كيفية إجراء اختبار t لويلش في برنامج Stata

تُعد عملية مقارنة المتوسطات الحسابية بين مجموعتين مستقلتين إحدى الركائز الأساسية في الإحصاء الاستدلالي وتحليل البيانات التجريبية والرصدية عبر مختلف الحقول العلمية، من العلوم الطبية والحيوية إلى العلوم الاجتماعية والنفسية والاقتصادية. لعقود طويلة، اعتمد الباحثون بشكل شبه حصري على اختبار ستيودنت التقليدي للعينات المستقلة (Student’s Independent Samples t-test) كأداة افتراضية لاختبار الفروق المعنوية. غير أن هذا الاختبار الكلاسيكي يرتكز على افتراض شديد الحساسية وصعب التحقق في الواقع التجريبي، وهو افتراض تجانس التباين (Homoscedasticity) أو تساوي التشتت بين المجموعتين المقارنتين. وعندما ينهار هذا الافتراض، تفقد نتائج اختبار ستيودنت دقتها وترتفع معدلات الوقوع في الخطأ الإحصائي من النوع الأول بشكل يهدد مصداقية النتائج العلمية بأكملها.

هنا تبرز الأهمية المنهجية الفائقة لـ اختبار t لويلش (Welch’s t-test)، والذي صُمم خصيصاً كمعالجة رياضية متقدمة وعبقرية لمعضلة بهرنز-فيشر الشهيرة. يحرر اختبار ويلش الباحثين من قيد افتراض تساوي التباينات دون التضحية بالقوة الإحصائية، معتمداً على خوارزمية ساترثويت لتعديل درجات الحرية وضبط الخطأ المعياري التجميعي بدقة متناهية. ونظراً للمتانة الاستثنائية التي يتمتع بها هذا الاختبار في ظل التباينات غير المتساوية وأحجام العينات غير المتوازنة، فقد بات العديد من الإحصائيين والمنهجيين المعاصرين يوصون باعتماده كاختبار افتراضي ومطلق عند مقارنة متوسطين مستقلين، متجاوزين بذلك قيود الاختبار الكلاسيكي.

يأتي برنامج Stata في طليعة البرمجيات الإحصائية التي توفر بيئة برمجية وحسابية متطورة لتنفيذ اختبار ويلش وفحص افتراضاته بدقة وسلاسة فائقة. يهدف هذا الدليل الشامل والمفصل إلى تزويد الباحث والمحلل الإحصائي بفهم نظري عميق وتطبيق عملي خطوة بخطوة لكيفية إجراء وقراءة وتفسير وتوثيق اختبار t لويلش في برنامج Stata. سنغطي كافة الجوانب بدءاً من الأسس الرياضية والنظرية، مروراً بتجهيز البيانات وفحص التوزيعات، وتنفيذ الأوامر البرمجية المتقدمة، وحساب أحجام الأثر وفترات الثقة، وصولاً إلى كتابة التقارير الأكاديمية الاحترافية المتوافقة مع معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة إلى اختبار t لويلش (Welch’s t-test) ومفهومه الإحصائي

1.1 التعريف النظري لاختبار ويلش وأهميته الإحصائية

نشأ اختبار ويلش كاستجابة علمية لمعضلة إحصائية كلاسيكية شغلت كبار علماء الرياضيات لعقود، وهي مشكلة بهرنز-فيشر (Behrens-Fisher Problem). تتعلق هذه المشكلة بصعوبة إجراء استدلال إحصائي دقيق حول الفرق بين متوسطي مجتمعين موزعين توزيعاً طبيعياً عندما تكون تباينات تلك المجتمعات مجهولة وغير متساوية. في عام 1947، قدم عالم الإحصاء البريطاني برنارد لويس ويلش حلاً تقريبياً وأنيقاً لهذه المعضلة عبر تعديل الحسابات الرياضية للمقام في معادلة اختبار t، وصياغة تقدير مرن لدرجات الحرية يعكس التباين غير المتكافئ بين المجموعتين بدقة عالية.

الهدف الأساسي لاختبار t لويلش هو تقييم ما إذا كان الفرق الملاحظ بين متوسطي عينتين مستقلتين يعكس فرقاً حقيقياً وذا دلالة إحصائية في المجتمع الأصلي، أو أنه مجرد تباين عشوائي ناتج عن خطأ المعاينة، وذلك دون اشتراط تساوي تباينات المجموعات. في الاختبار التقليدي، يتم دمج تباينات المجموعتين لحساب تباين مجمع مشترك (Pooled Variance)، وهو إجراء يفترض ضمناً أن كلا المجتمعين يشتركان في نفس مستوى التشتت. أما في اختبار ويلش، فإن تباين كل عينة يُعامل ككيان مستقل وموزون بحجم عينته الخاصة، مما يمنع إحصائية الاختبار من الانحياز نحو العينة ذات التباين الأكبر أو الأصغر.

تعتمد آلية التعديل في اختبار ويلش على معادلة ويلش-ساترثويت (Welch-Satterthwaite Equation)، وهي صيغة رياضية تهدف إلى تقريب التوزيع الفعلي لمجموع التباينات المستقلة بتوزيع كاي-تربيعي مكافئ. ينعكس هذا التعديل مباشرة على درجات الحرية (Degrees of Freedom)، والتي لا تعود بالضرورة رقماً صحيحاً كما في اختبار ستيودنت الكلاسيكي (حيث درجات الحرية تساوي حجم العينة الإجمالي ناقص اثنين)، بل تصبح رقماً كسرRowياً (Real-valued Decimal) يقل كلما زاد التفاوت بين التباينات وعدم التوازن في أحجام العينات. يمثل هذا التعديل جوهر المتانة التي يتميز بها الاختبار، حيث يوفر حماية رياضية صارمة تمنع تضخيم الدلالة الإحصائية الزائفة.

في الأبحاث الطبية والنفسية والاجتماعية المعاصرة، يكتسب اختبار ويلش أهمية بالغة نظراً لأن التباينات المتساوية نادرة الحدوث في العالم الحقيقي. فعلى سبيل المثال، عند دراسة تأثير دواء تجريبي مقارنة بمجموعة ضابطة، غالباً ما يُحدث التدخل العلاجي تفاوتاً واسعاً في استجابات المرضى، مما يرفع تباين مجموعة العلاج بشكل حاد مقارنة بالمجموعة الضابطة. إن استخدام اختبار يفترض تجانس التباين في مثل هذه الحالات يقود إلى استنتاجات سريرية مضللة، مما يجعل اختبار ويلش الأداة الأكثر أماناً وموثوقية في الأدبيات العلمية المحكمة.

1.2 الفرق الجوهري بين اختبار ويلش واختبار ستيودنت التقليدي

يرتكز الفرق الجوهري بين اختبار ستيودنت الكلاسيكي واختبار ويلش على فرضية تجانس التباين (Homoscedasticity). يفترض اختبار ستيودنت أن المجتمعين اللذين سُحبت منهما العينتان يمتلكان نفس التباين، وبالتالي يقوم بحساب انحراف معياري مجمع يعطي وزناً متساوياً للملاحظات بغض النظر عن انتمائها لأي من المجموعتين. هذا التبسيط الرياضي كان مفيداً في بدايات القرن العشرين لتسهيل العمليات الحسابية اليدوية، لكنه ينطوي على مخاطر منهجية كبرى عند تطبيقه على بيانات لا تستوفي هذا الشرط الصارم.

تتجلى الخطورة الكبرى لانتهاك فرضية تجانس التباين في معدل الوقوع في الخطأ من النوع الأول (Type I Error Rate)، وهو احتمال رفض الفرضية الصفرية عندما تكون صحيحة في الواقع (أي التوصل إلى وجود فرق معنوي زائف). عندما تكون العينة الأصغر حجماً ذات تباين أكبر، فإن اختبار ستيودنت التقليدي يصبح مفرطاً في التحرر (Liberal)، وترتفع قيمة الخطأ من النوع الأول من المستوى الاسمي المحدد عند 5% لتصل أحياناً إلى 20% أو 30%، مما يؤدي إلى نتائج إيجابية كاذبة تهدد النزاهة العلمية. وعلى العكس من ذلك، إذا كانت العينة الأكبر حجماً ذات تباين أكبر، يصبح الاختبار محافظاً جداً (Conservative)، مما يرفع الخطأ من النوع الثاني ويؤدي إلى فقدان القدرة على اكتشاف الفروق الحقيقية.

من حيث القوة الإحصائية (Statistical Power)، أظهرت دراسات المحاكاة الرياضية المكثفة أن اختبار ويلش يحافظ على قوة إحصائية تكاد تتطابق مع اختبار ستيودنت عندما تكون التباينات متساوية بالفعل، بينما يتفوق عليه بمراحل عند عدم تساوي التباينات، ولا سيما في التصاميم غير المتوازنة (Unbalanced Designs). إن الحفاظ على معدل الخطأ الاسمي مع تعظيم القدرة على اكتشاف التأثيرات الحقيقية يجعل اختبار ويلش متفوقاً هيكلياً على نظيره التقليدي في كافة السيناريوهات التجريبية تقريباً.

بناءً على هذه المعطيات الرياضية، توالت توصيات كبار علماء القياس النفسي والمنهجيين الإحصائيين، مثل روجر كيرك وتيموثي ديلاني، بضرورة التخلي عن اختبار ستيودنت الكلاسيكي كخيار أولي، واعتماد اختبار t لويلش كإجراء قياسي افتراضي لمقارنة المتوسطات المستقلة. يرى هؤلاء الباحثون أنه لا توجد أي تكلفة إحصائية سلبية لاستخدام اختبار ويلش حتى في حال تحقق تجانس التباين، في حين أن تكلفة عدم استخدامه عند انتهاك التجانس فادحة ومضرة بسلامة الاستنتاج العلمي.

1.3 طبيعة الاختبار: معلمي أم لا معلمي؟

يسود في بعض الأوساط الأكاديمية والتدريسية خلط شائع حول تصنيف اختبار t لويلش، حيث يظن البعض خطأً أنه اختبار لا معلمي (Non-parametric Test) نظراً لعدم اشتراطه تجانس التباين. والحقيقة العلمية القاطعة هي أن اختبار ويلش هو اختبار معلمي (Parametric Test) بامتياز. إنه يتعامل مع معالم المجتمع المحددة، وتحديداً المتوسط الحسابي والتباين، ويشترط أن تكون البيانات المقاسة كمية متصلة ومستمدة من مجتمعات تتبع التوزيع الطبيعي أو قريبة منه بدرجة معقولة.

يكمن الفارق بين اختبار ويلش والاختبارات المعلمية الصارمة في مرونته تجاه أحد الافتراضات؛ فهو يرفع قيد تساوي التباينات فقط، لكنه يظل محتفظاً بالافتراضات المعلمية الأخرى مثل التوزيع الطبيعي للأخطاء واستقلالية الملاحظات ومستوى القياس الفتري أو النسبي. إن بنية إحصائية الاختبار الرياضية تعتمد اعتماداً كلياً على توزيع t، بعد تكييف درجات الحرية لمراعاة تشتت البيانات، مما يجعله نموذجاً متقدماً للاختبارات المعلمية القوية (Robust Parametric Tests).

