كيفية إجراء اختبار t لعينة واحدة في برنامج ستاتا

تُمثّل الإحصاءات الاستدلالية (Inferential Statistics) الركيزة الأساسية التي يُبنى عليها الاستقصاء العلمي الحديث في مختلف الحقول الأكاديمية والبحثية، بدءاً من العلوم السلوكية والاجتماعية ووصولاً إلى العلوم الطبية والاقتصاد القياسي. وتستند القرارات التجريبية والميدانية إلى اختبار الفرضيات بهدف استخلاص تعميمات موثوقة حول المجتمعات الإحصائية انطلاقاً من بيانات العينات المسحوبة منها. وفي صلب هذه الترسانة المنهجية، يبرز اختبار t لعينة واحدة (One-Sample t-test) كواحد من أقدم النماذج المعلمية وأكثرها استخداماً لتقييم مدى تباعد متوسط عينة مفردة عن قيمة مرجعية أو معيارية ثابتة يُحددها الباحث مسبقاً بناءً على أطر نظرية أو معايير قياسية تاريخية.

يتطلب التطبيق الرصين لهذا الاختبار فهماً عميقاً للمفاهيم الرياضية الحاكمة والافتراضات المنهجية التي تضمن دقة وصحة الاستدلال، إلى جانب التمكن من استخدام برمجيات إحصائية متقدمة توفر بيئة حاسوبية دقيقة وقابلة لإعادة الإنتاج. وتُعد حزمة ستاتا (Stata) البرمجية إحدى المنصات القياسية المعترف بها دولياً في مراكز البحوث والجامعات العريقة، نظراً لما تتمتع به من بنية برمجية تجمع بين واجهة المستخدم الرسومية التفاعلية وقوة سطر الأوامر البرمجية التي تتيح أتمتة التحليلات وتوثيقها بأعلى درجات الموثوقية الأكاديمية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة تفصيلية ومتكاملة لكيفية إجراء اختبار t لعينة واحدة في برنامج ستاتا، مستعرضاً الأسس النظرية للاختبار، والتحقق الاستكشافي من الافتراضات الإحصائية كالتوزيع الطبيعي واكتشاف القيم الشاذة، وتنفيذ الاختبار عبر الواجهتين الرسومية والبرمجية، وتفسير المخرجات الاستدلالية بدقة، وحساب مؤشرات حجم الأثر (Effect Size)، وسبل معالجة انتهاك الافتراضات، وانتهاءً بتوثيق النتائج وفق المعايير الصارمة لأسلوب جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة شاملة لاختبار t لعينة واحدة في برنامج ستاتا (Stata)

1.1 مفهوم اختبار t لعينة واحدة وسياقه الإحصائي

يُعرَّف اختبار t لعينة واحدة (One-Sample Student’s t-test) بأنه أداة إحصائية استدلالية معلمية تُستخدم لاختبار الفرضية الصفرية القائلة بأن المتوسط الحسابي لمجتمع إحصائي محدد ($\mu$) يساوي قيمة افتراضية أو معيارية معلومة سلفاً يُرمز لها بالرمز ($\mu_0$). وتنشأ الحاجة إلى هذا الاختبار عندما يرغب الباحث في مقارنة متوسط مجموعة من المشاهدات بقيمة ثابتة تمثل معياراً وطنياً، أو أداءً قياسياً سابقاً، أو حداً أدنى من الكفاءة، أو قيمة نظرية محددة. يرتكز هذا الإجراء على توزيع t لستيودنت، الذي طوره ويليام سيلي جوسيت في بدايات القرن العشرين للتعامل مع العينات الصغيرة عندما يكون الانحراف المعياري للمجتمع الأصلي ($\sigma$) غير معلوم ويتم تقديره من خلال الانحراف المعياري للعينة ($s$).

تتجلى الأهمية التطبيقية لهذا الاختبار بصورة بارزة في البحوث النفسية والاجتماعية والعلوم التربوية والسلوكية؛ حيث يحتاج الباحثون بانتظام إلى تقييم ما إذا كان أداء عينة دراسية خضعت لبرنامج تدريبي أو علاجي محدد يختلف جوهرياً عن المعدل النمائي العام للسكان، أو مقارنة درجات القلق والاكتئاب لدى فئة مهنية معينة بالمعدل الطبيعي المقنن على المستوى الوطني. ويُتيح الاختبار اتخاذ قرارات مبنية على حساب احتمالية الخطأ من النوع الأول ($\alpha$)، مما يمنع الباحثين من الوقوع في فخ الاستنتاجات المضللة الناتجة عن التباين العشوائي للعينات.

من الأهمية بمكان التمييز الدقيق بين اختبار t لعينة واحدة والاختبارات التائية الأخرى لتفادي الخلط المنهجي في التصاميم التجريبية. فاختبار t للعينات المستقلة (Independent-Samples t-test) يُعنى بمقارنة متوسطي مجموعتين منفصلتين تماماً من المشاهدات (مثل مقارنة الذكور بالإناث أو المجموعة التجريبية بالضابطة). أما اختبار t للعينات المترابطة أو المزدوجة (Paired-Samples t-test)، فيُستخدم لمقارنة متوسطين مقاسين لنفس المجموعة من الأفراد في نقطتين زمنيتين مختلفتين (كالاختبار القبلي والبعدي) أو تحت شرطين تجريبيين متطابقين. في المقابل، يقتصر اختبار t لعينة واحدة على فحص متغير متصل واحد لمجموعة مفردة ومقارنته بنقطة ارتكاز ثابتة.

1.2 أهمية استخدام برنامج ستاتا (Stata) في التحليل الإحصائي

تكتسب بيئة ستاتا (Stata) مكانة متقدمة بين البرمجيات الإحصائية المتخصصة في التحليل القياسي، والبحوث الطبية الوبائية، والعلوم الاجتماعية، والسياسات العامة. وتتميز المنصة بصلابتها البرمجية الفائقة وقدرتها العالية على إدارة مصفوفات البيانات الضخمة والمعقدة، وإجراء العمليات الحسابية بكفاءة استثنائية مع الحفاظ على أعلى مستويات الدقة العددية. وتخضع الخوارزميات الإحصائية في ستاتا لعمليات تدقيق وتحقق صارمة من قبل خبراء القياس الإحصائي، مما يجعل نتائجها معياراً موثوقاً لدى المجلات العلمية المحكمة ذات التصنيف المرموق.

