اختبار ليفين.

8.2 تفسير القيمة الاحتمالية (P-value) والقيمة الحرجة (F-crit)

يتطلب اتخاذ القرار الإحصائي السليم فهم العلاقة بين المؤشرات الرقمية الناتجة في جدول المخرجات. وتتم عملية المقارنة وفق معيارين متلازمين يعطيان نفس النتيجة دائماً:

• معيار القيمة الاحتمالية (P-value Approach): تتم مقارنة قيمة $P\text{-value}$ الظاهرة في الجدول بمستوى الدلالة المحدد ($\alpha = 0.05$). فإذا كانت $P > 0.05$، فإننا نفشل في رفض الفرضية الصفرية ($H_0$)، ونستنتج أن التباينات متجانسة إحصائياً والشرط محقق. أما إذا كانت $P le 0.05$، فإننا نرفض الفرضية الصفرية ونقبل الفرضية البديلة، مما يؤكد عدم تجانس التباين ووجود فروق جوهرية في التشتت بين المجموعات.
• معيار القيمة الحرجة (Critical Value Approach): تتم مقارنة قيمة $F$ المحسوبة بقيمة $F_{\text{crit}}$ الجدولية. فإذا كانت $F_{\text{calc}} < F_{\text{crit}}$، يتم قبول فرضية التجانس. أما إذا تجاوزت القيمة المحسوبة القيمة الحرجة ($F_{\text{calc}} ge F_{\text{crit}}$)، يتم رفض التجانس فوراً.

8.3 صياغة التقرير الإحصائي وفق معايير APA

تفرض المعايير الصادرة عن جمعية علم النفس الأمريكية (APA – الإصدار السابع) أسلوباً دقيقاً وموحداً لتوثيق نتائج اختبار ليفين داخل التقارير والرسائل العلمية. يجب توثيق درجات الحرية بين وداخل المجموعات، وقيمة إحصائي $F$ المحسوبة مقربة إلى منزلتين أو ثلاث منازل عشرية، بالإضافة إلى القيمة الاحتمالية الدقيقة ($p$).

نموذج التقرير في حالة تحقق تجانس التباين ($P > 0.05$):

“أظهرت نتائج اختبار ليفين لتجانس التباين عدم وجود فروق ذات دلالة إحصائية بين تباينات المجموعات الثلاث، $F(2, 87) = 0.84, , p = .435$، مما يؤكد تحقق فرضية تجانس التباين وملاءمة البيانات لتطبيق تحليل التباين الأحادي (ANOVA).”

نموذج التقرير في حالة خرق فرضية تجانس التباين ($P le 0.05$):

“أشارت نتائج اختبار ليفين إلى خرق واضح لفرضية تجانس التباين عبر المجموعات التجريبية، $F(2, 87) = 5.62, , p = .005$؛ وبناءً على هذا الخرق الإحصائي، تم استبدال تحليل التباين التقليدي بتطبيق اختبار ويلش للتباين (Welch’s ANOVA) لضمان متانة النتائج الاستدلالية.”

9. الإجراءات المنهجية والبدائل الإحصائية عند خرق فرضية تجانس التباين

9.1 استخدام اختبار ويلش لتحليل التباين (Welch’s ANOVA)

عندما يسفر اختبار ليفين عن رفض الفرضية الصفرية وثبوت عدم تجانس التباينات، فإن الاستمرار في تطبيق اختبار ANOVA الكلاسيكي يؤدي إلى نتائج مضللة، لا سيما إذا كانت أحجام العينات غير متساوية عبر المجموعات. في هذا السياق، يُجمع علماء الإحصاء التطبيقي على أن اختبار ويلش (Welch’s ANOVA) يمثل البديل المعلمي الأقوى والأمثل لاختبار التباين التقليدي.

يقوم اختبار ويلش بإعادة وزن تباينات المجموعات بناءً على أحجام عيناتها المستقلة، ويقوم بتعديل درجات الحرية داخل المجموعات ($df_{\text{adjusted}}$) إلى قيم كسرية تقلل من تأثير المجموعات ذات التباين المرتفع. يحمي هذا التعديل الباحث من تضخم معدلات الخطأ من النوع الأول، ويحافظ على قوة إحصائية عالية تكافئ الاختبار التقليدي، مما يجعله الخيار الموصى به تلقائياً في الأدبيات المنهجية المعاصرة للتعامل مع البيانات غير المتجانسة دون الحاجة الفورية للتخلي عن النماذج المعلمية.

