كيفية إجراء اختبار مان-كيندال للاتجاه في R

تعد السلاسل الزمنية الطولية من الركائز الأساسية التي تستند إليها العلوم الحديثة لاستكشاف أنماط التحول والتغير عبر الزمن، سواء في البيئة والمناخ، أو في العلوم السلوكية والطبية والنفسية. وفي سياق التحليل الإحصائي، يمثل الكشف عن الاتجاهات العامة وتحديد مسارات التغير تحدياً منهجياً يتطلب أدوات تحليلية تجمع بين المتانة الإحصائية والقدرة على استيعاب خصائص البيانات الواقعية. وتبرز في هذا الإطار الطرائق اللامعلمية (Non-parametric methods) كحلول مثالية تتجاوز القيود الصارمة للاختبارات المعلمية التقليدية، التي تفترض غالباً اعتدالية التوزيع واستقلالية الفروق وتجانس التباين.

يعتبر اختبار مان-كيندال للاتجاه (Mann-Kendall Trend Test) أحد أكثر الاختبارات اللامعلمية موثوقية وشيوعاً لتقييم وجود اتجاه رتيب مستمر في المتغيرات المقاسة عبر فترات زمنية متتابعة. ويتميز هذا الاختبار بقدرته الفائقة على استيعاب البيانات التي لا تتبع التوزيع الطبيعي، ومقاومته للقيم المتطرفة والشاذة التي قد تشوه نتائج نماذج الانحدار الخطي البسيط، بالإضافة إلى كفاءته العالية في التعامل مع القياسات الرتبية وتدرجات المقاييس السيكومترية.

تقدم لغة البرمجة الإحصائية R بيئة حسابية شاملة ومرنة لتنفيذ هذا الاختبار عبر حزم برمجية متخصصة ومتقدمة. يهدف هذا المقال الشامل إلى تقديم دليل منهجي وتطبيقي متكامل للباحثين والمحللين حول كيفية إجراء اختبار مان-كيندال وتفسير مخرجاته الرياضية والإحصائية وحساب حجم التأثير المصاحب له، مع التركيز على تطبيقاته العملية في مجالات القياس النفسي والبحوث السلوكية والبيئية وفق أعلى معايير التوثيق الأكاديمي.

1. مقدمة إلى اختبار مان-كيندال للاتجاه ومفهومه الإحصائي

1.1 التعريف باختبار مان-كيندال (Mann-Kendall Trend Test)

يعود التأصيل النظري لاختبار مان-كيندال إلى الإسهامات الإحصائية الرائدة التي قدمها عالم الرياضيات هنري مان (Henry Mann) عام 1945 عندما صاغ اختباراً لا معلمياً لاكتشاف الاتجاه، ثم تلاه الإحصائي البريطاني موريس كيندال (Maurice Kendall) عام 1975 بتوسيع هذا الإطار وتطوير خواص التباين ومعاملات الارتباط الرتبي. ويصنف هذا الاختبار كأداة إحصائية استنتاجية خالية من التوزيع، صُممت خصيصاً لاختبار ما إذا كانت قيم السلسلة الزمنية تظهر اتجاهاً رتيباً عبر الزمن.

يقصد بالاتجاه الرتيب (Monotonic Trend) النمط التراكمي المستمر الذي تتزايد فيه قيم المتغير باستمرار بمرور الزمن (اتجاه تصاعدي رتيب)، أو تتناقص فيه باستمرار (اتجاه تنازلي رتيب)، دون اشتراط أن يكون معدل التغير ثابتاً من فترة لأخرى. وهذا يمثل فارقاً جوهرياً مقارنة بنماذج الانحدار الخطي التقليدية التي تفترض ثبات ميل التغير ومعدله الزمني بشكل مستقيم على طول السلسلة.

في تحليل البيانات الطولية، تتيح دراسة الاتجاهات الرتيبة الكشف عن مسارات التطور المعرفي أو التدهور السلوكي أو التحولات البيئية دون الوقوع في خطأ إجبار البيانات على نمط خطي صارم قد لا يتناسب مع الطبيعة الديناميكية المعقدة للظاهرة المدروسة، مما يجعل اختبار مان-كيندال الخيار الأنسب لتحليل السلاسل غير المنتظمة أو غير المتماثلة.

1.2 طبيعة الاختبار اللامعلمي وميزاته الإحصائية

تنبع القوة الاستدلالية لاختبار مان-كيندال من كونه اختباراً لا معلمياً (Distribution-free)؛ إذ لا يتطلب استيفاء فرضية اعتدالية التوزيع للبيانات الأصلية أو لبواقي الانحدار. وتعتبر هذه الميزة بالغة الأهمية في العلوم الاجتماعية والنفسية والبيئية، حيث نادراً ما تتطابق البيانات الميدانية مع منحنى التوزيع الطبيعي المعياري، بل تعاني في كثير من الأحيان من التواءات حادة وتفرطحات متباينة.

إلى جانب مقاومة الانحراف عن التوزيع الطبيعي، يتميز الاختبار بمقاومته الفائقة للقيم المتطرفة والشاذة (Outliers). وبما أن الاختبار يعتمد على الترتيب النسبي وإشارات الفروق بين أزواج البيانات الزمنية بدلاً من القيم العددية الخام، فإن وجود قراءات مفاجئة شديدة الارتفاع أو الانخفاض لا يؤدي إلى انحياز النتيجة الإجمالية للاختبار، بخلاف ما يحدث في اختبارات الانحدار البارامترية مثل مربعات الأخطاء الصغرى.

وعلاوة على ذلك، يمتلك اختبار مان-كيندال مرونة عالية في التعامل مع البيانات المفقودة (Missing Values) والبيانات المبتورة جزئياً أو تلك التي تقع دون حدود الكشف المخبري أو الإحصائي (Censored Data). تتيح هذه الخصائص للباحث تطبيق الاختبار مباشرة دون الحاجة إلى اللجوء لأساليب التعويض الحسابي المعقدة التي قد تدخل تشوهات جديدة في بنية السلسلة الزمنية.

1.3 صياغة الفرضيات الإحصائية للاختبار

تتمحور صياغة الفرضيات الإحصائية في اختبار مان-كيندال حول فحص استقرار السلسلة الزمنية مقابل وجود اتجاه بنيوي. تنص الفرضية الصفرية (Null Hypothesis, $H_0$) على عدم وجود اتجاه رتيب في السلسلة الزمنية المدروسة عبر الزمن؛ أي أن الملاحظات الزمنية موزعة عشوائياً وتتطابق احتمالات تزايدها وتناقصها عبر الزمن باستقلالية تامة.

في المقابل، تنص الفرضية البديلة ثنائية الطرف (Alternative Hypothesis, $H_A$) على وجود اتجاه رتيب دال إحصائياً في السلسلة الزمنية، سواء كان هذا الاتجاه تصاعدياً إيجابياً يعكس تزايد مستمر في قيم المتغير، أو انحدارياً سلبياً يعكس تراجعاً مطرداً في الظاهرة قيد القياس. ويمكن صياغة الفرضية البديلة بشكل أحادي الطرف إذا كان لدى الباحث افتراض مسبق موجه نحو الزيادة أو النقصان فقط.

لاتخاذ القرار الإحصائي بقبول أو رفض الفرضية الصفرية، يعتمد الباحث على مقارنة القيمة الاحتمالية المحسوبة ($p\text{-value}$) بمستوى الدلالة المعياري المعتمد ($\alpha$). وتشمل المستويات الشائعة في الأبحاث الأكاديمية مستويات الدلالة 0.05، 0.01، و0.10، حيث يمثل انخفاض القيمة الاحتمالية عن هذه العتبات دليلاً قوياً لرفض الفرضية الصفرية وتأكيد وجود اتجاه رتيب معنوي في الظاهرة المدروسة.

