كيفية إجراء تحليل التباين المتعدد (MANOVA) في برنامج SPSS

تعد النمذجة الإحصائية المتقدمة حجر الزاوية في الأبحاث السلوكية والاجتماعية والتربوية المعاصرة، حيث نادراً ما تقتصر الظواهر الإنسانية المعقدة على متغير تابع واحد معزول عن سياقه النفسي والبيئي. إن دراسة السلوك البشري تتطلب فحصاً متكاملاً لمصفوفة من الاستجابات المترابطة التي تتفاعل ديناميكياً مع المتغيرات المستقلة أو التدخلات العلاجية والتجريبية. ومن هنا تبرز الحاجة المنهجية إلى أدوات إحصائية تتجاوز حدود التحليلات أحادية المتغير (Univariate) لتستوعب الطبيعة التعددية للسمات المقاسة، وتوفر فهماً شاملاً للبنية الكامنة وراء الفروق الفردية والجماعية.

يمثل تحليل التباين المتعدد (Multivariate Analysis of Variance – MANOVA) أحد أقوى الأساليب الإحصائية المعلمية المتطورة المصممة خصيصاً لاختبار الفروق بين مجموعتين أو أكثر عبر متغيرين تابعين كميين أو أكثر في وقت واحد. يتيح هذا الاختبار للباحثين ليس فقط تقييم التأثيرات الشاملة للمتغيرات التجريبية، بل أيضاً استيعاب العلاقات المتبادلة والارتباطات البينية القائمة بين المتغيرات التابعة، وهو ما تعجز عنه اختبارات التباين الأحادية التقليدية (ANOVA). كما يحمي هذا الأسلوب التحليلي الباحث من الوقوع في فخ التضخم العشوائي لأخطاء القرار الإحصائي عند فحص المتغيرات بصورة منفصلة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفصيل منهجي وتطبيقي عميق لكيفية إجراء وفهم وتفسير اختبار MANOVA باستخدام حزمة البرامج الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics). سنغطي في هذه المقالة الأسس النظرية والرياضية للاختبار، والافتراضات الإحصائية الصارمة وطرق التحقق منها، وخطوات التنفيذ البرمجي خطوة بخطوة، وقراءة الجداول والمخرجات المعقدة بدقة، وكيفية توثيق النتائج وفقاً لأحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition)، مما يوفر مرجعاً أكاديمياً متكاملاً لطلاب الدراسات العليا والباحثين المتخصصين.

1. مقدمة شاملة لتحليل التباين المتعدد (MANOVA) وسياقه في البحوث النفسية

1.1 المفهوم النظري لتحليل التباين المتعدد

يُعرف تحليل التباين المتعدد (MANOVA) بأنه امتداد متعدد المتغيرات لاختبار تحليل التباين الأحادي (ANOVA). فبينما يختبر ANOVA الفروق في المتوسطات الحسابية لمتغير تابع كمي واحد عبر مستويات متغير مستقل فئوي، يقوم MANOVA بتقييم الفروق الإحصائية بين المجموعات عبر متجهات المتوسطات (Centroids أو Mean Vectors) لمجموعة من المتغيرات التابعة المستمرة في آن واحد. ينطلق هذا التحليل من افتراض جوهري مفاده أن المتغيرات التابعة تشترك في تباين كامن، وتتداخل وظيفياً ومفاهيمياً في تمثيل البنية النفسية أو السلوكية المستهدفة بالقياس.

يقوم الأساس الرياضي لاختبار MANOVA على تحويل المتغيرات التابعة الفردية الملحوظة إلى متغير مركب جديد غير ملحوظ (Synthetic Variable or Composite Variable) عبر عملية الدمج الخطي الأمثل (Optimal Linear Combination). تهدف هذه العملية إلى إيجاد أوزان رياضية محددة لكل متغير تابع تعمل على تعظيم التباين بين المجموعات التجريبية أو التصنيفية (Between-groups variance) مقارنة بالتباين الداخلي داخل المجموعات (Within-groups variance)، مما يعزز قدرة النموذج على كشف الفروق الحقيقية التي قد تظل كامنة أو غير مرئية عند دراسة كل متغير بشكل منفصل ومستقل.

يكتسب اختبار MANOVA أهمية استثنائية في دراسة الظواهر النفسية والسلوكية المعقدة متعددة الأبعاد، مثل الاضطرابات النفسية، والذكاء العاطفي، والاحتراق الوظيفي، والتحصيل الأكاديمي. فالظاهرة الإنسانية نادراً ما تتجلى في مؤشر أحادي؛ فالصحة النفسية مثلاً تتضمن أبعاداً متزامنة كالقلق، والاكتئاب، والرضا عن الحياة، والصلابة النفسية. إن دمج هذه الأبعاد في نموذج تحليلي واحد يعكس الواقع التجريبي بدقة تامة ويسمح بدراسة الصورة الكلية للسلوك البشري دون تجزئة تفقد البيانات قيمتها الديناميكية التفاعلية.

1.2 دواعي استخدام MANOVA في علم النفس والعلوم التربوية

تتعدد التطبيقات البحثية لاختبار MANOVA في العلوم النفسية والتربوية، ويأتي في مقدمتها تقييم الفاعلية الشاملة للبرامج العلاجية والتدخلات النفسية والسلوكية. فعند تطبيق برنامج علاجي معرفي سلوكي (CBT) لعلاج اضطرابات المزاج، لا يكتفي الباحث بقياس انخفاض أعراض الاكتئاب فحسب، بل يحتاج إلى رصد التغيرات المتزامنة في مستويات القلق العام، وتقدير الذات، والصلابة النفسية، ومهارات التنظيم الانفعالي. يوفر MANOVA إمكانية تقييم الأثر الكلي المتكامل للبرنامج على هذه المصفوفة السلوكية المترابطة دفعة واحدة، مما يعطي حكماً موضوعياً على كفاءة التدخل النفسي عبر استجابات متعددة.

كما يُستخدم التحليل على نطاق واسع في دراسة تأثير المتغيرات الديموغرافية والاجتماعية والتعليمية (مثل النوع الاجتماعي، والمستوى الاجتماعي الاقتصادي، ونمط التنشئة الأسرية، وطرق التدريس الحديثة) على السمات الشخصية المعقدة والمهارات الإدراكية المتعددة. يتيح ذلك للباحثين التربويين معرفة ما إذا كانت بيئة التعلم القائمة على المشاريع، على سبيل المثال، تسهم في تحسين التحصيل الرياضي، والتفكير الناقد، والدافعية الذاتية للتعلم في آن معاً، بدلاً من اختبار كل ناتج تعلم بشكل معزول.

من أهم الدواعي المنهجية لتطبيق MANOVA هو تجنب مشكلة تضخم خطأ النوع الأول (Type I Error Inflation). فعندما يعمد الباحث إلى إجراء اختبارات تباين أحادية متعددة (Separate ANOVAs) لكل متغير تابع على حدة، تتراكم احتمالية رفض الفرضية الصفرية الصحيحة عن طريق الصدفة البحتة، مما يؤدي إلى استنتاجات خاطئة حول وجود فروق دالة إحصائياً. يوفر MANOVA فحصاً كلياً شاملاً (Omnibus Test) بمستوى ألفا ثابت ومضبوط، حامياً الدراسة من النتائج الإيجابية الكاذبة قبل الانتقال إلى الفحوصات التفصيلية اللاحقة.

1.3 أنواع تحليل التباين المتعدد

ينقسم تحليل التباين المتعدد إلى عدة نماذج إحصائية وفقاً لطبيعة التصميم التجريبي وعدد المتغيرات المستقلة والضابطة، وأول هذه النماذج هو تحليل التباين المتعدد أحادي الاتجاه (One-Way MANOVA). يُستخدم هذا النموذج عندما يمتلك الباحث متغيراً مستقلاً فئوياً واحداً يحتوي على مستويين أو أكثر (مثل: طرق التدريس: تقليدية، مدمجة، تفاعلية)، ويرغب في مقارنة تأثير هذه المستويات على متغيرين تابعين كميين أو أكثر (مثل: التحصيل الدراسي، ومستوى القلق من الاختبار، ودافعية الإنجاز). يهدف هذا الاختبار إلى فحص ما إذا كانت متجهات المتوسطات تختلف باختلاف مستويات العامل المستقل الواحد.

أما النموذج الثاني فهو تحليل التباين المتعدد العاملي (Factorial MANOVA)، والذي يمتد ليشمل متغيرين مستقلين فئويين أو أكثر (Factors). يتيح هذا التصميم للباحث فحص التأثيرات الأساسية (Main Effects) لكل متغير مستقل على حدة عبر المتغيرات التابعة المدمجة، بالإضافة إلى اختبار التأثير التفاعلي (Interaction Effect) بين المتغيرات المستقلة. يكتسب هذا النموذج أهمية بالغة في علم النفس التنموي والتجريبي؛ كأن ندرس مثلاً تفاعل متغير “النوع الاجتماعي” (ذكور/إناث) مع متغير “نوع التدخل النفسي” (علاجي/دوائي/مزدوج) على كل من مؤشرات التكيف الاجتماعي، والتحصيل المعرفي، والاستقرار النفسي معاً.

النموذج المتقدم الثالث هو تحليل التباين المشترك المتعدد (MANCOVA – Multivariate Analysis of Covariance)، وهو يجمع بين خصائص MANOVA والانحدار الخطي المتعدد. يُطبق هذا النموذج عندما توجد متغيرات كمية متصلة دخيلة أو مصاحبة (Covariates) قد تؤثر على المتغيرات التابعة ولكنها ليست جزءاً من التلاعب التجريبي الأساسي (مثل: العمر، أو معامل الذكاء السابق، أو القياس القبلي للمتغيرات). يقوم MANCOVA بضبط هذه المتغيرات المصاحبة إحصائياً وإزالة تباينها من حدود الخطأ، مما يعزز دقة الاختبار والقوة الإحصائية (Statistical Power) في كشف الفروق الصافية الناجمة عن المعالجة التجريبية.

2. الفروق الجوهرية بين ANOVA و MANOVA ومبررات الاستخدام الإحصائي

2.1 المقارنة الرياضية والمفاهيمية بين ANOVA و MANOVA

يكمن الاختلاف الجوهري بين ANOVA و MANOVA في بنية البيانات والمعالجة الجبرية للمتغيرات. يعتمد تحليل ANOVA الأحادي على التعامل مع قيم رقمية عددية أحادية البعد (Scalar Values)، حيث يتم تقسيم التباين الكلي لمتغير تابع منفرد إلى تباين بين المجموعات وتباين داخل المجموعات عبر حساب مجموع المربعات (Sum of Squares). في المقابل، يتعامل MANOVA مع مصفوفات التباين والتغاير (Variance-Covariance Matrices) وحساب متجهات التباين متعددة الأبعاد (SSCP – Sum of Squares and Cross-Products Matrices)، مما يمكنه من معالجة العلاقات المتشابكة والتغاير المشترك بين المتغيرات التابعة المتعددة في وقت واحد.