عند مقارنة اختبار ويلش مع البدائل اللامعلمية الشهيرة، مثل اختبار مان-ويتني (Mann-Whitney U Test) أو اختبار ولكوكسون لمراتب العينات، نجد اختلافات جذرية في الفرضيات والتفسير. يختبر مان-ويتني الفروق بين رتب الملاحظات أو التوزيعات الاحتمالية الشاملة وليس الفروق المباشرة بين المتوسطات الحسابية. كما أن اختبار مان-ويتني نفسه يعاني من حساسية شديدة لعدم تساوي التباينات والالتواء؛ فإذا كانت المجموعتان تمتلكان أشكال توزيع متباينة بتباينات غير متكافئة، فإن مان-ويتني يفشل في أن يكون اختباراً دقيقاً للمتوسطات أو حتى للوسيط، وتتأثر قوته ومعدلات خطئه بشكل كبير.

تتحدد شروط تفضيل اختبار ويلش على الاختبارات اللامعلمية الرتبية في رغبة الباحث في استخلاص استنتاجات مباشرة حول المتوسط الحسابي ووحدات القياس الأصلية للظاهرة، مع وجود حجم عينة كافٍ لتفعيل متانة الاختبار أو بيانات تتبع التوزيع الطبيعي بشكل تقريبي. يقدم اختبار ويلش قدرة فائقة على حساب فترات الثقة وحجم الأثر القياسي للفرق بين المتوسطات، وهي ميزات تحليلية لا توفرها الاختبارات اللامعلمية بنفس الوضوح والقوة التفسيرية.

2. الافتراضات الإحصائية لاختبار t لويلش وشروط استخدامه

2.1 افتراض استقلالية الملاحظات والبيانات

يعد افتراض استقلالية الملاحظات (Independence of Observations) هو الشرط الأكثر حساسية وحرجاً على الإطلاق في اختبار ويلش، تماماً كما هو الحال في سائر النماذج الإحصائية الاستدلالية. يعني هذا الافتراض رياضياً ومنهجياً أن قيمة أي ملاحظة مفردة داخل عينة معينة لا تؤثر ولا تتأثر بقيمة أي ملاحظة أخرى داخل نفس العينة أو داخل العينة المقارنة. بعبارة أخرى، يجب أن يكون الارتباط الذاتي بين الأخطاء مساوياً للصفر، بحيث يكون اختيار أي فرد في الدراسة مستقلاً تماماً عن اختيار الأفراد الآخرين.

ينشأ انتهاك هذا الافتراض غالباً نتيجة أخطاء جوهرية في التصميم التجريبي أو أسلوب المعاينة. ومن أبرز الأمثلة على هذا الانتهاك استخدام القياسات المتكررة على نفس الأفراد قبل وبعد المعالجة ومحاولة مقارنتها باختبار t للعينات المستقلة، أو مقارنة مجموعات من الأفراد الذين يتفاعلون اجتماعياً وتؤثر سلوكياتهم على بعضهم البعض، مثل قياس درجات تحصيل طلاب ينتمون لنفس الفصل الدراسي واستخدام الطالب كوحدة تحليل مستقلة دون مراعاة التأثير التجميعي لبيئة الصف والمعلم المشترك.

للتأكد المنهجي من استقلالية البيانات، يتعين على الباحث الاعتماد على المعاينة العشوائية البسيطة وتطبيق إجراءات التوزيع العشوائي للمشاركين على المجموعات التجريبية والضابطة (Random Assignment). لا يمكن تصحيح انتهاك افتراض الاستقلالية بواسطة تعديلات رياضية داخل اختبار t؛ بل يؤدي انتهاكه إلى تضخم هائل ومجهول في مستويات الدلالة الإحصائية الزائفة، مما يجعل التقديرات مضللة بالكامل.

في الحالات التي تكون فيها البيانات ذات طبيعة عنقودية (Clustered Data) أو بنية هرمية (Hierarchical Structure)، كأن تكون الملاحظات مجمعة داخل مدارس أو مستشفيات أو أسر، لا يجوز استخدام اختبار ويلش البسيط للعينات المستقلة. في مثل هذه السياقات، يتحتم على الباحث الانتقال إلى نماذج التأثيرات المختلطة (Mixed-effects Models) أو نماذج المعادلات التقديرية المعممة (GEE) في Stata لضبط الارتباط الداخلي بين العناقيد بدقة وموثوقية.

2.2 افتراض التوزيع الطبيعي للمتغير التابع

يشترط اختبار t لويلش نظرياً أن يكون المتغير التابع موزعاً توزيعاً طبيعياً داخل كل مجموعة من المجموعتين المقارنتين بشكل منفصل. التوزيع الطبيعي يضمن أن إحصائية الاختبار تتبع بدقة توزيع t النظري تحت الفرضية الصفرية. غير أن هذا الافتراض يتمتع بمرونة بالغة مقارنة بافتراض استقلالية الملاحظات، بفضل الخصائص الرياضية الاستثنائية التي تمنحها نظرية النهاية المركزية في الإحصاء الرياضي الحديث.

تنص نظرية النهاية المركزية (Central Limit Theorem) على أنه كلما كبر حجم العينة، يقترب توزيع متوسطات العينات من التوزيع الطبيعي بغض النظر عن شكل توزيع المجتمع الأصلي للبيانات. من الناحية العملية، إذا كان حجم العينة في كل مجموعة يتجاوز 30 إلى 50 ملاحظة، فإن اختبار ويلش يظهر متانة استثنائية (Robustness) ضد الانحرافات المتوسطة وغير الحادة عن التوزيع الطبيعي، مما يسمح للباحث بإجراء الاختبار بثقة وأمان حتى لو أظهرت البيانات بعض علامات الالتواء المعتدل.

مع ذلك، يجب توخي الحذر الشديد عندما تكون أحجام العينات صغيرة جداً (أقل من 15 أو 20 مشاركاً لكل مجموعة) مقترنة بانحراف شديد عن التوزيع الطبيعي، مثل الالتواء الحاد (Severe Skewness) أو التفرطح العالي جداً (Heavy Tails) أو وجود قيم متطرفة متعددة في جهة واحدة من التوزيع. في هذه السيناريوهات الضيقة، قد تتأثر معدلات الخطأ وقوة الاختبار، مما يستوجب فحص البيانات بصرياً وإحصائياً بدقة بالغة قبل تبني نتائج الاختبار النهائي.

تتضمن استراتيجيات الفحص النظري للتوزيع الطبيعي مراجعة طبيعة الظاهرة المدروسة وسلوك المتغير في الدراسات السابقة؛ فبعض المتغيرات، مثل الدخل المالي أو زمن الاستجابة العصبية، تميل بنيوياً إلى الالتواء الموجب، مما يتطلب إما تطبيق تحويلات رياضية مناسبة (مثل التحويل اللوغاريتمي) أو اللجوء إلى فحص متانة النتائج عبر أساليب إعادة التعيين (Bootstrapping) داخل حزمة Stata البرمجية للتأكد من ثبات الاستدلالات.

2.3 مستوى قياس المتغيرات واستيعاب عدم تجانس التباين

يتطلب اختبار t لويلش بنية محددة لمستويات قياس المتغيرات المدخلة في النموذج. يجب أن يكون المتغير المستقل (Independent/Grouping Variable) متغيراً فئوياً ثنائياً (Binary Categorical Variable) يقسم عينة الدراسة إلى مجموعتين متمايزتين ومتنافيتين تماماً (مثل: علاج/ضبط، ذكور/إناث، مدخنون/غير مدخنين). أما المتغير التابع (Dependent/Outcome Variable)، فيجب أن يكون متغيراً كمياً مستمراً يُقاس على مستوى فتري (Interval) أو نسبي (Ratio)، مثل درجات الاختبارات، مستويات ضغط الدم، أو مقاييس الأداء الوظيفي.

الميزة الأهم لاختبار ويلش هي مرونته المطلقة مع ظاهرة عدم تجانس التباين (Heteroscedasticity). في حين يتطلب اختبار ستيودنت التقليدي تساوي تباين المجتمعين ($\sigma_1^2 = \sigma_2^2$)، فإن اختبار ويلش صُمم خصيصاً للتعامل مع الحالة العامة التي تكون فيها التباينات غير متساوية تماماً ($\sigma_1^2 \neq \sigma_2^2$). يستوعب الاختبار هذا الاختلاف دون الحاجة إلى إجراء تحويلات معقدة على البيانات قد تؤدي إلى تشويه المعنى التفسيري المباشر للمتوسطات الحسابية.

تتضاعف أهمية اختبار ويلش وتصبح ضرورة حتمية عندما يقترن عدم تساوي التباينات بعدم تساوي أحجام العينات (Unbalanced Sample Sizes). عندما يمتلك أحد البرامج التجريبية 80 مشاركاً بتباين منخفض بينما تمتلك المجموعة الضابطة 25 مشاركاً بتباين مرتفع، ينهار اختبار ستيودنت تماماً وتتضخم النتائج المضللة. إن اختبار ويلش يوزن تباين كل مجموعة بحجمها الخاص، مما يمنع انحراف الخطأ المعياري ويوفر حماية إحصائية كاملة ضد هذا التفاوت المزدوج.

تتلخص معايير تحديد متى يصبح اختبار ويلش واجباً حتمياً في الآتي: عند ظهور دلالة إحصائية في اختبارات عدم تجانس التباين الرسمية (مثل اختبار ليفين)، أو عندما تشير النسب الاستكشافية بين تباينات المجموعتين إلى تجاوز نسبة 1.5:1 أو 2:1، ولا سيما في ظل عينات غير متساوية. بل إن التوجه الأكاديمي الرائد اليوم يرى أن اختبار ويلش هو الخيار الصحيح في جميع الأحوال دون الحاجة حتى لإثبات عدم التجانس مسبقاً.

3. تجهيز بيئة العمل واستيراد البيانات في برنامج Stata

3.1 تحميل البيانات واستيرادها من مصادر مختلفة

تبدأ الخطوة الأولى لتنفيذ التحليل الإحصائي في Stata بتهيئة مساحة العمل واستيراد مجموعات البيانات الميدانية بدقة وتنسيق مناسبين. يتيح برنامج Stata مرونة فائقة في التعامل مع مختلف صيغ البيانات، سواء كانت مخزنة محلياً على القرص الصلب، أو مأخوذة من خوادم وقواعد بيانات سحابية عبر الإنترنت، أو مستوردة من برمجيات أخرى كجداول Excel وملفات النصوص المفصولة بفواصل.

