كيفية إجراء اختبار t للعينات المرتبطة في Stata

يحتل اختبار t للعينات المرتبطة (Paired Samples t-test) مكانة مركزية في ترسانة التحليل الإحصائي الاستدلالي، لاسيما في حقول العلوم النفسية، والتربوية، والعلوم السلوكية والطبية الحيوية. ينبع هذا الثقل المنهجي من الطبيعة التجريبية وشبه التجريبية للبحوث الإنسانية، حيث يسعى الباحثون باستمرار إلى قياس التغيرات المعرفية، والوجدانية، والسلوكية الناتجة عن التدخلات العلاجية أو البرامج التدريبية المقننة. ونظراً لأن التباين الفردي بين البشر يمثل أحد أكبر مصادر خطأ القياس، فإن تصميم القياسات المتكررة على العينة ذاتها يوفر وسيلة إحصائية فائقة القوة لعزل الفروق الفردية وتركيز التحليل على الأثر الحقيقي للمتغير المستقل.

تُعد بيئة البرمجيات الإحصائية Stata واحدة من أكثر المنصات تقدماً وموثوقية في الأوساط الأكاديمية والبحثية لإجراء هذه التحليلات الدقيقة. تتيح Stata للباحثين الجمع بين كفاءة سطر الأوامر القابلة للتوثيق وإعادة الإنتاج (Reproducibility) وسهولة الواجهة الرسومية التفاعلية، مما يمكنهم من إدارة هياكل البيانات المعقدة، وفحص الافتراضات التوزيعية بدقة، وتقدير أحجام التأثير، وبناء التصورات البيانية المتقدمة ونشر النتائج وفق أدق المعايير المعرفية المعتمدة دولياً مثل معايير جمعية علم النفس الأمريكية (APA Style).

يقدم هذا الدليل المرجعي الشامل خارطة طريق تطبيقية ونظرية مفصلة لكيفية تنفيذ واختبار وتفسير اختبار t للعينات المرتبطة في Stata. سنغوص عبر اثني عشر محوراً رئيساً في الأسس الرياضية، والافتراضات المسبقة، وإدارة البيانات وفحص اعتداليتها، وصولاً إلى استخراج المؤشرات المعلمية والبدائل اللامعلمية، وحساب أحجام الأثر، ورسم المخططات البيانية عالية الجودة، وتوثيق النتائج أكاديمياً، وتجنب العثرات المنهجية الشائعة في الأبحاث المنشورة.

1. مقدمة عامة حول اختبار t للعينات المرتبطة وأهميته في البحوث النفسية والاجتماعية

1.1 المفهوم الإحصائي لاختبار t للعينات المرتبطة (Paired Samples t-test)

يُعرف اختبار t للعينات المرتبطة بأنه أداة استدلالية معلمية (Parametric Test) تُستخدم لمقارنة متوسطين حسابيين لمتغير كمي متصل مقاس على نفس وحدات المعاينة في نقطتين زمنيتين مختلفتين، أو تحت ظرفين تجريبيين متباينين، أو عبر أزواج متطابقة من المشاركين تم الربط بينهم مسبقاً بناءً على خصائص مشتركة دقيقة. ويكمن الجوهر المفاهيمي لهذا الاختبار في تحويل مسألة المقارنة بين مجموعتين من البيانات إلى مسألة اختبار عينة واحدة لمتغير جديد مشتق هو “متغير الفروق” (Difference Variable).

في تصاميم العينات المستقلة، يتأثر التباين الكلي بالفروق الفردية بين الأشخاص (مثل الذكاء الفطري، والسمات الشخصية، والخلفية الاجتماعية والاقتصادية)، مما يزيد من قيمة تباين الخطأ في مقام المعادلة الإحصائية. أما في تصميم العينات المرتبطة، فإن كل مشارك يمثل ضابطاً لنفسه (Self-Control)، حيث يتم طرح درجة القياس القبلي من درجة القياس البعدي لكل فرد على حدة، مما يؤدي إلى إلغاء التباين الناجم عن الفروق الفردية الثابتة. يركز الاختبار بالتالي على متوسط الفروق الزوجية ($\bar{d}$) وليس على الفرق بين المتوسطات المستقلة ($\bar{X}_1 – \bar{X}_2$).

تستند المعادلة الرياضية لاختبار t للعينات المرتبطة إلى النسبة بين متوسط الفروق الملاحظ والانحراف المعياري لمتوسط تلك الفروق (الخطأ المعياري):

$$t = \frac{\bar{d} – \mu_0}{s_d / \sqrt{n}}$$

حيث تمثل $\bar{d}$ متوسط الفروق المحسوبة بين درجات كل زوج، و$\mu_0$ تمثل الفرق المفترض تحت الفرضية الصفرية (وهي صفر في الغالب الأعم)، و$s_d$ يمثل الانحراف المعياري لتلك الفروق، بينما تمثل $n$ عدد الأزواج المرتبطة. يتبع هذا الاختبار توزيع t لـ Student بدرجات حرية مساوية لعدد الأزواج ناقص واحد ($df = n – 1$). هذا الخفض في تباين الخطأ يمنح التصاميم داخل المشاركين (Within-Subjects Designs) قوة إحصائية (Statistical Power) تفوق بمراحل تصاميم المجموعات المستقلة المقابلة، مما يمكّن الباحث من اكتشاف الآثار التجريبية الحقيقية حتى مع أحجام عينات معتدلة.

1.2 متى يُستخدم الاختبار في الدراسات النفسية والسلوكية؟

تتعدد التطبيقات المنهجية لاختبار t للعينات المرتبطة في العلوم النفسية والاجتماعية والتربوية، وتندرج غالباً تحت ثلاثة تصاميم بحثية رئيسية:

• تصاميم القياس القبلي والبعدي (Pre-test / Post-test Designs): يُعد هذا التطبيق الأكثر شيوعاً في علم النفس الإكلينيكي والعلاجي والبحوث التدخلية، حيث يُقاس مستوى متغير نفسي معين (مثل أعراض الاكتئاب، أو القلق، أو جودة النوم) لدى مجموعة من المرضى قبل تطبيق بروتوكول علاجي محدد، ثم يُعاد قياس نفس المتغير بعد انتهاء البرنامج العلاجي لتقييم كفاءة التدخل.
• تصاميم المقارنة التبادلية والظروف المتعددة (Crossover & Repeated Conditions Designs): يُخضع الباحث المشارك ذاته لظرفين تجريبيين مختلفين في ترتيب عشوائي، مثل قياس زمن الرجع أو الأداء المعرفي تحت تأثير بيئة ذات ضوضاء مرتفعة مقارنة ببيئة هادئة تماماً، بهدف عزل أثر الظرف البيئي عن الفروق الفردية في القدرات المعرفية.
• تصاميم الأزواج المتطابقة (Matched-Pairs Designs): تُستخدم عندما يتعذر تعريض نفس المشارك لكلا الظرفين التجريبيين، فيتم تشكيل أزواج من المشاركين (مثل التوائم المتطابقة، أو مشاركين تم مطابقتهم بدقة على متغيرات كالعمر والجنس والذكاء وسنوات التعليم)، بحيث يتلقى أحد طرفي الزوج التدخل التجريبي بينما يتلقى الطرف الآخر العلاج الوهمي أو المعتاد.

من الضروري للباحث التمييز الدقيق بين هذا التصميم وتصميم العينات المستقلة (Independent Samples)؛ فاستخدام اختبار المجموعات المستقلة مع بيانات مرتبطة يؤدي إلى تجاهل الارتباط الإيجابي القوي بين القياسين، مما يؤدي إلى تضخيم غير مبرر للخطأ المعياري وفقدان حاد في القوة الإحصائية، وربما ارتكاب خطأ من النوع الثاني (Type II Error) بالفشل في الكشف عن أثر تدخلي حقيقي موجود بالفعل.