تختلف طبيعة الفرضيات الصفرية (Null Hypotheses) في كلا النموذجين اختلافاً جذرياً. في اختبار ANOVA الأحادي، تكون الفرضية الصفرية أحادية البعد وتنص على تساوي المتوسطات الحسابية المنفردة عبر المجموعات:

$$H_0: \mu_1 = \mu_2 = dots = \mu_k$$

بينما في اختبار MANOVA، تأخذ الفرضية الصفرية شكلاً متجهياً يضم جميع المتغيرات التابعة المقاسة، وتنص على تساوي متجهات المتوسطات (Centroids) عبر المجموعات المستقلة:

$$H_0: \mathbf{\mu}_1 = \mathbf{\mu}_2 = dots = \mathbf{\mu}_k$$

حيث يمثل كل متجه $\mathbf{\mu}_j$ مجموعة من المتوسطات الحسابية لجميع المتغيرات التابعة للمجموعة $j$.

يتميز MANOVA رياضياً بقدرته على اشتقاق تركيبات خطية مثلى (Optimal Linear Combinations) للمتغيرات التابعة، وهو ما يُعرف في الأدبيات بالدوال التمييزية (Canonical Discriminant Functions). تقوم هذه الخوارزمية بتعيين أوزان محددة ($a_1, a_2, dots, a_p$) لكل متغير تابع ($Y_1, Y_2, dots, Y_p$) لتكوين متغير مركب ($Y_{synthetic} = a_1 Y_1 + a_2 Y_2 + dots + a_p Y_p$) يعمل على زيادة التباعد بين متجهات المجموعات إلى أقصى حد ممكن مقارنة بالانتشار الداخلي للمجموعات، وهو ما يجعل الاختبار حساساً للفروق النمطية والتركيبية التي لا تستطيع الاختبارات الأحادية التقاطها بصورة فردية.

2.2 مشكلة تضخم معدل الخطأ العائلي (Familywise Error Rate)

عندما يسعى الباحث إلى مقارنة مجموعات تجريبية عبر عدد من المتغيرات التابعة (وليكن $p$ من المتغيرات) باستخدام سلسلة من اختبارات ANOVA الأحادية المنفصلة، فإنه يقع في معضلة إحصائية كبرى تُعرف بتضخم معدل الخطأ من النوع الأول أو الخطأ العائلي (Familywise Error Rate – $\alpha_{FW}$). إن تثبيت مستوى الدلالة المعنوية عند $\alpha = 0.05$ لكل اختبار منفرد يعني أن احتمال عدم الوقوع في الخطأ في اختبار واحد هو $(1 – 0.05) = 0.95$. ولكن عند إجراء $k$ من الاختبارات المستقلة، يتناقص احتمال عدم الوقوع في أي خطأ عبر جميع الاختبارات وفق المعادلة التالية:

$$\alpha_{FW} = 1 – (1 – \alpha)^k$$

فإذا كان لدى الباحث أربعة متغيرات تابعة وأجرى أربعة اختبارات ANOVA منفصلة بمستوى $\alpha = 0.05$، فإن معدل الخطأ العائلي الفعلي يرتفع إلى:

$$\alpha_{FW} = 1 – (1 – 0.05)^4 = 1 – (0.95)^4 \approx 1 – 0.8145 = 0.1855 \text{ (أي } 18.55% \text{)}$$

وهذا يعني وجود فرصة تقارب $19%$ لارتكاب خطأ من النوع الأول واكتشاف فروق وهمية لا وجود لها في المجتمع الأصلي.

يوفر اختبار MANOVA حماية إحصائية متقدمة ضد هذه الظاهرة، حيث يقوم باختبار الفرضية الصفرية الشاملة لجميع المتغيرات التابعة ككل في عملية تحليلية موحدة تحافظ على معدل الخطأ الكلي عند المستوى المحدد بدقة (مثلاً $\alpha = 0.05$). وإذا لم تظهر النتيجة المتعددة أي دلالة إحصائية، يتوقف الباحث عن إجراء أي اختبارات إضافية، مما يمنع النشر المضلل للنتائج الإيجابية الزائفة. ومع ذلك، تجدر الإشارة إلى أن الحماية الإحصائية لـ MANOVA تكون في أعلى مستوياتها عندما تكون المتغيرات التابعة مترابطة باعتدال، بينما تفقد جزءاً من كفاءتها الحسابية إذا كانت المتغيرات التابعة شديدة الارتباط أو غير مترابطة على الإطلاق.

2.3 الاعتبارات المنهجية لاختيار MANOVA بدلاً من ANOVA

لا يقتصر قرار استخدام MANOVA على مجرد الرغبة في تقليل أخطاء القياس الإحصائي، بل ينبع في المقام الأول من مبررات منهجية ونظرية عميقة. أول هذه المبررات هو وجود ترابط منطقي ومفاهيمي معتبر بين المتغيرات التابعة داخل الإطار النظري للدراسة. يجب أن تمثل المتغيرات التابعة جوانب مختلفة ولكنها متكاملة لبنية سيكولوجية أو تربوية واحدة؛ كأن نقيس أبعاد جودة الحياة (النفسية، والجسدية، والاجتماعية، والبيئية). إذا كانت المتغيرات التابعة غير مترابطة نظرياً ولا تشترك في خلفية معرفية موحدة، فإن دمجها في تحليل MANOVA يصبح غير مبرر منهجياً وقد يؤدي إلى تشويه المعنى العلمي للنتائج.

المبرر الثاني هو قدرة MANOVA الفائقة على رصد التأثيرات المتجمعة الكلية متناهية الصغر (Small Cumulative Effects). في بعض السيناريوهات التجريبية، قد يمارس المتغير المستقل تأثيراً طفيفاً وغير دال إحصائياً على كل متغير تابع بمفرده عند فحصه عبر ANOVA أحادي، مما يقود الباحث إلى استنتاج خاطئ بعدم جدوى المعالجة التجريبية. ولكن عند تجميع هذه التأثيرات الطفيفة المترابطة خطياً ضمن MANOVA، تتضافر الفروق الجزئية لتنتج فرقاً كلياً دالاً إحصائياً على مستوى المتجه العام للمتوسطات، وهو ما يكشف النقاب عن التأثير الحقيقي للتدخل السلوكي.

أخيراً، يفرض السؤال البحثي في العلوم السلوكية المتقدمة فهماً شمولياً للاستجابة النفسية المتعددة الأبعاد. إن عزل الاستجابات في اختبارات منفصلة يتجاهل الطبيعة المعقدة للسلوك الإنساني التي تتصف بالتفاعل والتأثير المتبادل. يتيح MANOVA للباحث دراسة الكيفية التي يتغير بها النظام النفسي ككل استجابة لتغير الظروف المحيطة، وهو ما يعزز الصدق البيئي (Ecological Validity) والصدق البنائي (Construct Validity) لنتائج البحث الأكاديمي.

3. الافتراضات الإحصائية المسبقة لاختبار MANOVA وشروط التحقق

3.1 استقلالية المشاهدات ومستوى قياس المتغيرات

تعتبر استقلالية المشاهدات (Independence of Observations) من أهم الافتراضات الرياضية على الإطلاق في النماذج الخطية العامة وتحليل MANOVA تحديداً، ويعد انتهاك هذا الافتراض من أخطر المشكلات التي تؤدي إلى بطلان قيم اختبارات الدلالة الإحصائية ومستويات ألفا المقدرة. يتطلب هذا الافتراض أن تكون درجات واستجابات كل مشارك في العينة مستقلة استقلالاً تاماً عن استجابات المشاركين الآخرين، بحيث لا يؤثر أداء أو رأي أي فرد على فرد آخر داخل نفس المجموعة أو عبر المجموعات المختلفة. يتحقق هذا الافتراض أساساً من خلال التصميم التجريبي الرصين، وضمان العشوائية في اختيار العينات وتوزيعها، وعزل المشاركين أثناء تطبيق أدوات القياس والاستبيانات لتجنب الارتباط الذاتي أو التأثير التفاعلي داخل المجموعات.

أما من حيث شروط ومستويات قياس المتغيرات، فيتطلب اختبار MANOVA تصنيفاً محدداً لبنية المتغيرات في النموذج. يجب أن تكون جميع المتغيرات التابعة (Dependent Variables) مقاسة على مستوى مقياس كمي متصل، أي على مستوى مقياس الفترة (Interval Scale) أو مقياس النسبة (Ratio Scale)، مثل مقاييس التقدير المتدرجة للاختبارات النفسية، أو أزمنة الاستجابة، أو الدرجات الخام للتحصيل الدراسي. لا يجوز استخدام متغيرات تابعة رتبية محدودة الدرجات أو فئوية اسمية في تحليل MANOVA التقليدي.

في المقابل، يجب أن يكون المتغير المستقل (Independent Variable) – أو المتغيرات المستقلة في النماذج العاملية – متغيراً فئوياً تصنيفياً (Categorical/Nominal Scale) يتضمن مستويين تجريبيين أو تصنيفيين أو أكثر (مثل: مجموعة تجريبية، مجموعة ضابطة نشطة، مجموعة ضابطة غير نشطة). كما يشترط أن يكون عدد الحالات في كل خلية (Cell) من خلايا التصميم أكبر من عدد المتغيرات التابعة المدرجة في التحليل، ويفضل إحصائياً ألا يقل حجم العينة داخل أي خلية فرعية عن 20 حالة على الأقل لضمان متانة الحسابات المصفوفية واستقرار تقديرات التباين.

3.2 التوزيع الطبيعي المتعدد (Multivariate Normality)

يقوم اختبار MANOVA على افتراض أن مصفوفة المتغيرات التابعة تتبع التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution) داخل كل مجموعة من مجموعات المتغير المستقل. يعني هذا الافتراض رياضياً أن كل متغير تابع بمفرده يتبع التوزيع الطبيعي الأحادي (Univariate Normality)، وأن كل توليفة خطية ممكنة من المتغيرات التابعة تتبع أيضاً توزيعاً طبيعياً معتدلاً، بالإضافة إلى أن التوزيع المشترك لأي زوج من المتغيرات يتخذ شكلاً بيضاوياً متناظراً ثلاثي الأبعاد.

نظراً لصعوبة التحقق المباشر من التوزيع الطبيعي متعدد المتغيرات في البرامج الإحصائية التقليدية مثل SPSS، فإن الممارسة القياسية المعتمدة تبدأ بفحص التوزيع الطبيعي الأحادي لكل متغير تابع داخل كل مجموعة تجريبية على حدة. يتم ذلك باستخدام الاختبارات المعلمية الصارمة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) والذي يعد الأفضل للعينات الصغيرة والمتوسطة ($N .05$) إلى سلامة التوزيع واعتداليته.

بالإضافة إلى الاختبارات الرسمية، يحلل الباحثون المؤشرات الوصفية للتوزيع، وعلى رأسها معاملي الالتواء (Skewness) والتفرطح (Kurtosis). تُعد البيانات مقبولة إحصائياً وقريبة من الاعتدالية إذا وقعت قيم الالتواء والتفرطح المعيارية (Z-scores) ضمن النطاق المرجعي بين $+1.96$ و $-1.96$ عند مستوى دلالة $0.05$. ومع ذلك، يتميز اختبار MANOVA بمتانة نسبية (Robustness) ضد انتهاك اعتدالية التوزيع في العينات الكبيرة والمتساوية في الحجم، استناداً إلى نظرية النهاية المركزية (Central Limit Theorem) التي تضمن تقارب توزيع المتوسطات نحو الاعتدالية كلما زاد حجم العينة الإجمالي.

