الإحصاء الاستدلالي: التعريف والأمثلة

يُعدّ الإحصاء الاستدلالي الركيزة المنهجية الصلبة التي تستند إليها البحوث الإمبريقية المعاصرة في العلوم السلوكية والنفسية والاجتماعية؛ إذ يُمثّل الجسر المعرفي الذي يُمكّن الباحث من تجاوز حدود المشاهدات الفردية الضيقة للوصول إلى قوانين وتعميمات علمية تنطبق على المجتمعات الإنسانية الأوسع. ففي ظل تعقيد السلوك البشري وتشابك العمليات المعرفية والوجدانية، يستحيل على الباحثين إخضاع كافة أفراد المجتمع للدراسة المباشرة، مما يفرض ضرورة الاستعانة بنماذج رياضية احتمالية محكمة تُفسّر التباين العشوائي وتستخلص الأنماط الكامنة في البيانات المقاسة بدقة متناهية.

تتجاوز أهمية هذا الحقل مجرد إجراء عمليات حسابية روتينية، لتشكل إطاراً إبستمولوجياً متكاملاً لاختبار الفرضيات والنظريات السيكولوجية. ومن خلال المزج الدقيق بين نظرية الاحتمالات ونظرية المعاينة، يُتيح الإحصاء الاستدلالي للأكاديميين والممارسين السريريين تقييم نجاعة التدخلات العلاجية، وتقدير معالم المجتمعات السكانية، وقياس حجم التأثيرات النفسية بمستويات محسوبة من عدم اليقين، مما يضمن تحويل البيانات الأولية المشوشة إلى معارف موثوقة تسهم في ترقية الفهم الإنساني وتطوير الممارسات العيادية والتربوية.

يقدم هذا المرجع الأكاديمي الشامل دليلاً تأصيلياً وتطبيقياً متعمقاً في الإحصاء الاستدلالي، مسلطاً الضوء على أبعاده النظرية، ونماذجه الرياضية، وتطبيقاته السيكولوجية المتنوعة، بدءاً من اختبارات الفروق والعلاقات، مروراً بنماذج التنبؤ والوساطة، وصولاً إلى التحولات المعاصرة نحو الاستدلال البايزي ومعايير التكرارية العلمية والإصلاح المنهجي في البحث النفسي الحديث.

1. مدخل إلى الإحصاء الاستدلالي: المفهوم والأهمية في علم النفس

1.1 التعريف العلمي الدقيق للإحصاء الاستدلالي

يُعرّف الإحصاء الاستدلالي (Inferential Statistics) بأنه ذلك الفرع من علم الإحصاء الذي يُعنى بتطوير واستخدام إجراءات رياضية استقرائية تهدف إلى استخلاص استنتاجات وتعميمات حول خصائص مجتمع إحصائي كلي انطلاقاً من دراسة وتحليل عينة عشوائية ممثلة مستمدة من ذلك المجتمع. تعتمد هذه العملية على انتقال معرفي دقيق من “الجزء” إلى “الكل”، حيث لا يقتصر دور الباحث على مجرد رصد ما هو متاح من استجابات رقمية ضمن حدود العينة، بل يتعدى ذلك إلى تقدير معالم غير معروفة للمجتمع وضبط هامش الخطأ الناجم عن المعاينة.

في سياق القياس النفسي والسلوكي، يُمثل الاستدلال الإحصائي أداة إجرائية لتحويل الاستجابات السلوكية والدرجات المستحصلة من المقاييس السيكومترية إلى نماذج احتمالية تفسيرية. فعند قياس ظاهرة مثل “الصلابة النفسية” أو “الاضطراب الاكتئابي”، يسعى الإحصاء الاستدلالي إلى تحديد مدى احتمالية أن تكون الفروق الملاحظة بين المجموعات راجعة إلى متغيرات تجريبية حقيقية أم أنها مجرد تباينات عشوائية طرأت بفعل الصدفة أثناء اختيار المفحوصين.

يختلف الاستدلال الإحصائي الكمي جوهرياً عن الاستقراء الفلسفي الكلاسيكي؛ فالاستقراء الفلسفي ينتقل من حالات خاصة إلى قضايا عامة بناءً على الملاحظة المنطقية البحتة دون قياس كمي لمقدار عدم اليقين. في المقابل، يستند الاستدلال الإحصائي إلى قواعد نظرية الاحتمالات الرياضية، مما يسمح للباحث بتقدير احتمالية الخطأ بدقة حسابية صارمة والتعبير عن مستوى الثقة في التعميمات بصورة كمية قابلة للتحقق وإعادة الإنتاج.

1.2 أهمية الاستدلال الإحصائي في الدراسات السلوكية والنفسية

تبرز الأهمية القصوى للإحصاء الاستدلالي في العلوم النفسية من واقع الاستحالة المادية واللوجستية لإجراء قياس شامل لكافة أفراد المجتمع البشري أو المجتمعات الإكلينيكية المستهدفة. فالاضطرابات النفسية كالقلق العام أو اضطراب ما بعد الصدمة تتوزع عبر ملايين البشر عبر بقاع جغرافية متنوعة وخلفيات ديموغرافية متباينة، مما يجعل المعاينة الاستدلالية الخيار العلمي والعملي الوحيد القادر على استكشاف ديناميات هذه الظواهر دون الحاجة لإجراء حصر شامل مستحيل التحقيق.

علاوة على ذلك، تتميز البيانات السيكولوجية بمستويات مرتفعة من التباين الفردي والتشويش العشوائي الناتج عن الفروق الفردية في الذكاء، والمزاج، والخبرات الحياتية السابقة، فضلاً عن أخطاء القياس الملازمة لأدوات التقرير الذاتي. يوفر الاستدلال الإحصائي ترسانة من النماذج التي تمكن الباحث من عزل التباين التجريبي الحقيقي المنسوب للمتغيرات قيد الدراسة عن التباين المتبقي أو العشوائي، مما يضمن نزاهة القرارات البحثية المتخذة.

وتتجلى هذه الأهمية بوضوح في تقييم فعالية البرامج الإرشادية والتدخلات الدوائية والسلوكية؛ إذ يُمكّن الباحثين السريريين من اختبار ما إذا كان التحسن الملاحظ في عينة من المرضى دالاً إحصائياً وذا أثر علاجي حقيقي، أم أنه يعود لتأثيرات الدواء الوهمي أو الانحدار الإحصائي نحو المتوسط. وبذلك، يسهم الاستدلال في بناء وتطوير النماذج التفسيرية للظواهر المعرفية والوجدانية وصياغة نظريات علمية راسخة ذات موثوقية تطبيقية عالية.

1.3 المصطلحات والمفاهيم التأسيسية للاستدلال

يتطلب الإلمام بالاستدلال الإحصائي فهماً عميقاً لمنظومة من المفاهيم والمصطلحات الرياضية المركزية. ينطلق هذا الإطار من التمييز بين المجتمع الإحصائي المستهدف (Target Population)، وهو كامل العناصر أو الأفراد الذين يسعى الباحث لتعميم نتائجه عليهم، والمجتمع المتاح (Accessible Population) الذي يستطيع الباحث الوصول إليه فعلياً لاقتطاع العينة البحثية، والتي تشكل جزءاً فرعياً محدوداً يُجرى عليه الفحص والقياس المباشر.

يقابل هذا التمييز تفريق رياضي حاسم بين المعلمات السكانية (Parameters) والإحصاءات (Statistics)؛ فالمعلمة (مثل المتوسط الحسابي للمجتمع $\mu$ أو انحرافه المعياري $\sigma$) هي قيمة رقمية ثابتة ولكنها مجهولة في الغالب تميز المجتمع ككل، بينما الإحصاء (مثل متوسط العينة $\bar{X}$ أو انحرافها المعياري $s$) هو متغير عشوائي يُحسب مباشرة من بيانات العينة ويُستخدم كأداة لتقدير المعلمة السكانية المقابلة والتعرف على خصائصها.

تتكامل هذه المنظومة بمفاهيم التصميم التجريبي، وعلى رأسها المتغير المستقل (المُعالجة أو السبب المفترض)، والمتغير التابع (السلوك أو النتيجة المقاسة)، والمتغيرات الدخيلة أو المربكة التي يسعى الباحث لضبطها إحصائياً أو تجريبياً لضمان عدم تلويث النتائج. ويبرز مفهوم درجات الحرية (Degrees of Freedom – $df$) كعنصر حاسم يمثل عدد القيم المستقلة الحرة في التباين الرياضي عند حساب إحصاء معين، وتلعب دوراً محورياً في تحديد الشكل الدقيق للتوزيعات الاحتمالية المستخدمة مثل توزيعات $t$ و $F$ و $\chi^2$.

2. المقارنة المنهجية: الإحصاء الوصفي مقابل الإحصاء الاستدلالي

2.1 الفروق الجوهرية في الأهداف والوظائف

يختلف الإحصاء الوصفي (Descriptive Statistics) عن الإحصاء الاستدلالي (Inferential Statistics) في الوظيفة المعرفية والنطاق التحليلي؛ فالإحصاء الوصفي ينحصر هدفه في تنظيم، وتلخيص، وتكثيف، وعرض البيانات الرقمية المجمعة من العينة موضع الدراسة حصراً، دون محاولة القفز فوق أسوار تلك البيانات أو إطلاق أحكام تشمل أفراداً لم يخضعوا للقياس المباشر. ويتضمن ذلك حساب التكرارات، والنسب المئوية، ومقاييس الموضع.

