الإحصاء والتحليل الكميبرمجة لغة Rعلم النفس التجريبي

كيفية إجراء اختبار توكي في R

دليل أكاديمي شامل يوضح كيفية إجراء اختبار توكي (Tukey’s Test) للمقارنات المتعددة البعدية في لغة R مع شرح الكود وتفسير النتائج والتمثيل البياني بدقة.

تاريخ النشر

يعد الاستدلال الإحصائي الركيزة الأساسية التي يستند إليها الباحثون في العلوم النفسية، والاجتماعية، والطبية، والبيولوجية لاستخلاص استنتاجات علمية دقيقة من البيانات التجريبية والرصدية. وعند تصميم التجارب التي تتضمن مقارنة أكثر من مجموعتين تجريبيتين أو ضابطة، يبرز تحليل التباين الأحادي (One-Way ANOVA) كأداة بارامترية قياسية لاختبار الفرضية الصفرية القائلة بتساوي متوسطات كافة المجموعات قيد الدراسة. ومع ذلك، فإن النتيجة الدالة إحصائياً لاختبار تحليل التباين لا تقدم سوى إجابة عامة تفيد بوجود اختلاف ذي دلالة إحصائية بين متوسطين على الأقل من متوسطات المجموعات، دون تحديد الأزواج المحددة المسؤولة عن هذا التباين، مما يضع الباحث أمام ضرورة منهجية ملحة لإجراء المقارنات البعدية.

يمثل اختبار توكي للفرق المعنوي الصادق (Tukey’s Honestly Significant Difference Test – HSD) أحد أرقى وأدق الحلول الإحصائية المصممة لمعالجة هذه المعضلة المنهجية؛ حيث يتيح للباحث فحص كافة المقارنات الثنائية المحتملة بين أزواج المجموعات في آن واحد مع توفير حماية رياضية صارمة ضد تضخم معدل الخطأ العائلي (Family-Wise Error Rate). ومن خلال استخدامه لتوزيع المدى المعياري (Studentized Range Distribution)، يضمن اختبار توكي الحفاظ على احتمالية ارتكاب خطأ من النوع الأول عند المستوى الاسمي المحدد مسبقاً، مما يمنح النتائج الاستدلالية موثوقية علمية عالية وقوة إحصائية متوازنة تميزه عن سائر البدائل المتاحة.

في عصر التحليلات الرقمية المتقدمة وعلم البيانات المفتوح، برزت بيئة البرمجة الإحصائية R كواحدة من أقوى المنصات البرمجية وأكثرها مرونة لتنفيذ النماذج الإحصائية المعقدة والاختبارات البعدية. يقدم هذا الدليل الشامل تفكيكاً نظرياً وتطبيقياً متكاملاً لكيفية بناء نماذج تحليل التباين والتحقق الصارم من افتراضاتها، ثم تنفيذ وتفسير اختبار توكي باستخدام الدوال الأصلية والحزم البيئية الحديثة في R، مع التركيز على كتابة التقارير الأكاديمية وفق معايير الجمعية الأمريكية لعلم النفس والتمثيل البصري عالي الجودة للنتائج.

جدول المحتويات

1. مقدمة إلى اختبار توكي للمقارنات البعدية وأهميته الإحصائية

1.1 مفهوم الاختبارات البعدية (Post-Hoc Tests) ودواعي استخدامها

عند إجراء البحوث التجريبية التي تتضمن مقارنة ثلاثة مستويات أو أكثر لمتغير مستقل تصنيفي على متغير تابع كمي، تبرز قيود منهجية جوهرية عند استخدام اختبارات (t-test) المستقلة بصورة متكررة. إن إجراء عدة اختبارات تائية ثنائية لمقارنة المجموعات يؤدي حتماً إلى تضخم احتمالية ارتكاب خطأ من النوع الأول (Type I Error)، وهو رفض الفرضية الصفرية في حين أنها صحيحة واقعياً. فإذا كان الباحث يختبر أربع مجموعات تجريبية، فإن عدد المقارنات الثنائية المحتملة يصل إلى ست مقارنات، مما يرفع احتمالية ارتكاب خطأ واحد على الأقل إلى مستويات تتجاوز كثيراً القيمة الاسمية المحددة (غالباً ألفا = 0.05)، وذلك وفق العلاقة الاحتمالية التراكمية.

يتدخل اختبار تحليل التباين (ANOVA) كاختبار شامل (Omnibus Test) لاختبار الفرضية الصفرية العامة التي تنص على أن جميع متوسطات الجمهرة متساوية. ورغم قوة هذا الاختبار في رصد وجود التباين بين المجموعات عبر النسبة الفائية (F-ratio)، إلا أنه يعاني من قصور متأصل يتمثل في عدم قدرته على توجيه الباحث نحو الأزواج المحددة التي يكمن بينها التباين الحقيقي. ومن هنا، تبرز الحاجة المنهجية الملحة للانتقال من الفرضية العامة للاختلاف إلى إجراء الاختبارات البعدية (Post-Hoc Tests) التي تتيح استكشاف الفروق البينية بطريقة منضبطة ومحمية إحصائياً.

تكتسب الاختبارات البعدية أهمية استثنائية في الأبحاث النفسية، والعلوم العصبية، والدراسات الاجتماعية والسلوكية، حيث تتعدد المجموعات التجريبية وتتنوع بروتوكولات التدخل العلاجي أو التدريبي. في هذه السياقات البحثية المعقدة، يحتاج الباحث إلى معرفة دقيقة حول ما إذا كان التدخل السلوكي الأول يتفوق على التدخل الثاني، أم أن كلا التدخلين يتفوقان فقط على المجموعة الضابطة دون وجود فروق ذات مغزى بينهما، وهو ما تحققه الاختبارات البعدية بدقة استدلالية متناهية.

1.2 تعريف اختبار توكي للفرق المعنوي الصادق (Tukey’s HSD)

يعود الفضل في تطوير هذا الاختبار الإحصائي المرموق إلى عالم الإحصاء الأمريكي البارز جون توكي (John W. Tukey)، الذي قدمه في خمسينيات القرن العشرين كحل منهجي دقيق لمشكلة المقارنات المتعددة الشاملة لجميع الأزواج (All-Pairwise Comparisons). يُعرف الاختبار رسمياً باسم اختبار توكي للفرق المعنوي الصادق (Tukey’s Honestly Significant Difference Test)، واختصاراً بـ (Tukey’s HSD)، وهو مصمم خصيصاً لمقارنة كل مجموعة من المجموعات التجريبية مع كل مجموعة أخرى في مصفوفة التصميم التجريبي.

Tukey
Tukey

تعتمد آلية عمل اختبار توكي على تحديد عتبة رقمية حرجة واحدة تُعرف بالفرق المعنوي الصادق (HSD). إذا تجاوز الفرق المطلق بين متوسطي أي مجموعتين هذه القيمة الحرجة، يُعتبر الفرق بينهما ذا دلالة إحصائية عند مستوى الدلالة المختار. ويستند الاختبار في حساب هذه العتبة إلى توزيع رياضي متقدم يُعرف بتوزيع المدى المعياري (Studentized Range Distribution)، والذي يأخذ في الاعتبار عدد المجموعات الكلي قيد المقارنة ودرجات الحرية لمتوسط مربعات الخطأ داخل المجموعات.

تتمثل الميزة الجوهرية لاختبار توكي في قدرته الفائقة على السيطرة التامة على معدل الخطأ العائلي (Family-Wise Error Rate – FWER)، وضمان بقائه مساوياً بدقة لقيمة ألفا الاسمية (مثل 0.05) لكامل عائلة المقارنات، وليس لكل مقارنة مفردة على حدة. وهذا يعني أن الباحث يحصل على حماية إحصائية شاملة ضد الاستنتاجات الزائفة الناتجة عن تكرار المقارنات، مع الحفاظ على قوة اختبارية أعلى بكثير من طرق التعديل التقليدية الصارمة.

1.3 متى يجب تفضيل اختبار توكي على الاختبارات البديلة

تتعدد الاختبارات البعدية المتاحة في الأدبيات الإحصائية، مثل اختبار دنيد (Dunnett’s Test)، وتعديل بونفيروني (Bonferroni Correction)، واختبار شيفيه (Scheffé’s Test)، واختبار نيومان-كولز (Newman-Keuls). ويبرز اختبار توكي كخيار مفضل ومنهجي عندما يكون الهدف الأساسي للبحث هو إجراء جميع المقارنات الثنائية الممكنة بين كافة المجموعات دون تخصيص مسبق، وعندما تكون رغبة الباحث متجهة نحو استكشاف شامل للبنية التباينية بين مختلف المستويات التجريبية.