3.3 تجانس مصفوفات التباين والتباين المشترك (Homogeneity of Covariance Matrices)

يعد افتراض تجانس مصفوفات التباين والتغاير (Homogeneity of Covariance Matrices) من أكثر الافتراضات حساسية وأهمية في اختبار MANOVA، وهو الامتداد متعدد المتغيرات لافتراض تجانس التباين الأحادي (Homogeneity of Variance). يتطلب هذا الافتراض أن تكون مصفوفات التباين والتغاير للمتغيرات التابعة متساوية ومتطابقة عبر جميع مستويات ومجموعات المتغير المستقل، أي أن التباين الخاص بكل متغير تابع، وكذلك التباين المشترك (Covariance) بين كل زوج من المتغيرات التابعة، يظل ثابتاً ولا يختلف جوهرياً من مجموعة إلى أخرى داخل المجتمع الإحصائي.

يتم اختبار هذا الافتراض في برنامج SPSS باستخدام اختبار بوكس إم (Box’s M Test of Equality of Covariance Matrices). يقوم هذا الاختبار بفحص الفرضية الصفرية القائلة بأن مصفوفات التباين والتغاير متساوية عبر المجموعات المقارنة:

$$H_0: \mathbf{\Sigma}_1 = \mathbf{\Sigma}_2 = dots = \mathbf{\Sigma}_k$$

ولكن يُعرف اختبار بوكس إم في الأدبيات الإحصائية بأنه اختبار شديد الحساسية (Extremely Sensitive) لأي انحراف طفيف عن اعتدالية التوزيع، مما قد يؤدي إلى رفض فرضية التجانس بشكل متكرر حتى عندما تكون الفروق بين المصفوفات غير مؤثرة عملياً.

نظراً لهذه الحساسية المفرطة، أوصى علماء الإحصاء القياسي (مثل Tabachnick & Fidell) بتبني معيار دلالة أكثر صرامة وتحفظاً عند الحكم على نتائج اختبار Box’s M، وهو مستوى معنوية $\alpha = 0.001$ بدلاً من المستوى المعتاد $0.05$. فإذا كانت القيمة الاحتمالية لاختبار بوكس أكبر من هذا المستوى ($p > .001$)، يتم قبول الفرضية الصفرية وتأكيد تحقق افتراض تجانس المصفوفات بأمان. أما إذا كانت القيمة أقل من ذلك ($p < .001$)، فإن الافتراض يعتبر منتهكاً، ويتعين على الباحث حينها اتخاذ تدابير تصحيحية أو الاعتماد على مؤشرات إحصائية بديلة تتسم بالمتانة والصلابة في قراءة النتائج.

3.4 الخطية، وتعدد الارتباط الخطي، والقيم المتطرفة

يقوم التحليل التبايني المتعدد على افتراض وجود علاقات خطية مستقيمة (Linearity) بين جميع أزواج المتغيرات التابعة المقاسة داخل كل مجموعة من مجموعات الدراسة. بما أن MANOVA يقوم بدمج المتغيرات التابعة خطياً لتعظيم التباين بين المجموعات، فإن وجود علاقات غير خطية (Curvilinear Relationships) يؤدي إلى تقليص القوة الإحصائية للاختبار وفشل النموذج في استيعاب التباين الكلي المشترك بين المتغيرات. يتم التحقق من هذا الافتراض عادة من خلال فحص مصفوفة الرسوم البيانية للتشتت الثنائي (Bivariate Scatterplot Matrices) والتأكد من اتخاذ نقاط البيانات أنماطاً بيضاوية خطية متجانسة.

من ناحية أخرى، تمثل ظاهرة تعدد الارتباط الخطي المرتفع جداً (Multicollinearity) أو الانفرادية (Singularity) خطراً رياضياً داهماً على استقرار حسابات المصفوفات في MANOVA. يحدث تعدد الارتباط الخطي عندما ترتبط المتغيرات التابعة ببعضها البعض بدرجة فائقة الارتفاع ($r > .90$)، مما يعني أنها تقيس نفس السمة النفسية وتكرر نفس المعلومات دون تقديم أي قيمة مضافة للنموذج. يؤدي هذا التداخل الشديد إلى صعوبة قلب المصفوفات الرياضية (Matrix Inversion) وتضخم أخطاء القياس؛ لذا يفضل أن تكون الارتباطات بين المتغيرات التابعة معتدلة ومتوازنة وتتراوح في النطاق المثالي بين $r = .20$ و $r = .80$.

أخيراً، يؤثر وجود القيم المتطرفة متعددة المتغيرات (Multivariate Outliers) بشكل مدمر على حسابات المتوسطات ومصفوفات التغاير وقيم الدلالة في MANOVA. فالقيمة المتطرفة متعددة المتغيرات هي تلك الحالة التي تمتلك توليفة غير اعتيادية وشاذة من الدرجات عبر عدة متغيرات تابعة في وقت واحد، حتى لو كانت درجاتها الفردية على كل متغير تبدو طبيعية تماماً. يتم رصد هذه الحالات المتطرفة بدقة باستخدام مقياس مسافة ماهالانوبيس (Mahalanobis Distance)، والتي تقيس بعد كل مشاهدة عن المركز الهندسي المتعدد لمتجهات المتوسطات مع أخذ مصفوفة التغاير بعين الاعتبار، مما يتيح استبعادها أو معالجتها قبل الشروع في التحليل النهائي.

4. إعداد البيانات وهيكلتها في برنامج SPSS قبل التحليل

4.1 تهيئة شاشة متغيرات البيانات (Variable View)

تعد مرحلة تهيئة شاشة متغيرات البيانات (Variable View) في برنامج SPSS الخطوة الأساسية لضمان سلامة العمليات التحليلية وتجنب أخطاء المعالجة الرقمية. يجب على الباحث تعريف كل متغير بدقة متناهية من خلال تحديد اسمه الرمزي (Name) وتسميته الوصفية الموسعة (Label) لضمان وضوح المخرجات والجداول اللاحقة. يجب ضبط نوع البيانات (Type) لجميع المتغيرات التابعة والمستقلة كمتغيرات رقمية (Numeric)، مع تحديد عرض العمود وعدد الخانات العشرية (Decimals) بما يتوافق مع طبيعة الدقة المطلوبة لأدوات القياس النفسي المستخدمة (عادة خانتان عشريتان للمتغيرات التابعة، وصفر للمتغير المستقل الفئوي).

تتطلب المتغيرات المستقلة الفئوية إدخال ترميز واضح وتسميات دقيقة في عمود القيم (Values). على سبيل المثال، إذا كان المتغير المستقل يمثل “نوع التدخل العلاجي”، فيجب ترميز مستوياته رقمياً وتسميتها بوضوح كالتالي:

• القيمة 1: المجموعة الضابطة (Control Group)
• القيمة 2: العلاج المعرفي السلوكي (CBT Group)
• القيمة 3: العلاج الدوائي المزدوج (Combined Therapy)

يسهل هذا التكويد المنهجي قراءة الجداول الإحصائية وتفسير المقارنات البعدية دون أي التباس في هوية المجموعات.

من الضروري جداً ضبط مستوى القياس الإحصائي بدقة في عمود القياس (Measure). يجب ضبط مستوى القياس للمتغيرات التابعة الكمية كمتغيرات مقياس (Scale)، بينما يُضبط مستوى القياس للمتغير المستقل التصنيفي كمتغير اسمي (Nominal) أو رتبي (Ordinal) حسب طبيعة المتغير. يضمن هذا الضبط السليم قيام برنامج SPSS بتطبيق الخوارزميات الحسابية المتوافقة مع النماذج الخطية العامة وتفعيل القوائم والاختيارات الإحصائية المناسبة لتحليل MANOVA بسلاسة وكفاءة تامة.

4.2 فحص البيانات والتعامل مع القيم المفقودة (Missing Values)

تمثل البيانات المفقودة (Missing Data) تحدياً منهجياً حرجاً في التحليلات متعددة المتغيرات، حيث تؤدي معالجة الحالات الناقصة بشكل غير سليم إلى فقدان هائل في حجم العينة الفعلي وانحيازات محتملة في تقديرات المعالم الإحصائية. تبدأ عملية فحص البيانات بإجراء استكشاف أولي للتكرارات والنسب المئوية للقيم المفقودة عبر القائمة Analyze > Descriptive Statistics > Frequencies، أو من خلال تشغيل وحدة فحص القيم المفقودة المتخصصة (Missing Value Analysis) لتقييم حجم ونمط البيانات الغائبة عبر جميع المتغيرات التابعة والمستقلة.

تعتمد الاستراتيجية المناسبة للتعامل مع البيانات المفقودة على طبيعة وآلية فقدانها. يجب التحقق أولاً مما إذا كانت البيانات مفقودة بصورة عشوائية تامة (Missing Completely at Random – MCAR) باستخدام اختبار ليتل (Little’s MCAR Test). إذا كانت نتيجة الاختبار غير دالة إحصائياً ($p > .05$)، فإن الفقدان يُعد عشوائياً تماماً، ولا يشكل خطراً كبيراً على صدق النتائج، مما يسمح للباحث بالاختيار بين عدة استراتيجيات للمعالجة استناداً إلى نسبة الفقد الإجمالية وحجم العينة المتاحة.

في الحالات التي تكون فيها نسبة البيانات المفقودة ضئيلة جداً (أقل من $5%$ من إجمالي المشاهدات)، يُعد أسلوب الحذف الكلي للحالة (Listwise Deletion) هو الخيار الافتراضي والأكثر أماناً في SPSS، حيث يتم استبعاد أي مشارك يمتلك قيمة مفقودة واحدة في أي من المتغيرات المدرجة في النموذج. أما إذا كانت نسبة الفقد ملحوظة (تتراوح بين $5%$ و $20%$)، فإن استخدام أساليب التعويض الرياضي المتقدم، مثل خوارزمية تعظيم التوقع (Expectation-Maximization – EM) أو التعويض المتعدد (Multiple Imputation)، يوفر تقديراً أكثر دقة وثباتاً لمعالم المجتمع ويحافظ على القوة الإحصائية للتحليل دون إهدار للبيانات الميدانية الثمينة.

4.3 تنظيم شاشة إدخال البيانات (Data View) للتحليل متعدد المتغيرات

يتطلب تحليل التباين المتعدد في برنامج SPSS تنظيم البيانات وهيكلتها وفق التنسيق العريض المعياري (Wide Format). في هذا التنسيق الإحصائي، يمثل كل صف أفقي (Row) مشاركاً أو حالة بحثية مستقلة وفريدة في العينة ($Case/Subject$)، بينما تمثل الأعمدة الرأسية (Columns) المتغيرات المختلفة المقاسة للدراسة. يُمنع تماماً في MANOVA إدخال القياسات المتعددة لنفس الفرد في صفوف متتالية كما هو الحال في بعض تصاميم القياسات المتكررة الطولية، بل يجب أن يحتوي الصف الواحد على كافة بيانات الفرد ومستواه في المتغير المستقل وكافة استجاباته على المتغيرات التابعة المتعددة.

