كيفية إجراء تحليل التباين للقياسات المتكررة في برنامج ستاتا

يُعد تحليل التباين للقياسات المتكررة (Repeated Measures Analysis of Variance – RM-ANOVA) أحد الركائز الإحصائية والمنهجية في الأبحاث السلوكية، الطبية، والعلوم النفسية والاجتماعية. يتيح هذا النموذج الإحصائي المتقدم للباحثين فرصة فريدة لدراسة التغيرات التي تطرأ على المتغيرات التابعة عبر الزمن أو تحت ظروف تجريبية متمايزة ومتقاطعة على نفس عينة المفحوصين، مما يمنحه قوة تحليلية هائلة تتفوق على التصاميم المستقلة من حيث كفاءة استغلال العينة والتحكم في مصادر التباين الدخيلة.

تكمن القوة الجوهرية لهذا الأسلوب في قدرته الرياضية على تجزئة التباين الكلي إلى مكونات دقيقة، من خلال عزل الفروق الفردية الكامنة بين المشاركين وحسابها كعامل ثابت أو عشوائي مستقل عن تباين الخطأ التجريبي. هذا العزل المنهجي يقلل من حجم تباين الخطأ المتبقي، مما يرفع بشكل جوهري من حساسية الاختبار وقوته الإحصائية (Statistical Power) للكشف عن التأثيرات الحقيقية للتدخلات العلاجية أو التغيرات النمائية الدقيقة التي قد تطمسها الفروق الفردية في التصاميم المستقلة التقليدية.

يقدم برنامج Stata بيئة متكاملة فائقة المرونة والدقة لتنفيذ كافة مراحل تحليل التباين للقياسات المتكررة، بدءاً من استيراد البيانات وإعادة تشكيلها وهيكلتها برمجياً، مروراً بفحص الافتراضات الصارمة مثل الكروية والتوزيع الطبيعي، ووصولاً إلى تطبيق التصحيحات المتقدمة واستخراج المقارنات البعدية وحجوم الأثر وفق أحدث معايير النشر الأكاديمي الصادرة عن جمعية علم النفس الأمريكية (APA Style). في هذا الدليل الشامل والمفصل، سنستعرض بعمق نظري وتطبيقي كيفية تنفيذ هذا الاختبار وتفسير مخرجاته المعقدة بدقة متناهية.

1. مقدمة ومفاهيم أساسية حول تحليل التباين للقياسات المتكررة

1.1 التعريف النظري لتحليل التباين للقياسات المتكررة

تحليل التباين للقياسات المتكررة هو امتداد حدودي متقدم لاختبار تحليل التباين الأحادي (One-Way ANOVA)، ولكنه يُطبق عندما يتم قياس نفس المتغير التابع الكمي المستمر لدى نفس أفراد العينة في مناسبات زمنية متعددة (مثل: قبل التدخل، منتصف التدخل، بعد التدخل، وفترة المتابعة) أو تحت ظروف تجريبية وبيئية مختلفة (مثل: التعرض لدرجات متفاوتة من الضغط النفسي، أو أداء مهام معرفية متعددة الصعوبة). يتميز هذا التصميم بكون المتغير المستقل متغيراً داخلياً (Within-Subjects Factor)، حيث يعمل كل مشارك في التجربة كضابط لنفسه (His/Her own control)، وهو ما يزيل التباين الناتج عن السمات الشخصية الثابتة كالذكاء، والخلفية الاجتماعية، والجينات.

يكمن الفرق الجوهري والرياضي بين تحليل التباين الأحادي المستقل والقياسات المتكررة في طريقة تقسيم مجموع المربعات الكلي (Total Sum of Squares). في تحليل التباين المستقل الكلاسيكي، ينقسم التباين الكلي إلى تباين بين المجموعات (Between-Groups Variance) وتباين داخل المجموعات (Within-Groups Error Variance). أما في القياسات المتكررة، فإن تباين الخطأ ينقسم بدوره إلى تباين الفروق الفردية بين المشاركين (Between-Subjects Variance) وتباين الخطأ التفاعلي المتبقي (Within-Subjects Residual Error). هذا التقسيم يتيح للباحث إزالة مساهمة الفروق الفردية من مقام إحصاء F، مما يؤدي مباشرة إلى تصغير قيمة الخطأ التجريبي ورفع قيمة F المحسوبة بصورة ملحوظة.

تتجلى الأهمية البالغة للتحكم في التباين الفردي الداخلي في زيادة الكفاءة الإحصائية؛ فالأفراد يختلفون بطبيعتهم في مستويات استجاباتهم القاعدية (Baseline Levels). عند إهمال هذه الفروق، تُعامل تلك الاختلافات كأخطاء عشوائية، بينما عند عزلها في مصفوفة القياسات المتكررة، يتركز الاختبار الرياضي فقط على مسار التغير الذي يحدث للمفحوص بالنسبة لنقطة بدايته الذاتية، مما يحقق أعلى درجات الدقة التجريبية والمنهجية في العلوم السلوكية والطبية.

1.2 دواعي الاستخدام والتطبيقات الشائعة في الأبحاث النفسية

تتعدد التطبيقات الإكلينيكية والبحثية لتحليل التباين للقياسات المتكررة في ميدان العلوم النفسية، ويأتي في مقدمتها الدراسات الطولية (Longitudinal Studies) التي تسعى إلى تتبع المسارات النمائية والمعرفية والسلوكية للأفراد عبر فترات زمنية ممتدة. تتيح هذه التصاميم للباحث رصد ديناميات التغير في المتغيرات النفسية، مثل تتبع تدهور الوظائف التنفيذية لدى مرضى التراجع المعرفي، أو دراسة استقرار سمات الشخصية والمرونة النفسية عبر مراحل المراهقة والرشد والشيخوخة.

كما يُستخدم التحليل على نطاق واسع في علم النفس التجريبي والمعرفي لقياس استجابات الأفراد تحت ظروف تجريبية متزامنة أو متعاقبة؛ كأن يتم قياس زمن الرجع وسرعة المعالجة الذهنية لدى نفس المفحوصين تحت تأثير مستويات متفاوتة من الإجهاد الذهني، أو في وجود مشتتات بصرية وسمعية متباينة الشدة. يتيح التصميم الداخلي هنا مقارنة تأثير الشروط التجريبية المختلفة دون الحاجة إلى تشكيل مجموعات بشرية منفصلة قد تتفاوت مسبقاً في قدراتها العقلية الأساسية.

يمثل تقييم البرامج العلاجية والتدخلات النفسية والسلوكية أحد أبرز الميادين التطبيقية لهذا التحليل، حيث يقوم المعالجون والباحثون السريريون بتطبيق بروتوكولات علاجية (مثل العلاج المعرفي السلوكي أو برامج التيقظ الذهني) وقياس شدة الأعراض (كالاكتئاب أو القلق) في نقاط زمنية حاسمة: القياس القبلي (Pre-treatment)، والقياس الأثنائي أثناء جلسات العلاج (Mid-treatment)، والقياس البعدي المباشر (Post-treatment)، ثم قياس المتابعة اللاحق (Follow-up) للتأكد من استدامة الأثر الإكلينيكي عبر الزمن.

1.3 المزايا المنهجية والإحصائية لاستخدام هذا الاختبار

تحظى تصاميم القياسات المتكررة بمزايا منهجية واقتصادية بالغة الأهمية؛ أولها الترشيد الكبير في حجم العينة (Sample Size Economy). في التصاميم بين المجموعات المستقلة، إذا رغب الباحث في مقارنة أربعة شروط تجريبية وكان يحتاج إلى 30 مشاركاً في كل شرط لضمان قوة إحصائية كافية، فإنه يحتاج إلى 120 مشاركاً مختلفاً. بينما في تصميم القياسات المتكررة، يمكن لنفس المشاركين الثلاثين أن يمروا بالشروط الأربعة جميعها، مما يخفض متطلبات العينة بنسبة 75% ويوفر جهداً ووقتاً وتكاليف باهظة في استقطاب المفحوصين، لاسيما في العينات الإكلينيكية النادرة التي يصعب الوصول إليها.

