كيفية استخدام اختبار دونيت للمقارنات المتعددة

تمثل الاستدلالات الإحصائية المتقدمة حجر الزاوية في بناء المعرفة العلمية الموثوقة ضمن حقول العلوم السلوكية والنفسية والطبية الحيوية. فعندما يصمم الباحث تجربة إكلينيكية أو دراسة تجريبية تتضمن مقارنة أساليب علاجية متعددة، يواجه تحدياً منهجياً جوهرياً يتجاوز مجرد إثبات وجود فروق عامة بين المجموعات؛ إذ يكمن التحدي الحقيقي في تحديد أي من هذه العلاجات التجريبية يتفوق بالفعل على المعيار المرجعي أو المجموعة الضابطة دون الوقوع في فخ التضخم التراكمي للأخطاء الاحتمالية. وتعد مشكلة المقارنات المتعددة من أكثر المسائل الإحصائية حساسية، حيث يؤدي تكرار تطبيق الاختبارات البسيطة إلى تآكل الثقة في النتائج وإمكانية إعلان فاعلية علاجية وهمية لا وجود لها في الواقع.

في هذا السياق المعرفي الدقيق، يبرز اختبار دونيت (Dunnett’s Test) كأحد أكثر الحلول الاستدلالية براعة وتخصصاً في تاريخ الإحصاء التطبيقي. تم تصميم هذا الاختبار خصيصاً لمعالجة سيناريو بحثي محدد وشائع للغاية: مقارنة عدة مجموعات علاجية أو تجريبية بمجموعة ضابطة واحدة مشتركة (Control Group). بدلاً من استنزاف القوة الإحصائية في مقارنات بينية غير ضرورية بين المجموعات التجريبية ذاتها، يركز اختبار دونيت كامل طاقته الاختبارية على رصد الفروق الفردية الموجهة نحو المعيار الضابط، مع الحفاظ الصارم على معدل الخطأ من النوع الأول عند مستواه الاسمي الإجمالي.

يقدم هذا الدليل المرجعي الشامل تأصيلاً نظرياً وتطبيقياً متعمقاً لاختبار دونيت للمقارنات البعدية المتعددة، مستعرضاً جذوره الرياضية في توزيع المتغيرات المتعددة، وشروط تطبيقه الصارمة في القياس النفسي، وموقعه المقارن بين الاختبارات اللاحقة الكلاسيكية كاختبار توكي وبونفيروني وشيفيه. كما يتناول الدليل الإجراءات الحسابية خطوة بخطوة، والآليات البرمجية لتنفيذه عبر حزم SPSS ولغة R، مع تفكيك دراسة حالة إكلينيكية واقعية وتوثيق نتائجها وفق معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة تأسيسية لاختبار دونيت ومفهوم المقارنات البعدية في البحوث النفسية

1.1 مفهوم تحليل التباين (ANOVA) وحدود نتائجه العامة

يعد تحليل التباين الأحادي (One-Way ANOVA) الأداة البارامترية القياسية لاختبار الفروق بين ثلاثة متوسطات مجتمعية أو أكثر عبر متغير تابع كمي مستمر. تعتمد فلسفة هذا التحليل على تفكيك التباين الإجمالي الملاحظ في البيانات إلى مركبين أساسيين: التباين بين المجموعات (Between-Groups Variance) الناتج عن تأثير المعالجة التجريبية والتباين النظامي، والتباين داخل المجموعات (Within-Groups Variance) الذي يمثل الخطأ العشوائي والفروق الفردية غير المفسرة. ومن خلال قسمة تباين المعالجة على تباين الخطأ، يتم الحصول على نسبة فيشر الإحصائية (F-ratio).

تتمثل الوظيفة الجوهرية لاختبار فائي (F-test) في اختبار ما يعرف بـ “الفرضية الصفرية الشاملة” (Omnibus Null Hypothesis)، والتي تفترض تطابق كافة المتوسطات قيد الدراسة في المجتمع الإحصائي، وتصاغ رياضياً بالشكل: $\mu_1 = \mu_2 = \mu_3 = dots = \mu_k$. عندما تسفر قيمة F المحسوبة عن دلالة إحصائية (أي عندما تكون القيمة الاحتمالية p أصغر من مستوى المعنوية المحدد $\alpha le 0.05$)، فإن القرار الإحصائي الوحيد الذي يمكن اتخاذه بيقين هو رفض هذه الفرضية الصفرية الشاملة. ويعني هذا الرفض وجود فرق حقيقي واحد على الأقل بين زوجين من المتوسطات، أو أن تباين هذه المتوسطات لا يمكن عزوه إلى الصدفة العشوائية بمفردها.

على الرغم من الأهمية المنهجية البالغة لاختبار ANOVA، إلا أنه يعاني من قصور بنيوي حاسم؛ فالتحليل بحد ذاته يعد اختباراً “أعمى” أو غير محدد للموقع الجغرافي للفروق داخل فضاء البيانات. لا يقدم اختبار F أي معلومة إحصائية تحدد أي المجموعات تختلف تحديداً عن غيرها، ولا يكشف عما إذا كانت جميع المعالجات التجريبية فعالة، أم أن المعالجة الأولى فقط هي المتفوقة، أم أن الفرق يقتصر على تباين ثانوي بين مجموعتين تجريبيتين دون تفوقهما على الحالة المرجعية. من هنا تنشأ الضرورة المنهجية الحتمية للانتقال إلى ما يعرف بـ “الاختبارات البعدية” أو المقارنات المتعددة اللاحقة (Post-Hoc Multiple Comparisons)، والتي صممت خصيصاً لاستكشاف وتحديد أزواج المتوسطات المتباينة بدقة متناهية مع كبح جماح الأخطاء الاستدلالية الناتجة عن تكرار المقارنات.

1.2 التعريف باختبار دونيت (Dunnett’s Test) وسياق نشأته

في عام 1955، نشر عالم الإحصاء الكندي المرموق تشارلز دونيت (Charles William Dunnett) ورقته البحثية التأسيسية التاريخية بعنوان “A Multiple Comparison Procedure for Comparing Several Treatments with a Control” في مجلة الجمعية الإحصائية الأمريكية (Journal of the American Statistical Association). لاحظ دونيت أن الباحثين في المجالات الطبية والبيولوجية والنفسية يواجهون بشكل متكرر تصميماً تجريبياً لا يتطلب مقارنة كل معالجة بجميع المعالجات الأخرى، بل يتطلب حصراً مقارنة عدد من المعالجات المستحدثة بمجموعة مرجعية أساسية واحدة تسمى “المجموعة الضابطة” (Control Group).

تكمن العبقرية الرياضية لاختبار دونيت في أنه صُمم خصيصاً كإجراء استدلالي متخصص لإجراء المقارنات المزدوجة بين عدة مجموعات تجريبية ($k-1$) ومجموعة ضابطة واحدة محددة سلفاً. على النقيض من الاختبارات العامة التي تشتت القوة الإحصائية على مقارنات أفقية بين العلاجات التجريبية نفسها، يقوم اختبار دونيت بتركيز الطاقة التحليلية لاكتشاف الفروق ذات الصلة بالهدف البحثي المباشر، وهو تحديد ما إذا كانت أي من المعالجات المستحدثة تقدم تغييراً دالاً مقارنة بنقطة الأساس الصفرية أو التقليدية.

تتجلى الأهمية الفائقة لاختبار دونيت في البحوث النفسية الإكلينيكية، والدراسات الدوائية السلوكية (Psychopharmacology)، وتجارب تقييم البرامج الإرشادية. ففي هذه المجالات، يكون التساؤل المنهجي الحاسم: “هل يقلل هذا التدخل السلوكي الجديد من أعراض القلق أو الاكتئاب مقارنة بعدم التدخل أو بالرعاية المعتادة؟”. وتبرز قوة هذا الاختبار في آليته الدقيقة لحماية الباحث من تضخم خطأ النوع الأول (Type I Error Inflation)؛ حيث يضبط معدل الخطأ العائلي الشامل عند المستوى المختار بدقة تفوق الأساليب التعديلية العامة والتقليدية، مستفيداً من الخصائص الرياضية للاعتمادية المشتركة بين المقارنات.