1.3 صياغة الفرضيات الإحصائية (الصفرية والبديلة)

تبدأ المعالجة الإحصائية للاختبار ببناء الفرضيات بصورة رياضية دقيقة تعكس السؤال البحثي والأساس النظري للدراسة. تُصاغ الفرضيات بالاعتماد على المعلمة المجهولة في المجتمع الإحصائي لمتوسط الفروق ($\mu_d$):

الفرضية الصفرية (Null Hypothesis – $H_0$): تنص على عدم وجود فرق حقيقي بين القياسين في مجتمع الدراسة، مما يعني أن متوسط الفروق الزوجية يساوي الصفر تماماً:

$$H_0: \mu_d = 0$$

الفرضية البديلة ثنائية الاتجاه (Two-Tailed Alternative Hypothesis – $H_1$): تُستخدم عندما لا يمتلك الباحث افتراضاً موجهاً مسبقاً حول اتجاه التغير، بل يختبر إمكانية حدوث أي تغير سواء كان إيجابياً أو سلبياً:

$$H_1: \mu_d \neq 0$$

الفرضيات البديلة أحادية الاتجاه (One-Tailed Alternative Hypotheses): تُصاغ عندما تستند الدراسة إلى نظرية راسخة أو شواهد تجريبية مسبقة تتوقع تحسناً أو انخفاضاً حصرياً في الدرجات، وتأخذ إحدى الصورتين:

• توقع زيادة ذات دلالة بعد التدخل: $H_1: \mu_d > 0$
• توقع انخفاض ذي دلالة بعد التدخل: $H_1: \mu_d < 0$

يقترن تحديد الفرضيات باختيار مستوى الدلالة الإحصائية المقبول حرجياً ($\alpha$)، والذي يُحدد عادة في العلوم الاجتماعية والنفسية عند مستوى $0.05$ أو $0.01$. يمثل هذا المستوى احتمالية ارتكاب خطأ من النوع الأول (Type I Error)، وهو رفض الفرضية الصفرية بينما هي صحيحة في الواقع. كما يتطلب البحث الرصين موازنة ذلك مع تقليل خطأ النوع الثاني ($beta$) لضمان قوة إحصائية ($1 – beta$) كافية تتجاوز $0.80$.

2. الافتراضات الإحصائية والشروط المسبقة لتطبيق الاختبار

2.1 مستوى قياس المتغيرات واستمرارية البيانات

يتطلب اختبار t للعينات المرتبطة أن يكون المتغير التابع مقاساً على مستوى كمي متصل، أي على مقياس فئوي (Interval Scale) أو مقياس نسبي (Ratio Scale). تعني استمرارية البيانات أن القيم تمتلك خصائص المسافات المتساوية بين الوحدات، مما يسمح بحساب العمليات الحسابية الأساسية كالمتوسط والانحراف المعياري بصورة ذات معنى رياضي حقيقي.

يثور في الدراسات السلوكية والنفسية نقاش منهجي مستمر حول استخدام مقاييس ليكرت (Likert Scales). من منظور إحصائي صارم، تُعد بنود ليكرت الفردية متغيرات رتبية (Ordinal)؛ إلا أن التقاليد القياسية المعاصرة تستقر على أنه عند دمج عدة بنود في مقياس فرعي أو مقياس كلي متعدد البنود لحساب درجة مركبة (Composite Score)، فإن التوزيع الناتج يمكن معاملته كمتغير فئوي متصل شريطة اتساع مدى الدرجات وتحقق التوزيع الاعتدالي لدرجات الفرق.

يؤدي تقطع البيانات الحاد أو محدودية التدريج (مثل المقاييس التي تتراوح بين 1 و 3 فقط) إلى تشويه تقدير الخطأ المعياري، وانخفاض حساسية الاختبار، وظهور مشاكل السقف والأرضية (Ceiling and Floor Effects) التي تحد من إمكانية رصد التغيرات الدقيقة الناتجة عن المعالجات التجريبية.

2.2 افتراض التوزيع الطبيعي لفروق الأزواج (Normality of Differences)

يُمثل هذا الافتراض إحدى النقاط المنهجية التي يقع فيها الكثير من الباحثين في خلط مفاهيمي شائع؛ فالشرط الإحصائي الحاكم لاختبار t للعينات المرتبطة لا يتطلب اعتدالية التوزيع للدرجات القبلية بمعزل عن الدرجات البعدية، بل ينص صراحة على أن يخضع متغير الفروق الحسابية بين الأزواج ($D = X_{post} – X_{pre}$) للتوزيع الطبيعي في المجتمع الإحصائي المسحوبة منه العينة.

يمكن لبيانات القياس القبلي أن تكون ملتوية التواءً شديداً، وبيانات القياس البعدي ملتوية بصورة مماثلة، ومع ذلك تكون الفروق المحسوبة بينهما موزعة توزيعاً اعتدالياً مثالياً. لذلك، فإن إجراء فحوص الاعتدالية على المتغيرات الخام بشكل منفصل يُعد خطأً إجرائياً، ويجب حصر الفحص الإحصائي في متغير الفرق المحسوب.

تتدخل نظرية النهاية المركزية (Central Limit Theorem) لتخفيف صرامة هذا الافتراض في العينات الكبيرة؛ فإذا تجاوز حجم العينة 30 إلى 50 زوجاً من الملاحظات، يميل توزيع المعاينة لمتوسط الفروق إلى الاقتراب من التوزيع الطبيعي حتى لو انحرفت درجات الفروق الأصلية بشكل معتدل عن الاعتدالية. ومع ذلك، في العينات الإكلينيكية الصغيرة، يصبح التحقق البصري والرقمي الدقيق من الاعتدالية أمراً حتمياً لا غنى عنه لتفادي استنتاجات مضللة.

2.3 استقلالية الأزواج وخلو البيانات من القيم المتطرفة

يقوم الاختبار على افتراض استقلالية أزواج الملاحظات عبر المشاركين. يعني هذا الافتراض أن درجة أي زوج من القياسات لمشارك معين لا تؤثر ولا تتأثر بدرجة أي مشارك آخر داخل العينة. يتحقق هذا الشرط من خلال بروتوكول المعاينة العشوائية وضبط ظروف التجربة لمنع أي تفاعل تبادلي أو تواصل بين المفحوصين أثناء إجراء الاختبارات النفسية أو المعرفية.

من جهة أخرى، يتميز اختبار t بحساسية مفرطة لوجود القيم المتطرفة الشاذة (Outliers) في متغير الفروق. بما أن المتوسط الحسابي والانحراف المعياري يدخلان مباشرة في بسط ومقام إحصائية t، فإن وجود فرق شاذ واحد ناتج عن خطأ إدخال أو استجابة غير منضبطة يمكن أن يضخم تباين الفروق ($s_d$) بشكل مصطنع، مما يؤدي إلى تقليص قيمة t وإخفاء دلالة الفروق الحقيقية، أو على العكس قد يؤدي إلى خلق دلالة زائفة إذا كانت القيمة المتطرفة في اتجاه الفرضية البديلة.

عند ثبوت انتهاك صريح للافتراضات الإحصائية، خاصة مع وجود عينات صغيرة وتوزيعات شديدة الالتواء تعجز التحويلات الرياضية عن معالجتها، يتوجب على الباحث التحول المنهجي إلى البدائل اللامعلمية الرصينة، وعلى رأسها اختبار ويلكوكسون للإشارة والرتب (Wilcoxon Signed-Rank Test).

3. تهيئة بيئة العمل وإعداد البيانات في برنامج Stata

3.1 بنية البيانات المطلوبة لاختبار t المرتبط (Wide vs. Long Format)

يتعامل برنامج Stata مع البيانات المعادة والمزدوجة عبر نسقين رئيسيين من هياكل البيانات: التنسيق العريض (Wide Format) والتنسيق الطويل (Long Format). من الضروري جداً فهم الفرق الهيكلي بينهما لإدخال الأوامر الإحصائية بصورة صحيحة ودون حدوث أخطاء برمجية.