2. الأسس النظرية والرياضية لاختبار مان-كيندال

2.1 حساب إحصائية كيندال (S Statistic)

يقوم البناء الرياضي لاختبار مان-كيندال على إجراء مقارنات ثنائية زوجية شاملة بين كافة نقاط السلسلة الزمنية عبر الوقت. فإذا كانت لدينا سلسلة زمنية تتكون من $n$ من المشاهدات المرتبة زمنياً $x_1, x_2, dots, x_n$، فإن عدد المقارنات الزوجية الممكنة يساوي $n(n-1)/2$.

تعتمد كل مقارنة على استخدام دالة الإشارة (Sign Function) المطبقة على الفرق بين أي نقطتين زمنيتين متتابعتين $x_j$ و $x_k$ (حيث $j > k$)، وتعرف دالة الإشارة رياضياً على النحو التالي:

تأخذ دالة الإشارة $\text{sgn}(x_j – x_k)$ القيمة (+1) إذا كان الفرق موجباً أي أن القيمة اللاحقة أكبر من السابقة ($x_j > x_k$)، وتأخذ القيمة (-1) إذا كان الفرق سالباً أي أن القيمة اللاحقة أصغر من السابقة ($x_j < x_k$)، بينما تأخذ القيمة (0) في حالة تساوي القيمتين تماماً وتطابقهما ($x_j = x_k$).

يتم بعد ذلك حساب إحصائية كيندال الكلية $S$ عبر جمع كافة إشارات الفروق لجميع الأزواج الممكنة في السلسلة الزمنية، وتكتب المعادلة الرياضية كالتالي:

$$S = \sum_{k=1}^{n-1} \sum_{j=k+1}^{n} \text{sgn}(x_j – x_k)$$

تشير القيمة الموجبة العالية للإحصائية $S$ إلى غلبة الزيادات المتتالية عبر الزمن مما يدل على اتجاه تصاعدي، في حين تشير القيمة السالبة الكبيرة إلى هيمنة الانخفاضات مما يدل على اتجاه تنازلي، أما اقتراب القيمة من الصفر فيعكس توازناً عشوائياً بين الزيادة والنقصان.

2.2 حساب التباين وإحصائية الاختبار المعياري (Z-Score)

لتحديد الدلالة الإحصائية للإحصائية $S$، يتطلب الأمر حساب تباينها النظري تحت الفرضية الصفرية. في العينات التي تخلو من القيم المكررة أو المتطابقة (Tied values)، يحسب تباين الإحصائية$S$، ويرمز له بالرمز$text{Var}(S)$، وفق الصيغة الرياضية التالية:

$$\text{Var}(S) = \frac{n(n – 1)(2n + 5)}{18}$$

ومع ذلك، تحتوي البيانات الواقعية غالباً على قيم مكررة ومتساوية في نقاط زمنية مختلفة. في هذه الحالة، يتوجب إدخال معامل تصحيح للتباين يراعي هذه الروابط لتجنب تضخيم التباين المقدر، وتعدل الصيغة الرياضية لتصبح:

$$\text{Var}(S) = \frac{1}{18} \left[ n(n – 1)(2n + 5) – \sum_{p=1}^{g} t_p(t_p – 1)(2t_p + 5) \right]$$

حيث يمثل $g$ عدد مجموعات القيم المربوطة والمكررة، بينما يمثل $t_p$ عدد المشاهدات المتطابقة في المجموعة رقم $p$.

عندما يكون حجم العينة كافياً ($n ge 10$)، يقترب توزيع الإحصائية $S$ تدريجياً من التوزيع الطبيعي المعياري. ويتم تحويل الإحصائية $S$ إلى درجات معيارية ($Z\text{-Score}$) باستخدام تصحيح الاستمرارية (Continuity Correction) عبر المعادلة التالية:

$$Z = \begin{\cases} \frac{S – 1}{\sqrt{\text{Var}(S)}} &a\mp; \text{if } S > 0 0 &a\mp; \text{if } S = 0 \frac{S + 1}{\sqrt{\text{Var}(S)}} &a\mp; \text{if } S < 0 \end{\cases}$$

تستخدم درجات $Z$ المحسوبة لحساب القيمة الاحتمالية بدقة من جدول التوزيع الطبيعي المعياري، مما يمكننا من اختبار المعنوية الإحصائية للاتجاه.

2.3 معامل ارتباط تاو لكيندال (Kendall’s Tau)

يرتبط اختبار مان-كيندال ارتباطاً عضوياً بمعامل ارتباط الرتب المعروف باسم كيندال تاو ($tau$)، والذي يقيس درجة التوافق الرتبي بين الزمن وتسلسل قيم المتغير التابع. يمثل معامل تاو مقياساً نسبياً لحجم واتجاه الارتباط الرتبي وتتراوح قيمته النظرية بدقة بين (+1) و(-1).

يحسب معامل تاو الأساسي ($\tau_a$) بقسمة الإحصائية $S$ على إجمالي عدد الأزواج الممكنة في السلسلة الزمنية $D = n(n – 1)/2$ عبر الصيغة:

$$\tau = \frac{S}{\frac{1}{2}n(n – 1)}$$

وفي حالة وجود قيم مكررة ومرتبطة في البيانات، يتم اللجوء إلى صيغة تاو-ب ($\tau_b$) المعدلة التي تأخذ في الحسبان التكرارات في كل من المتغير الزمني ومتغير القياس، مما يضمن تقديراً غير منحاز لقوة العلاقة الرتبية.

يشير الحصول على قيمة $tau = +1$ إلى وجود اتجاه تصاعدي رتيب تام ومستمر حيث تزداد كل نقطة زمنية عن سابقتها دون أي استثناء، بينما تشير $tau = -1$ إلى اتجاه تنازلي رتيب تام. وعندما تقترب قيمة المعامل من الصفر، فإنها تعكس انعدام الارتباط الرتبي بين المتغير والزمن، مما يعزز قبول الفرضية الصفرية بعدم وجود اتجاه.

3. أهمية وتطبيقات اختبار مان-كيندال في البحوث النفسية والسلوكية

3.1 تحليل مسارات التدخل العلاجي والقياسات المتكررة

تمثل تصاميم الحالة المفردة (Single-Case Experimental Designs, SCED) ودراسات القياس المتكرر ركناً أساسياً في التقييم الإكلينيكي المعاصر. في هذه الدراسات، يتم تتبع المتغيرات السيكولوجية مثل أعراض القلق أو درجات الاكتئاب أو نوبات الهلع عبر جلسات متتابعة زمنياً لتقييم مدى استجابة المريض للبروتوكول العلاجي المطبق.

يوفر اختبار مان-كيندال للباحثين النفسيين أداة لا معلمية دقيقة لتقييم ما إذا كان التحسن الملاحظ عبر جلسات العلاج النفسي (مثل العلاج المعرفي السلوكي) يعكس مساراً انحدارياً حقيقياً في حدة الأعراض، أم أنه مجرد تقلبات يومية عشوائية. ويضمن الاختبار دقة النتائج حتى مع وجود تباينات واسعة في استجابة المريض بين أسبوع وآخر.

بالإضافة إلى ذلك، يساعد الاختبار في رصد مسارات الانتكاس التدريجي على المدى الطويل عقب إنهاء البرامج العلاجية، مما يمنح المعالجين مؤشرات مبكرة حول تدهور الحالة النفسية قبل الوصول إلى المرحلة الحرجة، وهو ما يسهم في تحسين كفاءة التدخلات الوقائية والتتبعية.

