الإحصاء والبحث العلميعلم النفس التجريبيلغة البرمجة R

كيفية إجراء تحليل التباين للقياسات المتكررة في R

دليل أكاديمي شامل يشرح كيفية إجراء تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) في لغة R خطوة بخطوة وتفسير النتائج وفق معايير APA.

تاريخ النشر

تُعد النماذج الإحصائية المتقدمة حجر الزاوية في استخلاص الاستنتاجات العلمية الدقيقة من التجارب المعملية والدراسات الميدانية المعقدة. وفي طليعة هذه النماذج يبرز تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) كأداة منهجية متطورة تُعنى بدراسة التغيرات التي تطرأ على نفس الوحدات التجريبية أو المشاركين عبر مستويات متعددة لمتغير تجريبي أو عبر فترات زمنية متعاقبة. يتيح هذا المنهج للباحثين فرصة تجاوز معضلة الفروق الفردية الكامنة بين الأفراد، والتي غالباً ما تشوش على التأثير الحقيقي للمعالجات التجريبية، مما يجعله التصميم المفضل في حقول علم النفس التجريبي، والعلوم العصبية، والبحوث الدوائية، والعلوم الطبية الحيوية.

تتميز لغة البرمجة الإحصائية R Project for Statistical Computing بمرونة وقوة منقطعة النظير في تنفيذ هذه التحليلات، بدءاً من استيراد وهيكلة البيانات، مروراً بالتحقق الصارم من الافتراضات الإحصائية الحاكمة، ووصولاً إلى تطبيق النماذج الرياضية المعقدة وتوليد الرسوم البيانية والجداول المطابقة لأعلى المعايير الأكاديمية الدولية. إن الانتقال من النماذج البسيطة بين المجموعات إلى النماذج داخل الأفراد يتطلب فهماً عميقاً لآليات تجزئة التباين الرياضي، وطرق معالجة انتهاكات الكروية، وكيفية التعامل مع التراكيب الطولية المعقدة لقواعد البيانات.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي متكامل لإجراء تحليل التباين للقياسات المتكررة في بيئة R. سنخوض في الأعماق النظرية لتجزئة مجموع المربعات واشتقاق الإحصاءات الفائية، ثم نستعرض البنية البرمجية المتكاملة عبر حزم متخصصة مثل rstatix وez وemmeans وtidyverse، لنختتم ببناء استراتيجيات كتابة التقارير العلمية الرصينة وفق دليل النشر الأكاديمي لجمعية علم النفس الأمريكية (APA 7th Edition).

جدول المحتويات

1. مقدمة نظرية لتحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

1.1 المفهوم الإحصائي لتحليل التباين للقياسات المتكررة

يُمثل تحليل التباين للقياسات المتكررة امتداداً معلَمياً (Parametric) متقدماً لاختبار “ت” للعينات المرتبطة (Paired-Samples t-test)، حيث يُستخدم لمقارنة متوسطات ثلاثة شروط تجريبية أو نقاط زمنية أو أكثر لنفس عينة المفحوصين. في التصميم الإحصائي التقليدي القائم على القياس بين المفحوصين (Between-Subjects Design)، يتم تعيين مشاركين مختلفين ومستقلين في كل مجموعة تجريبية، مما يعني أن التباين بين المجموعات يتأثر بشكل مباشر بالفروق الفردية الموروثة والمكتسبة للمشاركين (مثل مستوى الذكاء، السمات الوراثية، الخلفية الاجتماعية). أما في تصميم القياسات المتكررة، أو ما يُعرف بالتصميم داخل المفحوصين (Within-Subjects Design)، فإن كل مشارك يمثل ضابطاً لنفسه (Serves as his own control)، إذ يمر بجميع شروط المعالجة أو يتم قياسه في كافة النقاط الزمنية المقررة.

يكمن الجوهر الإحصائي لهذا التصميم في قدرته الفائقة على عزل التباين الناتج عن الفروق الفردية المنتظمة بين المشاركين وتجريده من تباين الخطأ غير المفسر (Error Variance). في النماذج المستقلة، تختلط الفروق الفردية داخل حد الخطأ الكلي، مما يؤدي إلى تضخيم المقام في النسبة الفائية (F-ratio) وبالتالي انخفاض القدرة على اكتشاف الفروق الحقيقية. أما في النماذج المتكررة، فيتم فصل “تباين الأفراد” كعنصر مستقل في جدول التباين، مما يؤدي إلى تقليص حاد في تباين الخطأ المتبقي، ويمنح الاختبار حساسية استثنائية لرصد التأثيرات التجريبية الطفيفة عبر الزمن أو عبر المهام المعرفية والحسية المتتابعة.

تتعدد الاستخدامات الشائعة لهذا التحليل في الأبحاث الأكاديمية والتطبيقية، لا سيما في الدراسات الطولية (Longitudinal Studies) التي تتتبع مسار تطور مرض معين أو نمو مهارة معرفية على مدار أشهر أو سنوات. كما يُعد المنهج المعياري في التجارب المعملية متعددة الشروط، مثل قياس النشاط الكهربائي للدماغ (EEG) أو زمن الاستجابة الحركية تحت مستويات متفاوتة من الضغط العصبي أو الجرعات الدوائية المتدرجة.

1.2 أهمية التحليل في العلوم النفسية والتجارب السلوكية

تحظى القياسات المتكررة بمكانة مركزية في العلوم السلوكية والنفسية، حيث تُسهم بشكل حاسم في تقييم البرامج العلاجية والتداخلات السلوكية عبر الزمن؛ مثل بروتوكولات القياس القبلي (Pre-test)، والقياس أثناء التدخل (Mid-treatment)، والقياس البعدي الفوري (Post-test)، وقياسات المتابعة طويلة المدى (Follow-up). يسمح هذا التقييم الزمني برسم المنحنى النمائي للتأثير العلاجي وتحديد ما إذا كان التحسن النفسي مستداماً أم متلاشياً بمرور الوقت.

تتمثل إحدى أهم المزايا المنهجية لهذا التحليل في تعظيم القوة الإحصائية (Statistical Power) مع ترشيد استخدام الموارد وحجم العينة. في الدراسات التي يصعب فيها الوصول إلى مجتمعات سريرية نادرة أو ذات خصائص معقدة، يتيح التصميم داخل المفحوصين الحصول على قوة إحصائية تماثل تصميم المجموعات المستقلة ولكن بربع أو ثلث حجم العينة الإجمالي، نظراً لأن كل مشارك يقدم نقاط بيانات متعددة، فضلاً عن التحكم التام في العوامل المشوشة المرتبطة بالسمات الشخصية الثابتة للمشاركين.

علاوة على ذلك، يقلل التحليل من التحيزات الناجمة عن عدم تكافؤ المجموعات؛ ففي التصاميم بين المفحوصين، حتى مع استخدام التوزيع العشوائي الصارم، تظل احتمالية وجود تباينات طفيفة في الخصائص الأساسية للمجموعات قائمة، بينما يضمن إخضاع نفس المفحوص لجميع المستويات إبقاء كافة المتغيرات الدخيلة (Confounding Variables) المرتبطة بالشخصية والقدرات الأساسية ثابتة تماماً عبر مراحل التجربة.