في المقابل، إذا كان التصميم التجريبي يهدف حصرياً إلى مقارنة عدة مجموعات علاجية بمجموعة ضابطة واحدة (Control Group) دون الاهتمام بمقارنة المجموعات العلاجية ببعضها البعض، فإن اختبار دنيد (Dunnett’s Test) يصبح أكثر قوة وملاءمة من اختبار توكي؛ لأن دنيد يحصر عدد المقارنات في (k – 1) مقارنة بدلاً من k(k – 1)/2، مما يرفع القوة الإحصائية. أما في حال الرغبة في إجراء مقارنات خطية مركبة معقدة (Complex Contrasts) بين مجموعات مدمجة، فإن اختبار شيفيه هو الخيار الأنسب رغم تحافظه الشديد.

وعند المقارنة مع تعديل بونفيروني التقليدي، يتفوق اختبار توكي بشكل واضح في سيناريوهات المقارنات الشاملة لجميع الأزواج؛ حيث يتمتع بقوة إحصائية (Statistical Power) أعلى وقدرة أكبر على اكتشاف الفروق الحقيقية، في حين يميل تعديل بونفيروني إلى الإفراط في التحفظ (Over-conservatism) كلما زاد عدد المجموعات. وعلاوة على ذلك، فإن امتداد توكي-كرامر (Tukey-Kramer) يمنح الاختبار مرونة فائقة للتطبيق سواء كانت أحجام العينات متساوية بدقة بين المجموعات أو غير متساوية، مما يجعله المعيار الذهبي في التحليلات البعدية البارامترية.

2. المفاهيم النظرية والرياضية الكامنة وراء اختبار توكي

2.1 توزيع المدى المعياري (Studentized Range Distribution – q)

يشكل توزيع المدى المعياري، المعروف رياضياً بإحصائية (q)، الأساس النظري والعمود الفقري لاختبار توكي HSD. يُعرف المدى المعياري بأنه الفرق بين القيمة العظمى والقيمة الصغرى لمجموعة من المتغيرات العشوائية المستقلة التي تتبع التوزيع الطبيعي المعياري، مقسوماً على تقدير مستقل للانحراف المعياري المشترك لتلك المتغيرات. ويختلف هذا التوزيع اختلافاً جوهرياً عن توزيع (t) لستودنت، حيث صُمم توزيع (t) لمقارنة متغيرين فقط، بينما صُمم توزيع (q) خصيصاً للتعامل مع المدى الأقصى المتوقع ضمن مجموعة كاملة من المتوسطات.

تُعرّف إحصائية q الرياضية بالمعادلة التالية:

q = (X̄_max – X̄_min) / SE

حيث يمثل (X̄_max) أكبر متوسط حسابي ضمن المجموعات، ويمثل (X̄_min) أصغر متوسط، بينما يمثل (SE) الخطأ المعياري للفرق بين المتوسطات، والمشتق مباشرة من متوسط مربعات الخطأ داخل المجموعات (Mean Square Error – MSE) الناتج من جدول تحليل التباين العام. ويتحدد الشكل الاحتمالي لتوزيع q عبر معيارين أساسيين: عدد المجموعات قيد المقارنة (k)، ودرجات حرية الخطأ (df_error) المرتبطة بـ MSE داخل النموذج الإحصائي.

عند إجراء اختبار توكي، تُحسب القيمة الحرجة لـ q بناءً على المعلمات المحددة ومستوى الدلالة المختار (عادة ألفا = 0.05). وتعتمد الفكرة الرياضية على أنه إذا كان الفرق بين أبعد متوسطين لا يتجاوز القيمة الحرجة المشتقة من توزيع المدى المعياري، فلا يمكن لأي فرق ثنائي آخر بين المجموعات المتوسطة أن يكون دالاً إحصائياً، مما يوفر إطاراً استدلالياً منيعاً يحيط بجميع المقارنات الممكنة بحماية متزامنة وشاملة.

2.2 معادلة حساب الفرق المعنوي الصادق (HSD Formula)

يتم حساب قيمة الفرق المعنوي الصادق (HSD) رياضياً عن طريق ضرب القيمة الحرجة المستخرجة من جدول توزيع المدى المعياري في الخطأ المعياري التقديري لمتوسط المجموعات. في الحالة القياسية التي تتساوى فيها أحجام العينات في كافة المجموعات (n_1 = n_2 = … = n_k = n)، تأخذ المعادلة البارامترية الصيغة الرياضية الآتية:

HSD = q(α, k, df_e) × √(MSE / n)

حيث ترمز (q) إلى القيمة الحرجة لمدى ستودنت عند مستوى الدلالة ألفا (α)، وعدد المجموعات (k)، ودرجات حرية الخطأ (df_e)، في حين يمثل (MSE) متوسط مربعات الخطأ داخل المجموعات المستخرج من جدول ANOVA، ويرمز (n) إلى حجم العينة في كل مجموعة مفردة. تعبر هذه القيمة الناتجة (HSD) عن الحد الأدنى للفرق الحسابي المطلق الذي يجب أن يفصل بين متوسطين حتى يُحكم عليهما بأنهما مختلفان معنوياً على المستوى الإحصائي.

أما في الحالات التطبيقية الشائعة التي تتباين فيها أحجام العينات بين المجموعات التجريبية (n_i ≠ n_j)، طور العالمان توكي وكرامر تعديلاً رياضياً دقيقاً يُعرف بإجراء توكي-كرامر (Tukey-Kramer Method). يعتمد هذا الإجراء على استبدال حجم العينة الثابت (n) بالمتوسط التوافقي (Harmonic Mean) لأحجام العينات للمجموعتين المقارنتين حصراً، وتصبح صيغة الخطأ المعياري بين المجموعتين (i) و(j) كالتالي:

SE_(i,j) = √[ (MSE / 2) × ( (1 / n_i) + (1 / n_j) ) ]

وبالتالي، تتكيف قيمة HSD تلقائياً وبشكل ديناميكي لكل زوج من المجموعات بناءً على حجميهما المحددين، مما يحافظ على دقة التقدير الاحتمالي وصرامة التحكم في الأخطاء دون المساس بالقوة الاختبارية للنموذج الرياضي.

2.3 فترات الثقة المتزامنة لمقارنات أزواج المجموعات

لا يقتصر اختبار توكي على حساب القيم الاحتمالية (p-values) للمقارنات الثنائية واختبار الفرضيات الصفرية المجردة فحسب، بل يمتد لبناء فترات ثقة متزامنة (Simultaneous Confidence Intervals) بنسبة 95% (أو أي مستوى ثقة يحدده الباحث) لكل فرق بين متوسطي مجموعتين (μ_i – μ_j). وتُعرف هذه الفترات بأنها متزامنة لأن احتمال أن تغطي جميع الفترات المحسوبة الفروق الحقيقية للجمهرة في نفس الوقت يساوي تماماً (1 – α)، أي 95% إجمالاً عبر كافة المقارنات.

تُصاغ فترة الثقة للفرق بين متوسطي المجموعتين (i) و(j) وفق المعادلة التالية:

(X̄_i – X̄_j) ± [ q(α, k, df_e) / √2 ] × √[ MSE × ( (1 / n_i) + (1 / n_j) ) ]

يعد التفسير الهندسي والإحصائي لفترات الثقة المتزامنة بالغ الأهمية في تقييم النتائج؛ فإذا اشتملت فترة الثقة الناتجة لأي مقارنة ثنائية على القيمة صفر (أي كان الحد الأدنى سالباً والحد الأعلى موجباً)، فإن هذا يعني عدم وجود دليل إحصائي كافٍ لرفض الفرضية الصفرية القائلة بتساوي المتوسطين، مما يشير إلى أن الفرق الملاحظ قد يعود للتباين العشوائي. أما إذا كانت فترة الثقة لا تشمل الصفر (بأن يكون كلا الحدين الأدنى والأعلى موجبين معاً، أو سالبين معاً)، فإن الفرضية الصفرية تُرفض بثقة، ويُستنتج وجود فرق جوهري ذي دلالة إحصائية بين المجموعتين مع إمكانية تحديد اتجاه التفوق بدقة متناهية.

3. متطلبات وافتراضات تطبيق اختبار توكي في التحليل الإحصائي

3.1 افتراض التوزيع الطبيعي للبيانات (Normality Assumption)

يستند اختبار توكي، بوصفه امتداداً بارامترياً مباشراً لتحليل التباين الأحادي، إلى مجموعة من الافتراضات الإحصائية الصارمة التي يجب التحقق منها لضمان موثوقية الاستدلالات وصحة مستويات الدلالة المحسوبة. يأتي في مقدمة هذه الافتراضات افتراض التوزيع الطبيعي (Normality Assumption)، والذي ينص على أن المتغير التابع يجب أن يتبع توزيعاً طبيعياً داخل كل مجتمع من المجتمعات الخاضعة للدراسة، أو بصيغة نموذج الانحدار الخطي، يجب أن تتوزع البواقي (Residuals) للنموذج العام توزيعاً طبيعياً بمتوسط حسابي يقترب من الصفر.