في المقابل، يتجاوز الإحصاء الاستدلالي حدود الوصف المباشر ليقوم بمهمة التنبؤ والتعميم وتفسير العلاقات واختبار الفرضيات العلمية على مستوى المجتمع الإحصائي الكلي. يوظف الاستدلال مقاييس النزعة المركزية (كالوسط، والوسيط، والمنوال) ومقاييس التشتت (كالتباين، والانحراف المعياري، والمدى الربيعي) التي يحسبها الإحصاء الوصفي، ليس كغاية نهائية، بل كمدخلات أولية ونقاط انطلاق رياضية في خوارزميات التقدير واختبار الفروض.

يتجلى الفارق أيضاً في حدود اليقين الرياضي؛ فالإحصاء الوصفي يقدم مؤشرات رقمية قاطعة وثابتة تصف العينة المقاسة دون أي هامش للخطأ في الوصف ذاته طالما صحت العمليات الحسابية. أما الإحصاء الاستدلالي، فيتحرك دائماً في فضاء الاحتمالات وعدم اليقين المحسوب، حيث لا يقدم إثباتات مطلقة بل يطرح تقديرات مقرونة بفترات ثقة وهوامش خطأ احتمالية مضبوطة وفق قوانين التوزيعات الرياضية.

2.2 التكامل الوظيفي بين التحليل الوصفي والاستدلالي

لا يُمثل الإحصاء الوصفي والاستدلالي مسارين منفصلين أو متناقضين، بل يشكلان مرحلتين متكاملتين ومتتاليتين في دورة التحليل الإحصائي للبحوث السلوكية. يبدأ التحليل الرصين دائماً بالاستكشاف الوصفي للبيانات (Exploratory Data Analysis)، والذي يهدف إلى فحص شكل التوزيع التكراري، واكتشاف القيم الشاذة أو المتطرفة، والتحقق من افتراضات الاعتدالية والتماثل، مما يحدد مدى ملاءمة البيانات لتطبيق نماذج استدلالية معلمية أو لا معلمية.

يوفر التحليل الوصفي فهماً حسياً ملموساً للمتغيرات يساعد الباحث على تفسير مخرجات النماذج الاستدلالية المعقدة تفادياً للاستنتاجات المضللة. فعلى سبيل المثال، قد يُظهر الاختبار الاستدلالي وجود فرق ذي دلالة إحصائية بين مجموعتين، لكن التحليل الوصفي لمتوسطات المجموعتين ومقاييس تشتتها هو الذي يوضح اتجاه ذلك الفرق وحجمه الفعلي وظروف انتشاره، مما يُضفي معنى تطبيقياً على الأرقام المجردة.

كما تلعب التمثيلات البيانية الوصفية—مثل المدرجات التكرارية (Histograms)، والمخططات الصندوقية (Boxplots)، والرسوم النقطية للانتشار (Scatterplots)—دوراً محورياً في دعم مخرجات الاستدلال؛ إذ تُمكّن الباحث من فحص العلاقات الخطية والتجانس بصرياً قبل الوثوق في نتائج اختبارات الدلالة والانحدار، مما يجسد التكامل البنيوي بين الوصف الرقمي والاستنتاج الاحتمالي.

2.3 أمثلة مقارنة من واقع البحوث النفسية

لتوضيح التمايز الإجرائي بين الفرعين، يمكن استعراض جدول المقارنة التالي الذي يلخص السيناريوهات الشائعة في البيئات البحثية السيكولوجية:

• سياق دراسة القلق الأكاديمي:
  • المستوى الوصفي: حساب متوسط درجات القلق لعينة تتألف من 150 طالباً جامعياً وتسجيله عند ($\bar{X} = 28.4$) بانحراف معياري ($s = 4.2$) لوصف مستويات العينة الحالية.
  • المستوى الاستدلالي: استخدام متوسط العينة لحساب فترة ثقة 95% لتعميم متوسط قلق كافة طلاب الجامعة ($27.7 le \mu le 29.1$)، واختبار ما إذا كان هذا المتوسط يتجاوز الدرجة المعيارية الوطنية للقلق.
• سياق أبحاث الاكتئاب السريري:
  • المستوى الوصفي: عرض نسب تكرار أعراض الأرق وفقدان الشهية بين الذكور والإناث داخل مركز استشاري محدد.
  • المستوى الاستدلالي: إجراء اختبار كاي تربيع للاستقلالية لتحديد ما إذا كانت الفروق في حدوث أعراض الاكتئاب بين الجنسين تعكس نمطاً وبائياً حقيقياً في المجتمع العام أم مجرد تباين عشوائي في العينة.
• سياق قياس العلاقات السيكومترية:
  • المستوى الوصفي: حساب معامل ارتباط بيرسون الظاهري بين ساعات استخدام وسائل التواصل والرضا عن الحياة ($r = -0.34$) للعينة المدروسة.
  • المستوى الاستدلالي: اختبار ما إذا كان معامل الارتباط يختلف جوهرياً عن الصفر في المجتمع الإحصائي ($p < .001$)، مما يسمح برفض الفرضية الصفرية القائلة بانعدام العلاقة.

3. نظرية المعاينة ودور العينات في الاستدلال النفسي

3.1 طرق سحب العينات الاحتمالية وشروطها

ترتكز قوة وصحة الاستدلال الإحصائي على نظرية المعاينة الاحتمالية (Probability Sampling Theory)، والتي تشترط أن يمتلك كل فرد في المجتمع الإحصائي فرصة معروفة ومتكافئة وغير صفرية للاختيار ضمن العينة. يُعد أسلوب العينة العشوائية البسيطة (Simple Random Sample) المعيار الذهبي الأساسي، حيث يُستخدم جدول الأرقام العشوائية أو المولدات الرقمية الحاسوبية لاختيار الأفراد دون أي تدخل أو تحيز من جانب الباحث، مما يضمن تمثيلاً غير مشوه لخصائص المجتمع.

في الدراسات النفسية التي تتسم بتباينات ديموغرافية واضحة، تُستخدم المعاينة العشوائية الطبقية (Stratified Random Sampling)، حيث يُقسّم المجتمع إلى طبقات متجانسة بناءً على متغيرات حاسمة (مثل النوع الاجتماعي، المستوى الاقتصادي، أو التوزيع الجغرافي)، ثم تُسحب عينات عشوائية فرعية من كل طبقة بصورة متناسبة أو غير متناسبة. تضمن هذه الطريقة تمثيلاً دقيقاً لكافة الشرائح الفرعية، مما يقلل من الخطأ المعياري للتقديرات ويزيد من كفاءة الاستدلال.

كما تُطبق المعاينة العنقودية (Cluster Sampling) بكثافة في البيئات التربوية والتنظيمية، حيث تُسحب مجموعات كاملة طبيعية (كالمدارس، الفصول الدراسية، أو المستشفيات) عشوائياً بدلاً من سحب الأفراد بصورة معزولة، مما يخفض التكاليف الميدانية مع الحفاظ على عشوائية الاختيار. ويُضاف إلى ذلك المعاينة المنتظمة (Systematic Sampling) التي تعتمد على اختيار كل عنصر يحمل الترتيب $k$ بعد بداية عشوائية محددة، مع الحذر التام من وجود دورية بنيوية في قائمة المجتمع قد تؤدي إلى تحيز نسقي في الاختيار.

3.2 طرق المعاينة غير الاحتمالية وتأثيرها على الاستدلال

على الرغم من القيود المنهجية، تشيع العينات غير الاحتمالية (Non-Probability Samples) في البحوث السيكولوجية لاعتبارات عملية وسياقية. تُعد العينة الميسرة (Convenience Sample) الأكثر انتشاراً، وتعتمد على استقطاب الأفراد المتاحين بسهولة للباحث، مثل طلاب علم النفس في الجامعات. يؤدي هذا النمط إلى مخاطر منهجية كبرى تُعرف في الأدبيات بظاهرة عينات “WEIRD” (الغربية، المتعلمة، الصناعية، الغنية، الديمقراطية)، مما يهدد صلاحية التعميم على المجتمعات الإنسانية الأوسع.

وتبرز العينة القصدية أو الغرضية (Purposive Sampling) عندما يستهدف الباحث دراسة فئات نفسية ذات خصائص إكلينيكية فريدة ومحددة بدقة، كالأفراد الذين يعانون من اضطراب الهوية الانفصالية، حيث يختار الباحث المشاركين بناءً على أحكام إكلينيكية محددة. كما تُستخدم عينة كرة الثلج (Snowball Sampling) لدراسة الفئات السريرية أو الاجتماعية الموصومة والتي يصعب الوصول إليها (كالمتعافين من الإدمان أو ضحايا الصدمات الحادة)، حيث يقوم المشاركون الحاليون بترشيح مشاركين جدد مؤهلين للدراسة.

من الناحية الرياضية الصارمة، تفرض المعاينة غير الاحتمالية حدوداً حرجة على تطبيق الإحصاء الاستدلالي؛ إذ إن غياب التوزيع الاحتمالي المتكافئ للاختيار يبطل الافتراضات التأسيسية لحساب الخطأ المعياري وفترات الثقة بدقة رياضية مطلقة. ومع ذلك، تُستخدم الأساليب الاستدلالية مع هذه العينات في الأبحاث الاستكشافية مع وجوب التزام الباحث بالتحفظ الشديد والشفافية التامة في مناقشة حدود تعميم النتائج.

