الإحصاء الحيوي والنفسيالبرمجة بلغة R

كيفية إجراء اختبار وسيط مود في R

دليل أكاديمي شامل يشرح كيفية إجراء اختبار وسيط مود (Mood’s Median Test) في لغة R لمقارنة وسائط المجموعات المستقلة وتفسير النتائج بدقة إحصائية.

تاريخ النشر

تُعد النماذج الإحصائية اللامعلمية ركيزة جوهرية في ترسانة الباحث الأكاديمي ومحلل البيانات الحديث، لا سيما عند التعامل مع الظواهر الواقعية المعقدة التي تتحدى الافتراضات الصارمة للإحصاء المعلمي الكلاسيكي. في مجالات العلوم الإنسانية، وعلم النفس، وعلم الاجتماع، والاقتصاد السلوكي، والعلوم الطبية الحيوية، غالباً ما تأتي البيانات في صور غير متماثلة أو ملتوية بشدة، أو تحتوي على قيم شاذة متطرفة يتعذر حذفها لما تحمله من دلالات علمية أصيلة، أو تأتي في هيئة مستويات قياس ترتيبية مستمدة من استبانات مقاييس ليكرت. في مثل هذه البيئات المعقدة، يصبح الاعتماد على المتوسط الحسابي واختبارات مثل اختبار “ت” (t-test) أو تحليل التباين الأحادي (ANOVA) مضللاً إحصائياً وذا نزعة تحيزية عالية، مما يبرز الحاجة إلى مقاييس الموضع المركزية المقاومة كـ الوسيط الإحصائي (Median) كبديل رصين وأكثر تمثيلاً للنزعة المركزية الحقيقية للمجتمعات المدروسة.

يقف اختبار وسيط مود (Mood’s Median Test) كواحد من أقدم وأعرق الاختبارات اللامعلمية المصممة خصيصاً لاختبار الفرضيات المتعلقة بتساوي وسائط عينتين مستقلتين أو أكثر. يعتمد الاختبار على تحويل المشكلة الاستدلالية من مقارنة لمعالم التوزيع إلى فحص جدول اقتران ثنائي (Contingency Table) يُقاس عبره مدى تكرار المشاهدات الواقعة أعلى وأدنى من الوسيط العام الإجمالي لكافة البيانات المدمجة. يمنح هذا المنطق الرياضي الأنيق اختبار مود صلابة فائقة واستقلالية شبه كاملة عن شكل التوزيع الهندسي للبيانات، متفوقاً في مرونته على العديد من الاختبارات البديلة عند اختلاف التفرطح وتفاوت أشكال التوزيع بين المجموعات التجريبية، مما يجعله أداة استكشافية وتأكيدية لا غنى عنها في بيئات البحث المتقدمة.

مع تنامي الاعتماد على بيئة البرمجة الإحصائية R كمعيار قياسي للتحليل الإحصائي الأكاديمي عالي الجودة، يتيح توظيف اختبار وسيط مود عبر حزم مثل coin وحزمة RVAideMemoire دقة حوسبية استثنائية، تجمع بين المعالجة الدقيقة للعينات الكبيرة عبر التوزيعات التقاربية، والحساب التبادلي الدقيق للعينات الصغيرة عبر خوارزميات التباديل التوافقية (Permutation and Exact Tests). يهدف هذا الدليل الشامل والمفصل إلى تفكيك كافة الجوانب النظرية والتطبيقية والبرمجية لاختبار وسيط مود، بدءاً من الأسس الرياضية والافتراضات المنهجية، مروراً بالتنفيذ البرمجي المتقدم خطوة بخطوة في لغة R، ووصولاً إلى التفسير الدقيق للمخرجات، والتحليلات البعدية المتعددة، والتمثيل البصري عالي الجودة، والتوثيق الأكاديمي المتوافق مع معايير الجمعية الأمريكية لعلم النفس (APA Style).

جدول المحتويات

1. مقدمة نظرية لاختبار وسيط مود (Mood’s Median Test) وأهميته الإحصائية

1.1 التعريف الرياضي والإحصائي لاختبار وسيط مود

يُعرّف اختبار وسيط مود، الذي وضعه عالم الرياضيات والإحصاء ألكسندر مود (Alexander McFarlane Mood) في منتصف القرن العشرين، بأنه اختبار استدلالي لامعلمي مصمم لتقييم الفرضية القائلة بأن $k$ من العينات المستقلة قد سُحبت من مجتمعات إحصائية تشترك في وسيط مجتمعي متطابق ($M_1 = M_2 = dots = M_k$). لا يفترض الاختبار معرفة التوزيع الاحتمالي النظري للمجتمعات الأصلية (Distribution-free test)، مما يجعله متحرراً من قيود التوزيع الطبيعي ومقاييس التشتت المعلمية.

تتمحور الآلية الرياضية للاختبار حول خطوة جوهرية تتمثل في دمج جميع المشاهدات من كافة المجموعات المستقلة البالغ عددها الكلي $N$ مشاهدة، ثم حساب ما يُعرف بـ الوسيط العام الإجمالي (Grand Median)، والذي نرمز له رياضياً بـ $\tilde{X}_{grand}$. عقب تعيين هذه العتبة المركزية، يتم تصنيف كل مشاهدة فردية في كل مجموعة إلى فئة ثنائية: إما أن تكون قيمتها أعلى قطعياً من الوسيط العام ($X_{ij} > \tilde{X}_{grand}$)، أو أن تكون قيمتها مساوية أو أقل من الوسيط العام ($X_{ij} le \tilde{X}_{grand}$).

يؤدي هذا التصنيف الثنائي إلى اختزال البيانات الكمية أو الترتيبية في مصفوفة اقتران ثنائية الأبعاد بحجم $2 times k$، حيث تُمثل الأعمدة المجموعات المقارنة ($k$)، بينما يُمثل الصف الأول تكرار القيم الأكبر من الوسيط العام، والصف الثاني تكرار القيم المساوية أو الأصغر منه. وبمجرد بناء هذا الجدول التكراري، يتم تقييم استقلال التصنيف الفئوي عن عضوية المجموعة باستخدام إحصائية مربع كاي لبيرسون (Pearson’s Chi-Square) أو اختبار فيشر الدقيق في حالات العينات الصغيرة، مما يوفر محكاً رياضياً صارماً للبت في تجانس الوسائط.

