المدى الربيعي (IQR): كيفية حسابه واستخدامه

تُعد معالجة البيانات وتفسيرها بدقة حجر الزاوية في المنهجية العلمية المعاصرة، لا سيما في مجالات العلوم السلوكية، وعلم النفس القياسي، والعلوم الاجتماعية، حيث تتسم الظواهر الإنسانية بدرجة عالية من التعقيد والتغير. عند التعامل مع المتغيرات النفسية مثل درجات الذكاء، ومستويات القلق، وسرعة الاستجابة المعرفية، يواجه الباحثون تحدياً جوهرياً يتمثل في كيفية تلخيص المشاهدات الإحصائية دون الوقوع في فخ التضليل الناتج عن التوزيعات غير المتماثلة أو التأثير الحاد للمشاهدات الشاذة. هنا تبرز أهمية مقاييس النزعة المركزية ومقاييس التشتت التي تعمل في تناغم بنيوي لتقديم صورة متكاملة عن الطبيعة الاحتمالية للظاهرة المدروسة.

في حين يُعد الانحراف المعياري والتباين من أكثر مقاييس التشتت شيوعاً في التحليلات المعلمية، إلا أن اعتمادهما الرياضي المباشر على المتوسط الحسابي يجعلهما عرضة للتأثر الشديد بأدنى انزياح في أطراف التوزيع، مما قد يُعطي انطباعاً زائفاً بوجود تشتت كبير في حين أن غالبية أفراد العينة يتمركزون في نطاق ضيق ومحدد. لتجاوز هذه المعضلة المنهجية، طور الإحصائيون أدوات استدلالية متينة تُركز على تجزئة البيانات إلى رتب ومواقع مئينية، وفي مقدمة هذه الأدوات يتربع المدى الربيعي (Interquartile Range – IQR) بوصفه المقياس الأكثر موثوقية في تمثيل تشتت النصف المركزي للبيانات وتوصيف السلوك النمطي للعينة المدروسة.

يقدم هذا الدليل المنهجي الشامل تأصيلاً علمياً وتطبيقياً عميقاً للمدى الربيعي، بدءاً من البناء الرياضي والمفاهيمي للأرباع والمئينات، مروراً بخوارزميات الحساب اليدوي والبرمجي عبر بيئات التحليل المتقدمة مثل SPSS و R و Python، وصولاً إلى تطبيقاته السيكومترية الحيوية في كشف القيم الشاذة وضبط جودة المقاييس النفسية. يُعد هذا العمل مرجعاً أكاديمياً رصيناً لكل باحث وممارس يسعى إلى تعميق فهمه الإحصائي وتوظيف المدى الربيعي وفق أعلى معايير الدقة والنزاهة العلمية المعترف بها دولياً.

1. مقدمة تأسيسية: ما هو المدى الربيعي (IQR) وأهميته الإحصائية؟

1.1 التعريف المنهجي للمدى الربيعي ومفهوم الـ 50% الوسطى

يُعرَّف المدى الربيعي (Interquartile Range) في الأدبيات الإحصائية بأنه مقياس تشتت متين يعبر عن المسافة الهندسية والحسابية الفاصلة بين الربيع الثالث (المئين 75) والربيع الأول (المئين 25) في توزيع مرتب ترتيباً تصاعدياً. يمثل هذا المقياس النطاق العددي الذي يضم داخله نسبة الـ 50% الوسطى من المشاهدات، مستبعداً بذلك النصف الخارجي من البيانات المقسم بالتساوي بين 25% من القيم الدنيا و25% من القيم العليا. هذا التركيز الحصري على النواة المركزية يمنح الباحثين وسيلة لمعاينة السلوك الإحصائي الغالب للمجتمع المدروس دون التشويش الذي تحدثه الأطراف.

تكتسب القيمة العددية الناتجة عن حساب المدى الربيعي دلالة تفسيرية محورية؛ فالقيمة الصغيرة للـ IQR تشير إلى تمركز كثيف وتجانس عالٍ بين أفراد العينة الواقعين في النطاق المركزي، مما يعني أن الاستجابات النمطية تتقارب بشدة حول الوسيط. في المقابل، تشير القيمة الكبيرة للمدى الربيعي إلى اتساع رقعة الانتشار وتباين ملحوظ في الأداء أو السمة حتى داخل النواة المركزية، وهو ما يستدعي فحصاً معمقاً للتباين الداخلي للمجموعة قبل تعميم النتائج الاستدلالية.

