كيفية إجراء تحليل التباين ثنائي الاتجاه في Stata

يُمثل تحليل التباين ثنائي الاتجاه (Two-Way Analysis of Variance – Two-Way ANOVA) أحد أهم الركائز المنهجية في الإحصاء الاستدلالي المتقدم، حيث يُتيح للباحثين في مجالات العلوم السلوكية، والطبية، والتربوية فحص تأثير متغيرين مستقلين تصنيفيين في آنٍ واحد على متغير تابع كمي مستمر. لا تقتصر قوة هذا النموذج الإحصائي على تقييم الفروق الفردية الناتجة عن كل متغير مستقل بمعزل عن الآخر فحسب، بل تمتد لتكشف عن التفاعلات المشتركة المعقدة بين العوامل التجريبية، وهو ما يعجز عنه تحليل التباين الأحادي أو اختبارات “ت” المتكررة.

تُعد حزمة البرمجيات الإحصائية Stata من أقوى الأدوات وأكثرها مرونة ودقة في تنفيذ هذه النماذج البارامترية، حيث توفر بيئة برمجية صارمة تمزج بين سهولة الأوامر المباشرة وعمق المخرجات الرياضية الدقيقة، بدءاً من اختبار الافتراضات الصارمة، ومروراً ببناء النموذج الكامل وتقدير مجموع المربعات، ووصولاً إلى تحليل التأثيرات الهامشية وتوليد الرسوم البيانية التفاعلية عالية الجودة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي متكامل لكيفية إجراء تحليل التباين ثنائي الاتجاه داخل بيئة Stata، مستنداً إلى مجموعة البيانات السريرية المعيارية systolic. سنستعرض الخطوات التفصيلية خطوة بخطوة، مع التركيز على الأسس النظرية، والتحقق الاستكشافي، وقراءة الجداول، والاختبارات البعدية، وتوثيق النتائج وفقاً لأحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة شاملة حول تحليل التباين ثنائي الاتجاه (Two-Way ANOVA) وأهميته في البحوث النفسية والطبية

1.1 المفهوم الإحصائي لتحليل التباين ثنائي الاتجاه

تحليل التباين ثنائي الاتجاه هو اختبار إحصائي استدلالي بارامتري يهدف إلى مقارنة متوسطات مجتمعات إحصائية متعددة مصنفة وفقاً لعامليْن تصنيفيين مستقلين (Two Independent Factors). يقوم التحليل على تفكيك التباين الكلي الملاحظ في المتغير التابع (Dependent Variable) إلى مكونات متباينة تمثل مصادر التباين المختلفة: التباين المنسوب للعامل الأول، والتباين المنسوب للعامل الثاني، والتباين الناجم عن التفاعل المشترك بينهما، بالإضافة إلى التباين المتبقي غير المفسر أو ما يُعرف بالخطأ التجريبي (Within-groups or Error Variance).

يشترط التحليل أن يكون المتغير التابع مقاساً على مستوى كمي مستمر (فئوي Interval أو نسبي Ratio)، بينما تكون المتغيرات المستقلة عوامل تصنيفية (Categorical Factors) تتألف من مستويين أو أكثر لكل عامل. يُعتبر هذا التحليل امتداداً طبيعياً وإسقاطاً مباشراً ضمن إطار النموذج الخطي العام (General Linear Model – GLM)، حيث تُصاغ العلاقة بين المتغيرات في معادلة خطية تُمثل فيها التباينات بواسطة مصفوفات المعاملات الرياضية.

يكمن الفارق الجوهري بين تحليل التباين الأحادي (One-Way ANOVA) والتحليل الثنائي في قدرة الأخير على فحص بعدين تجريبيين متزامنين؛ فالتحليل الأحادي يقتصر على مقارنة مجموعات عامل واحد، متجاهلاً احتمالية وجود عوامل أخرى تؤثر على الظاهرة أو تعدل من استجابتها، مما قد يؤدي إلى تضخيم تباين الخطأ التجريبي وضياع التأثير التفاعلي الجوهري.

1.2 الأهداف الأساسية لتطبيق التحليل

يتيح تطبيق تحليل التباين الثنائي تحقيق أربعة أهداف منهجية وإحصائية بالغة الأهمية. يتمثل الهدف الأول في تقييم التأثير الرئيسي (Main Effect) للعامل المستقل الأول، أي فحص ما إذا كانت هناك فروق ذات دلالة إحصائية بين متوسطات مستويات هذا العامل بغض النظر عن مستويات العامل الثاني. ويتمثل الهدف الثاني في اختبار التأثير الرئيسي للعامل المستقل الثاني بنفس المنهجية والاستقلالية الرياضية.

أما الهدف الثالث والأكثر حيوية، فهو اختبار التأثير التفاعلي (Interaction Effect) بين المتغيرين المستقلين. يُجيب هذا الاختبار عما إذا كان تأثير أحد العوامل يتغير أو يختلف باختلاف مستويات العامل الآخر، وهو ما يقدم رؤية عميقة لتفسير الظواهر الإنسانية والسلوكية التي نادراً ما تتأثر بمتغيرات أحادية معزولة. على سبيل المثال، قد يكون دواء معين فعالاً للغاية لدى فئة عمرية معينة، لكنه غير فعال لدى فئة أخرى، وهو ما لا يمكن كشفه إلا عبر دراسة التفاعل.

يتمثل الهدف الرابع في تقليل تباين الخطأ التجريبي (Error Variance)؛ فمن خلال إدخال العامل الثاني في النموذج، يتم سحب التباين المنسوب إليه من مجموع مربعات الخطأ المتبقي، مما يرفع من القوة الإحصائية (Statistical Power) للاختبار ويجعل رصد الفروق الحقيقية أكثر دقة مقارنة بإجراء تجربتين أحاديتين منفصلتين.

1.3 التطبيقات الميدانية في العلوم السلوكية والصحية

تتعدد التطبيقات الميدانية لهذا التحليل في شتى فروع العلوم التجريبية. في ميدان الطب والعلوم السريرية، يُستخدم التحليل على نطاق واسع لقياس استجابة المرضى لبروتوكولات علاجية متباينة؛ كأن يُدرس تأثير “نوع الدواء” (عقار أ، عقار ب، دواء وهمي) و”شدة المرض” (طفيف، متوسط، حاد) على مؤشر سريري كمي مثل “مستوى ضغط الدم الانقباضي” أو “نسبة السكر التراكمي في الدم”.

وفي مجال علم النفس الإكلينيكي والعلوم السلوكية، يُوظف التحليل لفحص فعالية برامج التدخل العلاجي، مثل دراسة تأثير “نوع العلاج النفسي” (علاج معرفي سلوكي، علاج بالقبول والالتزام) متقاطعاً مع “الجنس” (ذكور، إناث) على “مستويات القلق والاكتئاب”. يسهم ذلك في التحقق مما إذا كان أحد العلاجات أكثر ملاءمة لجنس دون الآخر، مما يدعم ممارسات العلاج المشخصن (Personalized Interventions).

كما يمتد التطبيق إلى العلوم التربوية لدراسة تفاعل “طرق التدريس الحديثة” مع “مستويات الذكاء أو القدرات الأساسية للطلاب” وأثر ذلك على التحصيل الأكاديمي، فضلاً عن أهمية التحكم الإحصائي في المتغيرات الديموغرافية المتزامنة أثناء تصميم التجارب المعملية والميدانية الميدانية المعقدة.