1.2 دواعي استخدام الاختبار في الأبحاث النفسية والسلوكية

تواجه الأبحاث النفسية والاجتماعية تحديات منهجية مستمرة تتعلق بطبيعة البيانات المجموعة عبر أدوات القياس السيكومترية. فعلى سبيل المثال، غالباً ما تعاني درجات مقاييس الاكتئاب، والقلق، والرضا الوظيفي، واضطرابات الصدمة من التواء شديد (Severe Skewness)، حيث تتكتل غالبية أفراد العينة عند المستويات الدنيا للمقياس مع وجود ذيل طويل يمتد نحو الدرجات القصوى. إن تطبيق المقاييس المعلمية في هذه السياقات يؤدي إلى سحب المتوسط الحسابي باتجاه الذيل، مما يقدم صورة زائفة عن المستوى النمطي للمجموعة ويزيد من احتمالية ارتكاب خطأ من النوع الأول أو الثاني في الاستدلال.

كذلك تبرز دواعي استخدام اختبار مود عند التعامل مع البيانات الترتيبية الناتجة عن مقاييس ليكرت (Likert-type scales)، حيث لا تمتلك الفروق بين الدرجات المسجلة خصائص الفترات المتساوية الحقيقية. بما أن الوسيط يعتمد فقط على الترتيب الموضعي للمشاهدات وليس على المسافات الحسابية الفاصلة بينها، فإن اختبار وسيط مود يحافظ على الصدق البنائي لمستوى القياس الترتيبي دون الحاجة إلى افتراضات قياسية تعسفية.

علاوة على ذلك، تتميز البيئات التجريبية في العلوم السلوكية بظهور مشاهدات شاذة حقيقية (Valid Outliers) تعكس استجابات متطرفة لبعض الأفراد ذوي الخصائص الاستثنائية. يوفر اختبار مود حماية إحصائية متينة في مثل هذه الحالات؛ إذ تظل قيمة الوسيط الإجمالي وترتيب المشاهدات حوله محصنة ضد التأثير المفرط للأرقام الفردية المتطرفة، مما يتيح للباحثين الاحتفاظ بكامل حجم العينة دون اللجوء إلى استبعاد المشاهدات أو تطبيق تحويلات جبرية قد تشوه الطبيعة التفسيرية للنتائج.

1.3 المزايا والقيود الإحصائية لاختبار وسيط مود

تكمن الميزة الاستراتيجية الكبرى لاختبار وسيط مود في مقاومته العالية (High Robustness) تجاه التلوث الإحصائي والتوزيعات الشاذة ذات الذيول الثقيلة (Heavy-tailed distributions). ونظراً لأن منطق الاختبار يحول الدرجات إلى فئات ثنائية متمايزة حول نقطة ارتكاز واحدة، فإنه لا يتطلب تماثل أشكال التوزيع بين المجموعات، وهي نقطة تفوق جوهرية مقارنة ببعض الاختبارات اللامعلمية الأخرى كاختبار مان-ويتني أو كروسكال-واليس اللذين يتطلبان تماثل شكل التوزيع لضمان تفسير الفروق على أنها فروق في الوسائط تحديداً.

في المقابل، يواجه اختبار وسيط مود قيوداً منهجية يجب على المحلل إدراكها بدقة. العيب الأبرز يتمثل في انخفاض القوة الإحصائية (Statistical Power) مقارنة باختبارات الرتب الكاملة (Rank-based tests) مثل اختبار ولكوكسون؛ إذ إن عملية تجزيء البيانات المستمرة إلى متغير ثنائي (فوق/تحت الوسيط) تتضمن هدراً لجزء من المعلومات الكمية الدقيقة المتعلقة بمسافات الترتيب بين كل عنصر وآخر، مما يجعل كفاءته النسبية المقاربة (Asymptotic Relative Efficiency) أقل في حال كانت البيانات تتبع توزيعات قريبة من الطبيعية أو المتماثلة.

كما تتمثل إحدى النقاط الحساسة تقنياً في كيفية معالجة المشاهدات التي تتطابق قيمها العددية تماماً مع قيمة الوسيط العام المحسوب (Ties at the Median). إن الطريقة المختارة لتصنيف هذه القيم المتعادلة سواء بضمها إلى الفئة الأدنى، أو استبعادها من التحليل، أو توزيعها بالتساوي قد تؤثر بشكل مباشر على قيمة إحصائية الاختبار الناتجة والقيمة الاحتمالية المرتبطة بها، لا سيما في العينات الصغيرة ذات الدرجات المتقطعة وغير المستمرة.

2. الافتراضات والشروط المنهجية لتطبيق اختبار وسيط مود

2.1 طبيعة المتغيرات ومستوى القياس

يشترط اختبار وسيط مود مجموعة من المحددات القياسية المرتبطة ببنية المتغيرات المدخلة في النموذج لضمان الصدق الرياضي للاستنتاجات الإحصائية:

  • المتغير التابع (Response Variable): يجب أن يُقاس على مستوى ترتيبي (Ordinal) على الأقل، أو مقياس فتري (Interval)، أو نسبي مستمر (Ratio Continuous). يشترط في هذا المتغير إمكانية ترتيب كافة قيمه تصاعدياً أو تنازلياً لتحديد الوسيط الفردي والعام بدقة مطلقة.
  • المتغير المستقل (Grouping Variable): يجب أن يكون متغيراً تصنيفياً أو فئوياً (Categorical/Factor) يحتوي على مجموعتين مستقلتين على الأقل ($k ge 2$)، مثل المقارنة بين مجموعات علاجية مختلفة أو فئات ديموغرافية متعددة.
  • تحرر القيود الشكلية للتوزيع: لا يشترط الاختبار اعتدالية البيانات التابعة داخل كل مجموعة، كما لا يشترط تماثل درجات الالتواء والتفرطح بين المجموعات قيد الفحص.
  • مرونة تجانس التباين: يمتلك الاختبار مرونة فائقة تجاه عدم تجانس التباين بين المجموعات (Heteroscedasticity)، شريطة ألا يؤدي التباين المفرط إلى إخلال جوهري في بنية استقرار الوسيط الإجمالي.

2.2 استقلالية المشاهدات والعينات

تُعد استقلالية المشاهدات الشرط الأساسي الذي لا يقبل المساومة في اختبار وسيط مود. يتطلب هذا الافتراض أن تكون كل مشاهدة في إطار البيانات مستقلة رياضياً وإجرائياً عن كافة المشاهدات الأخرى سواء داخل نفس المجموعة أو بين المجموعات المختلفة. بناءً على ذلك، لا يمكن استخدام هذا الاختبار في تصميمات القياسات المتكررة (Repeated Measures Designs) أو تصميمات العينات المرتبطة والبيانات الطولية (Longitudinal Data) كحالات القياس القبلي والبعدي لنفس الأفراد.