3.2 دراسة التغيرات السلوكية والظواهر النفسية عبر الزمن

يمتد تطبيق اختبار مان-كيندال إلى الدراسات السيكولوجية الطولية على مستوى المنظمات والمجتمعات. ومن أبرز تلك التطبيقات رصد متلازمة الاحتراق النفسي الوظيفي (Job Burnout) لدى الكوادر الطبية والتعليمية على مدار سنوات الخدمة، حيث يتيح الاختبار تقييم الاتجاهات الرتيبة في أبعاد الإنهاك الانفعالي وتراجع الإنجاز الشخصي دون التأثر بمواسم الإجهاد الطارئة.

وفي علم النفس العصبي والشيخوخة (Geropsychology)، يستخدم الاختبار لتقييم التدهور المعرفي الطولي وتتبع وظائف الذاكرة وسرعة المعالجة لدى كبار السن المعرضين للاضطرابات العصبية التنكسية مثل مرض ألزهايمر. تتيح الطبيعة اللامعلمية للاختبار مقارنة دقيقة بين الأفراد الذين تتفاوت قدراتهم الأساسية وتوزيعات درجاتهم الأولية.

كما يطبق الاختبار في دراسة التغيرات المجتمعية الحديثة، كتحليل أنماط استخدام منصات التواصل الاجتماعي ومستويات الرفاه الذاتي والوحدة النفسية عبر فترات زمنية ممتدة، مما يكشف عن التحولات السلوكية التراكمية في العينات السكانية الواسعة.

3.3 ملاءمة الاختبار لطبيعة البيانات السيكومترية

تعتمد الغالبية العظمى من أدوات القياس النفسي والسلوكي على مقاييس ليكرت (Likert Scales) واستبيانات التقدير الذاتي، وهي مقاييس رتبية (Ordinal) بطبيعتها ولا تمثل مقاييس فترية حقيقية ذات مسافات متساوية بدقة. وتعد معاملة هذه الدرجات كمتغيرات كمية معلمية في اختبارات الانحدار الخطي خرقاً شائعاً للافتراضات الإحصائية الكلاسيكية.

يتلاءم اختبار مان-كيندال تماماً مع هذه البنية الرتبية للأدوات السيكومترية، حيث يركز على الرتب والمقارنات الترتيبية دون افتراض فترات متساوية بين الاستجابات (مثل الفارق بين “أوافق بشدة” و”أوافق”). ويحمي هذا المدخل الاستنتاجات العلمية من التضخيم أو التشويه الناتج عن التحولات غير الخطية في المقاييس النفسية.

علاوة على ذلك، تتميز العينات الإكلينيكية بظاهرتي “تأثير السقف” (Ceiling Effect) و”تأثير الأرضية” (Floor Effect)، مما يؤدي إلى التواءات شديدة في توزيع الدرجات. ينجح اختبار مان-كيندال في تجاوز هذه الإشكالات المنهجية بفضل مناعته ضد التوزيعات غير المعتدلة والملتوية، مما يجعله الأداة المثلى في التحليل السيكومتري الطولي.

4. افتراضات وشروط تطبيق اختبار مان-كيندال

4.1 استقلالية المشاهدات الإحصائية

على الرغم من الطبيعة اللامعلمية لاختبار مان-كيندال وتحرره من اشتراطات التوزيع الطبيعي، إلا أنه يستند إلى فرضية جوهرية بالغة الأهمية وهي استقلالية المشاهدات الإحصائية (Independence of Observations). يعني هذا الشرط أن قيمة المتغير في النقطة الزمنية الحالية يجب ألا تتأثر أو ترتبط بقيمته في النقطة الزمنية السابقة خارج إطار الاتجاه العام نفسه.

في القياسات السيكولوجية والبيئية المتتابعة زمنياً، يمثل غياب الارتباط التسلسلي (Serial Independence) شرطاً أساسياً لضمان دقة الاستدلال. وإذا كانت البيانات تعاني من ارتباط تسلسلي إيجابي، فإن ذلك يؤدي إلى تقليل التباين الفعلي المحسوب للإحصائية $S$، مما يترتب عليه تضخيم غير مبرر لقيمة درجة$Z$ المعيارية.

يؤدي هذا التضخيم بدوره إلى زيادة احتمالية الوقوع في الخطأ من النوع الأول (Type I Error)؛ أي رفض الفرضية الصفرية واستنتاج وجود اتجاه رتيب معنوي في حين أن النمط الملاحظ ليس سوى نتاج للتبعية الذاتية للبيانات عبر الزمن. لذلك، يمثل التحقق من هذا الافتراض خطوة أولى لا غنى عنها قبل المضي قدماً في التحليل.

4.2 مستوى قياس المتغيرات واستمرارية الزمن

يتطلب اختبار مان-كيندال أن يكون المتغير التابع مقاساً على الأقل على مستوى ترتيبي رتبي (Ordinal Scale) أو مستوى كمي فتري أو نسبي (Continuous/Interval Scale). لا يمكن تطبيق الاختبار على المتغيرات الاسمية النوعية (Nominal) التي تفتقر إلى إمكانية الترتيب المنطقي المقارن للأزواج.

وفيما يتعلق بالمتغير الزمني المستقل، يجب أن تكون الفترات الزمنية مرتبة ترتيباً تصاعدياً منطقياً ومتتالياً. ورغم أن الاختبار لا يشترط بشكل صارم أن تكون الفترات الزمنية متساوية الأبعاد بدقة متناهية، إلا أن التباعدات الزمنية المنتظمة تعزز من موثوقية وقابلية تعميم النتائج المستخلصة، وتتيح تفسيراً أدق لمعدلات التغير السنوي أو الشهري.

عند وجود مشاهدات متعددة مكررة تم قياسها في النقطة الزمنية ذاتها، يتوجب على الباحث التعامل بحذر إحصائي عبر تطبيق معادلات التباين المعدلة للروابط، أو تلخيص القياسات المكررة في كل فترة زمنية عبر استخدام الوسيط الحسابي لتمثيل تلك النقطة بدقة قبل إجراء الاختبار.

4.3 تأثير الارتباط الذاتي (Autocorrelation) والموسمية

يعد الارتباط الذاتي من الدرجة الأولى (First-order Autoregressive, AR(1)) أحد أبرز التحديات التي تواجه تحليل السلاسل الزمنية باستخدام اختبار مان-كيندال. فالارتباط الذاتي الإيجابي يجعل القيم المتتابعة تميل إلى التشابه والتجمع، مما يولد مظهراً زائفاً للاتجاه، بينما يؤدي الارتباط الذاتي السلبي إلى تقليل فرصة اكتشاف الاتجاهات الحقيقية القائمة (تضخيم الخطأ من النوع الثاني).

إلى جانب الارتباط الذاتي، تتأثر العديد من الظواهر السلوكية والبيئية بتقلبات موسمية دورية منتظمة (Seasonality). على سبيل المثال، تظهر اضطرابات المزاج مثل الاضطراب العاطفي الموسمي تغيرات دورية تتكرر في فصول معينة، مما يشوه نتائج اختبار مان-كيندال البسيط الذي قد يخلط بين التموجات الفصلية والاتجاه طويل الأمد.

لتشخيص هذه الظواهر، يجب على الباحث إجراء فحص أولي للسلسلة الزمنية باستخدام دالة الارتباط الذاتي (Autocorrelation Function, ACF) ودالة الارتباط الذاتي الجزئي (Partial Autocorrelation Function, PACF). وفي حال ثبوت وجود ارتباط ذاتي أو موسمية، ينبغي الانتقال إلى النماذج المعدلة من الاختبار كما سنفصل لاحقاً.