تتمتع ستاتا بمرونة مزدوجة فريدة؛ حيث تجمع بين واجهة المستخدم الرسومية التفاعلية (Graphical User Interface – GUI) المدعومة بقوائم منسدلة وصناديق حوار تسهل على المبتدئين الوصول إلى التحليلات، وسطر الأوامر البرمجية المباشر (Command Syntax) الذي يتيح للمحللين المتمرسين تنفيذ العمليات المعقدة بسرعة ودقة. وتُعد هذه الثنائية نقطة قوة جوهرية؛ إذ إن تنفيذ أي إجراء عبر القوائم الرسومية يُولد تلقائياً الكود البرمجي المقابل في نافذة النتائج، مما يسهم في تسريع منحنى التعلم لدى الباحثين ويوفر فهماً أفضل للبنية البرمجية للأوامر الإحصائية.

علاوة على ذلك، تُعد ستاتا الخيار الأمثل لتعزيز الشفافية العلمية وإعادة إنتاج الأبحاث (Reproducibility) بفضل اعتمادها على ملفات الأوامر المجمعة (Do-files) وملفات حفظ السجلات (Log files). تتيح ملفات الـ Do-files كتابة وحفظ كل خطوات تنظيف البيانات، وفحص الافتراضات، وتشغيل النماذج الاستدلالية، وتصدير الجداول في كود نصي متسلسل يمكن تشغيله وتعديله ومشاركته مع الأقران واللجان العلمية في أي وقت، مما يضمن التوثيق الدقيق للعمليات البحثية ويقضي على الأخطاء البشرية الملازمة للمعالجات اليدوية المتكررة.

2. الأسس النظرية والافتراضات الإحصائية لاختبار t لعينة واحدة

2.1 الافتراضات الإحصائية الأساسية للاختبار

يتطلب الاستخدام السليم لاختبار t لعينة واحدة تحقق مجموعة من الشروط المنهجية والافتراضات الرياضية الصارمة، والتي يُعد استيفاؤها شرطاً مسبقاً لضمان موثوقية القرارات الاستدلالية الناتجة وصلاحية دلالتها الإحصائية. ويتمثل الافتراض الأول والأهم في استقلالية الملاحظات (Independence of Observations)؛ أي أن قياس أي فرد داخل العينة لا يؤثر ولا يتأثر بقياسات الأفراد الآخرين، وأن تكون العينة قد سُحبت بأسلوب المعاينة الاحتمالية العشوائية البسيطة من المجتمع المستهدف. يُعد هذا الافتراض مسألة تتعلق بتصميم الدراسة وطريقة جمع البيانات، ولا يمكن تصحيحه إحصائياً بعد اكتمال مرحلة القياس.

يتعلق الافتراض الثاني بـ مستوى قياس المتغير (Scale of Measurement)؛ حيث يشترط اختبار t أن يكون المتغير التابع متغيراً كمياً متصلاً، يقع ضمن مقياس الفترات (Interval Scale) أو مقياس النسب (Ratio Scale)، مثل درجات الذكاء المقننة، أو الوزن، أو ضغط الدم، أو معدل استهلاك الوقود. ولا يجوز تطبيق الاختبار مباشرة على البيانات الاسمية (Nominal) أو الرتبية الترتيبية (Ordinal)، لأن العمليات الحسابية المرتبطة بالمتوسط الحسابي والانحراف المعياري تفقد معناها الرياضي الرصين في تلك المقاييس غير المتصلة.

أما الافتراض الثالث فيتمثل في التوزيع الطبيعي لبيانات المتغير (Normality Assumption) في المجتمع الأصلي المسحوبة منه العينة؛ حيث يفترض النموذج الرياضي أن تتبع الفروق حول المتوسط شكلاً جرسياً متماثلاً. ومع ذلك، يتميز اختبار t بدرجة ملحوظة من المتانة (Robustness) ضد الانتهاكات الطفيفة والمتوسطة للتوزيع الطبيعي، خاصة عندما يكون حجم العينة كبيراً نسبياً ($n ge 30$)، وذلك استناداً إلى مبادئ نظرية النهاية المركزية (Central Limit Theorem) التي تؤكد أن توزيع متوسطات العينات يقترب من التوزيع الطبيعي كلما كبر حجم العينة، بغض النظر عن شكل التوزيع في المجتمع الأصلي.

2.2 معادلة اختبار t ودرجات الحرية

يستند اختبار t لعينة واحدة إلى مقارنة الفرق المطلق بين المتوسط الحسابي المحسوب للعينة ($\bar{x}$) والمتوسط الافتراضي للمجتمع ($\mu_0$) بمقدار التباين المتوقع حدوثه نتيجة خطأ المعاينة العشوائي. وتُصاغ المعادلة الرياضية القياسية للاختبار على النحو التالي:

$$t = \frac{\bar{x} – \mu_0}{SE_{\bar{x}}} = \frac{\bar{x} – \mu_0}{\frac{s}{\sqrt{n}}}$$

حيث يمثل البسط مقدار الانحراف الحقيقي لمتوسط العينة عن القيمة المعيارية المرجعية، بينما يمثل المقام الخطأ المعياري لمتوسط العينة (Standard Error of the Mean – SEM). ويُقاس الخطأ المعياري بقسمة الانحراف المعياري للعينة ($s$) على الجذر التربيعي لحجم العينة ($sqrt{n}$). يُشير الخطأ المعياري إلى درجة التشتت المتوقعة في متوسطات العينات المتكررة المسحوبة من نفس المجتمع حول المتوسط الحقيقي، وهو ما يجعل قيمة$t$ مقياساً معيارياً لعدد الأخطاء المعيارية التي يبعد بها متوسط العينة عن القيمة المفترضة.

يرتبط توزيع $t$ ارتباطاً وثيقاً بمفهوم درجات الحرية (Degrees of Freedom – $df$)، والتي تُحسب في اختبار العينة الواحدة عبر الصيغة الرياضية البسيطة: $df = n – 1$. تعبر درجات الحرية عن عدد القيم الحرة القابلة للتغير في حساب التقدير الإحصائي بعد تثبيت المتوسط الحسابي. وكلما زادت درجات الحرية، اقترب شكل توزيع $t$ تدريجياً من التوزيع الطبيعي المعياري ($Z$)، في حين تؤدي درجات الحرية المنخفضة (في العينات الصغيرة) إلى زيادة تفلطح التوزيع وثقل أطرافه (Heavier Tails)، مما يستلزم قيماً حرجة أعلى لـ$t$ لتحقيق الدلالة الإحصائية، تعويضاً عن حالة عدم اليقين المتزايدة في تقدير تباين المجتمع.