1.2 أهمية المدى الربيعي كمعلمة إحصائية في علم النفس والقياس السلوكي

في ميدان القياس النفسي والتقييم السلوكي، نادراً ما تتبع الظواهر الإنسانية توزيعاً طبيعياً معيارياً مثالياً؛ إذ غالباً ما تواجه الدراسات التواءات موجبة أو سالبة ناجمة عن عوامل بيئية، أو صعوبة بنود الاختبار، أو خصائص الفئات الإكلينيكية المعاينة. في اختبارات قياس الاكتئاب أو القلق، على سبيل المثال، يتكدس معظم أفراد العينة غير الإكلينيكية عند الطرف الأدنى من المقياس، بينما يُظهر عدد قليل درجات متطرفة جداً، مما يجعل الاعتماد على الانحراف المعياري مضللاً ويقود إلى تضخيم تقدير التشتت الحقيقي للفئة السائدة.

يوفر المدى الربيعي في هذه السياقات حصانة إحصائية تُعرف في الأدبيات بـ “المتانة” (Robustness)، حيث يقاوم بنجاح التأثير المشوه للدرجات المتطرفة الناتجة عن استجابات غير نزيهة، أو أخطاء التخمين، أو الحالات المرضية الحادة النادرة في استبيانات الشخصية. من خلال عزل الـ 50% الوسطى، يمنح المدى الربيعي علماء النفس والباحثين السلوكيين القدرة على تحديد المستويات المرجعية النمطية للسمات النفسية بدقة متناهية، وتوصيف الفروق الفردية الجوهرية بمعزل عن الضجيج الإحصائي المتمركز في الذيول التوزيعية.

1.3 المعادلة الرياضية الأساسية والعلاقات المنطقية المكونة لها

يستند البناء الرياضي للمدى الربيعي إلى معادلة جبرية غاية في البساطة والدقة، تُصاغ رياضياً على النحو التالي:

IQR = Q3 – Q1

حيث يمثل Q1 الربيع الأول أو المئين الخامس والعشرين، ويمثل Q3 الربيع الثالث أو المئين الخامس والسبعين. يرتبط هذا المقياس ارتباطاً وثيقاً بـ الوسيط الإحصائي (Q2)، إذ يمثل الوسيط نقطة الاتزان التوزيعي التي تنصف المسافة المركزية، بينما يحدد المدى الربيعي الحدود الدقيقة للمنطقة المحيطة بهذا الوسيط والتي تحتوي النصف الجوهري للبيانات.

من الناحية الرياضية، يتميز المدى الربيعي بخاصية الثبات تحت التحويلات الخطية المتطابقة؛ فإضافة مقدار ثابت إلى جميع قيم العينة يؤدي إلى إزاحة التوزيع بالكامل دون التأثير مطلقاً على قيمة المدى الربيعي، في حين أن ضرب البيانات في معامل قياسي يؤدي إلى تغير المدى الربيعي بنفس المعامل بالقيمة المطلقة. هذه الخصائص تجعل من IQR أداة قياس متسقة داخلياً ولا تتأثر بنقل نقاط البداية أو تدريج المقاييس، وهو ما يدعم استخدامه المتكرر في نمذجة البيانات المعقدة وتحويلات القياس النفسي.

2. المفاهيم الرياضية التأسيسية: المئينات، الأرباع ومواقع التجزئة

2.1 الأرباع الإحصائية وتجزئة البيانات إلى أربعة أقسام متساوية

يقوم مفهوم الأرباع الإحصائية (Quartiles) على تقسيم مجموعة البيانات الترتيبية المتصلة إلى أربعة قطاعات متساوية الحجم تماماً من حيث عدد المشاهدات، باستخدام ثلاث نقاط تقطيع رئيسية تُعرف بالأرباع. يمثل الربيع الأول (Q1) النقطة التي يقع دونها تماماً 25% من إجمالي البيانات، بينما يقع أعلاها 75% من المشاهدات. يُعد Q1 بمثابة الحد الفاصل الذي يعزل الأداء المنخفض أو المستويات الدنيا من السمة المقاسة، وهو ما يجعله معياراً حاسماً في الفحوصات التشخيصية التي تستهدف الكشف المبكر عن قصور الانتباه أو تدني التحصيل.

يمثل الربيع الثاني (Q2) الوسيط العام للتوزيع، وهو النقطة المركزية التي تفصل التوزيع إلى نصفين متطابقين عددياً بنسبة 50% أسفلها و50% أعلاها. أما الربيع الثالث (Q3) فهو النقطة الفاصلة التي تقع دونها 75% من البيانات، في حين يتجاوزها الـ 25% الأعلى من العينة. إن تكامل هذه النقاط الثلاث يتيح للباحث فهماً هيكلياً لطريقة توزيع التكرارات، ويوفر الركائز الأساسية التي يُبنى عليها حساب المدى الربيعي وكافة المقاييس الموضعية المرتبطة به.