5. إعداد وتجهيز بيئة العمل في لغة R

5.1 تثبيت واستدعاء الحزم الإحصائية المتخصصة

تتمتع بيئة البرمجة الإحصائية R بدعم واسع لتحليلات الاتجاه اللامعلمية من خلال مجموعة متميزة من الحزم المتاحة عبر شبكة مستودعات R الشاملة (CRAN). وتعد حزمة Kendall التي طورها McLeod وحزمة trend التي طورها Pohlert من أبرز الأدوات المتخصصة في هذا المجال.

لتثبيت واستدعاء هذه الحزم بالإضافة إلى حزم المعالجة والتحليل البياني التابعة لمنظومة tidyverse وحزمة التعامل مع التواريخ lubridate، يمكن تنفيذ الأوامر البرمجية التالية في منصة RStudio:

تثبيت الحزم البرمجية:

install.packages(c("Kendall", "trend", "modifiedmk", "tidyverse", "lubridate", "zoo"))

استدعاء الحزم في جلسة العمل:

library(Kendall)
library(trend)
library(modifiedmk)
library(tidyverse)
library(lubridate)
library(zoo)

يضمن استدعاء هذه الحزم التوافق الكامل بين وظائف معالجة البيانات وبناء السلاسل الزمنية وتطبيق الاختبارات الإحصائية وحساب حجوم التأثير المرافقة بسلاسة ودون تضارب في الدوال.

5.2 استكشاف الدوال الرئيسية الخاصة باختبار مان-كيندال

توفر حزمة Kendall الدالة الأساسية MannKendall()، والتي تقبل كمدخل رئيسي متجهاً عددياً أو كائن سلسلة زمنية (ts object). تتميز هذه الدالة بالبساطة والسرعة في حساب إحصائية $S$ ومعامل تاو والقيمة الاحتمالية التقريبية والدقيقة.

في المقابل، تقدم حزمة trend الدالة mk.test()، والتي تعد أكثر تفصيلاً في مخرجاتها؛ حيث توفر تقريراً شاملاً يتضمن إحصائية كيندال $S$، وتباينها$text{Var}(S)$، والدرجة المعيارية$Z$، والقيمة الاحتمالية$ptext{-value}$، بالإضافة إلى تقدير معامل تاو، مما يجعلها مفضلة في التقارير الأكاديمية المفصلة.

يمكن للمستخدم الاطلاع على التوثيق الإحصائي الكامل والمعلمات المدخلة لكل دالة عبر كتابة علامة الاستفهام متبوعة باسم الدالة في وحدة التحكم (Console):

?MannKendall
?mk.test

توضح هذه الوثائق المدمجة الوسائط الاختيارية مثل تعيين نوع الفرضية البديلة (ثنائية أو أحادية الطرف) وتحديد طريقة حساب الاستمرارية في العينات الصغيرة.

5.3 إعداد بيئة العمل واستيراد الملفات

تبدأ الخطوة التنفيذية الأولى بضبط مجلد العمل (Working Directory) لضمان تنظيم مسارات حفظ البيانات والرسوم البيانية الناتجة. يتم ذلك عبر الأمر setwd() أو من خلال واجهة RStudio عبر قائمة Session.

بعد ضبط المجلد، يتم استيراد ملف البيانات سواء كان بصيغة CSV أو Excel باستخدام دوال القراءة المناسبة مثل read_csv() من حزمة readr. عقب الاستيراد، يجب تحويل أعمدة التواريخ إلى فئة Date قياسية باستخدام دوال حزمة lubridate لضمان ترتيبها الزمني الصحيح:

data <- read_csv("psychological_assessment_data.csv")
data$Date <- ymd(data$Date)
data % arrange(Date)

ينصح دائماً بفحص الهيكل العام لمصفوفة البيانات والتأكد من أنواع المتغيرات وسلامة الإدخال باستخدام الدوال التشخيصية الاستكشافية str(data) وsummary(data) وglimpse(data) قبل الشروع في التحليلات الاستنتاجية.

6. تحضير وهيكلة بيانات السلاسل الزمنية النفسية في R

6.1 تحويل البيانات إلى كائنات سلاسل زمنية (ts Objects)

يتطلب التحليل الدقيق للسلاسل الزمنية في بيئة R تحويل المتجهات الرقمية إلى كائنات سلاسل زمنية مهيكلة ومعرفة زمنياً باستخدام الدالة الأساسية ts(). تتيح هذه الدالة تحديد تاريخ البداية وتاريخ النهاية ومعدل التكرار الدوري للبيانات (Frequency).

في السياق السيكومتري والعيادي، تختلف وتيرة القياس باختلاف طبيعة الدراسة. فإذا كانت القياسات أسبوعية، يتم تعيين التردد بالقيمة frequency = 52، وإذا كانت شهرية تعين بالقيمة frequency = 12، بينما تعين القياسات اليومية بالقيمة frequency = 365 (أو 7 في حالة السلاسل الأسبوعية المتكررة يومياً):

bdi_ts <- ts(data$Depression_Score, start = c(2023, 1), frequency = 12)

أما في الحالات التي تكون فيها القياسات غير منتظمة الفترات الزمنية (Irregular Time Series)، فإن استخدام حزمة zoo أو xts يعد الخيار الأمثل، حيث يتم ربط كل مشاهدة نفسية بطابعها الزمني المحدد عبر الدالة zoo(x, order.by = Date) دون إجبار البيانات على فترات دورية وهمية.

6.2 التعامل مع القيم المفقودة والمتطرفة

تشكل القيم المفقودة (NA) تحدياً شائعاً في دراسات المتابعة النفسية الطويلة نتيجة غياب بعض المشاركين عن جلسات التقييم الدوري. يوفر اختبار مان-كيندال ميزة استثنائية بقدرته على العمل في وجود القيم المفقودة؛ إذ تقوم الدوال المخصصة في R بإسقاط أزواج المقارنة التي تتضمن قيماً مفقودة دون التأثير على حساب رتب بقية النقاط الزمنية.

ومع ذلك، ينبغي تشخيص نسبة ونمط الفقدان أولاً. إذا كانت السلسلة تتطلب تحويلاً دورياً، يمكن معالجة الفقدان إما بالحذف الحذر أو باستخدام تقنيات الاستيفاء الخطي الموضعي اللامعلمي عبر دالة na.approx() من حزمة zoo، مع الحذر الشديد من إدخال اتجاهات مصطنعة جراء التعويض الحسابي.

فيما يخص القيم المتطرفة والشاذة، فإن ميزة الاعتماد على دالة الإشارة والرتب في اختبار مان-كيندال تجعل من غير الضروري استبعاد القراءات الحادة الناتجة عن نوبات عيادية حقيقية، حيث لا يؤثر حجم القيمة المطلق على اتجاه الرتبة النسبية، مما يحافظ على نزاهة واكتمال البيانات المدروسة.

6.3 إنشاء مجموعات بيانات تجريبية وسيكولوجية للمحاكاة

لأغراض التدريب العملي والتوضيح المنهجي، سنقوم بإنشاء مجموعة بيانات سيكولوجية محاكاة تمثل تتبع درجات مقياس بيك للاكتئاب الإصدار الثاني (BDI-II) لمريض يخضع لبروتوكول علاجي نفسي مكثف على مدار 50 جلسة أسبوعية متتالية.

