كيفية إجراء تحليل التباين الأحادي في SPSS

يمثل تحليل التباين الأحادي (One-Way Analysis of Variance – ANOVA) إحدى الركائز المنهجية الجوهرية في ترسانة التحليل الإحصائي المعلمي، لا سيما في حقول العلوم النفسية، والتربوية، والسلوكية، والطبية. تتجلى القيمة العلمية الفائقة لهذا الاختبار في قدرته الفريدة على فحص الفروق الجوهرية بين متوسطات ثلاث مجموعات مستقلة أو أكثر في آنٍ واحد، متجاوزاً بذلك المعضلات المنهجية والرياضية المعقدة التي تنشأ عن التطبيق المتكرر للاختبارات الثنائية التقليدية. يُعد هذا التحليل أداة استدلالية متقدمة تتيح للباحثين استكشاف تأثير متغير تفسيري تصنيفي على متغير استجابة كمي مستمر بدرجة عالية من الدقة والموثوقية الإحصائية.

في الممارسة البحثية المعاصرة، تبرز حزمة البرامج الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) كواحدة من أكثر البيئات البرمجية كفاءة واستقراراً لتنفيذ تحليل التباين الأحادي، واستخراج مؤشراته الدقيقة، وإجراء الاختبارات البعدية المتخصصة. غير أن الاستخدام الرشيد لهذه الأداة يتطلب فهماً نظرياً عميقاً للمفاهيم الرياضية الكامنة خلف النسبة الفائية (F-ratio)، وإدراكاً صارماً للافتراضات الإحصائية الواجب استيفاؤها، وامتلاك المهارة التحليلية اللازمة لتفسير الجداول والمخرجات المعقدة وترجمتها إلى استنتاجات سيكولوجية وتربوية ذات دلالة عملية قابلة للنشر والتوثيق الأكاديمي الرصين.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي دقيق ومتكامل لعملية إجراء تحليل التباين الأحادي في بيئة برنامج SPSS، بدءاً من التأصيل النظري لصياغة الفرضيات وتجزئة التباين الكلي، مروراً بالتحقق الإمبريقي من الافتراضات السابقة وتأهيل مصفوفة البيانات، وصولاً إلى استعراض الخطوات الإجرائية التفصيلية، وتفسير المخرجات وقراءتها، وحساب أحجام التأثير المتنوعة، وتوثيق النتائج وفق أحدث معايير دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة نظرية حول تحليل التباين الأحادي (One-Way ANOVA)

1.1 مفهوم تحليل التباين الأحادي وأهميته في البحوث النفسية

يُعرَّف تحليل التباين الأحادي بأنه اختبار إحصائي استدلالي معلمي (Parametric Test) طُوِّر في الأصل على يد عالم الإحصاء والجينات البريطاني السير رونالد فيشر (Sir Ronald Fisher). يهدف هذا الاختبار بالأساس إلى مقارنة المتوسطات الحسابية لثلاث عينات مستقلة أو أكثر لتقييم ما إذا كانت هذه العينات مسحوبة من مجتمعات إحصائية تشترك في المتوسط الحسابي ذاته، أم أن هناك تبايناً حقيقياً يعزى إلى تأثير المعالجة التجريبية أو الفروق بين الفئات التصنيفية. يرتكز التحليل على دراسة متغير مستقل واحد ذي طبيعة نوعية أو فئوية (Categorical/Nominal) يحتوي على ثلاثة مستويات أو مجموعات على الأقل، ومتغير تابع واحد يقاس على مستوى كمي متصل فئوي أو نسبي.

تكتسب هذه التقنية أهمية استثنائية في بحوث علم النفس والعلوم التربوية والسلوكية، حيث تتطلب العديد من التصاميم التجريبية وشبه التجريبية مقارنة استجابات مفحوصين يخضعون لبرامج علاجية أو استراتيجيات تدريسية متعددة. على سبيل المثال، عند دراسة فاعلية ثلاثة برامج علاجية سلوكية مختلفة (مثل: العلاج المعرفي السلوكي، والعلاج القائم على اليقظة الذهنية، والعلاج الديناميكي القصير) في خفض مستويات القلق، يقدم تحليل التباين الأحادي الإطار الرياضي الموحد لتقييم كفاءة هذه التدخلات بصورة شاملة دون الحاجة إلى تجزئة التجربة إلى مقارنات فردية مشتتة.

تتمثل الميزة الاستراتيجية لتحليل التباين الأحادي في حمايته للباحث من الوقوع في فخ التضخم الإحصائي لمعدل خطأ النوع الأول (Type I Error Rate)، والذي يعني رفض الفرضية الصفرية القائلة بعدم وجود فروق بينما هي صحيحة في الواقع. يوفر هذا الاختبار اختباراً إجمالياً عاماً (Omnibus Test) يختبر فرضية المساواة بين كافة المجموعات دفعة واحدة، مما يحافظ على مستوى الدلالة الاسمية المعتمد في البحث النفسي ويعزز من صدق القرارات المنهجية وجودة الاستدلال الإحصائي المشتق من البيانات التجريبية.

1.2 الفرق الجوهري بين تحليل التباين واختبار ت للعينات المستقلة

يقتصر اختبار “ت” للعينات المستقلة (Independent Samples t-test) من الناحية المنهجية والرياضية على مقارنة متوسطي مجموعتين اثنتين فقط. عند محاولة الباحث مقارنة ثلاثة متوسطات أو أكثر من خلال تطبيق اختبار “ت” على نحو متكرر لجميع الأزواج المحتملة (مثل مقارنة المجموعة الأولى بالثانية، ثم الأولى بالثالثة، ثم الثانية بالثالثة)، يتعرض الاستدلال الإحصائي لمشكلة تضخم الخطأ التراكمي، حيث ترتفع احتمالية ارتكاب خطأ من النوع الأول بشكل أسي مع كل مقارنة إضافية يتم إجراؤها.

يكمن الفرق الجوهري في الآلية الرياضية التي يعتمدها تحليل التباين؛ حيث يقوم بتجزئة التباين الكلي الملاحظ في درجات المتغير التابع (Total Variance) إلى مصدرين أساسيين ومنفصلين: التباين بين المجموعات (Between-Groups Variance) والتباين داخل المجموعات (Within-Groups Variance أو Error Variance). يعكس التباين بين المجموعات الفروق الحقيقية الناتجة عن المعالجة التجريبية أو الانتماء الفئوي مضافاً إليها التباين العشوائي، في حين يمثل التباين داخل المجموعات الفروق الفردية الطبيعية والخطأ القياسي غير المفسر بين أفراد المجموعة الواحدة الخاضعين للظروف ذاتها.

تتوج هذه التجزئة في حساب النسبة الفائية (F-ratio)، وهي قيمة رياضية تنتج عن قسمة متوسط المربعات بين المجموعات (MSB) على متوسط المربعات داخل المجموعات (MSW). إذا كانت الفروق بين المجموعات ناجمة عن مجرد الصدفة، فإن النسبة الفائية تقترب من القيمة (1). أما إذا كان التدخل التجريبي فعالاً وأحدث تبايناً حقيقياً يفوق بكثير التباين العشوائي الداخلي، فإن قيمة F تزداد بشكل ملحوظ لتتجاوز القيمة الحرجة المجدولة، مما يمنح الدلالة الإحصائية للتباين المشترك بين المتغيرين المستقل والتابع.

1.3 صياغة الفرضيات الإحصائية الصفرية والبديلة

تعتمد المنهجية الاستدلالية لاختبار تحليل التباين الأحادي على وضع فرضيتين إحصائيتين متنافستين وشاملتين لكافة الاحتمالات الممكنة لسلوك مجتمعات الدراسة. تُصاغ الفرضية الصفرية (Null Hypothesis – H0) على النحو التالي: تفترض هذه الفرضية تساوي المتوسطات الحسابية لجميع المجموعات محل المقارنة في المجتمع الإحصائي الأصلي، ويُعبر عنها رياضياً بالصيغة: H0: μ1 = μ2 = μ3 = … = μk، حيث تمثل μ المتوسط الحقيقي للمجتمع ويمثل k عدد المجموعات. تفترض هذه الفرضية بطبيعتها أن المتغير المستقل ليس له أي تأثير معنوي على المتغير التابع، وأن أية فروق ملاحظة بين المتوسطات العينية لا تعدو كونها تقلبات عشوائية ناتجة عن أخطاء المعاينة.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – H1) بصورة غير محددة الاتجاه كالتالي: يوجد على الأقل متوسطان حسابيان من بين متوسطات المجتمعات يختلفان عن بعضهما البعض بصورة دالة إحصائياً، أو رياضياً: H1: Not all μ are equal (توجد i و j بحيث μi ≠ μj). تجدر الإشارة هنا إلى أن الفرضية البديلة في تحليل التباين الأحادي لا تشترط اختلاف جميع المتوسطات عن بعضها، بل يكفي وجود فرق دال واحد بين زوج من المجموعات لرفض الفرضية الصفرية وقبول الفرضية البديلة.

لتحديد القرار الإحصائي بقبول أو رفض الفرضية الصفرية، يحدد الباحث مستوى دلالة مسبق (Alpha level – α)، والذي يُضبط تقليدياً في العلوم النفسية والسلوكية والتربوية عند مستوى (0.05)، أو (0.01) في الدراسات الإكلينيكية الحساسة. إذا كانت القيمة الاحتمالية المشاهدة (p-value) المستخرجة من جدول مخرجات تحليل التباين أقل من أو مساوية لمستوى ألفا المعتمد (p ≤ 0.05)، يتم رفض الفرضية الصفرية لصالح الفرضية البديلة، مما يؤكد وجود تأثير دال إحصائياً للمتغير المستقل.

