كيفية إجراء تحليل التباين للقياسات المتكررة يدوياً

يُمثل تحليل التباين للقياسات المتكررة (Repeated Measures Analysis of Variance) أحد أهم الركائز المنهجية والإحصائية في العلوم السلوكية والطبية والتربوية والبيولوجية الحديثة. تعود الجذور التاريخية لهذا الاختبار إلى أعمال عالم الإحصاء والوراثة البريطاني السير رونالد فيشر (Sir Ronald Fisher)، الذي أرسى دعائم تصميم التجارب الزراعية وطور نماذج تفكيك التباين. وقد تطور هذا النموذج الإحصائي ليتيح للباحثين دراسة الظواهر المعقدة التي تنطوي على قياس نفس الوحدات التجريبية أو الأفراد عبر نقاط زمنية متعددة، أو تحت ظروف ومعالجات تجريبية متباينة، مما يوفر نافذة تحليلية دقيقة لرصد التغيرات الديناميكية دون الوقوع في شراك الفروق الفردية المشوشة.

تكمن العبقرية الرياضية لاختبار تحليل التباين للقياسات المتكررة في قدرته الفريدة على تجزئة التباين الكلي الملاحظ إلى مكونات متمايزة رياضياً ونظرياً، حيث يتم عزل التباين الناتج عن الفروق الفردية الثابتة بين الأفراد واقتطاعه تماماً من تباين الخطأ التجريبي المتبقي. هذا التخصيم المنهجي يؤدي مباشرة إلى تقليص مقام النسبة الفائية (F-Ratio)، مما يرفع من الحساسية والقوة الإحصائية (Statistical Power) للنموذج إلى مستويات يتعذر الوصول إليها باستخدام تصاميم العينات المستقلة، حتى لو تساوت أحجام العينات وظروف التجربة المعملية.

وعلى الرغم من الاعتماد الواسع في العصر الراهن على الحزم الإحصائية البرمجية المتطورة، إلا أن إتقان إجراء هذا التحليل يدوياً عبر الحسابات الجبرية والخطوات المنهجية يمنح الباحث والدارس فهماً عميقاً للبنية الرياضية الكامنة وراء جداول المخرجات الرقمية، ويحميه من أخطاء التفسير والوقوع في مغالطات القرارات الاستدلالية. يهدف هذا الدليل الشامل والمفصل إلى تفكيك كافة المراحل الرياضية، وتوضيح الأسس النظرية، واستعراض تطبيق عملي شامل خطوة بخطوة بالعمليات الحسابية اليدوية، وصولاً إلى بناء جدول تحليل التباين الكامل وحساب حجوم الأثر وإجراء المقارنات البعدية وصياغة التقارير الأكاديمية الاحترافية.

1. مقدمة ومفاهيم أساسية حول تحليل التباين للقياسات المتكررة

1.1 تعريف تحليل التباين أحادي الاتجاه للقياسات المتكررة

يُعرف تحليل التباين أحادي الاتجاه للقياسات المتكررة (One-Way Repeated Measures ANOVA) بأنه اختبار إحصائي استدلالي بارامتري مصمم لمقارنة ثلاثة متوسطات حسابية أو أكثر، عندما تُؤخذ هذه القياسات من نفس مجموعة المفحوصين أو الوحدات التجريبية تحت شروط معالجة مختلفة، أو عبر فترات زمنية متتابعة. يُشار إلى هذا النوع من التصاميم في الأدبيات المنهجية بمصطلح تصميم القياسات داخل المفحوصين (Within-Subjects Design)، وهو تصميم يضمن خضوع كل فرد في العينة لجميع مستويات المتغير المستقل التجريبي دون استثناء.

في الأبحاث النفسية والطبية والتربوية، يُعد هذا الاختبار أداة أساسية لدراسة التغير في استجابات الأفراد عبر شروط تجريبية متعددة. ويكمن الهدف الجوهري للنموذج الرياضي في عزل التباين المنسوب إلى السمات الفردية الذاتية (Individual Differences) مثل الذكاء الفطري، والخصائص الجينية، وتاريخ التعلم السابق، والمستوى الاجتماعي، مما يمنع هذه الخصائص المستقرة من تلويث الخطأ التجريبي العشوائي، وبالتالي تحسين قدرة الاختبار على اكتشاف التأثيرات الحقيقية للمعالجات التجريبية مهما كانت ضئيلة.

1.2 متى نلجأ إلى القياسات المتكررة بدلاً من التصاميم المستقلة؟

تتعدد المواقف البحثية التي تفرض الاعتماد على تصميم القياسات المتكررة بدلاً من تصميم المجموعات المستقلة (Between-Subjects Design). يبرز هذا الاحتياج بوضوح في الدراسات الطولية (Longitudinal Studies) والدراسات التطورية التي تسعى إلى تتبع مسارات النمو أو الانحدار الإدراكي عبر الزمن، مثل قياس الوظائف التنفيذية للدماغ عند خط الأساس (Baseline)، ثم بعد ستة أشهر، ثم بعد عام كامل، حيث لا يمكن استبدال المفحوصين بأفراد آخرين دون فقدان اتساق المسار النمائي الفردي.

كما يُستخدم هذا النموذج في التجارب السريرية الدوائية لتقييم تأثير جرعات متعددة أو أنواع مختلفة من العقاقير العلاجية على نفس العينة، مع تطبيق فترات غسيل كافية (Washout Periods) لضمان زوال الأثر المتبقي لكل دواء. وعلاوة على ذلك، يُعد هذا التصميم مثالياً عندما تكون العينات المتاحة نادرة أو صعبة المنال، كما هو الحال في دراسة الأمراض النادرة أو فئات رواد الفضاء، حيث يُتيح تكرار القياسات على عدد قليل من الأفراد الوصول إلى درجات عالية من القوة الإحصائية مع تقليل التكلفة التجريبية والمادية بشكل كبير.