سنقوم بتوليد السلسلة بحيث تتضمن اتجاهاً انحدارياً تدريجياً يعكس التحسن الإكلينيكي التدريجي مع تداخل بعض التقلبات العشوائية ونقاط التكرار في الدرجات:

set.seed(12345)
n_sessions <- 50
time_points <- 1:n_sessions
baseline_score <- 42
true_trend <- -0.45 * time_points
random_noise <- rnorm(n_sessions, mean = 0, sd = 3.5)
depression_scores <- round(pmax(0, baseline_score + true_trend + random_noise))
psych_data <- data.frame(Session = time_points, BDI_Score = depression_scores)

توفر هذه البيانات المحاكاة نموذجاً مثالياً لاختبار قدرة الخوارزمية البرمجية على استخراج الاتجاه الرتيب وتقدير معدل التحسن الأسبوعي بدقة.

7. التطبيق العملي الأساسي لاختبار مان-كيندال باستخدام حزمة Kendall

7.1 تنفيذ كود الاختبار البسيط عبر دالة MannKendall

لتطبيق اختبار مان-كيندال الأساسي على درجات الاكتئاب المحاكاة عبر جلسات العلاج النفسي، نستخدم الدالة MannKendall() بتمرير المتجه العددي مباشرة أو كائن السلسلة الزمنية:

mk_result_kendall <- MannKendall(psych_data$BDI_Score)
print(mk_result_kendall)
summary(mk_result_kendall)

عند تشغيل هذا الكود في بيئة R، ينتج كائن إحصائي يحتوي على ثلاثة عناصر محورية: قيمة معامل كيندال تاو (tau)، والقيمة الاحتمالية الدقيقة أو المقاربة (sl أو $p\text{-value}$)، وقيمة الإحصائية كيندال $S$ وتباينها النظري المشتق.

تتميز دالة MannKendall() بقدرتها على اكتشاف وجود الروابط في البيانات تلقائياً وتطبيق التعديل الرياضي اللازم على معادلة التباين، مما يضمن الحصول على نتائج دقيقة دون تدخل يدوي من الباحث في ضبط معاملات التكرار.

7.2 تطبيق الاختبار على مصفوفات متعددة ومتغيرات متزامنة

في العديد من الدراسات النفسية المتعددة الأبعاد، يتم قياس عدة متغيرات سيكولوجية متزامنة في نفس جلسات التقييم (مثل: مقياس الاكتئاب BDI، ومقياس القلق BAI، ومقياس جودة النوم PSQI، واليقظة الذهنية MAAS). يمكن تنفيذ اختبار مان-كيندال على كافة هذه الأبعاد دفعة واحدة وبكفاءة برمجية عالية.

يمكن استخدام الدالة التكرارية lapply() أو دوال حزمة purrr لتطبيق الاختبار عبر أعمدة مصفوفة البيانات، ومن ثم تنظيم النتائج في جدول موحد للمقارنة المنهجية:

multi_psych_data % mutate(BAI_Score = round(pmax(0, 38 - 0.35 * Session + rnorm(50, 0, 4))), Sleep_Disturbance = round(pmax(0, 18 - 0.2 * Session + rnorm(50, 0, 2))))
trend_results <- lapply(multi_psych_data[, -1], MannKendall)
summary_table <- sapply(trend_results, function(res) c(Tau = res$\tau[1], p_value = res$sl[1], S = res$S[1]))
print(t(summary_table))

يتيح هذا النهج البرمجي أتمتة عملية استخراج النتائج لعدة حالات دراسية أو متغيرات متزامنة وتلخيصها في جداول مهيكلة صالحة للدمج المباشر في التقارير الإكلينيكية والأبحاث المنشورة.

7.3 فحص النتائج المباشرة للبيانات النموذجية القياسية

للمقارنة المرجعية وتأكيد صحة المعالجة الحسابية، تشتمل حزمة Kendall على مجموعات بيانات قياسية كلاسيكية مثل مجموعة بيانات PrecipGL التي تتضمن تسجيلات الهطول السنوي للأمطار في منطقة البحيرات العظمى عبر عقود ممتدة:

data(PrecipGL)
precip_mk <- MannKendall(PrecipGL)
print(precip_mk)

يظهر تطبيق الاختبار على هذه البيانات الكلاسيكية سرعة الاستجابة الحسابية للدالة وخلوها من التعقيد، حيث يتم معالجة مئات المشاهدات الزمنية في أجزاء من الثانية. كما تبرز مطابقة النتائج للمراجع الإحصائية القياسية المعتمدة عالمياً موثوقية الخوارزمية المستخدمة في الحزمة وجاهزيتها للتحليلات الإكلينيكية المعقدة.

8. تفسير المخرجات الإحصائية وقيم اختبار مان-كيندال

8.1 قراءة وتفسير القيمة الاحتمالية (p-value)

تعد القيمة الاحتمالية ($p\text{-value}$، وتظهر في مخرجات حزمة Kendall تحت الرمز sl للدلالة على مستوى المعنوية two-sided significance level) المعيار الحاسم لتقييم الدلالة الإحصائية للاتجاه. تعبر هذه القيمة عن احتمال الحصول على إحصائية اتجاه بنفس القوة أو أشد تحت فرضية أن التغيرات الزمنية كانت مجرد تقلبات عشوائية خالصة.

إذا كانت القيمة الاحتمالية الناتجة أقل من مستوى الدلالة المحدد مسبقاً (مثلاً $p < 0.05$ أو $p < 0.01$)، فإننا نرفض الفرضية الصفرية ونستنتج وجود اتجاه رتيب معنوي إحصائياً في السلسلة الزمنية. وفي حالة البيانات المحاكاة للاكتئاب، فإن ظهور قيمة مثل $p < 0.001$ يقدم دليلاً قاطعاً على أن التراجع في درجات الاكتئاب لا يعزى إلى الصدفة الإحصائية.

يجب التمييز بين الاختبار ثنائي الطرف (Two-sided) الذي يختبر وجود أي اتجاه بصرف النظر عن كونه تصاعدياً أو تنازلياً، والاختبار أحادي الطرف (One-sided) الذي يوجه نحو فرضية محددة مسبقاً (مثل فرضية انخفاض الأعراض فقط). في الاختبار أحادي الطرف، تقسم القيمة الاحتمالية الناتجة عن الاختبار الثنائي على 2 إذا كان اتجاه الإحصائية متوافقاً مع اتجاه الفرضية المصاغة.

8.2 تحليل قيمة إحصائية تاو (Tau) والدلالة الاتجاهية

تعبر إشارة معامل كيندال تاو ($tau$) عن الوجهة الاتجاهية لمسار التغير عبر الزمن، بينما يحدد مقداره المطلق قوة وتماسك ذلك المسار الرتيب:

الإشارة الموجبة ($tau > 0$): تدل على مسار تصاعدي رتيب، مما يعني أن قيم المتغير النفسي أو السلوكي تتجه نحو الارتفاع بمرور الوقت (مثل تزايد درجات الاحتراق النفسي، أو تحسن مستوى اليقظة الذهنية).

الإشارة السالبة ($tau < 0$): تدل على مسار تنازلي رتيب، مما يعني انخفاضاً مستمراً في درجات المقياس عبر الوقت (مثل تراجع درجات القلق أو انحسار أعراض الاكتئاب عبر الجلسات العلاجية).

أما من حيث الحجم النسبي، فإن اقتراب القيمة المطلقة لمعامل تاو من الواحد الصحيح يعكس اتجاهاً رتيباً شديد التماسك وقليل التذبذب، بينما تشير القيم المنخفضة (مثلاً $|tau| < 0.20$) إلى وجود اتجاه ضعيف محاط بقدر كبير من التقلبات العشوائية العالية.