3.3 تمثيلية العينة وتأثيرها على الصدق الخارجي

تُعرّف تمثيلية العينة (Sample Representativeness) بأنها مدى مطابقة وتطابق الخصائص الديموغرافية، والسيكولوجية، والبيولوجية للعينة مع الخصائص الهيكلية الكامنة في المجتمع الإحصائي الأصلي. ترتبط التمثيلية ارتباطاً وثيقاً بـ الصدق الخارجي (External Validity) للبحث، وهو المدى الذي يمكن عنده تعميم المكتشفات التجريبية والعيادية عبر مختلف الأفراد، والسياقات، والأزمنة المتغيرة.

إذا كانت العينة تتسم بخلل في التمثيل—بأن تقتصر مثلاً على فئة عمرية محددة أو جنس دون الآخر عند دراسة استجابات التوتر العصبي—فإن أي استدلال إحصائي يتم إجراؤه، مهما بلغت دقته الرياضية وقوته الاختبارية، سيعاني من ضعف في الصدق الخارجي، وسيقود حتماً إلى تعميمات مضللة لا تعكس استجابة المجتمع الفعلي. يؤكد ذلك أن الدقة الإحصائية لا يمكنها تعويض القصور المنهجي في اختيار المفحوصين.

للحد من هذه المعضلات، يتبنى الباحثون استراتيجيات منهجية وإحصائية وقائية، تشمل فحص تحيز عدم الاستجابة (Non-response Bias)، وتطبيق أوزان المعاينة التعديلية (Sampling Weights) في مرحلة التحليل لضبط الخلل في التمثيل الديموغرافي، فضلاً عن إجراء دراسات التحقق التكراري (Replication Studies) عبر عينات وبيئات متعددة لضمان متانة التعميمات الاستدلالية واستقرارها الميداني.

4. توزيع المعاينة والخطأ المعياري ونظرية النهاية المركزية

4.1 مفهوم توزيع المعاينة والأساس النظري له

يُمثل توزيع المعاينة (Sampling Distribution) الحجر الأساس والمفهوم النظري الأهم في بنية الإحصاء الاستدلالي المعاصر. لا يُشير هذا المفهوم إلى توزيع الدرجات الفردية الخام التي نجمعها في دراسة معينة، بل هو توزيع احتمالي نظري يتشكل من قيم إحصاء معين (كالوسط الحسابي $\bar{X}$) تم حسابه لعدد لا نهائي من العينات المستقلة ذات الحجم نفسه ($N$) المسحوبة عشوائياً وبصورة متكررة من نفس المجتمع الإحصائي.

لفهم هذا التوزيع تجريبياً، لنتخيل أننا سحبنا عينة من 100 مفحوص من مجتمع ما وحسبنا متوسط الذكاء فيها، ثم أعدنا هذه العملية مليون مرة؛ سينتج لدينا مليون متوسط حسابي مختلف قليلاً عن بعضه البعض بفعل تباين الصدفة في المعاينة. عند تنظيم هذه المليون قيمة في توزيع تكراري، سنحصل على ما يُعرف رياضياً بـ “توزيع المعاينة للمتوسطات”.

يتميز توزيع المعاينة للأوساط بخاصية رياضية بالغة الأهمية: إن القيمة المتوقعة أو المتوسط الحسابي لكافة متوسطات العينات الممكنة ($E(\bar{X})$ أو $\mu_{\bar{X}}$) يساوي تماماً المتوسط الحقيقي للمجتمع الأصلي ($\mu$). وهذا يعني أن الإحصاء المحسوب من العينة هو مقدّر غير متحيز للمعلمة السكانية، مما يمنح المنهجية الاستدلالية شرعيتها العلمية في النفاذ إلى خصائص المجتمعات الكبرى.

4.2 الخطأ المعياري وطرق حسابه

يُعرّف الخطأ المعياري للمتوسط (Standard Error of the Mean – $SE_{\bar{X}}$) بأنه الانحراف المعياري لتوزيع المعاينة النظري للمتوسطات الحسابية. وبعبارة تطبيقية، هو مقياس التشتت الإحصائي الذي يقيس مدى تباين وتذبذب متوسطات العينات المختلفة حول المتوسط الحقيقي للمجتمع، ويمثل المؤشر المباشر لمقدار الخطأ العشوائي المتوقع في تقديرنا لمعلمة المجتمع انطلاقاً من عينة واحدة مقاسة.

يُحسب الخطأ المعياري للمتوسط نظرياً باستخدام الانحراف المعياري للمجتمع ($\sigma$) مقسوماً على الجذر التربيعي لحجم العينة ($N$):

$$SE_{\bar{X}} = \frac{\sigma}{\sqrt{N}}$$

وفي التطبيقات النفسية العملية حيث تكون $\sigma$ مجهولة، يتم استبدالها بالانحراف المعياري المحسوب من العينة ($s$) وفق الصيغة:

$$SE_{\bar{X}} = \frac{s}{\sqrt{N}}$$

تكشف هذه المعادلة الرياضية عن علاقة عكسية حاسمة: كلما ازداد حجم العينة ($N$)، انخفضت قيمة الخطأ المعياري بمقدار يتناسب مع الجذر التربيعي، مما يؤدي إلى تضييق توزيع المعاينة وزيادة تقارب متوسطات العينات من متوسط المجتمع الحقيقي، وهو ما يترجم رياضياً بزيادة الدقة الاستدلالية والموثوقية العلمية للتقديرات والقرارات الإحصائية.

4.3 نظرية النهاية المركزية وتطبيقاتها النفسية

تُعد نظرية النهاية المركزية (Central Limit Theorem – CLT) الركيزة الرياضية التي تُسوّغ استخدام معظم الأساليب الاستدلالية. تنص النظرية على أنه أياً كان شكل التوزيع التكراري للبيانات في المجتمع الأصلي (سواء كان ملتوياً، أو ثنائي المنوال، أو منتظماً)، فإن توزيع المعاينة لمتوسطات العينات سيقترب باطراد من التوزيع الطبيعي المعياري (الاعتيدالي) متماثل الخصائص كلما ازداد حجم العينة ($N$).

تُشير التقاليد الإحصائية والأدبيات السلوكية إلى أن حجم عينة يبلغ 30 فرداً أو أكثر ($N ge 30$) يُعد كافياً لتفعيل مفعول نظرية النهاية المركزية، بحيث يصبح توزيع المعاينة للمتوسطات طبيعياً تقريباً، مما يسمح بتطبيق القوانين الاحتمالية للتوزيع السوي وحساب الدرجات المعيارية ($Z$) واختبارات ($t$) بأمان منهجي عالٍ.

تحظى هذه النظرية بأهمية قصوى في علم النفس؛ إذ إن العديد من السمات والظواهر السيكولوجية المقاسة (مثل زمن الرجع العصبي، ودرجات مقاييس الاكتئاب السريري الحاد) لا تتبع التوزيع الطبيعي في الواقع التجريبي بل تظهر التواءات واضحة. وبفضل نظرية النهاية المركزية، يستطيع الباحث استخدام الاختبارات الإحصائية المعلمية بثقة للتحقق من الفروق بين المتوسطات طالما كانت العينات المعتمدة كبيرة بما يكفي، دون اشتراط الاعتدالية الصارمة لدرجات الأفراد الخام.

5. التقدير الإحصائي: التقدير بنقطة وفترات الثقة

5.1 التقدير النقطي للبارامترات النفسية

يمثل التقدير النقطي (Point Estimation) الإجراء الإحصائي الذي يُوظف فيه رقم فردي واحد محسوب من العينة كأفضل تخمين أو تقدير عددي لمعلمة مجهولة في المجتمع الإحصائي. ويُعد المتوسط الحسابي للعينة ($\bar{X}$) التقدير النقطي النموذجي غير المتحيز والأكثر كفاءة لمتوسط المجتمع ($\mu$)، نظراً لأن قيمته المتوقعة تتطابق رياضياً مع المعلمة المستهدفة.

وفيما يتعلق بتقدير تباين المجتمع ($\sigma^2$)، يُستخدم تباين العينة المصحح ($s^2$)، حيث يُقسم مجموع مربعات الانحرافات على درجات الحرية ($N – 1$) بدلاً من ($N$):

$$s^2 = \frac{\sum (X_i – \bar{X})^2}{N – 1}$$

يضمن هذا التصحيح الرياضي إزالة التحيز النسقي، إذ إن استخدام الموزع $N$ يقود إلى تقليل منهجي غير مرغوب في تقدير تشتت المجتمع الفعلي.

على الرغم من بساطة التقدير بنقطة وجاذبيته العملية، إلا أنه يعاني من عيب هيكلي يتمثل في افتقاره التام لمقياس يوضح مقدار عدم اليقين أو الخطأ المقترن بهذا التقدير. فالاحتمال الرياضي لأن يتطابق متوسط عينة مفردة تماماً مع متوسط المجتمع الحقيقي يصل إلى الصفر في المتغيرات المتصلة، مما يجعل التقدير النقطي ناقصاً ما لم يتم إسناده بمدى احتمالي يُحدد مجال الشك، وهو ما توفره فترات الثقة.