3. تجهيز بيئة العمل واستيراد البيانات في برنامج ستاتا

3.1 طرق إدخال واستيراد البيانات إلى ستاتا

تتيح ستاتا قنوات متعددة لإنشاء واستيراد مصفوفات البيانات، بما يضمن التوافق مع مختلف مصادر جمع وتخزين البيانات الأولية. يمكن للمحلل استدعاء قواعد البيانات المدمجة مع حزمة ستاتا لأغراض التدريب والتجريب البرمجي عبر أمر sysuse، أو جلب مجموعات البيانات المتاحة عبر الإنترنت ومستودعات الأبحاث الرسمية مباشرة باستخدام أمر use متبوعاً بالرابط الإلكتروني، مثل قاعدة بيانات السيارات الشهيرة:

use http://www.stata-press.com/data/r13/auto, clear

وفي التطبيقات البحثية الميدانية، تكون البيانات غالباً مخزنة بصيغ خارجية شائعة مثل ملفات مايكروسوفت إكسل (.xlsx أو .xls)، أو الملفات النصية المفصولة بفواصل (.csv)، أو ملفات حزم إحصائية أخرى مثل SPSS (.sav) و SAS. يوفر ستاتا أوامر استيراد مخصصة ذات كفاءة عالية، مثل أمر import excel الذي يتيح تحديد ورقة العمل المحددة وتعيين الصف الأول كأسماء للمتغيرات عبر إضافة الخيار firstrow:

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

بالإضافة إلى ذلك، يمكن استخدام محرر البيانات المدمج في ستاتا (Data Editor) لإدخال الأرقام وترميز المتغيرات يدوياً، وهو خيار عملي في الدراسات الاستطلاعية الصغيرة، حيث يُفتح المحرر إما بكتابة الأمر edit في سطر الأوامر أو بالنقر على أيقونة المحرر في شريط الأدوات العلوي.

3.2 تنظيف وفحص بنية المتغيرات

تبدأ الممارسة التحليلية الرصينة بمرحلة تنظيف البيانات والتحقق من سلامة البنية التقنية للمتغيرات قبل الشروع في أي اختبار إحصائي استدلالي. يُعد الأمر describe الأداة الأساسية في ستاتا للحصول على ملخص شامل حول عدد المشاهدات، وعدد المتغيرات، ونوع تخزين كل متغير (سواء كان عدداً صحيحاً int، أو حقيقياً float/double، أو نصياً str). من الضروري التأكد من أن المتغير المراد اختباره قد تم التعرف عليه كمتغير رقمي وليس نصياً؛ حيث إن الأرقام المخزنة كنصوص تعطل تنفيذ الاختبارات التائية وتتطلب استخدام أمر التحويل destring:

destring raw_score, replace ignore(" ")

تتضمن عملية التنظيف أيضاً فحص القيم المفقودة (Missing Values) والتعامل معها بحذر؛ إذ يتعامل ستاتا مع القيم المفقودة في المتغيرات الرقمية كنقاط تمثل قيماً لا نهائية الكبر ($+\infty$)، مما قد يسبب تشوهات فادحة في حال عدم الانتباه لها في شروط التصفية والتصنيف. يمكن فحص توزيع القيم المفقودة باستخدام الأمر misstable summarize.

ولضمان توثيق العمل الإحصائي ووضوح المخرجات، يُستحسن إضافة التسميات الوصفية للمتغيرات (Variable Labels) وتسميات القيم (Value Labels) باستخدام الأوامر:

label variable score "درجة الاختبار التحصيلي المقنن"

4. الاستكشاف الإحصائي الأولي للبيانات في ستاتا

4.1 حساب الإحصاءات الوصفية الأساسية

يُعد الفحص الوصفي الأولي للمتغير التابع خطوة منهجية لا غنى عنها لاستكشاف معالم التوزيع، وفهم الخصائص المركزية للبيانات، ورصد أي انحرافات أولية قد تؤثر على كفاءة اختبار t. يوفر ستاتا الأمر الأساسي summarize لحساب الإحصاءات الموجزة، إلا أن استخدامه مع الخيار التفصيلي detail يتيح عرضاً معمقاً يشمل المئينات الرئيسية، ومقاييس النزعة المركزية (المتوسط والوسيط)، ومقاييس التشتت (التباين والانحراف المعياري)، بالإضافة إلى معاملات الالتواء (Skewness) والتفرطح (Kurtosis):

summarize mpg, detail

يسمح استعراض هذه المخرجات بمقارنة المتوسط الحسابي بالوسيط؛ إذ يشير تقاربهما إلى تماثل التوزيع، بينما يعكس التباعد الملحوظ بينهما وجود التواء موجب أو سالب. كما يُمكن استخدام الأمر ci mean لتقدير فترات الثقة الوصفية لمتوسط العينة عند مستويات ثقة مختلفة (مثل 95% أو 99%) قبل إجراء الاختبار الاستدلالي:

ci mean mpg, level(95)

يوفر هذا الأمر تقديراً أولياً للنطاق الذي يُرجح أن يقع ضمنه متوسط المجتمع الحقيقي، مما يمنح الباحث رؤية استباقية لموقع القيمة المقارنة ($\mu_0$) بالنسبة لبيانات العينة.

4.2 استعراض البيانات الخام عبر واجهة التصفح

بالتوازي مع الحسابات الوصفية، يُعد الفحص البصري للمشاهدات الفردية أمراً ضرورياً للكشف عن الأخطاء المدخلة سهواً أو القيم الشاذة الناتجة عن أخطاء في القياس أو التفريغ. يتيح متصفح البيانات في ستاتا (Data Browser) استعراض مصفوفة البيانات في وضع القراءة فقط لحمايتها من التعديل غير المقصود، ويمكن الوصول إليه عبر سطر الأوامر بكتابة:

browse

أو من خلال المسار في القوائم الرسومية: Data > Data Editor > Data Editor (Browse). يوفر هذا المتصفح بيئة سلسة لفرز المتغيرات تصاعدياً أو تنازلياً عبر النقر المزدوج على ترويسة العمود أو باستخدام أمر الفرز البرمجي sort mpg، مما يُمكّن الباحث من فحص القيم القصوى والصغرى في أطراف التوزيع والتحقق من منطقيتها ومطابقتها لحدود القياس المعتمدة في أداة البحث.