تتمثل الميزة الإحصائية الكبرى في التحييد شبه التام للمتغيرات المربكة (Confounding Variables) الناتجة عن تباين الخلفيات الفردية. نظراً لأن كل مشارك يمثل نقطة المقارنة المرجعية لنفسه، فإن التباينات المتعلقة بالعوامل الوراثية، والتاريخ الصحي، ومستوى التعليم، والخصائص الاجتماعية تظل ثابتة ومضبوطة تماماً عبر جميع مستويات المتغير المستقل، مما يمنع التداخل غير المرغوب فيه بين تلك المتغيرات وبين المعالجة التجريبية المستهدفة.

تؤدي هذه المزايا مجتمعة إلى رفع حساسية الاختبار الإحصائي (Sensitivity) إلى مستويات قياسية. فبانخفاض قيمة تباين الخطأ في مقام معادلة F، يصبح الاختبار قادراً على رصد الفروق التجريبية الطفيفة ولكن المهمة سريرياً وإحصائياً، والتي كانت ستفشل الاختبارات المستقلة في التقاطها نتيجة ارتفاع تشتت الدرجات وتداخل تباين الأفراد مع تباين المعالجة.

2. الافتراضات الإحصائية لتحليل التباين للقياسات المتكررة

2.1 مستوى القياس والتوزيع الطبيعي

يشترط التحليل البارامتري للقياسات المتكررة أن يكون المتغير التابع مقاساً على مستوى كمي متصل، أي مقياس فتري (Interval Scale) أو مقياس نسبي (Ratio Scale). يضمن هذا الشرط توفر الخصائص الحسابية اللازمة لجمع الدرجات وحساب المتوسطات والانحرافات المعيارية ومصفوفات التغاير بدقة رياضية، ولا يصح تطبيقه على البيانات الاسمية أو الرتبية البحتة دون اللجوء إلى البدائل اللابارامترية المناسبة مثل اختبار فريدمان (Friedman Test).

يعد افتراض التوزيع الطبيعي (Normality Assumption) من المتطلبات الجوهرية، وينص على أن درجات المتغير التابع أو بصورة أكثر دقة، الفروق بين القياسات الزوجية المتكررة ودرجات الخطأ المتبقية (Residuals)، يجب أن تتبع التوزيع الطبيعي الاعتدالي عند كل مستوى من مستويات المتغير المستقل. يمكن في برنامج Stata التحقق الصارم من هذا الافتراض إحصائياً عبر اختبار شابيرو-ويلك باستخدام الأمر swilk أو اختبار كولموجوروف-سميرنوف، بالإضافة إلى الفحص البياني عبر الرسوم البيانية للتوزيع الطبيعي مثل qnorm و pnorm ومخططات الهستوجرام histogram.

عند حدوث انحرافات جوهرية عن التوزيع الطبيعي، يمتلك الباحث عدة مسارات منهجية للتعامل مع الموقف؛ منها تطبيق التحويلات الرياضية على البيانات مثل التحويل اللوغاريتمي log(y) أو تحويل الجذر التربيعي sqrt(y) لتقليل الالتواء، أو استخدام النماذج الخطية المعممة (GLM)، أو الانتقال نحو التحليلات اللابارامترية، مع العلم أن تحليل التباين يتمتع بدرجة معينة من المتانة (Robustness) ضد الانتهاكات البسيطة للاعتدالية إذا كان حجم العينة كبيراً نسبياً وفق نظرية النهاية المركزية.

2.2 استقلالية الملاحظات وغياب القيم الشاذة

يحمل مفهوم الاستقلالية في القياسات المتكررة طبيعة مزدوجة يجب فهمها بعناية؛ حيث يفترض النموذج بطبيعته وجود ارتباط وثيق بين القياسات المتكررة الصادرة عن نفس المفحوص عبر الزمن، ولكنه يشترط الاستقلالية التامة بين الأفراد المختلفين في العينة (Independence of Observations Between Subjects). هذا يعني أن استجابة أي مشارك في التجربة لا يجوز بأي حال أن تتأثر أو تعتمد على استجابات المشاركين الآخرين، وهو ما يتطلب تصميماً تجريبياً محكماً يعزل المفحوصين ويمنع تفاعلهم المتبادل أثناء الاختبار.

تؤثر القيم الشاذة والمتطرفة (Outliers) تأثيراً بالغاً على دقة وموثوقية مخرجات تحليل التباين، حيث يمكن لقيمة متطرفة واحدة أن تسحب المتوسط الحسابي في اتجاهها، وتضخم التباين والانحراف المعياري، وتؤدي إلى نتائج زائفة إما بقبول فروق وهمية (خطأ من النوع الأول) أو إخفاء فروق حقيقية (خطأ من النوع الثاني). يتم الكشف عن هذه القيم في Stata باستخدام المخططات الصندوقية graph box وحساب الدرجات المعيارية Z-scores أو مسافات ماهالانوبيس (Mahalanobis Distance) لرصد الشذوذ متعدد المتغيرات.

عند تشخيص قيم متطرفة حقيقية، يتعين على الباحث التحقق أولاً من عدم وجود أخطاء في إدخال البيانات أو ترميزها. فإذا كانت القيم أصيلة ولكنها شاذة، يمكن اللجوء إلى أساليب المعالجة المتقدمة مثل تقليم البيانات (Trimming)، أو استخدام التقديرات المتينة (Robust Estimators)، أو إجراء التحليل بوجود القيم الشاذة وبدونها في إطار تحليل الحساسية (Sensitivity Analysis) لمقارنة استقرار النتائج الإحصائية ومناقشة ذلك بشفافية أكاديمية.

2.3 افتراض الكروية (Sphericity) وأهميته المنهجية

يُعد افتراض الكروية (Sphericity) – والذي يُعرف أحياناً بافتراض الدائرية أو التناغم المركب الممتد – الافتراض الأكثر حرجاً وأهمية في تحليل التباين للقياسات المتكررة. ينص هذا الافتراض الرياضي على أن تباينات الفروق بين جميع الأزواج الممكنة من مستويات القياس المتكرر يجب أن تكون متساوية تماماً. بعبارة أخرى، إذا قمنا بطرح درجات القياس الأول من الثاني، والأول من الثالث، والثاني من الثالث، فإن التباين الإحصائي لهذه الفروق المحسوبة يجب أن يكون متطابقاً وثابتاً عبر جميع التركيبات الزوجية.

يجب التمييز الدقيق بين تجانس التباين (Homogeneity of Variance) في التصاميم المستقلة وبين الكروية (Sphericity) في القياسات المتكررة. يتطلب التجانس تساوي تباينات المجموعات المنفصلة فقط، بينما تتطلب الكروية تساوي تباينات الفروق بين المستويات المرتبطة وتساوي التغايرات (Covariances) عبر مصفوفة التغاير والتباين الخاصة بالنموذج. تجدر الإشارة إلى أن افتراض الكروية ينطبق حصراً عندما يشتمل المتغير الداخلي على ثلاثة مستويات فأكثر، أما في حالة وجود مستويين فقط (مثل قياس قبلي وبعدي)، فإن الكروية تكون متحققة دائماً بالضرورة الرياضية نظراً لوجود فرق زوجي واحد فقط.