1.3 الفروق الجوهرية بين التباين داخل الأفراد والتباين بين الأفراد

يرتكز المنطق الرياضي لتحليل التباين للقياسات المتكررة على تفكيك التباين الكلي الملاحظ إلى مكونين رئيسيين: التباين بين الأفراد (Between-Subjects Variability) والتباين داخل الأفراد (Within-Subjects Variability). يمثل التباين بين الأفراد الفروق العامة في الأداء الكلي بين شخص وآخر عبر جميع الشروط، بينما ينقسم التباين داخل الأفراد إلى التباين الناتج عن المعالجة التجريبية (Treatment Effect) والتباين المتبقي الناتج عن الخطأ التجريبي غير المفسر (Residual Error).

في تصاميم المجموعات المستقلة الكلاسيكية، يندمج التباين بين الأفراد مع تباين الخطأ التجريبي في مقام النسبة الفائية، مما يجعل قيمة التباين غير المفسر متضخمة ويقلل من فرصة الوصول إلى الدلالة الإحصائية. أما في تصميم القياسات المتكررة، فإن الاستبعاد الرياضي الصارم للتباين الفردي يؤدي إلى تقليل تباين الخطأ التجريبي، مما يرفع دقة المقارنة بين الشروط ويبرز الفروق الجوهرية الناتجة عن المتغير المستقل حصراً.

2. الفرضيات الإحصائية وشروط تطبيق الاختبار يدوياً

2.1 صياغة الفرضية الصفرية والفرضية البديلة

تبدأ المعالجة الإحصائية الدقيقة بصياغة الفرضيات الاستدلالية بصورة رياضية محكمة. تنص الفرضية الصفرية (Null Hypothesis – H₀) على عدم وجود أي فروق ذات دلالة إحصائية بين متوسطات المجتمع تحت مختلف المعالجات التجريبية، وتُكتب رياضياً كالتالي: H₀: μ₁ = μ₂ = μ₃ = … = μₖ، حيث تمثل μ المتوسط الحقيقي للمجتمع تحت المعالجة المحددة، وتمثل k عدد الشروط أو المعالجات التجريبية المطبقة في البحث.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – H₁) بطريقة غير اتجاهية تؤكد أن متوسطين اثنين على الأقل من متوسطات المعالجات يختلفان عن بعضهما البعض، أي: H₁: لا تتساوى جميع المتوسطات الحسابية (توجد على الأقل قيمة واحدة لـ i و j بحيث μᵢ ≠ μⱼ). ويحدد الباحث مستوى الدلالة الإحصائية المسبق (Alpha Level – α)، والذي يُضبط غالباً عند 0.05 أو 0.01، ليمثل الحد الأقصى لاحتمال رفض الفرضية الصفرية عندما تكون صحيحة في الواقع (الخطأ من النوع الأول).

2.2 شرط التوزيع الطبيعي ومستوى القياس

يتطلب تحليل التباين للقياسات المتكررة قياس المتغير التابع على مقياس كمي متصل، سواء كان مقياساً فترياً (Interval Scale) أو مقياس نسبة (Ratio Scale)، مثل قياس زمن رد الفعل بالمللي ثانية، أو درجات الاختبارات التحصيلية المقننة، أو مستويات تركيز الهرمونات في الدم. لا يجوز تطبيق هذا الاختبار البارامتري على البيانات الاسمية أو الرتبية البسيطة التي تتطلب اختبارات بديلة لا بارامترية مثل اختبار فريدمان (Friedman Test).

بالإضافة إلى ذلك، يفترض الاختبار أن درجات الفروق بين أزواج الشروط التجريبية تتبع التوزيع الطبيعي الاعتدالي في المجتمع الأصلي. ومع ذلك، يتميز اختبار تحليل التباين بمتانة إحصائية جيدة (Robustness) تمكنه من العمل بكفاءة حتى مع وجود انتهاكات طفيفة أو متوسطة لشرط التوزيع الطبيعي، شريطة ألا تكون البيانات شديدة الالتواء أو تحتوي على قيم متطرفة حادة تؤثر على تقديرات المتوسطات الحسابية والمربعات.

2.3 افتراض الكروية (Sphericity) وأهميته الإحصائية

يُعد افتراض الكروية (Sphericity Assumption) الشرط الأهم والأكثر حساسية في تصاميم القياسات المتكررة، وهو امتداد وتعميم لشرط تجانس التباين في التصاميم المستقلة. يُعرَّف افتراض الكروية رياضياً بأنه تساوي تباينات الفروق بين جميع الأزواج الممكنة من شروط المعالجة التجريبية، أي أن: Var(X₁ – X₂) = Var(X₁ – X₃) = Var(X₂ – X₃). ويتطابق هذا الشرط مع ما يُعرف بـ “التناظر المركب” (Compound Symmetry) عندما تتساوى التباينات لجميع الشروط وتتساوى معاملات الارتباط بينها.

يؤدي انتهاك افتراض الكروية إلى تضخيم معدل الخطأ من النوع الأول (Type I Error Rate)، مما يجعل الباحث يرفض الفرضية الصفرية بالخطأ عند مستويات تتجاوز قيمة ألفا المحددة. في الحسابات اليدوية البسيطة، يُفترض تحقق الكروية لتبسيط الخطوات، ولكن في الممارسات الإحصائية المتقدمة يتم تقييم هذا الشرط باستخدام اختبار موشلي للكروية (Mauchly’s Test of Sphericity)، ويتم اللجوء إلى تصحيحات درجات الحرية مثل تصحيح غرينهاوس-غايسر (Greenhouse-Geisser) أو تصحيح هونه-فيلت (Huynh-Feldt) لتعديل قيم درجات الحرية واحتساب القيمة الاحتمالية الصحيحة.

3. بنية البيانات وإعداد جدول القياسات التوضيحي

3.1 عرض المثال التطبيقي (زمن الاستجابة لثلاثة أدوية)

لتجسيد كافة الخطوات الحسابية النظرية على أرض الواقع الإحصائي، سنقوم ببناء تجربة تطبيقية مفصلة لدراسة تأثير ثلاثة أدوية مهدئة مختلفة (الدواء A، والدواء B، والدواء C) على زمن الاستجابة الحركية (Response Time) مقاساً بالثواني. يمثل نوع الدواء المتغير المستقل ذا القياسات المتكررة بثلاثة مستويات (k = 3)، بينما يمثل زمن الاستجابة المتغير التابع المستمر.