8.3 تقييم إحصائية S والتباين المرتبط بها

توفر إحصائية كيندال $S$ نظرة هيكلية مباشرة لمجموع المقارنات الزوجية. إذا كانت قيمة $S$ موجبة وكبيرة، فإن عدد المرات التي كانت فيها القراءة الزمنية اللاحقة أعلى من السابقة يفوق بكثير عدد المرات المعاكسة. والعكس صحيح تماماً إذا كانت قيمة $S$ سالبة وكبيرة.

يسمح فحص تباين الإحصائية $\text{Var}(S)$ والدرجة المعيارية الناتجة $Z$ بتقييم مدى ابتعاد إحصائية $S$ عن مركز التوزيع المتوقع تحت الفرضية الصفرية (الصفر). وكلما تجاوزت القيمة المطلقة للدرجة المعيارية $Z$ القيمة الحرجة 1.96 (عند مستوى معنوية 0.05)، كان الاتجاه راسخاً إحصائياً.

مع ذلك، يجب على الباحثين الحذر من الخلط بين “الدلالة الإحصائية” (Statistical Significance) و”الأهمية الإكلينيكية السريرية” (Clinical Significance)؛ فقد تسفر السلاسل الزمنية الطويلة جداً عن دلالة إحصائية عالية لقيم تاو متناهية الصغر التي لا تعبر عن تغير ذي قيمة في حياة المريض أو في الظاهرة المدروسة.

9. حساب حجم التأثير وميل سين (Sen’s Slope) المرافق للاختبار

9.1 الأساس النظري لمقدر ميل سين اللامعلمي

على الرغم من قدرة اختبار مان-كيندال على تأكيد وجود اتجاه رتيب وتحديد اتجاهه بدقة، إلا أنه لا يقدم تقديراً كمياً لمعدل التغير في كل وحدة زمنية (الحجم العددي للميل). ولسد هذه الفجوة التحليلية، طور الإحصائي براناب كومار سين (Pranab Kumar Sen) عام 1968 مقدراً لا معلمياً فائق القوة يعرف باسم ميل سين (Sen’s Slope Estimator) أو مقدر ثيل-سين (Theil-Sen Estimator).

يعتمد ميل سين على حساب كافة الميول والانحدارات الفردية الممكنة بين كل زوج من النقاط الزمنية في السلسلة عبر المعادلة:

$$Q_i = \frac{x_j – x_k}{j – k} \quad \text{for } 1 le k < j le n$$

يتم بعد ذلك ترتيب كافة الميول المحسوبة $Q_i$ البالغ عددها $N = n(n – 1)/2$ ترتيباً تصاعدياً، ويحدد ميل سين الإجمالي ($Q_{\text{med}}$) بأنه وسيط (Median) هذه الميول كافة.

يتميز مقدر سين بمناعة فائقة ضد القيم المتطرفة والشاذة مقارنة بميل انحدار المربعات الصغرى العادية (OLS)، حيث يمتلك نقطة انهيار (Breakdown Point) تصل إلى حوالي 29%، مما يعني أن ما يقرب من ثلث البيانات يمكن أن تكون ملوثة تماماً بالقيم الشاذة دون أن ينحرف الميل المقدر عن مساره الحقيقي.

9.2 تنفيذ حساب ميل سين في R باستخدام حزمة trend

توفر حزمة trend في R دالة مدمجة ومباشرة لحساب مقدر ميل سين وفترات الثقة المرافقة له بدقة، وهي الدالة sens.slope(). يمكن تطبيق هذه الدالة مباشرة على السلسلة الزمنية كما يلي:

sen_result <- sens.slope(psych_data$BDI_Score, conf.level = 0.95)
print(sen_result)

تستخرج هذه الدالة تقريراً متكاملاً يوضح القيمة التقديرية للميل الوسيط (Sen’s Slope Estimate) مع حدود فترات الثقة 95% (Lower & Upper Confidence Limits) وقيمة الدلالة الإحصائية المقابلة.

في نموذج بيانات الاكتئاب السابقة، إذا أظهر مقدر ميل سين قيمة $Q = -0.46$، فإن التفسير الإكلينيكي المباشر لذلك هو أن المريض يفقد في المتوسط ما يقارب 0.46 درجة على مقياس بيك للاكتئاب مع كل جلسة علاجية أسبوعية متتالية، مع ثقة إحصائية بنسبة 95% بأن معدل التحسن الحقيقي يقع ضمن نطاق الثقة المستخرج (مثلاً بين -0.38 و -0.55).

9.3 الربط التكاملي بين اختبار مان-كيندال وميل سين

يمثل الجمع بين اختبار مان-كيندال ومقدر ميل سين المنهجية المعيارية الذهبية لتحليل الاتجاهات في السلاسل الزمنية الطولية. يجيب اختبار مان-كيندال عن السؤال الاستدلالي: “هل يوجد اتجاه رتيب معنوي عبر الزمن؟”، بينما يجيب ميل سين عن السؤال الكمي التطبيقي: “ما هو الحجم الدقيق وسرعة هذا التغير لكل وحدة زمنية؟”.

في التطبيقات الإكلينيكية، يسمح هذا الربط التكاملي بتقييم سرعة الاستجابة العلاجية (Treatment Velocity) والمقارنة الموضوعية بين بروتوكولات التدخل المختلفة؛ فبروتوكولان علاجيان قد يظهران معنوية إحصائية متماثلة في اختبار مان-كيندال ($p < 0.001$)، لكن أحدهما يمتلك ميل سين مضاعفاً في سرعة تقليص الأعراض، مما يمنحه أفضلية إكلينيكية حاسمة.

يوصى دائماً بصياغة تقرير التحليل الإحصائي ليتضمن قيمة معامل كيندال تاو ($tau$) والقيمة الاحتمالية ($p\text{-value}$) جنباً إلى جنب مع مقدر ميل سين ($Q$) ومجال ثقته، لتقديم صورة متكاملة الدلالة للقارئ والباحث.

10. التعامل مع التحديات الإحصائية: الارتباط الذاتي والموسمية

10.1 اختبار مان-كيندال المعدل للارتباط الذاتي (Modified MK Test)

عندما تكشف الفحوص التشخيصية الاستكشافية (مثل فحص ACF) عن وجود ارتباط تسلسلي إيجابي ذال بين القراءات الزمنية، يصبح تطبيق اختبار مان-كيندال البسيط غير ملائم نظراً لتضخيم احتمالية الخطأ من النوع الأول. ولمعالجة هذه المعضلة، تم تطوير عدة تعديلات منهجية على رأسها نموذج حامد وراو (Hamed & Rao, 1998) ونموذج يوي ووانغ (Yue & Wang, 2004).

يقوم تعديل حامد وراو على حساب معامل تصحيح لتباين الإحصائية $S$ يستند إلى الارتباط الذاتي التجريبي لكافة الرتب المترابطة، وهو ما تتيحه حزمة modifiedmk في بيئة R عبر دالة mmkh() أو mmky():

library(modifiedmk)
mod_mk_result <- mmkh(psych_data$BDI_Score)
print(mod_mk_result)

كما تعتمد طريقة يوي ووانغ البديلة على أسلوب “التقشير الأولي للبيانات المعدل للاتجاه” (Trend-Free Pre-whitening, TFPW)؛ حيث يتم تقدير ميل سين أولاً وإزالته من السلسلة، ثم إزالة الارتباط الذاتي من الدرجة الأولى $AR(1)$ من البواقي المتبقية، ثم إعادة دمج الميل الأصلي وتطبيق اختبار مان-كيندال. يضمن هذا النهج عدم الحصول على دلالات إحصائية زائفة ناجمة عن الذاكرة القصيرة للسلسلة الزمنية.