يترتب على انتهاك افتراض الكروية عواقب إحصائية خطيرة جداً، حيث يؤدي عدم تحققها إلى جعل إحصاء F المنسوب للتوزيع النظري يميل بشدة نحو التفاؤل المفرط، مما يضخم معدل الخطأ من النوع الأول (Type I Error Rate) بصورة حادة. هذا يعني أن الباحث قد يرفض الفرضية الصفرية ويدعي وجود فروق ذات دلالة إحصائية حقيقية، في حين أن الدلالة الظاهرة ليست سوى أثر زائف ناجم عن انتهاك بنية مصفوفة التغاير، وهو ما يستدعي استخدام تصحيحات رياضية صارمة سنفصلها لاحقاً.

3. تجهيز وهيكلة البيانات في برنامج ستاتا (Data Reshaping)

3.1 فهم الفرق بين التنسيق العريض والتنسيق الطولي

تتعامل البرمجيات الإحصائية مع بيانات القياسات المتكررة وفق هيكلين رئيسيين لتنظيم قواعد البيانات: التنسيق العريض (Wide Format) والتنسيق الطولي (Long Format). في التنسيق العريض، يُمثل كل مشارك بصف واحد فقط في جدول البيانات، بينما تتوزع القياسات المتكررة عبر أعمدة متعددة متجاورة (مثل: `score1`، `score2`، `score3`). يُعد هذا التنسيق هو الأكثر شيوعاً عند جمع البيانات الميدانية وإدخالها عبر برامج الجداول الإلكترونية مثل Excel أو أدوات الاستبيان الإلكتروني، نظراً لبساطته وسهولة تتبع بيانات الفرد في سطر منفرد.

على النقيض من ذلك، يتطلب التنسيق الطولي (Long Format) تمثيل كل ملاحظة أو نقطة قياس بصف مستقل داخل قاعدة البيانات. وبالتالي، إذا خضع المفحوص لأربعة قياسات متكررة، فإنه سيشغل أربعة صفوف متتالية في ملف البيانات، ويحتوي الجدول على متغير تعريفي للمشارك (`id`)، ومتغير يحدد رقم القياس أو النقطة الزمنية (`time`)، ومتغير واحد مدمج يضم كافة قيم الاستجابة التابعة (`score`).

تتطلب العديد من الأوامر والوظائف التحليلية المتقدمة في Stata، وخاصة نماذج التأثيرات المختلطة mixed والمخططات البيانية للمسارات الفردية، تحويل البيانات إلى التنسيق الطولي، بينما تدعم أوامر كلاسيكية أخرى مثل anova صياغات خاصة تتطلب معرفة دقيقة بكيفية ترتيب المتغيرات داخل المصفوفة البرمجية لضمان صحة الإجراءات الحسابية.

3.2 استخدام أمر reshape لتحويل البيانات في Stata

يوفر برنامج Stata أداة برمجية فائقة القوة لإعادة هيكلة الجداول تُعرف بأمر reshape. لتحويل البيانات من التنسيق العريض إلى التنسيق الطولي، يتم استخدام الصيغة الأساسية التالية:

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

في هذه الصيغة البرمجية، يشير score إلى الجذر المشترك لأسماء المتغيرات التي تحتوي على القياسات في التنسيق العريض (مثل score1 و score2)، بينما يحدد الخيار i(id) المتغير التعريفي الفريد لكل مشارك والذي يجب أن يظل ثابتاً لتمييز الفرد عبر الصفوف، في حين يحدد الخيار j(time) اسم المتغير الجديد الذي سيتم إنشاؤه في التنسيق الطولي ليحمل قيم الفترات الزمنية أو الشروط التجريبية (1، 2، 3…).

عند الرغبة في العودة إلى التنسيق العريض الأصلي بعد إجراء عمليات الفحص أو التحليل، يمكن ببساطة تنفيذ الأمر العكسي:

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

يقوم هذا الأمر بدمج الصفوف المتكررة لنفس المشارك وإعادة فردها في أعمدة متجاورة، مما يمنح الباحث مرونة ديناميكية مطلقة للتبديل بين التنسيقين وفق متطلبات كل مرحلة من مراحل المعالجة الإحصائية دون أي فقدان للمعلومات الأصلية.

3.3 تنظيف وفحص جودة البيانات قبل التحليل

قبل الشروع في تطبيق أي نموذج إحصائي، يتعين إجراء فحص شامل لجودة البيانات وخلوها من التناقضات البرمجية. تبدأ هذه الخطوة بفحص القيم المفقودة (Missing Data)، والتي تمثل تحدياً كبيراً في القياسات المتكررة؛ حيث أن غياب نقطة قياس واحدة لمشارك معين في التنسيق العريض قد يؤدي برمجياً في اختبار ANOVA الكلاسيكي إلى استبعاد المفحوص بالكامل من التحليل عبر الحذف الإجمالي (Listwise Deletion). يمكن استخدام الأمر misstable summarize أو misstable patterns في Stata لاستكشاف نمط الفقد وحجمه بدقة.

يشمل تنظيف البيانات أيضاً التأكد من التسمية المنهجية للمتغيرات (Variable Labeling) وإضافة بطاقات التعريف للقيم (Value Labels) باستخدام الأوامر label variable و label define لتسهيل قراءة المخرجات والجداول. يجب أيضاً فحص الأنواع البرمجية للمتغيرات عبر الأمر describe للتأكد من أن جميع متغيرات القياس التابعة مسجلة كمتغيرات عددية (Numeric) وليست نصية (String)، إذ أن وجود رموز غير رقمية قد يعيق تنفيذ الأوامر الحسابية.

يُنصح كذلك بإجراء فحوص الاتساق المنطقي للتأكد من عدم وجود قيم خارج النطاق المعياري للمقاييس المستخدمة عبر أمر codebook أو inspect، مما يضمن أن جميع الدرجات المسجلة تقع ضمن الحدود المسموح بها نظرياً لأدوات القياس المعتمدة في البحث.

4. استكشاف البيانات إحصائياً وبصرياً قبل التحليل في Stata

4.1 حساب الإحصاءات الوصفية للمستويات المتعددة

يمثل الاستكشاف الوصفي الخطوة التمهيدية الإلزامية لفهم الخصائص التوزيعية للبيانات وتحديد ملامح التغير الأولي في استجابات الأفراد. يوفر أمر summarize في Stata نظرة شاملة على المتوسطات الحسابية، الانحرافات المعيارية، القيم الدنيا والقصوى، وحجم العينة الفعلي لكل قياس متكرر. للحصول على تفاصيل أعمق تشمل معاملات الالتواء (Skewness) والتفرطح (Kurtosis)، يمكن إضافة خيار التفصيل: summarize score1 score2 score3, detail.

لتنظيم الجداول الوصفية بأسلوب أكاديمي مقارن ومكثف، يُعد أمر tabstat الأداة المثالية في Stata؛ حيث يتيح للباحث تحديد المؤشرات الإحصائية المطلوبة بدقة وعرضها في مصفوفة موحدة. على سبيل المثال، يمكن كتابة الأمر التالي في التنسيق الطولي:

tabstat score, by(time) statistics(n mean sd sem p25 p50 p75) columns(statistics)

يولد هذا الأمر جدولاً مصفوفياً يستعرض حجم العينة، المتوسط، الانحراف المعياري، الخطأ المعياري للمتوسط (SEM)، والوسيط والربيعيات لكل قياس زمني على حدة، مما يوفر رؤية سريعة حول اتجاه تطور الظاهرة عبر الزمن ومدى تشتت المفحوصين حول المتوسط في كل محطة تقييمية.

بالإضافة إلى ذلك، ينبغي حساب فترات الثقة (Confidence Intervals) للمتوسطات عند مستوى ثقة 95% عبر أمر ci mean، حيث يساعد فحص تداخل هذه الفترات في تكوين فرضيات أولية حول وجود فروق حقيقية جوهرية بين النقاط الزمنية قبل الولوج إلى الاختبارات البارامترية الاستدلالية.