يتم ترتيب الأعمدة في شاشة إدخال البيانات (Data View) بصورة منطقية متسلسلة تبدأ بعمود رقم المشارك أو معرف الهوية (ID)، يليه عمود المتغير المستقل المصنف للمجموعات (مثل: Group)، ثم تليه أعمدة المتغيرات التابعة المتجاورة (مثل: Depression, Anxiety, Stress, Resilience). إن وضع المتغيرات التابعة في أعمدة متتالية ومترابطة يسهم في تقليل الأخطاء الإجرائية أثناء سحب المتغيرات ونقلها داخل صناديق الحوار في الواجهة الرسومية للبرنامج، كما يوفر وضوحاً بيانياً للمصفوفة الرقمية العامة.

عقب اكتمال إدخال البيانات وتفريغ الاستجابات، تأتي خطوة التدقيق والمراجعة الرقمية الصارمة للتأكد من خلو البيانات من الأخطاء المطبعية غير المنطقية الناتجة عن التفريغ اليدوي (Data Entry Errors). يتم ذلك من خلال فحص القيم الصغرى (Minimum) والقيم العظمى (Maximum) لكل متغير كمي للتأكد من وقوع جميع الدرجات ضمن المدى النظري الفعلي لمقاييس القياس المستخدمة، بالإضافة إلى فحص الرسوم البيانية الصندوقية (Boxplots) للكشف الأولي عن أي أرقام شاذة قد تؤدي إلى تشويه التحليل لاحقاً.

5. خطوات فحص الافتراضات الإحصائية بالتفصيل في SPSS

5.1 حساب مسافة ماهالانوبيس للكشف عن القيم المتطرفة متعددة المتغيرات

يعد حساب مسافة ماهالانوبيس (Mahalanobis Distance – $D^2$) المعيار الإحصائي الذهبي للكشف عن القيم المتطرفة متعددة المتغيرات قبل تشغيل MANOVA. تقيس هذه المسافة بعد كل فرد عن نقطة المركز المتعدد (Centroid) مع الأخذ في الاعتبار مصفوفة التغاير والارتباطات بين المتغيرات التابعة. نظراً لعدم وجود خيار مباشر لحساب هذه المسافة داخل قائمة MANOVA، يتم استخراجها إحصائياً عبر إنشاء نموذج انحدار خطي زائف (Dummy Linear Regression) في SPSS.

لتنفيذ هذه الخطوة في برنامج SPSS، نتبع المسار التالي بدقة:

• نفتح القائمة: Analyze > Regression > Linear...
• نقوم بإنشاء متغير ترقيمي تسلسلي للحالات (ID) ونضعه في مربع المتغير التابع (Dependent Variable).
• ننقل جميع المتغيرات التابعة التي نريد إدراجها في تحليل MANOVA إلى مربع المتغيرات المستقلة (Independent(s)).
• نضغط على زر Save... في الجانب الأيمن لنافذة الانحدار.
• من قسم المسافات (Distances)، نقوم بتحديد خيار Mahalanobis، ثم نضغط Continue ثم OK.

يقوم البرنامج بإنشاء متغير جديد تلقائياً في شاشة البيانات يسمى MAH_1 يحتوي على قيمة مسافة ماهالانوبيس المحسوبة لكل مشارك في العينة.

للحكم على دلالة هذه المسافات، نقارن قيمة MAH_1 لكل حالة بالقيمة الحرجة المستخرجة من جدول توزيع مربع كاي ($\chi^2$) بدرجات حرية مساوية لعدد المتغيرات التابعة في النموذج، وعند مستوى دلالة صارم $p < .001$. يمكن حساب القيمة الاحتمالية الدقيقة لكل حالة داخل SPSS عبر القائمة Transform > Compute Variable وكتابة المعادلة:

p_value = 1 - CDF.CHISQ(MAH_1, k)

(حيث $k$ هو عدد المتغيرات التابعة). أي حالة تسجل قيمة $p < .001$ تُعد قيمة متطرفة متعددة المتغيرات ويجب فحصها بدقة ودراسة تأثير استبعادها على النتائج.

5.2 فحص التوزيع الطبيعي والخطية بيانياً ورقمياً

يتطلب فحص التوزيع الطبيعي والخطية مزيجاً متكاملاً من التحليلات الإحصائية الرقمية والفحوصات البيانية البصرية للتأكد من استيفاء شروط النماذج الخطية العامة. لفحص التوزيع الطبيعي الأحادي للمتغيرات التابعة داخل كل مستوى من مستويات المتغير المستقل، نتبع المسار: Analyze > Descriptive Statistics > Explore.... نقوم بنقل المتغيرات التابعة إلى قائمة Dependent List، وننقل المتغير المستقل الفئوي إلى قائمة Factor List. بعد ذلك، نضغط على زر Plots... ونفعل خيار Normality plots with tests ثم نضغط Continue وOK.

تولد هذه العملية جدول اختبارات التوزيع الطبيعي (Tests of Normality) الذي يتضمن قيم اختبار Shapiro-Wilk لكل خلية تجريبية. إذا كانت القيمة الاحتمالية (Sig.) لاختبار شابيرو-ويلك أكبر من $0.05$ لجميع المجموعات، فإننا نقبل فرضية التوزيع الطبيعي. كما يتم فحص الرسوم البيانية لاحتمالات التوزيع الطبيعي (Q-Q Plots)، حيث يشير اصطفاف النقاط بانتظام على طول الخط القطري المستقيم إلى مطابقة التوزيع النظري الطبيعي، بينما تشير الانحرافات الواضحة والأنماط المنحنية إلى وجود التواءات أو تفرطحات حادة تتطلب معالجة.

للتحقق من افتراض الخطية (Linearity) بين المتغيرات التابعة، نقوم بتوليد مصفوفة التشتت البيانية (Scatterplot Matrix) عبر القائمة: Graphs > Legacy Dialogs > Scatter/Dot...، ثم نختار Matrix Scatter ونضغط Define. ننقل جميع المتغيرات التابعة إلى مربع Matrix Variables، ويمكن تقسيمها حسب المجموعات بنقل المتغير المستقل إلى Set Markers by. يعرض الرسم الناتج مصفوفة من المخططات الثنائية لجميع أزواج المتغيرات؛ ويدل المظهر البيضاوي الممتد للنقاط على وجود علاقة خطية سوية، في حين يشير غياب هذا النمط أو ظهور أشكال هلالية متعرجة إلى انتهاك افتراض الخطية.

5.3 فحص الارتباط الخطي المتعدد بين المتغيرات التابعة

يعد فحص الارتباطات الثنائية بين المتغيرات التابعة خطوة تشخيصية حاسمة لضمان ملاءمة البيانات لتطبيق MANOVA وتجنب مشكلات التداخل الإحصائي أو انعدام الجدوى التحليلية. يتم استخراج مصفوفة ارتباط بيرسون (Pearson Correlation Matrix) من خلال التوجه إلى القائمة: Analyze > Correlate > Bivariate...، ثم نقل جميع المتغيرات التابعة المستمرة إلى مربع المتغيرات (Variables)، والتأكد من تحديد معامل ارتباط بيرسون (Pearson) واختبار الدلالة الثنائي (Two-tailed)، ثم الضغط على OK.

يوضح الجدول التالي المعايير الإحصائية المعتمدة لتفسير معاملات الارتباط وملاءمتها لتحليل MANOVA:

قيمة معامل الارتباط ($r$)	التفسير الإحصائي	القرار المنهجي والإجراء الموصى به
$r < 0.20$	ارتباط ضعيف جداً أو شبه منعدم	المتغيرات لا تشترك في تباين كافٍ؛ يفضل استخدام اختبارات ANOVA أحادية منفصلة.
$0.20 le r le 0.80$	ارتباط معتدل إلى قوي (النطاق المثالي)	مصفوفة مثالية لتحليل MANOVA؛ تحقق أقصى كفاءة وحماية ضد الخطأ.
$0.80 < r < 0.90$	ارتباط قوي جداً ومقلق	تحذير من تداخل محتمل؛ يجب فحص معاملات التضخم بدقة.
$r ge 0.90$	تعدد ارتباط خطي حاد (Multicollinearity)	انتهاك خطير؛ يجب دمج المتغيرات في مقياس مركب أو حذف المتغير المكرر.

عند اكتشاف ارتباطات فائقة الارتفاع ($r ge .90$) بين متغيرين تابعين أو أكثر، فإن ذلك يعكس وجود تكرار مفاهيمي وقياسي لنفس البنية. في هذه الحالة، يجب على الباحث إما إجراء تحليل عاملي استكشافي (EFA) لدمج المتغيرات في عامل كمي واحد موحد، أو حذف أحد المتغيرين المتداخلين والاكتفاء بالمتغير الأكثر صدقاً وثباتاً في قياس الظاهرة المدروسة لضمان استقرار التحليل.

6. الدليل العملي لتنفيذ اختبار MANOVA عبر واجهة برنامج SPSS

6.1 المسار الأساسي لإجراء التحليل في القوائم

بعد التحقق من استيفاء شروط وافتراضات التحليل، ننتقل إلى مرحلة تشغيل اختبار MANOVA الفعلي عبر بيئة برنامج SPSS. يندرج هذا التحليل تحت منظومة النماذج الخطية العامة (General Linear Model)، ويتم الوصول إليه عبر اتباع المسار الرئيسي الموضح في القوائم كالتالي: نفتح القائمة الرئيسية Analyze، ثم نختار General Linear Model، ومن القائمة الفرعية المنسدلة نضغط على خيار Multivariate....

بمجرد النقر على هذا الخيار، تظهر نافذة الحوار الرئيسية لتحليل التباين المتعدد (Multivariate). تتضمن هذه النافذة قائمة المتغيرات على الجانب الأيسر وعدداً من الصناديق التفاعلية على الجانب الأيمن المخصصة لبناء النموذج. نقوم بتحديد كافة المتغيرات التابعة الكمية المراد فحصها معاً (مثل: درجات الاكتئاب، القلق، والاحتراق النفسي)، ونقوم بنقلها دفعة واحدة إلى مربع المتغيرات التابعة المسمى Dependent Variables: بالضغط على السهم العلوي الموجه لليمين.

الخطوة التالية هي تحديد المتغير المستقل الفئوي الذي يمثل المجموعات التجريبية أو التصنيفية للمشاركين (مثل: التدخل العلاجي أو نمط القيادة)، ونقوم بنقله إلى مربع العوامل الثابتة المسمى Fixed Factor(s):. إذا كانت الدراسة تتضمن متغيراً مستقلاً ثانياً (لتطبيق Factorial MANOVA)، يتم نقله أيضاً إلى نفس المربع. أما الصناديق الأخرى (مثل Covariate(s)) فتُترك فارغة إلا في حالة إجراء تحليل التباين المشترك المتعدد (MANCOVA) عند الرغبة في ضبط متغيرات كمية دخيلة.