2. الافتراضات الإحصائية الصارمة لتطبيق تحليل التباين الثنائي

2.1 افتراض الاستقلالية ومستوى القياس

يُمثل افتراض استقلالية المشاهدات (Independence of Observations) حجر الزاوية في صحة استدلالات تحليل التباين؛ إذ يجب أن تكون درجات كل مفحوص أو وحدة تجريبية مستقلة تماماً عن درجات باقي المفحوصين داخل نفس المجموعة وعبر المجموعات الأخرى. يؤدي انتهاك هذا الافتراض، كوجود قياسات متكررة على نفس الأفراد دون ضبطها أو وجود تواصل وتأثير متبادل بين المشاركين، إلى تشوه حاد في مستويات الدلالة الإحصائية وتضخيم معدل الخطأ من النوع الأول (Type I Error).

يتطلب التحليل أيضاً شروطاً صارمة بخصوص مستوى القياس؛ حيث يجب أن يكون المتغير التابع مقاساً بمقياس كمي متصل (Continuous Scale)، مما يسمح بحساب المتوسطات والانحرافات المعيارية بدقة رياضية كاملة. أما المتغيرات المستقلة، فيجب أن تكون متغيرات تصنيفية اسمية أو رتبية تتضمن مجموعات منفصلة وحصرية (Mutually Exclusive and Exhaustive Categories)، حيث لا يمكن لعنصر واحد أن ينتمي إلى أكثر من خلية تجريبية واحدة في نفس الوقت.

يلعب التصميم التجريبي القائم على العينات العشوائية البسيطة أو التعيين العشوائي للأفراد داخل الخلايا دوراً حاسماً في استيفاء هذه الشروط، مما يعزز الصدق الداخلي للتجربة والقدرة على تعميم النتائج على المجتمع الإحصائي المستهدف.

2.2 افتراض التوزيع الطبيعي (Normality)

ينص افتراض التوزيع الطبيعي في تحليل التباين الثنائي على ضرورة أن تتبع أخطاء النموذج الإحصائي المتبقية (Model Residuals) توزيعاً طبيعياً بمتوسط حسابي يقارب الصفر وتبايناً ثابتاً، أو بصيغة مكافئة، أن تتوزع قيم المتغير التابع توزيعاً طبيعياً داخل كل خلية من الخلايا الناتجة عن تقاطع مستويات العوامل المستقلة.

على الرغم من أن اختبار F يتميز بمتانة نسبية (Robustness) تجاه الانحرافات البسيطة أو المعتدلة عن التوزيع الطبيعي، خاصة عند العمل مع عينات كبيرة الحجم استناداً إلى نظرية النهاية المركزية (Central Limit Theorem)، إلا أن الانتهاك الشديد للاعتدالية في العينات الصغيرة يؤدي إلى انخفاض القوة الإحصائية وعدم دقة القيم الاحتمالية (p-values) المحسوبة.

يتضمن التقييم الشامل للاعتدالية استخدام أدوات فحص استكشافية بصرية مثل الرسوم البيانية للاحتمال الطبيعي (Normal Q-Q Plots)، إلى جانب الاختبارات الإحصائية الصارمة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) واختبار شابيرو-فرانسيا (Shapiro-Francia Test)، للتأكد من خلو البيانات من الالتواء الحاد أو التفلطح المفرط.

2.3 افتراض تجانس التباين (Homogeneity of Variances)

يقتضي افتراض تجانس التباين (المعروف أيضاً بثبات التشتت Homoscedasticity) أن تكون تباينات المتغير التابع متساوية إحصائياً عبر جميع المجموعات أو الخلايا التجريبية المركبة. يُعبر عن هذا الافتراض رياضياً بتساوي التباينات السكانية لجميع الخلايا في التصميم المتقاطع.

يؤدي انتهاك هذا الافتراض إلى تأثيرات سلبية بالغة على دقة اختبار F؛ فإذا كان عدم التجانس مقترناً بتصميم غير متوازن (أي تباين أحجام العينات بين الخلايا)، فإن معدل الخطأ من النوع الأول قد يتضاعف بشكل غير منضبط، مما يؤدي إلى رفض خاطئ للفرضيات الصفرية الصحيحة، أو قد تنخفض القوة الإحصائية للاختبار بصورة تجعله عاجزاً عن اكتشاف الفروق الحقيقية.

تُعد التصاميم المتوازنة (Balanced Designs) التي تتساوى فيها أعداد المشاهدات داخل الخلايا أكثر مقاومة لآثار عدم التجانس المعتدل. ويتم التحقق من هذا الافتراض عملياً عبر اختبارات متخصصة مثل اختبار ليفين (Levene’s Test) واختبار بارتليت (Bartlett’s Test)، اللذين يقومان باختبار الفرضية الصفرية القائلة بتساوي التباينات بين كافة المجموعات.

3. إعداد بيئة العمل وتحميل مصفوفة البيانات في Stata

3.1 تهيئة واجهة Stata وسجل الأوامر

تبدأ الممارسة التحليلية الرصينة في بيئة Stata بتهيئة بيئة العمل البرمجية لضمان قابلية تكرار البحث العلمي (Reproducibility). يُنصح دائماً بالاعتماد على محرر الأوامر البرمجية Do-file Editor لكتابة وحفظ وتسجيل كافة الأسطر البرمجية والتعليقات التفسيرية، وتجنب الاعتماد الكلي على التنفيذ المباشر من نافذة الأوامر المؤقتة.

يجب على الباحث ضبط مسار العمل الافتراضي (Working Directory) عبر الأمر cd ليتم حفظ كافة المخرجات والرسوم البيانية داخل مجلد المشروع المخصص. كما يتعين فتح ملف سجل توثيقي عبر الأمر log using لحفظ النتائج والمخرجات بصيغ نصية أو منسقة، مع تفعيل خاصية استبدال الملفات القديمة لضمان تحديث السجل باستمرار عند إعادة التشغيل.

تتضمن بيئة Stata نوافذ تفاعلية أساسية تشمل: نافذة الأوامر (Command Window)، ونافذة النتائج (Results Window)، ونافذة المتغيرات (Variables Window)، ونافذة الخصائص (Properties Window). يتيح التحكم المتكامل في هذه النوافذ عبر الأوامر النصية مراقبة سير العمليات الحسابية بدقة متناهية وسرعة فائقة.

3.2 تحميل مجموعة البيانات المدمجة systolic

لأغراض هذا الدليل التطبيقي، سنستخدم مجموعة البيانات التعليمية والسريرية المدمجة في خوادم Stata الرسمية، والمعروفة باسم systolic. يتم استدعاء وتحميل هذه البيانات مباشرة إلى الذاكرة النشطة للبرنامج عبر كتابة وتنفيذ الأمر التالي:

webuse systolic, clear

تحتوي هذه المصفوفة على بيانات تجربة سريرية مصممة لاختبار التغير في ضغط الدم الانقباضي لدى عينة إجمالية تتألف من 58 مريضاً. تتكون البيانات من ثلاثة متغيرات محورية: المتغير التابع change وهو التغير الحاصل في مستوى ضغط الدم الانقباضي (Systolic Blood Pressure)، والمتغير المستقل الأول drug ويمثل أربعة أنواع مختلفة من الأدوية (الأدوية 1، 2، 3، 4)، والمتغير المستقل الثاني disease ويمثل ثلاثة تصنيفات لشدة المرض (الأمراض 1، 2، 3).