2. الافتراضات الإحصائية الأساسية لتطبيق تحليل التباين الأحادي

2.1 استقلالية المشاهدات ومستويات القياس

تُعد استقلالية المشاهدات (Independence of Observations) الفرضية الأكثر أهمية وخطورة في التحليلات المعلمية، حيث يفترض تحليل التباين الأحادي أن قياس أو استجابة أي مفحوص لا ترتبط أو تتأثر أو تشترك في أي خطأ قياسي مع استجابة أي مفحوص آخر سواء داخل المجموعة الواحدة أو عبر المجموعات المختلفة. يتم ضمان هذا الافتراض من خلال التصميم التجريبي الرصين، واستخدام إجراءات المعاينة العشوائية والتوزيع العشوائي التام للأفراد على شروط التجربة، وتفادي جمع البيانات في بيئات تفاعلية قد تخلق ارتباطات بينية بين استجابات المفحوصين.

يتطلب التحليل شروطاً صارمة بخصوص مستويات القياس (Levels of Measurement) للمتغيرات المدرجة؛ إذ يشترط أن يكون المتغير التابع مقاساً على مستوى كمي مستمر، أي مقياس فتري (Interval Scale) مثل مقاييس التقدير المتدرجة واختبارات الذكاء المقننة، أو مقياس نسبي (Ratio Scale) يمتلك صفراً مطلقاً حقيقياً مثل زمن الرجع والدرجات الخام للتحصيل. يضمن مستوى القياس الكمي هذا إمكانية حساب العمليات الرياضية اللازمة للمتوسطات والانحرافات المعيارية ومربعات الانحرافات بدقة تامة.

أما فيما يتعلق بالمتغير المستقل ( العامل – Factor)، فيجب أن يكون متغيراً تصنيفياً نوعياً يقسم العينة الكلية إلى ثلاث فئات متمايزة أو أكثر ذات خصائص متعارضة ومستقلة (Mutually Exclusive). لا يجوز بأي حال من الأحوال أن ينتمي المفحوص الواحد لأكثر من مجموعة تصنيفية في الوقت ذاته، مما يضمن التمايز التام بين مستويات المعالجة قيد الفحص الإحصائي.

2.2 افتراض التوزيع الطبيعي للبيانات (Normality Assumption)

يقضي افتراض التوزيع الطبيعي بأن درجات المتغير التابع يجب أن تتبع المنحنى الاعتدالي (Normal Distribution) داخل كل مجتمع من المجتمعات الفرعية التي سُحبت منها مجموعات الدراسة بصورة مستقلة. لا يكفي فحص التوزيع الطبيعي للبيانات الإجمالية المجمعة ككتلة واحدة، بل يتعين اختبار اعتدالية توزيع الدرجات لكل مستوى من مستويات المتغير المستقل على حدة، نظراً لأن الفروق الحقيقية بين المجموعات قد تؤدي إلى تشويه شكل التوزيع الكلي على الرغم من اعتدالية البيانات داخل الفئات المفردة.

تتعدد الأساليب الإحصائية للتحقق من هذا الافتراض في بيئة SPSS؛ حيث يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) الاختبار الأقوى والأكثر حساسية للعcollections الصغيرة والمتوسطة (أقل من 50 مفحوصاً لكل مجموعة)، بينما يُستخدم اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) مع تعديل ليليفورس في العينات الكبيرة. تشير القيمة الدلالية غير الدالة (p > 0.05) في هذه الاختبارات إلى تحقق شرط التوزيع الطبيعي وقبول فرضية اعتدالية الدرجات.

يتميز تحليل التباين الأحادي بقدر من المناعة الإحصائية أو القوة النسبية (Robustness) ضد الانتهاكات الطفيفة أو المعتدلة لافتراض التوزيع الطبيعي، خاصة إذا كانت أحجام العينات متساوية بين المجموعات (Equal Group Sizes) وكانت العينات كبيرة نسبياً (تزيد عن 20 إلى 30 مفحوصاً في كل خلية تجريبية)، وذلك استناداً إلى مبرهنة النهاية المركزية (Central Limit Theorem) التي تضمن اقتراب توزيع المتوسطات من الاعتدالية الرياضية.

2.3 افتراض تجانس التباين (Homogeneity of Variance)

يشير افتراض تجانس التباين (Homoscedasticity) إلى ضرورة تساوي تباينات درجات المتغير التابع عبر جميع المجموعات والمستويات المكونة للمتغير المستقل في المجتمع الأصلي (σ1² = σ2² = σ3² = … = σk²). يفترض هذا المبدأ أن التشتت العشوائي للبيانات وحجم الفروق الفردية داخل كل مجموعة متماثل ومستقر، وأن التدخل التجريبي يؤدي فقط إلى إزاحة المتوسط الحسابي للمجموعة دون إحداث تباين شاذ في مقدار انتشار الدرجات وتشتتها الداخلي.

يُعد اختبار ليفين لتجانس التباينات (Levene’s Test for Equality of Variances) الأداة المعيارية المعتمدة لاختبار هذه الفرضية في برمجية SPSS. يختبر ليفين الفرضية الصفرية القائلة بتساوي التباينات؛ وبالتالي فإن النتيجة المرجوة والمطلوبة للباحث هي الحصول على قيمة دلالة غير دالة إحصائياً (p > 0.05). يشير التحقق الناجح لهذا الشرط إلى أمان استخدام النسبة الفائية القياسية لحساب الفروق بين المجموعات.

تؤدي مخالفة هذا الافتراض، لا سيما في ظل عدم تساوي أحجام العينات (Unequal Sample Sizes)، إلى تشوهات جسيمة في معدلات الخطأ الإحصائي؛ فإذا اقترنت المجموعة ذات الحجم الأصغر بتباين أكبر، تصبح النسبة الفائية متحررة بشكل مفرط (Liberal)، مما يرفع معدل خطأ النوع الأول بدرجة تفوق القيمة الاسمية المحددة. أما إذا اقترنت المجموعة الأكبر بتباين أكبر، يصبح الاختبار محافظاً بشكل مفرط (Conservative)، مما يؤدي إلى خفض القوة الإحصائية وزيادة احتمالية ارتكاب خطأ من النوع الثاني (Type II Error).

2.4 الكشف عن القيم المتطرفة (Outliers) ومعالجتها

تُعرف القيم المتطرفة أو الشاذة بأنها تلك المشاهدات أو الدرجات التي تبتعد بصورة غير طبيعية واستثنائية عن بقية درجات العينة، وتظهر في أقصى أطراف التوزيع التكراري. يمارس وجود هذه القيم أثراً بالغ السلبية على مؤشرات النزعة المركزية ومقاييس التشتت، حيث تؤدي إلى انحراف المتوسط الحسابي وسحبه باتجاه القيمة المتطرفة، وتضخيم متوسط المربعات داخل المجموعات (MSW) بشكل مصطنع، مما يقلص قيمة F المحسوبة ويقوض القوة الإحصائية للاختبار.

يتم الفحص البصري الأولي للقيم المتطرفة أحادية المتغير (Univariate Outliers) عبر الرسوم الصندوقية (Boxplots) والرسوم البيانية للجذر والساق (Stem-and-Leaf Displays) ومخططات التشتت. كما يُمكن فحصها إحصائياً عبر تحويل الدرجات الخام إلى درجات معيارية (Z-scores)؛ حيث تُعد المشاهدة متطرفة إذا تجاوزت قيمتها المطلقة 3.29 انحراف معياري عند مستوى دلالة 0.001، أو من خلال فحص المدى الربيعي (Interquartile Range – IQR) حيث تُصنف الدرجات التي تبعد بأكثر من 1.5 ضعف من المدى الربيعي كقيم شاذة خارجية.

تتضمن استراتيجيات معالجة القيم المتطرفة إجراءات منهجية محددة تبدأ بالتأكد من عدم وجود أخطاء في إدخال البيانات أو ترميزها. فإذا كانت القيمة ناتجة عن خطأ إجرائي أو تمثل فرداً لا ينتمي لمجتمع الدراسة، يتم حذف الحالة بشكل مبرر مع توثيق ذلك. أما إذا كانت القيمة حقيقية وطبيعية، فيمكن اللجوء إلى تقنيات التحويل الرياضي للبيانات (Data Transformations) مثل التحويل اللوغاريتمي أو تحويل الجذر التربيعي، أو تطبيق إجراء “وينسورنة البيانات” (Winsorization) باستبدال القيمة الشاذة بأعلى قيمة مقبولة تقع ضمن نطاق التوزيع الطبيعي، أو التوجه مباشرة نحو البدائل اللامعلمية المقاومة.

3. إعداد وهيكلة البيانات داخل برنامج SPSS

3.1 ترميز المتغيرات في شاشة المتغيرات (Variable View)

تبدأ الخطوة التنفيذية الأولى لتحليل التباين الأحادي داخل برنامج SPSS من شاشة عرض المتغيرات (Variable View)، حيث يتم ضبط وتوصيف الخصائص البنيوية للمتغيرات التجريبية. يتعين على الباحث إنشاء صفين منفصلين لتعريف المتغيرين: المتغير المستقل (العامل) والمتغير التابع المستمر. يُمنح المتغير المستقل اسماً برمجياً واضحاً في حقل Name (مثل: Group أو Intervention)، ويُضبط نوعه في حقل Type على أنه متغير عددي (Numeric)، وتُحدد خانة المنازل العشرية (Decimals) بالقيمة (0) لكونه متغيراً فئوياً يمثل مجموعات منفصلة.