تتكون العينة التجريبية من خمسة مرضى (n = 5) خضع كل مريض منهم لجميع أنواع الأدوية الثلاثة في أيام منفصلة مع وجود فترات راحة كافية بين الجلسات لتجنب التراكم الدوائي. سُجلت قراءات زمن الاستجابة لكل مريض بدقة متناهية للحصول على مصفوفة بيانات متكاملة تتيح لنا تنفيذ الحسابات اليدوية بيسر ووضوح تامين.

3.2 تنظيم البيانات في مصفوفة المعالجات والأفراد

يتم تنظيم البيانات الأولية في مصفوفة رياضية ثنائية الأبعاد، حيث تُمثل الصفوف الأفقية الأفراد المفحوصين (المشاركين من 1 إلى 5)، بينما تُمثل الأعمدة الرأسية مستويات المعالجة التجريبية (الأدوية الثلاثة). يوضح الجدول التالي مصفوفة البيانات الخام مع مجاميع الصفوف ومجاميع الأعمدة:

المفحوص (Subject)	الدواء A	الدواء B	الدواء C	مجموع المفحوص (Pᵢ)
المريض 1	10	8	6	24
المريض 2	12	11	7	30
المريض 3	14	10	6	30
المريض 4	9	7	5	21
المريض 5	15	14	11	40
مجموع المعالجة (Tⱼ)	60	50	35	المجموع الكلي (G) = 145

يُرمز لمجموع درجات كل مفحوص عبر جميع الشروط بالرمز Pᵢ (حيث يمثل مجموع الصف)، بينما يُرمز لمجموع درجات المعالجة عبر جميع الأفراد بالرمز Tⱼ (حيث يمثل مجموع العمود). ويبلغ المجموع الكلي العام لكافة المشاهدات في التجربة: G = 60 + 50 + 35 = 145، وهو مساوٍ تماماً لمجموع الصفوف: 24 + 30 + 30 + 21 + 40 = 145.

3.3 حساب المتوسطات الجزئية والمتوسط العام للبيانات

بعد تنظيم البيانات وحساب المجاميع، ننتقل إلى حساب المتوسطات الحسابية الجزئية والمتوسط العام، حيث يُحسب متوسط كل معالجة (Column Mean) بقسمة مجموع العمود على عدد الأفراد (n = 5):

• متوسط الدواء A: x̄₁ = 60 / 5 = 12.0 ثانية.
• متوسط الدواء B: x̄₂ = 50 / 5 = 10.0 ثوانٍ.
• متوسط الدواء C: x̄₃ = 35 / 5 = 7.0 ثوانٍ.

كما نقوم بحساب المتوسط الحسابي لكل مفحوص عبر الشروط الثلاثة (Row Mean) بقسمة مجموع الصف على عدد المعالجات (k = 3):

• متوسط المريض 1: x̄_p1 = 24 / 3 = 8.00 ثوانٍ.
• متوسط المريض 2: x̄_p2 = 30 / 3 = 10.00 ثوانٍ.
• متوسط المريض 3: x̄_p3 = 30 / 3 = 10.00 ثوانٍ.
• متوسط المريض 4: x̄_p4 = 21 / 3 = 7.00 ثوانٍ.
• متوسط المريض 5: x̄_p5 = 40 / 3 = 13.33 ثانية.

يُحسب المتوسط الكلي العام (Grand Mean – x̄_grand) بقسمة المجموع الكلي (G) على العدد الإجمالي لكافة المشاهدات (N = n × k = 5 × 3 = 15): x̄_grand = 145 / 15 = 9.667 ثوانٍ. تُمثل هذه المتوسطات القاعدة الأساسية لحساب انحرافات القيم ومربعاتها في المراحل التالية.

4. تفكيك مجموع المربعات الكلي (SST) وطرق حسابه يدوياً

4.1 المفهوم الرياضي لمجموع المربعات الكلي (Total Sum of Squares)

يُعبر مجموع المربعات الكلي (Total Sum of Squares – SST) عن المقدار الإجمالي للتباين والتشتت الإحصائي الموجود في مصفوفة البيانات كاملة دون النظر إلى مصادر هذا التشتت. يمثل SST حاصل جمع مربعات انحرافات كل قيمة فردية (X) عن المتوسط الحسابي الكلي العام (x̄_grand). يمثل هذا المقياس سقف التباين الذي سيتم تفكيكه لاحقاً إلى مكونات المعالجة، والمفحوصين، والخطأ المتبقي.

تُعد الدقة الرياضية في حساب SST أمراً بالغ الحيوية في العمليات الإحصائية اليدوية؛ لأن أي خطأ في هذه المرحلة الأولى سينتقل بالضرورة إلى الحسابات اللاحقة، خاصة عند استخدام أسلوب الطرح لاشتقاق مجموع مربعات الخطأ. لذلك، يحرص الإحصائيون على تطبيق صيغتين مختلفتين للتحقق من تطابق النتائج وضمان خلو الحسابات من أخطاء الجمع والتربيع.

4.2 الصيغة الرياضية وتطبيقها خطوة بخطوة

تعتمد الصيغة الانحرافية لمجموع المربعات الكلي على القانون التالي: SST = Σ (X – x̄_grand)². نقوم بحساب انحراف كل قيمة من القيم الـ 15 عن المتوسط العام (9.667)، ثم تربيع هذا الانحراف وجمع النتائج كما يلي:

• الدواء A: (10 – 9.667)² + (12 – 9.667)² + (14 – 9.667)² + (9 – 9.667)² + (15 – 9.667)² = (-0.667)² + (2.333)² + (4.333)² + (-0.667)² + (5.333)² = 0.445 + 5.443 + 18.775 + 0.445 + 28.441 = 53.549
• الدواء B: (8 – 9.667)² + (11 – 9.667)² + (10 – 9.667)² + (7 – 9.667)² + (14 – 9.667)² = (-1.667)² + (1.333)² + (0.333)² + (-2.667)² + (4.333)² = 2.779 + 1.777 + 0.111 + 7.113 + 18.775 = 30.555
• الدواء C: (6 – 9.667)² + (7 – 9.667)² + (6 – 9.667)² + (5 – 9.667)² + (11 – 9.667)² = (-3.667)² + (-2.667)² + (-3.667)² + (-4.667)² + (1.333)² = 13.447 + 7.113 + 13.447 + 21.781 + 1.777 = 57.565

بجمع الانحرافات المربعة لكافة المعالجات: SST = 53.549 + 30.555 + 57.565 = 141.669 (أي ما يعادل 141.67 بعد التقريب).