لتحميل مجموعة بيانات مسبقة الإعداد ومخزنة بصيغة Stata الرسمية، نستخدم الأمر الأساسي use متبوعاً باسم الملف أو مساره الكامل. على سبيل المثال، لتحميل مجموعة بيانات تجريبية تأتي مدمجة مع البرنامج عبر الإنترنت لدراسة استهلاك الوقود أو التجارب الطبية، يمكن كتابة الأمر التالي في نافذة الأوامر (Command Window):

webuse fuel3, clear

عند التعامل مع البيانات الميدانية المخزنة في ملفات Excel بامتدادات (.xlsx أو .xls)، يوفر Stata الأمر المتقدم import excel. يتميز هذا الأمر بقدرته على تحديد ورقة العمل المراد قراءتها وتحويل الصف الأول تلقائياً إلى أسماء متغيرات رسمية عبر الخيار firstrow. يتم كتابة الأمر على النحو التالي:

import excel "C:Dataclinical_trial.xlsx", sheet("Sheet1") firstrow clear

وفي حال كانت البيانات بصيغة ملفات نصية مفصولة بفواصل (CSV)، يُستخدم الأمر import delimited، والذي يتعرف تلقائياً على المحددات ويفكك الأعمدة بكفاءة وسرعة فائقة. من الضروري جداً التأكد من سلامة ترميز النصوص (UTF-8) لضمان عدم تلف الحروف العربية، والتحقق من عدم وجود فراغات أو رموز خاصة في أسماء المتغيرات، ثم حفظ قاعدة البيانات النهائية بصيغة Stata الرسمية عبر كتابة:

save "C:Datacleaned_dataset.dta", replace

3.2 استعراض وتنظيف وفحص المتغيرات الأساسية

بمجرد استيراد البيانات إلى بيئة Stata، يتعين على الباحث إجراء فحص أولي للتحقق من هيكل المتغيرات وأنماط القياس وسلامة المدخلات. يُعد الأمر describe الأداة الأساسية الأولى لعرض ملخص شامل يتضمن عدد الملاحظات الكلي، عدد المتغيرات، نوع تخزين كل متغير (سواء كان رقمياً float/byte أو نصياً str)، والتسميات التوضيحية الملحقة بها.

وللحصول على تشخيص معمق لخصائص كل متغير، نلجأ إلى الأمر الشامل codebook. يتيح هذا الأمر فحص القيم الفريدة لكل متغير، ونسبة القيم المفقودة (Missing Values)، ونطاق القياس الأدنى والأقصى. يؤدي وجود قيم مفقودة في المتغير المستقل أو التابع إلى استبعاد تلقائي لتلك الحالات من التحليل في اختبار ويلش (Listwise Deletion)، مما يتطلب معرفة دقيقة بالحجم الفعلي للعينة الصافية التي ستدخل في التحليل الإحصائي الاستدلالي.

يمكن استعراض عينة مباشرة من الأسطر الأولى للبيانات الخام للتحقق العيني من تطابق الأرقام مع الحالات عبر أمر list مع تحديد شروط النطاق، مثل:

list participant_id group score in 1/10

في كثير من الدراسات، قد يحتوي المتغير التصنيفي على أكثر من مجموعتين، أو قد يكون مرمزاً بطريقة غير معيارية (مثل 1 و 2 و 99 للحالات غير الصالحة). في هذه الحالة، يجب تنظيف وإعادة ترميز المتغير لضمان اشتماله على مجموعتين متمايزتين فقط، باستخدام الأمر recode متبوعاً بالأمر label define و label values لتوثيق أسماء الفئات بدقة:

recode treatment_status (1=1 "Treatment") (2=0 "Control") (else=.), gen(group_clean)

3.3 إنشاء وتوثيق ملفات الأوامر (Do-Files) وسجلات النتائج (Log-Files)

تقتضي المعايير العلمية الصارمة وقواعد النزاهة الأكاديمية توثيق كل خطوة من خطوات التحليل الإحصائي لضمان قابلية إعادة الإنتاجية (Reproducibility) الكاملة للدراسة. يُعد محرر ملفات الأوامر (Do-file Editor) في Stata البيئة المثلى لكتابة وتنسيق وحفظ كافة الشفرات البرمجية التي تحول البيانات الخام إلى نتائج استدلالية نهائية، مما يتيح للباحثين والمراجعين إعادة تشغيل التحليل بأكمله بنقرة زر واحدة.

يبدأ الباحث الاحترافي ملف الأوامر دوماً بمسح الذاكرة السابقة وتعيين إعدادات المخرجات، وفتح ملف سجل (Log File) مخصص لحفظ وتخزين كافة الشاشات والمخرجات الرقمية والجداول الناتجة عن التنفيذ في ملف نصي دائم. يتم ذلك عبر الأوامر البرمجية التالية في مستهل الـ Do-file:

clear all
capture log close
log using "welch_ttest_analysis.log", replace text

يُنصح بتنظيم كود Stata الداخلي عبر إدراج تعليقات توضيحية مفصلة باستخدام الرموز * أو // لشرح الغرض الرياضي والمنهجي من كل أمر متبع. يساعد هذا التوثيق الباحث عند مراجعة التحليلات بعد فترات طويلة أو عند إعداد تقارير الاستجابة للمحكمين في المجلات العلمية المصنفة.

وفي نهاية ملف الأوامر، يتم إغلاق ملف السجل وحفظ التغييرات عبر كتابة أمر log close. يضمن هذا الإجراء الاحترافي حفظ نسخة طبق الأصل من كافة النتائج الإحصائية، مما يمنع ضياع أي مخرجات تحليلية هامة ويسهل عملية استخراج الأرقام بدقة عند كتابة مسودة البحث النهائية.

4. الاستكشاف البصري للبيانات وتوزيعاتها في Stata

4.1 بناء وتفسير المخططات الصندوقية (Box Plots)

يمثل الاستكشاف البصري خطوة تمهيدية لا غنى عنها قبل تشغيل أي اختبار استدلالي. تمنح الرسوم البيانية الباحث رؤية حدسية مباشرة حول تباعد المتوسطات، ودرجة تشتت البيانات، ومدى اتساع التباينات بين المجموعات. تُعد المخططات الصندوقية (Box Plots) الأداة الرسومية المثلى لفحص تساوي التباين بصرياً واكتشاف الشذوذ الإحصائي في آن واحد.

في برنامج Stata، يمكن إنشاء رسم بياني صندوقي مقارن للمتغير التابع مقسماً حسب فئات المتغير المستقل باستخدام الأمر graph box مع الخيار over(). يتم صياغة الأمر بالشكل التالي:

graph box outcome_score, over(group_var) title("مقارنة توزيع المجموعتين") asyvars

عند قراءة المخطط الصندوقي، يركز الباحث على أبعاد “الصندوق” التي تمثل المدى الربيعي (Interquartile Range – IQR) الواقع بين المئين 25 والمئين 75. إذا كان أحد الصناديق أطول بكثير من الصندوق الآخر، أو إذا كانت “الشوارب” (Whiskers) الممتدة من الصندوق أكثر اتساعاً في إحدى المجموعات، فإن ذلك يقدم دليلاً بصرياً قوياً وفورياً على عدم تجانس التباين بين المجموعتين، مما يبرر حتمية اللجوء إلى اختبار ويلش.

علاوة على ذلك، يبرز المخطط الصندوقي النقاط المنفردة الواقعة خارج حدود الشوارب، وهي القيم الشاذة والمتطرفة (Outliers). تلعب هذه القيم دوراً حاسماً في تضخيم تباين العينة وتشويه المتوسطات الحسابية، مما يمنح الباحث تنبيهاً مبكراً حول ضرورة فحص تأثير هذه الملاحظات في تحليلات الحساسية اللاحقة.

4.2 رسم المدرجات التكرارية وتقدير كثافة النواة (Kernel Density)

للتعرف الدقيق على الهيكل التوزيعي لكل مجموعة، يُعد رسم المدرجات التكرارية (Histograms) المتراكبة مع منحنيات تقدير كثافة النواة (Kernel Density Estimation) من أقوى الوسائل البصرية في Stata. تتيح هذه الرسوم فحص التماثل، والالتواء، والتفرطح لكل فئة تجريبية على حدة وبصورة مقارنة مباشرة.

يمكن بناء مدرج تكراري مقسم حسب المجموعات عبر تضمين خيار by() المدمج في أمر histogram، مع تفعيل خيار إضافة المنحنى الطبيعي النظري للمقارنة:

histogram outcome_score, by(group_var, total) normal

وللحصول على مقارنة أكثر نعومة وأناقة تفصل بين منحنيات الكثافة لكلا المجموعتين في إطار رسم بياني واحد، يوفر Stata أمر twoway kdensity. يتيح هذا الأمر رسم توزيع الكثافة للمجموعة الأولى ومطابقته مع منحنى المجموعة الثانية بألوان وخطوط متباينة، كما في الكود البرمجي التالي:

twoway (kdensity outcome_score if group_var == 0, lcolor(blue) lpattern(solid) lwidth(medium)) ///
(kdensity outcome_score if group_var == 1, lcolor(red) lpattern(dash) lwidth(medium)), ///
legend(label(1 "مجموعة الضبط") label(2 "مجموعة العلاج")) ///
title("توزيع كثافة النواة المقارن للمجموعتين")

يكشف هذا الرسم المركب بوضوح تام ما إذا كانت المجموعتان تظهران منحنيات جرسية متماثلة متطابقة مع التوزيع الطبيعي، أو إذا كان هناك التواء نحو اليمين أو اليسار، أو قمم متعددة (Multimodality). كما يعكس الاختلاف في عرض المنحنيين تفاوت التشتت والتباين بين المجموعتين بأسلوب بصري بديع.

4.3 المخططات الاحتمالية الطبيعية (Q-Q Plots و P-P Plots)

توفر مخططات التجزيء الاحتمالي الطبيعي (Quantile-Quantile Plots أو Q-Q Plots) وسيلة تشخيصية فائقة الدقة لفحص افتراض التوزيع الطبيعي. يقوم هذا المخطط برسم قيم التجزيئات التجريبية المستمدة من بيانات العينة مقابل التجزيئات النظرية المحسوبة لتوزيع طبيعي معياري مطابق في المتوسط والتباين.

في Stata، يُنفذ رسم مخطط Q-Q باستخدام الأمر المباشر qnorm. ولأن افتراض التوزيع الطبيعي يجب أن يتحقق لكل مجموعة بشكل مستقل، يتعين على الباحث رسم المخطط لكل فئة باستخدام شروط التصفية المنطقية:

qnorm outcome_score if group_var == 0, title("Q-Q Plot: Control Group")
qnorm outcome_score if group_var == 1, title("Q-Q Plot: Treatment Group")

إذا كانت النقاط المرسومة في المخطط تصطف بدقة وبمحاذاة وثيقة للخط المستقيم القطري بزاوية 45 درجة، فإن البيانات تتطابق بامتياز مع التوزيع الطبيعي. أما إذا أظهرت النقاط انحرافات مقوسة أو أنماطاً تشبه حرف S، فإن ذلك يشير بوضوح إلى وجود التواء في التوزيع أو تفرطح ثقيل الذيل.