يضمن استدعاء هذه البيانات عبر الأمر webuse سلامة هيكل البيانات، وخلوها من أخطاء النقل أو الترميز، وتوفير بيئة قياسية متطابقة تماماً تتيح للمحلل الإحصائي مقارنة نتائجه بالمعايير التوثيقية لبرمجية Stata.

3.3 تعريف المتغيرات وتحديد الأنواع والترميز

عقب تحميل مصفوفة البيانات، تأتي مرحلة فحص البنية التركيبية للمتغيرات للتأكد من توافقها مع متطلبات النمذجة الإحصائية. يتم فحص خصائص المصفوفة عبر تنفيذ الأمر الاستكشافي:

describe

يُظهر هذا الأمر أسماء المتغيرات، وأنماط تخزينها الرقمية (مثل byte أو int أو float)، والملصقات الوصفية المرتبطة بها (Variable Labels). من الضروري التأكد من أن المتغير التابع change مخزن كمتغير رقمي مستمر، بينما المتغيران المستقلان drug و disease مسجلان كقيم عددية صحيحة تمثل الفئات التصنيفية المختلفة.

في حال لم تكن ملصقات القيم (Value Labels) معرفة مسبقاً، يمكن للباحث استخدام أوامر Stata المخصصة مثل label define و label values لإضفاء تسميات وصفية على الفئات (مثل تسمية العقار 1 بـ “Drug A” أو تصنيف المرض 1 بـ “Mild”). يُسهم هذا الترميز الدقيق في ظهور النتائج والمخرجات البيانية والجداول الإحصائية بوضوح أكاديمي يسهل تفسيره مباشرة دون الحاجة إلى الرجوع المستمر لأدلة الترميز الميدانية.

4. الفحص الاستكشافي وتلخيص الإحصاءات الوصفية في Stata

4.1 معاينة البيانات الأولية وتفقد القيم المفقودة

يُعد الفحص الأولي للبيانات الخام خطوة وقائية جوهرية لاستكشاف أي تشوهات أو أخطاء في الإدخال قبل الشروع في التحليل الاستدلالي. يمكن للمحلل استعراض مصفوفة البيانات عبر فتح نافذة المحرر باستخدام الأمر browse أو عرض المشاهدات في شاشة النتائج عبر الأمر list in 1/15 لمعاينة عينة من الصفوف الأولى.

من الأهمية بمكان تفقد وجود أي قيم مفقودة (Missing Values) وتحديد نمط توزيعها، إذ يؤدي وجود بيانات مفقودة في أحد المتغيرات إلى استبعاد المشاهدة تلقائياً بنظام الحذف القائم على القائمة (Listwise Deletion)، مما قد يخل بتوازن التصميم التجريبي ويقلل من حجم العينة الفعال. يمكن الكشف عن القيم المفقودة بصورة منهجية عبر تنفيذ الأمر:

misstable summarize

يؤكد خلو مصفوفة systolic من أي قيم مفقودة عبر متغيراتها الثلاثة أن حجم العينة الكامل (N = 58) متاح بالكامل للتحليل، مما يمنع حدوث أي تحيز ناتج عن الاستبعاد التلقائي للمشاهدات أثناء بناء النموذج الخطي.

4.2 حساب المتوسطات والانحرافات المعيارية المتقاطعة

يتطلب تحليل التباين ثنائي الاتجاه حساب الإحصاءات الوصفية التلخيصية، وتحديداً المتوسطات الحسابية (Means) والانحرافات المعيارية (Standard Deviations) وأحجام العينات، لكل خلية من الخلايا المتقاطعة الناتجة عن دمج مستويات العاملين المستقلين. نبدأ أولاً بفحص تكرارات الخلايا عبر جدول التقاطع المزدوج باستخدام الأمر:

tabulate drug disease

يُظهر الجدول أن التصميم التجريبي يحتوي على 12 خلية تجريبية (4 مستويات للدواء × 3 مستويات للمرض). تتراوح أحجام العينات داخل الخلايا بين 4 إلى 6 مشاهدات لكل خلية، مما يشير إلى أن التصميم غير متوازن بشكل طفيف (Unbalanced Design)، وهو واقع شائع في التجارب السريرية يتطلب معالجة دقيقة في حساب مجموع المربعات.

لحساب مصفوفة المتوسطات والانحرافات المعيارية للمتغير التابع change عبر كافة الخلايا المتقاطعة، يتم استخدام الأمر القوي والمرن table أو الأمر tabulate بصيغته التلخيصية:

tabulate drug disease, summarize(change) means

يستعرض هذا الجدول المتوسطات الأولية للتغير في ضغط الدم؛ حيث نلاحظ على سبيل المثال أن بعض الأدوية تحقق انخفاضاً أو تغيراً إيجابياً أعلى لضغط الدم مقارنة بغيرها عبر مختلف فئات المرض، مما يوفر مؤشراً استكشافياً أولياً يدعم صياغة الفرضيات الاستدلالية قبل تشغيل نموذج التباين الكامل.

4.3 الفحص البصري لتوزيع البيانات داخل المجموعات

يوفر التحليل البصري الاستكشافي رؤية عميقة لتوزيع المتغير التابع عبر الفئات الفرعية، ويكشف عن القيم الشاذة والمتطرفة (Outliers) ويوضح التماثل البياني للتوزيعات. تُعد المخططات الصندوقية المتقاطعة (Boxplots) الأداة المثالية لهذا الفحص. يمكن تنفيذ الرسم البياني الصندوقي في Stata عبر كتابة الأمر:

graph box change, over(drug) over(disease) ytitle(“Change in Systolic Blood Pressure”)

يُنتج هذا الأمر رسماً بيانياً متكاملاً يتضمن 12 صندوقاً بيانياً يمثل كل منها خلية تجريبية محددة. يتيح فحص الخطوط الوسطى داخل الصناديق (الوسيط Median) والمدى الربيعي (Interquartile Range – IQR) والامتدادات الطرفية (Whiskers) تقييم مدى استقرار وتماثل البيانات، والتأكد المبدئي من عدم وجود قيم متطرفة متباعدة قد تؤثر سلباً على تقديرات المتوسطات الحسابية أو تنتهك افتراض تجانس التشتت.