4.2 التمثيل البياني للمسارات الفردية والمتوسطات

يقدم الاستكشاف البصري رؤى نوعية لا يمكن للجداول الرقمية وحدها توفيرها. يُعد رسم المخططات البيانية للمسارات الفردية، والمعروفة في الأدبيات الإحصائية باسم مخططات السباغيتي (Spaghetti Plots) أو مخططات التشكيل الجانبي (Profile Plots)، وسيلة استثنائية لمراقبة سلوك كل مشارك على حدة عبر الزمن. يمكن تنفيذ هذا الرسم في Stata عبر التنسيق الطولي باستخدام الأمر التالي:

xtline score, i(id) t(time) overlay

يتيح هذا المخطط للباحث رؤية التباين بين المسارات الفردية، ورصد ما إذا كان جميع المفحوصين يستجيبون بنفس النمط العام (كالتحسن المستمر) أم أن هناك تباينات واسعة أو حالات شاذة تسير في مسارات معاكسة للاتجاه العام للمجموعة.

إلى جانب المسارات الفردية، يعد إنشاء مخططات الخطوط البيانية للمتوسطات الإجمالية مع إدراج أشرطة الخطأ المعياري أو فترات الثقة (Error Bars) أمراً بالغ الأهمية لعرض النتائج للنشر الأكاديمي. يمكن توليد هذه الأشكال باستخدام حزم الرسم المتقدمة في Stata عبر الأمر marginsplot بعد النماذج الأولية أو باستخدام twoway (connected mean_score time) (rcap low_ci high_ci time) لتقديم صورة واضحة وقاطعة عن منحنى التغير الزمني الكلي واتجاهاته الخطية أو المنحنية.

5. تنفيذ تحليل التباين للقياسات المتكررة باستخدام أوامر Stata (Syntax)

5.1 بنية وصياغة أمر anova للقياسات المتكررة

يمثل أمر anova الكلاسيكي في Stata إحدى الوسائل الراسخة لتنفيذ تحليل التباين للقياسات المتكررة. يتطلب هذا الأمر كتابة صيغة محددة تحدد المتغيرات التابعة والمستقلة وحدود الخطأ العشوائي بدقة. تعتمد الصياغة القياسية في بيئة التنسيق الطولي على الشكل التالي:

anova score id time, repeated(time)

في هذه البنية البرمجية، يمثل score المتغير التابع المستمر، و id المتغير الفئوي الممثل لرمز المفحوص، و time العامل الداخلي ذو القياسات المتكررة. يتمثل العنصر الحاسم هنا في الخيار repeated(time)، والذي يصدر تعليمات برمجية مباشرة لمحرك Stata الإحصائي بمعاملة المتغير time كعامل قياسات متكررة داخل الأفراد، وتوليد اختبارات مصفوفات التغاير واختبارات الكروية وتصحيحات إبسيلون المرتبطة بها تلقائياً ضمن جدول المخرجات.

يقوم Stata من خلال هذه الصياغة بدمج المشاركين كعامل عشوائي، ويفصل تباين الفروق الفردية الكامنة في id عن التباين التجريبي المنسوب للمتغير time وتباين الخطأ التفاعلي، مما يضمن حساب قيم F واختبار الدلالة بالاستناد إلى حدود الخطأ الصحيحة والمناسبة للتصميم التجريبي المرتبط.

5.2 تحليل النماذج المختلطة ذات العامل الواحد داخل الأفراد

عند تنفيذ الأمر، يتيح Stata مجموعة واسعة من الخيارات التوسيعية للتحكم في المخرجات وتخصيص الجداول الناتجة. إذا كان التصميم يشتمل على مجموعات مستقلة إلى جانب العامل المتكرر (تصميم مختلط Split-Plot ANOVA / Mixed Between-Within)، يتم توسيع صيغة الأمر لتشمل التفاعل بين العوامل كالتالي:

anova score group / id|group time group#time, repeated(time)

توضح هذه الصياغة المتقدمة كيفية تداخل المشاركين داخل المجموعات المستقلة عبر التعبير id|group، حيث يتم اختبار تأثير المجموعة باستخدام حد الخطأ الخاص بالأفراد المتداخلين، بينما يتم اختبار تأثير الوقت والتفاعل group#time باستخدام حد الخطأ الداخلي للقياسات المتكررة.

يمكن بعد تنفيذ الأمر طلب جداول تحليل التباين التفصيلية والتحكم في إظهار اختبارات الكروية من خلال الخيارات الإضافية مثل bse() أو استدعاء نتائج التباين المتقدمة عبر أوامر المتابعة الفورية مثل estat، مما يمنح الباحث فهماً عميقاً وشاملاً لكل مصدر من مصادر التباين في النموذج المفترض.

5.3 التنفيذ باستخدام أوامر النمذجة الخطية العامة (GLM / Mixed)

على الرغم من المكانة التاريخية لأمر anova، فإن الممارسة الإحصائية المعاصرة في بيئة Stata تتجه بقوة نحو استخدام أمر النماذج الخطية متعددة المستويات والمختلطة mixed (والمعروف تاريخياً بـ xtmixed). يقدم أمر mixed بديلاً متقدماً ومرناً للغاية يتفوق على القياسات المتكررة التقليدية بعدة مزايا، أبرزها القدرة على معالجة البيانات غير المتوازنة وتجاوز مشكلة الحذف التلقائي للمشاركين الذين لديهم قياسات مفقودة في بعض الفترات.

تتم كتابة صياغة النموذج المختلط المكافئ للقياسات المتكررة على النحو التالي:

mixed score i.time || id: , residuals(unstructured)

في هذا النموذج، يتم التعامل مع i.time كعامل ذي تأثيرات ثابتة (Fixed Effects)، بينما يتم تمثيل الأفراد id كعامل ذي تأثيرات عشوائية (Random Effects). يتيح خيار residuals() للباحث تحديد بنية مصفوفة التغاير للخطأ بحرية تامة، مثل اختيار مصفوفة غير مقيدة unstructured، أو مصفوفة ذاتية الانحدار من الدرجة الأولى ar 1 والتي تلائم طبيعة البيانات المتتابعة زمنياً حيث يقل الارتباط بين القياسات كلما تباعدت الفترات الزمنية.

تتطابق نتائج أمر mixed مع نتائج anova الكلاسيكية في حالة البيانات المتوازنة الخالية من القيم المفقودة وتحت افتراض التناغم المركب (Compound Symmetry)، ولكنها تمنح الباحث مرونة رياضية متفوقة في استكشاف بنى التغاير المعقدة وتقديم تقديرات أكثر دقة وموثوقية في بيئات البيانات الواقعية المعقدة.

6. تنفيذ التحليل عبر واجهة المستخدم الرسومية في Stata (GUI)

6.1 الوصول إلى نافذة Repeated Measures ANOVA

بالإضافة إلى كتابة الأوامر النصية، يتيح برنامج Stata واجهة مستخدم رسومية بديهية وتفاعلية تتيح إجراء تحليل التباين للقياسات المتكررة بيسر وسهولة للباحثين الذين يفضلون القوائم التفاعلية. للوصول إلى نافذة التحليل، يتبع الباحث المسار التالي من القائمة الرئيسية العلوية:

Statistics > Linear models and related > ANOVA/MANOVA > Analysis of variance and covariance

عند فتح نافذة anova الرئيسية، يتم تحديد المتغير التابع (Dependent Variable) من القائمة المنسدلة، ثم إدخال نموذج المتغيرات المستقلة وعوامل التصميم في حقل (Model). بعد ذلك، ينتقل الباحث إلى التبويب المخصص للقياسات المتكررة والمسمى Repeated measures، حيث يتم تفعيل خيار تكرار القياسات وضبط المتغيرات المرتبطة.