وبالمثل، يمكن استخدام مخططات الاحتمال التراكمي الطبيعي عبر الأمر pnorm، والذي يركز على فحص مطابقة البيانات للتوزيع الطبيعي في منطقة وسط التوزيع مقارنة بالأطراف. يمنح التحليل البصري المتكامل عبر هذين المخططين يقيناً إحصائياً حول مدى سلامة تطبيق النماذج الاستدلالية أو الحاجة إلى الحذر وتأكيد النتائج عبر الفحوص الإحصائية الرقمية الرسمية.

5. الفحص الإحصائي الرسمي لتجانس التباين والتوزيع الطبيعي

5.1 اختبارات التوزيع الطبيعي الرسمية في Stata

بجانب الاستكشاف البصري، يحتاج الباحثون إلى اختبارات إحصائية استدلالية رسمية للحكم القاطع على افتراض التوزيع الطبيعي. يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) المعيار الذهبي الأكثر قوة وحساسية لاكتشاف الانحرافات عن التوزيع الطبيعي، لا سيما في العينات الصغيرة والمتوسطة التي يقل حجمها عن 2000 ملاحظة.

في برنامج Stata، يُنفذ هذا الاختبار باستخدام الأمر swilk. ونظراً لضرورة اختبار التوزيع الطبيعي داخل كل مجموعة تجريبية على حدة، يُستخدم الأمر مع سابقة bysort لتقسيم الفحص آلياً:

bysort group_var: swilk outcome_score

تفترض الفرضية الصفرية ($H_0$) لاختبار شابيرو-ويلك أن البيانات موزعة توزيعاً طبيعياً. فإذا كانت القيمة الاحتمالية الناتجة (p-value) أكبر من مستوى الدلالة المحدد ($\alpha = 0.05$)، نفشل في رفض الفرضية الصفرية ونستنتج أن البيانات لا تنتهك افتراض التوزيع الطبيعي. أما إذا كانت القيمة الاحتمالية أقل من 0.05، فإن ذلك يشير إلى انتهاك معنوي للتوزيع الطبيعي.

بالنسبة للعينات الكبيرة التي تتراوح بين 5000 و 20000 ملاحظة، يوفر Stata اختبار شابيرو-فرانسيا عبر الأمر sfrancia، والذي يتمتع بكفاءة حسابية أعلى للعينات الضخمة. ومع ذلك، يجب على المحلل أن يتذكر دائماً أن هذه الاختبارات الرسمية تصبح مفرطة الحساسية في العينات الكبيرة جداً؛ حيث ترفض الفرضية الصفرية لأدنى انحراف تافه لا يؤثر عملياً على صلاحية اختبار ويلش المدعوم بنظرية النهاية المركزية.

5.2 اختبارات تجانس التباين (Test of Homogeneity of Variances)

يُمثل فحص تجانس التباين الخطوة الحاسمة لتحديد المفاضلة الإجرائية بين الاختبار الكلاسيكي واختبار ويلش. على الرغم من أن اختبار بارتليت (Bartlett’s Test) مستخدم تقليدياً في بعض البرامج، إلا أنه شديد الحساسية وغير متين في حال حدوث أي انحراف طفيف عن التوزيع الطبيعي. لذلك، يُعد اختبار ليفين (Levene’s Test) وتعديلاته المعيار الأكثر موثوقية وقبولاً في المنهجيات المعاصرة.

يوفر برنامج Stata أمراً متكاملاً وقوياً لإجراء اختبارات تجانس التباين القوية، وهو الأمر robvar. يقوم هذا الأمر بحساب ثلاثة اختبارات متزامنة بدرجات متانة مختلفة:

robvar outcome_score, by(group_var)

ينتج عن تنفيذ هذا الأمر جدول إحصائي يتضمن المؤشرات التالية:

• إحصائية $W_0$: تمثل اختبار ليفين الكلاسيكي الأصلي المحسوب بالانحرافات عن المتوسط الحسابي، وهو مناسب عند تحقق التوزيع الطبيعي التام.
• إحصائية $W_{50}$ (اختبار براون-فورسايث Brown-Forsythe): يتم حسابه بالاعتماد على الانحرافات عن الوسيط (Median)، وهو الاختبار الأكثر متانة وقوة في ظل البيانات الملتوية وغير الطبيعية.
• إحصائية $W_{10}$: يعتمد على الانحرافات عن المتوسط المشذب بنسبة 10% (10% Trimmed Mean)، وهو مناسب للتوزيعات ذات التفرطح الثقيل.

كما يوفر Stata أمر sdtest لمقارنة الانحرافات المعيارية والتباينات بين مجموعتين مستقلتين عبر اختبار نسبة التباين النظري ($F\text{-test}$):

sdtest outcome_score, by(group_var)

عندما ينتج عن أي من هذه الاختبارات، وخاصة اختبار $W_{50}$، قيمة احتمالية دالة إحصائياً ($p < 0.05$)، يتم رفض الفرضية الصفرية القائلة بتساوي التباينات بشكل قاطع. في هذه اللحظة، يصبح الانتقال المنهجي إلى اختبار t لويلش إلزامياً لا يقبل الشك لتجنب الوقوع في أخطاء الاستدلال الإحصائي القاتلة.

5.3 معالجة القيم الشاذة وتأثيرها على التباينات

تمتلك القيم الشاذة والمتطرفة (Outliers) تأثيراً كبيراً ومباشراً على التباين الحسابي للمجموعات؛ نظراً لأن معادلة حساب التباين تعتمد على تربيع الانحرافات عن المتوسط، فإن وجود نقطة واحدة متطرفة كفيل بمضاعفة تباين مجموعة ما وخلق عدم تجانس زائف أو حقيقي بين المجموعات المقارنة.

لتحديد الملاحظات المتطرفة حسابياً في Stata، يمكن توليد الدرجات المعيارية (Z-scores) للمتغير التابع داخل كل مجموعة عبر دمج أوامر egen و by:

bysort group_var: egen z_score = std(outcome_score)

وفق المعايير الإحصائية القياسية، تُعد الملاحظات التي تزيد قيمتها المعيارية المطلقة عن 3.0 ($|Z| > 3$) أو تتجاوز 3.29 انحرافاً معيارياً عن المتوسط قيماً شاذة محتملة تتطلب فحصاً معمقاً. يمكن استعراض هذه الملاحظات الشاذة باستخدام أمر الشرط:

list participant_id group_var outcome_score z_score if abs(z_score) > 3 & !missing(z_score)

لا يجوز للباحث حذف القيم المتطرفة عشوائياً لمجرد تحسين مخرجات الدلالة الإحصائية؛ بل يجب أولاً التأكد مما إذا كانت ناتجة عن أخطاء إدخال بيانات (Data Entry Errors) وتصحيحها. فإذا كانت قيماً حقيقية تمثل أفراداً فعليين في المجتمع، يُلزم النهج العلمي الصارم بإجراء ما يُعرف بـ “تحليل الحساسية” (Sensitivity Analysis)، والذي يتضمن تنفيذ اختبار ويلش مرتين: الأولى مع وجود القيم الشاذة، والثانية بعد استبعادها أو تشذيبها، ومقارنة التغيرات في الدلالة وقيمة التأثير لتوثيق مدى متانة النتائج بشفافية تامة.

6. الصيغ البرمجية والأوامر المخصصة لاختبار ويلش في Stata

6.1 الصيغة الأساسية لأمر `ttest` مع خيار `unequal`

يوفر برنامج Stata بيئة برمجية متماسكة للغاية لتنفيذ اختبارات مقارنة المتوسطات. يتم تنفيذ اختبار ويلش للعينات المستقلة باستخدام الأمر القياسي ttest مقترناً بالخيار الأساسي unequal. تتبع البنية التركيبية العامة للأمر الصيغة التالية:

ttest varname, by(groupvar) unequal

حيث يمثل varname اسم المتغير التابع الكمي المستمر، بينما يمثل groupvar اسم المتغير المستقل الفئوي الثنائي الذي يحدد المجموعتين. يعمل الخيار الإجرائي unequal على إيقاف حساب التباين المجمع التقليدي، وتفعيل خوارزمية ويلش-ساترثويت التي تقوم بحساب أخطاء معيارية منفصلة لكل مجموعة وتعديل درجات الحرية الناتجة.

في بعض إصدارات Stata المتقدمة، يُتاح أيضاً الخيار الصريح welch كخيار فرعي بديل أو إضافي:

ttest varname, by(groupvar) welch

من المهم جداً توضيح الفرق الإجرائي والحسابي بين خياري unequal و welch في Stata. في معظم الإصدارات، يقوم الخياران بتطبيق نفس المعادلة التعديلية لحساب الخطأ المعياري ودرجات الحرية الكسرية الناتجة عن تباين المجموعات؛ غير أن خيار welch يُظهر أحياناً تفاصيل إضافية تتعلق بتقديرات ويلش الدقيقة في سجل المخرجات. يُعد استخدام unequal هو الأكثر شيوعاً وتوثيقاً في أدبيات مستخدمي Stata حول العالم.

6.2 خيارات إضافية للتحكم في مستوى الثقة والاتجاه

يتضمن أمر ttest في Stata مجموعة غنية من الخيارات المتقدمة التي تتيح للباحث تخصيص التحليل بدقة متناهية لتلائم التصميم التجريبي والفرضيات البحثية المعتمدة.

أولاً، يمكن تعديل مستوى الثقة لفترات الثقة المحيطة بالمتوسطات والفروق عبر الخيار level(#). الوضع الافتراضي في Stata هو 95%، ولكن يمكن ضبطه بسهولة على مستويات أخرى، كرفع الثقة إلى 99% في التجارب الطبية الحرجة أو خفضها إلى 90% في الدراسات الاستكشافية الأولية:

ttest outcome_score, by(group_var) unequal level(99)

ثانياً، يمكن تطبيق التحليل الإحصائي على عينات فرعية محددة من قاعدة البيانات دون الحاجة إلى حذف باقي الحالات، وذلك باستخدام الشروط المنطقية if و in. على سبيل المثال، إذا رغب الباحث في إجراء اختبار ويلش لمقارنة درجات التحصيل بين طريقتين تدريسيتين للإناث فقط، يُكتب الأمر كما يلي:

ttest outcome_score if gender == 1, by(teaching_method) unequal

ثالثاً، عند انتهاء Stata من حساب مخرجات الاختبار، يقوم البرنامج بتخزين المصفوفات والنتائج العددية داخلياً كقيم قياسية مرجعية (Scalars) في الذاكرة المؤقتة. يمكن استدعاء هذه القيم والاطلاع عليها بدقة عبر الأمر:

return list

يتيح هذا الأمر للباحثين استخراج القيم المحسوبة مثل قيمة إحصائية الاختبار الفعالة (r(t))، درجات الحرية الكسرية المعدلة بدقة فائقة (r(df_t))، فترات الثقة، والأخطاء المعيارية، لاستخدامها في البرمجة المتقدمة أو توليد الجداول آلياً عبر الحزم الإضافية.

6.3 إجراء الاختبار عبر واجهة المستخدم الرسومية (GUI) في Stata

على الرغم من تفضيل كتابة الأوامر البرمجية لضمان التوثيق الدقيق، يتيح Stata واجهة مستخدم رسومية (Graphical User Interface) شاملة وسهلة الاستخدام تُمكّن الباحثين المبتدئين من إجراء اختبار ويلش عبر النوافذ والقوائم المنسدلة.