5.2 بناء وتفسير فترات الثقة

تُعرف فترة الثقة (Confidence Interval – CI) بأنها مدى أو مجال من القيم العددية المحصورة بين حد أدنى وحد أعلى، يُحسب بناءً على بيانات العينة والخطأ المعياري، ويُتوقع أن يحتوي داخله المعلمة السكانية المجهولة بنسبة احتمالية محددة سلفاً تُعرف بمستوى الثقة (غالباً 95% أو 99%). تُحسب حدود الثقة 95% للمتوسط عادة وفق الصيغة المعيارية:

$$CI_{95%} = \bar{X} \pm (t_{\text{crit}} \times SE_{\bar{X}})$$

حيث تُمثل $t_{\text{crit}}$ القيمة الحرجة لتوزيع $t$ عند مستوى دلالة $\alpha = 0.05$ ودرجات حرية العينة ($df = N – 1$).

يقتضي التفسير الإحصائي التكراري الصحيح تجنب الوقوع في الخطأ الشائع القائل بأن “هناك احتمالاً قدره 95% أن يقع متوسط المجتمع داخل هذه الفترة المحددة بالذات”؛ فالمعلمة السكانية قيمة ثابتة غير عشوائية إما أن تقع داخل الفترة أو خارجها. التفسير العلمي السليم هو: “لو قمنا بسحب مئات العينات العشوائية المتماثلة وبنينا فترة ثقة 95% لكل منها، فإن 95% من تلك الفترات المتولدة ستحتوي بالفعل على متوسط المجتمع الحقيقي، بينما ستفشل 5% منها في ضمه”.

يتأثر اتساع فترة الثقة بثلاثة عوامل جوهرية: مستوى الثقة المطلوب (فترات 99% أوسع من فترات 95%)، والتباين الكامن في البيانات (التباين الأعلى يولد فترات أوسع)، وحجم العينة (العينات الأكبر تقلل الخطأ المعياري فتنتج فترات أضيق وأكثر دقة). وبذلك، تعكس الفترات الضيقة دقة استدلالية متناهية تسمح بتقدير الظواهر النفسية بوضوح متزايد.

5.3 فترات الثقة للفروق وحجوم التأثير

يمتد تطبيق فترات الثقة ليشمل الفروق بين المجموعات التجريبية؛ فعند مقارنة متوسطي مجموعتين علاجيتين، يقوم الباحث بحساب فترة الثقة للفرق بين المتوسطين ($(\bar{X}_1 – \bar{X}_2) \pm t_{\text{crit}} \times SE_{\text{diff}}$). إذا لم تشمل فترة الثقة المحسوبة القيمة “صفر” بين حدودها (كأن تكون الفترة بين 2.3 و 7.8 درجة تحسن)، يُستدل مباشرة على وجود فرق جوهري دال إحصائياً بين المجموعتين عند مستوى الدلالة المقابل، بينما يشير اشتمالها على الصفر إلى عدم كفاية الدليل لرفض فرضية التكافؤ.

تتفوق فترات الثقة على مجرد الإعلان عن القيمة الاحتمالية ($p$-value) لكونها تدمج بين الحكم على الدلالة الإحصائية وتقديم تقدير كمي واضح للتباين السريري الممكن للنتيجة، مما يتيح للمعالج النفسي فهم أسوأ وأفضل سيناريو متوقع لأثر التدخل العلاجي في الواقع الميداني.

علاوة على ذلك، يُوصى اليوم ببناء فترات ثقة حول مقاييس حجم التأثير (Effect Size) مثل معامل كوهين ($d$) ومربع إيتا ($\eta^2$). يسمح ذلك بتقدير مدى دقة حجم الأثر التجريبي وتجنب المبالغة في تقييم النتائج، حيث توفر فترة الثقة لمقياس كوهين تقديراً لمدى ضخامة أو ضآلة الأثر النفسي المتوقع للمتغيرات التجريبية على مستوى المجتمع ككل.

6. اختبار الفرضيات الإحصائية: الإطار المنهجي والمنطقي

6.1 صياغة الفرضية الصفرية والفرضية البديلة

يتحرك اختبار الفرضيات الإحصائية ضمن إطار منطقي استنتاجي صارم ينطلق من مبدأ “دحض النظريات وتكذيبها” المأخوذ من فلسفة كارل بوبر المعرفية. تبدأ هذه الإجراءات بصياغة الفرضية الصفرية (Null Hypothesis – $H_0$)، وهي فرضية تشكيكية تنص في جوهرها على عدم وجود أثر تجريبي، أو عدم وجود فروق حقيقية بين المجموعات، أو انعدام الارتباط بين المتغيرات في المجتمع، وتُعزى أي فروق ملاحظة في العينة إلى الصدفة وتذبذب المعاينة العشوائي.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – $H_1$ أو $H_a$)، والتي تُمثل الفرضية البحثية الإيجابية التي يسعى الباحث لإثباتها وتأييدها بالبيانات، وتنص على وجود أثر حقيقي أو فرق جوهري بين المعلمات السكانية يتجاوز ما يمكن أن تفسره الصدفة وحدها. قد تُصاغ الفرضية البديلة بصورة غير موجهة (Non-directional) كأن تنص على مجرد وجود اختلاف ($\mu_1 ne \mu_2$)، أو بصورة موجهة (Directional) تحدد اتجاه الأثر مسبقاً بناءً على سند نظري رصين ($\mu_1 > \mu_2$).

يتمحور المنطق الإحصائي حول وضع الفرضية الصفرية كـ “متهم بريء حتى تثبت إدانته”؛ حيث يتم افتراض صحتها تماماً طوال مراحل الحساب الرياضي، ولا تُرفض إلا إذا وفرت بيانات العينة أدلة احتمالية قوية واستثنائية تجعل استمرار تصديق الفرضية الصفرية أمراً غير منطقي وغير محتمل إحصائياً.

6.2 مستوى الدلالة والقيمة الاحتمالية

يُمثل مستوى الدلالة (Significance Level – $\alpha$) المعيار الاحتمالي الحرج والحد الأقصى الذي يحدده الباحث مسبقاً قبل جمع البيانات للقبول بالخطأ الإحصائي، ويُحدد تقليدياً في العلوم النفسية بقيمة ($\alpha = 0.05$) أو ($\alpha = 0.01$). تعني قيمة $\alpha = 0.05$ أن الباحث يقبل بنسبة مخاطرة لا تتعدى 5% للوقوع في رفض خاطئ للفرضية الصفرية عندما تكون صحيحة فعلياً.

أما القيمة الاحتمالية ($p$-value)، فهي الاحتمال الرياضي المحسوب من بيانات العينة للحصول على نتائج تجريبية متطرفة أو أكثر تطرفاً من النتيجة الملاحظة فعلاً، بافتراض أن الفرضية الصفرية صحيحة بنسبة 100%. تتم مقارنة القيمة المحسوبة بالمعيار المحدد مسبقاً؛ فإذا كانت ($p le \alpha$)، تُرفض الفرضية الصفرية ويُحكم على النتيجة بأنها “دالة إحصائياً (Statistically Significant)”، بينما إذا كانت ($p > \alpha$)، يُفشل الباحث في رفض الصفرية ويُقر بأن البيانات لا تقدم دليلاً كافياً لوجود الأثر.

تنتشر في الأوساط السيكولوجية مغالطات شائعة حول الـ $p$-value؛ فهي لا تعني بأي حال من الأحوال “احتمالية أن تكون الفرضية الصفرية صحيحة”، كما أنها لا تقيس “احتمالية أن تكون الفرضية البديلة خاطئة”، ولا تعكس بصورة آلية الأهمية التطبيقية أو السريرية للنتيجة. إنها مجرد مؤشر احتمالي مشروط يقيس مدى اتساق البيانات الراهنة مع نموذج افتراضي يفترض غياب التأثير.

6.3 الاختبارات أحادية الطرف وثنائية الطرف

يرتبط تحديد اتجاه الاختبار الإحصائي بطبيعة صياغة الفرضية البديلة؛ ففي الاختبار ثنائي الطرف (Two-tailed Test)، تتوزع منطقة الرفض الحرجة ($\alpha$) بالتساوي على طرفي التوزيع الاحتمالي (مثلاً 0.025 في الطرف الأيمن و 0.025 في الطرف الأيسر عند $\alpha = 0.05$). يُعد هذا الاختبار هو الخيار القياسي الأكثر تحفظاً وملاءمة في معظم البحوث النفسية عندما لا يتوفر للباحث مسوغ نظري قاطع يحدد اتجاه النتيجة، حيث يتيح رصد الفروق سواء كانت إيجابية أو سلبية.

أما الاختبار أحادي الطرف (One-tailed Test)، فتتركز فيه منطقة الرفض بالكامل ($\alpha = 0.05$) في طرف واحد من التوزيع (الأيمن أو الأيسر). يُلجأ إلى هذا الخيار فقط عندما تستند الفرضية البحثية إلى تنبؤ نظري محكم أو دراسات سابقة متسقة تؤكد أن التأثير لا يمكن أن يتجه إلا في اتجاه محدد (كالقول بأن جلسات العلاج النفسي ستخفض الاكتئاب ولن تزيده بأي حال).