1.3 أهمية وجود المجموعة الضابطة (Control Group) في التصاميم النفسية

تمثل المجموعة الضابطة في البحوث السلوكية والنفسية الركيزة المعيارية التي تمنح المتغير التابع معناه العلمي والتطبيقي. ففي دراسة الظواهر الإنسانية المعقدة، مثل تغير الحالة المزاجية، أو تراجع مستويات الوسواس القهري، أو تحسن مهارات الانتباه، لا يمكن عزو التغيرات الملاحظة إلى التدخل العلاجي بمعزل عن التحكم في عوامل التغير التلقائي (Spontaneous Remission)، أو أثر النضج الزمني، أو تأثيرات الانحدار نحو المتوسط الإحصائي (Regression to the Mean). تضمن المجموعة الضابطة توفير خط أساس يعزل هذه المتغيرات الدخيلة ويوفر أرضية صلبة للمقارنة الموضوعية.

من الضروري في التصميم التجريبي التمييز الدقيق بين الأنماط المختلفة للمجموعات الضابطة؛ فهناك المجموعة الضابطة غير المعالجة (No-Treatment Control) أو ضابطة قائمة الانتظار (Waitlist Control) التي تترك دون أي تدخل لقياس التطور الطبيعي للاضطراب، وهناك مجموعة العلاج الوهمي (Placebo Control) المصممة للتحكم في التوقعات الإيجابية والآثار النفسية للإيحاء، بالإضافة إلى مجموعة الرعاية المعتادة (Treatment-as-Usual / TAU) التي تتلقى البروتوكول الإكلينيكي التقليدي لمقارنة العلاج الجديد بأفضل الممارسات القائمة. إن طبيعة المجموعة الضابطة المختارة هي التي تحدد المعنى النظري والعملي للفرضية الصفرية التي يختبرها الباحث.

تنبع فلسفة حصر المقارنات مع المجموعة الضابطة دون مقارنة المجموعات التجريبية ببعضها من مبدأ الاقتصاد المنهجي (Methodological Parsimony) وحماية الفرضيات الموجهة. فعندما يكون الهدف الأساسي هو إثبات فاعلية علاجات جديدة في خفض الأعراض مقارنة بحالة عدم التدخل، فإن اختبار التباين بين علاجين جديدين لم يثبت تفوقهما بعد على الضابطة يعد خطوة سابقة لأوانها ومضيعة للقوة الإحصائية؛ إذ إن استهلاك درجات الحرية في تساؤلات غير جوهرية يزيد من صرامة العتبة الإحصائية اللازمة لكشف التأثيرات الحقيقية مقارنة بالمجموعة المرجعية الأساسية.

2. الأسس النظرية والرياضية لاختبار دونيت

2.1 التحكم في معدل الخطأ العائلي (Family-Wise Error Rate)

في المنهجية الإحصائية، يمثل خطأ النوع الأول ($\alpha$) احتمالية رفض الفرضية الصفرية في حين أنها صحيحة في الواقع (أي التوصل إلى استنتاج بوجود تأثير أو فرق حقيقي بينما هو ناتج فقط عن التباين العشوائي للصدفة). عندما يكتفي الباحث بإجراء مقارنة واحدة باستخدام اختبار تائي (t-test)، يظل معدل هذا الخطأ ثابتاً عند المستوى الاسمي المختار، والذي يحدد عادة بـ $\alpha = 0.05$. ولكن عندما تتعدد المقارنات المستقلة ضمن التجربة الواحدة، يتآكل هذا الضمان الرياضي بشكل دراماتيكي وسريع.

يعرف “معدل الخطأ العائلي” (Family-Wise Error Rate – FWER) بأنه احتمالية ارتكاب خطأ واحد على الأقل من النوع الأول عبر كامل منظومة الفرضيات الصفرية التي يتم اختبارها في التجربة. في حالة إجراء $c$ من المقارنات المستقلة تماماً عند مستوى دلالة $\alpha$ لكل مقارنة، فإن معدل الخطأ العائلي التراكمي ($\alpha_{FW}$) يحسب وفق المعادلة الاحتمالية التالية:

$$\alpha_{FW} = 1 – (1 – \alpha)^c$$

فإذا كان لدينا تصميم يتضمن 4 مجموعات تجريبية ومجموعة ضابطة، فإن عدد المقارنات البينية الكلية المحتملة هو $c = \frac{5 \times 4}{2} = 10$ مقارنات. وإذا أجريت اختبارات تائية مستقلة، فإن معدل الخطأ العائلي الفعلي يرتفع إلى: $1 – (1 – 0.05)^{10} = 1 – (0.95)^{10} \approx 0.401$. وهذا يعني أن هناك احتمالاً يتجاوز 40% لإعلان وجود فرق دال إحصائياً بالخطأ! يقوم اختبار دونيت بكبح هذا التضخم بصرامة؛ حيث يعيد ضبط القيمة الحرجة بطريقة تضمن ألا يتجاوز $\alpha_{FW}$ الإجمالي القيمة الاسمية (0.05) عبر جميع المقارنات التي تجرى بين المجموعات التجريبية والمجموعة الضابطة حصراً ($c = k – 1$).

2.2 الاعتمادية المشتركة وتوزيع دونيت الإحصائي

تكمن الخصوصية الرياضية الفائقة لاختبار دونيت في معالجته لبنية الارتباط الداخلي المعقدة بين الفروق الإحصائية. فعند مقارنة عدة مجموعات تجريبية ($T_1, T_2, dots, T_{k-1}$) بمجموعة ضابطة مشتركة ($C$)، فإن الفروق المحسوبة بين المتوسطات: $(\bar{X}_{T1} – \bar{X}_C), (\bar{X}_{T2} – \bar{X}_C), dots, (\bar{X}_{Tk-1} – \bar{X}_C)$ ليست متغيرات عشوائية مستقلة، بل هي متغيرات مرتبطة رياضياً بسبب اشتراكها جميعاً في نفس متوسط المجموعة الضابطة ($\bar{X}_C$).

إذا حدثت لأسباب عشوائية تذبذبات جعلت متوسط المجموعة الضابطة في العينة منخفضاً بشكل غير معتاد، فإن جميع الفروق بين المجموعات التجريبية وتلك الضابطة ستنزاح نحو الارتفاع في آن واحد. ينجم عن هذا الاشتراك بنية تباين وتغاير متماثلة؛ حيث يبلغ معامل الارتباط الرياضي ($rho$) بين أي مقارنتين من هذه المقارنات، في حالة تساوي أحجام العينات ($n$)، القيمة الثابتة التالية:

$$\rho_{ij} = \frac{\text{Cov}(\bar{X}_{Ti} – \bar{X}_C, \bar{X}_{Tj} – \bar{X}_C)}{\sqrt{\text{Var}(\bar{X}_{Ti} – \bar{X}_C)\text{Var}(\bar{X}_{Tj} – \bar{X}_C)}} = \frac{\sigma^2/n}{\sqrt{(2\sigma^2/n)(2\sigma^2/n)}} = \frac{1}{2} = 0.5$$

استند تشارلز دونيت إلى نظرية توزيع t متعدد المتغيرات (Multivariate t-distribution) لاشتقاق توزيع إحصائي خاص يأخذ بعين الاعتبار هذا الارتباط الإيجابي المتساوي ($rho = 0.5$) بين الفروق. ومن خلال التكامل الرياضي المباشر لدالة الكثافة الاحتمالية للتوزيع متعدد المتغيرات، أنتج دونيت جداول إحصائية مخصصة تحدد القيم الحرجة بدقة بالغة وفقاً لمستوى المعنوية المحدد، ودرجات حرية الخطأ داخل المجموعات ($df_{within}$)، وعدد المجموعات المقارنة ($k$). تمنح هذه المعالجة لاختبار دونيت كفاءة وقوة إحصائية متفوقة عجزت عنها الأساليب الكلاسيكية التي تفترض استقلالية المقارنات.