للوصول إلى النافذة المخصصة لاختبار مقارنة المتوسطات عبر القوائم، نتبع المسار التالي في شريط الأدوات العلوي:

Statistics > Summaries, tables, and tests > Classical tests of hypotheses > t test (mean-comparison test)

عند فتح نافذة ttest - Mean-comparison test، يتبع المستخدم الخطوات المنهجية التالية:

• تحديد نوع الاختبار باختيار: Two-sample using groups (عينتان مستقلتان باستخدام متغير تجميعي).
• في حقل Variable name: يتم اختيار المتغير التابع الكمي المستمر من القائمة المنسدلة.
• في حقل Group variable name: يتم تحديد المتغير المستقل الفئوي الثنائي.
• الخطوة الحاسمة: في قسم الخيارات الإضافية (Options)، يتم تفعيل المربع الحواري الخاص بـ Unequal variances أو اختيار Welch’s approximation.
• (اختياري) تعديل مستوى الثقة في خانة Confidence level.

عند الضغط على زر OK أو Submit، يقوم برنامج Stata تلقائياً بتوليد الشفرة البرمجية المكافئة وعرضها في نافذة النتائج مع تنفيذ التحليل فوراً. يمكن للمستخدم نسخ هذا الكود المتولد وحفظه داخل ملف الـ Do-file لضمان إمكانية إعادة تشغيله لاحقاً دون المرور بالقوائم الرسومية.

7. التطبيق العملي خطوة بخطوة لاختبار ويلش في Stata (دراسة حالة)

7.1 وصف بيانات الحالة التجريبية المطبقة

لتطبيق المفاهيم الإحصائية التي تمت مناقشتها على أرض الواقع، سنعتمد على دراسة حالة سريرية وتجريبية واقعية تحاكي تجربة مقارنة علاجين لتخفيض مستوى الكوليسترول الضار في الدم (LDL) بين مجموعتين من المرضى: مجموعة تتلقى دواءً جديداً مبتكراً (Treatment Group) ومجموعة تتلقى العلاج التقليدي المعتاد (Control Group).

تم سحب عينة عشوائية تتألف من 60 مريضاً تم توزيعهم بصورة غير متوازنة، حيث ضمت مجموعة العلاج الجديد 35 مريضاً، بينما ضمت مجموعة الضبط 25 مريضاً. المتغير المستقل هو فئات العلاج (treatment: 1 = علاج مبتكر، 0 = علاج تقليدي)، والمتغير التابع هو مقدار الانخفاض في مستوى الكوليسترول بوحدة mg/dL بعد 12 أسبوعاً من التدخل (chol_reduction).

تفترض الفرضية البحثية النظرية أن الدواء المبتكر سيؤدي إلى انخفاض أكبر وأكثر فاعلية في مستويات الكوليسترول مقارنة بالعلاج التقليدي. وفي المقابل، تُصاغ الفرضيات الإحصائية الصفرية والبديلة على النحو التالي:

• الفرضية الصفرية ($H_0$): لا يوجد فرق حقيقي بين متوسط انخفاض الكوليسترول في مجموعة العلاج الجديد ومتوسط المجموعة التقليدية ($\mu_1 – \mu_2 = 0$).
• الفرضية البديلة ثنائية الطرف ($H_a$): يوجد فرق ذو دلالة إحصائية بين متوسطي المجموعتين ($\mu_1 – \mu_2 \neq 0$).

تُظهر الإحصاءات الوصفية الأولية للمتغيرات أن مجموعة العلاج التقليدي حققت متوسط انخفاض قدره 18.5 mg/dL بانحراف معياري قدره 4.2، بينما حققت مجموعة العلاج المبتكر متوسط انخفاض قدره 26.8 mg/dL بانحراف معياري أعلى بكثير قدره 9.8. يشير هذا التفاوت الحاد في الانحرافات المعيارية والتباينات مقترناً باختلاف أحجام العينات إلى ضرورة اعتماد اختبار ويلش كأداة تحليلية لا غنى عنها.

7.2 تنفيذ الأوامر البرمجية خطوة بخطوة على Stata

نبدأ بتنفيذ التحليل المتكامل عبر كتابة الأوامر البرمجية المترابطة داخل نافذة الأوامر أو ملف الـ Do-file في Stata. تتسلسل الخطوات وفق المنهجية الموضحة في الأكواد البرمجية التالية:

أولاً، تحميل البيانات واستعراض الإحصاءات الوصفية المقارنة بالتفصيل:

tabstat chol_reduction, by(treatment) stats(n mean sd p25 p50 p75 min max) columns(statistics)

ثانياً، توثيق انتهاك فرضية تجانس التباين رسمياً عبر اختبار براون-فورسايث القوي:

robvar chol_reduction, by(treatment)

تظهر نتائج اختبار robvar أن إحصائية اختبار براون-فورسايث ($W_{50}$) دالة إحصائياً عند مستوى ($p = 0.0028$)، وهو ما يقل بوضوح عن 0.05، مما يثبت عدم تجانس التباينات بين المجموعتين بصورة قطعية ويوثق الحاجة المنهجية الصارمة لتطبيق تصحيح ويلش.

ثالثاً، تنفيذ اختبار t لويلش باستخدام الأمر المخصص:

ttest chol_reduction, by(treatment) unequal

يقوم Stata بمعالجة البيانات فوراً وعرض جدول متكامل يتضمن مخرجات الإحصاء الوصفي لكل مجموعة، وحساب الفروق الصافية، والخطأ المعياري المعدل، ودرجات حرية ساترثويت الكسرية، واختبارات الدلالة الاحتمالية بمختلف الاتجاهات، مما يوفر بيئة غنية لقراءة وتفسير النتائج بدقة بالغة.

7.3 مقارنة مخرجات اختبار ستيودنت التقليدي بمخرجات اختبار ويلش

لفهم الفارق الحسابي والأثر المنهجي المباشر لاستخدام تصحيح ويلش على هذه البيانات، قمنا بتنفيذ اختبار ستيودنت الكلاسيكي (بدون خيار unequal) ومقارنة مخرجاته مباشرة باختبار ويلش (مع خيار unequal).

في اختبار ستيودنت التقليدي:

ttest chol_reduction, by(treatment)

أظهرت المخرجات أن درجات الحرية كانت رقماً صحيحاً تماماً ($df = N_1 + N_2 – 2 = 35 + 25 – 2 = 58$). تم حساب الخطأ المعياري المجمع المشترك بالاعتماد على التباين الموزون، مما جعل قيمة الخطأ المعياري للفرق تساوي 1.94، وأنتج قيمة محسوبة لإحصائية $t = 4.27$ مع قيمة دلالة ($p = 0.0001$).

وعلى النقيض من ذلك، عند تطبيق اختبار t لويلش مع خيار unequal، حدث تعديل جوهري في البنية الحسابية للاستدلال:

• انخفضت درجات الحرية بواسطة صيغة ويلش-ساترثويت لتصبح قيمة كسرية دقيقة قدرها ($df = 48.73$) بدلاً من 58. يعكس هذا الانخفاض في درجات الحرية عقوبة رياضية عادلة لعدم تجانس التشتت والتفاوت في أحجام العينات.
• تم حساب الخطأ المعياري المنفصل لكل عينة، فأصبح الخطأ المعياري للفرق مساوياً لـ 1.81.
• تغيرت قيمة إحصائية $t$ المحسوبة لتصبح $t = 4.58$ مع درجات حرية $df = 48.73$.

يوضح هذا التطبيق العملي كيف أن اختبار ويلش يتكيف بذكاء مع تباين البيانات؛ فبدلاً من تشويه الخطأ المعياري بدمج التباينات، أعطى كل مجموعة وزنها الحقيقي وضبط درجات الحرية لتوفير فترة ثقة دقيقة للفرق بين المتوسطين تتطابق مع الواقع التجريبي للظاهرة المدروسة.

8. القراءة الدقيقة وتفسير مخرجات اختبار ويلش في Stata

8.1 تحليل جدول الإحصاءات الوصفية المرفق في المخرجات

عند تنفيذ اختبار ويلش في Stata، يبدأ جدول المخرجات بعرض مصفوفة إحصائية وصفية تفصيلية مقسمة إلى ثلاثة أسطر رئيسية: سطر للمجموعة الأولى (مثل Control)، وسطر للمجموعة الثانية (مثل Treatment)، وصف ثالث يمثل الفرق الإحصائي بينهما (Difference). تتوزع هذه الأسطر عبر ستة أعمدة أساسية يجب على الباحث استيعاب معانيها الرياضية بدقة.

يعرض العمود الأول والثاني عدد الملاحظات الصالحة (Obs) والمتوسط الحسابي (Mean) لكل مجموعة. في دراسة الحالة، نجد أن متوسط مجموعة العلاج المبتكر بلغ 26.8 مقابل 18.5 لمجموعة الضبط، مما يشير ظاهرياً إلى تفوق العلاج المبتكر بفارق حسابي مباشر قدره 8.3 وحدات، وهو الرقم الظاهر في خانة المتوسط لصف الفروق (diff).

يتناول العمود الثالث الخطأ المعياري لمتوسط كل عينة (Std. Err.)، والذي يُحسب بقسمة الانحراف المعياري للمجموعة على الجذر التربيعي لحجم عينتها ($SE = SD / \sqrt{n}$). يقيس هذا المؤشر مدى دقة تقدير متوسط العينة لمتوسط المجتمع الحقيقي؛ حيث نلاحظ أن الخطأ المعياري في مجموعة الضبط بلغ 0.84 بينما بلغ في مجموعة العلاج 1.65، مما يؤكد تفاوت دقة التقدير بين المجموعتين نتيجة تباين التشتت.

أما العمودان الخامس والسادس، فيعرضان فترة الثقة بنسبة 95% لمتوسط كل مجموعة بشكل مستقل ([95% Conf. Interval]). توضح هذه الفترات النطاق الرياضي الذي يتوقع الباحث بنسبة يقين 95% أن يقع داخله المتوسط الحقيقي للمجتمع الذي سُحبت منه العينة، مما يوفر تقييماً بصرياً ورقمياً لمدى تداخل أو انفصال التوزيعات التقديرية للمجموعتين.

8.2 تفسير درجات الحرية المعدلة وإحصائية Satterthwaite

يُعد الرقم الظاهر في مخرجات Stata تحت مسمى درجات الحرية لـ ساترثويت (Satterthwaite’s degrees of freedom) أحد أهم مخرجات اختبار ويلش على الإطلاق. يلاحظ الباحث أن هذا الرقم يظهر دائماً بصيغة عدد عشري وكسور دقيقة (مثل: degrees of freedom = 48.7341)، وهو ما يثير حيرة بعض الباحثين غير المتخصصين الذين اعتادوا على درجات الحرية الصحيحة.