1.3 المعادلة الرياضية وتجزئة مجموع المربعات

يقوم البناء الرياضي لتحليل التباين للقياسات المتكررة على التفكيك الهرمي لمجموع المربعات الكلي (Total Sum of Squares – $SS_{Total}$). يتم أولاً شطر مجموع المربعات الكلي إلى مكونين رئيسيين: تباين بين الأفراد (Between-Subjects Sum of Squares – $SS_{Between}$) وتباين داخل الأفراد (Within-Subjects Sum of Squares – $SS_{Within}$):

$$SS_{Total} = SS_{Between} + SS_{Within}$$

يمثل $SS_{Between}$ التباين الإجمالي لمتوسطات أداء الأفراد حول المتوسط العام لجميع الملاحظات، وهو الجزء الذي يتم عزله واستبعاده من تباين الخطأ في اختبار المعالجة. بعد ذلك، يتم تجزئة التباين المتبقي داخل الأفراد ($SS_{Within}$) إلى عنصرين:

$$SS_{Within} = SS_{Treatment} + SS_{Error}$$

حيث يمثل $SS_{Treatment}$ التباين المنسوب بشكل مباشر إلى التغير في مستويات المعالجة التجريبية أو النقاط الزمنية، في حين يمثل $SS_{Error}$ (أو تباين التفاعل بين المشاركين والمعالجة $SS_{Subject \times Treatment}$) التباين المتبقي العشوائي الذي لم تستطع المعالجة تفسيره.

تُحسب درجات الحرية (Degrees of Freedom – $df$) المترافقة مع هذه المكونات وفق القوانين الرياضية التالية، حيث يمثل $N$ عدد المشاركين الإجمالي و$k$ عدد مستويات المتغير التجريبي:

  • درجات الحرية الكلية: $df_{Total} = (N \times k) – 1$
  • درجات الحرية بين الأفراد: $df_{Between} = N – 1$
  • درجات الحرية للمعالجة: $df_{Treatment} = k – 1$
  • درجات حرية الخطأ: $df_{Error} = (N – 1) \times (k – 1)$

تُشتق متوسطات المربعات (Mean Squares – $MS$) بقسمة مجموع المربعات الخاص بكل مصدر على درجات حريته المقابلة ($MS_{Treatment} = \frac{SS_{Treatment}}{df_{Treatment}}$ و $MS_{Error} = \frac{SS_{Error}}{df_{Error}}$). وأخيراً، يتم حساب النسبة الفائية ($F$) من خلال المعادلة:

$$F = \frac{MS_{Treatment}}{MS_{Error}}$$

تتم بعد ذلك مقارنة هذه القيمة المحسوبة بالتوزيع الفائي النظري عند درجات حرية ($df_{Treatment}, df_{Error}$) لتحديد القيمة الاحتمالية الدقيقة ($p$-value)، والتي تحكم برفض أو قبول الفرضية الصفرية التي تنص على تكافؤ جميع متوسطات المعالجات التجريبية.

2. الافتراضات الإحصائية لاختبار القياسات المتكررة

2.1 افتراض التوزيع الطبيعي (Normality Assumption)

يستند تحليل التباين للقياسات المتكررة إلى افتراض أن متغير الاستجابة يتبع التوزيع الطبيعي الاعتدالي عند كل مستوى من مستويات المتغير المستقل، أو بشكل أكثر دقة، أن البواقي الإحصائية للنموذج (Model Residuals) تتوزع توزيعاً طبيعياً متماثلاً حول الصفر. يُعد هذا الافتراض جوهرياً لضمان صحة الاستدلالات الاحتمالية والنسب الفائية المستخرجة.

للتحقق من هذا الافتراض كمياً، يُعتمد على اختبار شابيرو-ويلك (Shapiro-Wilk Test)، والذي يختبر الفرضية الصفرية القائلة بأن البيانات مأخوذة من مجتمع يتبع التوزيع الطبيعي. إذا كانت القيمة الاحتمالية للاختبار أكبر من مستوى الدلالة المعتمد ($p > 0.05$)، يُعتبر الافتراض محققاً. وإلى جانب الاختبارات الكمية، يوصى دائماً بإجراء فحص بصري باستخدام المخططات الاحتمالية الطبيعية (Q-Q Plots) ومدرجات التكرار، حيث تدل محاذاة النقاط للخط القطري في مخطط Q-Q على سلامة التوزيع.

تجدر الإشارة إلى أن اختبار القياسات المتكررة يتمتع بمتانة نسبية (Robustness) ضد الانحرافات الطفيفة إلى المعتدلة عن الاعتدالية عندما تكون أحجام العينات متوسطة إلى كبيرة استناداً إلى مبرهنة النهاية المركزية (Central Limit Theorem). ومع ذلك، في حالات الانحراف الشديد أو العينات الصغيرة جداً، يصبح اللجوء إلى التحويلات الرياضية اللوغاريتمية أو اختبارات الرتب اللامعلمية خياراً لا غنى عنه.

2.2 افتراض الكروية (Assumption of Sphericity)

يُعد افتراض الكروية (Sphericity) أكثر الافتراضات خصوصية وحرجاً في تحليل التباين للقياسات المتكررة، وهو المناظر المباشر لافتراض تجانس التباين (Homogeneity of Variance) في التصاميم بين المفحوصين، ولكنه يمتلك بنية رياضية أكثر تعقيداً. تُعرّف الكروية بأنها الحالة التي تكون فيها التباينات الخاصة بجميع الفروق الممكنة بين أزواج مستويات المعالجة متساوية ومتكافئة في المجتمع الإحصائي.

للتوضيح الرياضي: إذا كان لدينا ثلاثة شروط تجريبية ($A, B, C$)، فإن افتراض الكروية يفرض أن يكون التباين الخاص بفروق الدرجات بين الشرطين ($A – B$) مساوياً لتباين الفروق بين ($A – C$) ومساوياً كذلك لتباين الفروق بين ($B – C$). يُقاس هذا الافتراض رسمياً عبر اختبار موتشلي للكروية (Mauchly’s Test of Sphericity)، حيث تشير الدلالة الإحصائية ($p < 0.05$) إلى انتهاك الافتراض وفشل البيانات في تلبية متطلبات الكروية الصارمة.

يؤدي انتهاك افتراض الكروية إلى عواقب وخيمة على سلامة التحليل الإحصائي، حيث يتسبب في التقليل غير المبرر من تباين الخطأ المقدر، مما يؤدي بدوره إلى تضخيم قيمة النسبة الفائية ($F$) المحسوبة وزيادة معدل الخطأ من النوع الأول (Type I Error) بصورة تجعل الباحث يرفض الفرضية الصفرية بشكل خاطئ معلناً وجود فروق جوهرية وهي في الحقيقة غير موجودة. يتم التعامل مع هذا الانتهاك عبر تصحيحات درجات الحرية الرياضية المعروفة بتصحيحي جرينهاوس-جايسر (Greenhouse-Geisser) وهوينه-فيلدت (Huynh-Feldt).

2.3 افتراضات القياس والاستقلالية وغياب القيم المتطرفة

تتضمن بنية النموذج الإحصائي مجموعة إضافية من الافتراضات الشاملة التي لا يمكن إجراء التحليل دون استيفائها. أول هذه الافتراضات يتعلق بمستوى القياس؛ إذ يجب أن يكون المتغير التابع مقاساً على مقياس كمي متصل، سواء كان مقياساً فترياً (Interval Scale) كدرجات الاختبارات النفسية المقننة، أو مقياساً نسبياً (Ratio Scale) مثل أزمنة الاستجابة بالمللي ثانية ومعدلات ضربات القلب وتراكيز المواد الحيوية.