يتم الانتقال بعد ذلك إلى حقل القيم (Values) الخاص بالمتغير المستقل لترميز المجموعات الفئوية وتعيين التسميات الوصفية لكل مستوى لتسهيل قراءة المخرجات وتجنب الالتباس. يتم النقر على الزر المجاور للخلية لفتح نافذة (Value Labels)، ويُدخل الكود الرقمي في خانة Value متبوعاً بالاسم الصريح للمجموعة في خانة Label (على سبيل المثال: Value = 1 و Label = “Control Group”، ثم Value = 2 و Label = “CBT Group”، ثم Value = 3 و Label = “Mindfulness Group”). بعد الانتهاء من إضافة كافة المجموعات، يتم ضبط مستوى القياس في حقل Measure على أنه مقياس اسمي (Nominal) أو ترتيبي (Ordinal).

في الصف المخصص للمتغير التابع (مثل: Anxiety_Score أو Achievement)، يتم ضبط النوع على Numeric وتحديد المنازل العشرية الملائمة لدقة القياس، مع كتابة توصيف دقيق للمتغير في خانة Label (مثل: “درجات مقياس بيك للقلق البعدي”). وأخيراً، يتم تحديد مستوى القياس في حقل Measure كمتغير كمي متصل باختيار (Scale)، وهو الشرط البرمجي اللازم لتمكين SPSS من إجراء العمليات الجبرية الخاصة بتحليل التباين.

3.2 إدخال وتنظيم البيانات في شاشة عرض البيانات (Data View)

بعد إتمام توصيف المتغيرات، ينتقل الباحث إلى شاشة عرض البيانات (Data View) لإدخال الدرجات وفق البنية الإحصائية الطولية المعيارية المعتمدة في تحليلات التباين (Long Format / Indexed Structure). تتطلب هذه الهيكلة تخصيص صف مستقل لكل مشارك أو مفحوص في الدراسة، بحيث لا تُسجل بيانات المجموعات في أعمدة متجاورة، بل يتم تنظيم البيانات في عمودين رئيسيين متطابقين في عدد الصفوف الإجمالي للعينة الكلية.

يحتوي العمود الأول المخصص للمتغير المستقل على الأكواد الرقمية التي تحدد الانتماء الفئوي لكل مشارك (1، 2، أو 3)، بينما يحتوي العمود الثاني المخصص للمتغير التابع على الدرجة الرقمية الخام التي حصل عليها المفحوص ذاته في مقياس الاستجابة. على سبيل المثال، إذا كانت العينة تشتمل على 30 طالباً مقسمين بالتساوي على ثلاث استراتيجيات تدريسية، سيشمل ملف البيانات 30 صفاً؛ حيث تُخصص الصفوف من 1 إلى 10 للمجموعة الأولى مع إدخال الكود (1) في عمود العامل ودرجة التحصيل المقابلة في عمود التابع، تليها الصفوف من 11 إلى 20 للمجموعة الثانية بالكود (2)، ثم الصفوف من 21 إلى 30 للمجموعة الثالثة بالكود (3).

يتعين على الباحث إجراء تدقيق بصري وإحصائي صارم لجداول البيانات بعد اكتمال الإدخال؛ وذلك للتأكد من عدم وجود أخطاء في إدخال الأرقام، مثل كتابة درجات تقع خارج النطاق النظري للمقياس (كإدخال درجة 150 لمقياس مداه من 0 إلى 100)، أو إدخال كود مجموعة خاطئ (مثل الرقم 4 في دراسة تشتمل على 3 مجموعات فقط). يضمن هذا التدقيق خلو مصفوفة البيانات من الأخطاء التحريرية التي تؤثر جذرياً على دقة التقديرات اللاحقة.

3.3 التعامل مع البيانات المفقودة وتأهيل المصفوفة

تُعد معالجة القيم المفقودة (Missing Data) مرحلة حاسمة في تأهيل مصفوفة البيانات قبل الشروع في تنفيذ تحليل التباين الأحادي. يتيح برنامج SPSS التعامل مع نوعين رئيسيين من الفقدان: الفقدان المعرف من قبل المستخدم (User-defined Missing Values)، حيث يتم تخصيص أرقام مميزة للدلالة على عدم الإجابة أو غياب المفحوص (مثل: 999 أو -9) وتحديدها في عمود Missing في شاشة المتغيرات، أو الفقدان التلقائي للنظام (System-missing Values) الذي يظهر كرمز نقطة (.) داخل الخلية الفارغة في شاشة البيانات.

يجب على الباحث تقييم آلية ونمط فقدان البيانات للتأكد من أنها مفقودة تماماً بصورة عشوائية (Missing Completely at Random – MCAR) وليست ناجمة عن تحيز منهجي أو تأثير مرتبط بطبيعة المعالجة التجريبية ذاتها. في الدراسات السلوكية والنفسية، يؤدي وجود نسب فقدان تتجاوز 5% إلى تشويه التمثيل الإحصائي للمجموعات ما لم تُعالج المخرجات بطرق التعويض المتعدد (Multiple Imputation) أو خوارزمية تعظيم التوقع (EM).

تتضمن الممارسة المنهجية الرشيدة تنظيف قاعدة البيانات وتأهيلها وحفظ نسخة خام أصلية وغير معدلة (Raw Data File) كمرجع توثيقي دائم، ثم إنشاء ملف العمل النشط الذي يحتوي على المعالجات وتصفية الحالات. يضمن هذا الإجراء إمكانية تتبع مسار القرارات الإحصائية والعودة إلى البيانات الأصلية في حال الرغبة في تطبيق تحليلات حساسية مقارنة.

4. الاستكشاف البصري والوصفي الأولي للبيانات

4.1 إنشاء الرسوم الصندوقية (Boxplots) عبر Chart Builder

يمثل الاستكشاف البصري خطوة تمهيدية إلزامية تسبق التحليل الاستدلالي، حيث توفر المخططات البيانية تمثيلاً حسياً وتلخيصياً لكافة ملامح التوزيع الإحصائي. يُعد المخطط الصندوقي (Boxplot) الأداة الأقوى في فحص الفروق الظاهرية بين المجموعات وتحديد التماثل والتشتت والقيم الشاذة بصورة فورية. يتم إنشاء هذا المخطط في SPSS من خلال الانتقال إلى القائمة العلوية واختيار Graphs ثم النقر على Chart Builder.

من معرض المخططات (Gallery)، يختار الباحث فئة Boxplot ويسحب نموذج Simple Boxplot إلى مساحة المعاينة الرئيسية. يتم بعد ذلك سحب المتغير التابع المستمر وإفلاته في محور الصادات (Y-Axis)، وسحب المتغير المستقل الفئوي وإفلاته في محور السينات (X-Axis). بعد الضغط على زر OK، يقوم البرنامج بتوليد مخطط صندوقي تفصيلي يعرض صناديق مستقلة لكل مجموعة من مجموعات الدراسة متجاورة أفقياً لتسهيل المقارنة المباشرة.

تُمكن قراءة المخطط الصندوقي الباحث من معاينة الخط الأفقي الداكن داخل الصندوق والذي يمثل الوسيط الحسابي، وامتداد الصندوق ذاته الذي يمثل المدى الربيعي (IQR) الحاوي للـ 50% الوسطى من البيانات، والخطوط الرأسية الممتدة (Whiskers) التي توضح أدنى وأعلى الدرجات المقبولة. بالإضافة إلى ذلك، يقوم SPSS برسم أي قيم متطرفة تتجاوز المدى الربيعي كنقاط دائرية مع تحديد رقم الصف الخاص بها في ملف البيانات، مما يتيح للباحث تحديد الحالات الإشكالية بدقة بالغة وفحصها مباشرة.

4.2 استخراج الإحصاءات الوصفية التمهيدية

تكتمل مرحلة الاستكشاف الأولي بتوليد مصفوفة متكاملة من الإحصاءات الوصفية التفصيلية لكل مجموعة تجريبية على حدة. يتم تنفيذ ذلك بكفاءة عالية عبر استخدام الأمر الاستكشافي المتقدم في SPSS بالانتقال إلى القائمة: Analyze ثم Descriptive Statistics واختيار Explore. يُنقل المتغير التابع إلى مربع قائمة التوابع (Dependent List)، بينما يُنقل المتغير المستقل إلى مربع قائمة العوامل (Factor List).

يتم النقر على زر Statistics للتأكد من تفعيل خيار Descriptives مع تحديد فترة الثقة للمتوسط عند 95% (95% Confidence Interval for Mean). يوفر هذا الإجراء تقريراً وصفياً متكاملاً يتضمن: المتوسط الحسابي (Mean)، المتوسط المبتور بنسبة 5% (5% Trimmed Mean)، الخطأ المعياري للمتوسط (Standard Error)، الانحراف المعياري (Standard Deviation)، التباين (Variance)، المدى، وأدنى وأعلى قيمة لكل مستوى من مستويات المعالجة.

علاوة على ذلك، يوفر تقرير أمر Explore معاملات الالتواء (Skewness) والتفرطح (Kurtosis) وأخطاءهما المعيارية لكل مجموعة. يُعد توزيع البيانات قريباً من الاعتدالية إذا كانت قيمة معامل الالتواء مقسومة على خطئه المعياري تقع ضمن النطاق المعياري المقبول (بين -1.96 و +1.96). تتيح هذه المقارنات الوصفية التمهيدية للباحث بناء رؤية حدسية أولية حول اتجاه الفروق بين المجموعات قبل التحقق من دلالتها الإحصائية عبر اختبار ANOVA.