لتحقيق هذا الشرط منهجياً، يجب أن تعتمد عملية جمع البيانات على تقنيات المعاينة العشوائية المستقلة الحقيقية، حيث لا يؤثر اختيار أو أداء أي مفردة على احتمال اختيار أو درجة مفردة أخرى. إن الإخلال بشرط الاستقلالية يؤدي إلى تضخيم غير منضبط لخطأ النوع الأول، مما ينتج عنه استنتاجات خاطئة بوجود فروق ذات دلالة إحصائية في حين أنها راجعة إلى الارتباط الداخلي بين المشاهدات.

2.3 صياغة الفرضيات الصفرية والبديلة

يتم بناء الإطار الاستدلالي لاختبار وسيط مود عبر صياغة دقيقة للفرضيات الإحصائية ترتكز بشكل حصري على وسائط المجتمعات المعنية:

  • الفرضية الصفرية ($H_0$): تنص على أن جميع المجتمعات الإحصائية التي سُحبت منها العينات تشترك في نفس الوسيط، أي:
    $$H_0: \tilde{\theta}_1 = \tilde{\theta}_2 = dots = \tilde{\theta}_k$$
    حيث ترمز $\tilde{\theta}_j$ إلى وسيط المجتمع الحقيقي للمجموعة رقم $j$. ومن منظور احتمالي، تكافئ هذه الفرضية القول بأن احتمال وقوع مشاهدة عشوائية أعلى من الوسيط المشترك متساوٍ تماماً بين كافة المجموعات ويساوي $0.5$.
  • الفرضية البديلة ($H_1$): تنص على وجود مجموعة واحدة على الأقل يختلف وسيط مجتمعها عن باقي وسائط المجموعات الأخرى، أي:
    $$H_1: \exists , i, j \quad \text{such t\hat} \quad \tilde{\theta}_i ne \tilde{\theta}_j$$
  • مستوى الدلالة ($\alpha$): يتم تحديد قيمة العتبة الاحتمالية مسبقاً (غالباً $\alpha = 0.05$ أو $\alpha = 0.01$) للحكم على رفض الفرضية الصفرية في حال كانت القيمة الاحتمالية المحسوبة (p-value) أصغر من هذه العتبة.

3. المقارنة بين اختبار مود والاختبارات الإحصائية البديلة

3.1 اختبار مود مقابل اختبار مان ويتني / كروسكال واليس

يُعد كل من اختبار مان-ويتني (Mann-Whitney U) واختبار كروسكال-واليس (Kruskal-Wallis) الخيارين اللامعلميين الأكثر شيوعاً كبدائل لاختبارات “ت” وتحليل التباين. ومع ذلك، هناك فروق جوهرية في المنطق والافتراضات بينهما وبين اختبار وسيط مود:

  • آلية التحليل الأساسية: تعتمد اختبارات مان-ويتني وكروسكال-واليس على تحويل كافة المشاهدات إلى رتب كلية مستمرة (Ranks) وإجراء العمليات الحسابية على متوسطات الرتب. بينما يقتصر اختبار وسيط مود على تقسيم البيانات إلى رتبتين فئويتين فقط (أعلى أو أدنى من الوسيط العام).
  • فرضية تماثل أشكال التوزيع: لاختبار فرضية تساوي الوسائط تحديداً باستخدام كروسكال-واليس أو مان-ويتني، يجب أن تمتلك كافة المجموعات نفس الشكل التوزيعي بالضبط (نفس الالتواء والتشتت ولكن مع إزاحة موضعية). إذا اختلف شكل التوزيع، فإن اختبار كروسكال-واليس يتحول إلى اختبار للهيمنة العشوائية (Stochastic Dominance) وليس اختباراً للوسائط. في المقابل، يظل اختبار مود اختباراً نقياً للوسائط حتى مع التباين الشديد في أشكال التوزيع.
  • القوة والتفسير: يتفوق كروسكال-واليس في القوة الإحصائية عند تماثل التوزيعات، لكن اختبار مود يتفوق بشكل ساحق في الدقة التفسيرية ومقاومة الانحياز عندما تحتوي البيانات على أشكال توزيع غير متجانسة بين المجموعات.

3.2 اختبار مود مقابل اختبار ت (t-test) وتحليل التباين (ANOVA)

ترتكز الاختبارات المعلمية الكلاسيكية كاختبار “ت” للعينات المستقلة وتحليل التباين الأحادي على مقارنة المتوسطات الحسابية وتفترض اعتدالية التوزيع وتجانس التباين عبر المجتمعات. يوضح الجدول التالي مقارنة دقيقة بين هذه النماذج واختبار وسيط مود:

  • معيار النزعة المركزية: يقارن اختبار “ت” و ANOVA المتوسطات الحسابية ($\mu$)، بينما يقارن اختبار وسيط مود الوسائط الإحصائية ($\tilde{\theta}$). في التوزيعات الملتوية، يمثل الوسيط النقطة الوسطى الحقيقية بنسبة 50% فوقها و 50% تحتها، بينما ينجذب المتوسط للمشاهدات القصوى.
  • التأثر بالقيم الشاذة: يتأثر تحليل التباين بشدة بوجود نقطة شاذة واحدة قد تؤدي لرفع تباين الخطأ أو تشويه المتوسط، مما يخفض القوة أو يولد فروقاً زائفة. بينما يتميز اختبار وسيط مود بمناعة تامة ضد مقادير القيم الشاذة، حيث يتم احتساب القيمة الشاذة كحالة تكرارية واحدة تقع أعلى الوسيط بصرف النظر عن حجمها العددي.
  • معايير التحول للتحليل اللامعلمي: ينبغي الانتقال منهجياً من الاختبارات المعلمية إلى اختبار وسيط مود عندما يتجاوز معامل الالتواء (Skewness) القيمة المعيارية المسموحة ($\pm 1.5$ أو $\pm 2.0$)، أو عند ثبوت فشل اختبارات الاعتدالية مثل اختبار شابيرو-ويلك (Shapiro-Wilk) بشكل قاطع مصحوباً بتباين في أشكال المجموعات.

4. إعداد بيئة العمل وتثبيت الحزم البرمجية في لغة R

4.1 تثبيت واستدعاء حزمة coin والحزم المساعدة

تُعد بيئة لغة R الإحصائية البيئة الأقوى عالمياً لإجراء الاختبارات اللامعلمية بدقة متناهية. لتنفيذ اختبار وسيط مود، نعتمد بشكل رئيسي على حزمة coin (Conditional Inference Procedures in a Permutation Test Framework) التي طوّرها عالم الإحصاء تورستن هوثورن وزملاؤه، والتي تقدم إطاراً رياضياً صارماً للاختبارات التباديلية، إضافة إلى حزم الدعم الإحصائي والرسم البياني من منظومة tidyverse وحزمة RVAideMemoire للمقارنات البعدية المتقدمة.