أما افتراض الاستقلالية (Independence of Observations)، فيشير إلى ضرورة استقلالية الملاحظات بين المشاركين؛ أي أن استجابة أي مشارك في التجربة لا تؤثر بأي شكل من الأشكال على استجابة مشارك آخر، مع الإقرار الكامل بأن القياسات المتعددة داخل المشارك نفسه هي قياسات مترابطة بطبيعتها ويقوم النموذج بنمذجتها مباشرة. لا يمكن تصحيح انتهاك استقلالية الأفراد رياضياً، بل يجب ضبطه من خلال التصميم التجريبي المحكم والعزل الفيزيائي لبيئات الاختبار.

وأخيراً، يتطلب النموذج خلو البيانات من القيم المتطرفة والشاذة الحادة (Extreme Outliers). نظراً لاعتماد تحليل التباين على حساب المتوسطات الحسابية ومربعات الانحرافات، فإن وجود نقطة بيانية شاذة واحدة ناتجة عن خطأ في الإدخال أو شرود انتباه المشارك كفيل بزعزعة تقديرات التباين، وتحريف المتوسطات، وتقويض مصداقية النتائج بالكامل، مما يستلزم فحصاً استكشافياً دقيقاً قبل الشروع في النمذجة.

3. إعداد بيئة العمل وتثبيت الحزم البرمجية في R

3.1 تثبيت وتحميل الحزم الأساسية لتحليل التباين

تتطلب المعالجة الحديثة لتحليل التباين للقياسات المتكررة في R الاعتماد على بيئة برمجية متكاملة تتألف من حزم متخصصة توفر وظائف متقدمة ومخرجات متسقة. الحزمة المحورية الأولى هي rstatix التي طورها ألبوكيرك لتوفير واجهة برمجية متوافقة تماماً مع معايير الأنابيب (Pipe-friendly Framework)، وتتيح تنفيذ اختبارات ANOVA وحساب أحجام التأثير واختبارات الافتراضات بدوال موحدة تخرج كائنات بيانات مرتبة.

تأتي حزمة ez كخيار عريق وقوي للغاية في الأوساط الأكاديمية لعلم النفس والعلوم العصبية، حيث تحتوي على دالة ezANOVA التي تقوم آلياً بفحص الكروية وتطبيق التصحيحات وحساب التباينات للنماذج المعقدة المتداخلة والمختلطة. بالإضافة إلى ذلك، تُعد حزمة car (Companion to Applied Regression) أداة كلاسيكية لا غنى عنها لاستخراج جداول التباين الدقيقة ومصفوفات التغاير.

لإجراء التحليلات اللاحقة والمقارنات المتعددة، تبرز حزمة emmeans (Estimated Marginal Means) كالمعيار الذهبي الحالي في الإحصاء التطبيقي، إذ تتيح استخراج المتوسطات الهامشية وتعديل فواصل الثقة واختبار التباينات الخطية المعقدة. يمكن تثبيت هذه الحزم الأساسية من خلال الأمر التالي في منصة R Console:

install.packages(c("rstatix", "ez", "car", "emmeans"))

ثم يتم استدعاؤها في بيئة العمل البرمجية باستخدام دالة library() لكل حزمة تمهيداً لبدء مسار التحليل الإحصائي.

3.2 تجهيز حزم معالجة البيانات وتصورها

لا يمكن إجراء تحليل إحصائي ناجح ومستدام دون وجود أدوات فعالة لتنظيف وهندسة البيانات والتصور البصري المتطور. في هذا السياق، تمثل منظومة tidyverse البيئة المتكاملة الشاملة التي ترتكز عليها المعالجات الحديثة للبيانات في R. تشمل هذه المنظومة حزمة dplyr المتخصصة في تصفية الصفوف واختيار الأعمدة وإعادة تشكيل المتغيرات وحساب الملخصات المجمعة، وحزمة tidyr المصممة خصيصاً لإعادة هيكلة الجداول بين التنسيقات العريضة والطويلة.

في جانب الرسوم البيانية، تتربع حزمة ggplot2 على قمة أدوات التصور الإحصائي، حيث تعتمد على “قواعد بناء الرسوم البيانية” (Grammar of Graphics) لإنشاء مخططات بصرية متقدمة، ذات طبقات متعددة تدمج توزيعات البيانات، ومتوسطات النماذج، وأشرطة الأخطاء المعيارية. ولتسهيل إعداد الرسوم البيانية الجاهزة للنشر الأكاديمي المباشر والمتوافقة مع صيغ المجلات العلمية، يتم استخدام حزمة ggpubr التي تبسط دمج الدلالات الإحصائية وأقواس المقارنة البعدية فوق المخططات المولدة.

يتم تثبيت هذه الحزم التكميلية عبر تنفيذ الأمر:

install.packages(c("tidyverse", "ggpubr"))

يوفر التكامل بين rstatix ومنظومة tidyverse تدفقاً بيانياً سلساً، حيث تنتقل مخرجات معالجة البيانات مباشرة إلى دوال التحليل الإحصائي، ثم إلى أدوات التصور البصري دون الحاجة إلى إعادة صياغة هياكل الكائنات البرمجية يدوياً في كل خطوة.

4. إدخال البيانات وهيكلتها: التنسيق العريض والتنسيق الطويل

4.1 التمييز بين التنسيق العريض (Wide Format) والتنسيق الطويل (Long Format)

يُمثل فهم الفروق الهيكلية بين التنسيق العريض (Wide Format) والتنسيق الطويل (Long Format) الركيزة البرمجية الأولى لتطبيق النماذج المتكررة في R. في التنسيق العريض، تُمثَّل كل وحدة تجريبية (مشارك) في صف واحد مفرد، بينما تتوزع القياسات المتكررة عبر أعمدة متعددة مستقلة؛ بحيث يحتوي العمود الأول على المعرف الفردي، والعمود الثاني على قياس النقطة الزمنية الأولى ($T1$)، والعمود الثالث على قياس النقطة الزمنية الثانية ($T2$)، وهكذا. يُعد هذا التنسيق هو المفضل والشائع أثناء مرحلة إدخال البيانات الأولية في برامج مثل Excel أو SPSS.

على النقيض من ذلك، يعتمد التنسيق الطويل على مبادئ البيانات المرتبة (Tidy Data)، حيث يخصص لكل ملاحظة فردية صف مستقل. في هذا التنسيق، يتكرر المعرف الخاص بالمشارك بعدد مستويات القياسات المتكررة؛ ويحتوي الجدول على عمود خاص بمعرف المشارك (Subject ID)، وعمود نوعي يحدد الشرط التجريبي أو النقطة الزمنية (Time/Condition)، وعمود كمي واحد يحتوي على قيمة الاستجابة المقاسة (Score/Value).

تتطلب غالبية دوال التحليل الإحصائي الحديثة في R—وعلى رأسها rstatix::anova_test وez::ezANOVA وggplot2—الاعتماد الحصري على التنسيق الطويل. تكمن العلة الرياضية والبرمجية في أن هذا التنسيق يسمح للنموذج بمعاملة “المشارك” كمتغير تجميع عشوائي مستقل، والتعامل مع “الزمن” كعامل تصنيفي داخل المفحوصين يمكن تطبيق العمليات الجبرية التكرارية عليه بكفاءة حسابية تامة.

