اختبار ت للعينات المستقلة: التعريف، الاستخدام والتفسير

يمثل الاستدلال الإحصائي الدعامة المنهجية الكبرى التي ترتكز عليها الأبحاث التجريبية والوصفية في العلوم النفسية، والتربوية، والاجتماعية، والطبية. فعندما يسعى الباحث إلى استكشاف الفروق بين مجموعتين متباينتين حول سمة سلوكية، أو مهارة معرفية، أو متغير فسيولوجي، يجد نفسه أمام ضرورة الانتقال من مجرد الوصف الظاهري للبيانات الخام إلى مرحلة التعميم العلمي الرصين. إن فحص المتوسطات الحسابية المجردة دون إخضاعها لاختبارات الدلالة الإحصائية يوقع الباحث في فخ التعميم المضلل، حيث قد تعزى الفروق الظاهرة إلى مجرد الصدفة أو خطأ المعاينة العشوائي. من هنا تنبع المكانة المركزية التي يحتلها اختبار ت للعينات المستقلة (Independent Samples T-Test) كواحد من أعرق وأدق الأساليب المعلمية المصممة للبت في جوهرية هذه الفروق.

تتجاوز أهمية هذا الاختبار مجرد كونه معادلة رياضية تطبق آلياً عبر الحزم البرمجية، بل هو نموذج استدلالي متكامل ينطوي على فلسفة إبستيمولوجية واضحة في التحقق من الفرضيات العلمية، واختبار مدى قدرة المتغير المستقل على إحداث تباين حقيقي وذي دلالة في المتغير التابع. يتطلب التطبيق الدقيق للاختبار فهماً عميقاً لافتراضاته البارامترية، وآليات معالجة انتهاك هذه الشروط، إضافة إلى القدرة على الجمع بين الدلالة الإحصائية والدلالة العملية عبر حساب حجوم الأثر وفترات الثقة. ويهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع أكاديمي متكامل للباحثين وطلاب الدراسات العليا، يغطي الأبعاد النظرية، والرياضية، والتطبيقية، والتفسيرية لاختبار ت للعينات المستقلة بأعلى معايير الرصانة العلمية المتبعة دولياً ووفق دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية (APA).

1. المدخل المفاهيمي والتعريف باختبار ت للعينات المستقلة

1.1 ما هو اختبار ت للعينات المستقلة؟

يُعرَّف اختبار ت للعينات المستقلة (Independent Samples T-Test) إحصائياً بأنه أداة استدلالية معلمية (Parametric Inferential Tool) تُستخدم لاختبار الفرضيات المتعلقة بوجود فروق ذات دلالة إحصائية بين متوسطي مجتمعين إحصائيين بالاعتماد على عينتين عشوائيتين مستقلتين تماماً. يستند الاختبار إلى مقارنة الفرق الملاحظ بين متوسطي المجموعتين بالخطأ المعياري المقدر لهذا الفرق، وذلك لتحديد ما إذا كان الاختلاف المشاهد يعكس تبايناً حقيقياً في المجتمع الأصلي أم أنه مجرد تذبذب عشوائي ناتج عن عملية المعاينة (Sampling Error). ويشترط في هذا الاختبار أن تكون كل مشاهدة في العينة الأولى غير مرتبطة بأي شكل من الأشكال بأي مشاهدة في العينة الثانية، مما يضمن انعدام التغاير المشترك الناشئ عن الاقتران أو القياس المتكرر.

تتجلى الغاية الاستدلالية القصوى للاختبار في تمكين الباحث من إسقاط النتائج المستخلصة من العينات المحدودة على المجتمعات الكلية التي سُحبت منها تلك العينات، مع ضبط احتمالية الوقوع في الخطأ عند مستويات احتمالية محددة سلفاً. ومن الضروري التمييز الجوهري بين اختبار ت للعينات المستقلة واختبار ت للعينات المترابطة (Paired Samples T-Test)؛ فبينما يقارن الأول بين مجموعتين منفصلتين من الأفراد (مثل الذكور مقابل الإناث، أو مجموعة تجريبية تخضع لبرنامج إرشادي مقابل مجموعة ضابطة لا تتلقى أي تدريب)، يُعنى الثاني بمقارنة درجات نفس الأفراد عبر فترتين زمنيتين (القياس القبلي والبعدي) أو درجات أزواج متطابقة تمت مواءمتهم بناءً على متغيرات دخيلة، مما يجعل بنية التباين والخطأ المعياري مختلفة جذرياً بين النموذجين.

1.2 السياق التاريخي وتطور الاختبار في القياس النفسي

يعود الفضل في تأسيس اختبار ت إلى عالم الكيمياء والإحصاء البريطاني ويليام سيلي جوسيت (William Sealy Gosset)، الذي نشر بحثه الرائد عام 1908 تحت الاسم المستعار “Student” أثناء عمله في مصنع جينيس للبيرة في دبلن. كانت المشكلة المنهجية التي واجهت جوسيت تكمن في عجز التوزيع الطبيعي المعياري (Z-Distribution) عن تقديم استدلالات دقيقة عند التعامل مع عينات صغيرة الحجم، حيث يكون التباين في المجتمع مجهولاً ويتم تقديره من تباين العينة، مما يؤدي إلى زيادة تشتت النتائج وتضخم أطراف منحنى التوزيع. ابتكر جوسيت “توزيع ستودنت التائي” (Student’s t-distribution) الذي يأخذ في الاعتبار درجات الحرية المرتبطة بحجم العينة، موفراً بذلك حلاً رياضياً عبقرياً لمشكلة تقدير الخطأ في العينات الصغيرة.

مع مطلع منتصف القرن العشرين، تبنت العلوم السلوكية والنفسية هذا الاختبار كحجر زاوية في تدشين النموذج التجريبي والشبه تجريبي. فقد أتاح اختبار ت لرواد القياس النفسي مثل رونالد فيشر وعلماء النفس التجريبيين فرصة الانتقال بعلم النفس من إطار التنظير الفلسفي والتأملي إلى رحاب العلم الكمي الصارم، حيث أصبح بالإمكان إخضاع الفرضيات النفسية المتعلقة بفاعلية التدخلات العلاجية، والفروق الفردية، وتأثير المثيرات البيئية لاختبارات تجريبية دقيقة تحظى بالمصداقية والموثوقية العلمية.

1.3 طبيعة المتغيرات المستخدمة في الاختبار

يتطلب التصميم الإحصائي لاختبار ت للعينات المستقلة نموذجاً ثنائياً يربط بين نوعين محددين من المتغيرات بدقة متناهية:

• المتغير المستقل (Independent Variable): وهو المتغير الذي يمثل العامل أو المعالجة، ويجب أن يكون متغيراً نوعياً/تصنيفياً ثنائي التقسيم الحصري (Dichotomous Categorical Variable). يتكون هذا المتغير من مستويين أو مجموعتين فقط لا ثالث لهما داخل إطار التحليل، مثل: الجنس (ذكور / إناث)، نوع التدخل العلاجي (علاج سلوكي معرفي / قائمة انتظار)، أو نمط القيادة (ديمقراطي / استبدادي).
• المتغير التابع (Dependent Variable): وهو المتغير المقاس الذي يمثل السلوك أو الظاهرة المراد دراستها، ويشترط فيه أن يكون متغيراً كمياً مستمراً مقاساً على مقياس فئوي (Interval Scale) كاختبارات الذكاء ومقاييس القلق، أو مقياس نسبي (Ratio Scale) مثل سرعة الاستجابة بالمللي ثانية أو عدد الأخطاء المرتكبة.

من الأمثلة الكلاسيكية الراسخة في الأبحاث النفسية: دراسة الفروق في درجات “المرونة النفسية” (متغير تابع مستمر مقاس بمقياس فئوي) بين مجموعتين مستقلتين من الممرضين العاملين في أقسام الطوارئ مقابل العاملين في العيادات الخارجية (متغير مستقل تصنيفي ثنائي).