5. فحص افتراض التوزيع الطبيعي والقيم المتطرفة في ستاتا

5.1 الاختبارات الإحصائية للتحقق من التوزيع الطبيعي

يمثل التحقق من اعتدالية التوزيع خطوة محورية قبل اعتماد نتائج اختبار t لعينة واحدة. يوفر ستاتا مجموعة من الاختبارات الإحصائية الصارمة لتقييم فرضية التوزيع الطبيعي، ويأتي في مقدمتها اختبار شابيرو-ويلك (Shapiro-Wilk Test)، الذي يُعد واحداً من أقوى الاختبارات الإحصائية وأكثرها حساسية للكشف عن عدم الاعتدالية، لا سيما في العينات الصغيرة والمتوسطة ($n < 2000$). يُنفذ الاختبار في ستاتا عبر كتابة الأمر:

swilk mpg

تتمحور الفرضية الصفرية ($H_0$) في اختبار شابيرو-ويلك حول أن البيانات تتبع التوزيع الطبيعي. وبالتالي، إذا كانت القيمة الاحتمالية المحسوبة ($p\text{-value}$) أكبر من مستوى الدلالة المعتمد ($\alpha = 0.05$)، فإننا نفشل في رفض الفرضية الصفرية ونستنتج استيفاء افتراض الاعتدالية. أما إذا كانت $p < 0.05$، فإن ذلك يُعد دليلاً على وجود انحراف دال إحصائياً عن التوزيع الطبيعي.

كما يوفر ستاتا اختبار التواء وتفرطح دارغوستينو (D’Agostino’s skewness and kurtosis test) عبر الأمر sktest:

sktest mpg

يقوم هذا الاختبار بفحص معنوية معامل الالتواء ومعامل التفرطح كل على حدة، ثم يقدم اختباراً مشتركاً ($\chi^2$) يدمج المؤشرين، مما يمنح الباحث تفصيلاً دقيقاً لمصدر الانحراف عن التوزيع الطبيعي إن وُجد.

5.2 الفحص البصري والرسومي للتوزيع الطبيعي

لا ينبغي الاعتماد حصراً على الاختبارات الإحصائية الصامتة لتقييم التوزيع الطبيعي، خاصة وأنها تصبح شديدة الحساسية في العينات الكبيرة وتكتشف فروقاً تافهة لا تخل بكفاءة اختبار t. لذلك، يُعد الفحص الرسومي مكملاً ضرورياً. يوفر ستاتا أدوات رسومية متقدمة، تبدأ برسم المدرج التكراري مع تراكب منحنى التوزيع الطبيعي النظري عبر الأمر:

histogram mpg, normal kdensity title("فحص اعتدالية توزيع المتغير")

يساعد هذا الرسم على تقييم تماثل التوزيع وشكل القمة والذيلين بصرياً. كما تُعد مخططات الاحتمال الطبيعي (Normal Probability Plots) من أدق الأدوات التشخيصية؛ حيث يُستخدم مخطط الكميات الطبيعية Q-Q Plot عبر الأمر qnorm لمقارنة كميات العينة مع كميات التوزيع الطبيعي المعياري:

qnorm mpg

إذا تطابقت النقاط مع الخط المستقيم القطري، اعتُبرت البيانات موزعة توزيعاً طبيعياً، بينما تشير الانحرافات في الأطراف إلى وجود ذيول ثقيلة أو التواءات. ويُمكن استخدام مخطط النسب P-P Plot عبر الأمر pnorm mpg لتقييم التطابق في وسط التوزيع.

وللكشف عن القيم الشاذة والمتطرفة (Outliers) التي قد تشوه قيمة المتوسط الحسابي والانحراف المعياري، يُستخدم المخطط الصندوقي (Boxplot) عبر الأمر:

graph box mpg, title("المخطط الصندوقي لاكتشاف القيم المتطرفة")

حيث تظهر القيم الشاذة كنقاط منفصلة خارج نطاق الشاربين (Whiskers) الممتدين إلى 1.5 ضعف المدى الربيعي (IQR).

6. صياغة الفرضيات الإحصائية وتحديد معايير القرار

6.1 صياغة الفرضيات الصفرية والبديلة

يقوم الاستدلال الإحصائي في اختبار t لعينة واحدة على المفاضلة بين فرضيتين متنافستين تغطيان كامل فضاء المعلمة المستهدفة. الفرضية الصفرية (Null Hypothesis – $H_0$) هي الفرضية الأساسية التي تفترض عدم وجود فرق جوهري أو اختلاف حقيقي بين متوسط المجتمع الأصلي ($\mu$) والقيمة المرجعية المعيارية المفترضة ($\mu_0$). وتُصاغ رياضياً على النحو التالي:

$$H_0: \mu = \mu_0$$

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – $H_1$ أو $H_a$) لتعبر عن توقع الباحث بوجود اختلاف حقيقي ذي دلالة إحصائية. وتأخذ الفرضية البديلة أحد شكلين رئيسيين بناءً على الخلفية النظرية للدراسة وطبيعة التساؤلات البحثية المطروحة:

• الفرضية البديلة ثنائية الاتجاه (Two-tailed / Non-directional Hypothesis): تُستخدم عندما يرغب الباحث في اختبار وجود أي فرق بين المتوسطين دون تحديد اتجاه مسبق للزيادة أو النقصان، وتُصاغ رياضياً:
  
  $$H_1: \mu \neq \mu_0$$
• الفرضية البديلة أحادية الاتجاه (One-tailed / Directional Hypothesis): تُصاغ عندما تملي الأدبيات النظرية أو الدواعي المنطقية اتجاهاً محدداً، وتتفرع إلى حالتين:
  • فرضية الاتجاه الأكبر (Right-tailed / Upper-tailed): $$H_1: \mu > \mu_0$$
  • فرضية الاتجاه الأصغر (Left-tailed / Lower-tailed): $$H_1: \mu < \mu_0$$

في البحوث النفسية والسلوكية، يُفضل غالبية المنهجيين اعتماد الفرضيات ثنائية الاتجاه كمعيار تحفظي صارم، ما لم يكن هناك مبرر نظري أو تجريبي قاطع يُلزم بتوجيه الفرضية نحو اتجاه بعينه.