4.3 طريقة الحساب البديلة باستخدام فروق المربعات الخام

لتجنب أخطاء التقريب المرافقة لاستخدام المتوسطات العشرية، يُفضل دائماً في الحسابات اليدوية استخدام الصيغة الحسابية المباشرة للبيانات الخام (Raw Score Formula)، والتي تُصاغ رياضياً كالتالي: SST = ΣX² – (G² / N)، حيث تمثل ΣX² مجموع مربعات كافة القيم الخام الـ 15، وتمثل G المجموع الكلي العام، و N العدد الإجمالي للقيم.

نقوم أولاً بتربيع كل قيمة من قيم المصفوفة وجمعها:

ΣX² = (10² + 12² + 14² + 9² + 15²) + (8² + 11² + 10² + 7² + 14²) + (6² + 7² + 6² + 5² + 11²)

ΣX² = (100 + 144 + 196 + 81 + 225) + (64 + 121 + 100 + 49 + 196) + (36 + 49 + 36 + 25 + 121)

ΣX² = 746 + 530 + 267 = 1543.

نحسب حد التصحيح الكلي (Correction Term – C): C = G² / N = (145)² / 15 = 21025 / 15 = 1401.667.

بتطبيق المعادلة: SST = 1543 – 1401.667 = 141.333 (مع الحفاظ على دقة الكسور، تبلغ القيمة الدقيقة 141.333 أو 141.33). سنعتمد القيمة الدقيقة 141.333 في كافة العمليات التالية.

5. حساب مجموع المربعات بين المعالجات (SSB / SSTreatment)

5.1 المفهوم النظري لتباين المعالجات أو الشروط التجريبية

يقيس مجموع المربعات بين المعالجات (Sum of Squares Between Treatments – SSB أو SSTreatments) التشتت والانحراف الملاحظ بين متوسطات المعالجات التجريبية والمتوسط الحسابي العام لكافة البيانات. يعكس هذا المكون مقدار التأثير الحقيقي المنسوب مباشرة إلى المتغير المستقل (أنواع الأدوية في مثالنا الحركي).

إذا كانت الأدوية الثلاثة متماثلة تماماً في تأثيرها على زمن الاستجابة، فإن متوسطات الأعمدة ستكون متقاربة جداً وتؤول إلى المتوسط العام، مما يجعل قيمة SSB تقترب من الصفر. في المقابل، كلما تباينت تأثيرات الأدوية وزادت الفجوة بين استجابات المرضى من دواء لآخر، تضخمت قيمة SSB، مما يشكل “الإشارة” (Signal) الإحصائية التي نسعى لاختبار دلالتها مقارنة بمستوى “الضوضاء” والخطأ التجريبي.

5.2 المعادلة الحسابية لمجموع مربعات المعالجة

توجد صيغتان لحساب مجموع مربعات المعالجات: الصيغة الانحرافية والصيغة الحسابية المباشرة. تُصاغ الطريقة الانحرافية بضرب عدد الأفراد في مجموع مربعات انحرافات متوسطات المعالجات عن المتوسط العام: SSB = n × Σ (x̄ⱼ – x̄_grand)²، حيث n تمثل عدد أفراد العينة الخاضعين لكل معالجة (n = 5 في مثالنا)، و x̄ⱼ تمثل متوسط العمود j.

أما الصيغة الحسابية المباشرة المعتمدة على مجاميع الأعمدة (Tⱼ) فتُكتب بالشكل التالي: SSB = [Σ (Tⱼ²) / n] – (G² / N). تمتاز هذه الصيغة بالسرعة الفائقة والحد التام من أخطاء التقريب العشري، حيث تتعامل مع الأعداد الصحيحة لمجاميع الأعمدة مباشرة قبل إجراء عملية القسمة.

5.3 التطبيق العددي التفصيلي على بيانات المثال

سنطبق كلاً من الصيغتين لتأكيد دقة النتائج الإحصائية لمثال الأدوية:

أولاً: التطبيق باستخدام الصيغة المباشرة لمجاميع الأعمدة:

لدينا مجاميع الأعمدة: T₁ = 60, T₂ = 50, T₃ = 35، مع n = 5 و C = 1401.667.

Σ (Tⱼ²) / n = (60² + 50² + 35²) / 5 = (3600 + 2500 + 1225) / 5 = 7325 / 5 = 1465.

بتطبيق المعادلة: SSB = 1465 – 1401.667 = 63.333.

ثانياً: التحقق باستخدام الصيغة الانحرافية:

SSB = 5 × [(12.0 – 9.667)² + (10.0 – 9.667)² + (7.0 – 9.667)²]

SSB = 5 × [(2.333)² + (0.333)² + (-2.667)²] = 5 × [5.443 + 0.111 + 7.113] = 5 × 12.667 = 63.335.

تتطابق النتيجتان بدقة متناهية، ونعتمد القيمة الجبرية الدقيقة: SSB = 63.333.

6. حساب مجموع المربعات بين الأفراد (SSS / SSsubjects)

6.1 عزل الفروق الفردية في تصميم القياسات المتكررة

يمثل مجموع المربعات بين المفحوصين أو الأفراد (Sum of Squares Between Subjects – SSS أو SS_subjects) السمة البنيوية الفريدة لتحليل التباين للقياسات المتكررة. يقيس SSS مقدار التباين العائد إلى الفروق الفردية المستقرة بين المشاركين عبر جميع الشروط، مثل اختلاف قدرة التحمل العامة، وسرعة المعالجة العصبية الأساسية، والحالة الصحية الذاتية لكل مريض.