2. الأسس النظرية والرياضية لتوزيع ت (t-Distribution)

2.1 خصائص التوزيع التائي ومنحنى ت

يتميز توزيع ت (t-distribution) بخصائص هندسية ورياضية تجعله وثيق الصلة بالتوزيع الطبيعي المعياري، إلا أنه يختلف عنه في جوانب جوهرية تحكم دقة الاستدلال. يُعد منحنى ت متماثلاً تماماً حول المتوسط الحسابي الذي يساوي صفراً (Mean = 0)، وله شكل جرسي يشبه المنحنى الاعتدالي، غير أن تباينه يتجاوز الواحد الصحيح. السمة الرياضية الأبرز لتوزيع ت هي امتلاكه “أطرافاً ثقيلة أو عريضة” (Fat Tails / Heavy Tails)، مما يعني أن احتمالية وقوع القيم المتطرفة والشاذة فيه أعلى بكثير مقارنة بالتوزيع الطبيعي القياسي (Z).

يرجع هذا الاتساع في الأطراف إلى حقيقة أن توزيع ت يدمج مصدرين من مصادر التباين العشوائي: تباين متوسط العينة حول متوسط المجتمع، والخطأ العشوائي المصاحب لتقدير الانحراف المعياري للمجتمع من بيانات العينة ذاتها. وكلما زاد حجم العينة (وبالتالي ارتفعت درجات الحرية)، اقترب الخطأ المعياري المقدر من قيمته الحقيقية في المجتمع، وتناقص تسطح المنحنى تدريجياً حتى ينطبق تماماً على منحنى التوزيع الطبيعي المعياري عندما تقترب درجات الحرية من المالانهاية.

2.2 درجات الحرية (Degrees of Freedom) وطرق حسابها

تُعبر درجات الحرية (Degrees of Freedom – df) في الإحصاء الاستدلالي عن عدد القيم المستقلة التي تمتلك حرية التغير الفعلي عند حساب أحد المعالم الإحصائية بعد فرض قيود رياضية معينة. ففي حالة حساب تباين عينة تتكون من $n$ من المشاهدات، نفقد درجة حرية واحدة لأن حساب التباين يتطلب تثبيت المتوسط الحسابي، مما يجعل درجات الحرية لتلك العينة مساوية لـ $n – 1$.

عند إجراء اختبار ت للعينات المستقلة مع افتراض تساوي التباين في المجتمعين، تُحسب درجات الحرية الكلية بجمع درجات حرية كلتا العينتين وفق الصيغة الرياضية التالية:

$df = (n_1 – 1) + (n_2 – 1) = n_1 + n_2 – 2$

حيث تمثل $n_1$ حجم العينة الأولى، و $n_2$ حجم العينة الثانية. أما في الحالات التي ينتهك فيها شرط تجانس التباين، يتم اللجوء إلى تعديل “ويلش-ساترثويت” (Welch-Satterthwaite Equation) لحساب درجات حرية معدلة تكون عادة كسوراً عشرية، وتهدف إلى تصحيح معدل الخطأ من النوع الأول الناجم عن تباين التشتت بين المجموعتين.

2.3 القيم الحرجة ومستويات الدلالة الإحصائية (Alpha Levels)

يُمثل مستوى الدلالة الإحصائية ($\alpha$) أقصى احتمال يقبله الباحث للوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة في الواقع). يُحدد هذا المستوى اصطلاحاً في العلوم النفسية والاجتماعية عند عتبة $\alpha = 0.05$ (احتمال 5% للخطأ)، بينما يُعتمد المستوى الأكثر صرامة $\alpha = 0.01$ (احتمال 1% للخطأ) في الدراسات الطبية والإكلينيكية الحساسة للحد من النتائج الإيجابية الكاذبة.

ينقسم الاختبار الإحصائي تبعاً لطبيعة الفرضية المصاغة إلى نوعين رئيسيين:

• الاختبار ثنائي الطرف (Two-Tailed Test): يُستخدم عندما لا يتنبأ الباحث باتجاه محدد للفروق، وتُقسم منطقة الرفض ($\alpha$) بالتساوي على طرفي التوزيع ($alpha/2$ في الطرف الأيمن و $alpha/2$ في الطرف الأيسر).
• الاختبار أحادي الطرف (One-Tailed Test): يُستخدم عندما يستند الباحث إلى إطار نظري رصين يتنبأ بتفوق مجموعة معينة، وتتركز منطقة الرفض بالكامل في طرف واحد من التوزيع.

يتم استخراج “القيمة التائية الحرجة” (Critical t-value) من الجداول الإحصائية المعتمدة بالتقاطع بين مستوى $\alpha$ ودرجات الحرية $df$. إذا تجاوزت “القيمة التائية المحسوبة” (Calculated t-value) القيمة الحرجة، تقع النتيجة في “منطقة الرفض” (Rejection Region)، مما يبرر للباحث رفض الفرضية الصفرية وقبول الفرضية البديلة بدلالة إحصائية مؤكدة.

3. صياغة الفرضيات الإحصائية لاختبار ت للعينات المستقلة

3.1 الفرضية الصفرية (Null Hypothesis – H0)

تُشكل الفرضية الصفرية ($H_0$) نقطة الانطلاق الجوهرية والافتراض الأساسي الذي يقوم عليه نموذج اختبار الفرضيات النيوماني-بيرسوني (Neyman-Pearson Paradigm). تنص الفرضية الصفرية لاختبار ت للعينات المستقلة على انعدام الفروق الحقيقية بين متوسطي المجتمعين الإحصائيين اللذين سُحبت منهما العينتان، وتُصاغ رياضياً على النحو الآتي:

$H_0: \mu_1 = \mu_2 \quad Long\leftrightarrow \quad H_0: \mu_1 – \mu_2 = 0$

حيث تمثل $\mu_1$ المتوسط الحسابي الحقيقي للمجتمع الأول، و $\mu_2$ المتوسط الحسابي الحقيقي للمجتمع الثاني. تحمل الفرضية الصفرية مفهوماً فلسفياً متجذراً في مبدأ “نصل أوكام” (Occam’s Razor) والحياد العلمي، إذ تفترض أن أي فرق ملاحظ ظاهرياً بين متوسطي العينتين ($(\bar{X}_1 – \bar{X}_2)$) لا يمثل تأثيراً أصيلاً للمتغير المستقل، بل يُعزى كلياً إلى التباين العشوائي وخطأ المعاينة. يتخذ الباحث قرار رفض الفرضية الصفرية حصراً عندما تكون القيمة الاحتمالية المشاهدة ($p\text{-value}$) أقل من أو تساوي مستوى الدلالة المعتمد سلفاً ($\alpha le 0.05$).

3.2 الفرضية البديلة (Alternative Hypothesis – H1)

تُمثل الفرضية البديلة ($H_1$ أو $H_a$) الفرضية البحثية التي يسعى الباحث إلى إثبات صحتها وتقديم الأدلة الإحصائية الداعمة لها في مواجهة الفرضية الصفرية. وتتخذ الفرضية البديلة نمطين أساسيين بحسب الإطار النظري للدراسة:

• الفرضية البديلة غير الموجهة (Non-Directional / Two-Tailed): وتُصاغ بصورة تشير إلى وجود فرق جوهري بين المتوسطين دون تحديد لصالح أي من المجموعتين:
  
  $H_1: \mu_1 \neq \mu_2 \quad Long\leftrightarrow \quad H_1: \mu_1 – \mu_2 \neq 0$
  يُفضل استخدام هذا النمط عند استكشاف مجالات بحثية جديدة تفتقر إلى تراكم معرفي حاسم يوجه اتجاه التأثير.
• الفرضية البديلة الموجهة (Directional / One-Tailed): وتحدد سلفاً تفوق إحدى المجموعتين على الأخرى، وتصاغ رياضياً بإحدى الصيغتين:
  
  $H_1: \mu_1 > \mu_2$   أو   $H_1: \mu_1 < \mu_2$
  ويشترط لاستخدامها وجود مسوغات نظرية ودراسات سابقة قطعية تسند هذا التوجيه.

من الناحية المنهجية، يوصي كبار المنهجيين في علم النفس بتفضيل الفرضيات غير الموجهة لما توفره من حماية صارمة ضد التحيز البحثي، وتجنب المخاطر الناجمة عن إغفال التأثيرات العكسية غير المتوقعة للمتغير المستقل.