3. شروط وافتراضات تطبيق اختبار دونيت في القياس النفسي

3.1 افتراض التوزيع الطبيعي للمتغير التابع

باعتبار اختبار دونيت اختباراً بارامترياً متقدماً مشتقاً من نماذج التباين الخطية، فإنه يفترض أن الدرجات الملاحظة للمتغير التابع في المجتمع الإحصائي تتبع التوزيع الطبيعي (Normal Gaussian Distribution) داخل كل مجموعة من المجموعات التجريبية والمجموعة الضابطة على حدة. في بحوث القياس النفسي، يعد هذا الافتراض جوهرياً لضمان صحة درجات الحرية وموثوقية تقديرات الخطأ المعياري المحسوبة لاختبار الفروق.

للتحقق الصارم من هذا الافتراض، ينبغي على الباحث عدم الاكتفاء بالمعاينة البصرية، بل تطبيق مصفوفة متكاملة من الاختبارات الإحصائية والرسوم التشخيصية. يوصى باستخدام اختبار شابيرو-ويلك (Shapiro-Wilk Test) للعينات الصغيرة والمتوسطة ($N 0.05$ إلى عدم وجود انتهاك جوهري للاعتدالية.

إلى جانب الاختبارات الدلالية، تعد الأدوات البيانية التشخيصية ضرورة لا غنى عنها؛ إذ ينبغي فحص مخططات الاحتمال الطبيعي (Normal Q-Q Plots) ومخططات الصندوق (Boxplots) لرصد أي التواء (Skewness) حاد أو تفرطح (Kurtosis) غير اعتيادي، والتأكد من خلو البيانات من القيم المتطرفة الشاذة (Outliers) التي قد تشوه متوسط المجموعة وترفع تباين الخطأ بشكل مصطنع، مما يضعف قدرة اختبار دونيت على اكتشاف التأثيرات الحقيقية للمعالجات النفسية.

3.2 افتراض تجانس التباين (Homoscedasticity)

يعد افتراض تجانس التباين عبر جميع المجموعات المقارنة ركيزة لا تقل أهمية عن افتراض التوزيع الطبيعي. ينص هذا الافتراض على أن تباين الخطأ العشوائي غير المفسر في المجتمع يجب أن يكون متساوياً عبر كافة المستويات التجريبية والمجموعة الضابطة، أي أن: $\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2 = \sigma^2$. ترجع أهمية هذا الشرط إلى أن اختبار دونيت يعتمد على تقدير موحد ومجمع لتباين الخطأ المشترك، يتم استخلاصه مباشرة من متوسط المربعات داخل المجموعات ($MS_{within}$) في جدول تحليل التباين.

يتم تقييم هذا الافتراض منهجياً باستخدام اختبار ليفين لتجانس التباين (Levene’s Test for Equality of Variances) المعتمد على انحرافات الدرجات عن وسيط المجموعة لتجنب الحساسية الزائدة للالتواء. إذا أسفر اختبار ليفين عن قيمة دلالة غير دالة إحصائياً ($p > 0.05$)، فإن افتراض التجانس يظل قائماً وصحيحاً، مما يتيح للباحث استخدام صيغة دونيت القياسية بأمان رياضي كامل.

في المقابل، إذا انتُهك افتراض تجانس التباين بصورة دالة ($p le 0.05$)، فإن استخدام اختبار دونيت الكلاسيكي يؤدي إلى تشوهات خطيرة في معدلات الخطأ؛ فإذا كانت المجموعات ذات التباين الأكبر تحتوي على أحجام عينات أصغر، فإن معدل خطأ النوع الأول الفعلي سيتضخم متجاوزاً عتبة 0.05 الاسمية. وفي هذه الحالة، يتحتم على الباحث اللجوء إلى التعديلات المصممة لتباينات الخطأ غير المتجانسة، مثل تعديل دونيت-تامهان (Dunnett’s T3) أو اختبارات المقارنة المعدلة برتب روبست (Robust Methods).

3.3 استقلالية المشاهدات والتصميم التجريبي

تمثل استقلالية المشاهدات (Independence of Observations) أشد الافتراضات الإحصائية حساسية وصرامة في تحليل التباين واختبار دونيت. يعني هذا الشرط أن درجة أي فرد في العينة لا تتأثر ولا ترتبط بأي شكل من الأشكال بدرجة أي فرد آخر داخل المجموعة نفسها أو في المجموعات الأخرى، وأن الأخطاء العشوائية غير مرتبطة عبر المشاهدات ($\text{Cov}(\epsilon_i, \epsilon_j) = 0$ لكل $i ne j$).

يعد التخصيص العشوائي الصارم (Random Assignment) للمشاركين في المجموعات النفسية التجريبية والمجموعة الضابطة الضمان المنهجي الوحيد لتحقيق هذا الاستقلال. ويحذر التحليل الإحصائي من تطبيق صيغة دونيت القياسية المستقلة على بيانات التصاميم المرتبطة، مثل قياسات القياسات المتكررة (Repeated Measures) حيث يتم تقييم الفرد نفسه عبر عدة نقاط زمنية، أو في الدراسات السلوكية التي تطبق المعالجة في سياق مجموعات تفاعلية مشتركة (Clustered Data)؛ إذ يؤدي الارتباط الداخلي (Intraclass Correlation) غير المعالج إلى التقليل الكاذب من الخطأ المعياري، مما ينتج عنه استنتاجات خاطئة وفروق وهمية مضللة.

4. المقارنة المنهجية بين اختبار دونيت والاختبارات البعدية الأخرى

4.1 مقارنة اختبار دونيت باختبار توكي (Tukey’s HSD)

يعتبر اختبار توكي للفرق المعنوي الصادق (Tukey’s HSD) المعيار الذهبي لإجراء المقارنات المزدوجة الشاملة “الكل مقابل الكل” (All-Pairs Comparisons). يكمن الاختلاف الجوهري بين دونيت وتوكي في النطاق الهندسي للمقارنات؛ فاختبار توكي يختبر جميع الأزواج الممكنة في التجربة والبالغ عددها $c = \frac{k(k-1)}{2}$ مقارنة، بينما يقتصر اختبار دونيت حصراً على مقارنة المجموعات التجريبية بالمجموعة الضابطة وعددها $c = k – 1$.

ينعكس هذا الاختلاف المنهجي بشكل مباشر وعميق على القوة الإحصائية (Statistical Power)؛ فنظراً لأن اختبار توكي يحمي معدل الخطأ العائلي عبر عدد هائل من المقارنات، فإنه يضطر إلى فرض قيمة حرجة أعلى بكثير (عتبة إثبات أكثر صرامة) مقارنة باختبار دونيت. ونتيجة لذلك، إذا كان الهدف الحقيقي للباحث هو مقارنة العلاجات بالمجموعة الضابطة فقط، فإن استخدام اختبار توكي يعد تضحية منهجية غير مبررة بالقوة الإحصائية، حيث تقل قدرته على التقاط الفروق الحقيقية ذات الدلالة مقارنة بدونيت الذي يمتلك حساسية أعلى بكثير ضمن هذا النطاق المحدد.

يتعين على الباحث النفسي تحديد اختياره بدقة بناءً على صياغة الأسئلة البحثية قبل فحص البيانات؛ فإذا كانت هناك حاجة نظرية للمفاضلة المباشرة بين العلاجات التجريبية وتحديد أيها أفضل من الآخر، فإن توكي هو الخيار الحتمي. أما إذا كان الهدف هو إثبات كفاءة العلاجات مقارنة بالخط الأساسي للضابطة، فإن دونيت يقدم كفاءة إحصائية مطلقة لا تضاهى.

4.2 مقارنة اختبار دونيت بتصحيح بونفيروني (Bonferroni Correction)

يعد تصحيح بونفيروني (Bonferroni Adjustment) أحد أقدم وأبسط الأساليب المتبعة للتحكم في معدل الخطأ العائلي؛ حيث يعتمد على متباينة بول (Boole’s Inequality) البسيطة من خلال قسمة مستوى الدلالة الاسمي الإجمالي على عدد المقارنات المراد إجراؤها ($alpha’ = \frac{\alpha}{c}$). ورغم مرونة بونفيروني الفائقة وإمكانية تطبيقه على أي توليفة من المقارنات المحددة مسبقاً، إلا أنه يعاني من عيب رياضي جسيم: فهو إجراء شديد التحفظ (Overly Conservative).