6.2 تحديد مستوى الدلالة وقواعد اتخاذ القرار الإحصائي

يُمثل مستوى الدلالة المعنوية ($\alpha$) الحد الأقصى لاحتمال الوقوع في خطأ من النوع الأول (Type I Error)؛ وهو احتمال رفض الفرضية الصفرية رغم صحتها في الواقع. يُحدد الباحث هذه القيمة مسبقاً قبل جمع البيانات وإجراء التحليلات. والقيمة الأكثر شيوعاً في العلوم الإنسانية والسلوكية هي $\alpha = 0.05$، مما يعني قبول هامش خطأ لا يتجاوز 5% في استنتاج وجود فروق غير حقيقية. وفي الدراسات الطبية أو البيئات ذات الحساسية العالية، يُعتمد مستوى أكثر صرامة مثل $\alpha = 0.01$ أو $\alpha = 0.001$.

تستند عملية اتخاذ القرار الإحصائي في برنامج ستاتا إلى طريقتين متكاملتين تؤديان دائماً إلى النتيجة ذاتها:

1. طريقة القيمة الحرجة (Critical Value Approach): تتم بمقارنة قيمة إحصاءة $t$ المحسوبة بالقيمة الحرجة المستخرجة من جدول توزيع $t$ عند مستوى معنوية $\alpha$ ودرجات حرية $df = n – 1$. إذا كانت القيمة المطلقة لـ $t$ المحسوبة أكبر من القيمة الحرجة ($|t_{\text{calc}}| > t_{\text{crit}}$)، يتم رفض الفرضية الصفرية.
2. طريقة القيمة الاحتمالية (p-value Approach): وهي الطريقة المباشرة والأكثر استخداماً في البرمجيات الإحصائية؛ حيث تُقارن القيمة الاحتمالية الدقيقة ($p$) الناتجة عن البرنامج بمستوى الدلالة المعتمد ($alpha$). وتتمثل قاعدة القرار في:
   • إذا كانت $p le \alpha$: نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$)، ونستنتج وجود فرق دال إحصائياً.
   • إذا كانت $p > \alpha$: نفشل في رفض الفرضية الصفرية ($H_0$)، مما يعني عدم توفر أدلة إحصائية كافية لإثبات وجود فرق حقيقي عند هذا المستوى من المعنوية.

7. تنفيذ اختبار t لعينة واحدة عبر القوائم الرسومية (GUI) في ستاتا

7.1 الوصول إلى نافذة الاختبار من خلال القوائم المنسدلة

يوفر برنامج ستاتا واجهة رسومية تفاعلية منظمة تتيح للباحثين تنفيذ التحليلات الإحصائية بسهولة دون الحاجة لحفظ بنية الأوامر البرمجية مسبقاً. للوصول إلى نافذة إعداد اختبار t لعينة واحدة، يتم اتباع المسار الهرمي في شريط القوائم العلوي:

Statistics $\rightarrow$ Summaries, tables, and tests $\rightarrow$ Classical tests of hypotheses $\rightarrow$ One-sample t-test

بمجرد النقر على هذا الخيار، تنبثق نافذة الحوار المخصصة بعنوان ttest - One-sample t test. تحتوي هذه النافذة على عدد من الحقول والتبويبات الأساسية المصممة لضبط معايير الاختبار. في التبويب الرئيسي (Main)، تظهر قائمة منسدلة لاختيار المتغير المستهدف (Variable name)؛ حيث يمكن النقر على السهم لاختيار المتغير الكمي المراد اختباره من بين متغيرات قاعدة البيانات المحملة حالياً (مثل المتغير mpg).

7.2 ضبط المعايير والخيارات المتقدمة في النافذة التفاعلية

بعد تحديد المتغير التابع، يجب على الباحث إدخال قيمة المجتمع المفترضة بدقة في الحقل المخصص Hypothesized mean؛ وهي القيمة المعيارية $\mu_0$ التي يُقارن متوسط العينة بها (على سبيل المثال، كتابة الرقم 20). يُعد هذا الحقل إلزامياً لإتمام إجراءات الاختبار الحسابية.

تتيح النافذة أيضاً تخصيص مستوى الثقة المطلوب عبر خانة Confidence level، والتي تكون مضبوطة افتراضياً على 95%. وفي حال رغبة الباحث في الحصول على فترات ثقة أوسع أو أضيق، يمكن تعديل هذه القيمة إلى 90% أو 99% حسب مقتضيات التصميم المنهجي للدراسة.

بالإضافة إلى ذلك، توفر النافذة تبويب if/in الذي يسمح بإجراء الاختبار على عينات فرعية محددة من المشاهدات بناءً على شروط منطقية (مثل قصر التحليل على السيارات المصنعة محلياً بكتابة foreign == 0)، دون الحاجة لتجزئة ملف البيانات يدوياً. وبمجرد اكتمال ضبط كافة المعلمات، يتم النقر على زر OK لتنفيذ الاختبار وعرض المخرجات، أو النقر على زر Submit لتنفيذ الاختبار مع إبقاء النافذة مفتوحة لتجريب قيم معيارية أخرى.

8. تنفيذ اختبار t لعينة واحدة باستخدام سطر الأوامر (Command Line)

8.1 بنية الأمر البرمجي ttest في ستاتا

يُعد استخدام سطر الأوامر الطريقة الأكثر كفاءة وسرعة للمحللين الإحصائيين المتمرسين في ستاتا. يعتمد إجراء اختبار t لعينة واحدة على الأمر البرمجي المباشر ttest. وتأخذ البنية النحوية الأساسية لهذا الأمر الصيغة القياسية التالية:

ttest varname == # [, level(#)]

حيث يمثل varname اسم المتغير الكمي المراد اختباره، بينما يمثل # القيمة المرجعية المفترضة للمجتمع ($\mu_0$). من الأهمية البالغة الانتباه إلى استخدام علامة التساوي المزدوجة (==) وليس المفردة؛ إذ تُستخدم علامة التساوي المزدوجة في لغة ستاتا للدلالة على المقارنة والشرط المنطقي، بينما تُخصص علامة التساوي المفردة لعمليات التعيين الحسابي وإنشاء المتغيرات.

يمكن تذييل الأمر بخيارات إضافية بعد الفاصلة (,)، ومن أبرزها خيار level(#) لتعديل مستوى فترة الثقة للمتوسط (مثل level(99)). ويُوصى بكتابة هذه الأوامر ضمن ملف مجمع (Do-file) وحفظها بامتداد .do لضمان توثيق الكود وسهولة إعادة تشغيله ومشاركته لاحقاً مع الفرق البحثية.