في التنسيق العريض (Wide Format)، يمثل كل صف في مصفوفة البيانات مشاركاً واحداً فريداً، وتكون القياسات المتكررة موزعة كأعمدة مستقلة تمثل المتغيرات؛ بحيث يمثل العمود الأول مثلاً درجة القلق القبلي (anxiety_pre) والعمود الثاني درجة القلق البعدي (anxiety_post). هذا النسق هو التنسيق القياسي والافتراضي المباشر لتنفيذ اختبار t للعينات المرتبطة في Stata باستخدام أمر ttest var1 == var2.

أما في التنسيق الطويل (Long Format)، فتتوزع القياسات المتكررة للمشارك الواحد على صفوف متعددة، بحيث يمتلك المشارك صفا لكل نقطة زمنية، مصحوباً بمتغير مؤشر للوقت (time) ومتغير للدرجة (score). تتيح Stata التحويل السلس والمرن بين التنسيقين باستخدام أمر reshape. إذا كانت بياناتك مخزنة بالتنسيق الطويل، يمكنك تحويلها إلى التنسيق العريض عبر الكود التالي:

reshape wide score, i(id) j(time)

يضمن وجود متغير معرف فريد لكل مشارك (id) الحفاظ على سلامة الربط البيني وتجنب أي تداخل في السجلات عند تنفيذ عمليات التحويل وإدارة البيانات.

3.2 إنشاء وتوثيق ملفات العمل (Do-files و Log-files)

تقتضي الممارسات العلمية الرصينة في أبحاث العلوم النفسية والاجتماعية ضمان الشفافية وقابلية إعادة الإنتاج الكاملة للتحليلات الإحصائية. يوفر Stata أدوات محورية لتحقيق هذه الغاية عبر ملفات الأوامر (Do-files) وملفات السجلات (Log-files).

يُعد ملف Do-file مستنداً نصياً يحفظ فيه الباحث كافة الأوامر والرموز البرمجية خطوة بخطوة من استيراد البيانات إلى استخراج الجداول والرسوم البيانية النهائية. يتيح ذلك إعادة تنفيذ التحليل في أي وقت بضغطة زر واحدة والتأكد من مطابقة النتائج. لإنشاء ملف أوامر وتوثيقه، يُنصح دائماً ببدء الكود بفتح ملف سجل لحفظ المخرجات النصية الناتجة عن التحليل وحفظه بصيغة نصية أو بصيغة smcl الخاصة بستاتا:

capture log close
log using "Paired_tTest_Analysis.log", replace text

يجب تضمين التعليقات التوضيحية داخل ملف الـ Do-file باستخدام الرمزين // أو /* ... */ لشرح الغرض المنهجي من كل خطوة تحليلية، وتوثيق أسماء المقاييس النفسية ووحدات القياس المستخدمة، مما يسهل العمل التشاركي والمراجعة الأكاديمية المستقلة.

3.3 استيراد مجموعات البيانات وفحص بنيتها الأولية

يدعم Stata استيراد ملفات البيانات من صيغ ومصادر متنوعة بكل سهولة. يمكن تحميل ملفات بيانات Stata الأصلية ذات الامتداد .dta مباشرة باستخدام أمر use، أو استيراد ملفات جداول البيانات من برامج Excel أو الملفات النصية المفصولة بفواصل (CSV):

import excel "psych_intervention_data.xlsx", sheet("Sheet1") firstrow clear
import delimited "psych_intervention_data.csv", clear

بمجرد استيراد البيانات، تقتضي الخطوة التالية فحص البنية الداخلية للتحقق من سلامة قراءة البرمجية للمتغيرات عبر الأمرين describe و codebook:

describe anxiety_pre anxiety_post
codebook anxiety_pre anxiety_post

توضح هذه الأوامر نوع تخزين المتغيرات (عددية Numeric أم نصية String)، وعدد الملاحظات المكتملة، والقيم المفقودة، وتسميات المتغيرات. كما يتيح استخدام نافذة محرر البيانات في وضع الاستعراض عبر كتابة أمر browse التأكد البصري السريع من استقرار الأعمدة وتوافق القياسات الزوجية لكل مفحوص.

4. استكشاف البيانات وإدارتها قبل التحليل (Data Screening in Stata)

4.1 إنشاء متغير الفروق بين القياسين القبلي والبعدي

يمثل إنشاء متغير الفروق الحسابية خطوة تأسيسية لا غنى عنها في المعالجة القبلية للبيانات. يتيح هذا المتغير فحص اعتدالية التوزيع، واكتشاف القيم المتطرفة، وإجراء الفحوص التشخيصية بدقة متناهية. يتم توليد هذا المتغير في Stata باستخدام أمر generate:

generate diff_anxiety = anxiety_post - anxiety_pre

يُفضل تزويد المتغير الجديد بتسمية توضيحية كاملة تسهل قراءة المخرجات اللاحقة باستخدام أمر label variable:

label variable diff_anxiety "Change in Anxiety Score (Post - Pre)"

يقوم Stata تلقائياً بمعاملة القيم المفقودة؛ فإذا كانت قيمة القياس القبلي أو البعدي مفقودة لأي مشارك بسبب التسرب من الدراسة (Attrition)، فسيتم تعيين قيمة مفقودة (تُمثل بنقطة .) لمتغير الفرق المقابل. يجب حصر عدد الحالات المكتملة ومقارنتها بالحجم الأصلي للعينة لتقييم احتمالية وجود تحيز ناتج عن الفقدان الانتقائي للمشاركين.

4.2 استخراج الإحصاءات الوصفية للمتغيرات ومتغير الفرق

قبل القفز إلى الاختبارات الاستدلالية، يجب تكوين رؤية وصفية شاملة لخصائص التوزيع الإحصائي للقياسين القبلي والبعدي ولمتغير الفرق بينهما. يُستخدم أمر summarize لاستخراج المتوسط الحسابي، والانحراف المعياري، والخطأ المعياري، والقيمتين الصغرى والعظمى:

summarize anxiety_pre anxiety_post diff_anxiety

للحصول على فحص أكثر عمقاً للمؤشرات الشكلية لمتغير الفروق، نطبق خيار التفصيل detail:

summarize diff_anxiety, detail

يوفر هذا الخيار مخرجات غنية تتضمن المئينيات الأساسية (الوسيط والربيعات)، بالإضافة إلى معاملي الالتواء (Skewness) والتفرطح (Kurtosis). كقاعدة عامة، تشير قيم الالتواء المحصورة بين $-1$ و $+1$ إلى توزيع متماثل نسبياً، في حين تعكس قيم التفرطح القريبة من $3$ تطابقاً مع التوزيع الطبيعي المعياري المسطح (Mesokurtic).

من المفيد أيضاً فحص مصفوفة الارتباط البيني بين القياسين لتحديد قوة واتجاه العلاقة الخطية بينهما باستخدام أمر correlate:

correlate anxiety_pre anxiety_post

4.3 الكشف عن القيم المتطرفة والشاذة (Outlier Detection)

تؤدي القيم المتطرفة إلى تشويه مضلل لنتائج اختبار t للعينات المرتبطة؛ لذا يجب فحص متغير الفروق diff_anxiety بصرياً ورقمياً لرصد أي قيم شاذة قد تسحب المتوسط باتجاهها أو تضخم الانحراف المعياري. يُعد المخطط الصندوقي (Boxplot) الأداة البصرية الأقوى في Stata لتحقيق ذلك:

graph box diff_anxiety, title("Boxplot of Anxiety Differences") ytitle("Difference Score")

يقوم هذا المخطط بتحديد النقاط التي تقع خارج حدود السياج الخارجي (التي تتجاوز 1.5 ضعف المدى الربيعي فوق الربيع الثالث أو تحت الربيع الأول) وتمثيلها كنقاط منفصلة تستوجب الفحص المتأني.