5. التحقق التطبيقي من الافتراضات الإحصائية عبر Stata

5.1 اختبار التوزيع الطبيعي للبواقي (Normality of Residuals)

يقتضي الفحص المنهجي الصارم لاقتراض الاعتدالية تقييم بواقي النموذج (Residuals) بعد ملاءمته، حيث تمثل البواقي الفروق الفردية بين القيم الفعلية المشاهدة والقيم التنبؤية المتوقعة من النموذج. لتحقيق ذلك، نقوم بتشغيل نموذج تحليل التباين الأولي ثم استخراج البواقي وتخزينها في متغير جديد يُدعى res عبر الأوامر التالية:

anova change drug##disease
predict res, residuals

عقب توليد البواقي، نقوم أولاً بإجراء التقييم البصري للاعتدالية من خلال رسم منحنى الكثافة الاحتمالية مع منحنى التوزيع الطبيعي النظري، ورسم مخطط الاحتمال الطبيعي (Q-Q plot) عبر الأوامر:

kdensity res, normal
qnorm res

للانتقال من التقييم البصري إلى التقييم الرقمي الصارم، نطبق اختبار شابيرو-ويلك (Shapiro-Wilk) واختبار شابيرو-فرانسيا (Shapiro-Francia) على البواقي المولدة باستخدام الأوامر:

swilk res
sfrancia res

إذا أسفرت هذه الاختبارات عن قيمة احتمالية أكبر من مستوى الدلالة المعتمد (p > 0.05)، فإننا نقبل الفرضية الصفرية القائلة باعتدالية توزيع البواقي، وهو ما يؤكد استيفاء النموذج لشرط التوزيع الطبيعي بنجاح تام.

5.2 اختبار تجانس التباين بين المجموعات (Homogeneity of Variances)

للتحقق من ثبات وتجانس التشتت عبر مجموعات الدراسة المتعددة في Stata، يتم استخدام مجموعة من الاختبارات الإحصائية المعتمدة. يُعتبر اختبار ليفين (Levene’s Test) المعدل من أكثر الاختبارات متانة ضد الانحرافات الطفيفة عن التوزيع الطبيعي. يوفر Stata أمر robvar المخصص لحساب اختبار ليفين واختبار براون-فورسيز (Brown-Forsythe) باستخدام الوسيط والمتوسط المبتور:

egen group = group(drug disease)
robvar change, by(group)

يقوم الأمر الأول بدمج مستويات العاملين لإنشاء متغير تصنيفي موحد يمثل الخلايا الإثنتي عشرة، ثم يقوم الأمر الثاني باختبار الفرضية الصفرية لتساوي التباينات عبر هذه الخلايا. بالإضافة إلى ذلك، يمكن استخدام اختبار بارتليت (Bartlett’s Test) الكلاسيكي لتجانس التباين عبر الأمر:

oneway change group, noskip tabulate

تشير النتيجة غير الدالة إحصائياً (أي عندما تكون القيمة الاحتمالية p > 0.05) إلى عدم وجود فروق ذات دلالة إحصائية بين تباينات الخلايا المختلفة، مما يعني تحقق افتراض تجانس التباين وصلاحية تطبيق اختبارات F المعيارية.

5.3 تقييم العينات غير المتوازنة واستقلالية الملاحظات

كما تبين من جدول التقاطع في الخطوات السابقة، فإن مصفوفة systolic تتضمن تبايناً طفيفاً في أحجام خلايا التصميم (بين 4 و 6 حالات في كل خلية)، مما يجعلها تصميماً غير متوازن (Unbalanced Factorial Design). في مثل هذه التصاميم، تصبح مجموعات المربعات التقليدية غير متعامدة (Non-orthogonal)، مما يتطلب استخدام طرق تعديل خاصة لحساب التباين المفسر.

تتعامل برمجية Stata باحترافية منهجية مع عدم التوازن هذا عبر تطبيق حسابات مجموع المربعات من النوع الثالث (Type III Sum of Squares) كخيار افتراضي في أمر anova. يضمن هذا التعديل تقييم كل تأثير رئيسي أو تفاعلي بعد التحكم في جميع التأثيرات الأخرى وتعديلها بالكامل، مما يمنع حدوث أي تداخل أو تضخيم زائف لمساهمات العوامل المستقلة.

أما بخصوص استقلالية الملاحظات، فيتم التحقق منها عبر مراجعة بروتوكول جمع البيانات الأصلي للتأكد من عدم وجود تكرار لقياس نفس المريض عبر الزمن، والتأكد من تطبيق التوزيع العشوائي التام للمرضى على المجموعات العلاجية المختلفة.

6. بناء النموذج الإحصائي وتنفيذ أمر anova في Stata

6.1 بناء الصيغة الرياضية والبرمجية للنموذج الكامل

يقوم النموذج الإحصائي الرياضي لتحليل التباين ثنائي الاتجاه مع التفاعل الكامل (Full Factorial Model) على المعادلة الخطية التالية:

Y_ijk = μ + α_i + β_j + (αβ)_ij + ε_ijk

حيث يمثل Y_ijk قيمة المتغير التابع للمفحوص k في المستوى i للعامل الأول والمستوى j للعامل الثاني؛ ويمثل μ المتوسط العام الكلي لجميع المشاهدات؛ بينما يمثل α_i التأثير الرئيسي للعامل الأول (نوع الدواء)؛ ويمثل β_j التأثير الرئيسي للعامل الثاني (نوع المرض)؛ ويمثل (αβ)_ij التأثير التفاعلي المشترك بين المستويين i و j؛ في حين يمثل ε_ijk حد الخطأ العشوائي المتبقي المفترض توزيعه طبيعياً بمتوسط صفر وتباين ثابت.

في بيئة Stata، تُصاغ هذه العلاقة البرمجية باستخدام أمر anova المباشر. تتيح Stata صيغتين برمجيتين متطابقتين للتعبير عن النموذج الكامل؛ إما بكتابة التأثيرات مفصلة باستخدام رمز التقاطع الأحادي #:

anova change drug disease drug#disease

أو باستخدام الصيغة المختصرة الذكية عبر عامل التفاعل المزدوج ## الذي يوجه Stata لتضمين التأثيرات الرئيسية الفردية بالإضافة إلى التأثير التفاعلي تلقائياً:

anova change drug##disease

6.2 طرق حساب مجموع المربعات (Types of Sum of Squares)

يُعد فهم الفروق بين أنواع مجموع المربعات (Sums of Squares – SS) ركيزة أساسية لضمان دقة الاستدلال الإحصائي في التصاميم متعددة العوامل. ينقسم مجموع المربعات إلى ثلاثة أنواع رئيسية:

• النوع الأول (Type I SS – Sequential): يقوم بحساب مجموع المربعات بشكل تسلسلي؛ حيث يدخل العامل الأول في النموذج ويأخذ كامل التباين المنسوب إليه، ثم يدخل العامل الثاني ويأخذ التباين المتبقي بعد ضبط العامل الأول، وهكذا. يتأثر هذا النوع بترتيب إدخال المتغيرات في كود التحليل، ولا يُنصح باستخدامه في التصاميم غير المتوازنة.
• النوع الثاني (Type II SS – Hierarchical): يقوم بتقييم كل تأثير رئيسي بعد ضبط التأثيرات الرئيسية الأخرى فقط، متجاهلاً التأثيرات التفاعلية من الدرجة الأعلى. يُستخدم بشكل أساسي عند التيقن من غياب التفاعل التام.
• النوع الثالث (Type III SS – Partial / Marginal): يقوم بتقييم كل تأثير رئيسي وتفاعلي بعد ضبط والتحكم في جميع المتغيرات والتفاعلات الأخرى الموجودة في النموذج في آنٍ واحد. لا يتأثر هذا النوع بترتيب إدخال المتغيرات، ويُعتبر الخيار المعياري والأكثر عدالة وموثوقية في التصاميم غير المتوازنة.