8.2 تطبيق عملي خطوة بخطوة على مجموعة بيانات سيارات/استهلاك الوقود (auto)

لتطبيق هذا الإجراء عملياً، سنستخدم قاعدة البيانات القياسية auto.dta المتاحة ضمن مستودعات ستاتا، والتي تتضمن بيانات مفصلة حول مواصفات 74 طرازاً من السيارات. نفترض أن المعيار الوطني لكفاءة استهلاك الوقود هو 20 ميلاً للغالون، ونرغب في اختبار ما إذا كان متوسط استهلاك الوقود لأسطول السيارات في العينة (المتغير mpg) يختلف جوهرياً عن هذه القيمة المرجعية ($\mu_0 = 20$).

نبدأ بتحميل مجموعة البيانات إلى الذاكرة عبر الأمر البرمجي التالي في سطر الأوامر:

sysuse auto, clear

ثم ننفذ اختبار t لعينة واحدة بمقارنة متوسط mpg بالقيمة 20 وبمستوى ثقة 95%:

ttest mpg == 20

يقوم برنامج ستاتا فوراً بمعالجة الملاحظات الـ 74 وعرض جدول المخرجات الإحصائية الكامل في نافذة النتائج (Results Window) في أجزاء من الثانية، متضمناً الإحصاءات الوصفية والاستدلالية التفصيلية للاختبار.

9. القراءة التفصيلية والتحليل العميق لمخرجات اختبار t في ستاتا

9.1 تحليل جدول الإحصاءات الوصفية المرفق بالمخرج

يولد أمر ttest في ستاتا جدولاً تفصيلياً مقسماً إلى قسمين رئيسيين؛ يبدأ بالجدول الوصفي الذي يلخص معالم العينة، يليه قسم الاستدلال الإحصائي واختبار الفرضيات. وفيما يلي تفكيك دقيق لعناصر الجدول الوصفي الناتج عن تطبيق الأمر على متغير mpg:

• Variable: يعرض اسم المتغير التابع محل التحليل (في حالتنا mpg).
• Obs (Observations): عدد المشاهدات الصالحة التي دخلت في الحسابات الفعلية ($n = 74$). وفي حال وجود قيم مفقودة، يستبعدها البرنامج تلقائياً من الحساب.
• Mean: المتوسط الحسابي الفعلي للعينة، وبلغت قيمته في هذا المثال $21.2973$ ميلاً للغالون.
• Std. Err. (Standard Error): الخطأ المعياري لمتوسط العينة ($SE_{\bar{x}} = s / \sqrt{n}$)، وبلغت قيمته $0.6725511$. وهو مقياس للتباين المتوقع في المتوسط عبر عينات متعددة.
• Std. Dev. (Standard Deviation): الانحراف المعياري لدرجات العينة ($s = 5.785503$)، والذي يقيس مدى تشتت المشاهدات الفردية حول متوسط العينة.
• [95% Conf. Interval]: حدود فترة الثقة 95% لمتوسط المجتمع الحقيقي، وتراوحت في المخرج بين الحد الأدنى $19.9569$ والحد الأعلى $22.63769$.

يوفر فحص فترة الثقة دلالة فورية أولية؛ فإذا كانت القيمة المرجعية المفترضة ($\mu_0 = 20$) تقع ضمن حدود فترة الثقة (بين 19.95 و 22.64)، فإن ذلك يعطي مؤشراً مسبقاً على احتمالية عدم وجود فرق دال إحصائياً عند مستوى معنوية $\alpha = 0.05$، وهو ما تؤكده النتائج الاستدلالية اللاحقة بدقة.

9.2 تفسير النتائج الاستدلالية وقيم الدلالة الثلاث

أسفل الجدول الوصفي، يقدم ستاتا المعلومات الأساسية لاختبار الفرضية، حيث يوضح في السطر الأول الفرضية المختبرة: mean = mean(mpg) مع حساب الفارق الإحصائي: t = 1.9289، وعدد درجات الحرية: degrees of freedom = 73. ثم يعرض البرنامج ثلاثة أسطر من الفرضيات البديلة المحتملة وقيم الدلالة المقابلة لها لتغطية كافة الاحتمالات المنهجية:

1. الفرضية البديلة أحادية الاتجاه (الطرف الأيسر): Ha: mean < 20
   
   تختبر ما إذا كان المتوسط الحقيقي أقل دلالة من القيمة 20. وتظهر القيمة الاحتمالية المقابلة تحت الصيغة Pr(T < t) = 0.9712. ونظراً لأن هذه القيمة أكبر بكثير من 0.05، فإننا نرفض هذا الاتجاه تماماً.
2. الفرضية البديلة ثنائية الاتجاه (الطرفين): Ha: mean != 20
   
   تختبر وجود أي فرق مطلق دال إحصائياً بين متوسط العينة والقيمة 20. وتظهر القيمة الاحتمالية بصيغة القيمة المطلقة: Pr(|T| > |t|) = 0.0576. وبما أن القيمة الاحتمالية ($p = 0.0576$) أكبر قليلاً من مستوى المعنوية القياسي ($\alpha = 0.05$)، فإن القرار الإحصائي المنهجي هو الفشل في رفض الفرضية الصفرية ($H_0$)، مما يعني عدم وجود فرق ذي دلالة إحصائية بين متوسط استهلاك الوقود والقيمة المعيارية 20 عند مستوى ثقة 95%.
3. الفرضية البديلة أحادية الاتجاه (الطرف الأيمن): Ha: mean > 20
   
   تختبر ما إذا كان المتوسط الحقيقي أكبر دلالة من 20. وتبلغ القيمة الاحتمالية المقابلة Pr(T > t) = 0.0288. فإذا كان الباحث قد صاغ فرضية بحثية موجهة مسبقاً بأن استهلاك السيارات أعلى من 20، فإن هذه النتيجة تُعد دالة إحصائياً عند مستوى $\alpha = 0.05$؛ حيث إن $0.0288 < 0.05$.

10. حساب وتفسير حجم الأثر (Effect Size) وفترات الثقة في ستاتا

10.1 أهمية حجم الأثر كمعيار للأهمية العملية

شهدت المنهجيات الإحصائية الحديثة تحولاً جوهرياً من الاعتماد الحصري على اختبار الدلالة الإحصائية للفرضية الصفرية (NHST) إلى تضمين مؤشرات حجم الأثر (Effect Size) كمتطلب إلزامي للنشر العلمي الرصين. فالقيمة الاحتمالية ($p\text{-value}$) تخبر الباحث فقط باحتمالية أن تكون الفروق الملاحظة ناتجة عن الصدفة والمعاينة العشوائية، وتتأثر بحجم العينة؛ حيث إن العينات الضخمة قد تنتج دلالة إحصائية لفروق ضئيلة جداً لا تحمل أي قيمة تطبيقية في الواقع.