يتميز الاختبار أحادي الطرف بقوة إحصائية أعلى في رصد التأثير إذا تحقق في الاتجاه المتوقع؛ إذ تصبح القيمة الحرجة المطلوبة للرفض أقل تشدداً. ومع ذلك، ينطوي استخدامه غير المبرر على مجازفة منهجية تتمثل في العمى التام عن اكتشاف أي تأثير قوي وغير متوقع يقع في الاتجاه المعاكس، مما يعرض الباحث للتحيز التأكيدي إذا لم تكن المبررات النظرية صلبة ومبررة مسبقاً.

7. أخطاء القرار الإحصائي والقوة الإحصائية

7.1 الخطأ من النوع الأول والخطأ من النوع الثاني

عند اتخاذ قرار إحصائي برفض أو عدم رفض الفرضية الصفرية، يواجه الباحث احتمالين صائبين واحتمالين للوقوع في أخطاء منهجية حرجة، كما يوضحه الإطار التالي:

• الخطأ من النوع الأول (Type I Error – $\alpha$):

  يحدث عندما يرفض الباحث الفرضية الصفرية ($H_0$) ويستنتج وجود أثر أو فرق دال، بينما هي في الواقع الموضوعي صحيحة تماماً. يُسمى هذا الخطأ بـ “الإنذار الكاذب (False Positive)”؛ ومثاله الإكلينيكي أن يجزم الباحث بفاعلية دواء نفسي جديد بينما لا يملك الدواء أي أثر يفوق الدواء الوهمي. يُحدد معدل هذا الخطأ بقيمة $\alpha$.

• الخطأ من النوع الثاني (Type II Error – $\beta$):

  يحدث عندما يفشل الباحث في رفض الفرضية الصفرية ويستنتج غياب الأثر، في حين أن الفرضية البديلة صحيحة وهناك أثر حقيقي قائم بالفعل في المجتمع. يُعرف هذا الخطأ بـ “الأثر المفقود (False Negative)”؛ ومثاله التوصل إلى أن برنامجاً وقائياً ضد الانتحار غير فعال وإيقاف تطبيقه رغم أنه يحمي الأرواح فعلياً. يُرمز لاحتمالية هذا الخطأ بالحرف الإغريقي $\beta$.

تخضع العلاقة بين الخطأين لمقايضة حتمية (Trade-off)؛ فخفض احتمالية الخطأ من النوع الأول عن طريق التشدد في مستوى الدلالة (مثل خفض $\alpha$ من 0.05 إلى 0.001) يؤدي تلقائياً إلى زيادة احتمالية الوقوع في الخطأ من النوع الثاني ($\beta$). كما تبرز مشكلة تضخم الخطأ التراكمي (Family-wise Error Rate) عند إجراء مقارنات واختبارات متعددة على البيانات ذاتها، مما يفرض استخدام تصحيحات رياضية صارمة مثل تصحيح بونفيروني (Bonferroni Correction) لضبط معدل $\alpha$ الكلي وحماية مصداقية الاستنتاجات.

7.2 القوة الإحصائية ومحدداتها

تُعرّف القوة الإحصائية (Statistical Power) بأنها الاحتمال الرياضي لرفض الفرضية الصفرية بصورة صحيحة عندما تكون خاطئة بالفعل، أي قدرة الاختبار الإحصائي على اكتشاف أثر تجريبي حقيقي متى ما وُجد في الواقع. وتُحسب رياضياً بالصيغة ($1 – \beta$). والمعيار المتعارف عليه عالمياً في بحوث علم النفس هو استهداف قوة إحصائية لا تقل عن $0.80$ (أي فرصة 80% لاكتشاف الأثر الحقيقي مقابل 20% مخاطرة بالوقوع في خطأ من النوع الثاني).

تعتمد القوة الإحصائية لأي تصميم بحثي على ثلاثة محددات تفاعلية أساسية:

1. حجم التأثير في المجتمع (Population Effect Size): كلما كان التأثير النفسي للتدخل كبيراً وبارزاً، ازدادت قدرة الاختبار على رصده وازدادت القوة تلقائياً.
2. حجم العينة ($N$): يؤدي تضخيم حجم العينة إلى تقليص الخطأ المعياري وزيادة دقة الاختبار، مما يرفع القوة الإحصائية بصورة جوهرية؛ فالعينات الصغيرة تمثل السبب الرئيسي لضعف القوة.
3. مستوى الدلالة المحدد ($\alpha$): اختيار مستوى $\alpha$ أقل تحفظاً (0.05 بدلاً من 0.01) يزيد من منطقة الرفض وبالتالي يرفع القوة الإحصائية.

تقود الدراسات ضعيفة القوة الإحصائية إلى أضرار منهجية بليغة على مسار المعرفة العلمية؛ فهي تفشل في توثيق تدخلات علاجية واعدة، وتتسم نتائجها الدالة بالصدفة بتضخيم مبالغ فيه لحجم التأثير الفعلي (Winner’s Curse)، مما يجعل إعادة إنتاجها أمراً متعذراً ويهز موثوقية الأدبيات التراكمية في علم النفس.

7.3 تحليل القوة المسبق والبعدي

يُمثل تحليل القوة المسبق (A-priori Power Analysis) الممارسة التخطيطية الفضلى التي يجب أن تسبق الشروع في جمع البيانات الميدانية. يُستخدم هذا الإجراء، عبر برمجيات متخصصة ورائدة مثل G*Power، لحساب وتحديد الحد الأدنى الدقيق لحجم العينة المطلوب الوصول إليه لتحقيق قوة اختبارية محددة سلفاً (مثلاً $1 – \beta = 0.80$) عند مستوى دلالة $\alpha = 0.05$ وتأثير متوقع مستند إلى دراسات استطلاعية أو أدبيات سابقة.

في المقابل، يُحذر علماء المنهجيات المعاصرون بشدة من إجراء ما يُسمى بـ تحليل القوة البعدي (Post-hoc Power Analysis)، وهو حساب القوة بعد اكتمال التجربة بناءً على حجم التأثير الملاحظ في العينة والـ $p$-value المستخرجة. يُعد هذا التحليل مضللاً وفاسداً رياضياً؛ لأنه لا يقدم أي معلومة جديدة مستقلة بل هو مجرد إعادة صياغة دائرية للقيمة الاحتمالية المحسوبة، ويُعطي وهماً زائفاً بتبرير النتائج غير الدالة.

إن التخطيط المنهجي السليم لحجم العينة استناداً لتحليل القوة المسبق يحمي الباحث من إهدار الموارد البشرية والمالية في أبحاث محكوم عليها بالعجز الإحصائي المسبق، كما يجنبه في المقابل الإفراط غير الأخلاقي في تجنيد أعداد ضخمة من المفحوصين دون مسوغ علمي مبرر.

8. الاختبارات المعلمية: الأنواع والشروط والتطبيقات النفسية

8.1 افتراضات الاختبارات المعلمية وطرق التحقق منها

تستند الاختبارات المعلمية (Parametric Tests) إلى افتراضات رياضية مسبقة تتعلق بخصائص المجتمع الإحصائي ومعالمه، وتوفر أقصى قوة إحصائية لاختبار الفروض متى ما تحققت شروطها. تشمل هذه الفروض المركزية:

• افتراض التوزيع الطبيعي (Normality): أن تكون درجات المتغير التابع موزعة توزيعاً اعتدالياً في المجتمع لكل مجموعة. يتم التحقق من ذلك بيانياً (مخططات Q-Q) وإحصائياً عبر اختبارات كـ شابيرو-ويلك (Shapiro-Wilk) للعينات الصغيرة والمتوسطة، أو كولموجوروف-سميرنوف (Kolmogorov-Smirnov) للعينات الكبيرة، مع مراعاة مؤشرات الالتواء والتفرطح.
• افتراض تجانس التباين (Homogeneity of Variance): تساوي تباينات المجتمعات التي سُحبت منها المجموعات قيد المقارنة. يُفحص هذا الافتراض كلاسيكياً عبر اختبار ليفين (Levene’s Test)، حيث تدل القيمة غير الدالة ($p > 0.05$) على تحقق التجانس وسلامة النموذج.
• افتراض استقلالية الملاحظات (Independence): أن تكون استجابة أي مفحوص مستقلة تماماً وغير متأثرة باستجابة مفحوص آخر، وهو شرط تصميمي إجرائي بالأساس.
• مستوى القياس: أن تكون البيانات مقاسة على مستوى فتري (Interval) أو نسبي (Ratio).

في حال انتهاك طفيف لافتراض الاعتدالية، تتسم بعض الاختبارات المعلمية (مثل اختبار $t$ و ANOVA) بـ “المتانة (Robustness)” طالما كانت أحجام المجموعات متساوية وكبيرة. ومع ذلك، عند حدوث انتهاكات جسيمة، يلجأ الباحث إلى إجراء تحويلات رياضية للبيانات (كالتحويل اللوغاريتمي أو تحويل الجذر التربيعي)، أو تطبيق تصحيحات إحصائية بديلة كتصحيح ويلش (Welch’s correction) لتباينات المجموعات غير المتجانسة، أو الانتقال النهائي للاختبارات اللامعلمية.