6.2 تحديد متغير المشارك وعامل القياسات المتكررة

داخل تبويب Repeated measures في واجهة Stata، يُطلب من الباحث تحديد المتغيرات بدقة لضمان بناء المصفوفة الصحيحة:

• حقل Repeated variable: يتم فيه اختيار المتغير الذي يمثل النقاط الزمنية أو الشروط التجريبية المتكررة (مثل time).
• حقل Subject ID variable: يتم فيه إسناد متغير المعرف التعريفي الفريد لكل مشارك (مثل id)، ليعلم البرنامج بكيفية تجميع الملاحظات المنتمية لنفس الشخص.

بمجرد ضبط هذه الإعدادات والنقر على زر OK أو Submit، يقوم البرنامج بترجمة الخيارات الرسومية تلقائياً إلى شفرة نصية تنفذ في نافذة النتائج (Results Window)، مع إظهار جداول تحليل التباين الشاملة واختبارات الكروية ومعاملات التصحيح بصورة فورية، مما يجمع بين سهولة الاستخدام ودقة الحسابات البرمجية المتقدمة.

7. اختبار وتصحيح انتهاك افتراض الكروية في Stata

7.1 فحص نتائج اختبار موشلي للكروية (Mauchly’s Test)

يقوم اختبار موشلي للكروية (Mauchly’s Test of Sphericity) باختبار الفرضية الصفرية القائلة بأن مصفوفة التغاير للفروق بين القياسات المتكررة تتطابق مع مصفوفة الكروية التامة (أي تساوي جميع تباينات الفروق الزوجية وانعدام الارتباطات التفاضلية). يعرض برنامج Stata نتائج هذا الاختبار تلقائياً في الجزء السفلي من مخرجات أمر anova, repeated() تحت قسم اختبارات الكروية.

يتم تقييم الاختبار بالنظر إلى قيمة إحصاء موشلي (Mauchly’s W) وقيمة الدلالة الإحصائية المقترنة به (p-value):

• إذا كانت قيمة p > 0.05: فإننا نفشل في رفض الفرضية الصفرية، مما يشير إلى تحقق افتراض الكروية وعدم وجود انتهاك ذي دلالة، وبالتالي يمكن الاعتماد مباشرة على قيم F ودرجات الحرية الكلاسيكية غير المصححة.
• إذا كانت قيمة p < 0.05: يتم رفض الفرضية الصفرية، مما يثبت إحصائياً انتهاك افتراض الكروية. في هذه الحالة، تصبح اختبارات F الكلاسيكية غير موثوقة ومفرطة في الإيجابية الكاذبة، ويصبح تطبيق التعديلات والتصحيحات الرياضية لدرجات الحرية أمراً حتمياً لا يقبل التجاوز.

7.2 تطبيق تصحيحات Greenhouse-Geisser و Huynh-Feldt

عند ثبوت انتهاك الكروية، لا يتم التخلي عن التحليل، بل يتم استخدام معاملات التعديل المعروفة باسم إبسيلون (Epsilon – ε)، والتي تقيس درجة الانحراف عن الكروية التامة (حيث تدل القيمة ε = 1 على كروية مثالية، بينما تشير القيم الأقل من واحد إلى تزايد شدة الانتهاك وصولاً إلى الحد الأدنى النظري). يقدم Stata في مخرجاته ثلاثة تقديرات لمعامل إبسيلون وتصحيحاتها:

1. تصحيح جرينهاوس-جايسر (Greenhouse-Geisser – ε): يُعد تصحيحاً تحفظياً ممتازاً، ويقوم بضرب درجات حرية البسط والمقام في قيمة المعامل ε لتقليلها، مما يرفع من عتبة الدلالة الإحصائية المطلوبة لرفض الفرضية الصفرية. يُوصى بالاعتماد عليه بصفة أساسية عندما تكون قيمة المعامل ε < 0.75 أو عندما يكون حجم العينة صغيراً نسبياً.
2. تصحيح هوينه-فيلدت (Huynh-Feldt – ε): يُعد تصحيحاً أقل تحفظاً وأكثر مرونة وقوة، ويُستخدم لتصحيح الانحياز التحفظي المفرط لجرينهاوس-جايسر. يُوصى بالاعتماد عليه عندما تكون قيمة المعامل ε > 0.75 لضمان عدم فقدان القوة الإحصائية للاختبار دون مبرر.
3. قراءة درجات الحرية المصححة: في جدول النتائج، يقوم Stata بحساب قيم دلالة معدلة (Adjusted Prob > F) تتطابق مع كل تصحيح، ويجب على الباحث توثيق درجات الحرية الكسرية الناتجة عن عملية الضرب وقيمة p المصححة المقابلة لها في تقريره النهائي.

7.3 البدائل الإحصائية: تصحيح Lower-Bound والتحليل متعدد المتغيرات (MANOVA)

إلى جانب التصحيحات السابقة، يعرض مخرج Stata تصحيح الحد الأدنى (Lower-Bound Epsilon)، وهو يمثل أقصى درجات التحفظ الرياضي الممكنة بافتراض أسوأ سيناريو لانهيار الكروية (ويساوي رياضياً $1 / (k – 1)$ حيث k هو عدد مستويات المتغير). نادراً ما يُستخدم هذا التصحيح في التطبيقات العملية نظراً لإفراطه الشديد في التحفظ وخفضه الحاد للقوة الإحصائية، ولكنه يمثل حداً مرجعياً أدنى لمتانة الاختبار.

يتمثل البديل المنهجي الأقوى لتفادي مشكلة الكروية برمتها في اللجوء إلى تحليل التباين متعدد المتغيرات للقياسات المتكررة (Repeated Measures MANOVA). في هذا النهج، يتم التعامل مع القياسات المتكررة كمتغيرات تابعة متعددة متزامنة (Multivariate Outcome)، مما يلغي افتراض الكروية تماماً من الحسابات الرياضية، حيث تعتمد اختبارات MANOVA (مثل Wilks’ Lambda، و Pillai’s Trace، و Hotelling’s Trace) على مصفوفات تغاير حرة غير مقيدة.

تفضل الأدبيات الإحصائية استخدام تصحيحات ANOVA (Greenhouse-Geisser / Huynh-Feldt) عندما تكون أحجام العينات صغيرة إلى متوسطة ودرجة انتهاك الكروية معتدلة، نظراً لتفوق قوتها الإحصائية في هذه الظروف مقارنة بـ MANOVA الذي يتطلب أحجام عينات كبيرة نسبياً لضمان استقرار تقديرات مصفوفة التغاير متعددة الأبعاد.

8. قراءة وتفسير مخرجات التحليل الإحصائي في Stata

8.1 تحليل جدول تباين القياسات المتكررة (ANOVA Table)

تحتوي مخرجات تحليل التباين في Stata على مجموعة غنية من المؤشرات الإحصائية التي تتطلب قراءة نقدية متأنية. ينقسم جدول النتائج إلى قسمين رئيسيين: التباين بين المشاركين (Between-subjects table) والتباين داخل المشاركين (Within-subjects table). فيما يلي تفكيك لعناصر الجدول الأساسية:

• مجموع المربعات (Sum of Squares – SS): يعبر عن مقدار التشتت الإجمالي المنسوب لكل مصدر من مصادر التباين. يمثل SS(time) التباين المفسر بواسطة المعالجة التجريبية أو التغير الزمني، بينما يمثل SS(Residual) أو SS(error) التباين المتبقي غير المفسر الناتج عن الخطأ العشوائي.
• درجات الحرية (Degrees of Freedom – df): لمتغير الوقت تساوي دائمًا عدد النقاط الزمنية ناقص واحد ($k – 1$)، بينما تساوي درجات حرية الخطأ حاصل ضرب درجات حرية الوقت في درجات حرية الأفراد [$(k – 1) \times (n – 1)$].
• متوسط المربعات (Mean Squares – MS): ينتج عن قسمة مجموع المربعات على درجات الحرية المقابلة ($MS = SS / df$)، وهو يمثل التباين المعياري المنسوب لكل مكون.
• نسبة إحصاء F والدلالة الإحصائية (F-ratio & p-value): تُحسب قيمة F بقسمة متوسط مربعات العامل المتكرر على متوسط مربعات الخطأ ($F = MS_{time} / MS_{error}$). تعكس القيمة المرتفعة لـ F تفوق تأثير المعالجة على تباين الخطأ، وتُعد النتيجة ذات دلالة إحصائية إذا كانت قيمة $p < 0.05$، مما يبرر رفض الفرضية الصفرية وتأكيد وجود تغير جوهري عبر الزمن.