6.2 ضبط الخيارات الإحصائية الإضافية (Options Dialog Box)

يتطلب الحصول على مخرجات إحصائية شاملة ومفسرة ضبط الإعدادات المتقدمة داخل نافذة الخيارات الإضافية. للقيام بذلك، نضغط على زر Options... الموجود على الجانب الأيمن من نافذة التحليل الرئيسية، حيث تفتح نافذة فرعية تتضمن خيارات متعددة لتخصيص جداول المخرجات والتقديرات الإحصائية المرافقة.

داخل نافذة الخيارات (Options)، يجب تفعيل مجموعة من الخيارات الإحصائية المحورية من خلال وضع علامة صح في المربعات المخصصة لها:

• الإحصاءات الوصفية (Descriptive Statistics): لاستخراج جداول المتوسطات الحسابية، والانحرافات المعيارية، وأحجام العينات لكل متغير تابع عبر مختلف مستويات المتغير المستقل.
• تقديرات حجم الأثر (Estimates of Effect Size): لحساب قيمة مربع إيتا الجزئي ($\text{Partial } \eta^2$) للمؤشرات متعددة المتغيرات وللاختبارات الأحادية المنفردة، مما يوفر تقييماً للأهمية العملية للنتائج.
• اختبارات التجانس (Homogeneity Tests): للحصول على نتائج اختبار بوكس إم (Box’s M Test) لمصفوفات التغاير واختبار ليفين (Levene’s Test) لتجانس تباينات المتغيرات الأحادية.
• القوة الإحصائية الملحوظة (Observed Power): لتقييم حساسية الاختبار وقدرته على رفض الفرضية الصفرية الخاطئة عند مستوى ألفا المعتمد.

يمكن أيضاً في هذه النافذة نقل المتغير المستقل من مربع Factor(s) and Factor Interactions إلى مربع Display Means for: لعرض المتوسطات الهامشية المقدرة (Estimated Marginal Means). بعد الانتهاء من تفعيل جميع الخيارات المطلوبة، نضغط على زر Continue للعودة إلى النافذة السابقة وحفظ هذه الإعدادات المتقدمة.

6.3 تحديد المقارنات البعدية والمقارنات المخططة (Post Hoc & Contrasts)

إذا كان المتغير المستقل يحتوي على ثلاثة مستويات أو أكثر (مثل: ضابطة، علاج معرفي، علاج دوائي)، فإن دلالة الاختبار المتعدد الشامل لا توضح للممارس أين تكمن الفروق الثنائية المحددة بين تلك المجموعات. يتطلب الأمر تحديد اختبارات المقارنات البعدية المتعددة (Post Hoc Tests) لتحديد الفروق الدقيقة بين كل زوج من المجموعات لكل متغير تابع على حدة.

لضبط المقارنات البعدية، نضغط على زر Post Hoc... من النافذة الرئيسية. نقوم بنقل المتغير المستقل الفئوي إلى مربع Post Hoc Tests for:. بعد ذلك، نختار الاختبار البعدي المناسب من الخيارات المتاحة استناداً إلى حالة تحقق افتراض تجانس التباين الأحادي:

• في حالة تحقق تجانس التباين (Equal Variances Assumed): نحدد اختبار توكي (Tukey’s HSD) أو اختبار بونفيروني (Bonferroni)، وهما الخياران الأكثر استخداماً ودقة للحفاظ على معدل الخطأ الكلي.
• في حالة انتهاك تجانس التباين (Equal Variances Not Assumed): نحدد اختبار جيمس-هويل (Games-Howell)، وهو اختبار متين لا يتأثر بعدم تساوي التباينات بين المجموعات.

لتصور النتائج بصرياً وتسهيل تفسير الأنماط والتفاعلات المعقدة، نضغط على زر Plots.... نقوم بنقل المتغير المستقل إلى مربع المحور الأفقي (Horizontal Axis:)، ونضغط على Add لإنشاء مخطط بصري للمتوسطات الحسابية، ثم نضغط Continue. بعد التأكد من اكتمال كافة الإعدادات والخيارات الإحصائية في جميع النوافذ، نضغط على زر OK في النافذة الرئيسية لتنفيذ الاختبار واستخراج المخرجات.

7. فهم وتفسير اختبارات الدلالة متعددة المتغيرات (Multivariate Tests)

7.1 مؤشرات الدلالة المتعددة الأربعة وقيمها الإحصائية

عند تشغيل تحليل MANOVA، يقدم برنامج SPSS جدولاً رئيسياً بالغ الأهمية يُسمى جدول الاختبارات متعددة المتغيرات (Multivariate Tests). يحتوي هذا الجدول على أربعة مؤشرات إحصائية شهيرة لاختبار الدلالة المتعددة للفرضية الصفرية الشاملة، ويعتمد كل مؤشر منها على معادلة جبرية مصفوفية مختلفة لاستخلاص التباين الكلي وتحويله إلى قيمة $F$ التقريبية. يوضح الجدول التالي مقارنة تفصيلية بين هذه المؤشرات الأربعة وطبيعة استخدامها:

المؤشر الإحصائي (Statistic)	الرمز	الخصائص الرياضية والمنهجية	سياق الاستخدام الأمثل والتوصية
أثر بيلاي (Pillai’s Trace)	$V$	يقيس مجموع التباينات المفسرة عبر الدوال التمييزية؛ محصور بين 0 و1.	الأكثر متانة وصلابة ضد انتهاك الافتراضات؛ يوصى به بشدة في العينات غير المتساوية أو عند شذوذ التوزيع.
لامبدا ويلكس (Wilks’ Lambda)	$Lambda$	يقيس نسبة التباين غير المفسر؛ تقترب قيمته من الصفر كلما كان التأثير أقوى وأكبر.	الأكثر شهرة واستخداماً في النشر الأكاديمي؛ مثالي عند استيفاء كامل الافتراضات وتساوي العينات.
أثر هوتلنج (Hotelling’s Trace)	$T$	يمثل مجموع الجذور الكامنة للمصفوفات؛ يرتبط بالتباين بين المجموعات.	مفيد ومكافئ تماماً لـ Wilks’ Lambda عندما يقتصر المتغير المستقل على مستويين فقط ($k=2$).
الجذر الأكبر لروي (Roy’s Largest Root)	$\theta$	يعتمد حصرياً على القيمة الذاتية الأولى (First Eigenvalue)؛ يعطي أقصى قوة حدية.	شديد الحساسية للتأثيرات أحادية البعد؛ غير مستقر وينهار بشدة إذا انتهك افتراض التوزيع الطبيعي.

7.2 قراءة وتفسير جدول Multivariate Tests في مخرجات SPSS

يتطلب تحليل وتفسير جدول Multivariate Tests فهماً دقيقاً للمكونات الرقمية التي تظهر في كل عمود. يبدأ الجدول بتحديد مصدر التباين (Effect)، حيث نركز اهتمامنا التحليلي على الصف الذي يحمل اسم المتغير المستقل (وليكن التدخل العلاجي)، متجاهلين صف القاطع (Intercept) الذي لا يخدم أسئلة البحث المباشرة. يحتوي كل صف على المؤشرات الأربعة السابقة وقيمتها الرقمية المباشرة في عمود Value.

يقوم البرنامج بعد ذلك بتحويل قيمة المؤشر المتعدد إلى قيمة $F$ الإحصائية التقريبية في عمود F، مع توضيح درجات حرية الفرضية (Hypothesis df) في العمود التالي، ودرجات حرية الخطأ (Error df) في العمود الذي يليه. تعكس درجات حرية الفرضية عدد المتغيرات التابعة وعدد المجموعات المقارنة، بينما تعكس درجات حرية الخطأ حجم العينة الإجمالي مطروحاً منه معالم النموذج.

يقع عمود الدلالة الإحصائية (Sig.) في قلب عملية اتخاذ القرار الإحصائي. نقوم بمقارنة القيمة الاحتمالية المحسوبة ($p$-value) بمستوى المعنوية المحدد مسبقاً للدراسة ($alpha = 0.05$). إذا كانت القيمة الاحتمالية أصغر من أو تساوي مستوى الدلالة ($p le .05$)، فإننا نتخذ القرار الإحصائي برفض الفرضية الصفرية المتعددة ($H_0$) وقبول الفرضية البديلة، مما يؤكد وجود فروق ذات دلالة إحصائية بين متجهات متوسطات المجموعات عبر مصفوفة المتغيرات التابعة المدمجة ككل، مع توثيق قيمة مربع إيتا الجزئي في عمود Partial Eta Squared لتحديد حجم ذلك التأثير المتعدد.

7.3 معايير اختيار المؤشر الإحصائي المناسب في ضوء شروط العينة

غالباً ما يقع الباحثون في حيرة عند كتابة التقرير النهائي حول أي من المؤشرات الأربعة يجب تبنيه وتوثيقه، خاصة عندما تقدم المؤشرات قيماً متقاربة لـ $F$ ولكن بدرجات حرية أو دلالات طفيفة التباين. تحكم المعايير المنهجية وقواعد تصميم العينة هذا الاختيار بدقة متناهية لضمان مصداقية الاستنتاجات العلمية.

يُعد مؤشر لامبدا ويلكس (Wilks’ Lambda) الخيار الافتراضي والمعياري المفضل في المجتمع الأكاديمي والبحوث المنشورة، بشرط أن تكون البيانات قد حققت جميع الافتراضات الإحصائية بنجاح، وخاصة افتراض تجانس مصفوفات التباين والتغاير (Box’s M $p > .001$)، وتساوي أحجام العينات تقريباً بين مجموعات المتغير المستقل. إن سهولة تفسير Wilks’ Lambda كنسبة مئوية للتباين غير المفسر تجعله جذاباً وبديهياً للمجتمع العلمي.

في المقابل، إذا أظهرت الفحوصات التشخيصية السابقة انتهاكاً واضحاً لافتراض تجانس مصفوفات التباين والتغاير (Box’s M $p < .001$)، أو كانت أحجام العينات داخل المجموعات غير متساوية بشكل ملحوظ (Unbalanced Designs)، أو ظهرت شواهد على انحراف التوزيع عن الاعتدالية المتعددة، يتعين على الباحث التحول الفوري إلى مؤشر أثر بيلاي (Pillai’s Trace). يتمتع Pillai’s Trace بأعلى مستوى من المتانة والصلابة الإحصائية ضد خرق الافتراضات مقارنة ببقية المؤشرات، مما يقلل احتمالية الوقوع في خطأ النوع الأول أو تقديم استنتاجات مضللة حول الدلالة الإحصائية للنموذج.

8. إجراء وتفسير اختبارات المتابعة الأحادية والتحليلات البعدية

8.1 فحص جدول اختبارات التأثيرات بين الموضوعات (Tests of Between-Subjects Effects)

بمجرد إثبات الدلالة الإحصائية للمؤشر المتعدد الشامل في جدول Multivariate Tests، يحق للباحث منهجياً الانتقال إلى الخطوة التحليلية التالية لفحص التأثيرات التفصيلية: معرفة أي من المتغيرات التابعة الفردية هي المسؤولة تحديداً عن هذا الاختلاف الكلي العام. يقدم برنامج SPSS هذه المعلومات في جدول مخرجات مخصص يسمى جدول اختبارات التأثيرات بين الموضوعات (Tests of Between-Subjects Effects).