تتجلى الحساسية المنهجية لاختبار توكي عند التعامل مع العينات الصغيرة التي تظهر التواءً شديداً (Severe Skewness) أو تفرطحاً غير معتاد (Heavy Tails)، حيث يؤدي انتهاك افتراض التوزيع الطبيعي في مثل هذه الحالات إلى تشويه دقة القيم الاحتمالية ومعدلات الخطأ الفعلية. ومع ذلك، يتمتع اختبار توكي بقدر من الحصانة والمتانة النسبية (Robustness) ضد الانتهاكات الطفيفة للتوزيع الطبيعي عندما تكون أحجام العينات كبيرة نسبياً، وذلك بفضل مبرهنة النهاية المركزية (Central Limit Theorem).

يتطلب الفحص العلمي المنهجي لهذا الافتراض الدمج بين الأساليب الاستكشافية البصرية والاختبارات الإحصائية الرسمية؛ حيث يُنصح بفحص الرسوم البيانية للاحتمال الطبيعي (Q-Q Plots) ومخططات الكثافة للبواقي، بالتوازي مع إجراء اختبارات إحصائية دقيقة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار أندرسون-دارلنج (Anderson-Darling Test) للتأكد القاطع من سلامة بنية البيانات قبل الشروع في بناء استنتاجات المقارنات البعدية.

3.2 افتراض تجانس التباين (Homogeneity of Variance)

يُعد افتراض تجانس التباين، أو ما يُعرف بالتماثل التبايني (Homoscedasticity)، أحد أكثر الافتراضات حساسية وتأثيراً على أداء وصحة اختبار توكي للفرق المعنوي الصادق. يقضي هذا الافتراض بأن تباينات الجمهرة للمتغير التابع يجب أن تكون متساوية ومتجانسة عبر جميع المجموعات التجريبية قيد المقارنة (σ_1² = σ_2² = … = σ_k² = σ²)، مما يبرر منهجياً دمج هذه التباينات الفردية لحساب متوسط مربعات الخطأ الموحد (MSE) داخل النموذج.

عند انتهاك هذا الافتراض وظهور حالة عدم تجانس التباين (Heteroscedasticity)، تتأثر إحصائية اختبار توكي بشكل كبير، وتتفاقم المشكلة بصورة خطيرة إذا ترافقت التباينات غير المتساوية مع أحجام عينات غير متساوية بين المجموعات. فإذا كانت المجموعات ذات الأحجام الصغيرة تمتلك تباينات مرتفعة، فإن معدل الخطأ من النوع الأول يتضخم بشكل كبير ليتجاوز المستوى الاسمي (مما يؤدي لنتائج إيجابية كاذبة). أما إذا كانت المجموعات الأكبر حجماً هي التي تمتلك تباينات أعلى، فإن الاختبار يصبح مفرط التحفظ وتتضاءل قوته الإحصائية بشكل حاد.

في الحالات التي يثبت فيها عدم تحقق تجانس التباينات عبر الاختبارات الرسمية، يتعين على الباحث تجنب استخدام صيغة توكي القياسية، واللجوء إلى بدائل إحصائية متقدمة تم تطويرها خصيصاً لمواجهة هذه المعضلة، مثل اختبار جيمس-هاول (Games-Howell Post-Hoc Test) المدمج في بيئات التحليل الإحصائي، والذي لا يشترط تجانس التباينات ويسمح باختلافها المطلق بين المجموعات.

3.3 استقلالية الملاحظات والتصميم التجريبي

تمثل استقلالية الملاحظات (Independence of Observations) الافتراض الإحصائي الأهم والأكثر حرجاً على الإطلاق في اختبارات تحليل التباين واختبار توكي. يعني هذا الشرط المنهجي أن قيمة أي مشاهدة أو استجابة مفردة داخل أي مجموعة يجب ألا تؤثر بأي شكل من الأشكال على قيمة أي مشاهدة أخرى، سواء داخل المجموعة ذاتها أو بين المجموعات المختلفة، وأن جمع البيانات تم من خلال عينات عشوائية مستقلة تماماً.

يجب التمييز الدقيق بين التصاميم التجريبية المستقلة (Between-Subjects Designs) وتصاميم القياسات المتكررة (Within-Subjects / Repeated Measures Designs)؛ حيث صُمم اختبار Tukey’s HSD القياسي للتعامل الحصري مع التصاميم المستقلة. يؤدي تطبيق هذا الاختبار على بيانات مرتبطة أو قياسات متكررة مأخوذة من نفس الأفراد عبر الزمن إلى انتهاك جذري لافتراض الاستقلالية، مما يتسبب في تضخيم غير منضبط لمعدلات الخطأ الاستدلالي وتشويش كامل لحسابات متوسط مربعات الخطأ.

إن انتهاك افتراض الاستقلالية لا يمكن معالجته عبر التحويلات الرياضية للبيانات، بل يتطلب إعادة ضبط التصميم التجريبي من الأساس أو الانتقال إلى نماذج إحصائية مخصصة للبيانات المرتبطة، مثل نماذج تحليل التباين للقياسات المتكررة أو النماذج الخطية ذات التأثيرات المختلطة (Linear Mixed-Effects Models) وتعديلاتها البعدية المناسبة.

4. إعداد بيئة العمل واستيراد البيانات في لغة R

4.1 تثبيت واستدعاء الحزم الإحصائية المطلوبة

توفر بيئة لغة البرمجة الإحصائية R منظومة مرنة ومتكاملة لإجراء التحليلات الإحصائية المتقدمة. ورغم أن الدوال الأساسية لاختبار تحليل التباين واختبار توكي مدمجة تلقائياً ضمن حزمة stats المرافقة لتوزيعة R القياسية، فإن التحليل الحديث والشامل يتطلب الاستعانة بمجموعة من الحزم التكميلية المتخصصة لتنظيف البيانات، والتحقق المتقدم من الافتراضات، وتخصيص المخرجات الرسومية وفق معايير النشر الدولية.

تشمل الحزم الأساسية التي يحتاجها الباحث في هذا السياق حزمة tidyverse الشهيرة، وهي مظلة برمجية شاملة تضم مكتبات متطورة لمعالجة البيانات وجدولتها مثل dplyr ومكتبة الرسم الاحترافي ggplot2. بالإضافة إلى ذلك، تلعب حزمة car (Companion to Applied Regression) دوراً حيوياً في اختبار تجانس التباين وفحص النماذج الخطية، بينما توفر حزم متخصصة مثل rstatix وmultcomp وemmeans وggpubr أدوات متقدمة لتسهيل حساب المقارنات البعدية ورسم الدلالات الإحصائية مباشرة.

يتم تثبيت هذه المنظومة البرمجية داخل بيئة العمل باستخدام دالة التثبيت العامة install.packages() متبوعة بأسماء الحزم، ثم استدعاؤها في جلسة العمل النشطة عبر دالة library()، مما يتيح الوصول الفوري لكافة الدوال الإحصائية والرسومية المتقدمة التي سنعتمد عليها في خطوات التحليل اللاحقة.

4.2 تجهيز وتنظيف مصفوفة البيانات النفسية أو السلوكية

تبدأ الرحلة التطبيقية للتحليل باستيراد مصفوفة البيانات من مصادرها الخام، سواء كانت مخزنة بصيغة ملفات مفصولة بفواصل (CSV)، أو جداول إكسيل (Excel)، أو ملفات الحزم الإحصائية التقليدية مثل SPSS ذات الامتداد (.sav). تُستخدم حزم متخصصة مثل readr وreadxl وhaven لإتمام عمليات الاستيراد بسلاسة فائقة، مما يضمن الحفاظ على أسماء المتغيرات وأنماطها الأصلية.

عقب استيراد البيانات، يتعين على المحلل فحص البنية الهيكلية لمصفوفة البيانات والتأكد من سلامتها وخلوها من المشكلات التي قد تعيق دقة التحليل، مثل القيم المفقودة (Missing Values) أو القيم المتطرفة الشاذة (Outliers) الناتجة عن أخطاء الإدخال. تُستخدم دوال استكشافية متقدمة مثل glimpse() وstr() وsummary() لفحص أبعاد الإطار البياني وتوزيعات المتغيرات التابعة، والتحقق من أن جميع المشاهدات تقع ضمن النطاقات المنطقية المحددة للقياس.

تتضمن مرحلة تجهيز البيانات أيضاً التأكد من التنسيق الطولي (Tidy / Long Format) للبيانات؛ حيث يجب أن يمثل كل صف ملاحظة تجريبية فردية ومستقلة، في حين يمثل أحد الأعمدة المتغير التابع المستمر (مثل درجات مقياس القلق أو الأداء الإدراكي)، ويمثل عمود آخر المتغير المستقل الذي يحدد المجموعة أو المعالجة التجريبية التي ينتمي إليها ذلك المفحوص.