10.2 اختبار مان-كيندال الموسمي (Seasonal Mann-Kendall Test)

في الحالات التي تظهر فيها السلسلة الزمنية تقلبات فصلية أو دورية منتظمة تكرر نفسها في أوقات محددة من العام، صاغ هيرش وزملاؤه (Hirsch et al., 1982) اختبار مان-كيندال الموسمي (Seasonal Mann-Kendall Test). يقوم هذا الاختبار بإجراء مقارنات مان-كيندال المستقلة بين المشاهدات التي تنتمي لنفس الفصل أو الشهر عبر السنوات المتعاقبة فقط، متجنباً المقارنة المباشرة بين فصول مختلفة.

تجمع بعد ذلك إحصائيات $S_i$ والتباينات المحسوبة لكل فصل لإنتاج إحصائية كلية موحدة تختبر وجود اتجاه عام طويل الأمد يتجاوز التذبذبات الدورية المنتظمة. يمكن تنفيذ هذا الاختبار في R باستخدام دالة SeasonalMannKendall() من حزمة Kendall أو دالة smk.test() من حزمة trend:

seasonal_bdi <- ts(rnorm(120), start = c(2014, 1), frequency = 12)
smk_result <- smk.test(seasonal_bdi)
summary(smk_result)

يعد هذا الاختبار أساسياً عند دراسة الظواهر النفسية الموسمية مثل اضطرابات المزاج المرتبطة بالشتاء، أو تقلبات القبول في العيادات النفسية، حيث يعزل الأثر الفصلي ببراعة عن الاتجاه الهيكلي الحقيقي.

10.3 اختبار التناغم والاتجاه الإقليمي/متعدد العينات (Regional/Multivariate MK)

عند إجراء أبحاث نفسية وسلوكية متعددة المراكز (Multicenter Studies) تمتد عبر عدة عيادات أو مناطق جغرافية مختلفة، يحتاج الباحث إلى تقييم ما إذا كان هناك اتجاه مشترك ومتسق عبر كافة هذه المواقع والمجموعات المستقلة.

يمثل اختبار مان-كيندال الإقليمي أو متعدد المتغيرات (Multivariate/Regional Mann-Kendall) الامتداد الرياضي الشامل للتعامل مع هذه الهياكل متعددة المستويات، حيث يتم تجميع إحصائيات المواقع المختلفة لاختبار الفرضية الصفرية الشاملة بوجود اتجاه متجانس ومتناسق عبر البيئات العلاجية المتعددة.

تساعد هذه التحليلات في بناء استنتاجات سيكولوجية عالية الصدق وقابلة للتعميم على المستوى الوطني أو المجتمعي، مؤكدة أن الاتجاهات المرصودة ليست محصورة في بيئة تجريبية واحدة دون غيرها.

11. التمثيل البصري لاتجاهات السلاسل الزمنية في لغة R

11.1 رسم السلسلة الزمنية وخط اتجاه سين باستخدام ggplot2

يمثل التمثيل البياني عالي الجودة ركيزة محورية في التحليل الاستكشافي وعرض النتائج العلمية. تتيح حزمة ggplot2 بناء رسوم بيانية احترافية تجمع بين تمثيل النقاط الزمنية وتوصيلها، مع إضافة خط اتجاه ميل سين المحسوب كطبقة هندسية صريحة تعكس مسار التغير الفعلي.

لحساب نقطة التقاطع (Intercept) الخاصة بخط ميل سين، نستخدم وسيط القيم المحسوبة مطروحاً منه حاصل ضرب ميل سين في وسيط الزمن، ثم نضيف الخط عبر دالة geom_abline():

sen_slope_val <- sen_result$estimates
sen_intercept <- median(psych_data$BDI_Score) - sen_slope_val * median(psych_data$Session)
p <- ggplot(psych_data, aes(x = Session, y = BDI_Score)) + geom_line(color = "#4A90E2", linewidth = 0.8, alpha = 0.7) + geom_point(color = "#1F3A60", size = 2) + geom_abline(intercept = sen_intercept, slope = sen_slope_val, color = "#D9534F", linewidth = 1.2, linetype = "solid") + labs(title = "مسار تراجع أعراض الاكتئاب عبر جلسات العلاج النفسي", subtitle = paste0("اختبار مان-كيندال: تاو = ", round(mk_result_kendall$tau[1], 2), " | ميل سين = ", round(sen_slope_val, 2), " (p < 0.001)"), x = "رقم الجلسة العلاجية (أسبوعياً)", y = "درجة مقياس بيك للاكتئاب (BDI-II)") + theme_minimal(base_size = 13) + theme(plot.title = element_text(face = "bold", hjust = 1), plot.subtitle = element_text(hjust = 1), axis.title = element_text(face = "bold"))
print(p)

يقدم هذا الرسم البياني رؤية بصرية فورية ودقيقة تجمع بين تذبذبات القراءات الحقيقية والاتجاه العام المصمت، مما يسهل على القارئ استيعاب سرعة وفاعلية المسار الإكلينيكي عبر الوقت.

11.2 تضمين فترات الثقة ومناطق عدم اليقين بيانيًا

لإثراء الرسم البياني بدقة إحصائية أكبر، يفضل تمثيل فترات الثقة (Confidence Intervals) المحيطة بميل سين بيانياً عبر شريط تظليل هندسي (Ribbon) يعكس حدود عدم اليقين الإحصائي في تقدير مسار الاتجاه عبر الزمن.

يتم بناء مصفوفة تنبؤ بالحدود الدنيا والعليا للميل عبر الزمن، ثم استخدام دالة geom_ribbon() في ggplot2 بتظليل شفاف يسمح برؤية البيانات الأصلية:

ci_lower <- sen_result$conf.int[1]
ci_upper <- sen_result$conf.int[2]
psych_data % mutate(Fit = sen_intercept + sen_slope_val * Session, Fit_Lower = (median(BDI_Score) - ci_lower * median(Session)) + ci_lower * Session, Fit_Upper = (median(BDI_Score) - ci_upper * median(Session)) + ci_upper * Session)
p_ci <- ggplot(psych_data, aes(x = Session, y = BDI_Score)) + geom_ribbon(aes(ymin = Fit_Lower, ymax = Fit_Upper), fill = "#D9534F", alpha = 0.2) + geom_line(aes(y = Fit), color = "#D9534F", linewidth = 1) + geom_point(color = "#1F3A60", size = 2) + labs(title = "مسار التغير الإكلينيكي مع فترات الثقة 95% لميل سين", x = "الجلسة", y = "الدرجة") + theme_minimal()
print(p_ci)

يوفر هذا التمثيل الشريطي ثراءً استدلالياً يؤكد للقارئ مدى استقرار التقديرات عبر كافة مراحل السلسلة الزمنية.

11.3 إنشاء لوحات متعددة للمقارنة بين الحالات (Facetting)

في تصاميم الحالات المتعددة (Multiple Baseline Designs) أو عند مقارنة مسارات التدخل لعدة مرضى في آن واحد، تتيح خاصية اللوحات المتعددة (Facetting) عبر دالة facet_wrap() أو facet_grid() في حزمة ggplot2 مقارنة بصرية فورية وموحدة المقاييس بين الحالات المستقلة.