3.3 الأخطاء الإحصائية المرتبطة باختبار الفرضيات

يقترن اتخاذ القرارات الإحصائية باحتمالية الوقوع في نوعين من الأخطاء التي تحظى باهتمام بالغ في التصميم التجريبي:

• الخطأ من النوع الأول (Type I Error – $\alpha$): ويحدث عندما يرفض الباحث الفرضية الصفرية ويخلص إلى وجود فروق ذات دلالة إحصائية، بينما هي في الواقع صحيحة ولا توجد فروق حقيقية في المجتمع (إيجابية كاذبة – False Positive). في الدراسات النفسية والعلاجية، قد يقود هذا الخطأ إلى اعتماد برامج تدريبية أو علاجات نفسية باهظة التكلفة وغير فعالة ظناً بأنها تحدث أثراً حقيقياً.
• الخطأ من النوع الثاني (Type II Error – $\beta$): ويقع عندما يفشل الباحث في رفض الفرضية الصفرية ويقرر عدم وجود فروق دالة، في حين أن الفروق موجودة وحقيقية في المجتمع (سلبية كاذبة – False Negative). يؤدي هذا الخطأ إلى وأد برامج علاجية واعدة والتراجع عن استكشاف متغيرات ذات أثر حقيقي بسبب ضعف حساسية التصميم الإحصائي.

يرتبط الخطأ من النوع الثاني ارتباطاً وثيقاً بـ القوة الإحصائية (Statistical Power = $1 – beta$)، وهي احتمالية نجاح الاختبار في رصد الفروق الحقيقية ورفض الفرض الصفر الخاطئ. تتحدد القوة الإحصائية بثلاثة عوامل جوهرية: حجم العينة ($N$)، وحجم الأثر المتوقع في المجتمع ($d$)، ومستوى الدلالة ($alpha$). وتوصي الأدبيات النفسية بأن لا تقل القوة الإحصائية للتصميم البحثي عن 0.80 لضمان دقة الاستدلال.

4. الافتراضات الإحصائية الإلزامية لاختبار ت للعينات المستقلة

4.1 افتراض الاستقلالية (Independence of Observations)

يُعد افتراض استقلالية المشاهدات (Independence of Observations) أشد الافتراضات حساسية وأكثرها خطورة على الإطلاق في اختبار ت للعينات المستقلة. يقتضي هذا الشرط أن تكون قيمة أي استجابة أو درجة يدلي بها أي مشارك مستقلة إحصائياً تماماً عن درجات واستجابات باقي المشاركين، سواء داخل نفس المجموعة أو بين المجموعتين المقارنتين. لا يمكن تصحيح انتهاك هذا الافتراض رياضياً عبر التعديلات الإحصائية، بل يؤدي انتهاكه إلى تشويه جسيم في قيمة الخطأ المعياري الفعلي، مما يتسبب في تضخيم كارثي لمعدل الخطأ من النوع الأول ($\alpha$) قد يصل به إلى أكثر من 30% بدلاً من 5% الاسمية.

يحدث انتهاك الاستقلالية في البيئات التربوية والاجتماعية عندما يُجمع البيانات من أفراد يتفاعلون فيما بينهم، كأن يُختبر الطلاب داخل فصول دراسية محددة حيث يؤثر النقاش الجماعي أو البيئة الصفية المشتركة على استجاباتهم، مما يخلق نوعاً من التجمع العنقودي (Clustering Effect). ولضمان تحقق هذا الافتراض، ينبغي على الباحث استخدام أساليب المعاينة العشوائية البسيطة، وعزل أفراد المجموعات أثناء التطبيق التجريبي، وتطبيق الاختبارات بشكل فردي ومستقل تماماً.

4.2 افتراض التوزيع الطبيعي (Normality Assumption)

يفترض اختبار ت للعينات المستقلة أن المتغير التابع يتوزع توزيعاً طبيعياً معتدلاً داخل مجتمع كل مجموعة من المجموعتين على حدة، وليس على مستوى العينة الإجمالية المدمجة. يضمن هذا الافتراض أن متوسطات العينات المسحوبة تتبع التوزيع التائي النظري بدقة متناهية، مما يمنح القيمة الاحتمالية مصداقيتها الاستدلالية.

ومع ذلك، يتمتع اختبار ت بقدر من “الحصانة الإحصائية” (Robustness) ضد الانتهاكات الطفيفة والمتوسطة للتوزيع الطبيعي، مدعوماً بـ نظرية النهاية المركزية (Central Limit Theorem). تنص هذه النظرية الرياضية الأساسية على أنه كلما كبر حجم العينة (وتجاوز عموماً 30 مشاركاً في كل مجموعة: $n_1 ge 30, n_2 ge 30$)، اقترب توزيع متوسطات العينات من التوزيع الطبيعي بصرف النظر عن شكل التوزيع في المجتمع الأصلي. وتنشأ المشكلة المنهجية الحقيقية عند صغر أحجام العينات واقتران ذلك بوجود التواء شديد (Skewness) أو تفرطح حاد (Kurtosis) في البيانات، مما يفرض استخدام اختبارات بديلة.

4.3 افتراض تجانس التباين (Homogeneity of Variances)

يقتضي افتراض تجانس التباين (أو ما يعرف بالاتساق التبايني – Homoscedasticity) أن يكون تباين درجات المتغير التابع متساوياً تقريباً في كلا المجتمعين اللذين اشتقت منهما العينتان، ويُعبر عنه رياضياً بالصيغة:

$\sigma_1^2 = \sigma_2^2$

تكمن الأهمية الرياضية لهذا الافتراض في أن الصيغة الكلاسيكية لاختبار ت تعتمد على “دمج” تباين العينتين لحساب ما يسمى بالتباين المجمع (Pooled Variance)، والذي يفترض بدوره وجود تباين مجتمعي موحد مشترك بين المجموعتين.

تتضاعف الآثار السلبية لانتهاك تجانس التباين بشكل خاص عندما تكون أحجام العينات غير متساوية ($n_1 \neq n_2$). فإذا كانت العينة الأكبر حجماً تقترن بتباين أكبر، يصبح اختبار ت شديد التحفظ (Conservative)، مما يرفع معدل الخطأ من النوع الثاني ويفقد الاختبار قوته الإحصائية. أما إذا كانت العينة الأصغر حجماً تقترن بتباين أكبر، فإن الاختبار يصبح مفرط التساهل (Liberal)، مما يؤدي إلى تضخيم زائف للقيمة التائية والوقوع في الخطأ من النوع الأول برفض الفرض الصفري دون وجه حق.

4.4 مستوى قياس المتغير التابع وخلو البيانات من القيم المتطرفة

يشترط لاكتمال البنية البارامترية للاختبار أن يقاس المتغير التابع على مقياس كمي متصل (مقياس فترات أو مقياس نسبي). لا يجوز تطبيق اختبار ت للعينات المستقلة على المتغيرات الرتبية الترتيبية (Ordinal Scales) كاستجابات ليكرت الفردية المكونة من نقاط محدودة دون جمعها في درجات كلية مركبة، كما يحظر استخدامه على المتغيرات الاسمية (Nominal Scales) التي تقتضي أساليب لامعلمية كاختبار مربع كاي.

إلى جانب مستوى القياس، يؤثر وجود القيم الشاذة والمتطرفة (Outliers) تأثيراً مباشراً ومدراً على دقة الاختبار. ونظراً لأن المتوسط الحسابي والانحراف المعياري يُعدان من المقاييس الإحصائية غير المقاومة (Non-Robust Measures)، فإن وجود قيمة متطرفة واحدة في إحدى المجموعتين كفيل بسحب المتوسط باتجاهها وتضخيم الانحراف المعياري، مما ينتج عنه خطأ معياري مشوه يطمس الفروق الحقيقية أو يختلق فروقاً وهمية لا وجود لها في الواقع.

5. الأساليب المنهجية لاختبار والتحقق من الافتراضات

5.1 فحص اعتدالية التوزيع بالطرق الإحصائية والبيانية

يتطلب التحقق الرصين من افتراض التوزيع الطبيعي استخدام ترسانة منهجية تجمع بين الاختبارات الدلالية الصارمة والتحليلات البيانية الاستكشافية. ومن أبرز الاختبارات الإحصائية الشائعة:

• اختبار شابيرو-ويلك (Shapiro-Wilk Test): وهو الاختبار الأكثر قوة وحساسية لرصد الانحراف عن التوزيع الطبيعي، ويوصى به بشدة للعينات الصغيرة والمتوسطة ($N < 50$).
• اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) المزود بتعديل ليليفورس: ويُستخدم للعينات الأكبر حجماً، إلا أنه يتسم بضعف نسبي في القوة مقارنة باختبار شابيرو-ويلك.