4.2 تحويل البيانات باستخدام دالة pivot_longer

تُعد دالة pivot_longer() التابعة لحزمة tidyr الأداة البرمجية القياسية والمعيارية لإعادة هيكلة البيانات من النمط العريض إلى النمط الطويل بمرونة ودقة متناهية. لنفترض وجود دراسة تجريبية تتضمن قياس زمن استجابة الذاكرة لدى 10 مشاركين تحت ثلاثة شروط تجريبية: القياس القبلي (T0)، والقياس الفوري (T1)، والقياس المتأخر (T2). يتم أولاً إنشاء إطار البيانات بصيغته العريضة، ثم تطبيق عملية التحويل الموضحة أدناه:

تبدأ العملية باستدعاء pivot_longer() وتحديد الأعمدة المستهدفة بالتحويل عبر المعامل cols = c("T0", "T1", "T2")، ثم تحديد اسم العمود النوعي الجديد الذي سيضم تسميات الشروط عبر المعامل names_to = "Time"، وأخيراً تحديد اسم العمود الذي سيخزن القيم الرقمية عبر values_to = "Reaction_Time".

الخطوة الجوهرية التالية في المعالجة البرمجية هي التحويل الإلزامي لنوع المتغيرات؛ إذ يجب تحويل كل من عمود المعرف الفردي للمشارك (Subject_ID) وعمود المتغير المستقل للقياسات المتكررة (Time) إلى عوامل تصنيفية (Factors) باستخدام الدالة as.factor() أو dplyr::mutate(). يُعد إغفال تحويل معرف المشارك إلى عامل خطأً شائعاً يؤدي إلى فشل دوال ANOVA في التعرف على بنية القياسات المتكررة، حيث تعامل دالة التحليل الأرقام كقيم كمية متصلة بدلاً من وحدات تجريبية منفصلة. يتم التحقق النهائي من سلامة بنية الجدول عبر دالتي str() وhead() لضمان جاهزية البيانات للتحليل.

5. الاستكشاف الأولي للبيانات والفحص الوصفي

5.1 حساب الإحصاءات الوصفية لكل مستوى من مستويات المعالجة

يمثل الفحص الإحصائي الوصفي الخطوة التأسيسية التي تسبق اختبار الفرضيات الاستدلالية، حيث يتيح للباحث تكوين رؤية معمقة حول سلوك البيانات المركزية وتشتتها عبر مختلف الشروط التجريبية. تُستخدم دالة get_summary_stats() من حزمة rstatix بالتكامل مع دالة group_by() لحساب منظومة شاملة من المؤشرات الوصفية تشمل: المتوسط الحسابي (Mean)، والانحراف المعياري (Standard Deviation)، والوسيط (Median)، والمدى الربيعي (Interquartile Range – IQR)، والخطأ المعياري للمتوسط (Standard Error of the Mean – SEM).

يُعد الخطأ المعياري مؤشراً بالغ الأهمية في القياسات المتكررة، إذ يعكس دقة تقدير متوسط المجتمع لكل نقطة زمنية. كما يتم حساب فواصل الثقة (Confidence Intervals) بنسبة 95% حول المتوسطات، والتي توفر نطاقاً احتمالياً للقيم الحقيقية لمعلمات المجتمع. تتيح مقارنة الانحرافات المعيارية والمدى الربيعي عبر مختلف المستويات تقييماً أولياً لمدى استقرار تباين البيانات وغياب التشتت الشاذ بين النقاط الزمنية المختلفة، مما يمهد الطريق لفحص الافتراضات المعلمية المتقدمة بطريقة منهجية ومنظمة داخل جداول إحصائية ملخصة.

5.2 الفحص البصري الأولي وتوزيع الاستجابات

يوفر الاستكشاف البصري رؤى نوعية لا تستطيع الأرقام التلخيصية وحدها إبرازها، لا سيما فيما يتعلق بالتغيرات الفردية الكامنة وراء المتوسطات الإجمالية. تبدأ هذه المرحلة بإنشاء مخططات الصندوق (Boxplots) المتراكبة مع النقاط الفعلية (Jittered Points) لكل مستوى تجريبي باستخدام ggplot2، مما يسمح بمراقبة التماثل التوزيعي واكتشاف أي قيم متطرفة تقع خارج سياج الأرباع (1.5 × IQR).

ولكن الميزة الكبرى في التصور البصري لتصاميم القياسات المتكررة تكمن في رسم “مسارات الاستجابة الفردية” (Individual Trajectories Plot)؛ حيث يتم رسم خط بياني مستقل لكل مشارك يربط بين درجاته عبر جميع الشروط التجريبية مع إعطاء الخطوط شفافية جزئية (Alpha blending)، ثم يتم تركيب خط عريض بلون مغاير يمثل المسار العام للمتوسط الحسابي. يُمكّن هذا المخطط الباحث من ملاحظة مدى تجانس استجابة الأفراد للتدخل التجريبي؛ فإذا كانت مسارات الأفراد تتصاعد أو تهبط بشكل متوازٍ، فهذا يعكس تأثيراً تجريبياً ثابتاً وتجانساً في السلوك، أما إذا كانت الخطوط تتقاطع بشكل فوضوي، فهذا ينبئ بوجود تباينات فردية عميقة أو تداخلات محتملة مع متغيرات وسيطة.

6. التحقق العملي من الافتراضات الإحصائية في R

6.1 اختبار الاعتدالية واكتشاف القيم الشاذة برمجياً

يبدأ التحقق الإحصائي الصارم بفحص وجود القيم المتطرفة الشاذة التي قد تشوه تقديرات النموذج. توفر حزمة rstatix دالة متقدمة تُدعى identify_outliers()، والتي تطبق خوارزمية الصندوق الرياضية لتصنيف القيم إلى قيم شاذة معتدلة (Outliers) وقيم شاذة حرجة (Extreme Outliers). إذا أظهرت النتائج وجود قيم شاذة متطرفة ناجمة عن أخطاء قياس أو تسجيل، يتم تصحيحها أو استبعادها وفق مبررات منهجية معلنة.

يعقب ذلك فحص التوزيع الطبيعي للبواقي أو للقيم المتصلة عند كل شرط تجريبي باستخدام دالة shapiro_test() عبر تمرير البيانات المجمعة: data %>% group_by(Time) %>% shapiro_test(Reaction_Time). تتطلب سلامة الافتراض أن تتجاوز القيمة الاحتمالية ($p$) عتبة 0.05 لجميع المستويات. يتم تدعيم هذه النتائج الكمية بإنشاء مخططات Q-Q Plot باستخدام دالة ggqqplot() من حزمة ggpubr، حيث يتم التحقق بصرياً من استقرار النقاط البيانية داخل منطقة الثقة الرمادية المحيطة بخط الملاءمة النظري.

في الحالات التي يظهر فيها انتهاك طفيف للاعتدالية في ظل عينات كافية، يمكن مواصلة التحليل نظراً لمتانة النماذج الفائية، أما عند حدوث انتهاكات جوهرية وانحرافات التوائية حادة، يتوجب على الباحث تطبيق تحويلات لوغاريتمية (Log Transformation) أو استخدام جذر تربيعي لضبط التوزيع، أو الانتقال مباشرة إلى الاختبارات اللامعلمية المناظرة.

6.2 فحص افتراض الكروية وتطبيق تصحيحات Greenhouse-Geisser و Huynh-Feldt

يمثل فحص افتراض الكروية (Sphericity) الخطوة الإحصائية الأكثر حساسية عند تحليل المتغيرات المتكررة التي تحتوي على ثلاثة مستويات أو أكثر. عند استخدام دوال متخصصة في R مثل anova_test() أو ezANOVA()، يتم تشغيل اختبار موتشلي للكروية تلقائياً ضمن مخرجات النموذج. تشير نتيجة اختبار موتشلي ذات الدلالة الإحصائية ($p < 0.05$) إلى انتهاك الافتراض، مما يستوجب تعديل درجات الحرية لتقليل احتمالية ارتكاب الخطأ من النوع الأول.