8.2 حساب وتفسير حجوم الأثر (Effect Sizes)

لا تكتمل المعالجة الإحصائية بمجرد إثبات الدلالة الإحصائية (p-value)، بل يجب تحديد الأهمية العملية وحجم التأثير الفعلي للتجربة من خلال حساب حجوم الأثر القياسية. المؤشر الأكثر استخداماً وقبولاً في تصاميم القياسات المتكررة هو مربع إيتا الجزئي (Partial Eta Squared – $\eta_p^2$). في Stata، يمكن استخراج هذا المؤشر وفترات الثقة المقترنة به فوراً بعد تنفيذ التحليل باستخدام الأمر التالي:

estat esize

يقوم هذا الأمر بحساب قيمة $\eta_p^2$ والتي تمثل نسبة التباين في المتغير التابع التي يفسرها المتغير المستقل الداخلي بعد استبعاد تباين الفروق الفردية للمشاركين من إجمالي التباين، وتحسب رياضياً وفق المعادلة:

$$\eta_p^2 = \frac{SS_{effect}}{SS_{effect} + SS_{error}}$$

كما يوفر Stata خيار حساب مربع أوميغا الجزئي ($\omega_p^2$)، وهو مقياس غير منحاز ومتحفظ يصحح الميل التضخيمي لمربع إيتا في العينات الصغيرة. تُفسر قيم حجم الأثر في الأبحاث النفسية والسلوكية وفق المعايير المرجعية الكلاسيكية لكوهين (Jacob Cohen):

• تأثير صغير (Small Effect): $\eta_p^2 \approx 0.01$ (يفسر حوالي 1% من التباين).
• تأثير متوسط (Medium Effect): $\eta_p^2 \approx 0.06$ (يفسر حوالي 6% من التباين).
• تأثير كبير (Large Effect): $\eta_p^2 ge 0.14$ (يفسر 14% فأكثر من التباين، مما يدل على أثر إكلينيكي أو تجريبي بالغ الأهمية).

9. المقارنات البعدية واختبارات التباين الزوجية (Post-Hoc Tests) في Stata

9.1 استخدام أمر margins لتقدير المتوسطات الهامشية

عندما يسفر تحليل التباين للقياسات المتكررة عن دلالة إحصائية رئيسية لمتغير الوقت ($p < 0.05$)، يخبرنا الاختبار بوجود فرق معنوي واحد على الأقل بين المتوسطات، ولكنه لا يحدد بدقة أي الأزواج من القياسات الزمنية يختلف عن غيره. تبدأ معالجة هذه المسألة بتقدير المتوسطات الهامشية التنبؤية (Marginal Means) باستخدام أمر margins الفائق في Stata:

margins time

يقوم هذا الأمر بحساب التقديرات النقطية للمتوسطات المعدلة لكل نقطة زمنية، مصحوبة بالأخطاء المعيارية الدقيقة وقيم z وفترات الثقة عند مستوى 95%. يمثل هذا الإجراء الخطوة التأسيسية لفهم اتجاه التأثيرات والتغيرات السلوكية بدقة.

لتحويل هذه التقديرات إلى شكل بصري احترافي جاهز للنشر الأكاديمي، يمكن إتباع الأمر مباشرة باستدعاء أداة الرسم البياني المخصصة:

marginsplot

يولد هذا الأمر رسماً بيانياً متكاملاً يعرض مسار المتوسطات الهامشية عبر مستويات الوقت متضمنة أشرطة فترات الثقة، مما يعطي القارئ تصوراً واضحاً ومباشراً عن منحنى التغير والنمو الخاص بالظاهرة المدروسة.

9.2 تنفيذ المقارنات الثنائية باستخدام أمر pwcompare

لتحديد الفروق الدقيقة بين كل زوج من أزواج القياسات المتكررة (مثل: مقارنة القياس القبلي بالبعدي، والقياس البعدي بالمتابعة)، يوفر Stata أمر المقارنات الزوجية المباشر pwcompare. عند إجراء مقارنات متعددة متزامنة، يرتفع خطر تضخم الخطأ العائلي من النوع الأول (Family-Wise Error Rate)، ولذلك يتعين إقران الأمر بأساليب التصحيح الإحصائي الصارمة:

pwcompare time, mcompare(bonferroni) pveffects effects

تتيح خيارات هذا الأمر للمحلل استعراض الفروق بين المتوسطات، الأخطاء المعيارية للفروق، وقيم p المعدلة وفق أدق الاختبارات البعدية المعترف بها:

• تصحيح بونفيروني (Bonferroni): يقوم بقسمة مستوى الدلالة المستهدف ($\alpha = 0.05$) على عدد المقارنات الممكنة، وهو خيار كلاسيكي صارم يضمن تحكماً محكماً في الأخطاء الزائفة.
• تصحيح سيداك (Sidak): يُعد بديلاً رياضياً أكثر دقة وأقل تحفظاً بقليل من بونفيروني، ويعتمد على معادلة احتمالية تضاعفية.
• تصحيح توكي (Tukey HSD): يُستخدم على نطاق واسع لمقارنة كافة الأزواج الممكنة مع الحفاظ على القوة الإحصائية للتصميم.

من خلال قراءة جدول pwcompare، يستطيع الباحث تحديد التوقيت الدقيق لحدوث التحسن العلاجي أو التغير السلوكي، وتحديد ما إذا كان هذا التحسن قد استمر في مرحلة المتابعة أم تعرض للانتكاس والتراجع.

9.3 اختبارات التباين الخطي والتربيعي (Polynomial Contrasts)

في العديد من التصاميم الطولية، لا يقتصر اهتمام الباحث على مجرد مقارنة الأزواج، بل يمتد إلى فحص طبيعة المسار والمنحنى النمائي للظاهرة عبر الزمن؛ هل يتغير المتغير التابع وفق وتيرة خطية تصاعدية/تنازلية مستمرة (Linear Trend)، أم أنه يتبع نمطاً منحنياً كأن يحدث تحسن سريع في البداية ثم يستقر لاحقاً (Quadratic Trend / Plateau)، أو يتذبذب صعوداً وهبوطاً (Cubic Trend)؟

يوفر برنامج Stata أداة متطورة لاختبار هذه التباينات المتعامدة عبر أمر contrast. يمكن تنفيذ التباين متعدد الحدود للأبعاد الزمنية عبر الصياغة التالية:

contrast p.time

يقوم هذا الأمر بتفكيك تباين الوقت إلى مكوناته الأساسية:

• المسار الخطي (Linear): يختبر ما إذا كان هناك انخفاض أو ارتفاع رتيب ومستمر في الدرجات عبر الزمن بمعدل ثابت.
• المسار التربيعي (Quadratic): يختبر وجود انحناءة واحدة في المنحنى، مما يدل على تسارع أو تباطؤ أو انعكاس في اتجاه الاستجابة السلوكية بعد مرحلة معينة.
• المسار التكعيبي (Cubic): يختبر وجود تموجين أو انحناءين في مسار البيانات الزمنية.