4.3 تحويل المتغيرات المستقلة إلى عوامل تصنيفية (Factors)

من أكثر الأخطاء البرمجية شيوعاً في لغة R عند إجراء تحليلات التباين هو إبقاء المتغير المستقل كمتغير رقمي بسيط (Numeric / Integer) أو متغير نصي غير معرف بنيوياً (Character). إن محركات النماذج الإحصائية في R، وتحديداً دالتي lm() وaov()، تعتمد على التعرف الصريح على المتغيرات المستقلة بوصفها عوامل تصنيفية (Factors) لفصل التباين الكلي إلى تباين بين المجموعات وتباين داخل المجموعات بشكل سليم.

يتم تحويل المتغير المستقل إلى عامل تصنيفي باستخدام دالة factor() أو دالة as_factor() المدمجة في بيئة التايدي. تتيح هذه الدوال للباحث تحديد مستويات العامل (Levels)، وإعادة ترتيبها برمجياً، وضبط المستوى المرجعي الأساسي (Reference Level) الذي ستُنسب إليه المقارنات عند بناء النماذج، فضلاً عن إمكانية إضافة تسميات تفسيرية واضحة ومقروءة (Labels) لكل مستوى تجريبي.

لتوضيح ذلك تطبيقياً، سنقوم بإنشاء إطار بيانات تجريبي محاكي يمثل دراسة نفسية تقارن بين ثلاثة بروتوكولات علاجية لاضطراب القلق العام: العلاج المعرفي السلوكي (CBT)، والعلاج القائم على تقليل الضغوط باليقظة الذهنية (MBSR)، ومجموعة العلاج الوهمي / الضابطة (Control). سنقوم بتهيئة هذا المتغير كعامل ثلاثي المستويات ليكون الأساس التطبيقي لكافة الإجراءات التحليلية في الفصول التالية.

5. الخطوة الأولى: بناء وملاءمة نموذج تحليل التباين الأحادي (One-Way ANOVA) في R

5.1 استخدام دالة aov() لصياغة النموذج الخطي

يمثل بناء نموذج تحليل التباين الأحادي الخطوة التحليلية الإلزامية الأولى التي تسبق إجراء اختبار توكي. في لغة R، تُستخدم دالة aov() المدمجة كأداة رئيسية لصياغة وتلائم نماذج تحليل التباين. تعتمد هذه الدالة على صياغة الصيغة الرياضية للنموذج الخطي عبر بنية الرموز القياسية (Formula Syntax)، حيث يُكتب المتغير التابع متبوعاً برمز المدة (~)، يليه المتغير المستقل المصنف كعامل، متبوعاً بمعامل تحديد مصدر البيانات data.

تأخذ الصياغة البرمجية النمطية الشكل التالي:

anova_model <- aov(Anxiety_Score ~ Treatment_Group, data = clinical_data)

تقوم دالة aov() بإنشاء وحفظ كائن إحصائي متكامل من فئة aov وlm داخل بيئة العمل. ويحتفظ هذا الكائن بكافة التفاصيل الرياضية للنموذج، بما في ذلك مصفوفات التصميم، ودرجات الحرية، ومجموع المربعات (Sum of Squares)، ومتوسط مربعات الخطأ (Mean Square Error)، والبواقي المحسوبة، والقيم التنبؤية، مما يتيح تمريره بسلاسة فائقة إلى دوال التحقق من الافتراضات ودوال المقارنات البعدية اللاحقة.

تجدر الإشارة إلى أن هناك تكاملاً وثيقاً بين دالتي aov() وlm() في R؛ حيث تُعد aov() واجهة متخصصة مبنية فوق محرك النماذج الخطية العامة lm() لتوفير مخرجات تقليدية تتطابق مع مفاهيم جداول تحليل التباين الكلاسيكية، وهو ما يجعل كائن aov المدخل الإلزامي والوحيد المتوافق مع دالة TukeyHSD() الأصلية.

5.2 استخراج وتفسير جدول ANOVA العام

بمجرد ملاءمة النموذج بنجاح، يتم استدعاء دالة summary() على كائن النموذج المستخرج لعرض جدول تحليل التباين الشامل. يحتوي هذا الجدول على المكونات الإحصائية الجوهرية للنموذج، والتي تشمل درجات الحرية لمصدر التباين بين المجموعات (Df)، ومجموع المربعات (Sum Sq)، ومتوسط المربعات (Mean Sq)، بالإضافة إلى النسبة الفائية المحسوبة (F value) والقيمة الاحتمالية المقابلة لها (Pr(>F)).

تُفسر القيمة الاحتمالية (p-value) لنسبة F في ضوء الفرضية الصفرية العامة. فإذا كانت القيمة الاحتمالية أقل من مستوى الدلالة المعتمد (غالباً p < 0.05)، يُتخذ القرار الإحصائي برفض الفرضية الصفرية وقبول الفرضية البديلة، مما يؤكد أن تأثير المتغير المستقل دال إحصائياً، وأن هناك تبايناً حقيقياً بين متوسطات المجموعات لا يمكن عزوه للصدفة أو خطأ المعاينة العشوائي.

بالإضافة إلى التحقق من الدلالة الإحصائية، يتعين على الباحث تقييم حجم التأثير (Effect Size) للنموذج العام لتحديد المقدار العملي والتطبيقي للتباين المفسر. يُعد مؤشر إيتا تربيع (Eta-squared – η²) ومؤشر إيتا تربيع الجزئي من أكثر المقاييس شيوعاً في هذا السياق، ويمكن استخراجهما بسهولة عبر حزم إحصائية مثل effectsize أو rstatix، حيث تشير القيم التي تتجاوز 0.14 إلى حجم تأثير كبير وفق المعايير الإرشادية لكوهين.

5.3 المبرر المنهجي للانتقال إلى اختبار توكي

يخضع الانتقال المنهجي من تحليل التباين العام إلى اختبار توكي لقاعدة إحصائية بالغة الأهمية تُعرف بالتحليل التتابعي المحمي (Protected Testing Strategy). تنص هذه القاعدة المنهجية الكلاسيكية على أنه لا يجوز إجراء اختبارات المقارنات البعدية الاستكشافية، مثل اختبار توكي، إلا إذا أظهر اختبار ANOVA العام دلالة إحصائية شاملة (أي رفض الفرضية الصفرية لنسبة F).

ينبع هذا الالتزام المنهجي من الرغبة في توفير حماية مزدوجة ضد أخطاء الاستدلال الإحصائي؛ فاختبار ANOVA العام يضمن أولاً وجود إشارة حقيقية للتأثير ضمن البيانات التجريبية، بينما يتدخل اختبار توكي في الخطوة الثانية لتشريح وتفكيك هذا التأثير بدقة متناهية وتحديد مواقعه بين الأزواج الفرعية دون التورط في استنتاجات مضللة ناتجة عن التفتيش العشوائي في البيانات (Data Dredging).

وعند توثيق نتائج هذه المرحلة في التقارير والرسائل العلمية وفق معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition)، يجب تقديم نتائج اختبار ANOVA أولاً بصيغة نمطية تشمل درجات الحرية بين المجموعات وداخلها، وقيمة F المحسوبة، والقيمة الاحتمالية، وحجم التأثير، مثل: F(2, 87) = 14.32, p < .001, η² = .25، ليكون ذلك بمثابة المبرر العلمي الرسمي للانتقال إلى عرض نتائج اختبار توكي البعدي.

6. التحقق من افتراضات تحليل التباين قبل تطبيق اختبار توكي في R

6.1 اختبار التوزيع الطبيعي للبواقي برمجياً

قبل الشروع في الاعتماد على مخرجات اختبار توكي، من الضروري فحص مدى استيفاء النموذج للافتراضات الإحصائية التأسيسية. يُعد فحص التوزيع الطبيعي لبواقي النموذج الخطوة الأولى في هذا المسار. في بيئة R، تُستخرج بواقي النموذج بسهولة من كائن aov باستخدام دالة residuals() أو دالة البواقي المعيارية rstandard().

يتم تقييم التوزيع الطبيعي للبواقي عددياً عبر تطبيق اختبار شابيرو-ويلك (Shapiro-Wilk Test) باستخدام دالة shapiro.test(). تنص الفرضية الصفرية لهذا الاختبار على أن البيانات تتبع التوزيع الطبيعي؛ وبالتالي، فإن الحصول على قيمة احتمالية غير دالة إحصائياً (p > 0.05) يشير إلى عدم وجود انحراف جوهري عن التوزيع الطبيعي، مما يعني استيفاء هذا الافتراض بنجاح.

ولدعم الفحص العددي بتحليل بصري عميق، يُنصح بإنشاء مخطط الاحتمال الطبيعي (Q-Q Plot) للبواقي باستخدام دالتي qqnorm() وqqline() الأساسيتين، أو عبر أدوات ggplot2 التفاعلية. في المخطط البصري السليم، يجب أن تصطف نقاط البيانات التجريبية على طول الخط المرجعي القطري بزاوية 45 درجة دون وجود انحرافات مقوسة أو تشتت حاد عند الأطراف، مما يؤكد تجانس التوزيع وسلامة النموذج الاستدلالي.