8.2 اختبارات (ت) للمجموعات المختلفة (t-tests)

تُعد عائلة اختبارات (ت) للطلاب (Student’s t-tests) من أكثر الأدوات المعلمية استخداماً لمقارنة المتوسطات الحسابية عندما لا يتجاوز عدد المجموعات اثنتين. وتتفرع سيكولوجياً إلى ثلاثة أشكال رئيسية:

1. اختبار (ت) لعينة واحدة (One-Sample t-test): يُستخدم لمقارنة متوسط عينة نفسية مفردة بقيمة معيارية معلومة أو متوسط عام موثق في المجتمع لمعرفة ما إذا كانت العينة تختلف جذرياً عن المعيار العام.
2. اختبار (ت) للعينات المستقلة (Independent-Samples t-test): يُطبق لمقارنة متوسطي مجموعتين منفصلتين تماماً من الأفراد؛ كالمقارنة بين مجموعة تجريبية تتلقى تقنية علاجية معرفية ومجموعة ضابطة تتلقى تدخلاً وهمياً، لاختبار وجود فروق بينية دالة.
3. اختبار (ت) للعينات المترابطة أو القياسات المتكررة (Paired-Samples t-test): يُستخدم عندما تُقاس نفس العينة من المفحوصين في مناسبتين زمنيتين مختلفتين (كالتصميم القبلي والبعدي لقياس التغير في درجات الرهاب الاجتماعي عقب الخضوع للتدريب السلوكي)، أو عند استخدام مجموعات متطابقة (Matched Groups).

تعتمد حسابات اختبار $t$ على نسبة الفرق الملاحظ بين المتوسطات إلى الخطأ المعياري لذلك الفرق، حيث تعكس قيمة $t$ المحسوبة عدد الانحرافات المعيارية التي تفصل النتائج التجريبية عن الفرضية الصفرية الصامتة.

8.3 تحليل التباين الأحادي والمتعدد (ANOVA)

عندما يتسع التصميم التجريبي ليشمل مقارنة ثلاثة متوسطات أو أكثر، يتوقف الباحث عن استخدام اختبارات $t$ المتعددة تجنباً للتضخم الكارثي للخطأ من النوع الأول، ويطبق بدلاً منها تحليل التباين الأحادي (One-Way ANOVA). يعتمد هذا الأسلوب على اختبار النسبة الفائية ($F$-ratio)، والتي تُحسب بقسمة التباين المفسر بين المجموعات (Between-Groups Variance) على التباين غير المفسر داخل المجموعات (Within-Groups Variance أو التباين الخطأ).

يمتد التحليل إلى تحليل التباين العاملي (Factorial ANOVA) عند الرغبة في دراسة أثر متغيرين مستقلين تصنيفيين أو أكثر في آن واحد على المتغير التابع. تكمن القوة الفريدة لهذا التحليل في قدرته على اختبار أثر التفاعل (Interaction Effect)، والذي يكشف ما إذا كان تأثير أحد المتغيرات المستقلة (كأسلوب العلاج) يتغير ويتفاوت وفقاً لمستويات متغير مستقل آخر (كالنوع الاجتماعي أو شدة الصدمة).

نظراً لأن النتيجة الدالة لاختبار $F$ العام (Omnibus $F$-test) تخبرنا فقط بوجود فرق بين متوسطين على الأقل دون تحديد مكانهما، يتبع ذلك إجراء مقارنات بعدية (Post-Hoc Tests) متخصصة؛ حيث يُستخدم اختبار توكي (Tukey’s HSD) في حالات المقارنات الزوجية الشاملة وتساوي التباينات، واختبار بونفيروني (Bonferroni) للمقارنات المحددة والمقيدة، واختبار شيفيه (Scheffé) للمقارنات المعقدة الأكثر تحفظاً، واختبار جيمس-هويل (Games-Howell) عند انتهاك تجانس التباين.

9. الاختبارات اللامعلمية: البدائل الاستدلالية للرتب والتكرارات

9.1 مبررات اللجوء إلى الإحصاء اللامعلمي

تُعرف الاختبارات اللامعلمية أو اللامعلمترية (Non-Parametric Tests) باختبارات “التوزيع الحر (Distribution-Free)”، نظراً لأنها لا تشترط مطابقة البيانات لتوزيع احتمالي محدد مسبقاً كالتوزيع الطبيعي، ولا تتطلب استيفاء شروط تجانس التباين الصارمة. ويُعد اللجوء إليها ضرورة إبستمولوجية ومنهجية حتمية في العديد من السياقات السلوكية.

تتجسد أبرز مبررات استخدامها عندما تكون البيانات مقاسة على مستوى ترتيبي أو رتبي (Ordinal Data)، كاستجابات مقاييس ليكرت (Likert Scales) واستبيانات تقدير الذات التي ترتب السمات دون ضمان مسافات متساوية قطعية بين الفئات، أو عند التعامل مع متغيرات نوعية تصنيفية اسمية (Nominal Data). كما تفرض الاختبارات اللامعلمية وجودها عند التعامل مع عينات بحثية صغيرة الحجم جداً تعجز عن تفعيل نظرية النهاية المركزية، أو عند احتواء البيانات على التواءات حادة وتراكمات لا يمكن تصحيحها.

تتميز البدائل اللامعلمية بـ المتانة الإحصائية الفائقة (Robustness) ضد التأثير المشوه للقيم الشاذة والمتطرفة (Outliers)؛ إذ تعتمد معظم هذه الاختبارات على تحويل الدرجات الخام إلى “رتب تسلسلية (Ranks)” قبل معالجتها، مما يُبطل الأثر المغالي للقيم المتطرفة ويقدم استدلالات تعكس النزعة المركزية الترتيبية (كالوسيط) بدقة وأمان.

9.2 أشهر الاختبارات اللامعلمية لمقارنة المجموعات

يقابل كل اختبار معلمي كلاسيكي بديل لامعلمي مكافئ صُمم لمعالجة الرتب الترتيبية بكفاءة عالية، كما يلخصه الجدول والأبعاد الوظيفية التالية:

• اختبار مان-ويتني (Mann-Whitney U Test):

  يُمثل البديل المباشر لاختبار $t$ للعينات المستقلة؛ حيث يقوم بدمج درجات المجموعتين وترتيبها تصاعدياً ثم مقارنة مجموع الرتب لكل مجموعة لتحديد ما إذا كان التوزيع الترتيبي يختلف جوهرياً بينهما.

• اختبار ويلكوكسون للمراتب الموقعة (Wilcoxon Signed-Rank Test):

  يُعد البديل اللامعلمي لاختبار $t$ للعينات المترابطة (القياس القبلي والبعدي)؛ حيث يحسب الفروق بين الدرجات المزدوجة، ويرتب القيم المطلقة لتلك الفروق مع الحفاظ على إشاراتها لتحديد اتجاه ودلالة التغير الحادث.

• اختبار كروسكال-واليس (Kruskal-Wallis Test):

  يُشكل البديل اللامعلمي لتحليل التباين الأحادي (One-Way ANOVA) لمقارنة ثلاث مجموعات مستقلة أو أكثر بناءً على متوسطات الرتب؛ وإذا كانت قيمته دالة، تُجرى اختبارات بعدية تتبعية لمعرفة مواضع الاختلاف (مثل اختبار Dunn).

• اختبار فريدمان (Friedman Test):

  البديل المكافئ لتحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)؛ ويُطبق عند قياس درجات عينة واحدة عبر ثلاثة شروط تجريبية أو نقاط زمنية متتابعة برتب ترتيبية.

9.3 تحليل كاي تربيع للاستقلالية وجودة التوفيق

يُعد اختبار كاي تربيع ($\chi^2$ – Chi-Square) من أشهر الاختبارات اللامعلمية المستخدمة في تحليل البيانات التكرارية والتصنيفية. وينقسم سيكولوجياً إلى نمطين جوهريين:

1. اختبار كاي تربيع لجودة التوفيق (Goodness-of-Fit Test): يُستخدم لفحص ما إذا كانت التكرارات الملاحظة (Observed Frequencies) لعينة تتبع توزيعاً نظرياً محدداً مسبقاً أو تتوزع بالتساوي عبر فئات متغير تصنيفي واحد (مثل فحص تطابق نسب أنماط الشخصية الأربعة في عينة مع النسب السكانية العامة).
2. اختبار كاي تربيع للاستقلالية (Test of Independence): يُطبق لفحص الارتباط والاعتمادية بين متغيرين تصنيفيين اسميين كلاهما متعدد الفئات في جدول اقتران (Contingency Table)؛ مثل فحص ما إذا كان وجود الاضطراب النفسي (مكتئب / غير مكتئب) يرتبط إحصائياً بالحالة الاجتماعية (أعزب / متزوج / مطلق).

تشترط صلاحية تطبيق كاي تربيع استقلالية الملاحظات، وأن تكون التكرارات المتوقعة (Expected Frequencies) في كل خلية كافية (بحيث لا تقل عن 5 في أكثر من 20% من الخلايا، ولا تقل عن 1 في أي خلية). وفي جداول ($2 \times 2$) عند صغر التكرارات، يُلجأ إلى اختبار فيشر الدقيق (Fisher’s Exact Test). ويُقاس حجم التأثير لاختبار كاي تربيع باستخدام معامل فاي ($phi$) للجداول الثنائية أو معامل كرامر الفائي (Cramer’s V) للجداول الأكبر، لتقدير قوة الاقتران بين المتغيرات بصورة معيارية مستقلة عن حجم العينة.