في تصاميم المجموعات المستقلة، يُهمل هذا المكون تماماً ويبقى جزءاً لا يتجزأ من تباين الخطأ في المقام. أما هنا، فإن حساب SSS وعزله يتيح لنا خصمه لاحقاً من التباين غير المفسر، مما يُنقي تباين الخطأ العشوائي ويجعله مقتصراً على التذبذبات غير المنتظمة وتفاعلات المريض مع المعالجة، وهو ما يمنح الاختبار حساسية استثنائية في الكشف عن الفروق الدوائية.

6.2 المعادلة الحسابية لمجموع مربعات الأفراد

تُصاغ المعادلة الانحرافية لمجموع مربعات الأفراد كالتالي: SSS = k × Σ (x̄_pi – x̄_grand)²، حيث k يمثل عدد المعالجات أو الشروط التجريبية (k = 3 في مثالنا)، و x̄_pi يمثل المتوسط الحسابي العام للمفحوص رقم i عبر جميع الشروط.

أما الصيغة الحسابية المباشرة المعتمدة على مجاميع الصفوف (Pᵢ) لكل مفحوص، فتُعطى بالعلاقة التالية: SSS = [Σ (Pᵢ²) / k] – (G² / N). تعتمد هذه الصيغة على تربيع مجموع درجات كل مشارك، وجمع هذه المربعات، وقسمة الناتج على عدد المعالجات k، ثم طرح حد التصحيح الكلي C.

6.3 التطبيق الحسابي اليدوي لقيم المفحوصين الخمسة

نُطبق الصيغة المباشرة باستخدام مجاميع صفوف المرضى الخمسة: P₁ = 24, P₂ = 30, P₃ = 30, P₄ = 21, P₅ = 40، و k = 3:

Σ (Pᵢ²) = 24² + 30² + 30² + 21² + 40² = 576 + 900 + 900 + 441 + 1600 = 4417.

نقسم المجموع على k: 4417 / 3 = 1472.333.

نطرح حد التصحيح الكلي: SSS = 1472.333 – 1401.667 = 70.666 (أي 70.67 بعد التقريب).

وللتحقق عبر الصيغة الانحرافية: متوسطات المرضى هي (8.00, 10.00, 10.00, 7.00, 13.333):

SSS = 3 × [(8 – 9.667)² + (10 – 9.667)² + (10 – 9.667)² + (7 – 9.667)² + (13.333 – 9.667)²]

SSS = 3 × [(-1.667)² + (0.333)² + (0.333)² + (-2.667)² + (3.666)²]

SSS = 3 × [2.779 + 0.111 + 0.111 + 7.113 + 13.440] = 3 × 23.554 = 70.662.

نعتمد القيمة الجبرية الدقيقة: SSS = 70.667.

7. حساب مجموع مربعات الخطأ التجريبي المتبقي (SSE / SSerror)

7.1 مفهوم التباين المتبقي وتفاعل المفحوص مع المعالجة

يُعرف مجموع مربعات الخطأ المتبقي (Sum of Squares Error – SSE أو SS_residual) في تصاميم القياسات المتكررة بأنه التباين الذي لا يمكن تفسيره بالمعالجة التجريبية المستقلة (SSB) ولا بالفروق الفردية العامة بين الأشخاص (SSS). يمثل هذا المكون رياضياً ومفاهيمياً التفاعل بين المفحوصين والمعالجات (Subjects × Treatments Interaction).

يعكس التفاعل حقيقة أن استجابات المرضى للأدوية قد لا تكون متطابقة بنمط منتظم تماماً؛ فقد يستفيد مريض معين من الدواء B بدرجة تفوق استجابته للدواء A، بينما يظهر مريض آخر استجابة مغايرة. يمثل هذا التذبذب المتبقي والضوضاء العشوائية غير القابلة للضبط الأساس الحقيقي لتقدير الخطأ التجريبي، وكلما كانت قيمة SSE صغيرة، دل ذلك على اتساق تأثير المعالجة وارتفاع كفاءة التجربة الإحصائية.

7.2 الصيغة الجبرية لاقتطاع الخطأ بطريقة الطرح

يقوم النموذج الخطي لتفكيك التباين في القياسات المتكررة على المعادلة التراكمية التالية: SST = SSB + SSS + SSE. وبما أن مجموع المربعات الكلي (SST)، ومجموع مربعات المعالجة (SSB)، ومجموع مربعات المفحوصين (SSS) قد تم حسابها جميعاً بصورة مستقلة ومباشرة، فإننا نلجأ إلى خاصية الاقتطاع الجبري بطريقة الطرح لاستخراج SSE بسهولة ودقة متناهية.

تُصاغ معادلة الطرح المباشرة لحساب مجموع مربعات الخطأ كالتالي: SSE = SST – SSB – SSS. توفر طريقة الطرح هذه جهداً حسابياً هائلاً كان سيتطلبه حساب انحرافات كل خلية عن متوسطات الصفوف والأعمدة بشكل متزامن، مما يقلل احتمالية الوقوع في الأخطاء الحسابية اليدوية المعقدة.

7.3 التطبيق الحسابي لاستخراج قيمة SSE بدقة

بتطبيق القيم المستخرجة سابقاً في معادلة الطرح:

• SST = 141.333
• SSB = 63.333
• SSS = 70.667

SSE = 141.333 – 63.333 – 70.667

SSE = 141.333 – 134.000 = 7.333.

تُعد النتيجة موجبة ومنطقية تماماً، حيث تؤكد أن جزءاً كبيراً جداً من التباين الكلي (70.667 من أصل 141.333) كان يعود للفروق الفردية بين المرضى، وأن عزل هذا التباين جعل قيمة الخطأ التجريبي المتبقي ضئيلة للغاية (7.333)، مما يهيئ لاختبار إحصائي عالي الحساسية والدقة.

8. تحديد درجات الحرية لمكونات النموذج الإحصائي

8.1 درجات الحرية الكلية ودرجات حرية المعالجات

تُمثل درجات الحرية (Degrees of Freedom – df) عدد القيم المستقلة القابلة للتغير بحرية عند تقدير معلمة إحصائية معينة. تُحسب درجات الحرية الكلية للنموذج (df_total) بطرح 1 من إجمالي عدد المشاهدات الكلية N: df_total = N – 1 = (n × k) – 1. في مثالنا: df_total = 15 – 1 = 14.