رقمياً، يمكن حساب الدرجات المعيارية (Z-scores) لمتغير الفروق لتحديد الحالات التي تنحرف بشكل حاد عن المتوسط عبر الأوامر التالية:

egen z_diff = std(diff_anxiety)
list id diff_anxiety z_diff if abs(z_diff) > 3.0 & !missing(z_diff)

تُعد القيم التي يتجاوز معيارها المطلق عتبة $\pm 3.0$ أو $\pm 3.29$ قيماً متطرفة محتملة. يجب التحقق من عدم وجود أخطاء في الإدخال، وفي حال كانت البيانات أصلية وصحيحة، ينبغي تقييم أثر استبعادها عبر إجراء “تحليل الحساسية” (Sensitivity Analysis) بمقارنة نتائج التحليل مع وبدون هذه الحالات وتوثيق ذلك بشفافية في التقرير العلمي النهائي دون استبعاد انتقائي يولد انحيازاً في النتائج.

5. اختبار افتراض التوزيع الطبيعي في Stata بالتفصيل

5.1 الفحوص الإحصائية الرقمية للاعتدالية

تتضمن Stata حزمة متكاملة من الاختبارات الإحصائية الرقمية الصارمة للتحقق من مدى مطابقة متغير الفروق للتوزيع الطبيعي. يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) المعيار الذهبي المفضل عالمياً في العينات الصغيرة والمتوسطة (حتى $N = 2000$)، ويتم تنفيذه عبر الأمر المباشر التالي:

swilk diff_anxiety

تعتمد قراءة هذا الاختبار على إحصائية $W$ وقيمة الدلالة الاحتمالية ($p\text{-value}$) المقابلة لها. تنص الفرضية الصفرية للاختبار على أن البيانات مسحوبة من مجتمع يتبع التوزيع الطبيعي؛ بالتالي، فإن الحصول على قيمة $p > 0.05$ يعني الفشل في رفض الفرضية الصفرية، مما يشير إلى سلامة افتراض التوزيع الطبيعي لمتغير الفروق وملاءمة استخدام الاختبار المعلمي.

كما توفر Stata اختبار دارلينج-رويستون للالتواء والتفرطح من خلال أمر sktest:

sktest diff_anxiety

يقوم هذا الاختبار بتقييم دلالة انحراف الالتواء عن الصفر وانحراف التفرطح عن 3 كلٍ على حدة، ثم يقدم اختباراً مشتركاً شاملاً بإحصائية كاي تربيع ($\chi^2$). تجدر الإشارة إلى أن الاختبارات الرقمية تصبح شديدة الحساسية في العينات الضخمة جداً، حيث قد تعطي دلالة إحصائية زائفة ($p < 0.05$) لانحرافات طفيفة لا تؤثر عملياً على موثوقية اختبار t، مما يستوجب الجمع الدائم بين الفحوص الرقمية والأدوات البصرية.

5.2 الفحوص البصرية والرسوم البيانية للتوزيع الطبيعي

تمنح الفحوص البصرية الباحث فهماً نوعياً عميقاً لشكل المنحنى التوزيعي والكشف عن أي تشوهات موضعية كالقمم المتعددة أو الذيل الثقيل. تقدم Stata ثلاثة مخططات بيانية محورية لفحص اعتدالية متغير الفرق:

المدرج التكراري مع المنحنى الطبيعي المركب: يتيح مقارنة شكل التوزيع الفعلي للبيانات بالمنحنى الطبيعي النظري المتراكب:

histogram diff_anxiety, normal kdensity title("Distribution of Differences with Normal Curve")

مخطط الكوانتيل-كوانتيل (Q-Q Plot): يرسم كوانتيلات البيانات التجريبية الفعلية في مواجهة كوانتيلات التوزيع الطبيعي المتوقعة عبر أمر qnorm:

qnorm diff_anxiety, title("Normal Q-Q Plot of Differences")

عندما تتبع البيانات التوزيع الطبيعي، تترتب جميع النقاط بانتظام على طول الخط المرجعي المستقيم القطري بزاوية 45 درجة. تشير انحرافات النقاط عند الأطراف (الذيول) إلى وجود التواء أو تفلطح شاذ في التوزيع.

مخطط الاحتمال الطبيعي (P-P Plot): يركز على مقارنة دالة التوزيع التراكمي الملاحظة بالتوزيع التراكمي النظري باستخدام أمر pnorm:

pnorm diff_anxiety, title("Normal P-P Plot of Differences")

يتميز هذا المخطط بحساسية عالية لرصد الانحرافات والتشوهات الواقعة في وسط التوزيع حول المتوسط الحسابي.

5.3 الإجراءات المتبعة عند انتهاك شرط التوزيع الطبيعي

إذا أظهرت الفحوص الرقمية والبصرية انتهاكاً جسيماً لافتراض الاعتدالية، تتوافر أمام الباحث ثلاثة مسارات منهجية لمعالجة المشكلة:

• التحويلات الرياضية (Data Transformations): يمكن تطبيق تحويلات رياضية على الدرجات الأصلية لتعديل الالتواء، مثل التحويل اللوغاريتمي الطبيعي (gen log_diff = ln(score)) في حالات الالتواء الموجب الشديد، أو تحويل الجذر التربيعي، ثم إعادة حساب متغير الفروق وفحص اعتداليته من جديد.
• إعادة المعاينة البوتسترابية (Bootstrapping): تُعد تقنية إعادة التوزيع المعلمي غير المقيد أسلوباً حديثاً فائق القوة لا يشترط اعتدالية التوزيع لتقدير فترات الثقة والخطأ المعياري. يمكن تنفيذ اختبار t مع 2000 عينة بوتسترابية في Stata عبر الكود التالي:

  bootstrap r(mu_2) r(mu_1), reps(2000) seed(12345): ttest anxiety_post == anxiety_pre

• التحول للاختبارات اللامعلمية (Non-Parametric Methods): يُعد الانتقال المباشر لاستخدام اختبار ويلكوكسون للإشارة والرتب (Wilcoxon Signed-Rank Test) الخيار الأكثر شيوعاً وقبولاً في الأوساط الأكاديمية عند التعامل مع عينات صغيرة ملوثة بانحرافات توزيعية واضحة.

6. تنفيذ اختبار t للعينات المرتبطة عبر سطر الأوامر (Command-Line Syntax)

6.1 الصيغة الأساسية لأمر ttest في Stata

يتميز بناء الجملة النحوي لأمر ttest في Stata بالبساطة المباشرة والصرامة الرياضية. في التنسيق العريض (Wide Format)، يتم الربط بين المتغيرين المقاسين قبل وبعد التدخل باستخدام علامة المساواة المزدوجة (==) التي تعبر عن ارتباط القياسين بالوحدة التحليلية ذاتها:

ttest anxiety_post == anxiety_pre

دعنا نطبق هذا الأمر على دراسة نفسية تجريبية تقيم أثر برنامج العلاج المعرفي السلوكي (CBT) على عينة مكونة من 40 مريضاً يعانون من اضطراب القلق العام، حيث يمثل anxiety_pre الدرجة على مقياس GAD-7 قبل العلاج، ويمثل anxiety_post الدرجة بعد 12 أسبوعاً من الجلسات العلاجية. يؤدي إدخال الأمر السابق إلى تشغيل التحليل الفوري وتوليد جدول المخرجات الإحصائية الكامل في نافذة النتائج.

6.2 تنفيذ الاختبار بصيغة متغير الفروق مع الصفر

لتأكيد البناء المفاهيمي للاختبار باعتباره اختبار عينة واحدة على متغير الفروق، يمكن للباحث تنفيذ اختبار t لعينة واحدة بمقارنة متغير الفرق المشتق diff_anxiety بالقيمة النظرية المفترضة تحت الفرضية الصفرية وهي الصفر:

ttest diff_anxiety == 0

عند تنفيذ هذا الأمر، ستتطابق إحصائية t المحسوبة، ودرجات الحرية ($df = n – 1$)، ومستوى الدلالة الاحتمالية ($p\text{-value}$)، وفترة الثقة لمتوسط الفروق تطابقاً رياضياً تاماً بنسبة 100% مع مخرجات صيغة المقارنة الزوجية المباشرة (ttest anxiety_post == anxiety_pre). يساعد هذا الإجراء الباحث في ترسيخ الفهم المنهجي لآلية عمل الاختبار خلف الكواليس البرمجية.