يتم تنظيم البيانات في إطار بيانات طولي (Long Format Data Frame) يحتوي على عمود لمعرف المريض (Patient_ID)، ثم يتم بناء الرسم البياني المقسم:

p_facet <- ggplot(multi_patient_data, aes(x = Session, y = Score)) + geom_line(color = "gray60") + geom_point(aes(color = Patient_ID), show.legend = FALSE) + geom_smooth(method = "lm", se = FALSE, color = "black", linetype = "dashed", linewidth = 0.7) + facet_wrap(~ Patient_ID, ncol = 3, scales = "free_y") + labs(title = "مقارنة مسارات الاستجابة العلاجية عبر الحالات الفردية", x = "الجلسات الأسبوعية", y = "درجة الأعراض") + theme_bw()
print(p_facet)

يمكن تصدير هذه المخططات بدقة فائقة صالحة للنشر في المجلات العلمية المحكمة عبر استخدام الدالة ggsave() وتحديد خيارات الدقة العالية (مثل dpi = 600 و device = cairo_pdf أو tiff).

12. أفضل الممارسات وتوثيق النتائج في الأوراق العلمية وفق معايير APA

12.1 صياغة وتوثيق نتائج اختبار مان-كيندال بأسلوب جمعية علم النفس الأمريكية (APA)

يتطلب توثيق التحليلات اللامعلمية وفق معايير جمعية علم النفس الأمريكية (APA Style – الإصدار السابع) دقة متناهية في كتابة الرموز الإحصائية وإبراز القيم الأساسية للاختبار وحجم التأثير المرافق له. يجب كتابة الرموز الإحصائية بخط مائل مائل (مثل: Z, S, p, $tau$, Q).

تتضمن الفقرة الإحصائية النموذجية توضيحاً لنوع الاختبار المطبق، وإحصائية كيندال S، والدرجة المعيارية Z، وقيمة معامل كيندال تاو $tau$، والقيمة الاحتمالية الدقيقة p، بالإضافة إلى مقدر ميل سين Q وفترات الثقة 95% المصاحبة له.

نموذج نصي محكم لتقرير النتائج باللغة العربية:

«أظهرت نتائج اختبار مان-كيندال للاتجاه (Mann-Kendall Trend Test) وجود اتجاه تنازلي رتيب دال إحصائياً في درجات مقياس بيك للاكتئاب عبر الجلسات العلاجية الخمسين الممتدة، $tau = -0.58$، $S = -710$، $Z = -5.74$، $p < .001$. وأكد مقدر ميل سين اللامعلمي (Sen's Slope) أن معدل الانخفاض في الأعراض بلغ في المتوسط $Q = -0.46$ درجة لكل جلسة علاجية أسبوعية، مع مجال ثقة 95% يتراوح بين $[-0.55, -0.38]$، مما يشير إلى مسار تحسن إكلينيكي مستمر ومطرد عبر مراحل التدخل النفسي.»

12.2 الأخطاء الشائعة والمنهجية وكيفية تجنبها

يقع بعض الباحثين في منزلقات منهجية عند تطبيق اختبار مان-كيندال يجب تجنبها لضمان رصانة البحث العلمي:

• إهمال فحص الارتباط الذاتي: تطبيق الاختبار البسيط على بيانات ذات اعتمادية تسلسلية دون تصحيح التباين أو استخدام التقشير الأولي، مما يضخم الخطأ من النوع الأول.
• تطبيق الاختبار على عينات زمنية متناهية الصغر: تطبيق الاختبار على سلاسل تقل عن 10 نقاط زمنية ($n < 10$) والاعتماد على الدرجة المعيارية $Z$ بدلاً من الجداول الاحتمالية التوزيعية الدقيقة لإحصائية $S$.
• الخلط بين الاتجاهات الرتيبة والدورية: تجاهل التغيرات الموسمية المنتظمة وتطبيق الاختبار البسيط بدلاً من اختبار مان-كيندال الموسمي (Seasonal MK).
• إغفال حساب ميل سين: الاكتفاء بالقيمة الاحتمالية دون تقديم مقدر حجم التأثير ومعدل التغير الزمني.

12.3 إتاحة الكود البرمجي وإعادة الإنتاجية (Reproducibility)

تماشياً مع مبادئ العلم المفتوح (Open Science) وتعزيز الشفافية الأكاديمية وإعادة الإنتاجية الحسابية، يوصى بكتابة كافة خطوات التحليل وإعداد البيانات ضمن مستندات ديناميكية موثقة باستخدام بيئة R Markdown أو Quarto.

يجب دائماً تثبيت البذور العشوائية باستخدام الأمر set.seed() في بداية الأكواد عند استخدام أساليب المحاكاة أو التقشير الأولي للبيانات لضمان تطابق الأرقام عند إعادة التشغيل. كما يستحسن توثيق إصدارات الحزم ولغة R المستخدمة في نهاية التقرير عبر استدعاء الأمر sessionInfo().

ينصح برفع نصوص الأكواد البرمجية ومصفوفات البيانات مجهولة الهوية إلى مستودعات أكاديمية مفتوحة ومعتمدة مثل Open Science Framework (OSF) أو منصة GitHub، مما يتيح للباحثين والمراجعين التحقق المستقل من صحة الخطوات التحليلية والنتائج الإحصائية المنشورة.

خاتمة

يمثل اختبار مان-كيندال للاتجاه، معززاً بمقدر ميل سين، أداة إحصائية وتحليلية متكاملة تجمع بين الدقة الرياضية والمرونة العالية في استكشاف المسارات والاتجاهات عبر السلاسل الزمنية. وتبرز أهميته الاستثنائية في مجالات البحوث النفسية والسريرية والاجتماعية التي تعتمد على بيانات رتبية أو غير معتدلة وتواجه تحديات القيم الشاذة والمتطرفة.

يوفر التطبيق العملي للاختبار في لغة R من خلال حزم متخصصة مثل Kendall وtrend وmodifiedmk بيئة متكاملة تتيح للمحللين والباحثين تجاوز التحديات الإحصائية التقليدية كالارتباط الذاتي والموسمية، وتحقيق أعلى مستويات الرصانة الأكاديمية والتمثيل البصري الفعال، وصولاً إلى توثيق النتائج بما يتوافق بدقة مع المعايير الدولية لجمعية علم النفس الأمريكية (APA).

المراجع (References)

• Hamed, K. H., & Rao, A. R. (1998). A modified Mann-Kendall trend test for autocorrelated data. Journal of Hydrology, 204(1–4), 182–196. https://doi.org/10.1016/S0022-1694(97)00125-X
• Hirsch, R. M., Slack, J. R., & Smith, R. A. (1982). Techniques of trend analysis for monthly water quality data. Water Resources Research, 18(1), 107–121. https://doi.org/10.1029/WR018i001p00107
• Kendall, M. G. (1975). Rank correlation methods (4th ed.). Charles Griffin.
• Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259. https://doi.org/10.2307/1907187
• McLeod, A. I. (2022). Kendall: Kendall rank correlation and Mann-Kendall trend test (R package version 2.2.1). CRAN. https://CRAN.R-project.org/package=Kendall
• Patakamuri, S. K., & O’Brien, N. (2021). modifiedmk: Modified versions of Mann Kendall and Spearman’s Rho trend tests (R package version 1.6). CRAN. https://CRAN.R-project.org/package=modifiedmk
• Pohlert, T. (2023). trend: Non-parametric trend tests and change-point detection (R package version 1.1.6). CRAN. https://CRAN.R-project.org/package=trend
• Sen, P. K. (1968). Estimates of the regression coefficient based on Kendall’s tau. Journal of the American Statistical Association, 63(324), 1379–1389. https://doi.org/10.1080/01621459.1968.10480934
• Yue, S., & Wang, C. (2004). The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series. Water Resources Management, 18(3), 201–218. https://doi.org/10.1023/B:WARM.0000043140.61082.60