أما درجات حرية المعالجة التجريبية (df_between أو df_treatment) فتُعبر عن عدد الشروط التجريبية المستقلة ناقصاً 1، وتُحسب بالمعادلة: df_treatment = k – 1. وبما أن لدينا ثلاثة أدوية (k = 3): df_treatment = 3 – 1 = 2.

8.2 درجات حرية الأفراد والخطأ التجريبي

تُحسب درجات الحرية الخاصة بالفروق الفردية بين المفحوصين (df_subjects) بطرح 1 من العدد الكلي للمفحوصين المشاركين في التجربة: df_subjects = n – 1. في دراستنا التي تضم 5 مرضى (n = 5): df_subjects = 5 – 1 = 4.

أما درجات حرية الخطأ التجريبي المتبقي (df_error أو df_residual)، فتُمثل درجات حرية التفاعل بين المعالجات والمفحوصين، وتُحسب بحاصل ضرب درجات حرية المعالجة في درجات حرية الأفراد: df_error = (k – 1) × (n – 1). بالتطبيق المباشر: df_error = (3 – 1) × (5 – 1) = 2 × 4 = 8.

8.3 التحقق من التوازن الجبري لدرجات الحرية

تخضع درجات الحرية لنفس الخاصية التراكمية التي تحكم مجموع المربعات، حيث يجب أن يتساوى مجموع درجات الحرية الجزئية مع درجات الحرية الكلية للنموذج وفق المعادلة: df_total = df_treatment + df_subjects + df_error.

للتحقق من بيانات المثال: 14 = 2 + 4 + 8 = 14. يؤكد هذا التطابق الرياضي التام سلامة توزيع وتحديد درجات الحرية لكافة أبعاد التجربة، ويمهد للانتقال لحساب متوسطات المربعات والنسبة الفائية دون أي خلل جبري.

9. حساب متوسطات المربعات (MS) والنسبة الفائية (F-Ratio)

9.1 حساب متوسط مربعات المعالجة ومتوسط مربعات الخطأ

يُعبر متوسط المربعات (Mean Square – MS) عن التباين المعدل لكل مصدر من مصادر الاختلاف، ويُحسب بقسمة مجموع المربعات الخاص بكل مصدر على درجات الحرية المقابلة له. لا يتم عادة حساب متوسط المربعات الكلي أو متوسط مربعات المفحوصين في هذا الاختبار لعدم دخولهما في اختبار فرضية المعالجة.

يُحسب متوسط مربعات المعالجة (MSTreatments أو MSB) بالمعادلة: MSB = SSB / df_treatment = 63.333 / 2 = 31.667.

ويُحسب متوسط مربعات الخطأ التجريبي (MSError أو MSE) بالمعادلة: MSE = SSE / df_error = 7.333 / 8 = 0.917.

9.2 اشتقاق قيمة F المحسوبة للاختبار

تُمثل النسبة الفائية (F-Ratio) جوهر الاختبار الاستدلالي لتحليل التباين، وتُعرف بأنها حاصل قسمة التباين المفسر الناتج عن المعالجة التجريبية على التباين غير المفسر المتبقي الناتج عن الخطأ والضوضاء العشوائية. تُحسب القيمة الفائية المحسوبة (F_calculated) بالمعادلة التالية:

F = MSB / MSE

بالتطبيق العددي المباشر من واقع نتائجنا:

F = 31.667 / 0.917 = 34.533 (أو 34.53 بعد التقريب).

تشير هذه القيمة الفائية المرتفعة جداً (34.53) إلى أن تباين الفروق بين الأدوية يفوق تباين الخطأ التجريبي بأكثر من 34 ضعفاً، مما يوفر مؤشراً قوياً على وجود فروق جوهرية حقيقية بين تأثيرات الأدوية الثلاثة على زمن الاستجابة.

9.3 بناء وتعبئة جدول تحليل التباين الكامل (ANOVA Table)

يتم تجميع كافة النتائج والحسابات التي تم إنجازها في جدول إحصائي موحد وشامل يُعرف بجدول تحليل التباين (ANOVA Summary Table). يُنظم هذا الجدول مصادر التباين، ومجموع المربعات، ودرجات الحرية، ومتوسطات المربعات، وقيمة F المحسوبة، والدلالة الإحصائية المقابلة، كما هو موضح في الجدول التالي:

مصدر التباين (Source of Variation)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	النسبة الفائية (F)	الدلالة الإحصائية (p-value)
بين المعالجات / الأدوية (Treatments)	63.333	2	31.667	34.533	p < 0.001
بين المفحوصين / الأفراد (Subjects)	70.667	4	17.667	–	–
الخطأ التجريبي / المتبقي (Error)	7.333	8	0.917	–	–
المجموع الكلي (Total)	141.333	14	–	–	–

يُظهر الجدول تكامل كافة الأرقام الحسابية، وتطابق المجاميع العمودية لـ SS و df، مما يمنح الباحث الثقة الكاملة في سلامة التحليل الإحصائي وجاهزيته لمرحلة اتخاذ القرار الاستدلالي.

10. اتخاذ القرار الإحصائي وتفسير النتائج

10.1 تحديد القيمة الحرجة لـ F من الجداول الإحصائية

لاتخاذ القرار الإحصائي السليم بشأن الفرضية الصفرية، يلزم استخراج القيمة الفائية الحرجة (F_critical) من الجداول الإحصائية المعتمدة لتوزيع F. يتطلب البحث في الجدول معرفة ثلاثة محددات رئيسية: مستوى الدلالة المختار (α = 0.05)، ودرجات حرية البسط (df_numerator = df_treatment = 2)، ودرجات حرية المقام (df_denominator = df_error = 8).

بالرجوع إلى جدول توزيع F عند مستوى ألفا 0.05 وتقاطع العمود 2 مع الصف 8، نجد أن: F_critical (2, 8) = 4.46. تُمثل هذه القيمة العتبة الحدية الفاصلة بين منطقة قبول الفرضية الصفرية ومنطقة رفضها.