6.3 الخيارات الإضافية وضبط مستويات الثقة والمجموعات الفرعية

يوفر Stata خيارات برمجية متقدمة لتخصيص عملية التحليل وضبط معالمها وفقاً للأهداف الفرعية للدراسة:

تغيير مستوى فاصل الثقة: القيمة الافتراضية في Stata هي فترة ثقة 95%. يمكن تعديل هذا المستوى إلى 99% أو 90% باستخدام خيار level():

ttest anxiety_post == anxiety_pre, level(99)

التحليل الشرطي للمجموعات الفرعية: يمكن حصر التحليل في شريحة معينة من المشاركين (مثل الإناث فقط، حيث gender == 2) باستخدام العبارة الشرطية if:

ttest anxiety_post == anxiety_pre if gender == 2

التحليل الطبقي المقسم (Stratified Analysis): لإجراء الاختبار بصورة مستقلة لكل فئة من فئات متغير تصنيفي (كالذكور والإناث معاً كلٍ على حدة)، نقوم بفرز البيانات وتطبيق البادئة البرمجية bysort:

bysort gender: ttest anxiety_post == anxiety_pre

7. تنفيذ اختبار t للعينات المرتبطة عبر الواجهة الرسومية (Stata GUI)

7.1 التنقل عبر القوائم المنسدلة للوصول إلى نافذة التحليل

للباحثين الذين يفضلون الواجهات التفاعلية، يوفر Stata مساراً رسومياً دقيقاً للوصول إلى نافذة الحوار الخاصة باختبار المقارنات التائية عبر القوائم المنسدلة العلوية كالتالي:

Statistics > Summaries, tables, and tests > Classical tests of hypotheses > t test (mean-comparison test)

بمجرد فتح نافذة الحوار الرئيسية (t test – Mean-comparison test)، يجب تحديد نوع التصميم الإحصائي المناسب عن طريق اختيار زر الراديو الخاص باختبار العينات المرتبطة:

Paired

بعد تفعيل هذا الخيار، ستظهر حقول مخصصة تطلب تحديد المتغيرين؛ حيث نختار من القائمة المنسدلة الأولى متغير القياس الأول (First variable: anxiety_post) ومن القائمة المنسدلة الثانية متغير القياس الثاني (Second variable: anxiety_pre).

7.2 تخصيص الخيارات والإعدادات المتقدمة في الواجهة

تتيح نافذة الحوار الرسومية ضبط المعالم المتقدمة للتحليل دون كتابة أكواد برمجية:

• ضبط مستوى الثقة (Confidence Level): يمكن كتابة النسبة المرغوبة مباشرة في حقل “Confidence level” (مثل 95 أو 99).
• تحديد الفلاتر والعينات الجزئية: بالانتقال إلى تبويب if/in في أعلى النافذة، يمكن كتابة الشروط المنطقية لاستبعاد حالات معينة أو اختيار شرائح عمرية محددة (مثل: age >= 18 & age <= 60).
• التنفيذ والمراقبة: يوفر Stata خيارين في أسفل النافذة؛ زر Submit الذي يقوم بتنفيذ التحليل مع إبقاء النافذة مفتوحة لتجربة خيارات أخرى، وزر OK الذي ينفذ التحليل ويغلق النافذة. عند الضغط على أي منهما، يقوم البرنامج بترجمة الخيارات الرسومية فوراً إلى كود برمجي قياسي ويظهره في نافذة النتائج والتاريخ (History Window).

7.3 مقارنة العمل عبر الواجهة الرسومية مقابل سطر الأوامر

توفر الواجهة الرسومية ميزة مؤكدة للمبتدئين في بيئة Stata؛ إذ تجنبهم الأخطاء الإملائية الشائعة في كتابة الأوامر وتساعدهم في التعرف على الخيارات الإحصائية المتاحة بصرياً. ومع ذلك، تتفوق طريقة سطر الأوامر (Command-Line) بمراحل في البيئات البحثية المتقدمة لعدة اعتبارات منهجية:

• السرعة الفائقة في إعادة تنفيذ التحليلات المعقدة على مجموعات بيانات ضخمة.
• إمكانية دمج الأكواد داخل ملفات Do-files لضمان التوثيق الدائم والتكرار العلمي للتحليل.
• سهولة التعديل السريع على المعلمات دون الحاجة لإعادة ملء النوافذ التفاعلية مجدداً.

تتمثل الاستراتيجية المثالية للباحث في استخدام الواجهة الرسومية كأداة استكشافية أولية، ثم نسخ الكود البرمجي الذي تولده الواجهة وحفظه داخل ملف Do-file المنظم ليكون مرجعاً نهائياً للدراسة.

8. التفسير الشامل والقراءة الدقيقة لجدول مخرجات Stata

8.1 تفسير جدول الإحصاءات الوصفية المقترن بالمخرجات

يولد أمر ttest في Stata جدولاً غنياً بالمعلومات الإحصائية المنسقة بدقة متناهية. ينقسم الجدول إلى صفوف تمثل المتغير الأول، والمتغير الثاني، وصف الفروق المحسوبة (diff):

يتضمن الجدول الأعمدة التحليلية التالية لكل صف:

• Obs (عدد الملاحظات): يوضح عدد أزواج البيانات الصالحة المكتملة التي دخلت في التحليل الفعلي بعد استبعاد القيم المفقودة.
• Mean (المتوسط الحسابي): يقدم المتوسط لكل قياس، بينما يعبر متوسط صف diff عن متوسط الفروق الزوجية الحقيقي ($\bar{d}$). تشير الإشارة السالبة إلى انخفاض الدرجات بعد التدخل، بينما تعكس الإشارة الموجبة ارتفاعها.
• Std. Err. (الخطأ المعياري): يقيس مدى التباين المتوقع في تقدير المتوسط من عينة إلى أخرى عبر مجتمع الدراسة ($SE = SD / \sqrt{n}$).
• Std. Dev. (الانحراف المعياري): يعكس مدى تشتت الدرجات الفردية حول المتوسط لكل متغير، ويمثل في صف diff الانحراف المعياري لدرجات الفرق ($s_d$).
• [95% Conf. Interval] (فترة الثقة 95%): توفر المدى المتوقع لمتوسط الفروق الحقيقي في المجتمع الإحصائي بدرجة يقين 95%. إذا كانت فترة الثقة لصف diff لا تحتوي على القيمة صفر (كأن يقع الحدان الأدنى والأعلى كلاهما في النطاق السالب، مثلاً $[-5.42, -2.18]$)، فإن ذلك يُعد دليلاً حاسماً ومستقلاً على وجود فرق ذي دلالة إحصائية عند مستوى $\alpha = 0.05$.

8.2 فهم إحصائية الارتباط بين القياسين (Correlation)

يظهر في الجزء السفلي الأيسر من مخرجات Stata سطر تحليلي بالغ الأهمية يغفله الكثير من المحللين، وهو معامل ارتباط بيرسون الخطي بين القياسين المقترنين:

corr = r(anxiety_post, anxiety_pre) مصحوباً بمستوى دلالته p-value.

يقيس هذا المؤشر درجة الاتساق الفردي والاستقرار النسبي لترتيب أفراد العينة عبر الزمن. يُعد وجود ارتباط إيجابي قوي ودال إحصائياً (مثل $r = 0.70$ أو أعلى) الأساس الجوهري لنجاح تصميم العينات المرتبطة؛ حيث يسهم هذا الارتباط المرتفع في تقليص الخطأ المعياري للفروق وفق العلاقة الرياضية:

$$s_d = \sqrt{s_1^2 + s_2^2 – 2 \cdot r \cdot s_1 \cdot s_2}$$

كلما ارتفعت قيمة $r$ الإيجابية، صغر مقدار الانحراف المعياري للفروق ($s_d$)، مما يؤدي مباشرة إلى تضخيم قيمة $t$ المحسوبة وتعزيز القوة الإحصائية لكشف الأثر التدخلي. على العكس من ذلك، إذا كان الارتباط ضعيفاً أو يقترب من الصفر، يفقد تصميم العينات المرتبطة ميزته النسبية ويصبح مماثلاً لتصميم المجموعات المستقلة.