تنبع هذه الصيغة الكسرية من المعادلة الرياضية لساترثويت، والتي تدمج تباين كل عينة مقسوماً على حجمها ($s_1^2/n_1$ و $s_2^2/n_2$) في بسط ومقام المعادلة. تعكس درجات الحرية الكسرية الحجم الفعلي للمعلومات الإحصائية المستقلة المتاحة لتقدير التباين المشترك؛ فكلما تباعدت التباينات وتفاوتت أحجام المجموعات، انخفضت درجات الحرية لتكون أقل من المجموع الكلي للمشاركين ناقص 2.

تكمن الأهمية الاستدلالية لهذه الدرجات المعدلة في منع تضخيم الثقة الإحصائية الزائفة؛ فبدلاً من افتراض وجود 58 درجة حرية كاملة كما في اختبار ستيودنت، يخبرنا اختبار ويلش بأن التباين غير المتجانس قد خفض القيمة الفعلية للمعلومات الموثوقة إلى ما يعادل 48.73 درجة حرية فقط. تُستخدم هذه القيمة الكسرية في حساب التوزيع التراكمي لـ t وتحديد القيمة الاحتمالية النهائية بدقة بالغة.

تثبت هذه الدقة الحسابية تفوق خوارزميات Stata في معالجة التقريبات الإحصائية المعقدة، مما يضمن أن قرارات رفض أو قبول الفرضيات تبنى على أسس رياضية محكمة تتطابق مع التوزيع الفعلي لاختبار بهرنز-فيشر التقريبي.

8.3 تقييم الفرضيات الإحصائية الثلاث والقيم الاحتمالية (p-values)

يختتم برنامج Stata جدول المخرجات بعرض تقييم استدلالي لثلاث فرضيات بديلة متزامنة في الجزء السفلي من الشاشة، مما يتيح للباحث اختبار الفرضيات الموجهة وغير الموجهة مباشرة دون الحاجة إلى تشغيل أوامر إضافية:

• الفرضية ثنائية الطرف (Two-tailed Test): وتظهر في المنتصف بالصيغة Ha: diff != 0 وتحتها القيمة Pr(|T| > |t|) = 0.0000. تختبر هذه القيمة الاحتمالية ما إذا كان هناك أي فرق حقيقي بين المتوسطين في أي من الاتجاهين (سواء بالزيادة أو النقصان). إذا كانت هذه القيمة أقل من 0.05، تُرفض الفرضية الصفرية ويُستنتج وجود فرق معنوي دال إحصائياً.
• الفرضية أحادية الطرف لليسار (Left-tailed Test): وتظهر في الجهة اليسرى Ha: diff < 0 مع القيمة Pr(T < t)، وتختبر ما إذا كان متوسط المجموعة الأولى أقل دلالياً من متوسط المجموعة الثانية.
• الفرضية أحادية الطرف لليمين (Right-tailed Test): وتظهر في الجهة اليمنى Ha: diff > 0 مع القيمة Pr(T > t)، وتختبر ما إذا كان متوسط المجموعة الأولى أكبر دلالياً من متوسط المجموعة الثانية.

في دراسة حالتنا، أظهرت القيمة الاحتمالية ثنائية الطرف مستوى دلالة فائقا ($p < 0.001$)، مما يقودنا بثقة تامة إلى رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة. كما تؤكد فترة الثقة المرافقة لصف الفروق ([4.66, 11.94]) هذا القرار؛ فحيث إن فترة الثقة بنسبة 95% للفرق بين المتوسطين لا تشتمل على القيمة صفر على الإطلاق وجميع قيمها موجبة، فإن ذلك يقدم برهاناً قاطعاً على تفوق العلاج المبتكر إحصائياً وسريرياً على العلاج التقليدي.

9. حساب وتفسير أحجام الأثر (Effect Size) وفترات الثقة

9.1 حساب معامل كوهين المعدل (Cohen’s d) وغيره في Stata

لم يعد التقرير عن القيمة الاحتمالية (p-value) وحدها كافياً في الأبحاث الأكاديمية الرصينة؛ فالقيمة الاحتمالية تخبرنا فقط بما إذا كان الفرق الملاحظ ناتجاً عن الصدفة أم لا، لكنها تعجز تماماً عن تحديد الحجم العملي أو الأهمية التطبيقية لهذا الفرق. لذلك، تشترط الجمعيات العلمية الكبرى، وعلى رأسها جمعية علم النفس الأمريكية (APA)، حساب وتفسير مقاييس حجم الأثر (Effect Size) القياسية.

يوفر برنامج Stata أمراً رسمياً فائق التطور لحساب أحجام الأثر لمقارنات المتوسطات، وهو الأمر esize twosample. يتم استدعاء هذا الأمر وتطبيقه على المتغيرات المستقلة والتابعة بالصيغة التالية:

esize twosample chol_reduction, by(treatment)

يقوم هذا الأمر بحساب وتقديم ثلاثة معاملات قياسية لحجم الأثر في جدول واحد متكامل:

• معامل كوهين (Cohen’s d): المعيار الأكثر شهرة، والذي يُحسب بقسمة الفرق بين المتوسطين على الانحراف المعياري المجمع.
• معامل هيدجز (Hedges’ g): وهو تعديل تصحيحي لمعامل كوهين يعالج مشكلة الانحياز التصاعدي في أحجام العينات الصغيرة والمتوسطة، ويُعد الخيار الأفضل عند التعامل مع عينات يقل مجموعها عن 50 مشاركاً.
• معامل جلاس (Glass’s $\Delta$): يُحسب بقسمة الفرق بين المتوسطين على الانحراف المعياري لمجموعة الضبط فقط دون دمج تباين مجموعة العلاج. يُعد هذا المعامل الخيار الأكثر ملاءمة ودقة في سياق اختبار ويلش؛ لأنه لا يفترض تساوي تباين المجموعتين، ويأخذ تشتت المجموعة الضابطة كمعيار ثابت لقياس التغير الناتج عن التدخل التجريبي.

وفق القواعد الإرشادية الكلاسيكية التي وضعها جاكوب كوهين لتفسير حجم الأثر المعياري:
يُعد الأثر صغيراً إذا بلغت القيمة $d = 0.20$، ومتوسطاً عند $d = 0.50$، وكبيراً عند $d = 0.80$ فما فوق. في دراسة حالتنا، إذا بلغت قيمة كوهين $d = 1.15$ أو معامل جلاس $\Delta = 1.97$، فإن هذا يشير إلى أثر تجريبي بالغ القوة والأهمية يفوق المعايير التقليدية للآثار الكبيرة في العلوم السلوكية والطبية.

9.2 حساب فترات الثقة لحجم الأثر وفوائدها التفسيرية

من أهم المزايا التي يقدمها أمر esize في Stata هو توليد فترات الثقة المحيطة بحجم الأثر (95% Confidence Intervals for Effect Size). لا يقتصر التحليل الحديث على تقديم تقدير نقطي مفرد لحجم الأثر، بل يتطلب استعراض المدى المتوقع لحجم الأثر في المجتمع الأصلي.

يظهر في مخرجات أمر esize سطر مخصص لكل معامل يعرض الحد الأدنى والحد الأعلى لفترة الثقة بنسبة 95%، مثل [95% Conf. Interval: 0.602, 1.684] لمعامل كوهين. تكمن الفائدة التفسيرية الهائلة لهذه الفترة في تحديد مدى دقة التقدير الإحصائي؛ فالفترة الضيقة تعكس تقديراً بالغ الدقة لظاهرة التدخل، بينما تشير الفترات الواسعة جداً إلى وجود تشتت كبير في البيانات يستوجب الحذر عند تعميم حجم التأثير العملي.

يساعد تقييم فترات الثقة لحجم الأثر الباحثين على التمييز القاطع بين الدلالة الإحصائية (Statistical Significance) والأهمية العملية (Practical Significance). فقد ينتج عن عينة ضخمة جداً تضم آلاف المشاركين دلالة إحصائية فائقة ($p < 0.001$) لفارق طفيف جداً لا يتعدى 0.05 وحدة بحجم أثر شبه معدوم ($d = 0.03$) وفترة ثقة تقترب من الصفر. في المقابل، يضمن الجمع بين اختبار ويلش وحساب فترة ثقة حجم الأثر إدراك الباحث للقيمة الحقيقية للنتائج وتجنب المبالغة في تقدير الفروق التافهة عملياً.

9.3 حساب مؤشر Eta-squared ونسبة التباين المفسر

بجانب مقاييس الفروق المعيارية للمتوسطات (مثل كوهين وجلاس)، يهتم الباحثون بحساب مقاييس التباين المفسر التي تعبر عن النسبة المئوية من التغير في المتغير التابع والتي تعزى مباشرة إلى الانتماء لفئات المتغير المستقل. يُعد مؤشر إيتا-تربيع (Eta-squared – $\eta^2$) والمؤشر النقطي ثنائي التسلسل المعدل (Point-biserial Correlation Squared – $r_{pb}^2$) من أبرز هذه المقاييس.

في بيئة Stata، يمكن حساب قيمة إيتا-تربيع من واقع مخرجات اختبار t لويلش عبر الاستفادة من العلاقة الرياضية المباشرة التي تربط قيمة إحصائية $t$ ودرجات الحرية $df$ بمؤشر التباين المفسر، وفق المعادلة التالية:

$$\eta^2 = \frac{t^2}{t^2 + df}$$

يمكن للمحلل حساب هذه القيمة بدقة فائقة داخل Stata فور تنفيذ اختبار ويلش باستخدام الأمر الحسابي display مستدعياً القيم المخزنة في الذاكرة المرجعية:

display "Eta-squared = " r(t)^2 / (r(t)^2 + r(df_t))

تتراوح قيمة إيتا-تربيع بين 0 و 1 (أو بين 0% و 100%). تُصنف القيم وفق الأدبيات المنهجية إلى: أثر صغير ($\eta^2 \approx 0.01$ أو 1%)، أثر متوسط ($\eta^2 \approx 0.06$ أو 6%)، وأثر كبير ($\eta^2 ge 0.14$ أو 14% فما فوق). إذا بلغت القيمة المحسوبة في دراستنا 0.30، فهذا يعني أن 30% من التباين الكلي الملاحظ في مستويات انخفاض الكوليسترول يرجع بصورة مباشرة إلى نوع العلاج المستخدم، وهي نسبة تفسيرية عالية جداً تعزز القيمة العلمية للاكتشاف في دراسات التحليل البعدي التجميعي (Meta-Analyses).

10. صياغة وتوثيق نتائج اختبار ويلش وفق معايير جمعية علم النفس الأمريكية (APA)

10.1 القواعد المنهجية لكتابة تقرير الاختبار حسب الدليل السابع لـ APA

تضع جمعية علم النفس الأمريكية في إصدارها السابع (APA 7th Edition) قواعد منهجية صارمة ودقيقة لتوثيق نتائج الاختبارات الإحصائية في المتن والجداول. يمتلك اختبار ويلش خصوصية فريدة في التوثيق الأكاديمي تنبع من ضرورة الإبلاغ الدقيق عن درجات الحرية الكسرية الناتجة عن تعديل ساترثويت بدلاً من تقريبها إلى أرقام صحيحة.