في كلا الاختبارين، تُصاغ الفرضية الصفرية بأن البيانات تتبع التوزيع الطبيعي؛ وبالتالي فإن دلالة الاختبار الإحصائية ($p < 0.05$) تعني انتهاك افتراض الاعتدالية، بينما تدل القيمة غير الدالة ($p > 0.05$) على تحقق الافتراض وسلامة البيانات.

تكتمل هذه الاختبارات بالتحليل البياني عبر فحص المدرج التكراري (Histogram) المزود بمنحنى التوزيع الطبيعي، ومخطط الاحتمال الطبيعي (Q-Q Plot)، حيث يشير اصطفاف النقاط بالقرب من الخط المستقيم القطري إلى اعتدالية التوزيع. كما يعتمد الباحثون على فحص معاملات الالتواء (Skewness) والتفرطح (Kurtosis)، وتعتبر البيانات مقبولة الاعتدالية في البحوث النفسية والتربوية إذا وقعت القيم المعيارية لهذين المعاملين ضمن المدى المسموح به بين $-2$ و $+2$ (أو بقسمة المعامل على خطئه المعياري والتأكد من وقوع القيمة الناتجة $Z$ بين $-1.96$ و $+1.96$).

5.2 فحص تجانس التباين الإحصائي

يُعد اختبار ليفين لتجانس التباينات (Levene’s Test for Equality of Variances) المعيار الذهبي المعتمد في معظم البرمجيات الإحصائية لفحص هذا الافتراض. يتميز اختبار ليفين بقوته وحصانته العالية حتى في حال وجود انحرافات طفيفة عن التوزيع الطبيعي، حيث يختبر الفرضية الصفرية القائلة بتساوي التباين في المجموعتين ($H_0: \sigma_1^2 = \sigma_2^2$).

يتم تفسير مخرجات اختبار ليفين (قيمة $F$ الاحتمالية) على النحو الآتي:

• إذا كانت القيمة الاحتمالية غير دالة ($p ge 0.05$): يتم قبول الفرضية الصفرية لتجانس التباين، مما يعني تحقق الشرط واستخدام نتائج السطر الأول في مخرجات التحليل (“Equal variances assumed”).
• إذا كانت القيمة الاحتمالية دالة إحصائياً ($p < 0.05$): يتم رفض فرضية التجانس، مما يثبت عدم تساوي التباين، ويفرض إلزاماً قراءة السطر الثاني في التحليل (“Equal variances not assumed”)، والذي يطبق تعديل ويلش الشهير.

ومن البدائل الأخرى فحص “اختبار بارتليت” (Bartlett’s Test)، غير أنه يتسم بحساسية مفرطة وشديدة لأي حيود عن التوزيع الطبيعي، مما يجعله أقل تفضيلاً مقارنة باختبار ليفين في الدراسات السلوكية.

5.3 كشف ومعالجة القيم الشاذة والمتطرفة

يبدأ الكشف المنهجي عن القيم المتطرفة بتطبيق أساليب التمثيل البصري، وعلى رأسها المخطط الصندوقي (Boxplot)، والذي يستند إلى حساب المدى الربيعي ($IQR = Q_3 – Q_1$). تُصنف الدرجة كقيمة متطرفة بسيطة (Mild Outlier) إذا وقعت خارج المسافة $1.5 times IQR$ أعلى الربيع الأعلى أو أدنى الربيع الأدنى، وتُصنف كقيمة متطرفة حادة وشديدة (Extreme Outlier) إذا تجاوزت مسافة $3.0 times IQR$.

كما يُستخدم مقياس الدرجات المعيارية ($Z\text{-Scores}$)، حيث تعتبر الدرجة شاذة إذا تجاوزت قيمتها المطلقة العتبة الحرجة ($|Z| > 3.29, p < 0.001$). وعند اكتشاف القيم الشاذة، تتاح للباحث عدة خيارات منهجية مبررة:

• التصحيح أو الحذف: حذف القيمة فوراً إذا كانت ناتجة عن خطأ واضح في إدخال البيانات أو عطل في أداة القياس.
• التعويض والتقليص (Winsorization): تعديل القيم المتطرفة واستبدالها بأعلى أو أدنى قيمة مقبولة داخل النطاق الطبيعي غير المتطرف.
• التحويل الرياضي أو التحليل المقاوم: اللجوء إلى تحويل البيانات أو تطبيق البدائل اللابارامترية مع الإبقاء على القيم المتطرفة الحقيقية التي تمثل تنوعاً أصيلاً في السلوك الإنساني.

6. المعادلات الرياضية وطريقة الحساب اليدوي لاختبار ت

6.1 حساب المتوسطات والانحرافات المعيارية للعينتين

لفهم الآلية الحسابية التي يعمل بها اختبار ت للعينات المستقلة، يجب استعراض الخطوات الرياضية المتسلسلة من نقطة البداية. تبدأ العملية بحساب المتوسط الحسابي ($\bar{X}$) لكل مجموعة من مجموعتي الدراسة بشكل منفصل:

$\bar{X}_1 = \frac{\sum X_1}{n_1}, \quad \bar{X}_2 = \frac{\sum X_2}{n_2}$

يلي ذلك حساب مجموع مربعات انحرافات الدرجات عن متوسطها الحسابي (Sum of Squares – $SS$) لكل عينة لتقدير التشتت الداخلي:

$SS_1 = \sum (X_1 – \bar{X}_1)^2 = \sum X_1^2 – \frac{(\sum X_1)^2}{n_1}$

$SS_2 = \sum (X_2 – \bar{X}_2)^2 = \sum X_2^2 – \frac{(\sum X_2)^2}{n_2}$

ثم يُحسب التباين غير المتحيز لكل عينة ($s_1^2, s_2^2$) والانحراف المعياري المقابل ($s_1, s_2$) بقسمة مجموع المربعات على درجات حرية العينة المعنية ($n – 1$):

$s_1^2 = \frac{SS_1}{n_1 – 1}, \quad s_2^2 = \frac{SS_2}{n_2 – 1}$

$s_1 = \sqrt{s_1^2}, \quad s_2 = \sqrt{s_2^2}$

6.2 حساب التباين المجمع والخطأ المعياري للفرق بين المتوسطين

في حالة تحقق فرضية تجانس التباين ($\sigma_1^2 = \sigma_2^2$)، يتم دمج مجموع المربعات لكلا العينتين لحساب ما يسمى بـ التباين المجمع (Pooled Variance – $s_p^2$)، والذي يمثل تقديراً وزنياً موحداً لتباين المجتمع المشترك:

$s_p^2 = \frac{SS_1 + SS_2}{(n_1 – 1) + (n_2 – 1)} = \frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}$

بعد الحصول على التباين المجمع، يتم حساب “الخطأ المعياري للفرق بين المتوسطين” (Standard Error of the Difference – $SE_{(\bar{X}_1 – \bar{X}_2)}$)، والذي يقيس مقدار التذبذب العشوائي المتوقع في الفروق بين المتوسطات عند تكرار المعاينة:

$SE_{(\bar{X}_1 – \bar{X}_2)} = \sqrt{s_p^2 \left( \frac{1}{n_1} + \frac{1}{n_2} \right)} = \sqrt{\frac{s_p^2}{n_1} + \frac{s_p^2}{n_2}}$

وأخيراً، تصاغ معادلة اختبار ت الكلاسيكية بقسمة الفرق الملاحظ بين متوسطي العينتين على الخطأ المعياري للفروق:

$t = \frac{\bar{X}_1 – \bar{X}_2}{SE_{(\bar{X}_1 – \bar{X}_2)}} = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{s_p^2 \left( \frac{1}{n_1} + \frac{1}{n_2} \right)}}$

6.3 معادلة ويلش في حالة عدم تساوي التباين (Welch’s t-test)

عندما يسقط افتراض تجانس التباين ($p < 0.05$ في اختبار ليفين)، لا يجوز رياضياً حساب تباين مجمع موحد، ويتم اللجوء إلى صيغة اختبار ويلش التائي (Welch’s t-test). في هذه الصيغة، يُحسب الخطأ المعياري للفروق بالاعتماد المباشر على التباينات الفردية لكل عينة دون دمجها:

$t_{\text{Welch}} = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$

ولتعويض الاختلاف في تشتت المجموعتين، تُعدل درجات الحرية وفق معادلة ساترثويت المعقدة لتصبح:

$df_{\text{Welch}} = \frac{\left( \frac{s_1^2}{n_1} + \frac{s_2^2}{n_2} \right)^2}{\frac{\left( \frac{s_1^2}{n_1} \right)^2}{n_1 – 1} + \frac{\left( \frac{s_2^2}{n_2} \right)^2}{n_2 – 1}}$

تضمن هذه الصيغة المعدلة عدم تضخيم معدل الخطأ من النوع الأول وتمنح الاختبار قوة إحصائية متينة وموثوقة حتى في أقسى حالات التباين غير المتجانس.