تعتمد آلية التعديل الرياضي على خفض درجات الحرية الأصلية لكل من البسط ($df_{Treatment}$) والمقام ($df_{Error}$) من خلال ضربهما بمعامل تصحيحي يُعرف بـ إبسيلون ($epsilon$)، حيث تتراوح قيمة إبسيلون بين حد أدنى نظري يساوي $\frac{1}{k-1}$ (وهو ما يمثل أقصى درجات الانتهاك للكروية) وحد أقصى يساوي 1.0 (وهو ما يمثل الكروية التامة). يوفر التحليل في R تقديرين رئيسيين لمعامل إبسيلون:

  • تصحيح جرينهاوس-جايسر (Greenhouse-Geisser $\hat{\epsilon}$): يُعد تصحيحاً متحفظاً، ويوصى به بشدة عندما تكون قيمة إبسيلون المقدرة أقل من 0.75 ($\hat{\epsilon} < 0.75$)، أو عندما تكون العينات صغيرة مع وجود اشتباه في انتهاكات جسيمة.
  • تصحيح هوينه-فيلدت (Huynh-Feldt $\tilde{\epsilon}$): يُعد تصحيحاً أقل تحفظاً، ويُفضل تطبيقه عندما تكون قيمة إبسيلون المقدرة أكبر من أو تساوي 0.75 ($\tilde{\epsilon} ge 0.75$) لتجنب الإفراط في رفع احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error).

عند تعديل درجات الحرية بهذين المعاملين، تظل قيمة النسبة الفائية ($F$) المحسوبة ثابتة دون تغيير، ولكن درجات الحرية المصححة تؤدي إلى إعادة حساب القيمة الاحتمالية ($p$-adj) لتصبح أكبر وأكثر دقة ومطابقة لتوزيع الاحتمال الحقيقي في ظل غياب الكروية.

7. تنفيذ تحليل التباين أحادي الاتجاه للقياسات المتكررة في R

7.1 تطبيق التحليل باستخدام الدالة الأساسية aov()

تُعد دالة aov() المدمجة في النظام الأساسي للغة R البيئة الإحصائية التقليدية لبناء نماذج التباين. لتنفيذ تصميم القياسات المتكررة أحادي الاتجاه، يتطلب بناء المعادلة الرياضية إدراج “حد الخطأ العشوائي” للمفحوصين بصيغة خاصة لعزل تباين الأفراد عن تباين الخطأ التجريبي. تُصاغ المعادلة البرمجية على النحو التالي:

model_aov <- aov(Reaction_Time ~ Time + Error(Subject_ID/Time), data = long_data)

عند استخراج ملخص النموذج باستخدام الأمر summary(model_aov)، يقوم R بتقسيم المخرجات إلى طبقات تباين هيكلية؛ حيث تمثل الطبقة الأولى التباين بين المشاركين (Strata: Subject_ID)، بينما تمثل الطبقة الثانية التباين داخل المشاركين (Strata: Subject_ID:Time)، وتتضمن درجات الحرية الخاصة بالمعالجة والخطأ، وقيم مجموع المربعات، ومتوسط المربعات، والنسبة الفائية وقيمتها الاحتمالية.

على الرغم من الرصانة الرياضية لدالة aov()، إلا أن محدوديتها الرئيسية تكمن في افتقارها لآليات الفحص التلقائي لاختبار موتشلي للكروية، وعدم قدرتها على حساب قيم إبسيلون أو تصحيحات Greenhouse-Geisser تلقائياً، فضلاً عن عدم تقديمها لمقاييس حجم التأثير الجزئية، مما يدفع المحللين إلى تفضيل الحزم الأحدث والأكثر تخصصاً.

7.2 تطبيق التحليل باستخدام دالة anova_test() من حزمة rstatix

تمثل دالة anova_test() من حزمة rstatix الأسلوب المعاصر والأكثر تكاملاً لتنفيذ تحليل التباين للقياسات المتكررة في R. تتميز هذه الدالة ببنيتها البرمجية الواضحة التي تفصل بين مدخلات النموذج، حيث يتم تحديد المتغير التابع عبر المعامل dv = Reaction_Time، ومعرف المفحوص عبر wid = Subject_ID، والمتغير المستقل داخل المفحوصين عبر within = Time:

res_anova <- anova_test(data = long_data, dv = Reaction_Time, wid = Subject_ID, within = Time)

تتفوق هذه الدالة على الأساليب التقليدية بإنتاجها جدولاً موحداً شاملاً يتضمن اختبار التباين الكلاسيكي، واختبار موتشلي للكروية، وتصحيحي Greenhouse-Geisser وHuynh-Feldt المباشرين. علاوة على ذلك، تقوم الدالة آلياً بحساب مربع إيتا المعمم (Generalized Eta Squared – $\eta_G^2$) أو مربع إيتا الجزئي (Partial Eta Squared – $\eta_p^2$) كمقياس لحجم التأثير، وهو مؤشر بالغ الأهمية يعبر عن نسبة التباين في المتغير التابع المنسوبة إلى المعالجة التجريبية بعد استبعاد الفروق الفردية للمفحوصين. يمكن استعراض النتائج الكاملة المصححة عبر الأمر get_anova_table(res_anova) بكل سهولة.

7.3 تطبيق التحليل باستخدام دالة ezANOVA() من حزمة ez

تُعد دالة ezANOVA() التابعة لحزمة ez الخيار المفضل في العديد من المجلات العلمية المتخصصة في العلوم العصبية والنفسية نظراً لشمولية ودقة مخرجاتها التقريرية. يتم بناء الأمر البرمجي من خلال تحديد إطار البيانات، والمتغير التابع (dv = .(Reaction_Time))، ومعرف الفرد (wid = .(Subject_ID))، والمتغير داخل المفحوصين (within = .(Time))، مع إمكانية تحديد نوع مجموع المربعات بدقة متناهية عبر type = 3 (مجموع المربعات من النوع الثالث – Type III SS) وهو المعيار الموصى به خاصة في التصاميم غير المتوازنة:

ez_result <- ezANOVA(data = long_data, dv = .(Reaction_Time), wid = .(Subject_ID), within = .(Time), type = 3, detailed = TRUE)

تنتج الدالة قائمة إحصائية متعددة الأجزاء؛ يحتوي الجزء الأول على جدول ANOVA التفصيلي، ويحتوي الجزء الثاني على تقييم اختبار موتشلي للكروية، في حين يخصص الجزء الثالث لتقديم قيم إبسيلون ومستويات الدلالة الإحصائية المصححة تلقائياً. يتيح هذا الإخراج الشامل للباحث التحقق المتقاطع والتأكد من مطابقة الحسابات الرياضية للنتائج الصادرة من خوارزميات إحصائية أخرى، مما يضمن أقصى درجات الثقة في النتائج.

8. المقارنات البعدية واختبارات التتبع (Post-Hoc Tests)

8.1 اختبارات ت المقترنة مع ضبط الخطأ الإحصائي (Pairwise T-tests)

عندما يسفر تحليل التباين للقياسات المتكررة عن دلالة إحصائية عامة للنسبة الفائية ($p < 0.05$)، فإن هذه النتيجة تخبرنا فقط بوجود فرق جوهري واحد على الأقل بين المتوسطات، لكنها لا تحدد بدقة أي الأزواج من المستويات التجريبية تختلف عن بعضها البعض. هنا تبرز الحاجة المنهجية لإجراء المقارنات البعدية (Post-Hoc Pairwise Comparisons).