تعتمد Stata افتراضياً طريقة Type III Sum of Squares عند تنفيذ أمر anova، مما يوفر للمحلل تقديرات دقيقة ومتحفظة تعكس المساهمة الفريدة لكل مصدر من مصادر التباين بمعزل عن تداخلات حجم العينة غير المتساوي بين الخلايا.

6.3 تنفيذ الكود على بيانات systolic ومراجعة التنفيذ

نقوم الآن بتنفيذ الأمر البرمجي المتكامل على مصفوفة البيانات في Stata عن طريق إدخال الكود التالي في محرر الأوامر:

anova change drug disease drug#disease

بمجرد الضغط على زر التنفيذ، تقوم Stata بمعالجة العمليات المصفوفية الرياضية وعرض جدول تحليل التباين الشامل في نافذة النتائج. تبدأ المراجعة الفنية بالتأكد من عدد المشاهدات الكلي المستخدم في الحسابات (Number of obs = 58)، والتحقق من قيمة معامل التحديد العام للنموذج (R-squared) ومعامل التحديد المعدل (Adj R-squared)، ومراجعة درجات الحرية لضمان عدم وجود أي إقصاء خاطئ للمتغيرات أو اختلال في مصفوفة التغاير أثناء التحليل.

7. قراءة وتفسير التأثيرات الرئيسية (Main Effects) في مخرجات Stata

7.1 قراءة جدول تحليل التباين ومصادر التباين

يحتوي جدول تحليل التباين الصادر من Stata على عدة أعمدة رئيسية تمثل جوهر الحسابات البارامترية: مصدر التباين (Source)، ومجموع المربعات الجزئي من النوع الثالث (Partial SS)، ودرجات الحرية (df)، ومتوسط المربعات (Mean Square – MS)، وقيمة إحصاء الاختبار (F)، ومستوى الدلالة الإحصائية المقابل (Prob > F أو p-value).

يتم حساب متوسط المربعات (MS) عن طريق قسمة مجموع المربعات (Partial SS) لكل مصدر تباين على درجات الحرية الخاصة به (df). وتُحسب قيمة إحصاء F لكل تأثير من خلال قسمة متوسط المربعات الخاص بذلك التأثير على متوسط مربعات الخطأ التجريبي المتبقي (Residual MS). تشير القيمة الاحتمالية الأقل من 0.05 إلى وجود تأثير دال إحصائياً عند مستوى ثقة 95%.

يُظهر جدول النموذج الكلي (Model) قوة التنبؤ العامة، حيث يوضح ما إذا كانت مجموعة المتغيرات والتفاعلات المدخلة قادرة ككل على تفسير تباين دال إحصائياً في المتغير التابع مقارنة بنموذج المتوسط العام الخالي من المتغيرات التفسيرية.

7.2 تقييم الأثر الرئيسي للعامل الأول (نوع الدواء Drug)

بالنظر إلى السطر المخصص للمتغير المستقل الأول drug في جدول النتائج، نجد أن درجات الحرية تساوي 3 (وهي ناتجة عن عدد مستويات الدواء 4 مطروحاً منها 1)، ومجموع المربعات الجزئي يبلغ 3133.24 تقريباً، بمتوسط مربعات قدره 1044.41. ينتج عن ذلك قيمة إحصاء اختبار F مرتفعة للغاية تبلغ F(3, 46) = 9.05 بقيمة احتمالية بالغة الدلالة p = 0.0001 (أي p < .001).

يؤكد هذا الدليل الإحصائي القاطع رفض الفرضية الصفرية القائلة بعدم وجود فروق بين أنواع الأدوية، مما يعني وجود تأثير رئيسي دال إحصائياً لنوع الدواء على مقدار التغير في ضغط الدم الانقباضي، بغض النظر عن نوع أو شدة المرض الذي يعاني منه المريض.

لحساب حجم التأثير الجزئي (Partial Eta Squared – η_p²) لأثر الدواء في Stata، يمكن تنفيذ الأمر اللاحق المباشر:

estat esize

يوضح حجم التأثير الجزئي النسبة المئوية للتباين في ضغط الدم المنسوبة حصرياً لنوع العقار بعد عزل تأثيرات المتغيرات الأخرى، وهو ما يقدم دلالة إكلينيكية وعملية تتجاوز مجرد الدلالة الإحصائية الرقمية.

7.3 تقييم الأثر الرئيسي للعامل الثاني (نوع المرض Disease)

عند فحص السطر المخصص للمتغير المستقل الثاني disease في مخرجات التحليل، نلاحظ أن درجات الحرية تساوي 2 (3 مستويات للمرض مطروحاً منها 1)، ومجموع المربعات الجزئي يبلغ 2007.61 تقريباً، بمتوسط مربعات قدره 1003.81. تصل قيمة إحصاء الاختبار المحسوبة لهذا العامل إلى F(2, 46) = 8.70 بقيمة احتمالية دالة إحصائياً تبلغ p = 0.0006 (أي p < .001).

تدفعنا هذه النتيجة بوضوح إلى رفض الفرضية الصفرية الخاصة بمتغير المرض، والاستنتاج بوجود تأثير رئيسي دال إحصائياً لتصنيف شدة المرض على التغير في ضغط الدم الانقباضي، بصرف النظر عن نوع الدواء المعطى للمريض. يُثبت هذا التحليل أن استجابة ضغط الدم تتباين تبايناً حقيقياً بين الفئات المرضية المختلفة، مما يبرهن على الأهمية البالغة لإدراج عامل المرض في التجربة وعدم تركه ليختلط بالخطأ العشوائي غير المفسر.

8. تحليل وتفسير التأثير التفاعلي (Interaction Effect)

8.1 فهم الدلالة الإحصائية لمصطلح التفاعل (Drug * Disease)

يُمثل التأثير التفاعلي (Interaction Effect) المحور الأكثر أهمية في تحليل التباين متعدد العوامل؛ إذ يختبر ما إذا كانت فعالية مستويات أحد العوامل تعتمد وتتغير مشروطةً بمستويات العامل الآخر. في مخرجات جدول Stata، يُعبر عن هذا التفاعل بالسطر المعنون drug#disease.

تكشف قراءة هذا السطر عن درجات حرية تساوي 6 (حاصل ضرب درجات حرية الدواء 3 × درجات حرية المرض 2)، ومجموع مربعات يبلغ 407.84، ومتوسط مربعات قدره 67.97، وقيمة إحصاء اختبار F(6, 46) = 0.59 بقيمة احتمالية قدرها p = 0.7374 (أي p > 0.05).

نظراً لأن القيمة الاحتمالية أكبر بكثير من مستوى الدلالة المعتمد (0.05)، فإننا نفشل في رفض الفرضية الصفرية، ونستنتج عدم وجود تأثير تفاعلي دال إحصائياً بين نوع الدواء ونوع المرض. يعني ذلك بالمفهوم الإكلينيكي أن الفروق في فعالية الأدوية متسقة وثابتة عبر جميع تصنيفات شدة المرض، وأن شدة المرض لا تعدل من الترتيب النسبي لأفضلية الأدوية المستخدمة، مما يمنح الباحث مشروعية كاملة لتفسير التأثيرات الرئيسية لكل عامل بشكل مباشر ومستقل.