5. الخطوات الإجرائية لتنفيذ تحليل التباين الأحادي في SPSS

5.1 الوصول إلى نافذة التحليل وقوائم الأوامر

لتنفيذ تحليل التباين الأحادي القياسي في بيئة SPSS، يتبع الباحث المسار القائم على القوائم الرئيسية عبر النقر على قائمة التحليل (Analyze)، ثم الانتقال إلى القائمة الفرعية لمقارنة المتوسطات والنسب (Compare Means and Proportions في الإصدارات الحديثة، أو Compare Means في الإصدارات الأقدم)، ثم اختيار الأمر المخصص One-Way ANOVA. تفتح هذه الخطوة النافذة الحوارية الرئيسية المعنونة بـ One-Way ANOVA التي تتضمن قائمة المتغيرات المسجلة في الملف وقسمين رئيسيين لإدراج المتغيرات.

يقوم الباحث بتحديد المتغير التابع المستمر من القائمة اليسرى ونقله عبر الضغط على السهم الأوسط إلى مربع Dependent List. تجدر الإشارة إلى أن SPSS يسمح بإدراج أكثر من متغير تابع في هذه الخانة، حيث سيقوم البرنامج بإجراء تحليل تباين أحادي منفصل تماماً لكل متغير تابع مدرج مع المتغير المستقل عينه. بعد ذلك، يتم تحديد المتغير المستقل التصنيفي ونقله إلى حقل العامل المسمى Factor.

يتعين على الباحث توخي الحذر الشديد والتحقق التام من عدم عكس المتغيرات في الحقول المخصصة؛ فوضع المتغير الفئوي في قائمة التوابع والمتغير الكمي في خانة العامل سيؤدي إما إلى توقف البرنامج وإظهار رسالة خطأ، أو استخراج نتائج إحصائية شاذة ومضللة لا تمت لفرضيات البحث بصلة.

5.2 تحديد خيارات التحليل المتقدمة (Options Menu)

لا يقتصر التحليل الرشيد على استخراج جدول ANOVA الأساسي، بل يستلزم استدعاء إحصاءات مساندة بالغة الأهمية لتفسير الظاهرة. يتم النقر على زر الخيارات (Options) في الجزء الجانبي الأيمن من نافذة One-Way ANOVA الرئيسية، لتفتح نافذة حوارية تتضمن حزمة من الخيارات المتقدمة. يجب تفعيل خيار الإحصاءات الوصفية (Descriptive) للحصول على جدول منظم يتضمن المتوسطات الحسابية والانحرافات المعيارية وفترات الثقة لكافة المجموعات بصورة متزامنة مع نتائج الاختبار.

يجب كذلك تفعيل خيار اختبار تجانس التباين (Homogeneity of variance test)، وهو الإجراء الذي يوجه البرنامج لحساب وإخراج جدول اختبار ليفين الضروري لتقييم افتراض تساوي التباينات. يتيح هذا الخيار للباحث التحقق المباشر من أهلية استخدام النتائج الكلاسيكية أو التحول إلى الاختبارات البديلة المقاومة للخرق.

بالإضافة إلى ذلك، يُستحسن تفعيل خيار مخطط المتوسطات (Means plot)، والذي يوجه البرنامج لرسم خط بياني يربط بين المتوسطات الحسابية للمجموعات المختلفة. يوفر هذا الرسم التوضيحي نظرة بصرية سريعة وواضحة لاتجاه الفروق، وتحديد المجموعة التي حققت أعلى أو أدنى استجابة في المتغير التابع قيد القياس.

5.3 ضبط معالجة القيم المفقودة في نافذة الخيارات

توفر نافذة الخيارات (Options) أيضاً قسماً خاصاً بالتحكم في كيفية تعامل البرنامج مع القيم المفقودة في حال وجود عدة متغيرات تابعة قيد التحليل المتزامن. يشتمل هذا القسم على خيارين رئيسيين: الخيار الأول هو استبعاد الحالات تحليلاً بتحليل (Exclude cases analysis by analysis)، حيث يتم استبعاد المشارك الذي يمتلك قيمة مفقودة في متغير تابع معين من تحليل ذلك المتغير فقط، مع الإبقاء على بياناته في تحليلات المتغيرات التابعة الأخرى التي يمتلك فيها استجابات كاملة.

الخيار الثاني هو استبعاد الحالات قائمة بقائمة (Exclude cases listwise)، وهو إجراء صارم يستبعد أي مفحوص يمتلك قيمة مفقودة واحدة في أي من المتغيرات المدرجة في التحليل بأكمله. يؤدي استخدام خيار Listwise إلى تقليص حجم العينة الكلية بدرجة ملحوظة، مما قد يضعف القوة الإحصائية للاختبار، ولكنه يضمن في المقابل توحيد حجم العينة وقابليتها للمقارنة التامة عبر كافة التحليلات التابعة المنفذة.

بعد ضبط كافة الإعدادات والخيارات الوصفية والاختبارات المتقدمة، يتم النقر على زر الاستمرار (Continue) لتثبيت الخيارات والعودة إلى النافذة الحوارية الرئيسية للتحليل، استعداداً لتحديد المقارنات البعدية وحجم التأثير المطلوب.

6. اختبارات المقارنات البعدية المتعددة (Post Hoc Tests)

6.1 فلسفة الاختبارات البعدية والتحكم في معدل الخطأ العائلي

يُعد اختبار تحليل التباين الأحادي اختباراً إجمالياً (Omnibus Test)، مما يعني أن النتيجة الدالة إحصائياً لقيمة F تخبر الباحث فقط بوجود فرق حقيقي واحد على الأقل بين اثنين من المتوسطات في مكان ما ضمن المجموعات المقارنة، دون أن توضح بالتحديد أي المجموعات تتفوق على الأخرى، أو ما إذا كانت جميع المجموعات تختلف عن بعضها أم أن الفارق محصور بين مجموعتين اثنتين فقط. تبرز هنا ضرورة الاختبارات البعدية (Post Hoc Tests) التي تُجرى بعد ثبوت دلالة F الإجمالية لاستكشاف كافة الأزواج الممكنة من المقارنات.

تتمثل الفلسفة الجوهرية للاختبارات البعدية في السيطرة الدقيقة على ما يُعرف بمعدل الخطأ العائلي (Familywise Error Rate – FWER) أو معدل الخطأ القائم على التجربة (Experimentwise Error Rate). عند إجراء عدة مقارنات ثنائية متتالية، يتضاعف خطر ارتكاب خطأ من النوع الأول وفق المعادلة الاحتمالية: FWER = 1 – (1 – α)^k، حيث تمثل k عدد المقارنات الثنائية المحتملة [k = c(c-1)/2]. ففي دراسة تحتوي على 4 مجموعات (6 مقارنات ثنائية)، يرتفع معدل الخطأ الإجمالي الفعلي من 0.05 إلى قرابة 26%، مما يجعل الاستدلال الإحصائي غير منضبط ومحفوفاً بالنتائج الإيجابية الكاذبة ما لم يتم تطبيق تصحيحات إحصائية صارمة.

توفر برمجية SPSS في نافذة المقارنات البعدية (Post Hoc) مجموعة واسعة ومتخصصة من الخوارزميات المصممة لضبط مستوى الدلالة وتعديل القيمة الاحتمالية للأزواج المقارنة. يعتمد الاختيار الرشيد للاختبار البعدي على استيفاء افتراض تجانس التباين، ودرجة التحفظ المطلوبة للتحكم في الخطأ، وما إذا كانت أحجام عينات المجموعات متساوية تماماً أم متباينة.

6.2 الاختبارات البعدية في ظل افتراض تجانس التباين (Equal Variances Assumed)

عندما يثبت اختبار ليفين تحقق فرضية تجانس التباينات (p > 0.05)، يتاح للباحث الاختيار من بين مجموعة من الاختبارات المصممة تحت هذا الافتراض في القسم العلوي من نافذة Post Hoc:

• اختبار توكي للفرق ذي الدلالة الحقيقية (Tukey’s HSD): يُعد الخيار المعياري الذهبي الأكثر شيوعاً وقبولاً في البحوث النفسية والسلوكية عند تساوي أحجام المجموعات وتجانسها. يحافظ هذا الاختبار على توازن مثالي بين ضبط معدل الخطأ العائلي بدقة عند 0.05 والحفاظ على قوة إحصائية عالية لكشف الفروق الحقيقية بين أزواج المتوسطات.
• اختبار غابرييل (Gabriel) وهوكبيرغ (Hochberg’s GT2): يوصى باستخدام هذين الاختبارين عند تجانس التباينات مع وجود اختلاف طفيف إلى معتدل في أحجام العينات بين المجموعات؛ حيث يُعد اختبار Gabriel متفوقاً إذا كانت الفروق في أعداد المفحوصين طفيفة، بينما يُفضل Hochberg’s GT2 إذا كانت الفروق في أحجام العينات كبيرة جداً.
• اختبار شيفيه (Scheffé’s Test): يُعد الاختبار الأكثر تحفظاً (Conservative) على الإطلاق بين جميع البدائل المتاحة. يتميز بمرونته الفائقة وقدرته على فحص المقارنات المعقدة والمركبة (مثل مقارنة متوسط المجموعة الأولى بمتوسط المجموعتين الثانية والثالثة مجتمعتين)، ولكنه يقلل من القوة الإحصائية لكشف الفروق الثنائية البسيطة.
• تعديل بونفيروني (Bonferroni) واختبار أقل فرق دال (LSD): يعتمد بونفيروني على تقسيم مستوى ألفا (0.05) على عدد المقارنات المجراة، وهو ممتاز عندما يكون عدد المقارنات المخطط لها محدوداً وقليلاً. في المقابل، يُعد اختبار LSD (Least Significant Difference) متساهلاً للغاية؛ حيث يجري اختبارات “ت” ثنائية عادية دون أي تحكم في تضخم الخطأ العائلي، ولا يُنصح باستخدامه في الدراسات النفسية الرصينة لتفادي الوقوع في النتائج الكاذبة.