6.2 اختبار تجانس التباين باستخدام اختبار ليفين (Levene’s Test)

يمثل اختبار ليفين (Levene’s Test) المعيار الذهبي لفحص افتراض تجانس التباين (Homogeneity of Variance) بين المجموعات التجريبية. وتتميز هذه الطريقة بمتانتها العالية وعدم حساسيتها المفرطة للانحرافات الطفيفة عن التوزيع الطبيعي، مقارنة باختبار بارتليت (Bartlett’s Test) الذي يشترط التوزيع الطبيعي الصارم.

في لغة R، يُنفذ اختبار ليفين المتقدم باستخدام دالة leveneTest() المتاحة ضمن حزمة car الرائدة. تأخذ الدالة صيغة النموذج الخطي ذاتها، وتوفر إمكانية حساب الاختبار بالاعتماد على المتوسط الحسابي أو الوسيط (وهو الخيار الافتراضي الأكثر متانة والمعروف باختبار براون-فورسايث):

car::leveneTest(Anxiety_Score ~ Treatment_Group, data = clinical_data)

تختبر هذه الدالة الفرضية الصفرية القائلة بتساوي تباينات كافة المجموعات قيد الدراسة. إذا كانت القيمة الاحتمالية الناتجة أكبر من مستوى الدلالة المعتمد (p > 0.05)، يتم قبول الفرضية الصفرية وتأكيد تحقق افتراض تجانس التباينات، مما يمنح الباحث الضوء الأخضر للمضي قدماً في تطبيق اختبار توكي القياسي بثقة واطمئنان كاملين.

6.3 التعامل مع انتهاك الافتراضات الإحصائية في R

في المشاهدات الميدانية والبيانات التجريبية الواقعية، قد يواجه الباحث انتهاكاً صريحاً لافتراض التوزيع الطبيعي أو تجانس التباين. في مثل هذه الحالات المنهجية المعقدة، توفر لغة R مسارات علاجية وبدائل استدلالية متعددة ومرنة للتعامل مع البيانات دون فقدان القوة الإحصائية للتحليل.

يتمثل المسار العلاجي الأول في تطبيق التحويلات الرياضية على المتغير التابع لإعادة ضبط التوزيع وتحقيق استقرار التباين. تشمل هذه التحويلات التحويل اللوغاريتمي log(y) لمعالجة الالتواء الإيجابي الحاد، أو تحويل الجذر التربيعي sqrt(y) لبيانات العد التكراري، أو استخدام تحويلات بوكس-كوكس (Box-Cox Transformation) المتاحة عبر حزمة MASS لتحديد التحويل الرياضي الأمثل بصورة آلية.

أما إذا كان الانتهاك متمثلاً في عدم تجانس التباين مع تعذر معالجته بالتحويلات، فيتعين على الباحث التخلي عن اختبار توكي التقليدي والانتقال برمجياً إلى اختبار جيمس-هاول (Games-Howell Test) باستخدام دالة games_howell_test() المتاحة في حزمة rstatix. وفي حال الانتهاك الجذري لكافة الافتراضات البارامترية، يبرز اختبار كروسكال-واليز (Kruskal-Wallis) اللامعلمي كبديل لـ ANOVA، متبوعاً باختبار دان (Dunn’s Test) للمقارنات البعدية اللامعلمية.

7. الخطوة الثانية: تنفيذ اختبار توكي باستخدام دالة TukeyHSD() الأساسية

7.1 بناء الكود البرمجي لدالة TukeyHSD() ومعاملاتها

تُعد دالة TukeyHSD() المدمجة في حزمة stats الأساسية في R الأداة القياسية والمباشرة لتطبيق اختبار توكي للفرق المعنوي الصادق. تتميز هذه الدالة ببساطة بنائها البرمجي وقوتها الحسابية الفائقة، حيث تتطلب كمدخل إلزامي وحيد تمرير كائن إحصائي مُلائم مسبقاً من فئة aov.

تتضمن الدالة مجموعة من المعاملات الاختيارية التي تتيح للباحث التحكم الكامل في مجريات التحليل وتخصيص المخرجات:

  • x: كائن نموذج تحليل التباين الأحادي أو المتعدد المولد عبر دالة aov().
  • which: معامل نصي اختياري يُستخدم لتحديد المتغير المستقل المراد إجراء المقارنات البعدية لمستوياته حصراً، وهو مفيد للغاية في النماذج متعددة العوامل لعزل مقارنات عامل معين دون سواه.
  • ordered: معامل منطقي (Logical: TRUE أو FALSE)؛ عند ضبطه على TRUE، يتم ترتيب متوسطات المجموعات تصاعدياً قبل إجراء المقارنات، مما يجعل جميع الفروق المحسوبة موجبة القيمة دائماً ويسهل التفسير البصري.
  • conf.level: معامل رقمي يحدد مستوى الثقة المطلوب لبناء فترات الثقة المتزامنة، ويبلغ افتراضياً 0.95 (أي مستوى ثقة 95%).

تأخذ الصيغة البرمجية العامة للاختبار الشكل الآتي:

tukey_results <- TukeyHSD(anova_model, conf.level = 0.95)

7.2 تنفيذ اختبار توكي على بيانات نفسية تطبيقية

لتوضيح التطبيق العملي الكامل، سنستعرض سيناريو بحثياً يتناول تجربة إكلينيكية لتقييم فعالية ثلاثة بروتوكولات علاجية في خفض درجات القلق المقاسة على مقياس بيك للقلق (BAI) لدى عينة من 90 مريضاً تم توزيعهم عشوائياً بالتساوي على ثلاث مجموعات (n = 30 لكل مجموعة): مجموعة العلاج المعرفي السلوكي (CBT)، ومجموعة اليقظة الذهنية (MBSR)، ومجموعة قائمة الانتظار الضابطة (Control).

يتضمن المسار البرمجي المتكامل الخطوات التالية:

  • توليد مصفوفة البيانات المحاكية وضبط المتغير المستقل كعامل تصنيفي: clinical_data$Treatment <- factor(clinical_data$Treatment).
  • ملاءمة نموذج تحليل التباين الأحادي باستخدام دالة aov: fit <- aov(BAI_Score ~ Treatment, data = clinical_data).
  • استدعاء وتطبيق دالة اختبار توكي: tukey_out <- TukeyHSD(fit).
  • طباعة المخرجات الإحصائية المجدولة لفحص المقارنات الثنائية عبر كتابة print(tukey_out).

يقوم R بحساب الفروق بين كافة الأزواج الممكنة للمجموعات الثلاث، وهي ثلاث مقارنات ثنائية: (CBT مقابل Control)، و(MBSR مقابل Control)، و(MBSR مقابل CBT). تُخزن المخرجات في كائن إحصائي منظم يسهل استعراضه وتصديره أو استخدامه لاحقاً في التوليد الرسومي.

7.3 معالجة التصاميم ذات المتغيرات المتعددة (Two-Way ANOVA)

لا تقتصر قدرات دالة TukeyHSD() على نماذج التباين الأحادية البسيطة فحسب، بل تمتد لتشمل تصاميم تحليل التباين الثنائي (Two-Way ANOVA) والنماذج العاملية المعقدة التي تدرس تأثير متغيرين مستقلين أو أكثر بالإضافة إلى تأثير التفاعل الإحصائي المشترك (Interaction Effect) بينهما.

عند بناء نموذج تباين ثنائي يتضمن متغير العلاج (Treatment) ومتغير الجنس (Gender) وتفاعلهما المشترك بصيغة: aov(Score ~ Treatment * Gender, data = data)، فإن تمرير هذا النموذج لدالة TukeyHSD() ينتج عنه تلقائياً مصفوفات مقارنات بعدية منفصلة لكل تأثير رئيسي (Main Effect)، بالإضافة إلى مصفوفة مقارنات موسعة وشاملة لكافة المستويات المتقاطعة لتأثير التفاعل (مثل: CBT:Male مقابل Control:Female).

يتيح معامل which في هذا السياق ميزة منهجية كبرى؛ حيث يمكن للباحث توجيه الدالة للتركيز حصراً على مصفوفة التفاعل عبر كتابة TukeyHSD(fit_2way, which = "Treatment:Gender")، مما يقلل من حجم المخرجات غير الضرورية ويسهل فحص الفروق النوعية المحددة التي تفسر التفاعل الإحصائي المعقد بين المتغيرات المستقلة بأعلى درجات الدقة.

8. حزم R المتقدمة لإجراء اختبار توكي (emmeans, multcomp, rstatix)

8.1 استخدام حزمة emmeans لحساب المتوسطات الهامشية المعدلة

تُعد حزمة emmeans (Estimated Marginal Means) إحدى أقوى وأحدث الحزم الإحصائية في بيئة R لإجراء المقارنات البعدية المتخصصة. تكمن القوة الاستثنائية لهذه الحزمة في قدرتها على حساب المتوسطات الهامشية المعدلة للنموذج (Least-Squares Means)، مما يجعلها الأداة المثلى للتعامل مع البيانات غير المتوازنة وتصاميم النماذج الخطية المعقدة ونماذج التأثيرات المختلطة (Mixed Models).