تتلخص القواعد المنهجية الأساسية لـ APA في العناصر التالية:

• توثيق الرمز الإحصائي: كتابة حرف $t$ مائلاً (Italicized)، متبوعاً بدرجات الحرية الكسرية بين قوسين مقربة لأقرب منزلتين عشريتين: $t(48.73)$.
• قيمة إحصائية الاختبار: كتابة القيمة المحسوبة مقربة لرقمين عشريين: $t(48.73) = 4.58$.
• القيمة الاحتمالية: كتابة قيمة $p$ بدقة بثلاث منازل عشرية دون وضع صفر قبل الفاصلة العشرية (مثل $p = .003$ بدلاً من $p = 0.003$). وإذا كانت القيمة أقل من 0.001، تُكتب بصيغة $p < .001$.
• الإحصاءات الوصفية: يجب ذكر المتوسط الحسابي والانحراف المعياري لكل مجموعة بوضوح في سياق الجملة، مع إمالة الحروف الدالة عليها: $M = 26.80$, $SD = 9.80$.
• حجم الأثر وفترة الثقة: توثيق معامل حجم الأثر وفترة الثقة المرافقة له بنسبة 95%: $d = 1.15$, $95%text{ CI } [0.60, 1.68]$.
• التبرير المنهجي: ذكر صريح لسبب استخدام اختبار ويلش بدلاً من اختبار ستيودنت الكلاسيكي (مثل الإشارة إلى انتهاك فرضية تجانس التباين في اختبار ليفين/براون-فورسايث).

10.2 نماذج عملية مكتوبة لتقارير النتائج (دالة وغير دالة)

نقدم فيما يلي نماذج نصية تطبيقية متكاملة يمكن للباحثين الاقتداء بها عند كتابة فقرة النتائج الإحصائية في الأوراق العلمية باللغة العربية والإنجليزية وفق معايير APA 7th.

نموذج 1: نتيجة دالة إحصائياً (Statistically Significant Result):

“أظهر اختبار ليفين المعدل (براون-فورسايث) انتهاكاً دالاً إحصائياً لفرضية تجانس التباين بين المجموعتين، $F(1, 58) = 9.65, p = .003$؛ وبناءً على ذلك، تم إجراء اختبار $t$ لويلش للعينات المستقلة لمقارنة متوسط الانخفاض في مستوى الكوليسترول بين مجموعة العلاج المبتكر ومجموعة الضبط. أشارت النتائج إلى وجود فرق ذي دلالة إحصائية بين المجموعتين، $t(48.73) = 4.58, p < .001$. حيث حقق المرضى في مجموعة العلاج المبتكر انخفاضاً أعلى في مستوى الكوليسترول ($M = 26.80\text{ mg/dL}, SD = 9.80$) مقارنة بالمرضى في مجموعة العلاج التقليدي ($M = 18.50\text{ mg/dL}, SD = 4.20$)، بفارق متوسط قدره $8.30text{ mg/dL}, 95%text{ CI } [4.66, 11.94]$. وقد أظهر حجم الأثر تأثيراً كبيراً جداً للتدخل العلاجي،$d = 1.15, 95%text{ CI } [0.60, 1.68]$."

نموذج 2: نتيجة غير دالة إحصائياً (Non-significant Result):

“نظراً لعدم تساوي التباينات بين المجموعتين، تم تطبيق اختبار $t$ لويلش للعينات المستقلة لفحص الفروق في درجات القلق بين مجموعة الذكور ومجموعة الإناث. لم تُظهر النتائج أي فرق ذي دلالة إحصائية بين الجنسين، $t(34.21) = 0.85, p = .401$. حيث بلغ متوسط درجات القلق لدى الذكور ($M = 42.15, SD = 8.60$) مقارنة بالإناث ($M = 40.10, SD = 4.30$)، وبلغ الفرق بين المتوسطين $2.05, 95%text{ CI } [-2.85, 6.95]$. وكان حجم الأثر الناتج صغيراً جداً وغير ذي بال عملياً،$d = 0.28, 95%text{ CI } [-0.38, 0.94]$، مما يشير إلى تكافؤ مستويات القلق بين المجموعتين.”

10.3 تصميم جداول مخرجات احترافية وفق دليل APA في Stata

يتطلب النشر الأكاديمي المرموق تقديم جداول إحصائية أنيقة تخلو من الخطوط العمودية وتقتصر على ثلاثة خطوط أفقية رئيسية وفق متطلبات APA. يوفر Stata إمكانية تصدير الجداول المنسقة تلقائياً إلى مستندات Word أو LaTeX عبر حزم برمجية متقدمة مثل asdoc، outreg2، أو tabout.

يمكن تثبيت حزمة asdoc المتميزة واستخدامها لتصدير جدول اختبار ويلش بجميع إحصاءاته الوصفية والاستدلالية بنقرة واحدة:

ssc install asdoc, replace
asdoc ttest chol_reduction, by(treatment) unequal title("جدول 1: نتائج اختبار t لويلش لمقارنة متوسطات المجموعتين") replace

عند بناء الجدول يدوياً أو مراجعته في معالج النصوص، يجب التأكد من اشتماله على الأعمدة المنهجية التالية بالترتيب:

• المجموعة التصنيفية (Group).
• حجم العينة الفعال ($n$).
• المتوسط الحسابي والانحراف المعياري: $M (SD)$.
• الفرق بين المتوسطين وفترة الثقة: Mean Difference [95% CI].
• قيمة إحصائية ويلش ودرجات الحرية: $t (df)$.
• القيمة الاحتمالية الدقيقة ($p$).
• معامل حجم الأثر المعياري ($d$ أو $\Delta$).

يجب دوماً إدراج ملاحظة توضيحية أسفل الجدول (Table Note) توثق الآتي: “ملاحظة. تم تعديل درجات الحرية وقيمة الخطأ المعياري باستخدام تصحيح ويلش-ساترثويت لعدم تجانس التباين؛ * $p < .05$, ** $p < .01$, *** $p < .001$." يضفي هذا التوثيق الدقيق طابعاً احترافياً ويعزز ثقة المحكمين والناشرين في جودة التحليل المنجز.

11. استكشاف الأخطاء الشائعة والتحذيرات البرمجية في Stata

11.1 أخطاء البيانات والترميز البرمجي الشائعة

أثناء تنفيذ اختبار ويلش في Stata، قد يواجه الباحثون رسائل خطأ برمجية تؤدي إلى توقف التحليل. يُعد فهم أسباب هذه الأخطاء وكيفية علاجها مهارة أساسية للمحلل الإحصائي المحترف.

من أكثر الأخطاء شيوعاً ظهور الرسالة التحذيرية التالية في نافذة المخرجات:
group variable may not take on more than two values
ينشأ هذا الخطأ عندما يحتوي المتغير المحدد في خيار by() على أكثر من فئتين (مثل وجود قيم: 1، 2، 3، أو وجود قيم مفقودة مشفرة كأرقام مثل 99). لحل هذه المشكلة، يجب فحص قيم المتغير عبر أمر tabulate groupvar، ثم إعادة ترميز البيانات لتقليصها لمجموعتين فقط، أو استخدام شرط التصفية داخل أمر الاختبار لحصر التحليل في فئتين محددتين:

ttest score if inlist(group, 1, 2), by(group) unequal

رسالة خطأ شائعة أخرى هي:
type mismatch / variable not found
تحدث هذه الرسالة غالباً عندما يكون المتغير التجميعي مخزناً كمتغير نصي (String Variable) يحتوي على كلمات (مثل “Control” و “Treatment”) بدلاً من كونه متغيراً رقمياً مصنفاً. لا يقبل أمر ttest المتغيرات النصية في خيار by(). ولعلاج ذلك بسرعة، نستخدم أمر encode لتحويل المتغير النصي إلى متغير رقمي مع الحفاظ على التسميات التوضيحية آلياً:

encode group_string, gen(group_numeric)
ttest score, by(group_numeric) unequal

كما يجب التأكد من عدم وجود قيم رقمية مشفرة تدل على الحالات المفقودة دون تعريفها لبرنامج Stata (مثل قيم -99 أو 999)؛ حيث يتعامل معها البرنامج كقيم عددية حقيقية بالغة الضخامة، مما يؤدي إلى تدمير المتوسطات وتضخيم التباينات بشكل كارثي. يتم تحويل هذه الأرقام إلى قيم مفقودة معيارية عبر كتابة: replace score = . if score == -99.

11.2 الأخطاء المنهجية في التطبيق والتفسير

بجانب الأخطاء البرمجية، يقع العديد من الباحثين في أخطاء منهجية ومفاهيمية خطيرة تؤثر على مصداقية الاستنتاجات العلمية. من أبرز هذه الأخطاء الخلط بين اختبار العينات المستقلة بتباينات غير متساوية واختبار العينات المترابطة أو المزدوجة (Paired Samples t-test).

إذا كانت البيانات تمثل نفس الأفراد قبل وبعد تطبيق برنامج تدريبي، فإن تباين الملاحظات مترابط بنيوياً، واستخدام اختبار ويلش المستقل في هذا السياق يُعد خطأً فادحاً يلغي أثر الترابط الداخلي. يجب في هذه الحالة استخدام اختبار الأزواج عبر أمر ttest before == after.

خطأ منهجي آخر يتكرر كثيراً هو التطبيق الأعمى لاختبار ويلش على عينات بالغة الصغر (مثل 5 أو 6 مشاركين في كل مجموعة) عندما تكون البيانات مشوهة بشدة وتظهر التواءً حاداً وانتهاكاً جسيماً للتوزيع الطبيعي. على الرغم من متانة ويلش العالية، إلا أن التقديرات التقريبية لساترثويت تفقد استقرارها في ظل العينات المجهرية الملتوية، مما يتطلب إما جمع مزيد من البيانات أو استخدام اختبارات التباديل الدقيقة (Exact Permutation Tests).

كذلك، يقع البعض في خطأ التفسير المعكوس لاتجاه الفرضيات أحادية الطرف (One-tailed p-values) في مخرجات Stata. يعتمد اتجاه الفروق في جدول Stata على الترتيب الأبجدي أو الرقمي للفئات؛ فإذا كان diff = mean(0) - mean(1)، فإن أي اختبار للفرضية diff < 0 يعني في الواقع اختبار ما إذا كانت المجموعة (0) أقل من المجموعة (1). عدم الانتباه لترتيب طرح المجموعات يؤدي إلى اتخاذ قرارات عكسية تماماً بشأن قبول الفرضيات الموجهة.

11.3 التحقق من صحة النتائج وحل مشكلات عدم التقارب

للتأكد القاطع من استقرار النتائج الاستدلالية وموثوقيتها في الحالات الحدودية أو عندما تثير البيانات بعض الشكوك حول التوزيع، يُوصى بإجراء فحوص متانة متقدمة (Robustness Checks) عبر تقنيات إعادة التعيين بالعينات (Bootstrapping).