6.3 الاختبارات البعدية عند انتهاك تجانس التباين (Equal Variances Not Assumed)

في الحالات الشائعة التي يفشل فيها الباحث في استيفاء شرط تجانس التباين وتكون نتيجة اختبار ليفين دالة إحصائياً (p < 0.05)، تفقد اختبارات توكي وشيفيه وبونفيروني موثوقيتها الرياضية وتصبح غير صالحة للاستخدام. يوفر برنامج SPSS في القسم السفلي من نافذة Post Hoc أربعة اختبارات بعدية قوية ومعدلة رياضياً للتعامل مع التباينات غير المتجانسة:

• اختبار جيمس-هويل (Games-Howell Test): يُجمع خبراء القياس والإحصاء السلوكي على أن هذا الاختبار يمثل أفضل وأقوى بديل بعدي عند خرق افتراض التجانس، خاصة عند اقترانه باختلاف أحجام المجموعات. يقوم هذا الاختبار بحساب تباين منفصل ودرجات حرية معدلة لكل زوج من المقارنات استناداً إلى معادلة ويلش-ساترثوايت، ويوفر حماية ممتازة وموثوقة ضد تضخم معدل الخطأ العائلي مع الحفاظ على قوة إحصائية متقدمة.
• اختبار دونيت T3 (Dunnett’s T3) واختبار C لدونيت: يُعد اختبار Dunnett’s T3 خياراً ممتازاً ومتحفظاً للغاية، ويُوصى باستخدامه بشكل خاص عندما تكون أحجام العينات في المجموعات صغيرة جداً (أقل من 15 إلى 20 فرداً في كل مجموعة) والتباينات غير متساوية بشكل حاد.
• اختبار تامهان T2 (Tamhane’s T2): يعتمد على تطبيق تعديل بونفيروني المحافظ مقترناً بدرجات حرية ويلش المعدلة، وهو اختبار شديد التحفظ يضمن عدم الوقوع في الخطأ الإيجابي ولكنه يتطلب فروقاً كبيرة جداً بين المتوسطات لبلوغ الدلالة الإحصائية.

لتفعيل هذه الإجراءات، ينتقل الباحث إلى نافذة Post Hoc في SPSS، ويحدد اختبار Tukey (في حال تجانس التباين المتوقع) واختبار Games-Howell كإجراء احترازي متزامن، ثم يحدد مستوى الدلالة المعياري (Significance level = 0.05) وينقر على Continue لتضمين نتائجها في جدول المخرجات النهائي.

7. التعامل مع انتهاك افتراض تجانس التباين (Welch & Brown-Forsythe)

7.1 تقييم مخرجات اختبار ليفين لتجانس التباينات

يظهر اختبار ليفين في نافذة المخرجات في جدول معنون بـ Test of Homogeneity of Variances. في الإصدارات الحديثة من SPSS، لا يقتصر البرنامج على تقديم إحصائية ليفين المحسوبة بناءً على المتوسط الحسابي فقط (Based on Mean)، بل يوفر تقديرات متعددة تتضمن الحساب القائم على الوسيط (Based on Median)، والوسيط مع تعديل درجات الحرية، والمتوسط المبتور (Based on Trimmed Mean). يُعد الاختبار المعتمد على الوسيط أكثر دقة ومناعة ضد الانحرافات التوزيعية الطفيفة.

تتم قراءة الجدول بفحص عمود الدلالة الإحصائية المقابل للسطر الأول (Sig.). إذا كانت القيمة الاحتمالية أكبر من 0.05 (p > 0.05)، فإننا نقبل الفرضية الصفرية لتجانس التباين، مما يؤكد أن التباينات بين المجموعات متقاربة بما يكفي لاعتماد النسبة الفائية القياسية واختبار توكي البعدي. أما إذا كانت القيمة الاحتمالية أقل من أو تساوي 0.05 (p ≤ 0.05)، فهذا يعني وجود تباين شاذ ودال إحصائياً بين تشتت المجموعات، مما يمثل خرقاً رسمياً للافتراض الأساسي.

بمجرد رصد عدم تحقق شرط التجانس، يتعين على الباحث التوقف فوراً عن قراءة وتوثيق جدول ANOVA التقليدي واختباراته البعدية الكلاسيكية؛ نظراً لأن قيمة F القياسية تصبح متحيزة ومشكوكاً في صدقها الاستدلالي، والتحول مباشرة نحو البدائل التصحيحية المعدلة المتوفرة في البرنامج.

7.2 تفعيل وتفسير اختباري ويلش وبراون-فورسايث

لتفادي مخاطر خرق تجانس التباين دون التخلي عن القوة الإحصائية للاختبارات المعلمية، يوفر برنامج SPSS اختبارين تصحيحيين متقدمين ومعدلين للنسبة الفائية: اختبار ويلش (Welch’s ANOVA) واختبار براون-فورسايث (Brown-Forsythe Test). يتم استدعاء هذين الاختبارين عبر تفعيل خياري Welch و Brown-Forsythe من قائمة الخيارات (Options) قبل الضغط على تنفيذ التحليل.

يقوم اختبار ويلش بإجراء تعديل جبري فريد على حساب التباين الإجمالي ودرجات الحرية بين وداخل المجموعات، حيث يتم ترجيح متوسط كل مجموعة بمقلوب تباينها الخاص بدلاً من الاعتماد على التباين المجمع المشترك (Pooled Variance). ينتج عن هذا التعديل خفض درجات حرية المقام (df2) إلى كسور عشرية غير صحيحة، مما يعوض رياضياً عدم استقرار التشتت ويجعل توزيع F المقارب خالياً من التحيز المتحرر أو المحافظ.

يظهر هذان الاختباران في مخرجات SPSS في جدول مستقل معنون بـ Robust Tests of Equality of Means. يُركز الباحث على قراءة السطر المخصص لاختبار ويلش (Welch)؛ فإذا كانت القيمة الاحتمالية في عمود Sig أقل من 0.05، يتم رفض الفرضية الصفرية بثقة تامة وتأكيد وجود فروق دالة إحصائياً بين المجموعات. يُعد اختبار ويلش المعيار الأكاديمي الأكثر اعتماداً وتوصية في المراجع الإحصائية الحديثة كبديل رسمي ومباشر لاختبار F القياسي عند انتهاك شرط التجانس.

8. تفسير وقراءة مخرجات تحليل التباين في SPSS

8.1 قراءة جدول الإحصاءات الوصفية واختبار التجانس

تبدأ المراجعة المنهجية للمخرجات بفحص جدول الإحصاءات الوصفية (Descriptives). يتضمن هذا الجدول ملخصاً رقمياً لكل مستوى من مستويات المتغير المستقل، بالإضافة إلى السطر الإجمالي (Total). يجب فحص عمود حجم العينة (N) للتأكد من اكتمال البيانات وعدم وجود استبعادات غير مقصودة، ثم تسجيل المتوسط الحسابي (Mean)، والانحراف المعياري (Std. Deviation)، والخطأ المعياري للمتوسط (Std. Error)، والحد الأدنى والأقصى للدرجات، وحدود فترة الثقة 95% للمتوسط (95% Confidence Interval for Mean – Lower and Upper Bound).

يتيح فحص المتوسطات الحسابية استنباط الاتجاهات الأولية للأثر التجريبي؛ فالمجموعة ذات المتوسط الأعلى تعكس أعلى استجابة في المتغير المقاس. كما يتيح فحص الانحرافات المعيارية تكوين انطباع أولي عن تشتت الدرجات وتجانسها الظاهري، حيث تشير الانحرافات المعيارية المتقاربة جداً إلى استقرار التشتت، في حين يثير وجود انحراف معياري يعادل ضعف انحراف مجموعة أخرى مؤشرات قوية حول احتمال خرق تجانس التباين.

ينتقل الباحث بعد ذلك مباشرة إلى جدول Test of Homogeneity of Variances لتوثيق إحصائية ليفين (Levene Statistic) وقيمتها الدلالية (Sig.) المعتمدة على المتوسط؛ لتحديد المسار التفسيري اللاحق للبحث إما باتجاه جدول ANOVA القياسي أو باتجاه جدول Robust Tests of Equality of Means، مما يشكل التبرير المنهجي للقرارات الإحصائية اللاحقة.