في المقابل، يُقاس حجم الأثر لتقييم الأهمية العملية والتطبيقية (Practical Significance) للفروق بمعزل عن حجم العينة. والمؤشر القياسي الأكثر استخداماً مع اختبار t لعينة واحدة هو معامل كوهين د (Cohen’s d)، والذي يحسب الفارق المعياري بين متوسط العينة والقيمة المعيارية مقسوماً على الانحراف المعياري للعينة، وفق المعادلة الرياضية:

$$d = \frac{\bar{x} – \mu_0}{s}$$

وقد وضع الإحصائي جاكوب كوهين (Jacob Cohen) معايير إرشادية لتفسير قيمة $d$ في البحوث السلوكية والاجتماعية على النحو التالي:

• أثر صغير (Small effect): $d \approx 0.20$ (فارق طفيف قد يصعب ملاحظته بالعين المجردة).
• أثر متوسط (Medium effect): $d \approx 0.50$ (فارق ملحوظ وله أهمية عملية واضحة).
• أثر كبير (Large effect): $d ge 0.80$ (فارق جوهري وبارز في الظاهرة المدروسة).

10.2 طرق استخراج كوهين د في برنامج ستاتا

في الإصدارات الحديثة من ستاتا (Stata 13 وما بعدها)، يتوفر الأمر الرسمي esize لحساب أحجام الأثر، إلا أنه مخصص في الأصل لمقارنة عينتين (esize twosample). لحساب كوهين د لاختبار عينة واحدة بدقة، يمكن للمحلل حسابه برمجياً من نتائج الذاكرة المحفوظة للاختبار (Stored Results) أو عبر كتابة سطر برمجي مباشر يستفيد من مصفوفة الإرجاع لـ r(ttest):

display "Cohen's d = " (r(mean) - 20) / r(sd)

وبتطبيق ذلك على بياناتنا السابقة، نجد أن قيمة كوهين د هي:

$$d = \frac{21.2973 – 20}{5.7855} = 0.224$$

كما يمكن للباحثين تنزيل وتثبيت الحزم البرمجية الإضافية التي طورها مجتمع مستخدمي ستاتا عبر مستودع SSC، ومن أشهرها حزمة cohend أو حزمة esize المحدثة، عبر كتابة أمر التثبيت في سطر الأوامر:

ssc install cohend

تتيح هذه الحزم استخراج قيمة كوهين د مع حدود فترات الثقة 95% الخاصة بحجم الأثر نفسه، مما يُعزز التقرير الإحصائي بتقدير دقيق لمدى استقرار الأثر في المجتمع الأصلي.

11. معالجة انتهاك الافتراضات والبدائل اللامعلمية في ستاتا

11.1 تحويلات البيانات لمعالجة الالتواء

عندما تظهر نتائج فحص الافتراضات انتهاكاً جسيماً لشرط التوزيع الطبيعي، لا سيما في ظل العينات الصغيرة أو وجود التواء شديد ناتج عن ظواهر غير خطية، يُعد تحويل البيانات (Data Transformation) الخطوة العلاجية الأولى قبل التخلي عن الاختبارات المعلمية. تهدف التحويلات الرياضية إلى إعادة تشكيل مقياس المتغير لتقريب توزيع البيانات من الشكل الطبيعي، وتثبيت التباين، والحد من تأثير القيم الشاذة في أطراف التوزيع.

من أبرز التحويلات المستخدمة في ستاتا:

• التحويل اللوغاريتمي (Logarithmic Transformation): يُستخدم لعلاج الالتواء الموجب الشديد (Right Skewness)؛ حيث يعمل على تقليص المسافات بين القيم العالية في الذيل الأيمن. يُنفذ في ستاتا عبر الأمر:
  
  generate log_mpg = log(mpg)
• تحويل الجذر التربيعي (Square Root Transformation): يُلائم حالات الالتواء الموجب المعتدل، وبيانات التعداد (Count data)، ويُنفذ عبر:
  
  generate sqrt_mpg = sqrt(mpg)
• تحويل بوكس-كوكس (Box-Cox Transformation): يُعد أسلوباً باراميترياً متقدماً يقوم بتقدير المعلمة المثلى ($lambda$) لتحويل المتغير إلى التوزيع الطبيعي تلقائياً عبر الأمر:
  
  boxcox mpg

بعد إجراء التحويل الرياضي، يجب على الباحث إعادة تطبيق اختبارات الاعتدالية (مثل swilk و qnorm) على المتغير المحول الجديد للتأكد من استيفاء الافتراض قبل تشغيل أمر ttest مع مراعاة تحويل القيمة المقارنة ($\mu_0$) إلى نفس المقياس الرياضي الجديد.

11.2 البدائل اللامعلمية: اختبار ويلكوكسون لرتب الإشارات (Wilcoxon Signed-Rank Test)

في الحالات التي تفشل فيها التحويلات الرياضية في تصحيح الالتواء، أو عندما تكون البيانات رتبية في الأصل مع صغر حجم العينة، يصبح اللجوء إلى الاختبارات اللامعلمية (Non-parametric Tests) حتمية منهجية. لا تفترض هذه الاختبارات توزيعاً محدداً للمجتمع الأصلي، وتعتمد على الرتب والوسيط الإحصائي بدلاً من المتوسطات الحسابية.

يُمثل اختبار ويلكوكسون لرتب الإشارات (Wilcoxon Signed-Rank Test) البديل اللامعلمي المباشر لاختبار t لعينة واحدة. يفحص هذا الاختبار ما إذا كان وسيط العينة يختلف دلالياً عن القيمة المرجعية المفترضة. يُنفذ الاختبار في ستاتا عبر الأمر signrank بمقارنة المتغير بالقيمة الثابتة:

signrank mpg = 20

كما يوفر ستاتا بديلاً لامعلمياً آخر يُعرف بـ اختبار الإشارة (Sign Test) عبر الأمر signtest:

signtest mpg = 20

يختبر أمر signtest تكرار المشاهدات التي تقع فوق القيمة المفترضة مقارنة بالتي تقع تحتها استناداً إلى التوزيع الثنائي (Binomial Distribution). وتُقارن النتائج المستخلصة من هذه الاختبارات اللامعلمية بنتائج اختبار t للتحقق من ثبات الاستنتاجات الإحصائية (Robustness Check) ومدى تأثرها بشكل التوزيع.