8.3 تفسير درجات الحرية وإحصائية t ومستويات الدلالة الاحتمالية (p-values)

يعرض الجزء السفلي من المخرجات القيمة المحسوبة لاختبار $t$ ودرجات الحرية المقابلة ($df$). وتحتها مباشرة، يقدم Stata ثلاثة سيناريوهات اختبارية للفرضيات البديلة تغطي كافة الاحتمالات الاستدلالية:

الفرضية أحادية الاتجاه لليسار ($H_a: \text{mean}(diff) < 0$):

تُظهر القيمة الاحتمالية في أقصى اليسار Pr(T < t)، وتُستخدم لاختبار ما إذا كان متوسط الفروق سالباً بشكل دال إحصائياً (أي حدوث انخفاض مؤكد في الأعراض بعد التدخل العلاجي).

الفرضية ثنائية الاتجاه القياسية ($H_a: \text{mean}(diff) \neq 0$):

تُظهر القيمة الاحتمالية المركزية Pr(|T| > |t|)، وهي القيمة الأكثر اعتماداً واستخداماً في الأبحاث المنشورة. إذا كانت هذه القيمة أصغر من مستوى الدلالة المحدد مسبقاً (مثلاً $p < 0.001$ أو $p < 0.05$)، فإننا نرفض الفرضية الصفرية بثقة ونستنتج وجود تغير جوهري ذي دلالة إحصائية بين القياسين القبلي والبعدي.

الفرضية أحادية الاتجاه لليمين ($H_a: \text{mean}(diff) > 0$):

تُظهر القيمة الاحتمالية في أقصى اليمين Pr(T > t)، وتُستخدم لاختبار ما إذا كان متوسط الفروق موجباً بشكل دال (حدوث زيادة مؤكدة في الأداء المعرفي بعد التدريب).

يتطلب اتخاذ القرار الإحصائي الأكاديمي السليم مقارنة القيمة الاحتمالية للفرضية المحددة مسبقاً في خطة البحث بمستوى $\alpha$. فإذا كانت $p le \alpha$ نرفض $H_0$، وإذا كانت $p > \alpha$ نفشل في رفض $H_0$.

9. حساب وتقدير حجم الأثر (Effect Size) وفترات الثقة في Stata

9.1 حساب معامل كوهين د (Cohen’s d) للعينات المرتبطة

لم يعد الإبلاغ عن القيمة الاحتمالية ($p\text{-value}$) كافياً في الأبحاث المعاصرة؛ فالقيمة الاحتمالية تخبرنا فقط بوجود فرق لا يعود للصدفة العشوائية، لكنها لا تقدم أي معلومة حول الأهمية العملية أو حجم ذلك الفرق. يمثل معامل كوهين د (Cohen’s d) المقياس المعياري الأكثر استخداماً لتقدير حجم الأثر.

بدءاً من الإصدارات الحديثة لبرنامج Stata، تم دمج الأمر المتخصص esize لحساب أحجام الآثار للتصاميم الزوجية مباشرة وفترات الثقة المقترنة بها:

esize paired anxiety_post anxiety_pre

ينبغي التمييز الدقيق بين صيغتين رياضيتين لحساب كوهين د في التصاميم المرتبطة:

• معامل كوهين للدرجات المعيارية للفروق ($d_z$): يقسم متوسط الفروق على الانحراف المعياري لتلك الفروق ($d_z = \bar{d} / s_d$)، وهو المؤشر الذي يعكس القوة الإحصائية للاختبار مباشرة.
• معامل كوهين المصحح للقياسات المتكررة ($d_{av}$ أو $d_{rm}$): يقسم متوسط الفروق على متوسط الانحرافين المعياريين الأصليين للقياسين، وهو المؤشر المفضل عند الرغبة في مقارنة حجم الأثر بدراسات مستقلة أخرى في التحليلات التلوية (Meta-Analyses).

وفقاً لمعايير كوهين المرجعية الشائعة في العلوم النفسية، يُفسر حجم الأثر كالتالي: $0.20$ أثر صغير (Small)، $0.50$ أثر متوسط (Medium)، و $0.80$ فما فوق أثر كبير (Large Effect Size).

9.2 حساب مؤشرات بديلة لحجم الأثر (Hedges’ g و Eta Squared)

توفر Stata مؤشرات بديلة تتلاءم مع طبيعة العينة والهدف التحليلي:

معامل هيدجز (Hedges’ g): يُعد تصحيحاً لمعامل كوهين د لتفادي التقدير المتفائل لحجم الأثر في العينات الإكلينيكية الصغيرة (أقل من 20 مشاركاً). يقوم أمر esize paired بحسابه تلقائياً ضمن المخرجات.

معامل إيتا تربيع الجزئي (Partial Eta Squared – $\eta_p^2$): يمثل نسبة التباين في المتغير التابع التي يفسرها التدخل التجريبي بعد عزل الفروق الفردية بين الأشخاص، وتُحسب رياضياً من إحصائية t ودرجات الحرية وفق المعادلة:

$$\eta_p^2 = \frac{t^2}{t^2 + df}$$

يمكن كتابة سطر برمجي مخصص في Stata لاستخراج القيم المحفوظة في ذاكرة النظام r() وحساب مؤشر إيتا تربيع برمجياً كالتالي:

quietly ttest anxiety_post == anxiety_pre
scalar eta2 = (r(t)^2) / (r(t)^2 + r(df_t))
display "Partial Eta Squared = " eta2

تُفسر قيم إيتا تربيع عموماً بأن $0.01$ أثر صغير، و $0.06$ أثر متوسط، و $0.14$ فما فوق أثر كبير وجوهري.

9.3 تفسير وأهمية فترات الثقة لحجم الأثر

يشهد علم النفس والطب السلوكي تحولاً إبستمولوجياً كبيراً من مجرد اختبار الفرضية الصفرية إلى الإحصاء التقديري (Estimation Statistics) الذي يركز على فترات الثقة لأحجام التأثير. يوفر أمر esize في Stata فاصل ثقة 95% لمعامل كوهين د وهيدجز جي.

توضح فترة الثقة لحجم الأثر مدى دقة التقدير الإحصائي؛ فإذا كانت فترة الثقة لـ $d$ ضيقة (مثلاً $[0.65, 0.95]$)، دل ذلك على تقدير دقيق وموثوق للأثر العلاجي. أما إذا كانت فترة الثقة شديدة الاتساع (مثلاً $[0.10, 1.40]$)، فإن ذلك يعكس عدم يقين إحصائي كبير ناجم عن صغر حجم العينة، مما ينبه الباحث إلى ضرورة توخي الحذر عند تعميم النتائج، ويقدم في الوقت ذاته بيانات أساسية حيوية للدراسات المستقبلية التي تجري تحليلات تلوية (Meta-analyses).

10. البدائل اللامعلمية عند انتهاك الافتراضات (Wilcoxon Signed-Rank Test)

10.1 تنفيذ اختبار ويلكوكسون للإشارة والرتب في Stata

عندما تفشل بيانات الفروق في استيفاء شرط التوزيع الطبيعي، وتكون العينة صغيرة لا تسمح بالاعتماد على نظرية النهاية المركزية، يصبح اختبار ويلكوكسون للإشارة والرتب (Wilcoxon Signed-Rank Test) البديل اللامعلمي الأنسب لاختبار t للعينات المرتبطة.

يقوم الاختبار بتحويل الفروق بين الأزواج إلى قيم مطلقة وترتيبها تصاعدياً من الأصغر إلى الأكبر، مع إعادة إرفاق إشارة الفرق الأصلية (موجبة أو سالبة) بتلك الرتب، ثم مقارنة مجموع الرتب الموجبة بمجموع الرتب السالبة. يتم تنفيذ هذا الاختبار في Stata باستخدام الأمر البسيط التالي:

signrank anxiety_post = anxiety_pre

يرجى ملاحظة استخدام علامة مساواة واحدة (=) في أمر signrank في Stata، خلافاً لأمر ttest الذي يتطلب علامتين (==). يتعامل الاختبار بكفاءة مع حالات التعادل (Ties) التي تكون فيها الفروق بين القياسين مساوية للصفر ويقوم باستبعادها من عملية الترتيب وفق الإجراءات القياسية.