8.2 تفسير جدول تحليل التباين الرئيسي (ANOVA Table)

يمثل جدول ANOVA النواة الصلبة لمخرجات التحليل، ويحتوي على تقسيمات مصفوفة التباين الموزعة عبر خمسة أعمدة أساسية وصفوف تمثل مصادر التباين:

• مجموع المربعات (Sum of Squares – SS): يوضح السطر الأول مجموع المربعات بين المجموعات (Between Groups – SSB) وهو مقياس للتباين المفسر بالعامل التجريبي. ويوضح السطر الثاني مجموع المربعات داخل المجموعات (Within Groups – SSW أو Error) وهو مقياس للتباين غير المفسر والخطأ العشوائي. بينما يمثل السطر الأخير مجموع المربعات الكلي (Total – SST = SSB + SSW).
• درجات الحرية (Degrees of Freedom – df): تساوي درجات الحرية بين المجموعات (df_between = k – 1)، حيث k هو عدد المجموعات. وتساوي درجات الحرية داخل المجموعات (df_within = N – k)، حيث N هو الحجم الكلي للعينة. أما درجات الحرية الكلية فتساوي (df_total = N – 1).
• متوسط المربعات (Mean Square – MS): يمثل التباين المحسوب، وينتج عن قسمة مجموع المربعات على درجات الحرية المقابلة لها؛ حيث MSB = SSB / df_between، و MSW = SSW / df_within.
• النسبة الفائية (F): تنتج رياضياً عن قسمة متوسط المربعات بين المجموعات على متوسط المربعات داخل المجموعات: F = MSB / MSW.
• القيمة الدلالية (Sig. / p-value): تمثل الاحتمالية الإحصائية للحصول على قيمة F الحالية أو أعلى منها بالصدفة المجردة إذا كانت الفرضية الصفرية صحيحة تماماً.

يتم اتخاذ القرار الإحصائي الصارم كالتالي: إذا كانت القيمة في عمود Sig. أقل من 0.05 (تظهر أحياناً في المخرجات كـ .000، وتُكتب علمياً p < .001)، يتم رفض الفرضية الصفرية واعتماد الفرضية البديلة بوجود فروق جوهرية ذات دلالة إحصائية بين متوسطات المجموعات. أما إذا كانت القيمة أكبر من 0.05، يتم الإبقاء على الفرضية الصفرية والاستنتاج بعدم وجود أثر دال للمتغير المستقل، وعندها يتوقف التحليل ولا يجوز قراءة أو تفسير جداول المقارنات البعدية اللاحقة.

8.3 تفسير جدول المقارنات البعدية المتعددة (Multiple Comparisons)

عند ثبوت دلالة F الإجمالية، يتم الانتقال إلى جدول المقارنات المتعددة (Multiple Comparisons) لتحديد مواضع الفروق الثنائية التفصيلية بين كل زوج من المجموعات قيد الدراسة. يشتمل هذا الجدول على أعمدة تفصيلية للمجموعة المقارنة (I) والمجموعة المقارن بها (J)، متبوعة بعمود فرق المتوسطات (Mean Difference (I-J))، والخطأ المعياري للفرق (Std. Error)، والقيمة الدلالية الدقيقة (Sig.)، وفترة الثقة 95% للفرق.

يقوم الباحث بفحص عمود Mean Difference (I-J)؛ فإذا كانت القيمة موجبة، دل ذلك على تفوق المجموعة (I) على المجموعة (J)، بينما تدل القيمة السالبة على انخفاض متوسط المجموعة (I) عن المجموعة (J). يضع برنامج SPSS علامة نجمية (*) صغيرة بجانب قيمة فرق المتوسطات للدلالة البصرية الفورية على أن هذا الفرق بين الزوجين دال إحصائياً عند مستوى دلالة 0.05.

لتأكيد الدلالة الإحصائية بشكل قاطع، يجب فحص عمود Sig. لكل زوج على حدة (حيث يشترط أن تكون p < 0.05)، والتأكد من فترات الثقة 95% لفروق المتوسطات (Lower Bound و Upper Bound)؛ حيث يُعد الفرق دالاً وموثوقاً إذا لم تشتمل فترة الثقة على الرقم صفر (0) بين حديها الأدنى والأعلى (أي أن يكون كلا الحدين موجبين معاً أو كلاهما سالبين معاً). تتيح هذه القراءة الدقيقة صياغة استنتاجات محددة حول طبيعة المعالجة المتفوقة وترتيب كفاءة التدخلات بصورة قاطعة.

9. حساب وتفسير حجم الأثر (Effect Size)

9.1 أهمية قياس حجم الأثر بجانب الدلالة الإحصائية

تُعد الدلالة الإحصائية (p-value) مؤشراً على احتمالية أن تكون النتائج الملاحظة ناجمة عن مجرد خطأ المعاينة الصدفي، ولكنها لا تقدم أي معلومة حول القوة أو الأهمية العملية والواقعية (Practical Significance) للأثر المدروس. تتأثر القيمة الاحتمالية بشكل جذري وحساس بحجم العينة الكلي؛ فمع العينات الضخمة جداً، يمكن لأدنى الفروق التافهة والتي لا تحمل أي مغزى تطبيقي أو سيكولوجي أن تكتسب دلالة إحصائية (p < 0.001)، بينما قد تعجز العينات الصغيرة عن إثبات دلالة فروق سريرية وتطبيقية ضخمة.

لهذا السبب، تفرض الأدلة المنهجية الأكاديمية الصادرة عن جمعيات علم النفس العالمية والهيئات العلمية ضرورة إقران كل اختبار إحصائي استدلالي بمقياس موحد لحجم الأثر (Effect Size). يمثل حجم الأثر مقياساً كمياً معيارياً ومجرداً من وحدات القياس يوضح مقدار التباين المفسر في درجات المتغير التابع والذي يمكن إرجاعه بصورة مباشرة إلى المتغير المستقل، مما يتيح مقارنة فاعلية النتائج عبر دراسات مختلفة وبناء تراكم معرفي موثوق من خلال التحليلات البعدية (Meta-Analyses).

9.2 حساب مقياس إيتا المربعة (Eta-Squared – η²)

يُعد مؤشر إيتا المربعة (Eta-Squared – η²) المقياس الكلاسيكي والأكثر استخداماً لحساب حجم الأثر في تحليل التباين الأحادي. يعكس هذا المؤشر نسبة التباين الكلي في المتغير التابع المفسرة بواسطة الفئات أو المجموعات المكونة للمتغير المستقل. تُحسب إيتا المربعة يدوياً من خلال قسمة مجموع المربعات بين المجموعات (SSB) على مجموع المربعات الكلي (SST) من واقع جدول مخرجات ANOVA:

η² = SSB / SST = Sum of Squares Between / Sum of Squares Total

في الإصدارات الحديثة من برنامج SPSS (بدءاً من الإصدار 27 فصاعداً)، أصبح البرنامج يتيح استخراج قيم إيتا المربعة مباشرة ضمن جداول التحليل عند تفعيل خيار Estimate effect size for overall tests. وتتراوح قيمة η² نظرياً بين (0) و (1)، ويتم تفسيرها وتقييم دلالتها العملية استناداً إلى المحكات المعيارية الاسترشادية التي وضعها العالم جاكوب كوهين (Jacob Cohen):

• أثر صغير (Small Effect): η² ≈ 0.01 (المتغير المستقل يفسر 1% فقط من تباين المتغير التابع).
• أثر متوسط (Medium Effect): η² ≈ 0.06 (المتغير المستقل يفسر قرابة 6% من التباين الكلي).
• أثر كبير (Large Effect): η² ≥ 0.14 (المتغير المستقل يفسر 14% أو أكثر من تباين الدرجات التابعة).

9.3 حساب مقياس أوميغا المربعة (Omega-Squared – ω²)

على الرغم من شيوع إيتا المربعة، إلا أنها تعاني من عيب إحصائي منهجي يتمثل في كونها تقديراً متحيزاً نحو الأعلى (Biased Overestimate) لحجم الأثر الحقيقي في المجتمع الأصلي؛ حيث تعتمد على درجات العينة فقط وتميل لتضخيم الأثر، خاصة في الدراسات ذات العينات الصغيرة. يبرز هنا مؤشر أوميغا المربعة (Omega-Squared – ω²) كبديل إحصائي أكثر دقة وصرامة وعدالة؛ حيث يشتمل حسابه على تعديل مستند لدرجات الحرية ومتوسط مربعات الخطأ الداخلي لتصحيح التحيز العيني.

تُحسب أوميغا المربعة من مخرجات جدول ANOVA القياسي بالاعتماد على الصيغة الرياضية التالية:

ω² = (SSB – (df_between × MSW)) / (SST + MSW)

أو من خلال الصيغة المباشرة المعتمدة على قيمة F المحسوبة:

ω² = (df_between × (F – 1)) / ((df_between × (F – 1)) + N)

حيث تمثل N الحجم الإجمالي لكافة أفراد عينة الدراسة. تُفسر قيم أوميغا المربعة باستخدام محكات كوهين ذاتها المطبقة على إيتا المربعة (0.01 صغير، 0.06 متوسط، 0.14 كبير). يُوصى بشدة في الأبحاث النفسية والتجريبية الصارمة بتوثيق مؤشر أوميغا المربعة (ω²) بدلاً من أو إلى جانب إيتا المربعة، نظراً لموثوقيته الفائقة وقدرته على إعطاء صورة حقيقية وغير مبالغ فيها لفاعلية التدخلات التجريبية.

10. كتابة وتوثيق النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7)

10.1 الصياغة النصية لنتائج الاختبار الإحصائي

يتطلب توثيق نتائج تحليل التباين الأحادي وفق المعايير الدولية للإصدار السابع من دليل الجمعية الأمريكية لعلم النفس (APA 7th Manual) الالتزام بصياغة رياضية ونصية بالغة الدقة والتنظيم. يتعين على الباحث تقديم تقرير نصي يربط بين الهدف السيكولوجي للاختبار والنتائج الرقمية المستخلصة دون أي غموض. تتضمن الصياغة المعيارية لقيمة F تدوين رمز الاختبار مائلاً F، متبوعاً بأقواس هلالية تحوي درجات الحرية بين المجموعات وداخل المجموعات مفصولة بفاصلة، ثم علامة المساواة وقيمة F المحسوبة مقربة لأقرب منزلتين عشريتين، تليها القيمة الدلالية الدقيقة p، ومقدار حجم الأثر المستخرج (η² أو ω²).