12. كتابة التقرير وتوثيق نتائج الاختبار وفق أسلوب الجمعية الأمريكية لعلم النفس (APA)

12.1 معايير صياغة النتائج الإحصائية وفق APA (الإصدار السابع)

تضع جمعية علم النفس الأمريكية في دليلها السابع (APA 7th Edition) قواعد واضحة لتوثيق نتائج الاختبارات الاستدلالية لضمان الوضوح والشفافية وقابلية المقارنة المعيارية بين الدراسات. عند توثيق نتائج اختبار t لعينة واحدة، يجب تضمين العناصر التالية بالتسلسل الدقيق:

• المتوسط الحسابي للعينة ($M$) والانحراف المعياري ($SD$) بصيغة مائلة.
• قيمة إحصاءة $t$ المحسوبة متبوعة بدرجات الحرية بين قوسين: $t(df)$.
• القيمة الاحتمالية الدقيقة ($p$-value) مع كتابتها بثلاث خانات عشرية (مثل:$p = .042$). وفي حال كانت القيمة أصغر من 0.001، تُكتب بصيغة$p < .001$ بدلاً من كتابة $p = .000$.
• قيمة حجم الأثر معبر عنها بمعامل كوهين ($d$).
• حدود فترة الثقة 95% لمتوسط الفرق أو للمتوسط الحسابي: $95% text{ CI } [LL, UL]$.
• تنسيق جميع الرموز الإحصائية اللاتينية بالخط المائل (Italics): مثل $M$,$SD$,$t$,$p$,$d$,$CI, N$.

12.2 نماذج تطبيقية لكتابة التقرير النهائي وجداول العرض

نستعرض فيما يلي نماذج نصية وجدولية لصياغة النتائج في كل من حالتي رفض أو قبول الفرضية الصفرية:

أولاً: نموذج كتابة تقرير لحالة الفشل في رفض الفرضية الصفرية (البيانات التطبيقية لـ mpg):

«أُجري اختبار t لعينة واحدة لمقارنة متوسط كفاءة استهلاك الوقود لأسطول السيارات في العينة بالمعيار الوطني المعتمد البالغ 20 ميلاً للغالون. أظهرت النتائج أن متوسط استهلاك الوقود لدى العينة ($M = 21.30$, $SD = 5.79$) لم يكن مختلفاً بشكل دال إحصائياً عن القيمة المعيارية المرجعية، $t(73) = 1.93$, $p = .058$, $d = 0.22$, $95% text{ CI } [19.96, 22.64]$. وتُشير هذه النتيجة إلى أن أداء السيارات في العينة يتماشى مع المعدل المستهدف ولا يبتعد عنه بفارق جوهري ذي دلالة إحصائية عند مستوى دلالة$alpha = .05$.»

ثانياً: نموذج كتابة تقرير لحالة رفض الفرضية الصفرية (افتراض أن $\mu_0 = 18$ لنفس البيانات):

«أظهرت نتائج اختبار t لعينة واحدة وجود فرق دال إحصائياً بين متوسط استهلاك الوقود للعينة ($M = 21.30$, $SD = 5.79$) والحد الأدنى الموصى به البالغ 18 ميلاً للغالون، $t(73) = 4.90$, $p < .001$, $d = 0.57$, $95% text{ CI } [19.96, 22.64]$. ويُشير حجم الأثر المتوسط ($d = 0.57$) إلى تفوق كفاءة أسطول السيارات بصورة واضحة وذات أهمية عملية مقارنة بالمعيار المرجعي.»

ثالثاً: تصميم الجدول الإحصائي المقنن (وفق معايير APA 7):

المتغير	$N$	$M$	$SD$	$\mu_0$	$t$	$df$	$p$	Cohen’s $d$	95% CI [LL, UL]
استهلاك الوقود (mpg)	74	21.30	5.79	20.00	1.93	73	.058	0.22	[19.96, 22.64]

ملاحظة: $N$ = حجم العينة؛ $M$ = المتوسط الحسابي؛ $SD$ = الانحراف المعياري؛ $\mu_0$ = القيمة المعيارية المقارنة؛ $CI$ = فترة الثقة؛ $LL$ = الحد الأدنى؛ $UL$ = الحد الأعلى.

خاتمة

يُشكل اختبار t لعينة واحدة أداة استدلالية أساسية في الإحصاء التطبيقي، تتيح للباحثين اختبار الفرضيات حول متوسطات المجتمعات بدرجة عالية من الدقة المنهجية. ويتطلب التطبيق الناجح لهذا الاختبار الجمع بين الاستيعاب النظري للافتراضات الإحصائية (كاستقلالية المشاهدات، ومستوى القياس الفتري أو النسبي، واعتدالية التوزيع) والتمكن التقني من أدوات المعالجة والتحليل في بيئة برمجية متقدمة مثل ستاتا (Stata).

أبرز هذا الدليل خطوات تنفيذ الاختبار في ستاتا، بدءاً من استيراد البيانات وفحصها وصفياً وبصرياً، والتحقق من التوزيع الطبيعي عبر اختبارات شابيرو-ويلك ومخططات Q-Q Plot، مروراً بتنفيذ الاختبار عبر القوائم الرسومية وسطر الأوامر البرمجية ttest، وتفكيك جداول المخرجات بدقة، وانتهاءً بتقدير حجم الأثر عبر معامل كوهين د (Cohen’s d) واللجوء إلى البدائل اللامعلمية كاختبار ويلكوكسون عند انتهاك الافتراضات، وتوثيق النتائج وفق متطلبات الجمعية الأمريكية لعلم النفس (APA 7). إن الالتزام بهذه الضوابط المنهجية يضمن للباحثين تقديم تحليلات رصينة، تسهم في تعزيز جودة وموثوقية المعرفة العلمية المنشورة.

المراجع

• 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.
• D’Agostino, R. B., Belanger, A., & D’Agostino, R. B. Jr. (1990). A suggestion for using powerful and informative tests of normality. The American Statistician, 44(4), 316–321. https://doi.org/10.2307/2684359
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-Handbook of Statistical Methods. U.S. Department of Commerce. https://www.itl.nist.gov/div898/handbook/
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• UCLA: Statistical Consulting Group. (n.d.). Stata Web Books: One-sample t-test. UCLA Institute for Digital Research and Education. https://stats.oarc.ucla.edu/stata/
• Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968