10.2 قراءة وتفسير مخرجات اختبار signrank

يقدم جدول مخرجات أمر signrank تفصيلاً دقيقاً للرتب الملاحظة والرتب المتوقعة تحت الفرضية الصفرية:

• sign = positive: يوضح عدد الحالات التي زادت فيها الدرجة بعد التدخل، ومجموع رتبها الفعلية والمجموع المتوقع لها.
• sign = negative: يوضح عدد الحالات التي انخفضت فيها الدرجة بعد التدخل (وهو المؤشر المرغوب في علاج القلق)، ومجموع رتبها.
• sign = zero: يوضح عدد حالات التعادل التي لم يطرأ عليها أي تغير بين القياسين.

في أسفل الجدول، يعرض Stata إحصائية الاختبار المعيارية التقريبية ($Z\text{-statistic}$) مصحوبة بالقيمة الاحتمالية ثنائية الاتجاه ($p\text{-value}$):

Prob > |z| = 0.0002

إذا كانت قيمة $p < 0.05$، فإننا نرفض الفرضية الصفرية ونستنتج وجود اختلاف معنوي دال بين القياسين القبلي والبعدي في وسيط الفروق. عند تقديم التقارير اللامعلمية، يجب الامتناع عن تقديم المتوسطات والانحرافات المعيارية والاعتماد بدلاً من ذلك على تقديم الوسيط (Median) والمدى الربيعي (Interquartile Range – IQR) لكل قياس.

10.3 حساب حجم الأثر للاختبارات اللامعلمية

لا يوفر أمر signrank حجماً للأثر بشكل تلقائي، لكن يمكن حسابه يدوياً أو برمجياً بسهولة بالاعتماد على معامل الارتباط الرتبي اللامعلمي لحجم الأثر ($r$) المستند إلى إحصائية$Z$ وحجم العينة الكلي للملاحظات ($N$ ويمثل مجموع القياسات في النقطتين الزمنيتين، أي ضعف عدد الأزواج $2n$):

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

يمكن استخراج ذلك في Stata عبر الكود التالي فور تنفيذ أمر الاختبار:

scalar r_effect = abs(r(z)) / sqrt(2 * r(N))
display "Nonparametric Effect Size r = " r_effect

يُفسر معامل $r$ وفق معايير كوهين لحجم الأثر: $0.10$ أثر صغير، $0.30$ أثر متوسط، و $0.50$ فما فوق أثر كبير. كما يُنصح دائماً بإجراء كلٍ من اختبار t واختبار ويلكوكسون معاً كفحص متانة (Robustness Check)؛ فإذا قاد كلا الاختبارين إلى نفس القرار الإحصائي، يمنح ذلك الباحث ثقة مطلقة في صلابة استنتاجاته واستقلاليتها عن الافتراضات الرياضية الصارمة.

11. التصور البياني المتقدم لنتائج العينات المرتبطة في Stata

11.1 رسم مخططات الخطوط الفردية والانحدار الزوجي (Spaghetti Plots)

تُعد مخططات المسارات الفردية (المعروفة بـ Spaghetti Plots) من أرقى الأساليب البصرية لعرض نتائج التصاميم داخل المشاركين في الأبحاث النفسية؛ حيث تتجاوز مجرد إظهار المتوسط الإجمالي لتعكس التباين الفردي الحقيقي وتكشف استجابة كل مفحوص على حدة للعلاج النفسي.

لرسم هذا المخطط في Stata، نحتاج أولاً لتحويل البيانات مؤقتاً إلى التنسيق الطويل (Long Format)، ثم استخدام أمر الرسم الثنائي twoway line:

// تحويل البيانات للتنسيق الطويل
preserve
reshape long anxiety_, i(id) j(time) string
encode time, gen(time_num)

// رسم المسارات الفردية مع متوسط التغير الإجمالي
twoway (line anxiety_ time_num, connect(ascending) lcolor(gs12) lwidth(thin)) ///
(lfit anxiety_ time_num, lcolor(navy) lwidth(thick)), ///
xlabel(1 "Pre-Treatment" 2 "Post-Treatment") ///
ylabel(0(5)25) title("Individual Patient Trajectories (CBT Intervention)") ///
xtitle("Assessment Wave") ytitle("GAD-7 Anxiety Score") ///
legend(order(1 "Individual Patients" 2 "Overall Trend") pos(6) rows(1)) ///
scheme(cleanplots)
restore

يُظهر هذا الرسم خطوطاً رمادية خفيفة لكل مريض توضح مسار تحسنه الفردي، يعلوها خط كلي داكن يمثل الاتجاه العام للتراجع في أعراض القلق، مما يمنح القارئ فهماً بصرياً فورياً متكاملاً لفعالية التدخل وتجانسه عبر أفراد العينة.

11.2 رسم مخططات الأعمدة المزدوجة مع أشرطة الخطأ وفترات الثقة

يُمثل المخطط البياني للأعمدة المقترنة أو مخطط النقاط والمتوسطات المدعوم بفترات الثقة 95% (Error Bars) الركيزة الأساسية في التقارير المنشورة وفق معايير APA. يمكن توليد هذا المخطط الاحترافي في Stata بدقة عالية باستخدام حزمة الأوامر التنبؤية marginsplot:

// تقدير نموذج انحدار للقياسات المتكررة لإنشاء المتوسطات وفترات الثقة
preserve
reshape long anxiety_, i(id) j(time) string
regress anxiety_ i.time_num
margins time_num
marginsplot, plotopts(connect(line) lcolor(navy) mcolor(navy) msymbol(circle)) ///
ciopts(lcolor(navy) lwidth(medthick)) ///
xlabel(1 "Pre-Test" 2 "Post-Test") ///
title("Mean Anxiety Scores with 95% Confidence Intervals") ///
ytitle("Mean Score (GAD-7)") xtitle("Condition") ///
scheme(s2mono)
restore

يعرض هذا المخطط نقاط المتوسطات المتصلة بخط انحداري، وتحيط بكل نقطة أشرطة رأسية تمثل فترات الثقة 95% الدقيقة. يوفر استخدام نسق النشر أحادي اللون (scheme(s2mono)) مظهراً أكاديمياً رصيناً جاهزاً للإدراج المباشر في المجلات العلمية المحكمة دون الحاجة لتعديلات خارجية.

11.3 رسم مخطط بلاند-ألتمن (Bland-Altman Plot) لتقييم التوافق

في دراسات القياس النفسي والتقييم العيادي المقارن بين أداتين متطابقتين للقياس أو في دراسات إعادة الاختبار (Test-Retest Reliability)، يُعد مخطط بلاند-ألتمن (Bland-Altman Plot) الأداة الأرقى لتقييم التوافق ورصد الانحياز المنهجي.

يقوم المخطط برسم الفروق الفردية بين القياسين على المحور الصادي ($Y$) في مواجهة متوسط القياسين لكل مشارك على المحور السيني ($X$). يمكن بناؤه في Stata عبر الكود التالي:

// حساب متوسط القياسين ومتغير الفرق
generate mean_pair = (anxiety_post + anxiety_pre) / 2
summarize diff_anxiety
local mean_diff = r(mean)
local sd_diff = r(sd)
local ula = `mean_diff' + (1.96 * `sd_diff')
local lla = `mean_diff' - (1.96 * `sd_diff')

// رسم مخطط بلاند-ألتمن
twoway (scatter diff_anxiety mean_pair, mcolor(navy%70) msymbol(diamond)) ///
(yline(`mean_diff', lcolor(cranberry) lwidth(medthick))) ///
(yline(`ula', lcolor(forest_green) lpattern(dash))) ///
(yline(`lla', lcolor(forest_green) lpattern(dash))), ///
title("Bland-Altman Agreement Plot") ///
ytitle("Difference (Post - Pre)") xtitle("Mean of Post and Pre Scores") ///
legend(order(1 "Individual Pairs" 2 "Mean Difference" 3 "Limits of Agreement (±1.96 SD)") pos(6))

يتيح هذا المخطط فحص ما إذا كان مقدار التغير أو التحسن ثابتاً عبر مختلف مستويات شدة المرض، أم أن المرضى الذين يعانون من قلق أولي مرتفع جداً يظهرون فروقاً أكبر حجماً مقارنة بذوي القلق المعتدل.