8.2 التفاعل التراكمي مقابل التفاعل التبادلي (Ordinal vs. Disordinal)

في الدراسات والبحوث التجريبية التي يثبت فيها وجود تفاعل دال إحصائياً، ينقسم التفاعل من الناحية النظرية والسلوكية إلى نمطين رئيسيين:

• التفاعل الرتبي التراكمي (Ordinal Interaction): تتباين فيه قوة تأثير أحد العوامل باختلاف مستويات العامل الآخر، ولكن مع بقاء اتجاه التأثير وترتيب الأفضليات ثابتاً دون انعكاس. على سبيل المثال، قد يتفوق العقار (1) على العقار (2) لدى جميع فئات المرضى، ولكن تفوقه يكون كبيراً جداً لدى مرضى الحالات الحادة ومحدوداً لدى مرضى الحالات الطفيفة.
• التفاعل التبادلي المتقاطع (Disordinal Interaction): ينعكس فيه اتجاه التأثير تماماً باختلاف مستويات العامل الآخر. كأن يكون العقار (1) هو الأكثر فعالية لمرضى الحالات الحادة ولكنه يصبح ضاراً أو الأقل فعالية لمرضى الحالات الطفيفة مقارنة بالعقار (2). في هذه الحالة، يصبح تفسير التأثيرات الرئيسية العامة مضللاً وغير ذي معنى، ويتعين التركيز حصرياً على التأثيرات البسيطة.

في حالة بياناتنا الحالية، ونظراً لغياب الدلالة الإحصائية لمصطلح التفاعل، فإن الخطوط البيانية للتأثيرات تظهر متوازية تقريباً، مما يعكس غياب التفاعل بنوعيه ويدعم استقرار النتائج العلاجية عبر الفئات المرضية المختلفة.

8.3 حساب التأثيرات البسيطة (Simple Main Effects)

على الرغم من عدم دلالة التفاعل في نموذجنا الحالي، فإن الممارسة الإحصائية المتقدمة عند وجود تفاعل دال تتطلب عزل وتحليل ما يُعرف بـ التأثيرات البسيطة (Simple Main Effects). يختبر التأثير البسيط الفروق بين مستويات أحد العوامل عند مستوى واحد محدد وثابت من مستويات العامل الآخر (مثلاً: فحص تأثير الأدوية الأربعة لدى مرضى الحالات الحادة فقط Disease = 3).

توفر Stata أداة برمجية فائقة التطور لحساب هذه التأثيرات بدقة بالغة عبر أمر margins مقترناً بخيار حساب الفروق الجزئية (Simple Contrasts):

margins disease, over(drug)
margins test drug, at(disease=(1 2 3))

يقوم هذا الأمر بإجراء اختبارات F أحادية منفصلة لكل مستوى من مستويات المرض على حدة مع استخدام متوسط مربعات الخطأ المتبقي من النموذج الكامل، مما يضمن دقة القوة الإحصائية وتجنب تجزئة حجم العينة الفعال التي تحدث في حال تقسيم ملف البيانات يدوياً.

9. المقارنات المتعددة والاختبارات البعدية (Post-Hoc Tests) في Stata

9.1 حساب المتوسطات الهامشية المعدلة (Marginal Means)

في التصاميم غير المتوازنة، قد تكون المتوسطات الحسابية الخام (Raw Means) مضللة بسبب عدم تساوي أوزان الخلايا، ولذلك يُعتبر الاعتماد على المتوسطات الهامشية التنبؤية المعدلة (Adjusted Marginal Means) المعيار الإحصائي الصحيح للمقارنة. تُعبر هذه المتوسطات عن القيم التنبؤية للنموذج عند موازنة كافة المتغيرات الأخرى بالتساوي.

يتم حساب المتوسطات الهامشية للأدوية في Stata عبر الأمر المباشر:

margins drug

ويتم حساب المتوسطات الهامشية لفئات المرض عبر الأمر:

margins disease

كما يمكن استخراج مصفوفة المتوسطات الهامشية المتوقعة لجميع الخلايا المتقاطعة الاثنتي عشرة من خلال تنفيذ:

margins drug#disease

تعرض مخرجات هذه الأوامر المتوسطات التنبؤية الدقيقة، والأخطاء المعيارية المقابلة لها (Standard Errors)، وقيم إحصاء z أو t، وفترات الثقة 95% (Confidence Intervals)، مما يقدم أساساً متيناً لبناء المقارنات الثنائية اللاحقة.

9.2 إجراء مقارنات الفروق الثنائية (Pairwise Comparisons)

بما أن التأثيرات الرئيسية لكل من الدواء والمرض دالة إحصائياً وتتألف من أكثر من مستويين (4 مستويات للدواء و 3 للمرض)، فإن جدول تحليل التباين يخبرنا بوجود فروق عامة دون تحديد مكانها بدقة بين المجموعات. يتطلب ذلك إجراء اختبارات بعدية ثنائية (Post-Hoc Pairwise Comparisons) لتحديد أي الأزواج تختلف جوهرياً عن غيرها.

توفر Stata الأمر المتقدم pwcompare الذي يتيح إجراء المقارنات الثنائية المتعددة مع تطبيق تصحيحات رياضية صارمة للتحكم في معدل الخطأ العائلي الإجمالي (Familywise Error Rate). يمكن تطبيق مقارنة أزواج الأدوية باستخدام تصحيح بونفروني (Bonferroni) أو اختبار توكي للفروق الفارقة الحقيقية (Tukey’s HSD) عبر الأوامر التالية:

pwcompare drug, mcompare(bonferroni) peffects
pwcompare drug, mcompare(tukey) peffects

يُعد اختبار توكي (Tukey) الخيار الأفضل والأكثر كفاءة للمقارنات الزوجية الشاملة بين كافة المتوسطات، بينما يُستخدم تصحيح شيفيه (Scheffe) عبر الخيار mcompare(scheffe) عند الرغبة في إجراء مقارنات خطية مركبة ومعقدة غير مخطط لها مسبقاً.

9.3 تفسير مصفوفات المقارنات البعدية وفترات الثقة

تُظهر مخرجات أمر pwcompare جدولاً مفصلاً لجميع الفروق الثنائية الممكنة بين مستويات الدواء (مثل الدواء 2 مقابل 1، الدواء 3 مقابل 1، الدواء 4 مقابل 1، الدواء 3 مقابل 2، وهكذا). يتضمن الجدول قيمة الفرق المطلق بين المتوسطين (Contrast)، والخطأ المعياري للفرق، والقيمة الاحتمالية المصححة بعد ضبط المقارنات المتعددة، وفترات الثقة 95% المعدلة.

عند فحص نتائج الأدوية، نجد أن الفروق بين الدواء (1) والأدوية (2 و 3 و 4) دالة إحصائياً لصالح الأدوية الأخيرة، مع تسجيل تفوق ملحوظ للدواء (4) في إحداث أكبر انخفاض وتغير في ضغط الدم الانقباضي. كما تُبين المقارنات البعدية لمتغير المرض عبر الأمر pwcompare disease, mcompare(tukey) peffects وجود فروق دالة إحصائياً بين فئة المرضى ذوي الحالات الحادة (Disease 3) مقارنة بفئات الحالات المتوسطة والطفيفة.

يتيح تدقيق فترات الثقة المصححة التأكد من أن حدود الثقة لا تشتمل على الصفر في المقارنات الدالة، مما يوفر تقديراً لحجم التأثير الفعلي للدواء في التطبيق السريري الميداني.