10.2 مقارنة القيمة المحسوبة بالقيمة الحرجة

تنص القاعدة الإحصائية الصارمة لاتخاذ القرار على الآتي:

• إذا كانت القيمة المحسوبة أصغر من أو تساوي القيمة الحرجة (F_calc ≤ F_crit)، نقبل الفرضية الصفرية ونستنتج عدم وجود فروق دالة إحصائياً.
• إذا كانت القيمة المحسوبة أكبر من القيمة الحرجة (F_calc > F_crit)، نرفض الفرضية الصفرية ونقبل الفرضية البديلة.

وبما أن القيمة المحسوبة في تجربتنا هي: F_calc = 34.533، والقيمة الحرجة هي: F_crit = 4.46، فإننا نجد بوضوح أن 34.533 > 4.46. وبناءً على ذلك، نرفض الفرضية الصفرية (H₀) بشكل قاطع عند مستوى دلالة α = 0.05، ونقبل الفرضية البديلة (H₁).

10.3 التفسير السيكولوجي والتطبيقي للنتائج

يُترجم القرار الإحصائي برفض الفرضية الصفرية إلى استنتاج علمي تطبيقي حاسم: يوجد تأثير جوهري ودال إحصائياً لنوع الدواء المهدئ على زمن استجابة المرضى الحركية [F(2, 8) = 34.53, p < 0.001]. تشير المتوسطات الحسابية إلى أن الدواء A أدى إلى أطول زمن استجابة (12.0 ثانية)، يليه الدواء B (10.0 ثوانٍ)، بينما سجل الدواء C أسرع زمن استجابة (7.0 ثوانٍ).

وفقاً لمعايير التوثيق المعتمدة لـ جمعية علم النفس الأمريكية (APA Style – 7th Edition)، تُصاغ النتيجة في التقرير البحثي كالتالي: “أظهر تحليل التباين للقياسات المتكررة أحادي الاتجاه وجود فروق ذات دلالة إحصائية بين أنواع الأدوية الثلاثة في زمن الاستجابة، F(2, 8) = 34.53, p < 0.001. ويشير ذلك إلى أن نوع العقار يؤثر بصورة مباشرة على سرعة المعالجة العصبية والحركية لدى المرضى”.

11. حساب حجم الأثر والمقارنات البعدية يدوياً

11.1 حساب حجم الأثر باستخدام مربع إيتا الجزئي (Partial Eta Squared)

لا يكتفي البحث العلمي الحديث بتقرير الدلالة الإحصائية فقط، بل يتعين قياس الأهمية العملية وحجم الأثر التجريبي (Effect Size). يُعد مربع إيتا الجزئي (Partial Eta Squared – η²ₚ) المقياس الأكثر شيوعاً وملاءمة لتصاميم القياسات المتكررة، حيث يقيس نسبة التباين في المتغير التابع المنسوبة إلى المعالجة بعد استبعاد التباين الفردي للمفحوصين.

تُعطى صيغة الحساب اليدوي لمربع إيتا الجزئي بالمعادلة التالية: η²ₚ = SSB / (SSB + SSE).

بالتطبيق العددي المباشر على بياناتنا:

η²ₚ = 63.333 / (63.333 + 7.333) = 63.333 / 70.666 = 0.896.

وفقاً لمعايير كوهين (Cohen’s Guidelines)، حيث يُعد الأثر صغيراً عند 0.01، ومتوسطاً عند 0.06، وكبيراً عند 0.14، فإن القيمة الناتجة (0.896) تشير إلى حجم أثر ضخم واستثنائي، حيث تُفسر المعالجة الدوائية ما يقارب 89.6% من التباين القابل للتفسير في زمن استجابة المرضى.

11.2 إجراء المقارنات البعدية اليدوية (Post-Hoc Pairwise Comparisons)

يخبرنا تحليل التباين بوجود فروق عامة بين المتوسطات، ولكنه لا يحدد بدقة أي زوج من الأدوية يختلف عن الآخر بصورة دالة. لمعرفة ذلك، نلجأ إلى إجراء المقارنات البعدية الثنائية باستخدام اختبار t للعينات المترابطة (Paired Samples t-test) بين كل زوج من الأدوية مع تطبيق تصحيح بونفيروني (Bonferroni Correction) لضبط معدل الخطأ التراكمي للأسرة (Family-wise Error Rate).

يتم تعديل مستوى الدلالة بقسمة ألفا على عدد المقارنات الممكنة [c = k(k-1)/2 = 3(2)/2 = 3]: α_adjusted = 0.05 / 3 = 0.0167. نحسب قيمة t لكل زوج بالصيغة: t = (x̄₁ – x̄₂) / SE_diff، حيث يُستخرج الخطأ المعياري لفروق المتوسطات من تباين الخطأ المشترك: SE_diff = √(2 × MSE / n) = √(2 × 0.917 / 5) = √(1.834 / 5) = √0.3668 = 0.606.

• مقارنة الدواء A بالدواء B: t = (12.0 – 10.0) / 0.606 = 2.0 / 0.606 = 3.300. القيمة الحرجة لـ t عند df = 8 وألفا 0.0167 هي تقريباً 2.90. بما أن 3.30 > 2.90، فإن الفرق بين الدواء A و B دال إحصائياً لصالح سرعة B.
• مقارنة الدواء A بالدواء C: t = (12.0 – 7.0) / 0.606 = 5.0 / 0.606 = 8.251. بما أن 8.251 > 2.90، فإن الفرق دال إحصائياً بشكل قاطع لصالح الدواء C.
• مقارنة الدواء B بالدواء C: t = (10.0 – 7.0) / 0.606 = 3.0 / 0.606 = 4.950. بما أن 4.950 > 2.90، فإن الفرق بين B و C دال إحصائياً لصالح الدواء C.

نستنتج من المقارنات البعدية أن جميع الأدوية تختلف عن بعضها البعض جوهرياً، وأن الدواء C هو الأكثر فاعلية في تقليص زمن الاستجابة مقارنة بالدوائين الآخرين.

11.3 حساب فترات الثقة لفروق المتوسطات يدوياً

تُعزز فترات الثقة (Confidence Intervals – CI) دقة الاستدلال من خلال توفير مدى رقمي يُتوقع أن يقع داخله الفرق الحقيقي بين المتوسطات في المجتمع بدرجة يقين 95%. تُحسب حدود فترة الثقة 95% للفرق بين أي متوسطين بالصيغة التالية: CI₉₅% = (x̄₁ – x̄₂) ± [t_crit(0.05, df=8) × SE_diff].