9.2 التحويلات الرياضية للبيانات في إكسيل (Data Transformations)

تمثل التحويلات الرياضية وسيلة علاجية كلاسيكية وفعالة لاستعادة تجانس التباين وتحسين التوزيع التكراري للبيانات قبل إجراء الاختبارات الاستدلالية. يمكن تطبيق هذه التحويلات بسهولة داخل إكسيل عبر إنشاء أعمدة جديدة تطبق معادلات رياضية محددة على البيانات الأصلية، ومن أبرز هذه التحويلات:

• التحويل اللوغاريتمي (Logarithmic Transformation): يُطبق باستخدام دالة =LN(X) أو =LOG10(X)، ويُعد العلاج المثالي للبيانات ذات الالتواء الإيجابي الحاد والتباين المتزايد طردياً مع المتوسط (Heteroscedasticity).
• تحويل الجذر التربيعي (Square Root Transformation): يُطبق باستخدام دالة =SQRT(X)، وهو ممتاز لمعالجة بيانات العد والترددات الإحصائية وبواسون (Poisson Distributed Data).
• تحويل المقلوب (Reciprocal Transformation): يُطبق بصيغة =1/X، ويُستخدم في تصحيح أزمنة الاستجابة والبيانات شديدة الانحراف.

عقب إتمام التحويل الرياضي للبيانات الخام، يتعين على الباحث إعادة تشغيل اختبار ليفين بالكامل على القيم المحولة؛ فإذا تحققت فرضية التجانس في البيانات الجديدة، يمكن الاستمرار في تطبيق النماذج المعلمية القياسية على القيم المحولة مع مراعاة تفسير النتائج وفق المقياس الرياضي الجديد.

9.3 الانتقال إلى الاختبارات اللامعلمية البديلة

في الحالات المعقدة التي يفشل فيها اختبار ليفين في إثبات التجانس، وتفشل معها التحويلات الرياضية في تصحيح بنية البيانات مع صغر أحجام العينات، يصبح الانتقال إلى الاختبارات اللامعلمية (Non-parametric Tests) ضرورة منهجية لا غنى عنها. تعتمد هذه الاختبارات على ترتيب البيانات (Ranks) بدلاً من قيمها الرقمية المطلقة، مما يجعلها متحررة بالكامل من قيود التوزيع الطبيعي وتجانس التباين.

يُعد اختبار كروسكال-واليس (Kruskal-Wallis H Test) البديل اللامعلمي المباشر لتحليل التباين الأحادي لمقارنة ثلاث مجموعات أو أكثر، بينما يُعد اختبار مان-ويتني (Mann-Whitney U Test) البديل المناسب لاختبار “ت” للعينات المستقلة. ورغم أن الانتقال إلى الأساليب اللامعلمية قد يصاحبه انخفاض طفيف في القوة الإحصائية مقارنة بالاختبارات المعلمية المثالية، إلا أنه يوفر ضمانة أكاديمية صارمة لصحة الاستنتاجات وخلوها من التحيزات الناتجة عن التباينات الشاذة.

10. تطبيقات وأمثلة عملية لاختبار ليفين في البحوث النفسية عبر إكسيل

10.1 دراسة حالة 1: مقارنة تشتت استجابات القلق تحت ثلاثة بروتوكولات علاجية

لإيضاح التطبيق العملي، نفترض دراسة إكلينيكية هدفت إلى مقارنة فاعلية ثلاثة بروتوكولات علاجية في خفض حدة القلق لدى عينة من 45 مريضاً، تم توزيعهم عشوائياً بالتساوي على ثلاث مجموعات ($n=15$ في كل مجموعة): مجموعة العلاج المعرفي السلوكي (CBT)، مجموعة العلاج الدوائي (Medication)، ومجموعة التدخل القائم على اليقظة الذهنية (Mindfulness). تم قياس درجات القلق بعد التدخل عبر مقياس هاملتون للقلق (HAM-A).