يتجاهل تصحيح بونفيروني تماماً الاعتمادية المشتركة والارتباط الداخلي الإيجابي ($rho = 0.5$) القائم بين المقارنات التي تشترك في المجموعة الضابطة ذاتها، ويفترض بدلاً من ذلك أسوأ السيناريوهات الاحتمالية وكأن المقارنات مستقلة أو متعارضة تماماً. يؤدي هذا التحفظ المفرط إلى جعل القيمة الاحتمالية المعدلة أكبر من حقيقتها الرياضية، مما يزيد بشكل حاد من احتمالية ارتكاب خطأ النوع الثاني (Type II Error) المتمثل في الفشل في اكتشاف فاعلية حقيقية للعلاج النفسي.

على العكس من ذلك، يتفوق اختبار دونيت كلياً على تصحيح بونفيروني في سيناريو المقارنة مع الضابطة؛ إذ يوفر اختبار دونيت قيماً حرجة أدق وأصغر حجماً تتطابق مع النموذج الاحتمالي لتوزيع $t$ المتعدد، مما يضمن الحفاظ التام على المستوى الدقيق للخطأ الاسمي $0.05$ دون أي فقدان مصطنع للقوة الإحصائية اللازمة للبحث العلمي.

4.3 مقارنة اختبار دونيت باختبار شيفيه (Scheffé’s Test)

يمثل اختبار شيفيه (Scheffé’s Test) الأسلوب البعدي الأكثر شمولية ومرونة على الإطلاق في التحليل الإحصائي البارامتري؛ حيث يتيح للباحث اختبار ليس فقط الفروق المزدوجة البسيطة بين المتوسطات، بل أي تباينات أو توليفات خطية معقدة محتملة بين المجموعات (Complex Contrasts)، مثل مقارنة متوسط مجموعتين تجريبيتين معاً بمتوسط المجموعة الضابطة، حتى بعد الاطلاع على البيانات وبدون تخطيط مسبق.

غير أن هذه المرونة المطلقة تفرض ثمناً باهظاً على مستوى الحساسية الإحصائية؛ فاختبار شيفيه مصمم لحماية معدل الخطأ العائلي ضد اللانهاية من التباينات الممكنة رياضياً، مما يجعله أكثر الاختبارات البعدية صرامة وتحفظاً على الإطلاق. فإذا تم استخدام شيفيه لمجرد إجراء مقارنات بسيطة بين مجموعات علاجية وضابطة، فإن القيمة الحرجة تصبح شديدة الارتفاع بدرجة تجعل رفض الفرضية الصفرية أمراً بالغ الصعوبة، مما يطمس الفروق الإكلينيكية الهامة.

لذلك، تقتصر التوصية باستخدام اختبار شيفيه على الدراسات الاستكشافية التي تتطلب اختبار تباينات خطية مركبة غير مخططة، بينما يظل اختبار دونيت هو المعيار الدقيق المفضل في التجارب الإكلينيكية ذات البنية المحددة سلفاً لمقارنة كل ذراع علاجي بالذراع الضابط المرجعي.

5. الخطوات الحسابية والمعادلات الرياضية لاختبار دونيت

5.1 استخراج متوسط المربعات داخل المجموعات (MSw)

تبدأ الخطوة الأولى في الحساب اليدوي والرياضي لاختبار دونيت من تفكيك جدول تحليل التباين الأحادي للحصول على أفضل تقدير موحد لتباين الخطأ في العينة. يتم حساب مجموع المربعات داخل المجموعات ($SS_{within}$ أو $SS_{error}$) بجمع مربعات انحرافات الدرجات الفردية عن متوسطات مجموعاتها الخاصة، وفق الصيغة:

$$SS_{within} = \sum_{i=1}^{k} \sum_{j=1}^{n_i} (X_{ij} – \bar{X}_i)^2$$

تستخرج درجات الحرية المرتبطة بتباين داخل المجموعات بطرح عدد المجموعات الإجمالي ($k$) من إجمالي حجم العينة الكلي في التجربة ($N$):

$$df_{within} = N – k$$

بناءً على هاتين القيمتين، يتم حساب متوسط المربعات داخل المجموعات ($MS_{within}$ أو $s^2_{pooled}$) بقسمة مجموع المربعات على درجات حريته:

$$MS_{within} = \frac{SS_{within}}{df_{within}}$$

يمثل هذا المقياس التقدير الأساسي للتباين العشوائي المشترك غير المفسر بالعوامل التجريبية، ويعد الركيزة الرياضية التي تشتق منها جميع الأخطاء المعيارية للمقارنات البعدية في اختبار دونيت.

5.2 حساب الخطأ المعياري للفرق بين المتوسطات

يقيس الخطأ المعياري للفرق (Standard Error of the Difference) مدى التشتت المتوقع للفروق بين المتوسطات العينية الناتجة عن المعاينة العشوائية حول الفرق الحقيقي في المجتمع الإحصائي. في التصاميم المتوازنة التي تتساوى فيها أحجام العينات لجميع المجموعات التجريبية والمجموعة الضابطة ($n_1 = n_2 = dots = n_k = n$)، يحسب الخطأ المعياري ($SE_d$) بالصيغة المباشرة التالية:

$$SE_d = \sqrt{MS_{within} \left( \frac{1}{n_i} + \frac{1}{n_0} \right)} = \sqrt{\frac{2 \cdot MS_{within}}{n}}$$

حيث تمثل $n_0$ حجم عينة المجموعة الضابطة، و$n_i$ حجم عينة المجموعة التجريبية المعنية، و$MS_{within}$ متوسط مربعات الخطأ المشترك المستخرج من جدول ANOVA.

أما في الحالات غير المتوازنة التي تختلف فيها أحجام العينات بين المجموعات، فإن الخطأ المعياري يحسب لكل مقارنة فردية بصورة مخصصة باستخدام الصيغة العامة:

$$SE_{d(i)} = \sqrt{MS_{within} \left( \frac{1}{n_i} + \frac{1}{n_0} \right)}$$

يظهر هذا القانون الرياضي بوضوح أن زيادة حجم عينة المجموعة الضابطة ($n_0$) تسهم بصورة أكبر في تقليص قيمة الخطأ المعياري الإجمالي لكافة المقارنات في آن واحد، وهو ما يبرر منهجياً التوصية بتكبير عينة المجموعة الضابطة في التصاميم غير المتكافئة.

5.3 حساب إحصائية دونيت المحسوبة (q_d أو t_d)

عقب استخراج الخطأ المعياري، يتم حساب الإحصائية الاختبارية لدونيت، والتي يرمز لها في الأدبيات بـ $q_d$ أو $t_d$. تمثل هذه الإحصائية نسبة الفرق الفعلي بين متوسط المجموعة التجريبية ($i$) ومتوسط المجموعة الضابطة ($0$) منسوباً إلى وحدة الخطأ المعياري المشترك، وتصاغ بالمعادلة التالية:

$$t_d = \frac{\bar{X}_i – \bar{X}_0}{SE_d} = \frac{\bar{X}_i – \bar{X}_0}{\sqrt{MS_{within} \left( \frac{1}{n_i} + \frac{1}{n_0} \right)}}$$

يتم تقييم الإشارة الجبرية للناتج بناءً على طبيعة الفرضية النفسية وصياغتها؛ ففي الدراسات التي تستهدف خفض الأعراض السلبية (مثل مقاييس الاكتئاب أو القلق)، يكون الفرق المتوقع سالباً إذا تفوقت المعالجة ($\bar{X}_i < \bar{X}_0$)، بينما في دراسات تعزيز الكفاءة والانتباه يكون الفرق إيجابياً. في الاختبارات ثنائية الذيل، يتم التركيز على القيمة المطلقة $|t_d|$ ومقارنتها بالقيمة الحرجة المستخرجة من جدول دونيت عند مستوى دلالة $\alpha$ ودرجات حرية $df_{within}$ وعدد مجموعات $k$. وإذا كانت القيمة المحسوبة أكبر من أو تساوي القيمة الحرجة ($|t_d| ge d_{critical}$)، يتم رفض الفرضية الصفرية وتأكيد وجود فرق دال إحصائياً بين التدخل العلاجي والمجموعة الضابطة.