يتم تطبيق اختبار توكي عبر حزمة emmeans من خلال تسلسل برمجي أنيق يتألف من خطوتين أساسيتين:

  • حساب المتوسطات الهامشية للمجموعات: emm_treatment <- emmeans(anova_model, ~ Treatment).
  • إجراء المقارنات الثنائية مع تطبيق تعديل توكي تلقائياً: pairs(emm_treatment, adjust = "tukey").

توفر هذه الحزمة مخرجات غنية وشديدة الدقة تشمل الفروق التقديرية، والأخطاء المعيارية المعدلة، ودرجات الحرية المقدرة بطريقة ساتيرثويت أو كينوارد-روجر، بالإضافة إلى النسب التائية المحسوبة والقيم الاحتمالية المضبوطة بدقة فائقة، مما يمنح الباحث مرونة تحليلية لا تضاهى تتجاوز قيود الدوال الكلاسيكية.

8.2 المقارنات العامة المتعددة بحزمة multcomp ودالة glht()

تحظى حزمة multcomp بمكانة أكاديمية رفيعة بوصفها الإطار النظري والتطبيقي الأكثر شمولاً لاختبار الفرضيات الخطية العامة المتعددة (General Linear Hypotheses). توفر الحزمة دالة مركزية فائقة التطور هي دالة glht() التي تتيح بناء وتخصيص أي نمط من الفرضيات الخطية والمقارنات البعدية بدقة رياضية متناهية.

لتنفيذ اختبار توكي عبر دالة glht()، يُصاغ الكود البرمجي بالاعتماد على دالة المقارنات المتعددة mcp() كالتالي:

library(multcomp)
tukey_glht <- glht(anova_model, linfct = mcp(Treatment = "Tukey"))
summary(tukey_glht)

تتميز حزمة multcomp بقدرتها الفريدة على استخراج فترات الثقة المتزامنة المتقدمة عبر دالة confint()، بالإضافة إلى توفير دالة cld() (Compact Letter Display) التي تحول مصفوفات المقارنات المعقدة إلى نظام حروف ترميزي مبسط يدمج المجموعات المتشابهة تحت حروف موحدة، وهو ما يُعد المطلب المعياري الأبرز في النشر العلمي للجداول والمخططات التوضيحية.

8.3 التحليل السريع والمتوافق مع التايديفيرس عبر حزمة rstatix

صُممت حزمة rstatix لسد الفجوة بين التحليلات الإحصائية الكلاسيكية وبيئة البرمجة الحديثة المعتمدة على التايديفيرس (Tidyverse). توفر الحزمة دالة مباشرة ومبسطة تُدعى tukey_hsd() تقبل إطارات البيانات مباشرة وتدعم استخدام عامل الربط الأنبوبي (Pipe Operator %>% أو |>).

يتميز الكود البرمجي لحزمة rstatix بالانسيابية الفائقة والوضوح المقروء:

library(rstatix)
tukey_tidy % tukey_hsd(BAI_Score ~ Treatment)

تُرجع هذه الدالة إطار بيانات مرتب (Tidy Data Frame) جاهز للاستخدام الفوري، يحتوي على أعمدة محددة بدقة تشمل المجموعتين المقارنتين (group1 وgroup2)، والفرق الحسابي (estimate)، وفترات الثقة (conf.low وconf.high)، وقيم p المعدلة (p.adj)، بالإضافة إلى عمود مخصص للدلالة الرمزية بالنجوم (p.adj.signif). يسهل هذا التنسيق الحديث تصدير النتائج مباشرة إلى جداول النشر أو تمريرها إلى مكتبات الرسم البياني مثل ggpubr لإدراج أقواس الدلالة آلياً على الرسوم البيانية.

9. تفسير وقراءة مخرجات اختبار توكي الإحصائية

9.1 تحليل أعمدة المخرجات: diff وlwr وupr وp adj

عند تنفيذ دالة TukeyHSD() الأساسية في R وطباعة النتائج على شاشة الأوامر، تظهر مصفوفة إحصائية منظمة تحتوي على أربعة أعمدة رئيسية لكل مقارنة ثنائية بين المجموعات. يتطلب الفهم الأكاديمي الرصين استيعاب الدلالة الدقيقة لكل عمود من هذه الأعمدة:

  • diff (Difference): يمثل الفرق الحسابي المباشر بين متوسطي المجموعتين المقارنتين (المتوسط الحسابي للمجموعة الأولى مطروحاً منه المتوسط الحسابي للمجموعة الثانية). تشير الإشارة الموجبة إلى تفوق المجموعة الأولى، بينما تشير الإشارة السالبة إلى انخفاض متوسط المجموعة الأولى عن المجموعة الثانية.
  • lwr (Lower Bound): يمثل الحد الأدنى لفترة الثقة المتزامنة للفرق الحقيقي بين المتوسطين عند مستوى ثقة 95%.
  • upr (Upper Bound): يمثل الحد الأعلى لفترة الثقة المتزامنة للفرق الحقيقي بين المتوسطين عند مستوى ثقة 95%.
  • p adj (Adjusted p-value): تمثل القيمة الاحتمالية الدقيقة للمقارنة الثنائية بعد تعديلها وفق توزيع المدى المعياري لتوكي لمراعاة تضخم خطأ النوع الأول لكامل عائلة المقارنات.

تُقارن قيمة p adj مباشرة بمستوى الدلالة الاسمي المعتمد (α = 0.05). فإذا كانت هذه القيمة أقل من 0.05، تُرفض الفرضية الصفرية لتلك المقارنة المحددة، ويُعتبر الفرق بين المجموعتين ذا دلالة إحصائية حقيقية. وتتطابق هذه النتيجة دائماً مع سلوك فترة الثقة؛ فكلما كانت قيمة p adj < 0.05، فإن فترة الثقة الممتدة بين lwr وupr لن تشتمل إطلاقاً على القيمة صفر (كلا الحدين يحملان نفس الإشارة الرياضية).

9.2 صياغة الاستنتاجات العلمية والسريرية من النتائج

لا ينبغي أن يتوقف التحليل الإحصائي الرصين عند مجرد رصد الدلالة الإحصائية الرقمية، بل يجب أن يمتد لصياغة استنتاجات علمية وسريرية تربط الأرقام بالواقع التطبيقي للظاهرة المدروسة. في مثال التجربة النفسية السابقة، إذا أظهرت النتائج أن مجموعة CBT حققت انخفاضاً دالاً إحصائياً في درجات القلق مقارنة بالمجموعة الضابطة (diff = -12.4, p < .001)، وأن مجموعة MBSR حققت أيضاً انخفاضاً دالاً مقارنة بالضابطة (diff = -8.6, p < .001)، في حين كان الفرق بين CBT وMBSR دالاً لصالح CBT (diff = -3.8, p = .028)، فإن هذا يسمح بصياغة استنتاج هرمي واضح للأداء العلاجي.

تُوثق هذه النتائج في المتن التقريري وفق معايير APA (الإصدار السابع) بأسلوب أكاديمي محكم كالتالي:

“أظهرت نتائج المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD) تفوقاً ذا دلالة إحصائية للعلاج المعرفي السلوكي في خفض درجات القلق مقارنة بمجموعة العلاج الضابطة (M_diff = -12.40, 95% CI [-15.20, -9.60], p < .001)، ومقارنة بمجموعة اليقظة الذهنية (M_diff = -3.80, 95% CI [-6.60, -1.00], p = .008). كما أظهرت مجموعة اليقظة الذهنية انخفاضاً دالاً إحصائياً في أعراض القلق مقارنة بالمجموعة الضابطة (M_diff = -8.60, 95% CI [-11.40, -5.80], p < .001)."

9.3 استخدام نظام الحروف المضغوطة (Compact Letter Display) لتبسيط النتائج

عندما يزداد عدد المجموعات المقارنة في التصميم التجريبي (مثل مقارنة 5 أو 6 بروتوكولات مختلفة)، تصبح قراءة مصفوفات المقارنات الثنائية الممتدة أمراً معقداً ومرهقاً في التقارير العلمية. يبرز هنا نظام الحروف المضغوطة (Compact Letter Display – CLD) كأداة تلخيصية فائقة الأناقة والوضوح لتبسيط هذه الشبكة المعقدة من العلاقات الإحصائية.

يقوم نظام الحروف على مبدأ إسناد أحرف أبجدية (مثل a, b, c) لكل مجموعة تجريبية؛ حيث تشترك المجموعات التي لا توجد بينها فروق ذات دلالة إحصائية في نفس الحرف، بينما تُميز المجموعات ذات الفروق الدالة بأحرف مختلفة. وإذا كانت إحدى المجموعات تتشابه جزئياً مع مجموعتين متمايزتين، فإنها تأخذ الحرفين معاً (مثل ab)، مما يوضح موقعها الوسيط بدقة بالغة.