تعتمد طريقة الـ Bootstrap على إعادة سحب آلاف العينات العشوائية التكرارية من نفس بيانات الدراسة لإنشاء توزيع تجريبي دقيق للفرق بين المتوسطات دون الاعتماد الصارم على افتراضات التوزيع النظري. في Stata، يمكن دمج خوارزمية Bootstrap مع اختبار ويلش بسهولة تامة عبر كتابة الكود التالي (لسحب 2000 عينة تكرارية):

bootstrap diff = (r(mu_1) - r(mu_2)), reps(2000) seed(12345): ttest chol_reduction, by(treatment) unequal

يقوم هذا التحليل بتوليد فترة ثقة تجريبية قوية للفرق بين المتوسطين. فإذا تطابقت فترات ثقة الـ Bootstrap مع فترة ثقة ويلش التقليدية، يطمئن الباحث إلى أن استنتاجاته الإحصائية محصنة بالكامل ومستقرة ولا تتأثر بأي خصائص توزيعية شاذة.

بالإضافة إلى ذلك، يمكن مقارنة نتائج ويلش بنماذج الانحدار الخطي القوي عبر تطبيق أمر الانحدار ذي الأخطاء المعيارية المصححة (Huber-White Robust SEs):

regress chol_reduction i.treatment, vce(robust)

إن تطابق الدلالة الإحصائية بين نموذج الانحدار القوي واختبار ويلش يقدم دليلاً إحصائياً مزدوجاً لا يقبل الطعن على سلامة وقوة القرار العلمي المتخذ في الدراسة.

12. البدائل الإحصائية المتقدمة لاختبار ويلش ومتى تستخدمها في Stata

12.1 نماذج الانحدار الخطي مع الأخطاء المعيارية القوية (Robust Standard Errors)

يمثل الانتقال من اختبارات الفروق التقليدية إلى إطار نماذج الانحدار الخطي خطوة منهجية متقدمة تفتح آفاقاً تحليلية واسعة أمام الباحث. من الناحية الرياضية، يُعد اختبار t لويلش للعينات المستقلة مكافئاً تماماً لنموذج الانحدار الخطي البسيط ذي المتغير الوهمي الثنائي مع تفعيل خيار الأخطاء المعيارية القوية لعدم تجانس التباين (Heteroskedasticity-Robust Standard Errors).

في برنامج Stata، يُنفذ نموذج الانحدار المكافئ لاختبار ويلش باستخدام الأمر التالي:

regress chol_reduction i.treatment, vce(robust)

يوفر هذا النموذج نفس القيمة التقديرية لمعامل الانحدار ($\beta_1$) والتي تمثل الفرق الدقيق بين المتوسطين، مع خطأ معياري قوي مصحح يماثل حسابات ويلش. والأكثر من ذلك، يوفر Stata مصفوفات تباين وتغاير متقدمة ومعدلة للعينات الصغيرة، مثل مصفوفة HC2 ومصفوفة HC3، والتي تقدم تصحيحات فائقة الدقة تتجاوز أحياناً الصيغ التقليدية لساترثويت:

regress chol_reduction i.treatment, vce(hc2)
regress chol_reduction i.treatment, vce(hc3)

الميزة الكبرى لهذا التحول إلى إطار الانحدار هي القدرة على إضافة متغيرات ضابطة ومعدلة (Covariates) إلى النموذج، مثل ضبط أثر العمر، الجنس، أو مستوى الكوليسترول الأولي للمرضى (تحليل التباين المصاحب – ANCOVA). يعجز اختبار ويلش البسيط عن استيعاب المتغيرات المصاحبة، في حين يتيح نموذج الانحدار القوي عزل التأثيرات المشوشة وتقدير الأثر الصافي الحقيقي للعلاج بكفاءة إحصائية منقطعة النظير.

12.2 تحليل التباين لويلش (Welch’s ANOVA) لأكثر من مجموعتين

عندما يتسع التصميم التجريبي للدراسة ليشمل مقارنة ثلاثة متوسطات أو أكثر (مثل: جرعة منخفضة، جرعة متوسطة، جرعة عالية، ومجموعة ضابطة) في ظل تباينات غير متساوية بين الفئات، يفشل اختبار t لويلش نظراً لاقتصاره الهيكلي على مجموعتين فقط. كما ينهار تحليل التباين الأحادي الكلاسيكي (Classical One-way ANOVA) بسبب حساسيته الشديدة لخرق تجانس التباين.

في هذه الحالة، طور ويلش امتداداً رياضياً بديعاً لتحليل التباين يُعرف بـ تحليل التباين لويلش (Welch’s ANOVA). يعتمد هذا التحليل على وزن كل مجموعة بمقلوب تباينها وتعديل درجات حرية البسط والمقام لإنتاج إحصائية $F$ معدلة وقوية ضد عدم التجانس.

في برنامج Stata، يمكن تنفيذ تحليل التباين لويلش للأبعاد المتعددة عبر الأمر المباشر oneway مع تفعيل الخيار الصريح welch:

oneway outcome_score multi_group_var, welch

ينتج عن هذا الأمر جدول تحليل تباين يتضمن قيمة إحصائية Welch's F المرفقة بدرجات حرية كسرية لكل من البسط والمقام، مع قيمة احتمالية دقيقة وثابتة. وعندما يظهر هذا الاختبار دلالة إحصائية كلية، يتعين على الباحث إجراء مقارنات بعدية متعددة (Post-hoc Comparisons) متوافقة مع عدم تجانس التباين، مثل اختبار جيمس-هاول (Games-Howell Test) أو اختبار دانيت (Dunnett’s T3)، لضمان عدم تضخم معدل الخطأ الإجمالي للعائلة (Family-wise Error Rate) عند مقارنة الأزواج المتعددة.

12.3 البدائل اللامعلمية والرتبية عند الانتهاك المزدوج للافتراضات

تطرأ في الممارسة البحثية أحياناً حالات معقدة تنتهك فيها البيانات كافة الافتراضات معاً؛ كان تكون أحجام العينات صغيرة جداً، والتوزيعات مشوهة وملتوية التواءً جسيماً، والتباينات بين المجموعات شديدة التفاوت والتنافر. في ظل هذا “الانتهاك المزدوج”، حتى التعديلات المعلمية لاختبار ويلش قد لا تكون كافية بمفردها.

هنا يلجأ الباحث إلى البدائل الرتبية واللامعلمية المتقدمة. الخيار الكلاسيكي هو اختبار مان-ويتني (Mann-Whitney U Test)، والذي يتم تنفيذه في Stata عبر أمر مجموع الرتب:

ranksum outcome_score, by(group_var)

غير أن اختبار مان-ويتني نفسه يتأثر باختلاف التباين كما أسلفنا. لذلك، يُعد اختبار برونر-مونزل (Brunner-Munzel Test)، المعروف باختبار ويلش اللامعلمي (Non-parametric Welch’s Test)، الحل الإحصائي الأكثر متانة وبراعة في العالم اليوم للتعامل مع العينات اللامعلمية ذات التباينات غير المتساوية. يختبر برونر-مونزل الاحتمال العشوائي لتفوق ملاحظة من المجموعة الأولى على ملاحظة من المجموعة الثانية دون أي افتراض حول شكل التوزيع أو تساويه.

يمكن تثبيت وتنفيذ اختبار برونر-مونزل في Stata عبر الحزم الخارجية المتطورة:

net search brunnermunzel
brunner outcome_score, by(group_var)

كبديل منهجي موازٍ، يمكن للباحث تجربة التحويلات الرياضية غير الخطية على البيانات الأصلية، مثل التحويل اللوغاريتمي الطبيعي gen log_score = log(outcome_score) أو تحويلات بوكس-كوكس (Box-Cox Transformations) عبر أمر boxcox في Stata، والتي تنجح في كثير من الأحيان في ضبط استقامة التوزيع وتثبيت التباين، مما يتيح العودة لتطبيق اختبارات t بثقة وموثوقية رياضية كاملة.

خاتمة

يُمثل اختبار t لويلش (Welch’s t-test) أحد أعظم الإنجازات التطبيقية في تاريخ الإحصاء الاستدلالي الحديث؛ حيث حرر البحث العلمي من الاعتماد الهش على افتراض تجانس التباين الذي نادراً ما يتحقق في الواقع التجريبي والميداني المعقد. بفضل التعديل الذكي لدرجات الحرية وصيغة الخطأ المعياري المنفصل، يوفر اختبار ويلش درعاً رياضياً محكماً يحمي الباحثين من التضخم الكارثي في أخطاء النوع الأول ويحافظ على القوة الإحصائية اللازمة لاكتشاف الفروق الحقيقية.

وقد استعرضنا خلال هذا الدليل الشامل كيف يمنح برنامج Stata الباحثين ترسانة برمجية متكاملة وقوية تبدأ من الفحص والاستكشاف البصري، مروراً بالاختبارات التشخيصية لليفين وبراون-فورسايث وشابيرو-ويلك، وصولاً إلى التنفيذ الدقيق لاختبار ويلش عبر أمر ttest, unequal وحساب أحجام الأثر القياسية عبر esize وتوثيق النتائج وفق أدلة النشر العالمية (APA 7th). إن تبني اختبار ويلش كخيار افتراضي أولي في كافة مقارنات المتوسطات المستقلة ليس مجرد توصية تقنية عابرة، بل هو ممارسة منهجية رفيعة ترتقي بمستوى النزاهة العلمية، وتضمن استقرار وموثوقية المعرفة المنتجة في شتى ميادين العلوم.

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
• Brunner, E., & Munzel, U. (2000). The nonparametric Behrens-Fisher problem: Asymptotic theory and a small-sample approximation. Biometrical Journal, 42(1), 17–25. <a href="https://doi.org/10.1002/(SICI)1521-4036(200001)42:13.0.CO;2-U” target=”_blank”>https://doi.org/10.1002/(SICI)1521-4036(200001)42:13.0.CO;2-U
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Delacre, M., Lakens, D., & Leys, C. (2017). Why psychologists should by default use Welch’s t-test instead of Student’s t-test. International Review of Social Psychology, 30(1), 92–101. https://doi.org/10.5334/irsp.82
• Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709–722. https://doi.org/10.3758/BF03192961
• Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. Academic Press.
• Kirk, R. E. (2013). Experimental design: Procedures for the behavioral sciences (4th ed.). SAGE Publications.
• Levene, H. (1960). Robust tests for equality of variances. In I. Olkin, S. G. Ghurye, W. Hoeffding, W. G. Madow, & H. B. Mann (Eds.), Contributions to probability and statistics: Essays in honor of Harold Hotelling (pp. 278–292). Stanford University Press.
• Ruxton, G. D. (2006). The unequal variance t-test is an underused alternative to Student’s t-test and the Mann–Whitney U test. Behavioral Ecology, 17(4), 688–690. https://doi.org/10.1093/beheco/ark016
• Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
• StataCorp. (2023). Stata 18 Base Reference Manual. Stata Press. https://www.stata.com/manuals/r.pdf
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510
• Zimmerman, D. W. (2004). A note on preliminary tests of equality of variances. British Journal of Mathematical and Statistical Psychology, 57(1), 173–181. https://doi.org/10.1348/000711004849222