6. استخدام جداول دونيت وتحديد القيم الحرجة ومجالات الثقة

6.1 قراءة جداول دونيت الإحصائية بدقة

تختلف جداول دونيت الإحصائية اختلافاً جوهرياً عن جداول توزيع $t$ لستيودنت القياسية أو جداول المدى المشتت (Studentized Range) لتوكي. لقراءة القيمة الحرجة لدونيت بدقة متناهية، يتوجب على الباحث تحديد ثلاثة مدخلات بارامترية أساسية في مصفوفة الجدول:

• مستوى المعنوية ($\alpha$): وعادة ما يتم اختياره عند $0.05$ أو $0.01$، مع مراعاة اختيار الجدول المخصص لاختبار أحادي الذيل (One-Sided) أو ثنائي الذيل (Two-Sided) بناءً على الفرضية المصاغة.
• درجات حرية الخطأ ($df_{within}$ أو $df_{error}$): وهي درجات الحرية المستخرجة لداخل المجموعات من جدول تحليل التباين ($N – k$).
• عدد المجموعات الإجمالي ($k$) أو عدد المعالجات التجريبية ($p = k – 1$): يجب الانتباه الحذر هنا؛ إذ تصنف بعض الجداول أعمدتها وفق العدد الكلي للمجموعات متضمناً الضابطة ($k$)، بينما تصنفها مراجع أخرى وفق عدد مجموعات المعالجة فقط دون الضابطة ($k-1$).

عند تقاطع الصف الممثل لدرجات الحرية مع العمود الممثل لعدد المجموعات، يتم استخراج القيمة الحرجة $d_{(\alpha, k, df)}$. تحدد هذه القيمة العتبة الفاصلة لمنطقة الرفض الإحصائي؛ فإذا تجاوزت القيمة التجريبية المحسوبة $t_d$ هذه العتبة، يُستنتج بيقين رياضي أن الفرق يتجاوز نطاق تباين الصدفة عند معدل خطأ عائلي إجمالي لا يتعدى $\alpha$.

6.2 بناء فترات الثقة المتزامنة (Simultaneous Confidence Intervals)

لا يقتصر اختبار دونيت على اتخاذ قرارات دلالية ثنائية (دال / غير دال)، بل يوفر إطاراً رياضياً دقيقاً لبناء فترات ثقة متزامنة للفروق الحقيقية بين المتوسطات في المجتمع الإحصائي. تضمن هذه الفترات المتزامنة بمستوى ثقة إجمالي $(1 – \alpha) \times 100%$ (مثلاً 95%) أن تحتوي جميع مجالات الثقة المحسوبة للمقارنات على المعالم الحقيقية للفروق في المجتمع في آن واحد.

تحسب الحدود العليا والدنيا لفترة الثقة المتزامنة للفرق بين أي مجموعة تجريبية ($i$) والمجموعة الضابطة ($0$) وفق المعادلة الرياضية التالية:

$$\text{CI}_{1-\alpha} = (\bar{X}_i – \bar{X}_0) \pm d_{(\alpha, k, df)} \times \sqrt{MS_{within} \left( \frac{1}{n_i} + \frac{1}{n_0} \right)}$$

يعد تفسير هذه الفترات ذا دلالة إكلينيكية بالغة في القياس النفسي:

• إذا اشتملت فترة الثقة على القيمة (صفر) داخل مداها العددي (مثلاً من $-2.5$ إلى $+4.1$)، فإن هذا يعني عدم وجود فرق دال إحصائياً بين التدخل والمجموعة الضابطة عند مستوى المعنوية المعتمد.
• إذا كانت الفترة تقع بالكامل أعلى الصفر (كلا الحدين موجب) أو تقع بالكامل أدنى الصفر (كلا الحدين سالب)، فإن الفرق يعتبر دالاً إحصائياً. ويوفر اتساع الفترة للباحث تقديراً لحجم التأثير غير المعياري ودقة التقدير الإحصائي بما يخدم التفسير الإكلينيكي الرصين.

7. تطبيق اختبار دونيت أحادي الذيل مقابل ثنائي الذيل

7.1 اختبار دونيت ثنائي الذيل (Two-Tailed Dunnett’s Test)

يطبق اختبار دونيت ثنائي الذيل (Two-Sided Dunnett’s Test) عندما يصيغ الباحث النفسي فرضيات غير موجهة (Non-Directional Hypotheses). يستخدم هذا النمط عندما يكون الهدف الاستكشافي هو التحقق مما إذا كانت المعالجات التجريبية تحدث أي أثر ملموس أو تغير حقيقي مقارنة بالمجموعة الضابطة، سواء كان هذا التغير يمثل تحسناً أو تدهوراً في الاستجابة السلوكية.

تصاغ الفرضيات في النمط ثنائي الذيل لكل مقارنة زوجية ($i$) على النحو التالي:

• الفرضية الصفرية ($H_0$): $\mu_i = \mu_0$ (متوسط المجموعة التجريبية يساوي متوسط المجموعة الضابطة).
• الفرضية البديلة ($H_1$): $\mu_i ne \mu_0$ (متوسط المجموعة التجريبية يختلف عن متوسط المجموعة الضابطة).

في هذا النموذج، يتم توزيع منطقة الرفض الإحصائي ($\alpha$) مناصفة على طرفي التوزيع الاحتمالي ($alpha/2$ في الطرف الأيمن و$alpha/2$ في الطرف الأيسر)، مما يرفع من القيمة الحرجة المطلوبة لرفض الفرضية الصفرية مقارنة بالاختبار الموجه. ويوصى به دائماً في المراحل التجريبية الأولى للعقاقير النفسية والتدخلات السلوكية غير المستقرة، حيث يظل احتمال حدوث آثار جانبية عكسية تفاقم الأعراض وارداً بقوة منهجية.

7.2 اختبار دونيت أحادي الذيل (One-Tailed Dunnett’s Test)

يستخدم اختبار دونيت أحادي الذيل (One-Sided Dunnett’s Test) عندما يمتلك الباحث أساساً نظرياً ودراسات سابقة رصينة تبرر صياغة فرضيات موجهة باتجاه محدد سلفاً (Directional Hypotheses). ينقسم هذا الاختبار إلى اتجاهين تطبيقيين رئيسيين في القياس الإكلينيكي:

• اختبار التفوق الإيجابي ($> \text{Control}$): تصاغ فيه الفرضية البديلة بأن التدخل يحقق درجات أعلى من الضابطة ($H_1: \mu_i > \mu_0$)، كما في تجارب برامج تنمية الذكاء الانفعالي والمهارات المعرفية.
• اختبار الانخفاض الإيجابي ($< \text{Control}$): تصاغ فيه الفرضية البديلة بأن التدخل يقلل الدرجات مقارنة بالضابطة ($H_1: \mu_i < \mu_0$)، كما في برامج خفض القلق، والاكتئاب، والاضطرابات السلوكية.

تتمثل الميزة المنهجية الجوهرية للاختبار أحادي الذيل في تركيز كامل مساحة منطقة الرفض الاحتمالية ($\alpha = 0.05$) في طرف واحد مستهدف من التوزيع، مما يؤدي إلى خفض القيمة الحرجة وزيادة القوة الإحصائية لكشف الفروق الدقيقة. ومع ذلك، يفرض هذا الاختبار التزاماً أخلاقياً ومنهجياً صارماً؛ إذ لا يجوز للباحث بأي حال اللجوء إلى الاختبار أحادي الذيل بعد رؤية النتائج لمجرد الحصول على دلالة إحصائية غائبة، كما أن أي تأثير يظهر في الاتجاه المعاكس سيعامل إحصائياً على أنه أثر صفري مهما بلغ حجمه.

8. دليل تطبيقي: إجراء اختبار دونيت عبر برنامج SPSS

8.1 إعداد ملف البيانات وترميز المتغيرات

لإجراء اختبار دونيت بكفاءة في بيئة SPSS، يجب هيكلة البيانات في واجهة “Variable View” وفق التصميم المجدول المستقل القياسي. يتطلب التحليل تعريف متغيرين أساسيين:

• المتغير المستقل (Independent Variable): وهو متغير اسمي أو ترتيبي يمثل المجموعات العلاجية والضابطة، ويسمى مثلاً Group. يجب في نافذة “Values” إعطاء ترميز رقمي واضح لكل مجموعة (مثلاً: 1 = ضابطة قائمة انتظار، 2 = علاج معرفي سلوكي CBT، 3 = علاج باليقظة الذهنية Mindfulness، 4 = علاج دوائي). يجب تحديد موقع المجموعة الضابطة بدقة، سواء تم ترميزها كأول فئة (Value = 1) أو كآخر فئة (Value = 4).
• المتغير التابع (Dependent Variable): وهو متغير كمي قياسي مستمر يمثل درجات القياس النفسي، ويسمى مثلاً Depression_Score، ويضبط مقياس القياس فيه على “Scale”.