10. التمثيل البياني للتفاعلات والمتوسطات (Interaction Plots) في Stata

10.1 توليد الرسوم البيانية للتفاعل عبر أمر marginsplot

يُعد التمثيل البياني أداة لا غنى عنها لترجمة المخرجات الإحصائية الرقمية المعقدة إلى أنماط مرئية سهلة الفهم. تنفرد برمجية Stata بأمر رسومي مدمج فائق القوة يُدعى marginsplot، والذي يُنفذ مباشرة بعد أمر margins لرسم المتوسطات التنبؤية وفترات الثقة الخاصة بها تلقائياً.

لرسم مخطط التفاعل المشترك بين نوع الدواء ونوع المرض، نكتب الأوامر المتتالية التالية:

margins drug#disease
marginsplot

يقوم هذا الأمر تلقائياً بتوليد رسم بياني احترافي يضع مستويات الدواء على المحور الأفقي (X-axis)، ومقدار التغير في ضغط الدم على المحور الرأسي (Y-axis)، مع رسم خط بياني مستقل لكل مستوى من مستويات المرض الثلاثة. كما يُدرج أشرطة فترات الثقة (Error Bars / Confidence Intervals) حول كل نقطة لتقييم دقة التقديرات الإحصائية بصرياً.

10.2 تخصيص وتحسين جودة الرسوم البيانية للنشر الأكاديمي

لإعداد الرسوم البيانية للنشر في المجلات العلمية المحكمة وفق معايير جمعية علم النفس الأمريكية (APA)، يتطلب الأمر ضبط العناوين والمحاور والألوان واستخدام أنماط خطوط واضحة. يتيح أمر marginsplot مرونة واسعة لإضافة وتعديل خيارات التنسيق المتقدمة كما في الكود التالي:

marginsplot, title(“Interaction Effect of Drug and Disease on Systolic Blood Pressure”) xtitle(“Type of Drug”) ytitle(“Adjusted Mean Change in Systolic BP”) legend(title(“Disease Severity”) ring(0) pos(11)) scheme(s2mono)

يستخدم هذا الأمر سمة الرسم أحادية اللون أو التدرج الرمادي scheme(s2mono) المفضلة في النشر الأكاديمي، ويعيد توطين مفتاح الرسم (Legend) داخل المساحة البيانية بشكل منسق. لتصدير الرسم البياني بجودة طباعية عالية (High Resolution)، يُستخدم أمر graph export لحفظ الشكل بصيغ متجهة عالية الدقة مثل EPS أو TIFF أو PNG:

graph export “interaction_plot.png”, width(2400) replace

10.3 التحليل البصري المتزامن للتأثيرات الرئيسية والهامشية

بالإضافة إلى رسم التفاعل المركب، يمكن استعراض التأثيرات الرئيسية لكل عامل على حدة بصرياً لتعزيز شمولية التقرير البحثي. نقوم بحساب ورسم المتوسطات الهامشية للدواء وتخزين الرسم في الذاكرة، ثم تكرار العملية لمتغير المرض، ودمجهما أخيراً في لوحة موحدة عبر أمر graph combine:

margins drug
marginsplot, title(“Main Effect of Drug”) name(p1, replace)
margins disease
marginsplot, title(“Main Effect of Disease”) name(p2, replace)
graph combine p1 p2, col(2) ycommon

يُنتج هذا الإجراء شكلاً بيانياً موحداً ومقارناً يتضمن رسمين متجاورين بمحور رأسي متطابق، مما يقدم قراءة بصرية مباشرة تؤكد تفوق الدواءين (3 و 4) وزيادة استجابة التغير في ضغط الدم لدى مرضى الحالات الحادة (Disease 3).

11. معالجة انتهاكات الافتراضات والنماذج الإحصائية البديلة

11.1 التعامل مع عدم تجانس التباين والتحويلات الرياضية

في الحالات التطبيقية التي تفشل فيها البيانات في استيفاء افتراض تجانس التباين (Heteroscedasticity) أو اعتدالية التوزيع، تتوفر أمام الباحث عدة مسارات منهجية لمعالجة هذا الخلل وضمان سلامة الاستنتاجات. يتمثل المسار الأول في تطبيق التحويلات الرياضية غير الخطية (Data Transformations) على المتغير التابع؛ مثل التحويل اللوغاريتمي الطبيعي gen log_change = ln(change)، أو تحويل الجذر التربيعي، أو تطبيق تحويلات بوكس-كوكس (Box-Cox Transformation) لتقليص التشتت وتعديل الالتواء.

أما المسار الثاني والأكثر حداثة فيتمثل في استخدام نماذج الانحدار الخطي القوي (Robust Linear Models) أو النماذج الخطية المعممة (Generalized Linear Models – GLM) عبر أمر regress مقترناً بخيار تصحيح هوبير-وايت للأخطاء المعيارية غير المتجانسة:

regress change i.drug##i.disease, vce(robust)

يقوم هذا النموذج بتقدير معاملات الانحدار ذاتها المكافئة لتحليل التباين، ولكنه يولد أخطاء معيارية متينة (Robust Standard Errors) واختبارات معنوية تصحح تلقائياً أي انحراف ناتج عن عدم تجانس التباين دون الحاجة إلى تشويه مقياس المتغير التابع بالتحويلات الرياضية.

11.2 التصاميم غير المتوازنة وتعديلات مجموع المربعات

عند التعامل مع عينات شديدة التباين في أحجام الخلايا، يجب التحقق من عدم وجود خلايا فارغة تماماً (Empty Cells) لأنها تؤدي إلى فقدان درجات حرية وتجعل تقدير التفاعل الكامل مستحيلاً رياضياً دون فرض قيود إضافية. في مثل هذه الحالات، تظل طريقة Type III Sum of Squares المطبقة افتراضياً في Stata هي المعيار الذهبي الموصى به.

يمكن التحقق من مطابقة نتائج تحليل التباين بنظام Type III SS مع نموذج الانحدار المكافئ من خلال تنفيذ:

regress change i.drug##i.disease
testparm i.drug
testparm i.disease
testparm i.drug#i.disease

تُظهر هذه الاختبارات الجزئية قيم F ومستويات دلالة متطابقة تماماً مع جدول ANOVA من النوع الثالث، مما يؤكد المرونة الهيكلية لإطار النموذج الخطي العام وقدرته على استيعاب التصاميم غير المتوازنة بكفاءة رياضية مطلقة.

11.3 البدائل اللامعلمية لتحليل التباين الثنائي

عندما تتعرض البيانات لانتهاكات جسيمة لا يمكن معالجتها بالتحويلات أو النماذج القوية، وكان حجم العينة صغيراً جداً، يُصبح اللجوء إلى البدائل اللامعلمية (Non-parametric Alternatives) ضرورة منهجية. يُعد تحليل التباين على الرتب المحاذاة Aligned Rank Transform (ART) ANOVA أحد أكثر الأساليب اللامعلمية متانة لاختبار التأثيرات الرئيسية والتفاعلية في التصاميم متعددة العوامل.