تم إدخال البيانات في إكسيل في ثلاثة أعمدة (A و B و C). تم حساب المتوسط الحسابي لكل مجموعة كالتالي: مجموعة CBT ($\bar{X}=14.2$)، مجموعة العلاج الدوائي ($\bar{X}=18.6$)، ومجموعة اليقظة الذهنية ($\bar{X}=15.1$). تم بناء مصفوفة الانحرافات المطلقة في الأعمدة E و F و G باستخدام الدالة =ABS(X - Mean). وبعد تشغيل أداة ANOVA: Single Factor على هذه المصفوفة، أظهرت النتائج الإحصائية:

• درجات الحرية: $df_{\text{between}} = 2$ و $df_{\text{within}} = 42$
• إحصائي فايشر المحسوب: $F = 1.15$
• القيمة الاحتمالية: $P\text{-value} = 0.326$
• القيمة الحرجة عند مستوى $0.05$:$F_{text{crit}} = 3.22$

بما أن القيمة الاحتمالية ($0.326$) أكبر بكثير من مستوى الدلالة ($0.05$)، وقيمة$F$ المحسوبة أصغر من القيمة الحرجة، فإن القرار الإحصائي هو قبول الفرضية الصفرية وتأكيد تجانس التباين، مما يشير إلى أن استقرار التشتت متكافئ عبر كافة البروتوكولات، ويسمح بتطبيق تحليل التباين الأحادي ANOVA لمقارنة الفروق بين المتوسطات بثقة تامة.

10.2 دراسة حالة 2: تجانس أزمنة الرجع في التجارب المعرفية

في دراسة في علم النفس المعرفي، تم قياس زمن الرجع بالمللي ثانية (Reaction Time) لمجموعتين من المشاركين أثناء أداء مهمة فرز بصرية معقدة: مجموعة تم حرمانها من النوم (Sleep-Deprived, $n=20$) ومجموعة نالت قسطاً كافياً من النوم (Control, $n=20$). من المعروف نظرياً أن بيانات زمن الرجع تعاني دائماً من التواء إيجابي ووجود استجابات بطيئة شاذة ناتجة عن تشتت الانتباه اللحظي.

نظراً لعدم التماثل في التوزيع، تم استخدام تعديل براون-فورسيز (حساب الوسيط). تم حساب وسيط أزمنة الرجع لكل مجموعة باستخدام دالة MEDIAN، ثم تم استخراج الانحرافات المطلقة لكل مشارك عن وسيط مجموعته عبر دالة =ABS(A2 - MEDIAN_A). أظهرت مخرجات تحليل التباين على الانحرافات المطلقة:

• درجات الحرية: $df(1, 38)$
• قيمة $F$ المحسوبة: $F = 7.84$
• القيمة الاحتمالية: $P\text{-value} = 0.008$
• القيمة الحرجة: $F_{\text{crit}} = 4.10$

أظهرت النتائج خرقاً حاداً لفرضية تجانس التباين ($p < .01$)؛ حيث اتضح أن تباين وتشتت أزمنة الرجع لدى مجموعة الحرمان من النوم كان أكبر بمقدار أربعة أضعاف مقارنة بالمجموعة الضابطة، مما يثبت أن الحرمان من النوم لا يؤدي فقط إلى إبطاء الاستجابة، بل يؤدي أيضاً إلى اضطراب شديد في استقرار الأداء المعرفي. وبناءً على هذه النتيجة، تقرر استخدام اختبار "ت" المعدل لويلش (Welch's t-test) لاختبار الفروق بين المجموعتين بدلاً من الاختبار الكلاسيكي.

11. الأخطاء الشائعة أثناء تطبيق اختبار ليفين في إكسيل وكيفية تفاديها

11.1 الأخطاء الحسابية والتقنية في الصياغة البرمجية

يقع العديد من الباحثين ومحللي البيانات في مجموعة من الأخطاء التقنية المتكررة أثناء تطبيق خطوات اختبار ليفين يدوياً في إكسيل. ومن أبرز هذه العثرات:

• إغفال تثبيت خلايا المرجع: عند كتابة صيغة الانحراف المطلق، ينسى البعض وضع علامة التثبيت $ لرقم صف المتوسط (مثل كتابة =ABS(A2 - A33) بدلاً من =ABS(A2 - A$33))، مما يؤدي عند سحب الصيغة لأسفل إلى إزاحة خلية المتوسط واحتساب الانحرافات عن خلايا فارغة، وهو ما يفسد كامل البيانات الرياضية.
• تحديد النطاق الخاطئ في أداة ANOVA: من الأخطاء الشائعة قيام المستخدم بتحديد نطاق البيانات الأصلية مع مصفوفة الانحرافات معاً داخل أداة تحليل التباين، أو تحديد البيانات الأصلية وحدها، مما ينتج عنه تحليل تباين للمتوسطات بدلاً من اختبار تجانس التباينات.
• عدم اتساق تنسيق الأرقام: قد تحتوي بعض الخلايا على أرقام مخزنة بتنسيق نصي (Text Format) نتيجة استيرادها من برامج خارجية، مما يجعل دوال AVERAGE أو ABS تتجاهلها تماماً وتولد نتائج مبتورة دون إشعار تحذيري واضح.

11.2 الأخطاء المنهجية وتفسير المخرجات

لا تقتصر الأخطاء على الجانب الإجرائي الحسابي فحسب، بل تمتد إلى الجانب المفاهيمي والتفسيري للمخرجات الإحصائية. ويأتي في صدارة هذه الأخطاء الخلط الدلالي في تفسير الفرضية الصفرية؛ ففي معظم الاختبارات الإحصائية يسعى الباحث إلى الحصول على قيمة $P 0.05$ لإثبات تحقق شرط التجانس والاطمئنان إلى سلامة النماذج المعلمية.

بالإضافة إلى ذلك، يقع الباحثون في خطأ تجاهل أثر حجم العينة الكبير (Sample Size Effect)؛ فاختبار ليفين، شأنه شأن سائر الاختبارات الاستدلالية القائمة على الدلالة الإحصائية، يصبح شديد الحساسية للفروق الطفيفة جداً وغير الجوهرية في التباين عندما تتجاوز أحجام العينات عدة مئات، مما قد يؤدي إلى رفض تجانس التباين ($P le 0.05$) رغم أن نسبة التباين الأكبر إلى التباين الأصغر قد لا تتجاوز $1.1:1$. وفي هذه الحالات، يجب على الباحث المتمكن عدم الاكتفاء بقيمة$P$ فقط، بل فحص النسبة الفعلية للتباينات (Variance Ratio) ومراجعة حجم الأثر لتقييم الموقف الإحصائي بموضوعية واتزان.

12. بناء نموذج إكسيل ديناميكي ومؤتمت لحساب اختبار ليفين

12.1 تصميم ورقة عمل تفاعلية باستخدام الدوال المتقدمة

لتحقيق أقصى درجات الكفاءة وتوفير الوقت في معالجة البيانات المستقبلية، يمكن بناء نموذج تفاعلي مؤتمت بالكامل داخل إكسيل يقوم بحساب اختبار ليفين فور إدخال البيانات الخام دون الحاجة لإعادة فتح قوائم حزمة تحليل البيانات في كل مرة. يتم تصميم ورقة العمل بتقسيمها إلى ثلاث مناطق متجاورة ومنسقة:

• منطقة الإدخال (Data Entry Zone): مخصصة لإدخال أعمدة البيانات الخام للمجموعات.
• منطقة الحسابات الديناميكية (Dynamic Calculation Zone): تتضمن مصفوفة الانحرافات المطلقة المبنية بالاعتماد على دوال النطاق التفاعلي مثل IF و ISNUMBER لضمان الحساب التلقائي للبيانات المدخلة فقط وتجاهل الخلايا الفارغة.
• لوحة النتائج والتقارير (Dashboard): مخصصة لعرض المؤشرات الإحصائية المجمعة وجدول التباين النهائي باستخدام الدوال الرياضية المباشرة.

12.2 أتمتة اتخاذ القرار الإحصائي باستخدام الصيغ المنطقية

يمكن استخراج القيمة الاحتمالية لاختبار ليفين بصورة مباشرة وديناميكية في خلية واحدة باستخدام دالة التوزيع الاحتمالي لفيشر ذي الذيل الأيمن F.DIST.RT. بعد حساب مجاميع المربعات ومتوسط المربعات برمجياً باستخدام دوال SUMSQ و DEVSQ و COUNT، يتم حساب إحصائي $F$ المحسوب، ومن ثم إدراج صيغة القيمة الاحتمالية كالتالي:

=F.DIST.RT(F_calculated, df_between, df_within)

لإضفاء الطابع الذكي المؤتمت على النموذج، يتم ربط هذه النتيجة بصيغة شرطية منطقية تفصح عن القرار الإحصائي النهائي والتوصية المنهجية مباشرة في خلية بارزة:

=IF(P_value > 0.05, "التباين متجانس (الشرط محقق: استخدم ANOVA التقليدي)", "خرق تجانس التباين (استخدم Welch's ANOVA أو بديلاً لا معلمياً)")

كما يمكن تطبيق التنسيق الشرطي (Conditional Formatting) على هذه الخلايا لتتلون باللون الأخضر تلقائياً عند تحقق التجانس، وباللون الأحمر التحذيري عند ثبوت خرق التجانس، مما يوفر واجهة بصرية استدلالية متقدمة تدعم سرعة ودقة اتخاذ القرارات البحثية.

12.3 حفظ وتصدير النموذج للاستخدام في الأبحاث المستقبلية

عقب إتمام بناء النموذج والتأكد من دقته عبر مقارنة مخرجاته مع بيانات مرجعية معلومة، يتعين حماية البنية البرمجية للورقة. يتم ذلك بتحديد خلايا إدخال البيانات فقط وتعيينها كخلايا غير مؤمنة (Unlocked Cells)، ثم تفعيل حماية ورقة العمل (Protect Sheet) من تبويب مراجعة (Review)، لمنع التعديل العرضي أو مسح الدوال الرياضية الحساسة عن طريق الخطأ.

لحفظ الملف كأداة دائمة قابلة لإعادة الاستخدام السلس، يتم حفظ المصنف بصيغة قالب إكسيل (Excel Template – .xltx) عبر قائمة حفظ باسم (Save As). يتيح هذا الإجراء فتح نسخة نظيفة وجديدة من النموذج عند كل دراسة جديدة دون التأثير على القالب الأصلي، كما يسهل مشاركة النموذج كأداة بحثية معيارية ومفتوحة بين الزملاء والباحثين وطلاب الدراسات العليا، مما يسهم في رفع كفاءة التحليل الإحصائي المؤسسي وموثوقية مخرجاته العلمية.

الخاتمة

يمثل اختبار ليفين أداة تشخيصية لا غنى عنها في الترسانة المنهجية لأي باحث أو محلل بيانات، إذ يشكل صمام الأمان الذي يحمي التحليلات الإحصائية المعلمية من الاستنتاجات الخاطئة والقرارات المنهجية المضللة. ومن خلال الخطوات الرياضية والمنهجية المفصلة التي تم استعراضها في هذا الدليل، يتضح أن برنامج مايكروسوفت إكسيل يمتلك كافة الإمكانات والقدرات الرياضية اللازمة لتنفيذ هذا الاختبار المتقدم بدقة متناهية وبساطة إجرائية، دون الحاجة الإلزامية للاعتماد على حزم برمجية معقدة ومكلفة.

إن إتقان الباحث لآلية حساب الانحرافات المطلقة، واستخراج جداول تحليل التباين، والتمييز الواعي بين استخدام المتوسط والوسيط وفق طبيعة التوزيع، فضلاً عن امتلاك الرؤية المنهجية لتطبيق البدائل المناسبة مثل اختبار ويلش أو التحويلات الرياضية، كلها مهارات تأسيسية تعزز من رصانة الأبحاث العلمية وجودتها الاستدلالية. ومن خلال بناء النماذج الديناميكية المؤتمتة وتطبيق المعايير الأكاديمية الصارمة في التوثيق والتفسير، يرتقي التحليل الإحصائي من مجرد إجراءات حسابية روتينية إلى ممارسة علمية منهجية دقيقة تسهم في كشف الحقائق وبناء المعرفة العلمية الموثوقة.

المراجع (References)

• Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gastwirth, J. L., Gel, Y. R., & Miao, W. (2009). The impact of Levene’s test of equality of variances on statistical theory and practice. Statistical Science, 24(3), 343–360. https://doi.org/10.1214/09-STS301
• Hayes, A. F., & Cai, L. (2007). Further evaluating the conditional process model: Using heteroscedasticity-consistent standard error estimators in OLS regression. Psychological Methods, 12(1), 709–722. https://doi.org/10.1037/1082-989X.12.1.709
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• Microsoft Corporation. (2023). Use the Analysis ToolPak to perform complex data analysis. Microsoft Support. https://support.microsoft.com/en-us/office/use-the-analysis-toolpak
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.