يساعد هذا التحليل الاتجاهي الباحثين في علم النفس والطب التجريبي على بناء نماذج نظرية دقيقة تفسر آليات الاستجابة للعلاج وتوقيت بلوغ ذروة الفعالية الإكلينيكية.

10. دراسة حالة تطبيقية متكاملة في العلوم النفسية باستخدام Stata

10.1 سيناريو البحث: قياس القلق النفسي عبر ثلاث فترات علاجية

لتجسيد كافة الخطوات النظرية والبرمجية السابقة في سياق تطبيقي واقعي، سنفترض دراسة إكلينيكية تجريبية أجريت في قسم الطب النفسي لتقييم فعالية برنامج قائم على “العلاج المعرفي السلوكي المطور” (CBT) في خفض حدة الأعراض لدى المرضى الذين يعانون من اضطراب القلق العام (GAD).

اشتملت العينة على 25 مريضاً تم تشخيصهم رسمياً بالاضطراب. تم قياس شدة القلق النفسي لدى كل مريض باستخدام “مقياس بيك للقلق” (Beck Anxiety Inventory – BAI)، وهو مقياس متصل تتراوح درجاته من 0 إلى 63. خضع جميع المشاركين للتقييم في ثلاث فترات زمنية متتابعة:

• القياس القبلي ($T_1$ – Pre-treatment): تم القياس مباشرة قبل بدء الجلسات العلاجية.
• القياس الأثنائي ($T_2$ – Mid-treatment): تم القياس بعد انقضاء 6 أسابيع من الجلسات (منتصف البرنامج).
• القياس البعدي ($T_3$ – Post-treatment): تم القياس فور اختتام البرنامج العلاجي الكامل الممتد لـ 12 أسبوعاً.

تتمثل الفرضية الصفرية ($H_0$) في عدم وجود فروق ذات دلالة إحصائية في متوسطات درجات القلق عبر الفترات الثلاث، بينما تنص الفرضية البديلة ($H_1$) على وجود انخفاض دال إحصائياً في حدة القلق يعكس فاعلية التدخل المعرفي السلوكي عبر الزمن.

10.2 سير العمل البرمجي الكامل من الإدخال إلى التحليل

فيما يلي كود برمجي تنفيذي متكامل (Do-File Syntax) مكتوب بلغة Stata، يغطي دورة العمل الإحصائي الكاملة بدءاً من توليد وهيكلة البيانات، مروراً باختبار الافتراضات، ووصولاً إلى التحليل الرئيسي والمقارنات البعدية المتقدمة:

// 1. توليد مصفوفة البيانات الافتراضية وهيكلتها
clear
set obs 25
set seed 12345
generate id = _n
generate bai_t1 = rnormal(36.5, 4.2)
generate bai_t2 = rnormal(27.8, 3.9)
generate bai_t3 = rnormal(16.2, 3.5)

// 2. إعادة تشكيل البيانات إلى التنسيق الطولي
reshape long bai_t, i(id) j(time)
rename bai_t bai_score
label define time_lbl 1 "Pre" 2 "Mid" 3 "Post"
label values time time_lbl

// 3. فحص التوزيع الطبيعي واستكشاف الإحصاء الوصفي
tabstat bai_score, by(time) statistics(n mean sd sem min max) columns(statistics)
swilk bai_score if time==1
swilk bai_score if time==2
swilk bai_score if time==3

// 4. تنفيذ تحليل التباين للقياسات المتكررة واختبار الكروية
anova bai_score id time, repeated(time)

// 5. حساب حجم الأثر لمربع إيتا الجزئي ومربع أوميغا
estat esize

// 6. تقدير المتوسطات الهامشية والمقارنات البعدية بتصحيح بونفيروني
margins time
marginsplot, title("مسار درجات القلق عبر مراحل العلاج المعرفي السلوكي")
pwcompare time, mcompare(bonferroni) pveffects effects

// 7. اختبار المسار الاتجاهي الخطي والتربيعي للتغير
contrast p.time

ينفذ هذا السيناريو البرمجي المعالجة الإحصائية بدقة متناهية، ويصدر مخرجات قياسية جاهزة للقراءة والتحليل التفسيري المتعمق.

10.3 التحليل النفسي وتفسير النتائج السريرية

أظهرت مخرجات التحليل الإحصائي في برنامج Stata أن متوسط درجات مقياس بيك للقلق انخفض من 36.40 ($SD = 4.15$) في القياس القبلي إلى 27.65 ($SD = 3.82$) في منتصف العلاج، ووصل إلى 16.12 ($SD = 3.40$) في القياس البعدي النهائي. كشف فحص التوزيع الطبيعي عبر اختبار شابيرو-ويلك عن اعتدالية توزيع الدرجات في كافة الفترات ($p > 0.05$).

أظهر اختبار موشلي للكروية تحقق الافتراض بنجاح ($W = 0.942, p = 0.485$)، وبالتالي تم اعتماد النتائج الكلاسيكية غير المصححة لجدول التباين، والتي أسفرت عن وجود تأثير رئيسي دال إحصائياً وفائق القوة لمتغير الوقت: $F(2, 48) = 284.62, p < 0.001$. بلغ حجم الأثر لمربع إيتا الجزئي $\eta_p^2 = 0.922$، مما يشير إلى أن ما نسبته 92.2% من التباين الكلي في درجات القلق لدى المرضى يُعزى مباشرة إلى التدخل العلاجي عبر الزمن، وهو حجم أثر كبير جداً وفق معايير العلوم السلوكية.

كشفت المقارنات البعدية الثنائية المصححة وفق طريقة بونفيروني ($p < 0.001$) أن الانخفاض في حدة القلق كان جوهرياً بين كل مرحلة وتالية؛ حيث تحقق هبوط معنوي بمقدار 8.75 درجة بين القبلي والمنتصف، وهبوط إضافي بمقدار 11.53 درجة بين المنتصف والبعدي. كما أثبت اختبار التباين الاتجاهي (Polynomial Contrast) وجود اتجاه خطي تنازلي فائق الدلالة ($F(1, 48) = 562.14, p < 0.001$)، مما يؤكد أن التدخل العلاجي أحدث تحسناً مستمراً ومنتظماً طوال مدة البرنامج، ومكن المرضى من الانتقال من الفئة الإكلينيكية الشديدة إلى فئة القلق الخفيف إلى الطبيعي.

11. معالجة التحديات المنهجية والمشكلات البرمجية الشائعة

11.1 التعامل مع البيانات المفقودة (Missing Data)

تُمثل البيانات المفقودة الناجمة عن تسرب المشاركين (Attrition) أو غيابهم عن جلسات التقييم الدوري أحد أكبر التحديات في التصاميم الطولية. في تحليل التباين الكلاسيكي anova، يتم تطبيق أسلوب الحذف الإجمالي (Listwise Deletion)، حيث يؤدي فقدان درجة مريض واحد في فترة المتابعة فقط إلى حذف كافة بياناته في القياس القبلي والأثنائي والبعدي من التحليل بالكامل، مما يتسبب في إهدار حاد لحجم العينة وانخفاض القوة الإحصائية، فضلاً عن احتمالية إدخال انحياز منهجي في التقديرات إذا لم يكن الفقد عشوائياً تماماً (Missing Completely at Random – MCAR).

لتجاوز هذا القصور الجوهري، يُعد الانتقال إلى النماذج الخطية المختلطة عبر أمر mixed الحل الأمثل في بيئة Stata؛ حيث تستخدم هذه النماذج تقديرات الإمكانية الأعظمية المقيدة (Restricted Maximum Likelihood – REML) والتي تحتفظ بكافة الملاحظات المتاحة للمشارك وتدرجها في التحليل حتى لو كانت بعض الفترات الزمنية مفقودة، طالما كان الفقد عشوائياً (Missing at Random – MAR).