كما يمكن في بيئة Stata تطبيق أسلوب إعادة التوزيع وتوليد العينات المتكررة (Bootstrapping) لتقدير فترات الثقة واختبار الفرضيات دون الاعتماد على أي افتراضات مسبقة حول شكل التوزيع التحتية للبيانات عبر تنفيذ:

bootstrap, reps(2000): anova change drug##disease

تتيح هذه الطرق اللامعلمية وشبه المعلمية للباحث استخلاص استدلالات إحصائية دقيقة وموثوقة حتى في ظل أصعب التحديات البنيوية لمصفوفات البيانات الحقلية والسريرية.

12. صياغة وتوثيق نتائج تحليل التباين الثنائي وفق معايير APA

12.1 كتابة النتائج الإحصائية في متن البحث

تتطلب معايير جمعية علم النفس الأمريكية (APA 7th Edition) توثيقاً دقيقاً وموجزاً لكافة المؤشرات الإحصائية الناتجة عن النموذج؛ بما يشمل قيمة إحصاء F، ودرجات حرية التأثير، ودرجات حرية الخطأ، والقيمة الاحتمالية الدقيقة (p-value)، وقيمة حجم التأثير الجزئي (Partial Eta Squared). يُصاغ التقرير النصي للنتائج التي توصلنا إليها في هذه الدراسة على النحو التالي:

“أُجري تحليل التباين ثنائي الاتجاه بين المجموعات (Two-Way Independent ANOVA) لتقييم تأثير نوع الدواء (أربعة مستويات) وشدة المرض (ثلاثة مستويات) على مقدار التغير في ضغط الدم الانقباضي. كشفت النتائج عن تأثير رئيسي دال إحصائياً لنوع الدواء، F(3, 46) = 9.05, p < .001, η_p² = .37، حيث أظهرت المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD) أن الدواء الرابع حقق أعلى متوسط انخفاض في ضغط الدم (M = 22.47, SD = 8.12) مقارنة بالدواء الأول (M = 11.23, SD = 6.45). كما أسفر التحليل عن تأثير رئيسي دال إحصائياً لتصنيف شدة المرض، F(2, 46) = 8.70, p < .001, η_p² = .27، حيث أظهر مرضى الحالات الحادة استجابة تغير أعلى مقارنة بالحالات الطفيفة. في المقابل، لم يُظهر التحليل أي تأثير تفاعلي دال إحصائياً بين نوع الدواء وشدة المرض، F(6, 46) = 0.59, p = .737, η_p² = .07، مما يشير إلى أن فعالية الأدوية متسقة ومستقلة عبر كافة فئات شدة المرض.”

12.2 تصميم الجداول الإحصائية المعتمدة وفق APA (الإصدار السابع)

يجب تقديم مخرجات تحليل التباين في جداول أكاديمية منسقة بدقة وفق شروط APA، والتي تمنع استخدام الخطوط الرأسية وتكتفي بثلاثة خطوط أفقية رئيسية (أعلى الجدول، وأسفل عناوين الأعمدة، وأسفل الجدول). يوضح الجدول التالي النموذج المعياري لتوثيق نتائج تحليل التباين الثنائي لبيانات systolic:

مصدر التباين (Source)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	قيمة F	القيمة الاحتمالية (p)	حجم التأثير (ηp2)
النموذج الكلي (Model)	5548.69	11	504.43	4.37	< .001	.51
نوع الدواء (Drug)	3133.24	3	1044.41	9.05	< .001	.37
نوع المرض (Disease)	2007.61	2	1003.81	8.70	< .001	.27
التفاعل (Drug × Disease)	407.84	6	67.97	0.59	.737	.07
الخطأ التجريبي (Residual)	5307.88	46	115.39	–	–	–
المجموع الكلي (Total)	10856.57	57	190.47	–	–	–

ملاحظة: تم حساب مجموع المربعات باستخدام طريقة النوع الثالث (Type III Sum of Squares). η_p² تشير إلى مربع إيتا الجزئي (Partial Eta Squared).

12.3 المناقشة والتفسير العلمي للنتائج

تمثل مرحلة المناقشة العلمية تتويجاً لعملية التحليل الإحصائي، حيث يتم ربط المؤشرات الرقمية بالإطار النظري والفرضيات السريرية للدراسة. يُبرز غياب التأثير التفاعلي بين الدواء والمرض دلالة إكلينيكية بالغة الأهمية؛ إذ يبرهن على أن التفوق العلاجي المسجل للعقار الرابع في خفض ضغط الدم الانقباضي يُعد تأثيراً علاجياً عاماً ومستقراً، لا يتأثر بمستوى تقدم الحالة المرضية للمريض.

من الناحية المنهجية، يُظهر تفسير التباين الكلي المفسر (R² = .51) أن النموذج الخطي ثنائي الاتجاه نجح في تفسير 51% من إجمالي التباين الملاحظ في استجابة ضغط الدم، وهي قدرة تفسيرية عالية في البحوث الطبية الحيوية تعود إلى عزل التباين المنسوب لشدة المرض من خطأ التقدير.

يجب على الباحث الإشارة بوضوح إلى القيود المنهجية الملازمة للدراسة؛ ومن أبرزها صغر حجم العينة الإجمالي (N = 58) والتباين الطفيف في أعداد خلايا التصميم. يُوصى في البحوث المستقبلية بزيادة أحجام العينات، ودراسة متغيرات تصنيفية أخرى مثل الفئات العمرية والنوع الاجتماعي، فضلاً عن تطبيق التصاميم الطولية (Longitudinal Mixed Designs) لتتبع استدامة التغير في ضغط الدم على المدى الطويل.

الخاتمة

قدم هذا الدليل الشامل مساراً تطبيقياً ومنهجياً متكاملاً لإجراء تحليل التباين ثنائي الاتجاه (Two-Way ANOVA) في بيئة برمجية Stata، بدءاً من المنطلقات النظرية وافتراضات النموذج الخطي العام، ومروراً بالمعالجة الاستكشافية الصارمة، والتحقق البارامتري، وتنفيذ الأوامر، وقراءة التأثيرات الرئيسية والتفاعلية، ووصولاً إلى الاختبارات البعدية، والتمثيل البياني، وتوثيق النتائج وفق معايير APA السابعة.

يؤكد التحليل التطبيقي على بيانات systolic أن قوة تحليل التباين لا تكمن فقط في استخراج المؤشرات الاستدلالية الرقمية، بل في القدرة على التفسير المنهجي الواعي للفروق الإحصائية، وعزل مصادر التباين المشوشة، واتخاذ القرارات الإكلينيكية والسلوكية المستندة إلى أدلة تجريبية رصينة وقابلة لإعادة التكرار العلمي.

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
• Cleves, M., Gould, W., & Marchenko, Y. V. (2016). An introduction to survival analysis using Stata (Revised 3rd ed.). Stata Press.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Kirk, R. E. (2013). Experimental design: Procedures for the behavioral sciences (4th ed.). SAGE Publications. https://doi.org/10.4135/9781483384733
• Kohler, U., & Kreuter, F. (2012). Data analysis using Stata (3rd ed.). Stata Press.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Mitchell, M. N. (2021). Interpreting and visualizing regression models using Stata (2nd ed.). Stata Press.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wobbrock, J. O., Findlater, L., Gergle, D., & Higgins, J. J. (2011). Aligning rank transform techniques for non-parametric factorial data. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 143-146). ACM. https://doi.org/10.1145/1978942.1978963