لتثبيت واستدعاء هذه المكتبات البرمجية في جلسة العمل، يتم تنفيذ الأوامر التالية في بيئة R Console أو RStudio:

# تثبيت الحزم الإحصائية المطلوبة
install.packages("coin")
install.packages("tidyverse")
install.packages("RVAideMemoire")
install.packages("rstatix")

# استدعاء الحزم في جلسة العمل الحالية
library(coin)
library(tidyverse)
library(RVAideMemoire)
library(rstatix)

يضمن استدعاء هذه الحزم توفير كافة الدوال الحسابية الخاصة بتقدير التوزيعات الاحتمالية الدقيقة والتقاربية، بالإضافة إلى أدوات التجهيز وإعادة تشكيل هياكل البيانات التي تسهل تدفق العمليات التحليلية بسلاسة.

4.2 التعرف على بناء جملة الدالة median_test في حزمة coin

تقدم حزمة coin الدالة القياسية median_test() التي تتميز بمرونتها الفائقة وبنائها القائم على صيغ النماذج الخطية المألوفة في لغة R. تأتي البنية العامة للدالة على النحو الآتي:

median_test(formula = response ~ group, data = df, distribution = "asymptotic")

تشتمل الدالة على وسائط حاسمة يجب ضبطها بناءً على الخصائص المنهجية للعينة:

  • formula: صيغة النمذجة الإحصائية، حيث يوضع المتغير التابع المستمر أو الترتيبي على يسار علامة (~)، بينما يوضع المتغير الفئوي الممثل للمجموعات على يمينها.
  • data: إطار البيانات (Data Frame) الذي يحتوي على المتغيرات المستهدفة.
  • distribution: يحدد هذا المعامل كيفية حساب القيمة الاحتمالية ($p\text{-value}$). يتيح الخيار "asymptotic" استخدام التوزيع التقاربي القياسي المعتمد على النهاية العظمى (مناسب للعينات الكبيرة). بينما يتيح الخيار "exact" حساب القيمة الاحتمالية التوافقية الدقيقة عبر التباديل الرياضي الكامل (مثالي للعينات الصغيرة ذات الأحجام دون 30). كما يمكن تحديد خيار التقريب عبر محاكاة مونت كارلو باستخدام approximate(nresample = 10000) للعينات المعقدة.

5. بناء وهيكلة مجموعات البيانات في لغة R

5.1 إنشاء إطار البيانات (Data Frame) اليدوي للأمثلة التطبيقية

لتوضيح التطبيق العملي الشامل، سنقوم ببناء مجموعة بيانات افتراضية تحاكي دراسة في علم النفس الإكلينيكي تهدف إلى مقارنة مستويات القلق النفسي بعد تطبيق ثلاثة بروتوكولات علاجية مختلفة: العلاج السلوكي المعرفي (CBT)، والعلاج القائم على تقبل الالتزام (ACT)، ومجموعة الضبط غير المعالجة (Control). يتم إدخال الدرجات وإنشاء إطار البيانات كما يلي:

# ضبط البذرة العشوائية لضمان تكرارية النتائج
set.seed(1234)

# إنشاء المتغير المستقل (نوع العلاج)
treatment_group <- factor(rep(c("Control", "CBT", "ACT"), times = c(15, 15, 15)))

# إنشاء درجات القلق المصاحبة مع محاكاة الالتواء الشديد ووجود قيم شاذة
anxiety_scores <- c(
  rpois(15, lambda = 35),                      # درجات مرتفعة لمجموعة الضبط
  c(rpois(14, lambda = 20), 55),               # درجات منخفضة لـ CBT مع قيمة متطرفة شاذة (55)
  rpois(15, lambda = 24)                       # درجات متوسطة لـ ACT
)

# دمج المتغيرات في إطار بيانات متكامل
clinical_data <- data.frame(
  Subject_ID = 1:45,
  Group = treatment_group,
  Anxiety = anxiety_scores
)

# استعراض البنية التكوينية لإطار البيانات
str(clinical_data)
head(clinical_data, n = 6)

يوفر فحص البنية عبر str() تأكيداً على أن المتغير الفئوي Group قد تم تعريفه كعامل (Factor) بثلاثة مستويات، وأن درجات القلق Anxiety معرفة كمتغير عددي مستمر.

5.2 استيراد وفحص جودة البيانات من ملفات خارجية

في الممارسات البحثية الميدانية، تُخزن البيانات عادة في ملفات خارجية مثل CSV أو Excel. لقراءة هذه البيانات ومعالجتها وفق أعلى المعايير البرمجية، يمكن استخدام حزمة readr أو readxl مع فحص دقيق للقيم المفقودة وتأكيد المستويات التصنيفية:

# قراءة البيانات من ملف خارجي بصيغة CSV
# raw_data <- read_csv("psychological_assessment_data.csv")

# التحقق من خلو البيانات من القيم المفقودة وإدارتها
sum(is.na(clinical_data$Anxiety))

# إزالة القيم المفقودة إن وجدت بطريقة استباقية
clinical_clean <- clinical_data %>%
  filter(!is.na(Anxiety)) %>%
  mutate(Group = as.factor(Group))

يضمن التأكد من تحويل المتغير التصنيفي إلى factor منع حدوث أخطاء برمجية أثناء معالجة المصفوفات في حزمة coin، وتفادي المعاملة الخاطئة للمتغيرات الفئوية الرقمية كمتغيرات كمية مستمرة.

5.3 الحساب الأولي للوسائط الإحصائية الوصفية

قبل الشروع في التحليل الاستدلالي، يجب استخراج المعالم الوصفية اللامعلمية المتكاملة لكل مجموعة، والتي تتضمن حساب الوسيط، والمدى الربيعي (IQR)، والربيعين الأول والثالث، بالإضافة إلى تحديد الوسيط العام الإجمالي لكافة المشاهدات:

# حساب الوسيط العام الإجمالي لكافة البيانات المدمجة
grand_median_val <- median(clinical_clean$Anxiety)
cat("الوسيط العام الإجمالي لجميع المشاهدات =", grand_median_val, "nn")

# استخراج المقاييس الوصفية اللامعلمية التفصيلية لكل مجموعة
descriptive_summary <- clinical_clean %>%
  group_by(Group) %>%
  summarise(
    N = n(),
    Median = median(Anxiety),
    Q1 = quantile(Anxiety, 0.25),
    Q3 = quantile(Anxiety, 0.75),
    IQR = IQR(Anxiety),
    Min = min(Anxiety),
    Max = max(Anxiety)
  )

# طباعة النتائج الوصفية
print(descriptive_summary)

تُظهر هذه المؤشرات التباين المبدئي بين المجموعات؛ حيث يُبرز المدى الربيعي مدى تشتت 50% من المشاهدات الوسطى لكل بروتوكول علاجي، مما يعطي فهماً أولياً حول توزيع الدرجات حول الوسيط الخاص بكل مجموعة مقارنة بالوسيط العام.