تُكتب الصيغة الرياضية الأساسية على النحو التالي: F(df_between, df_within) = X.XX, p = .XXX, η² = .XX. يُراعى في نمط APA عدم كتابة الصفر قبل الفاصلة العشرية للقيم الاحتمالية وحجم الأثر إذا كانت القيمة لا يمكن نظرياً أن تتجاوز الرقم واحد (مثل: p = .023 وليس 0.023). وفي حال كانت القيمة الدلالية في مخرجات SPSS تظهر .000، تُكتب كالتالي: p < .001 ولا يجوز كتابتها كـ p = .000 مطلقاً.

يجب أن تتبع الصياغة النصية هيكلاً منطقياً يوضح: نوع الاختبار الإحصائي المطبق، المتغير المستقل ومستوياته، المتغير التابع المقاس، اتجاه الدلالة الإحصائية، نتائج المقارنات البعدية المحددة مع توثيق المتوسطات والانحرافات المعيارية لكل مجموعة على حدة بالصيغة: (M = XX.XX, SD = X.XX)، وتفسير المعنى العملي لحجم الأثر المحسوب.

10.2 بناء وتنسيق الجداول الإحصائية المعتمدة

يفرض دليل APA 7 معايير بصرية وتنسيقية صارمة لتصميم الجداول الإحصائية المرفقة بالتقارير العلمية؛ حيث يُحظر تماماً استخدام الخطوط العمودية (Vertical Lines) في كافة أجزاء الجدول، ويقتصر التنسيق على استخدام ثلاثة خطوط أفقية رئيسية فقط (Horizontal Lines): خط أفقي أعلى الترويسة، وخط أفقي أسفل الترويسة لفصل أسماء المتغيرات عن البيانات، وخط أفقي نهائي في أسفل الجدول قبل الملاحظات التوضيحية.

يُفضل في الأبحاث المتقدمة بناء جدول وصفي واستدلالي مدمج يلخص الإحصاءات الوصفية ونتائج المقارنات البعدية في آن واحد، بدلاً من إدراج جدول ANOVA الخام كاملاً. يتم وضع أسماء المجموعات في العمود الأول، يليه حجم العينة (n)، ثم المتوسط الحسابي (M)، فالانحراف المعياري (SD)، وفترات الثقة 95% [95% CI].

للإشارة إلى الفروق الدالة بين المجموعات داخل الجدول وفق معايير APA، تُستخدم الأحرف اللاتينية الفوقية (Superscripts). تُمنح المجموعات التي لا تختلف عن بعضها دلالياً في المقارنات البعدية نفس الحرف الفوقي (مثل: a أو b)، بينما تحصل المجموعات التي تختلف عن بعضها بصورة جوهرية على أحرف مختلفة، مع وضع ملاحظة تفسيرية أسفل الجدول توضح معاني الرموز ومستوى الدلالة المعتمد للاختبار البعدي.

10.3 نماذج عملية لصياغة التقرير النهائي للأبحاث النفسية

نموذج 1: في حال تحقق جميع الفروض واستخدام اختبار F القياسي واختبار توكي البعدي:

«أُجري تحليل التباين الأحادي بين المجموعات (One-Way ANOVA) لفحص أثر نوع التدخل العلاجي (مجموعة ضابطة، علاج معرفي سلوكي CBT، علاج باليقظة الذهنية) على مستويات أعراض القلق البعدية لدى المشاركين. أظهرت النتائج استيفاء فرضية تجانس التباين بناءً على اختبار ليفين، F(2, 57) = 1.14, p = .326. وكشفت النتائج عن وجود أثر دال إحصائياً لنوع التدخل العلاجي على مستويات القلق، F(2, 57) = 8.45, p < .001, η² = .23, ω² = .20، وهو ما يمثل حجم أثر كبيراً وفق محكات كوهين. وأظهرت المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD) أن متوسط درجات القلق لدى مجموعة العلاج المعرفي السلوكي (M = 18.20, SD = 4.15) ومجموعة اليقظة الذهنية (M = 19.85, SD = 3.90) كان أقل بصورة دالة إحصائياً مقارنة بالمجموعة الضابطة (M = 25.40, SD = 4.60) عند مستوى p < .001. في حين لم يظهر أي فرق دال إحصائياً بين مجموعتي العلاج المعرفي السلوكي واليقظة الذهنية (p = .412).»

نموذج 2: في حال خرق فرضية تجانس التباين والاعتماد على اختبار ويلش واختبار جيمس-هويل:

«أظهر اختبار ليفين انتهاكاً صريحاً لافتراض تجانس التباين، F(2, 42) = 5.89, p = .006؛ وبناءً على ذلك، تم الاعتماد على اختبار ويلش المقاوم (Welch’s ANOVA) لتقييم الفروق بين المجموعات. أشارت نتائج اختبار ويلش إلى وجود فروق ذات دلالة إحصائية جوهرية بين طرق التدريس الثلاث في درجات التحصيل الدراسي، Welch’s F(2, 24.63) = 12.78, p < .001, est. ω² = .31. وبيّنت المقارنات البعدية باستخدام اختبار جيمس-هويل (Games-Howell) أن طريقة التعلم المدمج (M = 88.40, SD = 8.10) حققت تحصيلاً أعلى بصورة دالة إحصائياً مقارنة بكل من طريقة التعلم التقليدي (M = 72.15, SD = 3.25, p = .001) والتعلم الذاتي الإلكتروني (M = 78.50, SD = 5.40, p = .014).»

11. دراسة حالة تطبيقية متكاملة في العلوم السلوكية

11.1 توصيف المشكلة البحثية وتصميم التجربة

سعياً لترسيخ التطبيق العملي الكامل، نتناول دراسة تجريبية مضبوطة أُجريت في قسم علم النفس التربوي لفحص فاعلية ثلاث استراتيجيات تدريسية مختلفة في تعزيز درجات التحصيل الدراسي في مادة الإحصاء النفسي. اشتملت التجربة على عينة قوامها 30 طالباً جامعياً (N = 30) تم توزيعهم عشوائياً وتكافؤياً على ثلاث مجموعات تجريبية متساوية، بحيث تضم كل مجموعة 10 طلاب (n1 = 10, n2 = 10, n3 = 10):

• المجموعة الأولى (التقليدية – Traditional): تلقت المحاضرات بأسلوب الإلقاء والشرح النظري الكلاسيكي.
• المجموعة الثانية (التعلم القائم على المشكلات – PBL): درست من خلال حل دراسات حالة وسيناريوهات بحثية واقعية ضمن فرق عمل.
• المجموعة الثالثة (الفصل المقلوب – Flipped Classroom): شاهدت المحاضرات المسجلة رقمياً مسبقاً مع تخصيص وقت القاعة للتطبيقات العملية والبرمجية.

تمثلت الفرضية الصفرية في عدم وجود فروق بين متوسطات التحصيل في الاختبار النهائي الموحد (المقاس من 0 إلى 100) بين الاستراتيجيات الثلاث (H0: μ_Trad = μ_PBL = μ_Flipped)، في حين افترضت الفرضية البديلة تفوق استراتيجية واحدة على الأقل في رفع مستوى التحصيل الدراسي لدى الطلاب.

11.2 التطبيق العملي الكامل عبر SPSS للبيانات التجريبية

تم إدخال البيانات الرقمية للعينة في SPSS، حيث سُجلت درجات المجموعات كالتالي: المجموعة التقليدية (68, 72, 70, 75, 71, 69, 74, 73, 67, 71)، مجموعة التعلم القائم على المشكلات (82, 85, 88, 80, 86, 84, 89, 83, 87, 86)، ومجموعة الفصل المقلوب (78, 82, 80, 79, 81, 83, 85, 77, 80, 85). تم فحص اعتدالية البيانات عبر اختبار شابيرو-ويلك وأكدت النتائج الاعتدالية التامة لكافة المجموعات (قيم p تراوحت بين 0.45 و 0.88).

تم تطبيق مسار التحليل: Analyze > Compare Means > One-Way ANOVA. تم نقل متغير Score إلى Dependent List والمتغير Strategy إلى Factor. تم تفعيل خيارات: Descriptives، و Homogeneity of variance test، واختبار Tukey للمقارنات البعدية. أسفرت مخرجات البرنامج عن النتائج الإحصائية التالية:

• جدول الإحصاءات الوصفية: أظهرت المجموعة التقليدية متوسطاً قدره (M = 71.00, SD = 2.49)، ومجموعة التعلم القائم على المشكلات (M = 85.00, SD = 2.75)، ومجموعة الفصل المقلوب (M = 81.00, SD = 2.83).
• جدول اختبار ليفين: بلغت قيمة إحصائية ليفين F(2, 27) = 0.187, p = .831؛ مما يؤكد تحقق فرضية تجانس التباين بجدارة تامة وأمان استخدام جدول ANOVA القياسي.
• جدول ANOVA الأساسي: بلغ مجموع المربعات بين المجموعات (SSB = 1040.00, df = 2, MSB = 520.00)، ومجموع المربعات داخل المجموعات (SSW = 194.00, df = 27, MSW = 7.185). وبلغت النسبة الفائية المحسوبة F = 72.37، بمستوى دلالة فائق الدقة p < .001.
• حساب حجم الأثر: η² = 1040.00 / 1234.00 = 0.843، و ω² = (1040 – (2 × 7.185)) / (1234 + 7.185) = 0.826، وهو أثر بالغ الضخامة يعكس فاعلية استثنائية للتصميم التعليمي.
• جدول مقارنات توكي البعدية: أظهر تفوق مجموعة التعلم القائم على المشكلات (PBL) على المجموعة التقليدية بفرق دال مقداره 14.00 درجة (p < .001)، وتفوق مجموعة الفصل المقلوب على المجموعة التقليدية بفرق مقداره 10.00 درجات (p < .001). كما تفوقت مجموعة التعلم القائم على المشكلات على مجموعة الفصل المقلوب بفرق دال مقداره 4.00 درجات (p = .008).