قبل الشروع في التحليل، ينبغي فحص مصفوفة البيانات في نافذة “Data View” للتحقق من عدم وجود ترميزات غير منطقية، ومعالجة القيم المفقودة (Missing Values)، وإجراء فحص استكشافي للشذوذ عبر قائمة Analyze -> Descriptive Statistics -> Explore لضمان استيفاء شروط التحليل البارامتري.

8.2 خطوات التنفيذ عبر القوائم والأوامر الإحصائية

لتنفيذ تحليل التباين متبوعاً باختبار دونيت في SPSS، يتم اتباع المسار الإجرائي التالي:

1. من القائمة الرئيسية العليا، اختر: Analyze ثم Compare Means ثم اضغط على One-Way ANOVA.
2. في نافذة الحوار المنبثقة، انقل المتغير التابع (Depression_Score) إلى خانة Dependent List، وانقل متغير التصنيف (Group) إلى خانة Factor.
3. اضغط على زر Post Hoc… في الجانب الأيمن من النافذة.
4. في مربع الحوار الخاص بالمقارنات البعدية، وضمن قسم “Equal Variances Assumed”، ضع علامة صح بجوار خيار Dunnett.
5. في الجزء السفلي من النافذة وتحت مسمى Control Category، حدد خيار First إذا كانت المجموعة الضابطة مرمزة بالرقم (1)، أو اختر Last إذا كانت مرمزة بالرقم الأخير.
6. اختر نوع الاختبار من قسم Test:
   • != Control لاختبار ثنائي الذيل.
   • < Control لاختبار أحادي الذيل يفترض أن المعالجة أقل من الضابطة.
   • > Control لاختبار أحادي الذيل يفترض أن المعالجة أعلى من الضابطة.
7. اضغط على Continue، ثم اضغط على زر Options… وفعل خياري Descriptive وHomogeneity of variance test، ثم اضغط Continue ثم OK لتشغيل التحليل.

8.3 قراءة وتفسير مخرجات SPSS لاختبار دونيت

يولد برنامج SPSS تقريراً يتضمن عدة جداول إحصائية متتابعة؛ يبدأ بجدول الإحصاءات الوصفية، يليه جدول اختبار ليفين لتجانس التباين، ثم جدول ANOVA العام. بعد التأكد من دلالة اختبار F العام ($p < 0.05$)، يتجه الباحث إلى الجدول المحوري المعنون بـ Multiple Comparisons (Dunnett t-tests).

يتضمن جدول مقارنات دونيت الأعمدة الاستدلالية التالية لكل مقارنة بينية بين مجموعة تجريبية (I) والمجموعة الضابطة (J):

• Mean Difference (I – J): الفرق بين متوسط المجموعة التجريبية ومتوسط الضابطة. إذا كان هذا الفرق دالاً إحصائياً، يضع البرنامج علامة نجمية (*) بجوار الرقم.
• Std. Error: الخطأ المعياري المشترك للفرق بين المتوسطين ($SE_d$).
• Sig. (p-value): القيمة الاحتمالية الدقيقة للمقارنة بعد تعديلها وفق توزيع دونيت. إذا كانت هذه القيمة أصغر من $0.05$، يُرفض الفرض الصفري ويعد التدخل ذا أثر دال إحصائياً.
• 95% Confidence Interval: الحد الأدنى (Lower Bound) والحد الأعلى (Upper Bound) لفترة الثقة المتزامنة. يشير عدم اشتمال المجال على الصفر إلى تحقق الدلالة الإحصائية ذاتها.

9. دليل تطبيقي: إجراء اختبار دونيت باستخدام لغة R البرمجية

9.1 الحزم الإحصائية المطلوبة وإعداد البيانات

توفر بيئة لغة البرمجة الإحصائية R إمكانيات تحليلية متقدمة ومرونة مطلقة لتطبيق اختبار دونيت ونماذج الفروق المتعددة. لتنفيذ هذا التحليل، نعتمد أساساً على الحزمة البرمجية القياسية المتخصصة multcomp (Multiple Comparisons Procedures)، بالإضافة إلى حزمة ggplot2 لإنتاج الرسوم البيانية الإحصائية عالية الجودة.

يتم تثبيت وتحميل الحزم وتجهيز إطار البيانات في بيئة R عبر الأوامر البرمجية التالية:

install.packages("multcomp")
install.packages("ggplot2")
library(multcomp)
library(ggplot2)

من الخطوات المنهجية الحاسمة في R تعيين المجموعة الضابطة كفئة مرجعية أساسية (Reference Level) للمتغير العاملي باستخدام دالة relevel()، لضمان توجيه كافة مقارنات دونيت نحو هذه الفئة تحديداً:

data$Group <- as.factor(data$Group)
data$Group <- relevel(data$Group, ref = "Control")

9.2 كتابة الأكواد وتنفيذ التحليل

يبدأ التحليل في R ببناء نموذج خطي لـ ANOVA باستخدام دالة aov() أو lm()، يعقبه تطبيق دالة الفرضيات الخطية العامة glht() (General Linear Hypotheses Test) من حزمة multcomp مع تحديد مصفوفة مقارنات دونيت mcp(Group = "Dunnett"):

# 1. Fit the ANOVA Model
anova_model <- aov(Depression_Score ~ Group, data = data)
summary(anova_model)

# 2. Perform Dunnett's Post-Hoc Test
dunnett_test <- glht(anova_model, linfct = mcp(Group = "Dunnett"))
summary(dunnett_test) # Extract adjusted p-values

# 3. Calculate Simultaneous 95% Confidence Intervals
confint(dunnett_test)

يقوم أمر summary(dunnett_test) بحساب إحصاءات $t$ المقابلة، وتوليد قيم $p$ المعدلة بالاعتماد على خوارزميات التكامل العددي لتوزيع $t$ المتعدد (بمعامل ارتباط $rho = 0.5$)، مما يضمن دقة استدلالية مطابقة لأعلى المعايير الرياضية.

9.3 التمثيل البصري للنتائج في R

يوفر التمثيل البصري لمخرجات اختبار دونيت وسيلة إيضاحية فعالة لفهم موقع الفروق وحدود فترات الثقة. يمكن استخدام دالة الرسم الأساسية المباشرة في حزمة multcomp:

# Basic Base-R Plot for Dunnett Intervals
plot(dunnett_test, xlab = "Mean Difference vs Control", main = "Dunnett's Simultaneous 95% CIs")

لإنتاج رسوم بيانية أكثر احترافية للنشر في المجلات العلمية عبر ggplot2، يمكن استخراج معاملات فترات الثقة وتحويلها إلى رسم بياني يوضح متوسطات الفروق، وهوامش الخطأ، مع وضع خط رأسي متقطع عند القيمة (صفر). كل فترة ثقة لا تتقاطع مع هذا الخط العمودي تمثل معالجة نفسية ذات فاعلية فارقة وذات دلالة إحصائية صريحة.

10. دراسة حالة واقعية في علم النفس: تقييم فعالية التدخلات العلاجية للاكتئاب

10.1 سيناريو التجربة والفرضيات البحثية

أجريت دراسة نفسية إكلينيكية تجريبية عشوائية محكمة لتقييم فاعلية ثلاثة برامج علاجية مستحدثة في خفض أعراض الاكتئاب الجسيم مقارنة بمجموعة ضابطة من المرضى الموضوعين على قائمة الانتظار. تم توزيع عينة قوامها 80 مريضاً تم تشخيصهم إكلينيكياً بالتساوي وبشكل عشوائي على أربع مجموعات متكافئة ($n = 20$ لكل مجموعة):

• المجموعة الضابطة (Control): تلقت الدعم الروتيني وموضوعة على قائمة الانتظار.
• المجموعة التجريبية الأولى (CBT): تلقت برنامجاً مكثفاً للعلاج المعرفي السلوكي.
• المجموعة التجريبية الثانية (Mindfulness): تلقت برنامج الحد من التوتر القائم على اليقظة الذهنية (MBSR).
• المجموعة التجريبية الثالثة (Pharmacotherapy): تلقت علاجاً دوائياً قياسياً مضاداً للاكتئاب (SSRI).