6. تنفيذ اختبار وسيط مود لمجموعتين مستقلتين خطوة بخطوة

6.1 تطبيق الدالة median_test ومطابقة النتائج

سنبدأ أولاً بتطبيق الاختبار على تصميم يتضمن عينتين مستقلتين فقط، من خلال تصفية مجموعة البيانات لمقارنة مجموعة الضبط (Control) بمجموعة العلاج السلوكي المعرفي (CBT):

# تصفية البيانات لمجموعتين فقط
two_groups_data <- clinical_clean %>%
  filter(Group %in% c("Control", "CBT")) %>%
  mutate(Group = droplevels(Group))

# تنفيذ اختبار وسيط مود باستخدام التوزيع التقاربي
median_res_asymp <- median_test(Anxiety ~ Group, data = two_groups_data, distribution = "asymptotic")
print(median_res_asymp)

# تنفيذ الاختبار باستخدام التوزيع الدقيق (Exact Permutation)
median_res_exact <- median_test(Anxiety ~ Group, data = two_groups_data, distribution = "exact")
print(median_res_exact)

يسمح الخيار distribution = "exact" بحساب التوزيع الاحتمالي الدقيق عبر حساب كافة التباديل الرياضية الممكنة لتوزيع المشاهدات، مما يقدم أعلى موثوقية استدلالية عند التعامل مع مجموعات ذات أحجام عينات صغيرة أو متوسطة.

6.2 إنشاء جدول الاقتران الثنائي (Contingency Table) يدويًا في R

لفهم الآلية الداخلية لكيفية عمل دالة median_test()، سنقوم بإنشاء جدول الاقتران التكراري الثنائي $2 times 2$ يدوياً بالاعتماد على الوسيط العام لمجموعتي المقارنة:

# حساب الوسيط العام لمجموعتي Control و CBT
med_two <- median(two_groups_data$Anxiety)

# تصنيف المشاهدات إلى أعلى من الوسيط أو (مساوٍ/أقل منه)
two_groups_data <- two_groups_data %>%
  mutate(Median_Class = ifelse(Anxiety > med_two, "Above_Median", "Below_Or_Equal"))

# إنشاء مصفوفة التكرارات الملاحظة (Contingency Table)
contingency_table_2x2 <- table(two_groups_data$Median_Class, two_groups_data$Group)
print(contingency_table_2x2)

توضح هذه المصفوفة التوزيع التكراري الدقيق لكيفية تموضع أفراد كل مجموعة حول الوسيط المشترك؛ حيث يظهر بوضوح ما إذا كانت إحدى المجموعات تستحوذ على تكرار غير متناسب من المشاهدات في الجانب المرتفع مقارنة بالمجموعة الأخرى.

7. تفسير المخرجات الإحصائية واستخراج الدلالة في R

7.1 قراءة إحصائية الاختبار وقيمة z والقيمة الاحتمالية (p-value)

عند طباعة مخرجات الكائن median_res_asymp في بيئة R، يظهر تقرير إحصائي يتضمن اسم الاختبار، والمتغيرات المستخدمة، وإحصائية المحك القياسية:

# مخرجات نموذجية لاختبار وسيط مود لمجموعتين:
# Asymptotic Two-Sample Mood's Median Test
# data: Anxiety by Group (CBT, Control)
# Z = -3.4785, p-value = 0.0005042
# alternative hypothesis: two.sided

لقراءة وتفسير هذه المخرجات بدقة منهجية:

  • إحصائية Z المحسوبة: تمثل القيمة المعيارية للانحراف عن التوزيع المتوقع تحت الفرضية الصفرية. القيمة السالبة ($Z = -3.48$) تشير إلى أن تكرار القيم المرتفعة في المجموعة الأولى المدرجة أقل بكثير من المتوقع نظرياً بالمقارنة بالمجموعة الثانية.
  • القيمة الاحتمالية (p-value): بلغت القيمة الاحتمالية $p = 0.0005042$. وبما أن هذه القيمة أصغر بكثير من مستوى الدلالة المعتمد عالمياً ($\alpha = 0.05$)، فإننا نرفض الفرضية الصفرية ($H_0$) بكل ثقة إحصائية.
  • القرار الإحصائي: نستنتج وجود فرق ذي دلالة إحصائية جوهرية بين وسيط مجموعة العلاج المعرفي السلوكي ووسيط مجموعة الضبط في مستويات القلق بعد التدخل العلاجي.

7.2 حساب وتفسير حجم الأثر (Effect Size)

لا يكتمل التحليل الإحصائي الحديث بمجرد استخراج الدلالة الإحصائية؛ إذ يجب تحديد الأهمية العملية (Practical Significance) عبر حساب حجم الأثر (Effect Size). في اختبارات وسيط مود الثنائية المبنية على التوزيع المعياري $Z$، يُعتبر معامل الارتباط الرتبي$r$ هو المقياس الأمثل لحجم الأثر، ويُحسب وفق المعادلة:

$$r = \frac{|Z|}{\sqrt{N}}$$

حيث يمثل $N$ الحجم الكلي للعينة المدمجة. يمكن تنفيذ هذه العملية الحسابية برمجياً في لغة R وتصنيف الأثر وفق محكات كوهين (Cohen’s criteria) الشهيرة (0.1 = أثر صغير، 0.3 = أثر متوسط، 0.5 = أثر كبير):

# استخراج إحصائية Z من كائن الاختبار
z_val <- as.numeric(statistic(median_res_asymp))
n_total <- nrow(two_groups_data)

# حساب معامل حجم الأثر r
r_effect <- abs(z_val) / sqrt(n_total)
cat("معامل حجم الأثر r =", round(r_effect, 3), "n")

# التقييم النوعي لحجم الأثر
effect_desc <- ifelse(r_effect >= 0.5, "كبير جداً (Large Effect)",
               ifelse(r_effect >= 0.3, "متوسط (Medium Effect)", "صغير (Small Effect)"))
cat("التصنيف النوعي للأثر:", effect_desc, "n")

يشير الحصول على حجم أثر مرتفع ($r > 0.5$) إلى أن الفروق الملاحظة بين المجموعتين ليست مجرد صدفة إحصائية ناتجة عن حجم العينة، بل تمثل تأثيراً علاجياً وسلوكياً قوياً وبالغ الأهمية التطبيقية في بيئة الممارسة الإكلينيكية.