6.4 مثال تطبيقي عملي بالأرقام وخطوات الحل خطوة بخطوة

السيناريو البحثي: أجرى باحث نفسي تجربة لمقارنة فاعلية برنامجين في خفض درجات القلق النفسي لدى مجموعتين مستقلتين من المرضى. تكونت المجموعة الأولى (علاج سلوكي معرفي – CBT) من $n_1 = 10$ مشاركين، وتكونت المجموعة الثانية (استرخاء عضلي – MR) من $n_2 = 10$ مشاركين. وكانت الدرجات على مقياس القلق بعد انتهاء التجربة كالتالي (الدرجات المنخفضة تعني قلقاً أقل):

• المجموعة الأولى (CBT): 14, 17, 12, 15, 18, 11, 13, 16, 14, 10
• المجموعة الثانية (MR): 20, 22, 19, 24, 18, 21, 23, 25, 20, 18

خطوات الحل الحسابي:

1. حساب المتوسطات الحسابية:

$\sum X_1 = 140 implies \bar{X}_1 = \frac{140}{10} = 14.0$

$\sum X_2 = 210 implies \bar{X}_2 = \frac{210}{10} = 21.0$

2. حساب مجموع المربعات والتباينات:

للمجموعة الأولى: $\sum X_1^2 = 2020 implies SS_1 = 2020 – \frac{(140)^2}{10} = 2020 – 1960 = 60$

$s_1^2 = \frac{60}{10 – 1} = \frac{60}{9} \approx 6.67, \quad s_1 = \sqrt{6.67} \approx 2.58$

للمجموعة الثانية: $\sum X_2^2 = 4464 implies SS_2 = 4464 – \frac{(210)^2}{10} = 4464 – 4410 = 54$

$s_2^2 = \frac{54}{10 – 1} = \frac{54}{9} = 6.00, \quad s_2 = \sqrt{6.00} \approx 2.45$

3. حساب التباين المجمع ($s_p^2$):

$s_p^2 = \frac{SS_1 + SS_2}{n_1 + n_2 – 2} = \frac{60 + 54}{10 + 10 – 2} = \frac{114}{18} \approx 6.333$

4. حساب الخطأ المعياري للفرق ($SE$):

$SE_{(\bar{X}_1 – \bar{X}_2)} = \sqrt{6.333 \left( \frac{1}{10} + \frac{1}{10} \right)} = \sqrt{6.333 \times 0.20} = \sqrt{1.2666} \approx 1.125$

5. حساب قيمة ت المحسوبة ($t_{\text{calc}}$):

$t = \frac{\bar{X}_1 – \bar{X}_2}{SE} = \frac{14.0 – 21.0}{1.125} = \frac{-7.0}{1.125} \approx -6.22$

6. اتخاذ القرار الإحصائي:

درجات الحرية: $df = 10 + 10 – 2 = 18$. بالرجوع إلى جدول توزيع ت عند مستوى دلالة ثنائي الطرف $\alpha = 0.05$ و $df = 18$، نجد أن القيمة التائية الحرجة هي $t_{\text{crit}} = \pm 2.101$.

بما أن القيمة المحسوبة المطلقة ($|-6.22| = 6.22$) أكبر بكثير من القيمة الحرجة ($2.101$)، فإننا نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_1$). نستنتج وجود فروق ذات دلالة إحصائية عالية بين البرنامجين لصالح العلاج السلوكي المعرفي الذي أسهم في خفض درجات القلق بصورة جوهرية مقارنة ببرنامج الاسترخاء ($p < 0.001$).

7. تنفيذ اختبار ت للعينات المستقلة عبر البرمجيات الإحصائية

7.1 إجراء الاختبار باستخدام برنامج SPSS

يُعد برنامج IBM SPSS Statistics البيئة الإحصائية الأكثر شيوعاً في أبحاث العلوم النفسية والتربوية. لتنفيذ الاختبار بنجاح، يتوجب أولاً هيكلة البيانات في شاشة المتغيرات (Variable View) بصورة صحيحة؛ حيث يتم تعريف متغيرين أساسيين:

• متغير التجميع (Grouping Variable): وهو المتغير المستقل (مثل Group) ويتم ترميزه رقمياً (مثلاً: 1 = CBT، 2 = Control) وضبط نوع قياسه على Nominal.
• متغير القياس (Test Variable): وهو المتغير التابع المستمر (مثل Anxiety_Score) وضبط نوع قياسه على Scale.

تتم خطوات التحليل عبر القوائم باتباع المسار التالي:

1. النقر على قائمة Analyze ثم اختيار Compare Means ومنها النقر على Independent-Samples T Test.
2. نقل المتغير التابع إلى صندوق Test Variable(s).
3. نقل متغير المجموعات إلى صندوق Grouping Variable.
4. النقر على زر Define Groups وإدخال القيم الرقمية المعرفة للمجموعتين (Group 1 = 1, Group 2 = 2) ثم الضغط على Continue.
5. من خلال زر Options، يمكن التأكد من ضبط مستوى الثقة عند 95% (Confidence Interval Percentage: 95%)، ثم النقر على OK لتوليد النتائج.

7.2 إجراء الاختبار باستخدام لغة البرمجة R

توفر بيئة الحوسبة الإحصائية R مرونة فائقة وقوة برمجية متقدمة في إجراء الاختبار وتخصيصه بالكامل. يتم تجهيز البيانات أولاً في إطار بيانات (Data Frame)، ثم تطبيق الدالة المركزية t.test(). في بيئة R، يتم تطبيق اختبار ويلش تلقائياً كخيار افتراضي لحماية التحليل، ويمكن ضبط الاختبار الكلاسيكي عبر المعامل var.equal.

تتم كتابة الشفرة البرمجية بالصيغة القياسية الآتية:

# تنفيذ اختبار ت للعينات المستقلة مع افتراض تساوي التباين
t_result <- t.test(Anxiety_Score ~ Group, data = my_data, var.equal = TRUE)
print(t_result)

# في حال عدم تجانس التباين (تطبيق اختبار ويلش)
welch_result <- t.test(Anxiety_Score ~ Group, data = my_data, var.equal = FALSE)
print(welch_result)

ولتمثيل النتائج بيانياً باحترافية أكاديمية، تُستخدم حزمة ggplot2 المتقدمة لإنشاء رسوم بيانية صندوقية مدعومة بنقاط البيانات الفردية (Jittered Points) وفترات الثقة، مما يتيح فحص التوزيعات والمقارنة البصرية المباشرة بدقة بالغة.

7.3 إجراء الاختبار باستخدام لغة Python

في إطار التحليل الإحصائي وعلوم البيانات باستخدام لغة بايثون، تُستخدم مكتبة SciPy العلمية وتحديداً موديول scipy.stats لتنفيذ الاختبار عبر الدالة ttest_ind. تقبل الدالة مصفوفتين من البيانات وتمكّن الباحث من تحديد فرضية التجانس عبر الوسيط equal_var.

يتم تنفيذ الكود البرمجي وفق البنية التالية:

import scipy.stats as stats
import pandas as pd

# عزل المجموعتين
group1 = df[df[‘Group’] == ‘CBT’][‘Anxiety_Score’]
group2 = df[df[‘Group’] == ‘Control’][‘Anxiety_Score’]

# إجراء اختبار ت المستقل
t_stat, p_val = stats.ttest_ind(group1, group2, equal_var=True)
print(f”t-statistic: {t_stat:.4f}, p-value: {p_val:.4e}”)

وتُستكمل المعالجة الإحصائية باستخدام مكتبات الرسم مثل Seaborn و Matplotlib لإنشاء مخططات بيانية توضح متوسطات المجموعتين وأشرطة الخطأ المعياري المقترنة بها.