تتمثل المقاربة الأساسية في إجراء سلسلة من اختبارات “ت” للعينات المرتبطة (Pairwise Paired t-tests) بين جميع الأزواج الممكنة للشروط التجريبية. غير أن إجراء مقارنات متعددة متزامنة يؤدي إلى ظاهرة إحصائية خطيرة تُعرف بـ تضخم معدل الخطأ العائلي (Inflation of Family-wise Error Rate)؛ فإذا أجرينا 3 مقارنات بمستوى دلالة $\alpha = 0.05$، فإن احتمالية ارتكاب خطأ واحد على الأقل من النوع الأول ترتفع إلى ما يقارب $1 – (1 – 0.05)^3 \approx 14.3%$.

للحد من هذا التضخم، يتم تطبيق تقنيات الضبط الرياضي لقيم $p$. توفر حزمة rstatix دالة pairwise_t_test() التي تتيح تنفيذ هذه المقارنات مع تطبيق تصحيحات متعددة:

pwc % pairwise_t_test(Reaction_Time ~ Time, paired = TRUE, p.adjust.method = "bonferroni")

يُعد تعديل بونفيروني (Bonferroni Correction) الخيار الكلاسيكي الأكثر تحفظاً، حيث يقسم مستوى المعنوية على عدد المقارنات الإجمالي ($p_{adj} = p \times m$). وكبديل حديث وأكثر قوة وتوازناً، يمكن تطبيق تصحيح بنجاميني-هوشبيرغ (Benjamini-Hochberg / FDR) أو تصحيح هولم (Holm-Bonferroni)، حيث توفر هذه الطرق حماية كافية ضد الأخطاء دون التضحية المفرطة بالقوة الإحصائية للاختبار.

8.2 المقارنات المتعددة باستخدام المتوسطات الهامشية المقدرة (emmeans)

تُمثل حزمة emmeans النهج الإحصائي الأرقى والأكثر متانة عالمياً لتنفيذ المقارنات البعدية والتباينات الخطية المخصصة (Custom Contrasts). تعتمد الحزمة على نمذجة المتوسطات الهامشية المقدرة المستخلصة مباشرة من النموذج الخطي العام للقياسات المتكررة، مما يجعلها تأخذ في الحسبان بنية التباينات والارتباطات الداخلية بدقة فائقة.

يتم تطبيق هذا الأسلوب عبر خطوتين متتابعتين؛ يتم أولاً استخراج المتوسطات الهامشية لكل مستوى تجريبي، ثم يتم تطبيق اختبار توكي البعدي المعدل (Tukey HSD) أو اختبارات الفروق الزوجية المصححة:

model_fit <- aov(Reaction_Time ~ Time + Error(Subject_ID/Time), data = long_data)
emm <- emmeans(model_fit, ~ Time)
pairs_result <- pairs(emm, adjust = "tukey")

توفر emmeans مخرجات تفصيلية تشمل الفروق بين المتوسطات، والخطأ المعياري للفروق، ودرجات الحرية المصححة، وفواصل الثقة بنسبة 95% لكل فرق، وقيم $t$ الاحتمالية المعدلة. بالإضافة إلى ذلك، تتيح الحزمة استخراج مقاييس حجم التأثير المعيارية للفروق الزوجية مثل دال كوهين للعينات المرتبطة (Cohen’s d for paired samples) عبر دالة eff_size()، مما يمنح الباحث تقييماً كمياً دقيقاً للأهمية التطبيقية والعملية للفروق المكتشفة إلى جانب دلالتها الإحصائية الرقمية.

9. توسيع التحليل: تحليل التباين ثنائي الاتجاه والتصميمات المختلطة

9.1 تحليل التباين ثنائي الاتجاه للقياسات المتكررة (Two-Way Repeated Measures ANOVA)

يتوسع التصميم التجريبي في العديد من الدراسات المتقدمة ليشمل متغيرين مستقلين كلاهما يُقاس داخل نفس المفحوصين (Two-Way Within-Subjects Design). على سبيل المثال، قد يرغب الباحث في قياس الأداء المعرفي للمشاركين تحت مستويين من الضوضاء (هدوء مقابل ضوضاء) وعبر ثلاث فترات زمنية متتابعة (صباحاً، ظهراً، مساءً)، بحيث يخضع كل مشارك لجميع التوليفات التجريبية الست الممكنة.

يهدف هذا التحليل المتقدم إلى اختبار ثلاثة تأثيرات إحصائية منفصلة:

  • التأثير الرئيسي للمتغير الأول (Main Effect of Factor A): تقييم الفروق الإجمالية بين مستويات العامل الأول بغض النظر عن العامل الثاني.
  • التأثير الرئيسي للمتغير الثاني (Main Effect of Factor B): تقييم الفروق الإجمالية بين مستويات العامل الثاني بغض النظر عن العامل الأول.
  • تأثير التفاعل الإحصائي (Interaction Effect: A × B): وهو السؤال الجوهري الأهم؛ إذ يختبر ما إذا كان تأثير أحد المتغيرين يتغير أو يعتمد على المستوى المحدد للمتغير الآخر.

يتم تنفيذ هذا النموذج في R باستخدام anova_test() عبر تمرير المتغيرين في وسيط القياس المتكرر: within = c(Noise, Time). وفي حال ثبوت دلالة التفاعل الإحصائي ($p < 0.05$)، لا يجوز تفسير التأثيرات الرئيسية بمعزل عن بعضها، بل يجب الانتقال فوراً إلى تحليل التأثيرات الرئيسية البسيطة (Simple Main Effects)؛ أي فحص تأثير عامل الوقت عند كل مستوى من مستويات الضوضاء على حدة، وتطبيق التعديلات البعدية المناسبة لتفكيك طبيعة التفاعل المعقدة.

9.2 تحليل التباين المختلط (Mixed ANOVA / Split-Plot Design)

يُعد تحليل التباين المختلط (Mixed Between-Within ANOVA) أحد أكثر التصاميم انتشاراً في الأبحاث السريرية والتدخلات النفسية، حيث يجمع في بنية واحدة بين متغير مستقل مقاس بين المفحوصين (Between-Subjects Factor) مثل “نوع المجموعة: تجريبية تتلقى علاجاً مقابل ضابطة”، ومتغير مستقل مقاس داخل المفحوصين (Within-Subjects Factor) مثل “الزمن: قبل التدخل، بعده مباشرة، وفي مرحلة المتابعة”.

يتطلب هذا النموذج التحقق من منظومة افتراضات مزدوجة؛ تشمل افتراض الكروية للمتغير المتكرر عبر اختبار موتشلي، وافتراض تجانس تباينات الخطأ بين المجموعات عبر اختبار ليفين (Levene’s Test)، بالإضافة إلى افتراض تجانس مصفوفات التباين والتغاير عبر اختبار بوكس إم (Box’s M Test). يتم تنفيذ التحليل في R بكل سلاسة من خلال دمج المعاملين between وwithin:

mixed_anova <- anova_test(data = mixed_data, dv = Score, wid = Subject_ID, between = Group, within = Time)

تتمحور الفرضية البحثية الرئيسية في هذه الدراسات حول تفاعل “المجموعة × الزمن” (Group × Time Interaction). تشير دلالة هذا التفاعل إلى أن المسار الزمني للتغير في الاستجابة يختلف بصورة جوهرية بين المجموعة التجريبية والمجموعة الضابطة، وهو الدليل الإحصائي القاطع على فاعلية التدخل العلاجي المقترح، مما يستدعي إجراء اختبارات التأثيرات البسيطة للمجموعات عند كل نقطة زمنية مستهدفة.