في لغة R، يُستخرج هذا الترميز الحرفي آلياً باستخدام حزمة multcompView أو دالة cld() من حزمة multcomp وemmeans. يتيح هذا التمثيل للباحث إدراج الأحرف مباشرة أعلى الأعمدة البيانية أو بجوار المتوسطات الحسابية في الجداول التلخيصية، مما يمنح القارئ فهماً بصرياً وذهنياً فورياً لهيكل الفروق دون الحاجة للغوص في مصفوفات الأرقام التفصيلية.

10. التمثيل البصري لنتائج اختبار توكي في R باستخدام ggplot2 والأدوات الرسومية

10.1 الرسم الأساسي لفترات ثقة اختبار توكي عبر دالة plot()

توفر بيئة R الأساسية وسيلة فورية وسريعة لمعاينة نتائج اختبار توكي بيانياً عبر تمرير كائن النتائج مباشرة إلى دالة الرسم العامة plot(). يُولد هذا الأمر مخططاً كلاسيكياً لفترات الثقة 95% لكافة المقارنات الثنائية المحسوبة في النموذج.

يتم استدعاء الرسم وتخصيص هوامشه عبر الأوامر البرمجية البسيطة التالية:

par(mar = c(5, 8, 4, 2))
plot(tukey_results, las = 1, col = “darkblue”)

يقوم المعامل las = 1 بجعل تسميات أزواج المجموعات على المحور الرأسي أفقية وسهلة القراءة، بينما يعالج المعامل par(mar = ...) مساحات الهوامش لاستيعاب النصوص الطويلة. يظهر في المخطط خط عمودي متقطع عند القيمة صفر؛ فإذا تقاطعت فترة الثقة لأي مقارنة مع هذا الخط الرأسي، دل ذلك بصرياً على عدم دلالة الفرق إحصائياً، بينما تعتبر المقارنات التي تقع فتراتها بالكامل على يمين أو يسار خط الصفر ذات دلالة إحصائية مؤكدة.

10.2 إنشاء مخططات احترافية لفروق المتوسطات باستخدام ggplot2

لأغراض النشر في المجلات العلمية المحكمة، تتفوق حزمة ggplot2 في تقديم رسوم بيانية عالية الجمالية والدقة للمقارنات البعدية. تبدأ هذه العملية بتحويل مخرجات اختبار توكي إلى إطار بيانات منظم باستخدام دالة tidy() من حزمة broom.

يتيح هذا التنسيق بناء مخطط متكامل لفترات الثقة وفروق المتوسطات باستخدام هندسات geom_point() وgeom_errorbar()، مع إمكانية التلوين الشرطي للمقارنات الدالة وغير الدالة، كما هو موضح في البناء البرمجي التالي:

  • تحويل النتائج لبيانات منظمة: tukey_df <- broom::tidy(tukey_results).
  • إضافة متغير تصنيفي للدلالة: tukey_df$Significant <- ifelse(tukey_df$adj.p.value < 0.05, "دال إحصائياً", "غير دال").
  • بناء المخطط عبر ggplot2 مع رسم خط الصفر المرجعي: geom_vline(xintercept = 0, linetype = "dashed", color = "gray50").
  • رسم نقاط الفروق وفترات الخطأ: geom_point(size = 3) + geom_errorbar(aes(xmin = conf.low, xmax = conf.high), width = 0.2).
  • تنسيق المظهر العام وتطبيق نسق أكاديمي أنيق عبر theme_classic().

ينتج عن ذلك مخطط بياني احترافي يوضح بدقة متناهية حجم الفرق واتجاهه ومقدار عدم اليقين الإحصائي لكل مقارنة على حدة، بما يتماشى مع أرقى متطلبات العرض البياني للأبحاث التجريبية.

10.3 إضافة أقواس الدلالة الإحصائية على المخططات الصندوقية (Boxplots)

يُعد المخطط الصندوقي (Boxplot) المعزز بنقاط البيانات الفردية (Jittered Points) أحد أفضل الأشكال الرسومية لعرض توزيعات المجموعات الأصلية. وتكتمل القيمة العلمية لهذا المخطط عند إضافة أقواس المقارنة البعدية وقيم الدلالة الإحصائية (p-values) المحسوبة من اختبار توكي مباشرة فوق الصناديق التوزيعية.

يتحقق هذا الدمج بسلاسة فائقة في R عبر الجمع بين حزمتي rstatix وggpubr؛ حيث يتم حساب المقارنات البعدية المنظمة أولاً، ثم تُمرر النتائج لدالة stat_pvalue_manual() لإدراج الأقواس التوضيحية بصورة آلية:

  • رسم المخطط التوزيعي الأساسي: p <- ggboxplot(clinical_data, x = "Treatment", y = "BAI_Score", color = "Treatment", palette = "jco", add = "jitter").
  • حساب المقارنات عبر rstatix: stat_test % tukey_hsd(BAI_Score ~ Treatment) %>% add_xy_position(x = "Treatment").
  • دمج أقواس الدلالة على الرسم: p + stat_pvalue_manual(stat_test, label = "p.adj.signif", tip.length = 0.01, hide.ns = FALSE).

يمكن تصدير هذا المخطط البياني النهائي بدقة نشر فائقة (300 DPI أو أكثر) وبصيغ متعددة مثل PDF وTIFF باستخدام دالة ggsave()، ليصبح جاهزاً للإدراج الفوري في التقارير والمنشورات العلمية الرصينة.

11. مقارنة اختبار توكي مع الاختبارات البعدية الأخرى وسياقات الاختيار

11.1 مقارنة اختبار توكي مع اختبار دنيد (Dunnett’s Test)

يبرز التمايز المنهجي بين اختبار توكي واختبار دنيد (Dunnett’s Test) في طبيعة الهدف البحثي وصياغة الفرضيات التجريبية. صُمم اختبار توكي ليكون أداة استكشافية ومقارنة شاملة لكافة الأزواج الممكنة (k(k-1)/2 مقارنة)، وهو ما يجعله الاختبار الافتراضي عند الرغبة في معرفة الفروق البينية بين كافة المعالجات التجريبية دون استثناء.

في المقابل، صُمم اختبار دنيد خصيصاً للسيناريوهات السريرية والتجريبية التي تحتوي على مجموعة مرجعية أو ضابطة واحدة (Control Group)، ويكون التساؤل البحثي منحصراً فقط في: “أي من المعالجات التجريبية تختلف جوهرياً عن المجموعة الضابطة؟”. في هذه الحالة، يتجاهل دنيد تماماً المقارنات بين المعالجات وبعضها البعض، ويحصر التحليل في (k – 1) مقارنة فقط.

ينعكس هذا التقليص في عدد المقارنات على القوة الإحصائية للاختبار؛ حيث يتمتع اختبار دنيد بقوة إحصائية أعلى وقيم حرجة أقل تشدداً لمقارنة المجموعات بالضابطة مقارنة باختبار توكي. في بيئة R، يمكن تنفيذ اختبار دنيد بسهولة باستخدام دالة DunnettTest() من حزمة DescTools أو عبر دالة glht(..., linfct = mcp(Group = "Dunnett"))، مما يوفر للباحث أداة دقيقة عندما تتطابق فرضياته مع مقارنة الضابط حصراً.

11.2 مقارنة اختبار توكي مع تعديلات بونفيروني وشيفيه وهولم

تمثل المقارنة بين اختبار توكي وتعديلات بونفيروني (Bonferroni) وهولم (Holm) وشيفيه (Scheffé) مسألة جوهرية في المنهجية الإحصائية للمقارنات المتعددة. تعتمد طريقة بونفيروني على تقسيم مستوى ألفا الاسمي على عدد المقارنات الإجمالي (α / m)؛ ورغم سهولتها وبساطتها، إلا أنها تعاني من فرط التحفظ (Excessive Conservatism) وتراجع القوة الإحصائية بشكل حاد مع زيادة عدد المجموعات، مما يؤدي إلى الفشل في رصد فروق حقيقية قائمة بالفعل (خطأ من النوع الثاني).

يقدم اختبار هولم-بونفيروني (Holm-Bonferroni) التتابعي بديلاً أكثر قوة من بونفيروني التقليدي، ويمكن تطبيقه في R بسهولة عبر دالة pairwise.t.test(..., p.adjust.method = "holm"). ومع ذلك، يظل اختبار توكي متفوقاً في سيناريوهات المقارنات الشاملة لجميع الأزواج، نظراً لاستناده المباشر إلى توزيع المدى المعياري المحكم رياضياً لهذا الغرض تحديداً.