يمثل هذا الجدول في جوهره سلسلة من اختبارات تحليل التباين الأحادي (Univariate ANOVAs) المستقلة التي تُجرى تلقائياً لكل متغير تابع على حدة. نتوجه مباشرة إلى الصف المخصص للمتغير المستقل في الجدول، ونقرأ قيم $F$ ومستويات الدلالة (Sig.) المقابلة لكل متغير تابع مدرج في الصفوف الفرعية.

لتجنب تضخم خطأ النوع الأول عند فحص هذه السلسلة من الاختبارات الأحادية، يجب تطبيق تصحيح بونفيروني (Bonferroni Correction) يدوياً لتعديل مستوى الدلالة المعنوية ($\alpha$). يتم ذلك بقسمة مستوى ألفا الأصلي (0.05) على عدد المتغيرات التابعة المقاسة ($p$):

$$\alpha_{adjusted} = \frac{\alpha}{p}$$

فإذا كان لدينا ثلاثة متغيرات تابعة، يصبح معيار الدلالة الجديد هو: $0.05 / 3 = 0.0167$. وبالتالي، لا يُعتبر المتغير التابع دالاً إحصائياً في جدول التأثيرات الأحادية إلا إذا كانت قيمته الاحتمالية المسجلة أصغر من $0.0167$.

8.2 تفسير جداول المقارنات الثنائية البعدية (Post-Hoc Multiple Comparisons)

بالنسبة للمتغيرات التابعة التي أثبتت دلالتها الإحصائية في جدول التأثيرات الأحادية بعد تطبيق تصحيح بونفيروني، ننتقل مباشرة إلى فحص جدول المقارنات المتعددة البعدية (Post Hoc Multiple Comparisons) لمعرفة اتجاه وموقع الفروق الدقيقة بين مختلف مستويات المتغير المستقل، خاصة عند وجود أكثر من مجموعتين مقارنتين في التصميم.

يتضمن جدول المقارنات البعدية (مثل نتائج Tukey HSD أو Games-Howell) عدة أعمدة أساسية تشمل:

• المجموعة المقارنة الأولى (I) والمجموعة المقارنة الثانية (J).
• فرق المتوسطات الحسابية (Mean Difference $I-J$): وتوضع علامة نجمة ($*$) بجوار القيمة إذا كان الفرق بين المجموعتين دالاً إحصائياً.
• الخطأ المعياري للفرق (Std. Error).
• مستوى الدلالة الإحصائية للفرق الثنائي (Sig.).
• فترات الثقة $95%$ للفرق (95% Confidence Interval) بحديها الأدنى والأعلى.

لتحديد اتجاه الفروق بدقة وتفسيرها، نربط بين إشارة فرق المتوسطات وجدول الإحصاءات الوصفية. فإذا كان الفرق موجباً ودالاً بين المجموعة التجريبية والمجموعة الضابطة في متغير “الصلابة النفسية”، فإن ذلك يثبت تفوق المجموعة التجريبية في امتلاك مستويات أعلى من الصلابة. يتم بعد ذلك صياغة هذا الاستنتاج وربطه بالأطر النظرية للدراسة وتفسير أثر البرنامج العلاجي بمصطلحات سيكولوجية وتربوية واضحة ومقنعة.

8.3 استخدام التحليل التمييزي الخطي (Discriminant Analysis) كإجراء متابعة متقدم

على الرغم من شيوع استخدام اختبارات ANOVA الأحادية مع تعديل بونفيروني كإجراء متابعة تقليدي لـ MANOVA، إلا أن كبار المنهجيين في التحليل متعدد المتغيرات (مثل Huberty & Morris, Stevens) يوصون بإجراء التحليل التمييزي الخطي (Linear Discriminant Analysis – LDA) كإجراء متابعة متقدم وأكثر انسجاماً مع الطبيعة متعددة الأبعاد للبيانات. يعود ذلك إلى أن اختبارات ANOVA الأحادية تتجاهل الارتباطات البينية بين المتغيرات التابعة وتجزئ النموذج إلى تحليلات معزولة، بينما يحافظ التحليل التمييزي على البنية التعددية الكاملة.

يهدف التحليل التمييزي إلى تحديد الدوال الرياضية الخطية (Discriminant Functions) التي تعظم التمايز والفصل بين المجموعات. يوفر هذا التحليل مؤشرين بالغي الأهمية لفهم طبيعة الفروق المتعددة:

• معاملات الدالة التمييزية المعيارية (Standardized Canonical Discriminant Function Coefficients): وتوضح الوزن النسبي والمساهمة الفريدة الفرعية لكل متغير تابع في تكوين الدالة التمييزية عند ضبط بقية المتغيرات.
• مصفوفة البنية التمييزية (Structure Matrix): وتحتوي على معاملات الارتباط البنيوي بين كل متغير تابع والدالة التمييزية المركبة؛ وتعتبر قيماً غير متحيزة لتحديد هوية المتغيرات الأكثر ارتباطاً بالتمييز الجماعي (تعتبر القيم $> 0.30$ قيماً جوهرية).

يسهم التحليل التمييزي في رسم خارطة إدراكية وهندسية واضحة للمجموعات في الفضاء متعدد الأبعاد، مما يتيح للباحث النفسي ليس فقط معرفة أي المتغيرات تختلف بين المجموعات، بل كيف تتكامل تلك المتغيرات معاً لترسم الملامح النفسية المميزة لكل جماعة تصنيفية بدقة علمية استثنائية.

9. حساب وتفسير حجم الأثر والقوة الإحصائية في MANOVA

9.1 حساب حجم الأثر متعدد المتغيرات والأحادي (Partial Eta Squared)

لم يعد التقرير عن الدلالة الإحصائية ($p$-value) كافياً في البحوث الأكاديمية المحكمة، حيث يعكس مستوى الدلالة احتمالية وقوع النتيجة بالصدفة فقط ويتأثر بشدة بكبر حجم العينة، بينما يوضح حجم الأثر (Effect Size) القوة والحجم العملي الفعلي للتأثير الملاحظ في الواقع الميداني. في تحليل MANOVA، يُعد مقياس مربع إيتا الجزئي (Partial Eta Squared – $\eta^2_p$) المقياس المعياري الأكثر استخداماً لتقدير حجم الأثر للمؤشرات متعددة المتغيرات وللتأثيرات الأحادية المنفردة.

يمثل مربع إيتا الجزئي نسبة التباين في المتغير التابع (أو المتغير المركب المتعدد) التي يمكن أن تُعزى إلى المتغير المستقل، مع استبعاد تباين بقية المصادر الأخرى. يتم حسابه رياضياً في الاختبارات الأحادية من خلال المعادلة:

$$\eta^2_p = \frac{SS_{effect}}{SS_{effect} + SS_{error}}$$

أما على المستوى متعدد المتغيرات، فيتم اشتقاقه مباشرة من قيم الإحصاءات المتعددة مثل Wilks’ Lambda ($1 – Lambda^{1/s}$).

لتقييم وتفسير حجم الأثر في البحوث النفسية والتربوية، يعتمد الباحثون المعايير الإرشادية الشهيرة التي وضعها عالم الإحصاء جاكوب كوهين (Jacob Cohen)، والموضحة في الجدول التالي:

قيمة مربع إيتا الجزئي ($\eta^2_p$)	تصنيف حجم الأثر (Cohen’s Benchmark)	التفسير العملي للتباين المفسر
$0.01 le eta^2_p < 0.06$	أثر صغير (Small Effect)	المتغير المستقل يفسر ما بين 1% وأقل من 6% من التباين الكلي.
$0.06 le eta^2_p < 0.14$	أثر متوسط (Medium Effect)	المتغير المستقل يفسر ما بين 6% وأقل من 14% من التباين الكلي.
$\eta^2_p ge 0.14$	أثر كبير (Large Effect)	المتغير المستقل يفسر 14% فأكثر من التباين الكلي المشترك.

9.2 تقييم القوة الإحصائية الملحوظة (Observed Power)

تُعرف القوة الإحصائية (Statistical Power – $1 – beta$) بأنها احتمالية نجاح الاختبار الإحصائي في رفض الفرضية الصفرية عندما تكون خاطئة بالفعل في المجتمع الأصلي، أي قدرة التحليل على كشف الفروق الحقيقية الموجودة وتجنب الوقوع في خطأ النوع الثاني (Type II Error / الإيجابية الكاذبة للعدم). يظهر عمود القوة الملحوظة (Observed Power) في أقصى يمين جداول مخرجات SPSS عند تفعيله مسبقاً من نافذة الخيارات.

يقع المعيار الإحصائي المتفق عليه دولياً للقوة الإحصائية الكافية عند $0.80$ فأكثر (أي فرصة $80%$ أو أعلى لكشف التأثير الحقيقي). إذا أظهرت النتائج أن القوة الإحصائية الملحوظة للاختبار المتعدد تزيد عن $0.80$، فإن ذلك يعزز الثقة في نتائج التحليل وفي عدم إغفال أي فروق حقيقية. ترتبط القوة الإحصائية ارتباطاً وثيقاً بثلاثة عوامل رئيسية: حجم العينة الإجمالي، ومستوى الدلالة المعنوية المعتمد ($alpha$)، وحجم الأثر الفعلي في المجتمع.

في الدراسات النفسية الميدانية أو العيادية ذات العينات الصغيرة، قد تنخفض القوة الإحصائية الملحوظة عن مستوى $0.80$ (كأن تسجل $0.55$). في هذه الحالة، يجب على الباحث التحلي بالأمانة الأكاديمية وتبرير هذا الانخفاض في قسم مناقشة الدراسة؛ موضحاً أن عدم ظهور دلالة إحصائية لبعض المتغيرات قد يكون راجعاً إلى قصور في القوة الإحصائية وحجم العينة المتاح وليس بالضرورة لغياب الأثر العلاجي أو النظري في الواقع التجريبي.

9.3 تحليل القوة المسبق وتحديد حجم العينة المطلوب (A Priori Sample Size Analysis)

يعد التخطيط المسبق لحجم العينة قبل البدء في جمع البيانات (A Priori Sample Size Calculation) من الركائز الأساسية للبحث العلمي الرصين، وهو متطلب إلزامي في المجلات العالمية المرموقة وتوصيات APA. يهدف هذا الإجراء إلى تحديد الحد الأدنى من المشاركين اللازمين لاكتشاف حجم أثر متوقع بقوة إحصائية كافية ($1 – beta = 0.80$) ومستوى خطأ مضبوط ($alpha = 0.05$)، مما يجنب الباحث إهدار الموارد في عينات مفرطة الكبر أو الوقوع في فخ العينات غير الكافية.