10. الاستدلال الإحصائي في تحليل العلاقات والتنبؤ

10.1 الاستدلال في معاملات الارتباط

يهدف الاستدلال في تحليل الارتباط إلى تقييم ما إذا كانت العلاقة الخطية المرصودة بين متغيرين متصلين في عينة ما تعكس ارتباطاً حقيقياً في المجتمع ($rho ne 0$) أم أنها محض صدفة إحصائية. يُستخدم معامل ارتباط بيرسون ($r$) للبيانات الفترية والنسبية المستوفية للاعتدالية، حيث يتم اختبار دلالته الإحصائية بتحويل قيمة $r$ إلى إحصاء $t$ بدرجات حرية ($df = N – 2$):

$$t = \frac{r \sqrt{N – 2}}{\sqrt{1 – r^2}}$$

عند التعامل مع بيانات رتبية أو عند وجود التواءات شديدة، يُستبدل باختبار ارتباط سبيرمان للرتب ($r_s$) أو ارتباط كيندال تاو ($tau$)، وهو معامل بالغ الدقة والمتانة للعينات الصغيرة والتوافق الرتبي.

يجب التوكيد الصارم على القاعدة الإبستمولوجية الذهبية في علم النفس: “الارتباط لا يقتضي السببية (Correlation does not imply Causation)”. فالدلالة الإحصائية الباهرة لمعامل الارتباط تثبت فقط وجود تلازم وتغير مقترن بين المتغيرين، ولكنها تعجز بنيوياً عن إثبات أن أحدهما يُحدث الآخر، نظراً لاحتمال وجود اتجاهية سببية معكوسة أو تأثير خفي لما يُعرف بـ “المتغير الثالث أو المربك (Third Variable Problem)”.

10.2 الانحدار الخطي البسيط والمتعدد كأداة استدلالية

يتجاوز تحليل الانحدار الخطي (Linear Regression) مجرد وصف العلاقة إلى بناء نموذج رياضي استدلالي يُستخدم للتنبؤ بقيمة متغير تابع متصل ($Y$) استناداً إلى معرفة متغير مستقل تنبؤي واحد أو أكثر ($X$). تتخذ معادلة الانحدار الخطي البسيط الصيغة:

$$\hat{Y} = b_0 + b_1 X$$

حيث يمثل $b_0$ القاطع (Intercept) و $b_1$ ميل خط الانحدار أو معامل الانحدار غير المعياري. وتخضع معنوية هذه المعاملات لاختبارات استدلالية ($t$-tests) للتأكد من قدرتها التنبؤية في المجتمع.

يتم تقييم الجودة الكلية لنموذج الانحدار باستخدام معامل التحديد ($R^2$)، والذي يمثل النسبة المئوية من التباين في المتغير التابع التي استطاع المتغير التنبؤي تفسيرها، ويُختبر هذا المؤشر استدلالياً عبر اختبار $F$ العام في جدول ANOVA للانحدار للتأكد من أن النموذج يفسر تبايناً دالاً يفوق العشوائية.

أما في الانحدار المتعدد (Multiple Regression)، فيتم إدخال عدة متغيرات تنبؤية في آن واحد، مما يُتيح تقييم الأثر الفريد والمستقل لكل متغير تنبؤي من خلال معاملات الانحدار المعيارية ($\beta$ – Beta) بعد ضبط وتحييد الآثار المتداخلة للمتغيرات الأخرى، مما يجعله أداة استدلالية مركزية في فك تشابك الظواهر السلوكية المعقدة والتحكم في المتغيرات الدخيلة.

10.3 التحليل الاستدلالي للوساطة والاعتراض

شهد التحليل الإحصائي السلوكي تطوراً بارزاً بالانتقال من مجرد قياس التأثيرات المباشرة إلى نمذجة الآليات والظروف الحاكمة للعلاقات عبر تحليلات الوساطة والاعتراض المعاصرة، كما يلخصها الإطار المفاهيمي التالي:

• تحليل الوساطة (Mediation Analysis):

  يسعى للإجابة عن سؤال: “كيف ولماذا يحدث التأثير؟”؛ حيث يفترض أن المتغير المستقل ($X$) يؤثر في متغير وسيط ($M$)، والذي بدوره يؤثر في المتغير التابع ($Y$). يمثل الأثر غير المباشر ($X to M to Y$) المسار الميكانيكي الحاكم للعلاقة (كمثال: التدريب المعرفي يرفع الكفاءة الذاتية المدركة، والتي تؤدي بدورها لخفض قلق الاختبار).

• تحليل الاعتراض أو التعديل (Moderation Analysis):

  يسعى للإجابة عن سؤال: “متى ولمن ينطبق التأثير؟”؛ حيث يقوم المتغير المعدل ($W$) بتغيير قوة أو اتجاه العلاقة بين المتغير المستقل والتابع، وهو ما يُعبر عنه إحصائياً بالتفاعل ($X \times W$)؛ (كمثال: فاعلية الدعم الاجتماعي في خفض الاكتئاب تكون قوية لدى الإناث وتضعف لدى الذكور).

لإجراء الاستدلال الإحصائي على دلالة الأثر غير المباشر في نماذج الوساطة، تخلت الأدبيات الحديثة عن اختبار سوبل (Sobel Test) التقليدي لقصوره المعياري، واستبدلته بمنهجية إعادة التعيين التكراري (Bootstrapping)، وهي طريقة لامعلمية استدلالية تعتمد على إعادة سحب آلاف العينات التوليدية (مثلاً 5000 عينة) لبناء فترات ثقة مصححة للتحيز حول الأثر الوسيط، وتوفر حلاً فائق الدقة والقوة دون اشتراط الاعتدالية الرياضية.

11. أمثلة تطبيقية وحالات دراسية من علم النفس

11.1 مثال تطبيقي: تقييم فعالية علاج معرفي سلوكي للاكتئاب

في دراسة إكلينيكية تجريبية مضبوطة، هدف باحث إلى اختبار فعالية برنامج قائم على العلاج المعرفي السلوكي (CBT) في خفض حدة الأعراض لدى عينة من مرضى الاكتئاب السريري. تم اختيار 60 مريضاً وتوزيعهم عشوائياً وبشكل متكافئ إلى مجموعتين ($N_1 = 30$ في المجموعة التجريبية الخاضعة لـ CBT، و $N_2 = 30$ في المجموعة الضابطة على قائمة الانتظار). تم قياس الاكتئاب باستخدام مقياس بيك (BDI-II) قبل وبعد التدخل الذي استمر 12 أسبوعاً.

تمت صياغة الفرضيات الإحصائية للاختبار البعدي كالتالي: الفرضية الصفرية ($H_0: \mu_{\text{\exp}} = \mu_{\text{ctrl}}$) والفرضية البديلة الموجهة ($H_1: \mu_{\text{\exp}} < \mu_{\text{ctrl}}$). أظهرت المخرجات الإحصائية لاختبار $t$ للعينات المستقلة للدرجات البعدية هبوطاً في متوسط درجات المجموعة التجريبية ($\bar{X}_1 = 14.2, s_1 = 4.1$) مقارنة بالمجموعة الضابطة ($\bar{X}_2 = 26.8, s_2 = 5.3$).

أفرز التحليل قيمة ($t(58) = 10.26, p < 0.001$)، مع فترة ثقة 95% للفرق بين المتوسطين تراوحت بين [$-15.06, -10.14$]. ونظراً لأن القيمة الاحتمالية أقل بكثير من $\alpha = 0.05$ وفترة الثقة لا تشمل الصفر، تم رفض الفرضية الصفرية وقبول الفرضية البديلة. تم حساب حجم التأثير وبلغ معامل كوهين ($d = 2.65$)، وهو حجم تأثير بالغ الضخامة سريرياً يثبت التفوق النوعي للبرنامج العلاجي في الميدان السيكولوجي.

11.2 مثال تطبيقي: دراسة أثر أساليب التنشئة على الصلابة النفسية

أجرى فريق بحثي دراسة هدفت إلى فحص أثر أساليب التنشئة الوالدية (الديمقراطي، التسلطي، المتساهل) على مستوى الصلابة النفسية لدى المراهقين. تم سحب عينة عشوائية طبقية من 180 مراهقاً، قُسموا بالتساوي إلى 3 مجموعات متكافئة ($N = 60$ لكل أسلوب تنشئة). طُبق مقياس الصلابة النفسية المتصل، وفُحصت البيانات وتبين استيفاؤها لافتراضات التوزيع الطبيعي وتجانس التباين عبر اختبار ليفين ($F(2, 177) = 1.14, p = 0.322$).

تم تطبيق تحليل التباين الأحادي (One-Way ANOVA)، وجاءت المتوسطات الحسابية الوصفية كالتالي: الأسلوب الديمقراطي ($\bar{X} = 88.4, s = 7.2$)، التسلطي ($\bar{X} = 65.1, s = 8.1$)، المتساهل ($\bar{X} = 71.3, s = 7.8$). وأظهر جدول ANOVA وجود تباين دال إحصائياً بين الأساليب الوالدية في الصلابة النفسية ($F(2, 177) = 142.38, p < 0.001, \eta^2 = 0.61$).

لتحديد مواضع الفروق الدقيقة، أُجريت المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD)، وأسفرت النتائج عن تفوق دال إحصائياً للأسلوب الديمقراطي على كل من التسلطي ($p < 0.001$) والمتساهل ($p < 0.001$)، كما تفوق الأسلوب المتساهل على الأسلوب التسلطي بدلالة إحصائية ($p = 0.001$). تمت صياغة التقرير الإحصائي وفق معايير جمعية علم النفس الأمريكية (APA) لدعم التوصيات الإرشادية الموجهة للأسر.