8. قراءة وتفسير جداول المخرجات الإحصائية (Output Interpretation)

8.1 قراءة جدول الإحصاءات الوصفية (Group Statistics)

يُعد جدول “الإحصاءات الوصفية للمجموعات” (Group Statistics) الجدول الافتتاحي الأول الذي يولد في مخرجات الحزم الإحصائية (مثل SPSS). يتضمن هذا الجدول أربعة مؤشرات رقمية أساسية لكل مجموعة من مجموعتي المتغير المستقل:

المجموعة (Group)	حجم العينة (N)	المتوسط الحسابي (Mean)	الانحراف المعياري (Std. Deviation)	الخطأ المعياري للمتوسط (Std. Error Mean)
العلاج المعرفي (CBT)	10	14.00	2.582	0.816
المجموعة الضابطة (Control)	10	21.00	2.449	0.775

يوفر هذا الجدول مؤشرات أولية بالغة الأهمية؛ فحجم العينة ($N$) يؤكد عدم وجود بيانات مفقودة أثناء المعالجة، بينما يقدم المتوسط الحسابي ($M$) تقييماً مباشراً لمستوى الأداء في كل مجموعة، مما يتيح معرفة اتجاه الفروق الظاهرة. أما الانحراف المعياري ($SD$) فيعكس مدى تجانس أو تشتت الدرجات حول المتوسط داخل كل مجموعة، في حين يُعبر الخطأ المعياري للمتوسط ($SEM = SD / sqrt{N}$) عن دقة تقدير متوسط العينة لمتوسط المجتمع الحقيقي.

8.2 قراءة جدول اختبار ت للعينات المستقلة (Independent Samples Test)

يمثل جدول “Independent Samples Test” جوهر التحليل الإحصائي ومحور اتخاذ القرار. ينقسم الجدول أفقياً إلى سطرين رئيسيين، وعمودياً إلى قسمين متباينين:

1. القسم الأول: اختبار ليفين لتجانس التباين (Levene’s Test): يحتوي على قيمتي $F$ ومستوى الدلالة $Sig.$. إذا كانت $Sig. ge 0.05$، نقرأ السطر الأول بالكامل (“Equal variances assumed”). أما إذا كانت $Sig. < 0.05$، فإننا نهمل السطر الأول تماماً ونعتمد قراءة السطر الثاني ("Equal variances not assumed").
2. القسم الثاني: نتائج اختبار ت (t-test for Equality of Means): ويشمل الأعمدة التالية:
   • قيمة ت المحسوبة (t): تعبر عن نسبة الفرق بين المتوسطين إلى الخطأ المعياري.
   • درجات الحرية (df): تظهر كقيمة صحيحة في السطر الأول ومعدلة بكسور في السطر الثاني.
   • مستوى الدلالة ثنائي الطرف (Sig. 2-tailed): ويمثل القيمة الاحتمالية ($p\text{-value}$).
   • فرق المتوسطين (Mean Difference): حاصل طرح متوسط المجموعة الثانية من الأولى ($\bar{X}_1 – \bar{X}_2$).
   • الخطأ المعياري للفرق (Std. Error Difference): مقام معادلة ت.
   • فترة الثقة 95% للفرق (95% CI of the Difference): بحديها الأدنى (Lower) والأعلى (Upper).

8.3 اتخاذ القرار الإحصائي وتفسير الدلالة الإحصائية مقابل الدلالة العملية

تستند قاعدة اتخاذ القرار الإحصائي الكلاسيكي إلى مقارنة القيمة الاحتمالية المشاهدة ($p\text{-value}$) بمستوى الدلالة المحدد سلفاً ($\alpha = 0.05$):

• إذا كانت $p le 0.05$: نرفض الفرضية الصفرية ($H_0$) ونستنتج وجود فرق دال إحصائياً بين المجموعتين.
• إذا كانت $p > 0.05$: نفشل في رفض الفرضية الصفرية، ونخلص إلى عدم كفاية الأدلة لإثبات وجود فرق حقيقي.

ومع ذلك، يجب على الباحث التمييز الصارم بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية أو الإكلينيكية (Practical / Clinical Significance). فالدلالة الإحصائية تعني فقط أن الفرق الملاحظ من غير المرجح أن يكون ناتجاً عن الصدفة وحدها. ولكن في العينات الضخمة جداً ($N > 1000$)، تصبح أصغر الفروق التافهة وغير المؤثرة في الواقع دالة إحصائياً بقيم $p < 0.001$، وذلك بسبب التضاؤل الشديد للخطأ المعياري. من هنا تتجلى حتمية عدم الاكتفاء بالقيمة الاحتمالية، وضرورة استكمال التحليل بمؤشرات حجم الأثر لتقييم الأهمية التطبيقية للنتائج.

9. حجم الأثر وفترات الثقة: المكملات الضرورية لاختبار ت

9.1 مفهوم حجم الأثر (Effect Size) وأهميته في علم النفس

يُعرف حجم الأثر (Effect Size) بأنه مقياس كمي معياري يعبر عن قوة وحجم الظاهرة المدروسة أو مقدار التباعد الفعلي بين المجموعتين بمعزل تام عن حجم العينة. وفي أعقاب الأزمة المنهجية التي واجهتها العلوم السلوكية والمعروفة بـ “أزمة التكرار” (Replication Crisis)، أصدرت جمعية علم النفس الأمريكية (APA) في دليلها الإرشادي توصيات قاطعة تعتبر تقرير حجم الأثر متطلباً إلزامياً لا تكتمل دونه أي ورقة بحثية.

تنبثق الأهمية المنهجية لحجم الأثر من قدرته على تمكين الباحثين من المقارنة المباشرة بين نتائج دراسات مختلفة استخدمت مقاييس متباينة لقياس نفس السمة، فضلاً عن كونه الوحدة الرياضية الأساسية التي ترتكز عليها بحوث التحليل البعدي (Meta-Analysis) لتجميع نتائج الأدبيات العلمية واستخلاص استنتاجات قاطعة حول فاعلية البرامج والنظريات النفسية.

9.2 معاملات حجم الأثر الشائعة وطرق حسابها

تتعدد المؤشرات الإحصائية المستخدمة لتقدير حجم الأثر في إطار مقارنة المجموعتين، ومن أبرزها:

1. مؤشر كوهين دي (Cohen’s d): وهو المؤشر الأكثر رسوخاً وشهرة لمقارنة الفرق بين المتوسطين بوحدات الانحراف المعياري، ويُحسب بالمعادلة:

$d = \frac{\bar{X}_1 – \bar{X}_2}{s_p} = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{\frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 – 2}}}$

وقد وضع جاكوب كوهين (Jacob Cohen) معايير تفسيرية استرشادية مشهورة لقيم $d$:

• أثر صغير (Small Effect): $d = 0.20$ (يفسر حوالي 1% من التباين، ويدل على فرق طفيف يصعب ملاحظته بالعين المجردة).
• أثر متوسط (Medium Effect): $d = 0.50$ (يفسر حوالي 6% من التباين، ويمثل أثراً ملحوظاً له أهمية عملية في معظم المواقف السلوكية).
• أثر كبير (Large Effect): $d = 0.80$ فأكثر (يفسر أكثر من 14% من التباين، ويدل على فرق جوهري واضح وذي أثر تطبيقي حاسم).

2. مؤشر هيجز جي (Hedges’ g): يُعد تعديلاً تصحيحياً لمؤشر كوهين دي، ويُستخدم حصراً للحد من التحيز التصاعدي في تقدير حجم الأثر عندما تكون العينات صغيرة جداً ($n < 20$)، حيث يتم ضرب قيمة $d$ في معامل تصحيحي يستند إلى درجات الحرية.

3. مؤشر إيتا المربعة ($\eta^2$) وإيتا المربعة الجزئية ($\eta_p^2$): يمثلان نسبة التباين في المتغير التابع التي يفسرها أو يعزى إليها المتغير المستقل، وتُحسب مباشرة من قيمة ت المحسوبة بالمعادلة:

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

9.3 فترات الثقة للفرق بين المتوسطين (95% Confidence Intervals)

تُقدم فترات الثقة (Confidence Intervals – CIs) مجالاً يضم القيمة الحقيقية للفرق بين متوسطي المجتمعين بمستوى احتمالي محدد (عادة 95%). وتُحسب حدود فترة الثقة للفرق بالصيغة الرياضية التالية:

$95% text{ CI} = (bar{X}_1 – bar{X}_2) pm left( t_{text{crit}(df, alpha/2)} times SE_{(bar{X}_1 – bar{X}_2)} right)$

ينطوي تفسير فترة الثقة على بعدين استدلاليين في غاية الأهمية:

• اختبار الفرضية الصفرية: إذا كانت فترة الثقة بنسبة 95% لا تشتمل على قيمة الصفر (كأن تكون الحدود [2.45 , 8.12] أو [-7.30 , -1.20])، فإن ذلك يماثل تماماً رفض الفرضية الصفرية عند مستوى دلالة $p 0.05$).
• تقييم دقة التقدير الإحصائي: كلما كان نطاق فترة الثقة ضيقاً ومحصوراً، دل ذلك على دقة بالغة في تقدير المعلمة وانخفاض الخطأ المعياري الناتج عن كبر حجم العينة. بينما تدل فترات الثقة المتسعة جداً على تشتت كبير وضعف في دقة التقدير يستوجب الحذر عند التعميم.