8. تطبيق الاختبار على أكثر من مجموعتين (k > 2) والتحليلات البعدية

8.1 إجراء اختبار مود لتصميمات المجموعات المتعددة

عند توسيع التصميم التجريبي ليشمل ثلاثة مستويات أو أكثر (كالمقارنة بين الضبط، CBT، و ACT)، يتحول اختبار وسيط مود من توزيع $Z$ الثنائي إلى توزيع مربع كاي ($\chi^2$) العام بدرجات حرية مساوية لـ $k – 1$. يتم تنفيذ الاختبار على كامل إطار البيانات clinical_clean كما يلي:

# تنفيذ اختبار وسيط مود المتعدد المجموعات
multi_median_test <- median_test(Anxiety ~ Group, data = clinical_clean, distribution = "asymptotic")
print(multi_median_test)

تُظهر المخرجات إحصائية مربع كاي الكلية ($\chi^2$)، ودرجات الحرية ($df = 2$)، والقيمة الاحتمالية المقابلة. إذا أشارت القيمة الاحتمالية الكلية إلى وجود دلالة إحصائية ($p < 0.05$)، فإن هذا يؤكد وجود اختلاف بين مجموعة واحدة على الأقل وباقي المجموعات، دون تحديد أي المجموعات تحديداً يكمن بينها هذا التباين، مما يستلزم الانتقال فوراً إلى المقارنات البعدية المتعددة (Post-Hoc Pairwise Comparisons).

8.2 المقارنات البعدية المتعددة (Post-Hoc Pairwise Comparisons)

لإجراء مقارنات ثنائية زوجية بين كافة المجموعات التجريبية دون الوقوع في معضلة تضخم خطأ النوع الأول الناجم عن إجراء اختبارات متعددة (Family-Wise Error Rate)، نستخدم دالة mood.medtest() المتوفرة داخل حزمة RVAideMemoire مع تطبيق تصحيحات احتمالية صارمة مثل تصحيح بونفروني (Bonferroni) أو تصحيح بنجاميني-هوكبرغ لمعدل الاكتشاف الخاطئ (Benjamini-Hochberg FDR):

# إجراء المقارنات البعدية الزوجية المصححة
posthoc_bonferroni <- pairwise.table(
  compare.levels = levels(clinical_clean$Group),
  type = "median",
  p.adjust.method = "bonferroni"
)

# بديل متقدم وشامل باستخدام حزمة RVAideMemoire المخصصة
pairwise_mood <- pairwise.perm.test(
  clinical_clean$Anxiety,
  clinical_clean$Group,
  test = "mood.medtest",
  p.method = "fdr"
)
print(pairwise_mood)

تُنتج هذه الأوامر مصفوفة احتمالية متبادلة توضح القيم الدقيقة لـ $p\text{-value}$ بعد التعديل بين كل زوج علاجي (CBT مقابل Control، ACT مقابل Control، و CBT مقابل ACT)، مما يسمح للباحث بتحديد التدخل العلاجي الأكثر تفوقاً بصرامة إحصائية مطلقة وتجنب الاستنتاجات الزائفة.

9. الحساب اليدوي والبدائل الكلاسيكية لاختبار وسيط مود في R

9.1 تنفيذ الاختبار باستخدام chisq.test الأساسية في R

يمكن لأي باحث إجراء اختبار وسيط مود بصورته الكلاسيكية دون الحاجة لتثبيت حزم خارجية، وذلك بالاعتماد فقط على الدوال الأساسية المدمجة في بيئة Base R عبر دمج دالة table() مع دالة chisq.test():

# 1. حساب الوسيط العام لكافة البيانات
overall_med <- median(clinical_clean$Anxiety)

# 2. بناء جدول الاقتران لجميع المجموعات الثلاث
tab_k_groups <- table(
  Factor = ifelse(clinical_clean$Anxiety > overall_med, "Above", "Below_Or_Equal"),
  Group = clinical_clean$Group
)
print(tab_k_groups)

# 3. تطبيق اختبار مربع كاي الكلاسيكي
chisq_mood_res <- chisq.test(tab_k_groups, correct = FALSE)
print(chisq_mood_res)

# 4. تطبيق الاختبار مع تصحيح ييتس للاستمرارية (للجداول الثنائية 2x2)
# chisq.test(tab_2x2, correct = TRUE)

تتطابق نتائج اختبار مربع كاي هذا تماماً مع المخرجات التقاربية لحزمة coin في حالة جداول $k \times 2$، حيث توفر دالة chisq.test() استعراضاً سريعاً لقيمة إحصائية المحك، ودرجات الحرية، والقيم المتوقعة تحت الفرضية الصفرية عبر الوصول إلى الكائن chisq_mood_res$expected.

9.2 تطبيق اختبار فيشر الدقيق للعينات متناهية الصغر

عندما تكون أحجام العينات صغيرة جداً، بحيث يحتوي جدول الاقتران الناتج على خلايا ذات تكرارات متوقعة تقل عن 5 (Expected Counts < 5)، يفقد اختبار مربع كاي التقاربي دقته ويصبح غير صالح رياضياً. في هذه الحالة، يُعتبر تطبيق اختبار فيشر الدقيق (Fisher’s Exact Test) على جدول الاقتران هو الحل المنهجي الأمثل والموثوق:

# فحص التكرارات المتوقعة في خلايا الجدول
chisq_mood_res$expected

# تطبيق اختبار فيشر الدقيق لحساب القيمة الاحتمالية الصارمة
fisher_mood_res <- fisher.test(tab_k_groups)
print(fisher_mood_res)

يعتمد اختبار فيشر على الحساب التوافقي المباشر للاحتمالات الهندسية الفوقية (Hypergeometric Probabilities)، متجاوزاً بذلك كافة متطلبات الحجم الكبير للعينة، وموفراً حلاً إحصائياً صارماً للدراسات الاستطلاعية والسريرية ذات العينات المحدودة.