القيمة الحرجة لـ t غير المعدلة عند α = 0.05 و df = 8 هي t_crit = 2.306. وهامش الخطأ (Margin of Error) = 2.306 × 0.606 = 1.397.

• فترة الثقة للفرق بين (A و B): (12.0 – 10.0) ± 1.397 = 2.0 ± 1.397 = [0.603 , 3.397] ثانية.
• فترة الثقة للفرق بين (A و C): (12.0 – 7.0) ± 1.397 = 5.0 ± 1.397 = [3.603 , 6.397] ثوانٍ.
• فترة الثقة للفرق بين (B و C): (10.0 – 7.0) ± 1.397 = 3.0 ± 1.397 = [1.603 , 4.397] ثوانٍ.

نلاحظ أن جميع فترات الثقة المحسوبة موجبة ولا تشتمل على الصفر الإحصائي، مما يؤكد من منظور فترات الثقة أن الفروق بين المعالجات الثلاث حقيقية وموثوقة إحصائياً عند مستوى ثقة 95%.

12. الأخطاء الشائعة واستراتيجيات التحقق عند الحساب اليدوي

12.1 أخطاء تقريب الكسور والأرقام العشرية وتفاديها

تُعد أخطاء التقريب المبكر (Early Rounding Errors) من أكثر المشكلات شيوعاً في الحسابات الإحصائية اليدوية. عندما يقوم الباحث بتقريب المتوسطات أو الانحرافات إلى رقم عشري واحد في المراحل الأولى (مثل تقريب 9.667 إلى 9.7)، يؤدي تربيع هذه القيم المقربة وضربها في أحجام العينات إلى تضخيم الخطأ التراكمي بصورة هائلة في قيم مجموع المربعات، مما قد يغير القيمة النهائية للنسبة الفائية ويؤدي إلى قرارات خاطئة.

لتفادي هذا الخلل، يُوصى بالاحتفاظ بأربعة أرقام عشرية على الأقل في كافة الخطوات الحسابية الوسيطة، أو الاعتماد المباشر على صيغ البيانات الخام ومجاميع الأعمدة والصفوف التي تتعامل مع أعداد صحيحة حتى الخطوة الأخيرة. كما يُفضل استخدام الكسور الاعتيادية الدقيقة (مثل استخدام 145/15 بدلاً من 9.667) لضمان الدقة الرياضية المطلقة.

12.2 الخلط بين معادلات التصميم المستقل وتصميم القياسات المتكررة

يقع بعض الباحثين المبتدئين في خطأ فادح يتمثل في تطبيق معادلات تحليل التباين الأحادي للعينات المستقلة على بيانات القياسات المتكررة. يؤدي هذا الخلط إلى نسيان حساب وعزل مجموع مربعات المفحوصين (SSS)، ودمجه ضمن مجموع مربعات الخطأ، مما يجعل قيمة SSE مساوية لـ (SSS + SSE = 70.667 + 7.333 = 78.000)، وبالتالي تصبح درجات حرية الخطأ 12 بدلاً من 8.

ينتج عن هذا الخطأ انخفاض هائل في القيمة الفائية المحسوبة، حيث تصبح F = (63.333/2) / (78.000/12) = 31.667 / 6.500 = 4.87 بدلاً من 34.53. يُفقد هذا الخطأ التجربة قوتها وحساسيتها الحقيقية، وقد يؤدي في العديد من الدراسات إلى الفشل في رفض الفرضية الصفرية على الرغم من وجود تأثير تجريبي حقيقي وقوي.

12.3 قائمة تدقيق نهائية لمراجعة الحسابات اليدوية

قبل اعتماد النتائج النهائية لأي تحليل تباين للقياسات المتكررة تم إجراؤه يدوياً، يجب مراجعة قائمة التدقيق الرياضية الصارمة التالية لضمان خلو الحسابات من أي عيب منهجي:

• معادلة مجموع المربعات: التأكد من أن: SST = SSB + SSS + SSE (في مثالنا: 141.333 = 63.333 + 70.667 + 7.333 ✓).
• معادلة درجات الحرية: التأكد من أن: df_total = df_treatment + df_subjects + df_error (في مثالنا: 14 = 2 + 4 + 8 ✓).
• إيجابية التباينات: التأكد من أن جميع قيم مجموع المربعات (SS) ومتوسطات المربعات (MS) موجبة دائماً، حيث يستحيل رياضياً وجود قيمة سالبة للمربعات.
• منطقية قيمة F: التأكد من أن قيمة F موجبة وتتناسب منطقياً مع حجم الفروق الملاحظة بين المتوسطات.
• تطابق المجاميع: التحقق من أن مجموع مجاميع الصفوف يساوي تماماً مجموع مجاميع الأعمدة ويساوي المجموع العام G.

خاتمة

يُمثل تحليل التباين للقياسات المتكررة تحفة منهجية في الفكر الإحصائي الاستدلالي، حيث يجمع بين الكفاءة الاقتصادية في استخدام العينات والقوة الرياضية الفائقة الناتجة عن عزل الفروق الفردية. لقد أوضح هذا الدليل الشامل من خلال التطبيق العددي الدقيق خطوة بخطوة كيف يمكن للباحث تفكيك التباين الكلي إلى مكوناته الأساسية، واستخراج النسبة الفائية، واتخاذ القرارات الإحصائية، وحساب حجوم الأثر، والمقارنات البعدية دون الحاجة إلى الاعتماد الأعمى على البرمجيات الإحصائية الجاهزة.

إن الفهم العميق للبنية الرياضية الكامنة وراء هذا التحليل يمنح الباحثين في العلوم السيكولوجية والطبية والتربوية القدرة على تصميم تجارب رصينة، وتفسير البيانات المعقدة بثقة، والتأكد من استيفاء كافة الشروط المنهجية مثل التوزيع الطبيعي والكروية. يظل الإتقان اليدوي لهذه النماذج الإحصائية هو الأساس المتين الذي يُبنى عليه التحليل الكمي المتقدم والتفكير العلمي الرصين.

References

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731909
• 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.