10. البدائل الإحصائية عند انتهاك افتراضات اختبار ت

10.1 اختبار مان ويتني اللابارامتري (Mann-Whitney U Test)

عندما تتعرض الافتراضات البارامترية الأساسية لانتهاك صارخ—وخاصة عند القياس على رتب ترتيبية أو انحراف البيانات الشديد عن التوزيع الطبيعي في ظل عينات صغيرة الحجم—يصبح اختبار مان ويتني (Mann-Whitney U Test) هو البديل اللامعلمي (Non-Parametric) الأمثل والمكافئ المباشر لاختبار ت للعينات المستقلة.

تعتمد فلسفة اختبار مان ويتني على تحويل الدرجات الخام لجميع المشاركين في المجموعتين معاً إلى رتب تصاعدية متسلسلة (Ranks) من $1$ إلى $N$، ثم مقارنة متوسط مجموع الرتب (Mean Ranks) بين المجموعتين بدلاً من مقارنة المتوسطات الحسابية. يختبر مان ويتني الفرضية الصفرية القائلة بأن التوزيعين الاحتماليين للمجموعتين متطابقان في المجتمع الأصلي. يتميز الاختبار بحصانة مطلقة ضد القيم المتطرفة والشاذة؛ إذ إن استبدال القيم الحقيقية برتبها يحرم الأرقام الشاذة من قدرتها على سحب النتائج وتشويه الاستدلال، مما يجعله أداة بالغة المصداقية للبيانات غير الاعتدالية.

10.2 طرق تحويل البيانات (Data Transformations)

يمثل تحويل البيانات إجراءً رياضياً يهدف إلى تعديل مقياس قياس المتغير التابع لتصحيح الالتواء وإعادة البيانات إلى التوزيع الطبيعي واستعادة تجانس التباين، مما يتيح للباحث الاستمرار في تطبيق اختبار ت البارامتري التقليدي. ومن أشهر التحويلات الرياضية المعتمدة:

• التحويل اللوغاريتمي (Log Transformation – $\log_{10}(X)$ أو $ln(X)$): ويُعد الحل النموذجي لمعالجة البيانات ذات الالتواء الإيجابي الشديد (Positive Skewness) كأزمنة الرجع والدخل المالي.
• تحويل الجذر التربيعي (Square Root Transformation – $\sqrt{X}$): ويُطبق بنجاح على بيانات التكرارات وأعداد مرات حدوث السلوكيات ذات التوزيعات البواسونية أو الالتواء الإيجابي المعتدل.
• تحويل مقلوب القيمة (Reciprocal Transformation – $1 / X$): ويُستخدم لحالات الالتواء الحاد جداً لتقليص أثر القيم المرتفعة للغاية.

وعلى الرغم من المزايا الرياضية لتحويل البيانات، إلا أنها تنطوي على محاذير منهجية كبرى؛ إذ يصبح تفسير النتائج والمتوسطات المحولة معقداً وصعب الربط بالسياق القياسي الأصلي للظاهرة، مما يتطلب إعادة تحويل المتوسطات (Back-Transformation) إلى مقياسها الأصلي عند كتابة التقرير النهائي.

10.3 أساليب إعادة المعاينة وإعادة التوليد (Bootstrapping)

تُمثل تقنية إعادة المعاينة المتكررة (Bootstrapping) ثورة منهجية حديثة في التحليل الإحصائي المقاوم. تعتمد هذه الطريقة الحاسوبية على توليد الآلاف من العينات العشوائية التوليدية (Pseudo-Samples) المشتقة من بيانات العينة الأصلية ذاتها مع الإحلال (With Replacement)، وعادة ما يتم تكرار المعاينة من 1000 إلى 5000 مرة.

تتيح تقنية Bootstrapping بناء توزيع تجريبي للفرق بين المتوسطين وحساب فترات ثقة مصححة ومحكمة الانحياز والتسارع (BCa Confidence Intervals – Bias-Corrected and Accelerated) دون الحاجة إلى افتراض التوزيع الطبيعي للمجتمع أو تجانس التباين. تدعم برمجيات SPSS و R تطبيق تقنية التوليد التكراري المباشر أثناء إجراء اختبار ت، مما يوفر للباحث حلاً إحصائياً قوياً وموثوقاً يجمع بين قوة الأساليب البارامترية وحصانة الأساليب اللابارامترية.

11. تطبيقات ودراسات حالة لاختبار ت في البحوث النفسية

11.1 دراسة حالة 1: علم النفس الإكلينيكي والعلاجي

خلفية الدراسة: هدف فريق بحثي إكلينيكي إلى مقارنة فاعلية بروتوكول مكثف من العلاج السلوكي المعرفي (CBT) مقابل العلاج الدوائي المعتاد (Pharmacotherapy) في خفض أعراض الاكتئاب المقاسة بـ مقياس بيك للاكتئاب (BDI-II) بعد 12 أسبوعاً من التدخل.

المنهجية والمتغيرات: تم توزيع 60 مريضاً عشوائياً وبشكل متكافئ على مجموعتين مستقلتين ($n_1 = 30$ CBT, $n_2 = 30$ Pharma). تمثل المتغير المستقل في نمط التدخل العلاجي، في حين تمثل المتغير التابع في درجات مقياس بيك للاكتئاب البعدية.

النتائج والتحليل: أظهر اختبار شابيرو-ويلك اعتدالية التوزيع في كلا المجموعتين ($p > 0.10$). كما أكد اختبار ليفين تجانس التباين ($F = 0.42, p = 0.52$). كشفت نتائج اختبار ت للعينات المستقلة عن وجود فرق دال إحصائياً بين المجموعتين لصالح مجموعة العلاج السلوكي المعرفي:

$t(58) = -3.45, \quad p = 0.001, \quad d = 0.89, \quad 95% \text{ CI } [-6.82, -1.84]$

أظهرت مجموعة CBT متوسط درجات اكتئاب أدنى جوهرياً ($M = 12.4, SD = 4.1$) مقارنة بمجموعة العلاج الدوائي ($M = 16.7, SD = 5.4$). ويعكس حجم الأثر الكبير ($d = 0.89$) أهمية إكلينيكية بالغة تسند اعتماد العلاج النفسي كخيار متفوق في خفض حدة الأعراض الاكتئابية.

11.2 دراسة حالة 2: علم النفس التربوي والتعليمي

خلفية الدراسة: سعت دراسة تربوية إلى مقارنة مستوى التحصيل الأكاديمي في مادة الإحصاء بين الطلاب الذين درسوا بنمط “التعلم المدمج” (Blended Learning) وأولئك الذين درسوا بنمط “التعليم التقليدي” (Traditional Lecture-Based Learning).

المنهجية والمتغيرات: شملت الدراسة 80 طالباً جامعياً تم توزيعهم عشوائياً على مجموعتين متساويتين ($n_1 = 40$ مدمج، $n_2 = 40$ تقليدي). المتغير التابع كان الدرجة الكلية في الاختبار التحصيلي الموحد النهائي (من 100 درجة).

النتائج والتفسير: أظهر فحص الافتراضات سلامة التوزيع الطبيعي، وتجانس التباين عبر اختبار ليفين ($F = 1.15, p = 0.28$). أظهر اختبار ت للعينات المستقلة تفوقاً دالاً إحصائياً لطلاب التعليم المدمج:

$t(78) = 2.84, \quad p = 0.006, \quad d = 0.63, \quad 95% \text{ CI } [1.78, 10.42]$

حقق طلاب التعليم المدمج متوسطاً أعلى ($M = 82.5, SD = 9.8$) مقارنة بطلاب التعليم التقليدي ($M = 76.4, SD = 9.4$). يفسر حجم الأثر المتوسط ($d = 0.63$) فاعلية البيئات التعليمية النشطة في ترسيخ الفهم المفاهيمي وفق مبادئ النظرية البنائية في التعلم.