10. التمثيل البصري لبيانات وسيط مود باستخدام ggplot2

10.1 رسم المخطط الصندوقي (Boxplot) مع تمييز الوسائط بوضوح

يُعد التمثيل البصري عنصراً حاسماً في إيصال نتائج التحليلات اللامعلمية بدقة للقراء والمحكمين الأكاديميين. باستخدام حزمة ggplot2 المتطورة، يمكن بناء رسم بياني صندوقي احترافي يوضح التوزيع الربيعي لكل مجموعة، مع رسم خط أفقي متقطع يوضح موضع الوسيط العام الإجمالي بشكل بارز:

# بناء المخطط الصندوقي المتقدم وفق المعايير الأكاديمية
ggplot(clinical_clean, aes(x = Group, y = Anxiety, fill = Group)) +
  geom_boxplot(alpha = 0.7, outlier.shape = 21, outlier.fill = "red", outlier.size = 2.5) +
  geom_hline(yintercept = grand_median_val, linetype = "dashed", color = "darkblue", size = 1.1) +
  annotate("text", x = 0.8, y = grand_median_val + 1.5, label = paste("الوسيط العام =", grand_median_val), color = "darkblue", fontface = "bold") +
  scale_fill_brewer(palette = "Set2") +
  labs(
    title = "مقارنة مستويات القلق النفسي بين المجموعات العلاجية",
    subtitle = "تمثيل بياني لاختبار وسيط مود موضحاً الوسيط العام الإجمالي والمدى الربيعي",
    x = "المجموعة التجريبية",
    y = "درجة القلق المقاسة (HAM-A Score)"
  ) +
  theme_classic(base_size = 14) +
  theme(
    legend.position = "none",
    plot.title = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(hjust = 0.5)
  )

يبرز هذا المخطط موقع وسيط كل مجموعة نسبة إلى الخط المرجعي للوسيط العام، مما يعطي القارئ تصويراً حدسياً مباشراً لأسباب ظهور الدلالة الإحصائية في اختبار مود.

10.2 تصور توزيع البيانات الفردية ونقاط التشتت (Jitter Plots)

لتعزيز الشفافية البيانية وتجنب إخفاء النقاط الفردية وتوزيعها الدقيق داخل الصناديق، يُفضل دمج المخطط الصندوقي مع طبقة من النقاط المشتتة عشوائياً (Jitter Plot)، وتلوين النقاط بحسب موضعها أعلى أو أسفل الوسيط العام المشترك:

# إضافة متغير لوني لتحديد موضع النقطة الفردية من الوسيط العام
clinical_clean <- clinical_clean %>%
  mutate(Position = ifelse(Anxiety > grand_median_val, "أعلى من الوسيط العام", "أدنى أو مساوٍ للوسيط"))

# رسم المخطط المشترك الصندوقي مع نقاط التشتت الفردية
ggplot(clinical_clean, aes(x = Group, y = Anxiety)) +
  geom_boxplot(alpha = 0.4, fill = "gray90", color = "gray40", outlier.shape = NA) +
  geom_jitter(aes(color = Position), width = 0.2, size = 3, alpha = 0.85) +
  geom_hline(yintercept = grand_median_val, linetype = "dotted", color = "black", size = 1) +
  scale_color_manual(values = c("أعلى من الوسيط العام" = "#D95F02", "أدنى أو مساوٍ للوسيط" = "#1B9E77")) +
  labs(
    title = "توزيع المشاهدات الفردية حول الوسيط العام",
    x = "المجموعة",
    y = "الدرجة المستمرة",
    color = "الموضع النسبي"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    legend.position = "bottom"
  )

يوفر هذا التصور المركب عمقاً تحليلياً استثنائياً، حيث يكشف بصرياً عن تكتل نقاط مجموعة معينة في النصف العلوي أو السفلي للتوزيع، مع إبراز المشاهدات المتطرفة بدقة متناهية ودون إخفاء لأي تباين بنيوي في البيانات.

11. معالجة التحديات الإحصائية وحالات التعادل مع الوسيط (Ties)

11.1 التعامل مع المشاهدات المساوية للوسيط المشترك بدقة

تُمثل المشاهدات التي تتساوى قيمتها تماماً مع قيمة الوسيط العام المحسوب ($X_{ij} = \tilde{X}_{grand}$) معضلة تصنيفية شائعة في اختبار وسيط مود، وتُعرف إحصائياً بظاهرة التعادل (Ties). تتبنى المدارس الإحصائية والبرمجية ثلاث استراتيجيات رئيسية للتعامل مع هذه الحالات:

  • الدمج مع الفئة الأدنى ($X le \tilde{X}_{grand}$): وهي الاستراتيجية الافتراضية الأكثر شيوعاً والمطبقة في دالة chisq.test عند صياغة الشرط الجبري Anxiety > median؛ حيث يُعتبر كل ما هو غير أكبر قطعياً من الوسيط جزءاً من الفئة الدنيا.
  • الاستبعاد التام للمشاهدات المتعادلة: يتم في هذه الطريقة حذف أي مشاهدة تساوي الوسيط العام تماماً من التحليل وتقليل حجم العينة الكلي بمقدار المشاهدات المحذوفة. بالرغم من أن هذه الطريقة تجعل التصنيف ثنائياً متناظراً بدقة ($X > \tilde{X}$ مقابل $X < \tilde{X}$)، إلا أنها قد تؤدي إلى فقدان قوة الاختبار عند كثرة المشاهدات المتعادلة.
  • التوزيع التبادلي المنصف: توزيع الحالات المتعادلة بالتناصف بين الفئتين العليا والدنيا، أو استخدام نماذج التباديل المشروطة المتقدمة المدمجة في حزمة coin التي تتعامل مع التعادل عبر الحساب التبادلي الدقيق لكافة الاحتمالات التوزيعية الممكنة.

في لغة R، تتعامل حزمة coin ودالتها median_test() مع التعادلات بكفاءة عالية عبر إطار الاستدلال المشروط، مما يجعلها الخيار البرمجي الأكثر أماناً وموثوقية مقارنة بالمعالجات اليدوية التبسيطية.

11.2 التعامل مع البيانات غير المتوازنة (Unbalanced Sample Sizes)

في الدراسات الميدانية غير المضبوطة مخبرياً، قد تختلف أحجام العينات بين المجموعات اختلافاً شاسعاً (مثلاً $n_1 = 15$ بينما $n_2 = 120$). يؤدي هذا الخلل الحجمي إلى ترجيح كفة المجموعة الأكبر حجماً في تحديد قيمة الوسيط العام الإجمالي، مما يجعل الوسيط العام أقرب إلى التمركز حول المجموعة الكبيرة وتشويه تصنيف المجموعة الصغيرة.

للتعامل مع هذه المعضلة وتخفيف أثر عدم التوازن، يُوصى باتباع الخطوات المنهجية التالية:

  • تطبيق خوارزميات التباديل ومحاكاة مونت كارلو: استخدام المعامل distribution = approximate(B = 20000) لضمان استقرار حساب القيمة الاحتمالية بغض النظر عن انعدام التوازن الحجمي.
  • إعادة المعاينة البوتسترابية (Bootstrapping): تقدير فترات الثقة للوسائط الفردية وفروق الوسائط عبر خوارزميات البوتستراب غير المعلمي لتقييم مدى استقرار الفروق الملاحظة.
  • فحص حساسية النتائج (Sensitivity Analysis): إعادة تشغيل الاختبار بعد أخذ عينات عشوائية متوازنة الحجم الفرعي للتحقق مما إذا كانت الدلالة الإحصائية ناتجة عن التباين الحقيقي في النزعة المركزية أم كأثر جانبي لعدم توازن الحجم.