المتغير التابع هو درجات المشاركين على مقياس بيك للاكتئاب – الإصدار الثاني (BDI-II) بعد انقضاء 12 أسبوعاً من التدخل. تصاغ الفرضيات البحثية في إطار موجه لاختبار ما إذا كان كل تدخل علاجي يحقق انخفاضاً دالاً إحصائياً في درجات BDI-II مقارنة بالمجموعة الضابطة المرجعية ($H_1: \mu_{\text{Treatment}} < \mu_{\text{Control}}$).

10.2 التحليل الإحصائي للبيانات وحساب النتائج

أظهرت النتائج الوصفية للدرجات البعدية على مقياس بيك للاكتئاب (BDI-II) المتوسطات والانحرافات المعيارية التالية للمجموعات الأربع:

• المجموعة الضابطة: $\bar{X}_0 = 28.45$ ($SD = 4.32$).
• مجموعة العلاج المعرفي السلوكي (CBT): $\bar{X}_1 = 16.20$ ($SD = 3.85$).
• مجموعة اليقظة الذهنية (Mindfulness): $\bar{X}_2 = 19.80$ ($SD = 4.10$).
• مجموعة العلاج الدوائي: $\bar{X}_3 = 17.50$ ($SD = 4.25$).

أسفر تحليل التباين الأحادي العام عن وجود تأثير عام دال إحصائياً لنوع التدخل: $F(3, 76) = 38.64, p < 0.001$، مع متوسط مربعات الخطأ داخل المجموعات بقيمة $MS_{within} = 17.11$ ودرجات حرية خطأ $df_{within} = 76$.

تم حساب الخطأ المعياري المشترك للفرق بين المتوسطات المتساوية الحجم ($n = 20$):

$$SE_d = \sqrt{\frac{2 \times 17.11}{20}} = \sqrt{1.711} \approx 1.308$$

بالرجوع إلى جداول دونيت عند مستوى معنوية $\alpha = 0.05$ (ثنائي الذيل)، مع درجات حرية خطأ $df = 76$ وعدد مجموعات كلي $k = 4$، وُجدت القيمة الحرجة لدونيت $d_{crit} = 2.39$. جاءت الحسابات التفصيلية للمقارنات على النحو التالي:

• مقارنة CBT مع الضابطة:
  
  الفرق بين المتوسطين = $16.20 – 28.45 = -12.25$
  
  قيمة دونيت المحسوبة: $t_d = \frac{-12.25}{1.308} = -9.365$ ($p < 0.001$)
  
  مجال الثقة 95%: $[-15.38, -9.12]$ (دال إحصائياً).
• مقارنة اليقظة الذهنية مع الضابطة:
  
  الفرق بين المتوسطين = $19.80 – 28.45 = -8.65$
  
  قيمة دونيت المحسوبة: $t_d = \frac{-8.65}{1.308} = -6.613$ ($p < 0.001$)
  
  مجال الثقة 95%: $[-11.78, -5.52]$ (دال إحصائياً).
• مقارنة العلاج الدوائي مع الضابطة:
  
  الفرق بين المتوسطين = $17.50 – 28.45 = -10.95$
  
  قيمة دونيت المحسوبة: $t_d = \frac{-10.95}{1.308} = -8.371$ ($p < 0.001$)
  
  مجال الثقة 95%: $[-14.08, -7.82]$ (دال إحصائياً).

10.3 الاستنتاج السيكولوجي والتطبيقي للنتائج

كشفت النتائج المستخلصة من تطبيق اختبار دونيت عن نجاح جميع التدخلات العلاجية الثلاثة (CBT، اليقظة الذهنية، العلاج الدوائي) في تحقيق انخفاض دال إحصائياً في مستويات أعراض الاكتئاب مقارنة بالمجموعة الضابطة بعد 12 أسبوعاً من العلاج؛ حيث تجاوزت جميع القيم المحسوبة القيمة الحرجة ($|-9.365|, |-6.613|, |-8.371| > 2.39$) عند مستوى دلالة صارم $p < 0.001$.

من الناحية الإكلينيكية وحجم الأثر السلوكي، حقق التدخل المعرفي السلوكي (CBT) أكبر انخفاض في متوسط درجات BDI-II بفارق مقداره $12.25$ نقطة، تلاه العلاج الدوائي بفارق $10.95$ نقطة، ثم برنامج اليقظة الذهنية بفارق $8.65$ نقطة. وبحساب حجم الأثر المعياري (Cohen’s d) بمقارنة كل معالجة بالضابطة، تبين أن جميع التدخلات حققت أحجام تأثير بالغة الكبر ($d > 2.0$)، مما يؤكد أن هذا التحسن ليس مجرد دلالة رقمية، بل يعكس تغيراً نوعياً في جودة حياة المرضى وقدرتهم الوظيفية.

تؤكد هذه الأدلة الإمبريقية للمعالجين النفسيين إمكانية اعتماد البرامج السلوكية والمعرفية كبدائل أو خيارات موازية ذات فاعلية ممتازة مقارنة بالعلاج الدوائي، مع تفوق واضح للعلاج المعرفي السلوكي في تقليص البنية المعرفية السلبية المولدة لنوبات الاكتئاب.

11. توثيق وكتابة نتائج اختبار دونيت وفق دليل جمعية علم النفس الأمريكية (APA 7th)

11.1 الصياغة النصية القياسية لنتائج الاختبار

يتطلب توثيق النتائج الإحصائية وفق الإصدار السابع من دليل النشر لجمعية علم النفس الأمريكية (APA 7th Edition) دقة متناهية وسياقاً يربط بين الفرضيات والتحليل الاستدلالي ومؤشرات حجم التأثير. يجب أن يتضمن التقرير النصي قيمة اختبار ANOVA الأولي، متبوعاً بنتائج اختبار دونيت المحددة مع ذكر المتوسطات ($M$)، والانحرافات المعيارية ($SD$)، وقيم $p$ المعدلة بدقة، وفترات الثقة المتزامنة.

وفيما يلي نموذج تطبيقي للصياغة النصية المعتمدة وفق APA 7th لدراسة الحالة السابقة:

“أظهرت نتائج تحليل التباين الأحادي وجود تأثير دال إحصائياً لنوع التدخل العلاجي على درجات الاكتئاب البعدية المقاسة بمقياس بيك، $F(3, 76) = 38.64, p < .001, \eta_p^2 = .60$. ولتحديد فاعلية كل تدخل علاجي مقارنة بمجموعة قائمة الانتظار الضابطة ($M = 28.45, SD = 4.32$)، تم تطبيق اختبار دونيت البعدي للمقارنات المتعددة (ثنائي الذيل). كشفت النتائج عن انخفاض دال إحصائياً في درجات الاكتئاب لدى مجموعة العلاج المعرفي السلوكي ($M = 16.20, SD = 3.85, p < .001, 95% \text{ CI } [-15.38, -9.12]$)، ومجموعة العلاج الدوائي ($M = 17.50, SD = 4.25, p < .001, 95% \text{ CI } [-14.08, -7.82]$)، ومجموعة اليقظة الذهنية ($M = 19.80, SD = 4.10, p < .001, 95% \text{ CI } [-11.78, -5.52]$) مقارنة بالمجموعة الضابطة."

11.2 تصميم الجداول والمخططات التوضيحية وفق معايير APA

وفقاً لمعايير APA، يجب أن تتسم الجداول الإحصائية بالبساطة والوضوح التام، وتجنب الخطوط العمودية، والاقتصار على الخطوط الأفقية الأساسية أعلى وأسفل ترويسة الجدول وأسفل جسم الجدول. يجب تنظيم جدول المقارنات البعدية ليوضح الفروق بين المتوسطات، والخطأ المعياري، وفترات الثقة 95%، وقيم الدلالة المحسوبة.