12. توثيق وكتابة النتائج وفق معايير APA وتجنب الأخطاء الشائعة

12.1 صياغة الفقرة الإحصائية وفق أسلوب APA (الإصدار السابع)

يتطلب التوثيق الأكاديمي للنتائج اتباع معايير النشر الصادرة عن جمعية علم النفس الأمريكية (APA 7th Edition). يجب أن تتضمن الفقرة الإحصائية الوصف الكامل للمتوسطات والانحرافات المعيارية للقياسين، وقيمة إحصائية الاختبار $t$، ودرجات الحرية$df$، ومستوى الدلالة الدقيق$p$، وحجم الأثر$d$ مصحوباً بفترة ثقته 95%.

فيما يلي نموذج نصي تطبيقي متكامل لصياغة نتائج دراسة العلاج المعرفي السلوكي لمرضى القلق:

“أُجري اختبار t للعينات المرتبطة لتقييم أثر برنامج العلاج المعرفي السلوكي (CBT) الممتد لـ 12 أسبوعاً في خفض مستويات أعراض القلق المقاسة بمقياس GAD-7 لدى عينة إكلينيكية ($N = 40$). أظهرت النتائج انخفاضاً ذا دلالة إحصائية في درجات القلق بعد تلقي العلاج ($M = 7.45, SD = 2.80$) مقارنة بدرجات القلق المقاسة قبل بدء التدخل العلاجي ($M = 14.80, SD = 3.25$)، حيث بلغ متوسط الفروق الزوجية $-7.35$ نقطة ($SD = 2.15, 95% \text{ CI } [-8.04, -6.66]$). وكان هذا الانخفاض دالاً إحصائياً بشكل قاطع، $t(39) = -21.61, p < .001$. وعلاوة على ذلك، أظهر تقدير حجم الأثر كفاءة علاجية فائقة القوة بمعامل كوهين $d = -2.41, 95% \text{ CI } [-2.95, -1.86]$، مما يشير إلى أن المعالجة التجريبية حققت تأثيراً إكلينيكياً بالغ الأهمية في تقليص حدة القلق."

12.2 بناء جداول النتائج الأكاديمية الاحترافية

يتطلب تنسيق الجداول الأكاديمية التزاماً صارماً بقواعد APA؛ حيث يُحظر تماماً استخدام الخطوط الرأسية (Vertical Borders)، ويقتصر التنسيق على ثلاثة خطوط أفقية رئيسية: أسفل العنوان، وأسفل رؤوس الأعمدة، وفي نهاية الجدول، مع تقديم حواشي سفلية تفسر الرموز الإحصائية.

يمكن تصدير الجداول المنسقة آلياً من Stata إلى مستندات Microsoft Word أو LaTeX باستخدام حزم برمجية متقدمة مثل putdocx أو asdoc. فيما يلي كود Stata لبناء جدول مخرجات مخصص وتصديره مباشرة عبر putdocx:

// إنشاء مستند Word وتوليد الجدول بتنسيق APA
putdocx begin
putdocx paragraph, style("Heading 1")
putdocx text ("جدول 1: نتائج اختبار t للعينات المرتبطة لمقياس القلق قبل وبعد التدخل")

putdocx table tbl = (2, 8), border(all, nil) border(top, single) border(bottom, single)
putdocx table tbl(1,1) = ("القياس")
putdocx table tbl(1,2) = ("N")
putdocx table tbl(1,3) = ("M")
putdocx table tbl(1,4) = ("SD")
putdocx table tbl(1,5) = ("متوسط الفرق [95% CI]")
putdocx table tbl(1,6) = ("t")
putdocx table tbl(1,7) = ("df")
putdocx table tbl(1,8) = ("Cohen's d")
// إدراج الصفوف والبيانات وإغلاق المستند
putdocx save "APA_Table_Results.docx", replace

12.3 الأخطاء المنهجية والإحصائية الشائعة وكيفية تجنبها

يقع الباحثون في مجالات العلوم النفسية والاجتماعية في أخطاء منهجية متكررة عند تطبيق اختبار t المرتبط، ينبغي الحذر منها وتجنبها تماماً:

• تطبيق اختبار العينات المستقلة بدلاً من المرتبطة: يؤدي هذا الخطأ إلى تجاهل الارتباط الذاتي وإدخال تباين الفروق الفردية في الخطأ المعياري، مما يفقد الاختبار قوته الإحصائية ويؤدي لعدم اكتشاف الآثار الحقيقية.
• فحص اعتدالية الدرجات الخام بدلاً من درجات الفروق: كما فُصل سابقاً، لا يشترط الاختبار اعتدالية القياس القبلي أو البعدي كلٍ على حدة، بل يرتكز كلياً على اعتدالية متغير الفرق الزوجي.
• الخلط بين الدلالة الإحصائية والدلالة الإكلينيكية/العملية: الدلالة الإحصائية ($p < 0.05$) تعني فقط أن الفرق لا يعود للصدفة، لكنها لا تعني أن التدخل ذو قيمة علاجية حقيقية. يجب دائماً فحص الحد الأدنى للتغير المهم إكلينيكياً (MCID) وحجم الأثر لتقييم الفائدة الواقعية للتدخل.
• تجاهل أثر الانحدار نحو المتوسط (Regression to the Mean): عند اختيار أفراد ذوي درجات متطرفة جداً في القياس القبلي (مثل مرضى بأعلى درجات الاكتئاب)، فإن جزءاً من التحسن في القياس البعدي قد يعود لظاهرة الانحدار الطبيعي نحو المتوسط وليس للتدخل العلاجي ذاته. يُعالج ذلك منهجياً بتضمين مجموعة ضابطة موازية خاضعة للمقارنة.
• تجاهل آثار الممارسة والألفة (Practice Effects): في الاختبارات المعرفية واختبارات الذكاء وسرعة المعالجة، قد يتحسن أداء المشارك في القياس البعدي لمجرد تكرار تعرضه لأداة القياس والتعود عليها. يجب استخدام نماذج قياس متكافئة متوازية (Parallel Forms) لضبط هذا الأثر المربك.

خاتمة

يمثل اختبار t للعينات المرتبطة أداة استدلالية محورية تمنح الباحثين في العلوم النفسية والسلوكية القدرة على ضبط الفروق الفردية ورصد التغيرات التدخلية الحقيقية بأعلى درجات القوة الإحصائية. يوفر برنامج Stata بيئة برمجية متكاملة تتجاوز مجرد حساب إحصائية الاختبار إلى إدارة البيانات، والتحقق البصري والرقمي من الافتراضات التوزيعية، واستخراج المؤشرات المعلمية والبدائل اللامعلمية، وحساب أحجام التأثير وفترات الثقة، وصولاً إلى بناء الرسوم البيانية التفاعلية وتصدير التقارير المتوافقة مع معايير النشر الدولية.

إن الالتزام الصارم بالخطوات المنهجية المعروضة في هذا الدليل—بدءاً من فحص اعتدالية متغير الفروق، مروراً بالتمييز بين الدلالة الإحصائية والأهمية الإكلينيكية، وانتهاءً بالتوثيق الشفاف وفق معايير APA—يضمن للباحثين إنتاج دراسات علمية رصينة تتسم بأعلى معايير المصداقية وقابلية التكرار في الأوساط الأكاديمية العالمية.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307-310. https://doi.org/10.1016/S0140-6736(86)90837-8
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7-29. https://doi.org/10.1177/0956797613504966
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.