أما اختبار شيفيه (Scheffé’s Test)، فهو الاختبار الأكثر تحفظاً وشمولاً على الإطلاق؛ حيث صُمم ليوفر حماية إحصائية لمجال غير محدود من المقارنات، بما في ذلك المقارنات الخطية المركبة (Complex Contrasts) مثل مقارنة متوسط مجموعتين مدمجتين بمتوسط مجموعة ثالثة. ونتيجة لهذا الاتساع، يمتلك شيفيه قوة إحصائية منخفضة للمقارنات الثنائية البسيطة، مما يجعل اختبار توكي الخيار الأفضل دوماً إذا كان التحليل مقتصراً على مقارنات الأزواج البسيطة.

11.3 مصفوفة اتخاذ القرار لاختيار الاختبار البعدي المناسب في R

لمساعدة الباحث والمحلل الإحصائي في اتخاذ القرار المنهجي الصائب، يوضح الجدول الاسترشادي التالي المعايير الحاسمة للمفاضلة بين أبرز الاختبارات البعدية في بيئة R بناءً على طبيعة التصميم والافتراضات الإحصائية:

  • اختبار توكي (Tukey’s HSD): يُستخدم عند إجراء جميع المقارنات الثنائية الممكنة، بشرط تحقق التوزيع الطبيعي وتجانس التباين (يدعم العينات المتساوية وغير المتساوية عبر تعديل توكي-كرامر). يُنفذ عبر TukeyHSD().
  • اختبار جيمس-هاول (Games-Howell): يُستخدم للمقارنات الثنائية الشاملة عند فشل افتراض تجانس التباين (Heteroscedasticity) أو وجود تباين وتفاوت حاد في أحجام العينات. يُنفذ عبر rstatix::games_howell_test().
  • اختبار دنيد (Dunnett’s Test): يُستخدم حصرياً عند مقارنة عدة مجموعات علاجية بمجموعة ضابطة واحدة فقط مع تحقق تجانس التباين. يُنفذ عبر DescTools::DunnettTest().
  • اختبار شيفيه (Scheffé’s Test): يُستخدم عند اختبار مقارنات مركبة ومعقدة بين مجموعات مدمجة وليست ثنائية بسيطة. يُنفذ عبر DescTools::ScheffeTest().
  • اختبار دان (Dunn’s Test): يُستخدم كاختبار بعدي لامعلمي عقب دلالة اختبار كروسكال-واليز عند انتهاك التوزيع الطبيعي للبيانات الترتيبية أو المنحرفة بشدة. يُنفذ عبر FSA::dunnTest().

12. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها عند إجراء اختبار توكي في R

12.1 الأخطاء البرمجية الشائعة في كود R وكيفية تصحيحها

أثناء تطبيق اختبار توكي في بيئة R، قد يواجه الباحث بعض رسائل الخطأ البرمجية الشائعة التي تعيق استكمال التحليل. من أبرز هذه الرسائل ظهور الخطأ الشهير:

“Error in TukeyHSD.aov(fit) : no factors in the fitted model” أو “TukeyHSD is not applicable to an object of class ‘lm'”.

ينشأ هذا الخطأ البرمجي المباشر عن سببين رئيسيين: الأول هو تمرير كائن تم إنشاؤه عبر دالة lm() بدلاً من دالة aov()؛ فرغم التطابق الإحصائي، إلا أن دالة TukeyHSD() تشترط برمجياً أن يكون الكائن من فئة aov. والسبب الثاني هو تمرير المتغير المستقل كمتغير رقمي بسيط (Numeric) داخل الدالة دون تحويله المسبق إلى عامل تصنيفي. يُعالج هذا الخطأ فورياً بإعادة صياغة النموذج باستخدام: aov(Y ~ as.factor(X), data = df).

ومن الأخطاء البرمجية الأخرى محاولة استخدام دالة TukeyHSD() على نماذج تحتوي على تفاعلات معقدة مع أخطاء مطبعية في أسماء المتغيرات الممررة لمعامل which. يجب التأكد التام من تطابق الاسم النصي في معامل which تماماً مع صيغة المتغير كما تظهر في جدول تحليل التباين، بما في ذلك حساسية حالة الأحرف (Case Sensitivity) في لغة R.

12.2 المزالق المنهجية والإحصائية في تفسير نتائج توكي

بالإضافة إلى الأخطاء البرمجية، يقع بعض الباحثين في مزالق منهجية وإحصائية حرجة عند تفسير وتوظيف مخرجات اختبار توكي. يأتي في مقدمة هذه المزالق إجراء اختبار توكي البعدي على الرغم من عدم دلالة النسبة الفائية الشاملة في اختبار ANOVA العام (Data Dredging). إن البحث عن فروق بعدية دون وجود تأثير كلي دال يرفع بشكل كبير احتمالية الوقوع في استنتاجات زائفة ناتجة عن التباين العشوائي للبيانات.

يتمثل المنزلق الثاني في التركيز الحصري والمفرط على القيمة الاحتمالية (p-value) وإهمال النظر إلى فترات الثقة وحجوم التأثير وفروق المتوسطات الحقيقية. قد تسفر أحجام العينات الضخمة جداً عن قيم احتمالية دالة إحصائياً (p < 0.05) لفروق بالغة الضآلة لا تحمل أي مغزى عملي أو إكلينيكي، مما يفرض على الباحث تقييم الأهمية التطبيقية (Clinical Significance) بالتوازي مع الدلالة الإحصائية المجردة.

كما يتجاهل البعض فحص تداعيات عدم تجانس التباين والاعتماد على اختبار توكي القياسي في ظروف عدم التكافؤ التبايني الحاد، وهو ما يشوه دقة الاستدلال. ويتعين دائماً الرجوع إلى خطوات التحقق التشخيصية لضمان أن مخرجات النموذج تعكس الواقع التجريبي بأمانة علمية.

12.3 أفضل الممارسات للتوثيق وإعادة الإنتاجية (Reproducibility)

في إطار حركة العلم المفتوح (Open Science) والنزاهة الأكاديمية، تبرز الحاجة الملحة إلى توثيق كافة خطوات التحليل الإحصائي بما يضمن القابلية الكاملة لإعادة الإنتاج (Reproducibility). يُوصى بشدة بكتابة وتنفيذ كافة الأكواد التحليلية واختبارات توكي داخل بيئة تقارير ديناميكية متكاملة مثل Quarto أو R Markdown.

تتيح هذه البيئات دمج الشفرات البرمجية، والمخرجات الإحصائية الرقمية، والرسوم البيانية الاحترافية، والنصوص التفسيرية في وثيقة ديناميكية موحدة وقابلة للتحديث التلقائي بصيغ PDF أو HTML أو Word. وعند استخدام تقنيات محاكاة عشوائية أو توليد بيانات تجريبية، يجب تثبيت البذرة العشوائية دائماً باستخدام أمر set.seed() لضمان استخراج نفس النتائج الرقمية الدقيقة عند إعادة تشغيل الكود من قبل مراجعين مستقلين.

ختاماً، يُفضل مشاركة ملفات البيانات المعالجة والرموز البرمجية الموثقة عبر منصات المستودعات الأكاديمية المفتوحة مثل (Open Science Framework – OSF) أو GitHub، مما يعزز الشفافية العلمية ويسهم في تطوير الممارسات التحليلية في المجتمع الأكاديمي والبحثي.

خاتمة

يمثل اختبار توكي للفرق المعنوي الصادق (Tukey’s HSD) أداة استدلالية متطورة ولا غنى عنها للباحثين والمحللين الإحصائيين عبر شتى التخصصات العلمية. من خلال جمعه الفريد بين القدرة على استكشاف كافة المقارنات الثنائية والحماية الرياضية الصارمة ضد تضخم أخطاء النوع الأول عبر توزيع المدى المعياري، يقدم الاختبار إطاراً متوازناً يجمع بين الدقة الاستدلالية والقوة الاختبارية العالية.

وقد أثبتت بيئة البرمجة الإحصائية R جدارتها الفائقة كمنصة مثالية لتنفيذ هذا الاختبار بكافة مستوياته؛ بدءاً من الدوال القياسية البسيطة مثل TukeyHSD()، وصولاً إلى الحزم الحديثة فائقة التطور مثل emmeans وmultcomp وrstatix، وما يرافق ذلك من إمكانيات بصرية مذهلة عبر حزمة ggplot2. إن الالتزام بالخطوات المنهجية الرصينة—بدءاً من التحقق الصارم من الافتراضات ومروراً بالصياغة الصحيحة للنماذج وحتى التفسير السريري العميق والتوثيق الأكاديمي وفق معايير APA—هو الضمانة الأساسية لتحويل البيانات الرقمية المعقدة إلى استنتاجات علمية رصينة وموثوقة تدفع عجلة المعرفة الإنسانية للأمام.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 27). كيفية إجراء اختبار توكي في R. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-tukeys-test-in-r/
looti, Mohammed. “كيفية إجراء اختبار توكي في R.” عرب سايكلوجي, 27 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-tukeys-test-in-r/.
looti, Mohammed. “كيفية إجراء اختبار توكي في R.” عرب سايكلوجي. أغسطس 27, 2026. https://arabpsychology.com/statistics/how-to-perform-tukeys-test-in-r/.