12. توثيق نتائج اختبار وسيط مود وفق أسلوب الجمعية الأمريكية لعلم النفس (APA)

12.1 قواعد كتابة التقارير الإحصائية لاختبار وسيط مود

يفرض دليل النشر الأكاديمي الصادر عن الجمعية الأمريكية لعلم النفس في طبعته السابعة (APA 7th Edition) معايير دقيقة وشفافة لتوثيق نتائج الاختبارات اللامعلمية واختبار وسيط مود تحديداً:

  • الإحصاءات الوصفية: يجب ذكر قيمة الوسيط ($Mdn$) والمدى الربيعي ($IQR$) أو الربيعين ($Q_1, Q_3$) لكل مجموعة بوضوح قبل الشروع في سرد المؤشرات الاستدلالية. لا يجوز الاكتفاء بالمتوسط والانحراف المعياري في حال استخدام اختبارات الوسيط اللامعلمية.
  • المؤشرات الاستدلالية: يجب تدوين إحصائية الاختبار المستخدمة بدقة؛ إذا كان الاختبار لمجموعتين واستخدم التوزيع التقاربي تُذكر قيمة $Z$ المعيارية، أما في حال استخدام توزيع مربع كاي فتُكتب في هيئة $\chi^2(df, N = dots) = dots$ متضمنة درجات الحرية والحجم الإجمالي للعينة.
  • القيمة الاحتمالية الدقيقة: تُذكر القيمة الاحتمالية بدقة حتى ثلاثة أرقام عشرية (مثال: $p = .012$) وتُكتب بصيغة $p < .001$ في حال كانت متناهية الصغر، مع تجنب كتابة الصفر قبل الفاصلة العشرية في القيم الاحتمالية.
  • حجم الأثر وتفسيره: يُلزم دليل APA الباحثين بذكر مؤشر حجم الأثر المصاحب (مثل معامل الارتباط $r$ أو معامل فاي $phi$ أو كرامر $V$) وتفسير وزنه العملي في السياق الميداني للبحث.

12.2 نماذج كتابية متكاملة لتقارير الأبحاث

أولاً: نموذج توثيق مقارنة عينتين مستقلتين (Two-Group Design):

«أُجري اختبار وسيط مود اللامعلمي (Mood’s Median Test) لتقييم الفروق في مستويات القلق النفسي البعدي بين مجموعة العلاج السلوكي المعرفي ($n = 15$) ومجموعة الضبط غير المعالجة ($n = 15$). أظهرت النتائج الوصفية انخفاضاً ملحوظاً في وسيط درجات القلق لدى أفراد مجموعة العلاج السلوكي المعرفي ($Mdn = 20.00, IQR = 4.50$) مقارنة بأفراد مجموعة الضبط ($Mdn = 35.00, IQR = 5.00$). وقد كشف الاختبار عن وجود فروق ذات دلالة إحصائية جوهرية بين وسائط المجموعتين ($Z = -3.48, p < .001$). علاوة على ذلك، أظهر حساب حجم الأثر الرتبي تأثيراً علاجياً بالغ القوة ($r = .635$)، مما يؤكد الفاعلية الإكلينيكية المرتفعة لبروتوكول العلاج السلوكي المعرفي في خفض حدة الأعراض.»

ثانياً: نموذج توثيق مقارنة متعددة المجموعات مع تحليلات بعدية (Multi-Group Design with Post-Hoc):

«تم تطبيق اختبار وسيط مود المتعدد لفحص أثر نوع التدخل العلاجي (CBT، ACT، و الضبط) على حدة الأعراض النفسية عبر إجمالي عينة قوامها 45 مشاركاً ($n = 15$ لكل مجموعة). كشف الاختبار الكلي عن وجود فروق دالة إحصائياً بين وسائط المجموعات الثلاث حول الوسيط العام الإجمالي البالغ 24 درجة، $\chi^2(2, N = 45) = 21.43, p < .001$. وبناءً على ذلك، أُجريت مقارنات بعدية زوجية باستخدام اختبار وسيط مود التبادلي مع ضبط معدل الاكتشاف الخاطئ عبر تصحيح بنجاميني-هوكبرغ (Benjamini-Hochberg FDR). أظهرت المقارنات تفوقاً دالاً إحصائياً لمجموعة CBT ($Mdn = 20.00$) على مجموعة الضبط ($Mdn = 35.00, p_{adj} < .001$)، وتفوقاً دالاً لمجموعة ACT ($Mdn = 24.00$) على مجموعة الضبط ($p_{adj} = .002$). في حين لم تُسفر المقارنة المباشرة بين بروتوكولي CBT و ACT عن فرق دال إحصائياً عند مستوى الدلالة المعتمد ($p_{adj} = .084$).»

خاتمة

يُمثل اختبار وسيط مود (Mood’s Median Test) أداة إحصائية لامعلمية كلاسيكية ذات قيمة منهجية استثنائية في عصر البيانات الضخمة والمعقدة. بفضل اعتماده على الوسيط العام كمرتكز تصنيفي وتحويل البيانات إلى جداول اقتران ثنائية، يمنح هذا الاختبار المحللين والباحثين حصانة كاملة ضد تشوهات القيم المتطرفة الشاذة وانتهاكات التوزيع الطبيعي وعدم تجانس التباين. ورغم أن كفاءته النسبية قد تكون أقل في التوزيعات المثالية مقارنة باختبارات الرتب الكاملة، إلا أنه يظل الاختبار الأكثر صدقاً ودقة عندما تختلف أشكال التوزيعات التكرارية للمجموعات وتكون الغاية المنهجية هي المقارنة الصريحة للوسائط الحقيقية للمجتمعات.

يوفر توظيف لغة R عبر حزمها المتقدمة كـ coin و tidyverse و ggplot2 بيئة تحليلية ورسومية متكاملة تتيح الانتقال السلس من مرحلة فحص وتجهيز البيانات، إلى التنفيذ الحوسبي الدقيق، والتمثيل البياني الجذاب، والتوثيق الأكاديمي الصارم وفق معايير APA. إن الاستخدام الرشيد لهذه التقنيات يضمن للباحثين تقديم نتائج علمية تتسم بأعلى درجات الرصانة والشفافية والموثوقية الإحصائية في شتى مجالات المعرفة الإنسانية والتجريبية.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). كيفية إجراء اختبار وسيط مود في R. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-moods-median-test-in-r/
looti, Mohammed. “كيفية إجراء اختبار وسيط مود في R.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-moods-median-test-in-r/.
looti, Mohammed. “كيفية إجراء اختبار وسيط مود في R.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/how-to-perform-moods-median-test-in-r/.