فيما يلي الهيكل التنسيقي المعتمد لجدول مقارنات دونيت:

جدول 1
نتائج اختبار دونيت لمقارنة التدخلات العلاجية بالمجموعة الضابطة على مقياس الاكتئاب (BDI-II)

المقارنة العلاجية	فرق المتوسطات ($M_i – M_0$)	الخطأ المعياري ($SE$)	مستوى الدلالة ($p$)	95% فترة الثقة [الحد الأدنى، الحد الأعلى]
CBT مقابل الضابطة	-12.25*	1.31	< .001	[-15.38, -9.12]
الدوائي مقابل الضابطة	-10.95*	1.31	< .001	[-14.08, -7.82]
اليقظة الذهنية مقابل الضابطة	-8.65*	1.31	< .001	[-11.78, -5.52]

ملاحظة: $N = 80$ ($n = 20$ لكل مجموعة). تم حساب فترات الثقة ومستويات الدلالة بالاعتماد على توزيع دونيت المشترك. * تشير إلى دلالة الفروق عند $p < .05$.

12. التحديات المنهجية، انتهاكات الافتراضات، والأخطاء الشائعة

12.1 التعامل مع عدم تساوي أحجام العينات ونموذج دونيت المعدل

على الرغم من أن التخصيص المتساوي لأحجام العينات في المجموعات يمثل الممارسة الأكثر شيوعاً، إلا أن التصميم التجريبي الأمثل رياضياً عند استخدام اختبار دونيت يقتضي زيادة حجم عينة المجموعة الضابطة مقارنة بالمجموعات التجريبية. أثبت دونيت إحصائياً أن القوة الاختبارية الإجمالية تبلغ ذروتها القصوى عندما يتم تحديد حجم عينة المجموعة الضابطة ($n_0$) نسبة إلى حجم عينة كل مجموعة تجريبية ($n$) وفق قاعدة الجذر التربيعي لعدد المجموعات التجريبية:

$$n_0 \approx n \sqrt{k – 1}$$

فعلى سبيل المثال، إذا كان التصميم يتضمن 4 مجموعات تجريبية ($k-1 = 4$) وحجم عينة كل مجموعة تجريبية هو $n = 20$، فإن الحجم الأمثل للمجموعة الضابطة يكون $n_0 = 20 \sqrt{4} = 40$ مشاركاً. تسهم هذه الزيادة في خفض الخطأ المعياري لجميع المقارنات المشتركة بصورة أكثر كفاءة من زيادة أحجام المجموعات التجريبية نفسها.

عند حدوث عدم تساوٍ غير مخطط في أحجام العينات نتيجة تسرب بعض المشاركين (Dropouts)، يتم تعديل الحسابات الرياضية للخطأ المعياري لكل مقارنة بشكل فردي، وتطبيق خوارزميات التقريب العددي لتوزيع $t$ متعدد المتغيرات بمصفوفة ارتباط غير متماثلة ($\rho_{ij} = \sqrt{\frac{n_i}{n_i + n_0} \cdot \frac{n_j}{n_j + n_0}}$)، وهو التعديل الذي تنفذه البرمجيات المتقدمة كحزمة multcomp في R تلقائياً لضمان سلامة الاستدلال.

12.2 البدائل اللامعلمية عند انتهاك التوزيع الطبيعي أو تجانس التباين

عندما تتعرض البيانات النفسية لانتهاكات حادة لافتراضات التحليل البارامتري، يفقد اختبار دونيت القياسي دقته وتصبح قراراته مضللة. في هذه الحالات، يجب على الباحث التحول نحو البدائل المنهجية الملائمة:

• اختبار ستيل اللامعلمي (Steel’s Many-One Rank Test): يمثل البديل اللامعلمي المباشر لاختبار دونيت بعد تطبيق اختبار كروسكال-واليس (Kruskal-Wallis). يعتمد اختبار ستيل على تحويل الدرجات إلى رتب مجمعة لكل مجموعة تجريبية مع الضابطة، مما يجعله محصناً ضد التواء البيانات والبيانات الرتبية غير المتصلة.
• تعديل دونيت-تامهان (Dunnett’s T3) ودونيت C: يوصى بهما بشدة عند ثبوت انتهاك افتراض تجانس التباين عبر اختبار ليفين. يعتمد Dunnett’s T3 على درجات حرية ويلش-ساترثويت (Welch-Satterthwaite) المعدلة، ولا يفترض تباين خطأ مجمع مشترك، مما يحمي الباحث من التضخم الكاذب لخطأ النوع الأول.
• تقنيات إعادة المعاينة (Bootstrapping): تعد وسيلة حاسوبية فائقة الكفاءة لبناء فترات ثقة روبست لفروق المتوسطات دون الحاجة إلى افتراض اعتدالية المجتمع أو تجانس التباين، من خلال توليد آلاف العينات العشوائية التكرارية من البيانات الأصلية.

12.3 أخطاء شائعة يقع فيها الباحثون النفسيون عند تطبيق اختبار دونيت

يقع العديد من الباحثين في عثرات منهجية وإحصائية متكررة عند التعامل مع اختبار دونيت والمقارنات المتعددة، ومن أبرز هذه المزالق:

• استخدام دونيت عندما تتطلب أسئلة البحث مقارنات شاملة: يلجأ بعض الباحثين لاختبار دونيت لسهولة الحصول على دلالة إحصائية، متجاهلين أن أهداف بحثهم تتطلب مقارنة المجموعات التجريبية ببعضها للمفاضلة بينها، وهو ما يستوجب استخدام اختبار توكي أو ريغان (REGWQ).
• إجراء اختبارات $t$ مستقلة متكررة دون ضبط: ارتكاب خطأ تجزئة التحليل إلى عدة اختبارات تائية بسيطة للتحايل على صعوبة تحقيق الدلالة بعد التصحيح، وهو ما ينسف الثقة العلمية في البحث ويضخم الخطأ العائلي بصورة فادحة.
• صياغة الفرضيات بعد معرفة النتائج (HARKing): اختيار الاختبار أحادي الذيل بعد فحص اتجاه الفروق في البيانات الفعلية لإظهار دلالة إحصائية لم تكن لتظهر بالاختبار ثنائي الذيل، وهو سلوك يخرق النزاهة المنهجية للبحث العلمي الرصين.
• الخلط بين الدلالة الإحصائية والدلالة الإكلينيكية: الاكتفاء بإثبات أن قيمة $p < 0.05$ للجزم بنجاح العلاج النفسي دون تقييم حجم الأثر (Effect Size) أو نسبة التحسن الإكلينيكي الحقيقي على المريض وفق معايير التغير الموثوق (Reliable Change Index – RCI).

خاتمة شاملة

يقف اختبار دونيت كأداة استدلالية رفيعة المستوى تجمع بين الدقة الرياضية والاقتصاد المنهجي في معالجة المقارنات المتعددة الموجهة نحو المجموعة الضابطة. إن فهم الأسس النظرية لهذا الاختبار، واستيفاء شروطه البارامترية، وإتقان تنفيذه عبر البرمجيات الإحصائية الحديثة وتوثيقه وفق المعايير العالمية، يمنح الباحثين في علم النفس والعلوم السلوكية القدرة على استخلاص استنتاجات علمية رصينة وموثوقة تعزز من جودة الممارسة الإكلينيكية وتطوير التدخلات العلاجية القائمة على الأدلة والبراهين.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Beck, A. T., Steer, R. A., & Brown, G. K. (1996). Manual for the Beck Depression Inventory-II. Psychological Corporation. https://www.pearsonassessments.com/
• Dunnett, C. W. (1955). A multiple comparison procedure for comparing several treatments with a control. Journal of the American Statistical Association, 50(272), 1096–1121. https://doi.org/10.1080/01621459.1955.10501294
• Dunnett, C. W. (1964). New tables for multiple comparisons with a control. Biometrics, 20(3), 482–491. https://doi.org/10.2307/2528490
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://uk.sagepub.com/
• Hothorn, T., Bretz, F., & Westfall, P. (2008). Simultaneous inference in general parametric models. Biometrical Journal, 50(3), 346–363. https://doi.org/10.1002/bimj.200810425
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• 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
• Steel, R. G. D. (1959). A multiple comparison rank sum test: Treatments versus control. Biometrics, 15(4), 560–572. https://doi.org/10.2307/2527654
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.