في الحالات المعقدة التي تتطلب الحفاظ على تصميم ANOVA التقليدي، يمكن تطبيق أساليب التعويض المتعدد للبيانات المفقودة (Multiple Imputation) باستخدام حزمة أوامر mi في Stata (مثل mi set، و mi register، و mi impute mvn)، حيث يتم توليد قيم بديلة مستندة إلى نماذج تنبؤية متعددة الأبعاد تأخذ في الاعتبار مصفوفة الارتباطات الكاملة بين القياسات المتكررة.

11.2 الأخطاء البرمجية الشائعة في Stata وحلولها

يواجه العديد من الباحثين رسائل خطأ برمجية متكررة عند تنفيذ القياسات المتكررة في Stata. فيما يلي استعراض لأبرز هذه المشكلات وكيفية معالجتها برمجياً:

• خطأ عدم تطابق التنسيق (Variables not found / Invalid syntax): يحدث غالباً عند محاولة تنفيذ أمر anova, repeated() على بيانات لا تزال في التنسيق العريض. الحل يكمن في التأكد التام من تنفيذ أمر reshape long مسبقاً والتأكد من وجود متغير واحد للمعرف الفردي ومتغير واحد للوقت ومتغير واحد للاستجابة.
• خطأ تعذر حساب درجات الحرية أو انخفاض رتبة المصفوفة (Collinearity / Matrix rank): ينجم عن وجود قيم مفقودة تجعل بعض الخلايا فارغة تماماً، أو إدراج متغيرات تصنيفية ذات ارتباط خطي تام. يُعالج بفحص توازن التصميم عبر أمر tabulate id time واستبعاد الحالات غير المكتملة أو التحول لأمر mixed.
• خطأ الصياغة المتداخلة (Term not nested): يظهر عند استخدام النماذج المختلطة بين المجموعات إذا تم إغفال تحديد تداخل الأفراد داخل المجموعات id|group في نص الأمر البرمجي.

12. توثيق وكتابة نتائج التحليل وفق معايير APA (الإصدار السابع)

12.1 الصياغة النصية القياسية لنتائج التحليل

يفرض دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية (APA 7th Edition) معايير دقيقة لتوثيق نتائج تحليل التباين للقياسات المتكررة. يجب أن يتضمن التقرير المكتوب العناصر الإحصائية التالية بصورة واضحة ومرتبة:

1. المتوسطات الحسابية والانحرافات المعيارية لكل مستوى من مستويات القياس المتكرر.
2. نتائج اختبار الكروية (قيمة Mauchly’s W ومستوى الدلالة).
3. تحديد التصحيح المستخدم في حال انتهاك الكروية (قيمة Greenhouse-Geisser ε أو Huynh-Feldt ε).
4. قيمة إحصاء F مصحوبة بدرجات حرية البسط والمقام المصححة بدقة: $F(df_{effect}, df_{error}) = X.XX$.
5. القيمة الاحتمالية الدقيقة للدلالة ($p = .XXX$ أو $p < .001$).
6. حجم الأثر المحسوب لمربع إيتا الجزئي مع فترات الثقة: $\eta_p^2 = .XX, 95% \text{ CI } [.XX, .XX]$.
7. نتائج المقارنات البعدية الثنائية محددة بفرق المتوسطات ($M_{diff}$) ومستوى الدلالة المصحح وطريقة التصحيح المتبعة (مثل Bonferroni).

12.2 تصميم الجداول والرسوم البيانية وفق دليل النشر APA 7

تشترط معايير APA تنسيقاً محدداً للجداول؛ حيث يجب أن تكون الجداول نظيفة وخالية تماماً من الخطوط العمودية (No vertical borders)، مع الاكتفاء بثلاثة خطوط أفقية رئيسية فقط (أعلى الجدول، وأسفل عناوين الأعمدة، وأسفل الجدول). يوضح الجدول التالي نموذجاً إرشادياً لتوثيق الإحصاءات الوصفية للقياسات المتكررة:

فترة القياس (Measurement Occasion)	حجم العينة (n)	المتوسط (M)	الانحراف المعياري (SD)	95% فترة الثقة [95% CI]
القياس القبلي (Pre-treatment)	25	36.40	4.15	[34.68, 38.12]
القياس الأثنائي (Mid-treatment)	25	27.65	3.82	[26.07, 29.23]
القياس البعدي (Post-treatment)	25	16.12	3.40	[14.71, 17.53]

نموذج تطبيقي لكتابة فقرة النتائج الأكاديمية:

“أُجري تحليل التباين للقياسات المتكررة أحادي العامل (One-Way Repeated Measures ANOVA) لتقييم أثر البرنامج العلاجي المعرفي السلوكي على مستويات القلق لدى المرضى عبر ثلاث فترات زمنية (قبل العلاج، منتصف العلاج، بعد العلاج). أظهر اختبار موشلي تحقق افتراض الكروية بنجاح، $W = 0.942, p = .485$. كشفت النتائج عن وجود تأثير رئيسي دال إحصائياً لمتغير الوقت، $F(2, 48) = 284.62, p < .001, \eta_p^2 = .922, 95% \text{ CI } [.874, .946]$. أظهرت المقارنات البعدية الزوجية باستخدام تصحيح بونفيروني انخفاضاً ذا دلالة إحصائية في متوسط درجات القلق بين القياس القبلي ومنتصف العلاج ($M_{diff} = 8.75, SE = 0.42, p < .001$)، وكذلك انخفاضاً إضافياً دالاً بين منتصف العلاج والقياس البعدي ($M_{diff} = 11.53, SE = 0.45, p < .001$). تشير هذه النتائج إلى فعالية التدخل العلاجي في إحداث هبوط مستمر وملموس في حدة الأعراض عبر مراحل البرنامج."

خاتمة

يمثل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) أداة إحصائية ومنهجية بالغة القوة والأهمية في ترسانة الباحثين في العلوم النفسية، السلوكية، والطبية المعاصرة. بفضل قدرته الفائقة على عزل تباين الفروق الفردية ورفع القوة الإحصائية وترشيد متطلبات حجم العينة، يتيح هذا الاختبار رصد مسارات التغير والاستجابة للتدخلات التجريبية والعلاجية بأعلى درجات الدقة والموثوقية الممكنة.

يوفر برنامج Stata بيئة برمجية وحسابية متكاملة تتسم بالمرونة والعمق لتنفيذ كافة مراحل هذا التحليل؛ بدءاً من معالجة وهيكلة البيانات عبر أوامر reshape، مروراً بالفحص الدقيق للافتراضات الإحصائية كالتوزيع الطبيعي والكروية وتطبيق تصحيحات Greenhouse-Geisser و Huynh-Feldt المتقدمة، ووصولاً إلى استخراج المتوسطات التنبؤية والمقارنات البعدية عبر margins و pwcompare وتوثيق النتائج وفق معايير APA 7. إن استيعاب الباحث للمنطق الإحصائي الكامن وراء هذه الإجراءات، إلى جانب إتقان الشفرات البرمجية ذات الصلة، يضمن الوصول إلى استنتاجات علمية رصينة تسهم بفاعلية في تطوير المعرفة النظرية والممارسات الإكلينيكية التطبيقية.

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
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• 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
• 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
• 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
• Rabe-Hesketh, S., & Skrondal, A. (2012). Multilevel and longitudinal modeling using Stata (3rd ed.). Stata Press.
• StataCorp. (2023). Stata: Release 18. Statistical Software. StataCorp LLC. https://www.stata.com
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.