11.3 دراسة حالة 3: علم النفس التنظيمي والمهني

خلفية الدراسة: رغب باحثون في السلوك التنظيمي في تقييم مستويات الإرهاق والاحتراق النفسي (Burnout) لدى الموظفين الذين يعملون بنمط “العمل عن بُعد بالكامل” (Remote Workers) مقارنة بالموظفين العاملين من “مقر الشركة” (On-site Workers).

المنهجية والمتغيرات: جُمعت البيانات من شركتين تقنيتين، وشملت العينة $n_1 = 45$ موظفاً عن بُعد و $n_2 = 25$ موظفاً من المقر. قيست مستويات الاحتراق باستخدام مقياس ماسلاش للاحتراق النفسي (MBI).

النتائج والتعامل مع عدم تساوي العينات: أظهرت البيانات تبايناً غير متجانس عبر اختبار ليفين ($F = 5.88, p = 0.018$)، واقترن ذلك باختلاف أحجام العينات، مما فرض إلزامية تطبيق اختبار ويلش التائي وتعديل درجات الحرية:

$t_{\text{Welch}}(38.4) = -2.31, \quad p = 0.026, \quad d = 0.58, \quad 95% \text{ CI } [-8.91, -0.61]$

أظهرت النتائج أن الموظفين العاملين عن بُعد سجلوا مستويات احتراق نفسي أقل بمتوسط ($M = 28.3, SD = 6.2$) مقارنة بالموظفين الميدانيين ($M = 33.1, SD = 9.8$). وجهت هذه النتائج إدارة الموارد البشرية نحو تبني سياسات عمل مرنة للحد من الضغوط المهنية وتحسين بيئة العمل المؤسسية.

12. معايير كتابة وتقرير نتائج اختبار ت وفق دليل نشر APA (الإصدار السابع)

12.1 الصيغة القياسية لكتابة النتائج الإحصائية في متن البحث

يحدد الدليل الرسمي لنشر الأبحاث الصادر عن جمعية علم النفس الأمريكية (APA Publication Manual – 7th Edition) قواعد صارمة ودقيقة للغاية لكتابة نتائج اختبار ت في صلب متن البحث الأكاديمي. تقتضي القواعد الطباعية تمييز الرموز الإحصائية بالخط المائل (Italic)، مثل: t, M, SD, p, d, df, F، مع استثناء الأرقام والرموز اليونانية مثل $\alpha$ و $\beta$.

تتخذ العبارة الإحصائية المعيارية البنية التركيبية التالية:

t(درجات الحرية) = القيمة التائية, p = القيمة الاحتمالية, d = حجم الأثر

نموذج تطبيقي لكتابة التقرير باللغة العربية:

“أُجري اختبار ت للعينات المستقلة لمقارنة درجات القلق بين مجموعة العلاج السلوكي المعرفي والمجموعة الضابطة. أشارت النتائج إلى وجود فرق ذي دلالة إحصائية بين المجموعتين، t(58) = -3.45, p = .001, d = 0.89, 95% CI [-6.82, -1.84]؛ حيث أظهر أفراد مجموعة العلاج السلوكي المعرفي متوسطاً أدنى في درجات القلق (M = 12.40, SD = 4.10) مقارنة بأفراد المجموعة الضابطة (M = 16.70, SD = 5.40)، مما يثبت فاعلية التدخل العلاجي بحجم أثر كبير.”

نموذج تطبيقي لكتابة التقرير باللغة الإنجليزية:

“An independent-samples t-test was conducted to compare post-treatment depression scores between the CBT and control conditions. There was a statistically significant difference in scores for the CBT group (M = 12.40, SD = 4.10) and the control group (M = 16.70, SD = 5.40); t(58) = -3.45, p = .001, d = 0.89, 95% CI [-6.82, -1.84]. These results indicate that CBT significantly reduces depression symptoms with a large effect size.”

12.2 تصميم الجداول والرسوم البيانية المرافقة للاختبار

يفرض دليل APA مواصفات هندسية محددة لتصميم الجداول الملحقة؛ حيث يُحظر تماماً استخدام الخطوط العمودية (Vertical Lines) في الجدول، ويُكتفى بثلاثة خطوط أفقية رئيسية فقط: خط أعلى ترويسة الأعمدة، وخط أسفل الترويسة، وخط أسفل قاعدة الجدول. ويجب ترتيب الأعمدة لتشمل اسم المجموعة، وحجم العينة ($N$)، والمتوسط ($M$)، والانحراف المعياري ($SD$)، وقيمة$t$، ودرجات الحرية ($df$)، والقيمة الاحتمالية ($p$)، وفترات الثقة وحجم الأثر ($d$).

المتغير والمجموعة	N	M	SD	t	df	p	95% CI	Cohen’s d
أعراض الاكتئاب (BDI-II)
العلاج السلوكي المعرفي	30	12.40	4.10	-3.45	58	.001	[-6.82, -1.84]	0.89
المجموعة الضابطة	30	16.70	5.40

ملاحظة: CI = فترة الثقة للفرق بين المتوسطين؛ يتم تقديم الحدود بين قوسين معقوفين.

أما بخصوص الرسوم البيانية، يُوصى بإنشاء أعمدة بيانية (Bar Charts) أو مخططات المتوسطات مدعومة بـ “أشرطة الخطأ” (Error Bars) التي تمثل إما فترات الثقة 95% أو الانحراف المعياري، مع توضيح ماهية أشرطة الخطأ صراحة في الحاشية التفسيرية التابعة للشكل.

12.3 أخطاء شائعة يجب تجنبها عند إعداد تقرير النتائج

يقع العديد من الباحثين المبتدئين في أخطاء منهجية متكررة تُضعف من القيمة الأكاديمية للتقرير؛ ومن أبرز هذه الأخطاء التي يجب تفاديها بدقة:

• كتابة $p = .000$: من المستحيل رياضياً أن تصل القيمة الاحتمالية إلى الصفر المطلق، والبرمجيات تقرب الأرقام فقط. إذا ظهرت القيمة في البرنامج بصيغة .000، يجب كتابتها أكاديمياً: $p < .001$.
• إغفال تقرير حجم الأثر وفترات الثقة: الاقتصار على ذكر القيمة التائية والدلالة ($t$ و $p$) يمثل نقصاً منهجياً فادحاً يخالف معايير النشر الدولية الحديثة.
• التقرير الانتقائي وتجاهل الافتراضات: إخفاء نتائج التحقق من الاعتدالية وتجانس التباين (ليفين) أو عدم توضيح سبب اللجوء إلى اختبار ويلش يخل بالشفافية العلمية ونزاهة البحث.
• الخلط بين الانحراف المعياري ($SD$) والخطأ المعياري ($SE$): فالأول يصف تشتت العينة، بينما يصف الثاني دقة التقدير؛ ويجب تحديدهما بوضوح في الجداول والمتن دون لبس.

خاتمة

يظل اختبار ت للعينات المستقلة أحد أكثر الأدوات الإحصائية رسوخاً وأساسية في ترسانة المنهجية العلمية التجريبية والوصفية. إن الاستخدام الرصين لهذا الاختبار يتجاوز مجرد المعالجة الرقمية السريعة عبر البرمجيات الجاهزة؛ بل يستدعي وعياً إبستيمولوجياً متكاملاً يبدأ من الضبط المنهجي للتصميم التجريبي لضمان استقلالية المشاهدات، ويمر بالتحقق الدقيق من اعتدالية البيانات وتجانس التباينات، ولا ينتهي عند اتخاذ القرار برفض الفرضية الصفرية، بل يمتد إلى تقييم الأثر العملي والتطبيقي من خلال حجوم الأثر وفترات الثقة الموثوقة. إن الالتزام الصارم بهذه القواعد الرياضية والمنهجية، وصياغة التقارير وفق المعايير الأكاديمية العالمية لدليل APA، هو الضمان الحقيقي لارتقاء البحث السلوكي والتربوي وتحقيق التراكم المعرفي الرصين الذي يخدم المجتمع ويثري المعرفة الإنسانية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://www.sagepub.com
• Gosset, W. S. [Student]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. Academic Press. https://doi.org/10.1016/C2009-0-03396-0
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning. https://www.cengage.com
• 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.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com
• 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