11.3 مثال تطبيقي: التنبؤ بالاحتراق النفسي الوظيفي

سعت دراسة في علم النفس التنظيمي إلى التنبؤ بمستوى “الاحتراق النفسي الوظيفي (Burnout)” لدى عينة مكونة من 250 ممرضاً وممرضة يعملون في أقسام الطوارئ. اعتمد النموذج الاستدلالي على تحليل الانحدار الخطي المتعدد لدراسة الأثر التنبؤي لثلاثة متغيرات مستقلة: (ساعات العمل الأسبوعية، عبء العمل المدرك، والدعم التنظيمي المدرك).

أكدت نتائج فحص النموذج الاستدلالي الكلي جودة الملاءمة الإحصائية، حيث جاءت قيمة التباين المفسر ($R^2 = 0.44, F(3, 246) = 64.42, p < 0.001$)، مما يعني أن المتغيرات الثلاثة مجتمعة استطاعت تفسير 44% من إجمالي التباين القائم في درجات الاحتراق النفسي الوظيفي.

وعند فحص معاملات الانحدار المستقلة لمعرفة المساهمة الفريدة لكل متغير، أظهرت النتائج أن عبء العمل المدرك كان المنبئ الموجب الأقوى ($\beta = 0.48, t = 8.92, p < 0.001$)، يليه عدد ساعات العمل الأسبوعية ($\beta = 0.22, t = 4.11, p < 0.001$)، في حين كان الدعم التنظيمي منبئاً سالباً واقياً وذا دلالة إحصائية ($\beta = -0.29, t = -5.63, p < 0.001$). وفّرت هذه الاستدلالات التنبؤية أدلة كمية لصناع القرار لتصميم استراتيجيات إدارية تقلل ساعات المناوبات وتعزز بيئات الدعم المؤسسي للحد من الإنهاك المهني.

12. أفضل الممارسات، التحديات المعاصرة، وإصلاح الإحصاء النفسي

12.1 أزمة إعادة الإنتاج وتداعياتها المنهجية

واجه علم النفس التجريبي خلال العقد الماضي ما عُرف بـ “أزمة إعادة الإنتاج (Replication Crisis)”؛ حيث فشلت مشاريع علمية دولية كبرى في إعادة إنتاج مخرجات نسبة معتبرة من الدراسات الكلاسيكية المنشورة في أرقى الدوريات العلمية. وقد كشفت التحقيقات المنهجية أن جذور هذه المعضلة تعود إلى إساءة استخدام الإحصاء الاستدلالي والاعتماد الأعمى والطقسي على عتبة ($p < 0.05$).

أبرزت هذه الأزمة انتشار ممارسات بحثية مشبوهة ومنحازة تُعرف بمصطلح القرصنة الإحصائية (p-hacking)؛ وتتضمن استمرار الباحث في جمع البيانات والتوقف فقط عند بلوغ الدلالة، أو استبعاد بعض الحالات الشاذة تعسفياً لتحسين النتائج، أو تجريب مسارات تحليلية متعددة والإبلاغ عن النموذج الذي أفرز نتائج دالة فقط. يُضاف إلى ذلك ممارسة صياغة الفرضيات بعد معرفة النتائج (HARKing)، مما يحول البحوث الاستكشافية إلى أبحاث توكيدية زائفة تخالف المنطق الاستدلالي الصارم.

يتفاقم هذا التحدي بفعل انحياز النشر (Publication Bias) أو “مشكلة درج الملفات (File Drawer Effect)”، حيث تفضل المجلات الأكاديمية نشر الأبحاث ذات النتائج الإيجابية والدالة وتهمل الدراسات الصفرية. ولمواجهة ذلك، يقود حقل العلوم النفسية حركة إصلاح جذرية تفرض التسجيل المسبق للبحوث (Preregistration) وتقديم التقارير المسجلة (Registered Reports)، حيث يتم تحكيم وقبول خطة البحث وفرضياته الاستدلالية وتحليلاته مسبقاً قبل جمع البيانات، مما يضمن نزاهة المنهج العلمي وشفافيته.

12.2 التحول نحو الإحصاء القائم على التقدير وحجم التأثير

استجابة للخلل الناجم عن حصر الاستدلال في اختبار الفرضية الصفرية النقطية (NHST)، أصدرت جمعية علم النفس الأمريكية (APA) توصيات وتعديلات ملزمة في أدلة النشر التابعة لها، تحث على الانتقال نحو ما يُعرف بـ “الإحصاء القائم على التقدير (Estimation Statistics)”؛ والذي يركز بصورة رئيسية على التقدير الكمي لحجوم التأثير وبناء فترات الثقة حولها، بدلاً من الاقتصار على مجرد تقرير القيمة الاحتمالية الثنائية (دال / غير دال).

يستند هذا التحول المنهجي إلى التمييز الضروري بين الدلالة الإحصائية (Statistical Significance) والدلالة العملية أو الإكلينيكية (Clinical Significance)؛ فمع العينات الضخمة جداً، يمكن لأدنى فرق تافه لا قيمة له من الناحية الإكلينيكية أن يصبح دالاً إحصائياً ($p < 0.001$)، مما قد يضلل الممارس إذا لم يتم فحص حجم التأثير المعياري (مثل مقاييس $d$, $\eta^2$, $R^2$) لتقدير القيمة التطبيقية الملموسة.

كما تعزز هذا الاتجاه من خلال الانتشار الواسع لبحوث التحليل التلوي أو البعدي (Meta-Analysis)، وهي منهجية استدلالية متقدمة تقوم بتجميع وتوليف كمي لنتائج وحجوم التأثير المستخلصة من عشرات الدراسات المستقلة حول ظاهرة نفسية محددة. يتيح التحليل التلوي التغلب على قيود العينات الفردية الصغيرة ويوفر تقديراً موحداً فائق الدقة والقوة لمعالم المجتمع الحقيقية، مما يمثل قمة الممارسة الاستدلالية الرصينة.

12.3 مدخل إلى الاستدلال البايزي في علم النفس الحديث

يشهد علم النفس المعاصر تحولاً ابستمولوجياً متسارعاً نحو تبني الإحصاء الاستدلالي البايزي (Bayesian Inference) كبديل متكامل للفلسفة التكرارية الكلاسيكية (Frequentist Approach). ينطلق الاستدلال البايزي من فلسفة ترى أن الاحتمال يمثل “درجة من الاعتقاد واليقين الذاتي القائم على الأدلة”، وليس تكراراً نسبياً لا نهائياً للأحداث.

يعتمد النموذج البايزي على معادلة مبرهنة بايز لدمج التوزيع القبلي (Prior Distribution)—وهو المعرفة والخلفية العلمية المتوفرة لدى الباحث قبل جمع البيانات—مع دالة الإمكان (Likelihood) المستمدة من البيانات المجمعة الراهنة، لإنتاج التوزيع البعدي (Posterior Distribution)، والذي يعبر عن المعرفة المحدثة والمعدلة حول الظاهرة قيد الدراسة في ضوء الأدلة الجديدة.

يوفر الإحصاء البايزي ميزة استدلالية فريدة عبر استخدام عامل بايز (Bayes Factor – $BF$)، وهو مؤشر كمي مباشر يحدد مقدار قوة الدليل النسبي التي تقدمها البيانات لصالح الفرضية البديلة مقارنة بالفرضية الصفرية ($BF_{10}$) أو العكس ($BF_{01}$). وبخلاف الإحصاء التقليدي العاجز عن إثبات صحة الفرضية الصفرية، يمتلك عامل بايز القدرة الحسابية الكاملة على توفير دليل كمي صريح يدعم فرضية “عدم وجود أثر”، مما يفتح آفاقاً جديدة ومحررة للبحث والاستدلال السيكولوجي الرصين.

خاتمة

يمثل الإحصاء الاستدلالي المحرك المنهجي والمعرفي الذي لا غنى عنه في بناء العلوم السلوكية والنفسية الحديثة؛ فمن خلال أدواته الرياضية الدقيقة وقوانين توزيعات المعاينة ونظرية الاحتمالات، استطاع العلماء تحويل الملاحظات والقياسات النفسية المشوبة بعدم اليقين والتباين الفردي إلى استنتاجات وتعميمات علمية رصينة أسهمت في فك شفرات السلوك البشري المعقد وتطوير الممارسات العيادية والتربوية الفعالة.

ومع ذلك، يظل الإحصاء الاستدلالي وسيلة للتفكير المنطقي النقدي وليس مجرد وصفات حسابية آلية؛ إذ يتطلب تطبيقه فهماً عميقاً للافتراضات الرياضية، وحرصاً على تمثيلية العينات، وتخطيطاً واعياً للقوة الإحصائية، وتحولاً مستمراً نحو دمج حجوم التأثير وفترات الثقة ومناهج الاستدلال البايزي الحديثة. إن التزام الباحث النفسي بأفضل الممارسات الإحصائية والنزاهة المنهجية هو الضمانة الحقيقية لتجاوز أزمة التكرارية والارتقاء بالبحث العلمي لخدمة المعرفة الإنسانية وصناع القرار بكل ثقة واقتدار.

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
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wagenmakers, E. J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., Selker, R., Gronau, Q. F., Šmíra, M., Epskamp, S., & Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. Psychonomic Bulletin & Review, 25(1), 35–57. https://doi.org/10.3758/s13423-017-1343-3