يتم إجراء هذا التحليل باستخدام برمجيات التقدير المتخصصة، ويعد برنامج G*Power الخيار الأبرز والأكثر دقة ومجانية في الأوساط الأكاديمية. لحساب حجم العينة لاختبار MANOVA أحادي الاتجاه في G*Power، نتبع الخطوات المنهجية التالية:

• من قائمة عائلة الاختبارات (Test family)، نختار: F tests.
• من قائمة الاختبار الإحصائي (Statistical test)، نختار: MANOVA: Global effects.
• من نوع تحليل القوة (Type of power analysis)، نختار: A priori: Compute required sample size.
• نقوم بإدخال المعلمات الأساسية (Input Parameters):
  • حجم الأثر المتوقع ($f^2$ أو $V$): مثلاً$f^2 = 0.0625$ لأثر متوسط.
  • مستوى خطأ ألفا ($\alpha$ err prob): نحدده عند $0.05$.
  • القوة المطلوبة (Power: $1 – beta$): نحددها عند $0.80$.
  • عدد المجموعات (Number of groups): يمثل مستويات المتغير المستقل ($k$).
  • عدد المتغيرات التابعة (Number of response variables): يمثل ($p$).
• نضغط على زر Calculate.

يولد البرنامج الحجم الكلي الإجمالي المطلوب للعينة (Total sample size)، مع توضيح الحصة التقريبية لكل مجموعة فرعية، مما يمنح التصميم التجريبي متانة منهجية وحصانة إحصائية تامة.

10. التعامل مع انتهاك الافتراضات الإحصائية والبدائل المتاحة

10.1 إجراءات التعامل مع خرق تجانس مصفوفات التباين والتغاير

يعد انتهاك افتراض تجانس مصفوفات التباين والتغاير (ظهور اختبار Box’s M بقيمة $p < .001$) من التحديات الشائعة في التطبيقات الميدانية. عند مواجهة هذا الخرق، يتوجب على الباحث عدم التسرع في التخلي عن التحليل، بل تقييم طبيعة وخصائص العينة التصميمية لاتخاذ المسار المنهجي السليم.

تتمثل خط الدفاع الأولى في فحص مدى توازن أحجام المجموعات (Sample Size Balance). إذا كانت أحجام العينات متساوية تماماً أو متقاربة جداً بين المجموعات (بحيث لا تتجاوز النسبة بين المجموعة الكبرى والمجموعة الصغرى نسبة $1 : 1.5$)، فإن اختبار MANOVA يمتلك مناعة إحصائية ذاتية عالية ضد أثر عدم تجانس المصفوفات. في هذه الحالة، يمكن الاستمرار في التحليل بأمان مع الاعتماد الحصري والمطلق على إحصاء أثر بيلاي (Pillai’s Trace) بدلاً من Wilks’ Lambda لتفسير الدلالة المتعددة الشاملة، حيث أثبتت دراسات المحاكاة الرياضية احتفاظ Pillai’s Trace بمعدلات خطأ ألفا الاسمية بدقة حتى في ظل عدم تساوي المصفوفات.

أما إذا كانت المجموعات غير متساوية في الحجم بشكل حاد، فإن انتهاك تجانس المصفوفات يصبح مدمراً للنتائج؛ فإذا كانت المجموعة الأكبر حجماً تمتلك تباينات وتغايرات أكبر، يصبح الاختبار مفرط التحفظ (Conservative) وتضيع الدلالة الحقيقية، وإذا كانت المجموعة الأصغر هي التي تمتلك التباينات الأكبر، يصبح الاختبار مفرط التحرر (Liberal) وترتفع الإيجابيات الكاذبة. في هذه الحالة، يجب اللجوء إلى تحويلات البيانات (Data Transformations)، مثل تطبيق التحويل اللوغاريتمي ($\log_{10}(X)$) أو تحويل الجذر التربيعي ($\sqrt{X}$) على المتغيرات التابعة لإعادة ضبط التباينات وتحقيق التجانس قبل إعادة تشغيل التحليل.

10.2 التعامل مع القيم المتطرفة والشذوذ في التوزيع

تتطلب معالجة القيم المتطرفة متعددة المتغيرات (التي تجاوزت القيمة الحرجة لمسافة ماهالانوبيس $p < .001$) دقة وحذراً شديدين لتجنب التحيز في النتائج. الإجراء المنهجي الأول هو إجراء تحليل الحساسية (Sensitivity Analysis)، ويتمثل في تشغيل اختبار MANOVA مرتين: الأولى بوجود الحالات المتطرفة، والثانية بعد استبعادها مؤقتاً من ملف البيانات، ثم مقارنة نتائج القرارات الإحصائية في الحالتين. إذا لم تتغير الاستنتاجات الجوهرية ومستويات الدلالة، يتم الاحتفاظ بالبيانات كاملة مع الإشارة إلى ذلك في المنهجية لتعزيز الصدق الخارجي.

إذا أدى وجود الحالات المتطرفة إلى تشويه جسيم في مصفوفة النتائج، يمكن تطبيق تقنية تقليص الأثر (Winsorizing) كبديل متقدم للحذف الكامل. تتضمن هذه التقنية تعديل الدرجات الشاذة المتطرفة واستبدالها بأعلى (أو أدنى) قيمة طبيعية تقع ضمن حدود التوزيع المقبول (مثلاً عند القيمة المئينية 95 أو 99)، مما يقلل من تأثيرها الشاذ على حسابات المتوسطات والتغايرات دون خسارة الحالة من حجم العينة الإجمالي.

بالإضافة إلى ذلك، توفر الإصدارات الحديثة من برنامج SPSS إمكانية تطبيق أساليب إعادة أخذ العينات المتكررة (Bootstrapping). تقوم هذه الطريقة غير المعلمية القوية بتوليد آلاف العينات العشوائية التكرارية من نفس بيانات الدراسة لتقدير فترات الثقة والأخطاء المعيارية بدقة متناهية دون الحاجة إلى الاعتماد على افتراضات التوزيع الطبيعي المتعدد، مما يوفر حلاً آمناً وموثوقاً لمواجهة التوزيعات غير الاعتيادية.

10.3 البدائل اللامعلمية لتحليل التباين المتعدد

عندما تتعرض البيانات لانتهاكات مركبة وحادة ومتزامنة (مثل: عدم اعتدالية شديدة، وغياب تام لتجانس التباينات، وصغر حاد في حجم العينات غير المتساوية) تفشل معها كافة أساليب التحويل والمعالجة، يتعين على الباحث التخلي عن اختبار MANOVA المعلمي والتحول إلى البدائل الإحصائية المناسبة لضمان الرصانة العلمية للبحث.

يعد تحليل التباين المتعدد التبادلي (Permutational MANOVA – PERMANOVA) البديل اللامعلمي الأقوى والأكثر مرونة على الإطلاق لاختبار MANOVA. يعتمد PERMANOVA على مصفوفات المسافات والتشابه الهندسي (مثل مسافات Euclidean أو Bray-Curtis) ويستخدم التباديل العشوائية (Permutations) لاختبار الفروق بين متجهات المجموعات دون فرض أي قيود على طبيعة التوزيع الاحتمالي للبيانات. على الرغم من عدم توفره المباشر في قوائم SPSS الأساسية، إلا أنه يمكن تنفيذه بسهولة عبر حزم إحصائية مفتوحة المصدر مثل R (حزمة vegan) أو عبر ملحقات برمجية مخصصة في SPSS.

من البدائل المنهجية الأخرى للعينات ذات المقاييس الرتبية المعقدة تفكيك التصميم وتطبيق اختبارات المجموعات الرتبية اللامعلمية مثل اختبار كروسكال-واليز (Kruskal-Wallis H Test) لكل متغير تابع على حدة مع تطبيق تعديل بونفيروني الصارم على مستوى الدلالة المعنوية. وفي التصاميم الهيكلية الكبيرة والمعقدة، يمثل التحول إلى نمذجة المعادلات البنائية (SEM – Structural Equation Modeling) خياراً متفوقاً يسمح بدمج المتغيرات التابعة كعوامل كامنة (Latent Variables) مصحوبة بنماذج قياس تضبط أخطاء القياس العشوائية بكفاءة متناهية.

11. توثيق وكتابة نتائج MANOVA وفق معايير جمعية علم النفس الأمريكية (APA 7)

11.1 صياغة نتائج التحليل المتعدد بنص علمي دقيق

يتطلب توثيق نتائج تحليل التباين المتعدد في تقارير البحوث ورسائل الماجستير والدكتوراه اتباع قواعد وإرشادات الدليل الإرشادي السابع الصادر عن جمعية علم النفس الأمريكية (APA Publication Manual, 7th Edition). يبدأ التقرير العلمي بفقرة تمهيدية توضح التحقق من الافتراضات الإحصائية الأساسية، تليها صياغة إحصاء الاختبار المتعدد الشامل بدقة رياضية متكاملة.

تتضمن الصيغة المعيارية المعتمدة لتوثيق الاختبار المتعدد ذكر اسم الإحصاء المستخدم (مثل Wilks’ Lambda أو Pillai’s Trace)، متبوعاً بقيمته العددية، ثم قيمة اختبار $F$ المحسوبة، ودرجات حرية الفرضية والخطأ بين قوسين، ومستوى الدلالة الدقيق ($p$-value)، وأخيراً حجم الأثر المقدر بمربع إيتا الجزئي ($eta^2_p$).

فيما يلي النموذج الأكاديمي المعتمد لكتابة فقرة نتائج MANOVA الشاملة باللغة العربية والإنجليزية الأكاديمية:

“أُجري تحليل التباين المتعدد أحادي الاتجاه (One-Way MANOVA) لفحص الفروق في مصفوفة المتغيرات التابعة (القلق، الاكتئاب، والصلابة النفسية) باختلاف نوع التدخل العلاجي (مجموعة ضابطة، علاج معرفي سلوكي، علاج دوائي مركب). أظهرت الفحوصات التشخيصية تحقق افتراض تجانس مصفوفات التباين والتغاير استناداً إلى اختبار بوكس إم، $Box’s M = 12.45, F(12, 4521) = 1.01, p = .435$. أشارت نتائج الاختبار المتعدد الشامل إلى وجود فروق ذات دلالة إحصائية جوهرية بين المجموعات العلاجية عبر المتغيرات التابعة المدمجة، $Wilks’ \Lambda = 0.68, F(6, 170) = 5.84, p < .001, \eta^2_p = .17$، مما يشير إلى أن نوع التدخل يفسر نحو $17%$ من التباين المتعدد الكلي في المخرجات النفسية."

11.2 توثيق نتائج المتابعة الأحادية والمقارنات البعدية

عقب توثيق الدلالة الشاملة للنموذج المتعدد، ينتقل النص مباشرة إلى توثيق نتائج اختبارات المتابعة الأحادية (Univariate ANOVAs) للمتغيرات التابعة الفردية، مع الإشارة الصريحة إلى مستوى تعديل بونفيروني الذي تم تطبيقه لضبط معدل الخطأ العائلي، يليه توثيق اتجاهات الفروق الدالة بين المجموعات استناداً إلى اختبارات المقارنات البعدية.