10. التصور البياني المتقدم للنتائج باستخدام ggplot2

10.1 إنشاء مخططات التفاعل والمسارات الزمنية

يُمثل التصور البياني المتقن للبيانات أداة تواصل علمي فائقة الأهمية تختزل النتائج الإحصائية المعقدة في رسوم بصرية بديهية. لإنشاء مخطط التفاعل الاحترافي في التصاميم المتكررة أو المختلطة، يتم توظيف حزمة ggplot2 لبناء رسم خطي متعدد الطبقات؛ حيث تخصص المحاور الأفقية للزمن، والمحاور الرأسية للمتوسط الحسابي للاستجابة، مع تخصيص ألوان أو أشكال رموز مستقلة لكل مجموعة تجريبية.

تتضمن الممارسة المتقدمة في التصور الأكاديمي دمج ثلاث طبقات أساسية في الرسم البياني:

  • طبقة مسارات الأفراد (Spaghetti Plot): رسم خطوط رفيعة شبه شفافة (alpha = 0.2) تمثل كل مشارك على حدة، لإظهار التباين الحقيقي والتشتت الفردي الكامن خلف النتائج الإجمالية.
  • طبقة المتوسطات المجمعة: رسم خطوط سميقة واضحة تربط بين متوسطات الشروط التجريبية لتمثيل الاتجاه العام للنموذج.
  • طبقة أشرطة الخطأ (Error Bars): إضافة أشرطة تمثل الخطأ المعياري للمتوسط (SEM) أو فواصل الثقة المصححة للقياسات المتكررة بنسبة 95% لتوضيح درجة الدقة الإحصائية لكل تقدير.

يتم ضبط السمات الجمالية للرسم باستخدام القوالب المعتمدة في النشر العلمي مثل theme_classic() أو theme_pubr() مع تخصيص خطوط العناوين وتسميات المحاور وحجم الرموز بما يلبي المواصفات الطباعية الدقيقة للمجلات العالمية الرائدة.

10.2 إضافة الدلالات الإحصائية والأقواس التوضيحية

لتحويل المخططات البيانية إلى أشكال مكتفية ذاتياً وجاهزة للنشر الفوري، يتم دمج نتائج المقارنات البعدية وقيم الدلالة الإحصائية مباشرة فوق أعمدة أو خطوط الرسم البياني. تتيح حزمة ggpubr بالتعاون مع دالة stat_pvalue_manual() ربط جداول المقارنات البعدية الناتجة عن rstatix بالرسم البياني وتوليد أقواس المقارنة التلقائية.

يقوم الكود البرمجي بحساب الإحداثيات الرأسية للأقواس، وإدراج مستويات المعنوية بصيغة نجوم إحصائية ($* p < 0.05, ** p < 0.01, *** p < 0.001$) أو عبر إدراج القيم الاحتمالية المعدلة بدقة رقمية ($p_{adj}$). يضمن هذا الدمج البرمجي المباشر تجنب الأخطاء اليدوية في كتابة الأرقام أو توجيه الأسهم، ويوفر توافقاً شاملاً بين الجداول النصية والشكل البياني المرفق.

في المرحلة النهائية، يتم تصدير الرسوم البيانية بدقة وضوح طباعية عالية (High Resolution) لا تقل عن 300 أو 600 نقطة في البوصة (DPI) بصيغ متعددة متجهة مثل PDF أو EPS لضمان جودة الرسوم الخطية، أو بصيغ نقطية غير مضغوطة مثل TIFF باستخدام دالة ggsave()، لتكون جاهزة للإدراج المباشر في المخطوطات البحثية المقدمة للنشر.

11. كتابة التقرير وتوثيق النتائج وفق معايير جمعية علم النفس الأمريكية (APA 7)

11.1 صياغة الفقرة الإحصائية للتحليل الأحادي والثنائي

تفرض جمعية علم النفس الأمريكية في دليلها السابع (APA 7th Edition) معايير توثيق صارمة ودقيقة للنتائج الإحصائية، تتطلب الإفصاح الكامل عن النسبة الفائية، ودرجات الحرية الأصلية أو المصححة، والقيمة الاحتمالية الدقيقة، ومقاييس حجم التأثير المناسبة، إلى جانب نتائج فحص الكروية والتصحيحات المعتمدة.

النموذج التوثيقي باللغة العربية:
“أُجري تحليل التباين للقياسات المتكررة أحادي الاتجاه لفحص تأثير وقت التدخل (قبل التدخل، بعد التدخل، المتابعة) على زمن الاستجابة المعرفية. أظهر اختبار موتشلي انتهاكاً لافتراض الكروية ($\chi^2(2) = 8.45, p = .015$)، وبناءً عليه تم تطبيق تصحيح جرينهاوس-جايسر لدرجات الحرية ($\hat{\epsilon} = 0.68$). أسفرت النتائج عن وجود تأثير رئيسي دال إحصائياً للوقت، $F(1.36, 25.84) = 14.52, p < .001, \eta_p^2 = .43$. وكشفت المقارنات البعدية باستخدام تعديل بونفيروني عن انخفاض دال إحصائياً في زمن الاستجابة بين مرحلة ما قبل التدخل ($M = 450\text{ ms}, SD = 45$) ومرحلة ما بعد التدخل ($M = 380\text{ ms}, SD = 38, p < .001, d = 1.25$)، في حين لم تظهر فروق دالة بين مرحلة ما بعد التدخل ومرحلة المتابعة ($M = 385\text{ ms}, SD = 40, p = .785$)."

النموذج التوثيقي باللغة الإنجليزية (Standard Academic Template):
“A one-way repeated measures ANOVA was conducted to determine whether there were statistically significant differences in reaction times across three time points (Pre-test, Post-test, Follow-up). Mauchly’s test indicated that the assumption of sphericity had been violated, $\chi^2(2) = 8.45, p = .015$; therefore, degrees of freedom were corrected using Greenhouse-Geisser estimates of sphericity ($\hat{\epsilon} = 0.68$). The results revealed a statistically significant main effect of time, $F(1.36, 25.84) = 14.52, p < .001, \eta_p^2 = .43$. Post-hoc pairwise comparisons with Bonferroni correction demonstrated a significant reduction in reaction time from pre-test ($M = 450, SD = 45$) to post-test ($M = 380, SD = 38, p < .001, d = 1.25$), whereas no significant difference was observed between post-test and follow-up ($M = 385, SD = 40, p = .785$)."

11.2 بناء الجداول الإحصائية المعتمدة

يتطلب توثيق جداول ANOVA وفق دليل APA تنسيقاً محدداً يخلو تماماً من الخطوط الرأسية، ويعتمد فقط على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل نهاية الجدول). يجب أن يتضمن الجدول مصادر التباين المختلفة (Source)، ومجموع المربعات ($SS$)، ودرجات الحرية ($df$)، ومتوسط المربعات ($MS$)، والنسبة الفائية ($F$)، ومستوى الدلالة ($p$)، وحجم التأثير ($\eta_p^2$ أو $\eta_G^2$).