11.3 الاستنتاج العملي والربط التطبيقي للنتائج

أثبتت نتائج التحليل الإحصائي رفض الفرضية الصفرية بشكل قاطع وثبوت الفاعلية الفائقة للاستراتيجيات النشطة والتفاعلية مقارنة بالتعليم التقليدي. ومن الناحية التطبيقية، تكشف النتائج أن إدماج الطلاب في حل المشكلات والسياقات البحثية الواقعية (PBL) يوفر البيئة الأكثر كفاءة وعمقاً في استيعاب المفاهيم الإحصائية المعقدة مقارنة بمجرد المشاهدة المسبقة للمحاضرات (الفصل المقلوب) أو الاستماع السلبي المباشر.

يقود هذا الاستدلال إلى تقديم توصية تطبيقية للمؤسسات الأكاديمية وصناع القرار التعليمي بضرورة إعادة هيكلة المقررات المنهجية والإحصائية في كليات علم النفس نحو تبني نماذج التعلم المعتمد على المشكلات، حيث تقدم البيانات الإحصائية دليلاً قاطعاً على قدرة هذا النموذج على رفع كفاءة التحصيل الأكاديمي بنسب تتجاوز الفروق الفردية العشوائية المعتادة بمقدار حجم أثر نوعي بالغ الأهمية.

12. الأخطاء الإحصائية الشائعة والبدائل اللامعلمية

12.1 مخاطر إجراء اختبارات ‘ت’ المتعددة بدلاً من تحليل التباين

يقع بعض الباحثين المبتدئين في خطأ منهجي فادح يتمثل في تجزئة التصاميم متعددة المجموعات وإجراء اختبارات “ت” مستقلة ومتعددة بين كل زوج من المجموعات بدلاً من تطبيق تحليل التباين الأحادي الموحد. يكمن الخطر الرياضي الجسيم لهذا الإجراء في التضخم التراكمي السريع لمعدل خطأ النوع الأول (Familywise Error Rate Inflation)، حيث يرتفع احتمال رفض الفرضية الصفرية الصحيحة عن طريق الصدفة البحتة بصورة خارجة عن السيطرة الإحصائية.

توضح المعادلة الاحتمالية α_inflated = 1 – (1 – α)^c هذا التدهور؛ ففي دراسة تحتوي على 5 مجموعات، يحتاج الباحث لإجراء 10 مقارنات ثنائية منفصلة، مما يرفع احتمالية الوقوع في خطأ النوع الأول الفعلي إلى 1 – (0.95)^10 = 40.1%. هذا يعني أن الباحث يواجه احتمالية تقارب 40% لإعلان وجود فروق وهمية لا وجود لها في المجتمع الأصلي، مما يقوض المصداقية العلمية للدراسة برمتها.

يحمي تحليل التباين الأحادي الباحث من هذا الانزلاق المنهجي من خلال اختباره للفرضية العامة دفعة واحدة تحت مظلة مستوى ألفا محدد ومضبوط بدقة (0.05)، ولا يتم الانتقال للمقارنات التفصيلية إلا بعد ثبوت دلالة النموذج ككل مع استخدام تقنيات الضبط البعدي المحافظة.

12.2 البديل اللامعلمي: اختبار كروسكال-واليس (Kruskal-Wallis H Test)

عندما تفشل البيانات في استيفاء الشروط الأساسية لاختبار ANOVA، مثل الوجود الحاد للالتواء الشديد وغياب التوزيع الطبيعي بصورة جذرية لا تجدي معها التحويلات الرياضية، أو عندما تكون أحجام العينات صغيرة جداً، أو عندما يقاس المتغير التابع على مستوى ترتيبي رتبي (Ordinal Scale)، يصبح استخدام تحليل التباين غير مبرر إحصائياً. يمثل اختبار كروسكال-واليس (Kruskal-Wallis H Test) البديل اللامعلمي (Non-parametric Alternative) المباشر والملائم تماماً لهذه الحالات.

يقوم اختبار كروسكال-واليس بتحويل الدرجات الخام المستمرة إلى رتب متسلسلة (Ranks) لجميع المشاركين مجمorderين بغض النظر عن مجموعاتهم، ثم يقارن متوسط مجموع الرتب بين المجموعات المختلفة لتحديد ما إذا كانت العينات تنتمي لمجتمعات ذات توزيعات رتبية متطابقة. يتم تنفيذ الاختبار في SPSS عبر المسار: Analyze > Nonparametric Tests > Independent Samples (أو عبر Legacy Dialogs > K Independent Samples)، مع تحديد المتغير التابع ومتغير التجميع وتحديد نطاق المجموعات.

في حال ثبوت دلالة اختبار كروسكال-واليس (p < 0.05)، يتم فحص المقارنات البعدية اللامعلمية باستخدام اختبار مان-ويتني (Mann-Whitney U Test) الثنائي المتكرر للأزواج مع تطبيق تعديل بونفيروني الصارم على مستوى الدلالة (تقسيم 0.05 على عدد المقارنات)، أو من خلال إجراء المقارنات الزوجية التلقائية عبر خوارزمية دان (Dunn's Post Hoc Procedure) المزودة بالتعديل المدمج في SPSS، مما يوفر مساراً استدلالياً دقيقاً ومقاوماً للتشوهات التوزيعية.

12.3 أخطاء شائعة في تفسير النتائج وتوثيقها

ترصد المراجعات الأكاديمية للدراسات المنشورة مجموعة من الأخطاء الإحصائية المتكررة التي يقع فيها الباحثون عند تطبيق وتفسير تحليل التباين الأحادي، ومن أبرزها:

• الخلط بين غياب الدلالة وإثبات الصفر التام: الاعتقاد الخاطئ بأن الحصول على قيمة (p > 0.05) يمثل “إثباتاً قاطعاً” على تساوي المجموعات وتطابقها التام؛ فالقيمة الاحتمالية غير الدالة تعني فقط “الفشل في رفض الفرضية الصفرية” في ضوء البيانات الحالية وقوتها الإحصائية المتاحة، ولا تعني إثبات صحة العدم بصورة مطلقة.
• تجاهل فحص التباين والاعتماد الآلي على F: إهمال التحقق من مخرجات اختبار ليفين وتجاهل خرق افتراض التجانس، ومواصلة قراءة جدول ANOVA القياسي واختبار توكي، مما يؤدي إلى استنتاجات خاطئة كان يجب تصحيحها عبر اختبارات ويلش وجيمس-هويل.
• الخلط بين إيتا المربعة الجزئية والإيتا المربعة العامة: يحدث هذا الخلط عند توثيق التحليلات المعقدة دون تمييز، بينما يتطابق المؤشران تماماً في التصميم الأحادي فقط، وتجاهل حساب أوميغا المربعة في العينات الصغيرة.
• القصور في التوثيق الوصفي: الاكتفاء بذكر قيمة F وقيمتها الدلالية في التقرير النهائي دون توثيق أحجام العينات الدقيقة في كل مجموعة، أو إغفال تدوين الانحرافات المعيارية وفترات الثقة، مما يعيق إمكانية تقييم النتائج وفهم الاتجاه الفعلي للفروق من قبل القارئ والمحكم الأكاديمي.

خاتمة

يمثل تحليل التباين الأحادي (One-Way ANOVA) أداة استدلالية منهجية لا غنى عنها في حقول الدراسات النفسية والسلوكية والتربوية المعاصرة. إن إتقان الباحث لإجراءات هذا التحليل داخل بيئة برمجية SPSS يتجاوز مجرد الضغط الميكانيكي على الأوامر البرمجية؛ بل يتطلب فهماً شمولياً للبنية الرياضية الكامنة خلف تجزئة التباين، واستيفاءً صارماً لكافة الافتراضات الإحصائية القبلية، والقدرة على التعامل المرن والمتقدم مع حالات خرق التجانس عبر البدائل التصحيحية الرصينة مثل اختباري ويلش وجيمس-هويل.

إن التحليل الإحصائي المتكامل والناجح هو ذلك التحليل الذي يزاوج بين الصرامة في التحقق من الشروط، والدقة في حساب مقاييس حجم الأثر (Eta-Squared و Omega-Squared) لتقدير الأهمية العملية للنتائج، والبراعة في صياغة وتوثيق التقارير والجداول المدمجة وفق معايير دليل الجمعية الأمريكية لعلم النفس (APA 7). ومن خلال هذا الالتزام المنهجي، تتحول الأرقام والمخرجات الإحصائية المجردة إلى شواهد علمية ذات موثوقية عالية تسهم بفاعلية في فهم الظواهر السلوكية وتطوير التدخلات التربوية والنفسية التطبيقية.

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.
• Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal N’s and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113–125. https://doi.org/10.2307/1164979
• IBM Corp. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Kirk, R. E. (2013). Experimental design: Procedures for the behavioral sciences (4th ed.). SAGE Publications. https://doi.org/10.4135/9781483384733
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Welch, B. L. (1951). On the comparison of several mean values: An alternative approach. Biometrika, 38(3/4), 330–336. https://doi.org/10.2307/2332579