يُصاغ هذا الجزء بأسلوب أكاديمي محكم كالتالي:

“بناءً على دلالة الأثر المتعدد الشامل، تم فحص اختبارات التباين الأحادية للمتابعة لكل متغير تابع باستخدام مستوى دلالة معدل وفق تصحيح بونفيروني ($\alpha = 0.05 / 3 = 0.0167$). أسفرت النتائج عن وجود فروق دالة إحصائياً بين المجموعات في كل من مستوى الاكتئاب، $F(2, 87) = 8.92, p < .001, \eta^2_p = .17$، ومستوى القلق، $F(2, 87) = 6.45, p = .002, \eta^2_p = .13$، في حين لم تصل الفروق إلى مستوى الدلالة المعدل في متغير الصلابة النفسية، $F(2, 87) = 2.81, p = .066, \eta^2_p = .06$."

“أظهرت المقارنات البعدية الثنائية باستخدام اختبار توكي (Tukey’s HSD) أن أفراد مجموعة العلاج المعرفي السلوكي ($M = 18.20, SD = 4.15$) ومجموعة العلاج المركب ($M = 17.50, SD = 3.90$) سجلوا انخفاضاً ذا دلالة إحصائية في درجات الاكتئاب مقارنة بأفراد المجموعة الضابطة ($M = 24.30, SD = 5.10, p < .001$). ولم تظهر فروق دالة إحصائياً بين مجموعتي العلاج المعرفي والعلاج المركب ($p = .785$)."

11.3 تصميم الجداول والرسوم البيانية التوضيحية وفق دليل APA

يشترط دليل جمعية علم النفس الأمريكية (APA 7) معايير تصميمية بالغة الدقة لتنسيق الجداول الإحصائية في الأبحاث والرسائل. يجب أن تقتصر الجداول على استخدام الخطوط الأفقية فقط (ثلاثة خطوط رئيسية: خط أعلى الترويسة، وخط أسفل الترويسة، وخط في نهاية الجدول قبل الملاحظات السفلية)، ويُمنع منعاً باتاً استخدام أي خطوط رأسية (Vertical Lines) أو تظليل ملون لخلايا الجدول.

يوضح الجدول التالي النموذج المعياري لتلخيص ودمج نتائج اختبار MANOVA الشامل واختبارات التأثيرات الأحادية في جدول واحد احترافي وفق متطلبات APA 7:

المتغير التابع	المجموعة الضابطة ($n=30$) $M (SD)$	العلاج المعرفي ($n=30$) $M (SD)$	العلاج المركب ($n=30$) $M (SD)$	$F(2, 87)$	$p$	$\eta^2_p$
الاكتئاب	24.30 (5.10)	18.20 (4.15)	17.50 (3.90)	8.92	< .001	.17
القلق	22.15 (4.80)	16.40 (3.65)	15.80 (3.40)	6.45	.002	.13
الصلابة النفسية	45.10 (6.20)	48.30 (5.80)	49.20 (5.90)	2.81	.066	.06

ملاحظة الجدول: $M$ = المتوسط الحسابي؛ $SD$ = الانحراف المعياري؛ $\eta^2_p$ = مربع إيتا الجزئي. كان التأثير المتعدد الكلي دالاً إحصائياً استناداً إلى لامبدا ويلكس: $Wilks’ \Lambda = 0.68, F(6, 170) = 5.84, p < .001, \eta^2_p = .17$. تم تقييم دلالة التأثيرات الأحادية عند مستوى ألفا المعدل بتصحيح بونفيروني ($p < .0167$).

عند تضمين الرسوم البيانية التوضيحية (Figures)، يجب أن تتضمن المخططات البيانية للمتوسطات أعمدة الخطأ المعياري (Error Bars representing $\pm 1 SE$ or 95% CI)، مع تسمية واضحة ومباشرة للمحاور بخط متناسق وتجنب الزخارف ثلاثية الأبعاد غير الضرورية لضمان القراءة السريعة والدقيقة.

12. أخطاء شائعة ونصائح عملية للباحثين في القياس النفسي والإحصاء

12.1 الأخطاء المنهجية الشائعة عند تطبيق MANOVA

يقع العديد من الباحثين المبتدئين في أخطاء منهجية متكررة تؤدي إلى إضعاف القيمة العلمية لدراساتهم، وأول هذه الأخطاء هو ما يُعرف بظاهرة “الصيد الإحصائي” عبر إدخال حشد عشوائي من المتغيرات التابعة غير المترابطة نظرياً داخل نموذج MANOVA واحد لمجرد توفر البيانات. إن دمج متغيرات تابعة متنافرة مفاهيمياً لا يشتت المعنى النفسي للمتغير المركب فحسب، بل يؤدي إلى استهلاك درجات حرية الخطأ وتقليص القوة الإحصائية للنموذج في كشف التأثيرات الجوهرية الحقيقية.

الخطأ المنهجي الثاني هو القفز مباشرة إلى قراءة وتفسير اختبارات ANOVA الأحادية الفردية في المخرجات دون التحقق أولاً من الدلالة الإحصائية للمؤشر المتعدد الشامل (Omnibus Test) في جدول Multivariate Tests. يمثل الاختبار المتعدد صمام الأمان الأساسي؛ فإذا كانت قيمة Wilks’ Lambda أو Pillai’s Trace غير دالة إحصائياً ($p > .05$)، يجب على الباحث التوقف فوراً وقبول الفرضية الصفرية الشاملة، ويُعد الاستمرار في فحص الجداول الفرعية وتصيد فروق أحادية انتهاكاً جسيماً لقواعد الاستدلال الإحصائي السليم.

الخطأ الثالث هو الإهمال التام لفحص التوزيع الطبيعي المتعدد ورصد القيم المتطرفة متعددة المتغيرات قبل تشغيل النموذج. يكتفي كثير من الباحثين بفحص اعتدالية كل متغير على حدة وتجاهل مسافة ماهالانوبيس، غافلين عن حقيقة أن القيم المتطرفة المتبادلة بين المتغيرات قادرة على تغيير اتجاه مصفوفات التغاير بالكامل وتحويل نتائج غير دالة إلى نتائج دالة كاذباً أو العكس.

12.2 سوء تفسير المخرجات الإحصائية في SPSS

ينشأ سوء التفسير الإحصائي غالباً من الخلط المفاهيمي بين الدلالة الإحصائية (Statistical Significance) والأهمية العملية والتطبيقية (Practical Significance). إن الحصول على قيمة $p 1000$) لا يعني بالضرورة أن التدخل النفسي ذو فاعلية خارقة؛ فقد يفسر التدخل أقل من $1%$ من التباين العملي ($\eta^2_p < .01$). يجب على الباحث دائماً الموازنة بين قراءة قيمة الدلالة وقراءة حجم الأثر لتقديم تقييم واقعي وموضوعي للظاهرة المدروسة.

من الأخطاء التفسيرية الشائعة أيضاً التعامل الخاطئ مع جدول اختبار بوكس إم (Box’s M). يعمد بعض الباحثين إلى رفض افتراض تجانس المصفوفات عند ظهور قيمة دلالة أقل من $0.05$ والارتباك في إكمال التحليل، متناسين أن المعيار المعتمد لاختبار بوكس هو $p < .001$ نظراً لحساسيته الفائقة لحجم العينة. كما يُهمل البعض فحص اختبارات ليفين (Levene’s Tests) الأحادية للمتغيرات التابعة الفردية، مما يقودهم لاختيار اختبارات مقارنات بعدية غير مناسبة (مثل استخدام Tukey بدلاً من Games-Howell عند عدم تجانس التباين الأحادي).

أخيراً، يؤدي إهمال تطبيق تعديل بونفيروني ($\alpha / p$) على اختبارات المتابعة الأحادية إلى الوقوع مجدداً في فخ تضخم خطأ النوع الأول الذي سعى تحليل MANOVA في الأصل لتفاديه. إن الاعتماد على المعيار التقليدي ($0.05$) في قراءة جميع اختبارات المتابعة المتعددة يبطل ميزة الحماية المنهجية للنموذج ويجعل القرارات الإحصائية عرضة للشك والطعن الأكاديمي.

12.3 أفضل الممارسات الإحصائية لضمان جودة البحث ورصانته

لضمان أعلى معايير الجودة والرصانة الأكاديمية عند استخدام تحليل التباين المتعدد، يجب على الباحث الالتزام بمجموعة من الممارسات المنهجية الفضلى التي تعزز الشفافية وقابلية التكرار العلمي (Replicability). تبدأ أولى هذه الممارسات بإجراء التخطيط المسبق لحجم العينة واختبار القوة الإحصائية (A Priori Power Analysis) باستخدام برمجيات مثل G*Power قبل جمع البيانات الميدانية وتوثيق ذلك بالتفصيل في خطة البحث ومنهجيته.

تتمثل الممارسة الثانية في الشفافية المطلقة في عرض وتضمين مصفوفات التباين والتغاير (Covariance Matrices) ومصفوفات الارتباط والانحرافات المعيارية الكاملة في ملاحق البحث أو في مستودعات البيانات المفتوحة (Open Science Framework – OSF). يتيح هذا النشر الشفاف للباحثين الآخرين إعادة تدقيق الحسابات المصفوفية وإجراء تحليلات تلوية (Meta-Analyses) مستقبلية تسهم في التراكم المعرفي الرصين.

ختاماً، ينبغي على الباحثين في العلوم النفسية والتربوية استشارة خبراء القياس والتقويم والإحصاء التطبيقي عند مواجهة تصاميم تجريبية معقدة أو بيانات ميدانية غير متزنة. إن فهم المنطق النظري الكامن وراء المعادلات الرياضية والحرص على مطابقة التصميم التجريبي مع الأداة الإحصائية المناسبة هو الضمان الحقيقي لإنتاج أبحاث علمية رصينة تقود إلى فهم أعمق وأدق لأسرار النفس والسلوك البشري.

خاتمة

يمثل تحليل التباين المتعدد (MANOVA) أداة إحصائية منهجية استثنائية تمكن الباحثين في مجالات علم النفس والعلوم السلوكية والتربوية من سبر أغوار الظواهر متعددة الأبعاد بدقة علمية متناهية. من خلال قدرته على دمج المتغيرات التابعة المترابطة في متغيرات مركبة وضبط معدل الخطأ العائلي، يقدم MANOVA رؤية شمولية تتجاوز القصور المنهجي الكامن في التحليلات أحادية المتغير المنفصلة. ومع ذلك، فإن نجاح هذا الأسلوب التحليلي يظل رهيناً بالالتزام الصارم بفحص افتراضاته القبلية—بدءاً من استقلالية المشاهدات والاعتدالية المتعددة وحتى تجانس مصفوفات التباين والتغاير—وحسن اختيار المؤشرات الإحصائية الملائمة لسياق العينة، وصولاً إلى التوثيق الأكاديمي الشفاف وفق معايير APA 7th Edition، بما يضمن سلامة الاستدلال الإحصائي ويسهم في تطوير المعرفة الإنسانية على أسس علمية راسخة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Huberty, C. J., & Morris, J. D. (1989). Multivariate analysis versus multiple univariate analyses. Psychological Bulletin, 105(2), 302–308. https://doi.org/10.1037/0033-2909.105.2.302
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Stevens, J. P. (2009). Applied multivariate statistics for the social sciences (5th ed.). Routledge. https://doi.org/10.4324/9780203843130
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.