تتيح بيئة R توليد هذه الجداول المنسقة آلياً وبصيغ متعددة تلائم محررات النصوص (مثل Word و LaTeX و HTML) باستخدام حزم متخصصة مثل apaTables عبر دالة apa.ezANOVA.table()، أو باستخدام حزمة flextable وحزمة knitr::kable(). يضمن التوليد البرمجي للجداول مطابقة البيانات المجدولة مع الأرقام الواردة في متن التقرير بدقة متناهية ودون تدخل يدوي قد يسبب أخطاء في النقل أو التقريب الحسابي.

12. استكشاف المشكلات، الأخطاء الشائعة، والبدائل الإحصائية

12.1 التعامل مع البيانات المفقودة والقصور في ANOVA التقليدي

تمثل البيانات المفقودة (Missing Data) التحدي الأكبر الذي يواجه تحليل التباين الكلاسيكي للقياسات المتكررة. في النموذج المعياري لـ ANOVA، إذا تغيب مشارك عن نقطة قياس زمنية واحدة فقط من أصل خمس نقاط، فإن خوارزمية التحليل تطبق آلية الحذف الإجمالي للحالة (Listwise Deletion)، مما يؤدي إلى استبعاد بيانات المشارك بالكامل من كافة مراحل التحليل. ينتج عن ذلك فقدان هائل للقوة الإحصائية وتحيز خطير في تقديرات المتوسطات إذا كان الفقد غير عشوائي تماماً (Missing Not at Random).

للتغلب على هذا القصور البنيوي، يتجه الإحصاء الحديث إلى اعتماد النماذج الخطية ذات التأثيرات المختلطة (Linear Mixed-Effects Models – LMM) عبر حزم مثل lme4 وlmerTest في R. تتيح هذه النماذج التعامل بكفاءة تامة مع البيانات الطولية غير المكتملة دون استبعاد المشاركين، حيث تقوم بتقدير التأثيرات الثابتة (Fixed Effects) للمعالجات والتأثيرات العشوائية (Random Effects) الخاصة بكل فرد بناءً على جميع الملاحظات المتوفرة فعلياً وفق تقديرات الإمكانية الأعظم المقيدة (Restricted Maximum Likelihood – REML).

12.2 البدائل اللامعلمية: اختبار فريدمان (Friedman Test)

عندما تتعرض البيانات لانتهاكات صارخة لا يمكن تصحيحها لافتراض التوزيع الطبيعي، أو عندما يُقاس المتغير التابع على مقياس رتبي تفرعي (Ordinal Scale)، يصبح تحليل التباين للقياسات المتكررة غير صالح للاستخدام، ويبرز اختبار فريدمان (Friedman Test) كالبديل اللامعلمي (Non-parametric) المعياري المناظر لتحليل ANOVA الأحادي المتكرر.

يعتمد اختبار فريدمان على تحويل الدرجات الخام لكل مشارك عبر الشروط المختلفة إلى رتب تصاعدية (Rank-based transformation)، ثم اختبار ما إذا كانت مجموع الرتب يختلف بصورة دالة بين المستويات. يتم تنفيذ الاختبار في R باستخدام الدالة المدمجة friedman.test() أو عبر حزمة rstatix:

friedman_res % friedman_test(Reaction_Time ~ Time | Subject_ID)

إذا أظهر اختبار فريدمان دلالة إحصائية ($p < 0.05$)، يتم إجراء المقارنات البعدية اللامعلمية باستخدام اختبار ويلكوكسون للإشارات والرتب للعينات المرتبطة (Wilcoxon Signed-Rank Test) مع تطبيق تصحيح بونفيروني. كما يُحسب حجم التأثير اللامعلمي المناظر عبر معامل كندال للوفاق (Kendall’s W)، والذي يعبر عن درجة الاتفاق والتناسق في ترتيب رتب المشاركين عبر الشروط المقاسة من 0 (انعدام الاتفاق) إلى 1 (الاتفاق التام).

12.3 أخطاء شائعة في تطبيق وتفسير التحليل في R

يقع العديد من الممارسين والباحثين في مجموعة من الأخطاء المنهجية والبرمجية أثناء تنفيذ القياسات المتكررة في R، ويأتي في مقدمتها:

  • تنسيق البيانات الخاطئ: محاولة تمرير البيانات بالتنسيق العريض إلى دوال تتطلب حصرياً التنسيق الطويل، مما يؤدي إلى فشل الأوامر أو تنفيذ تحليل تباين مستقل بطريق الخطأ.
  • إغفال تحويل معرف المشارك إلى عامل (Factor): ترك عمود Subject_ID كمتغير رقمي (Numeric)، مما يجعل النموذج يتعامل مع أرقام المشاركين كمتغير انحدار كمي بدلاً من وحدات تجريبية عشوائية تجميعية.
  • تجاهل انتهاك الكروية: الاعتماد على درجات الحرية غير المصححة وقيم $p$ الكلاسيكية عند ثبوت دلالة اختبار موتشلي، مما يؤدي إلى نتائج إيجابية كاذبة وتضخيم الخطأ من النوع الأول.
  • الخلط بين أحجام التأثير: الخلط بين مربع إيتا الجزئي ($\eta_p^2$) ومربع إيتا المعمم ($\eta_G^2$)؛ حيث يجب توضيح المقياس المستخدم بدقة في التقارير الأكاديمية لأن قيمهما تختلف بشكل ملحوظ في التصاميم داخل المفحوصين.
  • إجراء مقارنات بعدية بدون تصحيح خطأ العائلة: تشغيل اختبارات “ت” المتعددة دون ضبط لقيم $p$ عبر بونفيروني أو توكي، مما يفقد التحليل رصانته العلمية المعتمدة.

خاتمة شاملة

يُمثل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) ركيزة منهجية وتحليلية لا غنى عنها في ترسانة الباحث العلمي المعاصر، حيث يتيح دراسة التغيرات النمائية وتأثيرات المعالجات التجريبية المتتابعة بأعلى درجات الدقة الإحصائية ومن خلال الاستغلال الأمثل لبيانات العينات المتاحة. تمنح لغة البرمجة R عبر منظومتها الشاملة (مثل rstatix, ez, emmeans, tidyverse) مرونة مطلقة في إدارة دورة التحليل الإحصائي بأكملها؛ بدءاً من الهيكلة الأولية للبيانات، والتحقق الحاسم من افتراضات الاعتدالية والكروية، وصولاً إلى تطبيق التصحيحات الرياضية المتقدمة ونمذجة التأثيرات البعدية وتوليد المخططات البيانية والجداول المطابقة لمعايير النشر في كبرى المجلات الأكاديمية الدولية. إن الالتزام بالخطوات المنهجية المفصلة في هذا الدليل يضمن للباحثين استخراج استنتاجات علمية دقيقة وموثوقة تسهم بفاعلية في تطوير المعرفة في مختلف الحقول السلوكية والطبية والتطبيقية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 28). كيفية إجراء تحليل التباين للقياسات المتكررة في R. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-repeated-measures-anova-in-r/
looti, Mohammed. “كيفية إجراء تحليل التباين للقياسات المتكررة في R.” عرب سايكلوجي, 28 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-repeated-measures-anova-in-r/.
looti, Mohammed. “كيفية إجراء تحليل التباين للقياسات المتكررة في R.” عرب سايكلوجي. أغسطس 28, 2026. https://arabpsychology.com/statistics/how-to-perform-repeated-measures-anova-in-r/.