2.2 العلاقة البنيوية بين المئينات، العشيرات، والأرباع

تندرج الأرباع، والعشيرات (Deciles)، والمئينات (Percentiles) تحت مظلة رياضية موحدة تُعرف بمقاييس الموضع النسبي أو الكسور التوزيعية (Quantiles). المئينات تقسم البيانات إلى 100 جزء متساوٍ، وبالتالي فإن الربيع الأول يطابق تماماً المئين الخامس والعشرين (P25)، ويطابق الربيع الثاني المئين الخمسين (P50) وهو الوسيط، بينما يتطابق الربيع الثالث مع المئين الخامس والسبعين (P75). أما العشيرات التي تقسم البيانات إلى عشرة أجزاء متساوية، فتتقاطع مع هذه المنظومة في نقاط مفصلية، حيث يطابق العشير الخامس (D5) كلاً من الوسيط والربيع الثاني والمئين الخمسين.

تتجلى أهمية هذا التحويل الرياضي التبادلي في التطبيقات السلوكية عند الرغبة في مواءمة المعايير الوطنية أو الدولية للاختبارات النفسية المقننة؛ حيث يتم تحويل الدرجات الخام إلى رتب مئينية تسهل عملية المقارنة المباشرة. يُسهم فهم هذه العلاقة البنيوية في ربط المدى الربيعي بالنطاق العشيري؛ إذ يمثل المدى الربيعي المسافة بين P25 و P75، وهو ما يمكن موازنته أحياناً بالنطاق العشيري الداخلي (بين D1 و D9) لتكوين رؤية شاملة حول مستويات الانتشار عند مستويات مختلفة من اقتطاع الأطراف التوزيعية.

2.3 دلالة المسافة بين الربيعات في فهم تماثل التوزيع

لا تقتصر وظيفة الأرباع على قياس التشتت الإجمالي للوسط، بل تمتد لتكون كاشفاً هيكلياً دقيقاً لمدى تماثل التوزيع الاحتمالي للبيانات. عند حساب المسافة بين الربيع الأول والوسيط (Q2 – Q1) ومقارنتها بالمسافة بين الوسيط والربيع الثالث (Q3 – Q2)، يمكن للباحث تحديد اتجاه الالتواء بصورة قطعية دون الحاجة إلى معادلات العزوم المعقدة. إذا كانت المسافة (Q3 – Q2) أكبر من (Q2 – Q1)، فإن البيانات تتسم بالتواء موجب (ذيل ممتد نحو اليمين)، مما يشير إلى تباعد الدرجات المرتفعة وتكدس غالبية الأفراد في النطاق الأدنى.

على النقيض من ذلك، إذا كانت المسافة (Q2 – Q1) أكبر من (Q3 – Q2)، فإن التوزيع يعاني من التواء سالب (ذيل ممتد نحو اليسار)، مما يعكس تركز المشاهدات في المستويات المرتفعة وتباعد الاستجابات المتدنية. أما في حالة التماثل التام، فإن المسافتين تتساويان تماماً. يؤثر هذا التباعد الربيعي تأثيراً مباشراً على تقدير دالة الكثافة الاحتمالية؛ حيث يتيح للباحثين في القياس النفسي تقييم كفاءة الاختبارات في التمييز بين القدرات المختلفة، والتأكد مما إذا كانت أداة القياس تُظهر تحيزاً تدريجياً نحو سقف المقياس أو قاعه.

3. الخطوات المنهجية لحساب المدى الربيعي يدويًا

3.1 المرحلة الأولى: ترتيب البيانات وحساب موقع الوسيط (Q2)

تبدأ الخطوات الإجرائية الصارمة لحساب المدى الربيعي بفرز البيانات الأولية تصاعدياً من أصغر قيمة إلى أكبر قيمة، وهي خطوة لا غنى عنها لضمان دقة الرتب الموضعية. بمجرد اكتمال الترتيب، يتم تحديد رتبة الوسيط العام (Q2) باستخدام الصيغة الموقعية القياسية:

Position(Q2) = (N + 1) / 2

حيث تمثل N الحجم الإجمالي للعينة. إذا كان N عدداً فردياً، فإن ناتج القسمة يكون عدداً صحيحاً يحدد موقع القيمة المركزية الوحيدة التي تشكل الوسيط بدقة متناهية.

أما إذا كان N عدداً زوجياً، فإن الناتج يحتوي على كسر عشري (0.5)، مما يدل على أن الوسيط يقع في المنتصف الهندسي بين قيمتين متجاورتين، ويتم حسابه حينها عبر إيجاد المتوسط الحسابي لهاتين المشاهدتين. بعد استخراج Q2، يتم فصل مصفوفة البيانات بدقة منهجية إلى نصفين مستقلين: النصف السفلي الذي يضم جميع المشاهدات الواقعة أدنى رتبة الوسيط، والنصف العلوي الذي يشمل كافة المشاهدات الواقعة أعلى رتبة الوسيط، مما يمهد الطريق لاستخراج الربيعات الفرعية بدقة وموثوقية.

3.2 المرحلة الثانية: استخراج الربيع الأدنى (Q1) والربيع الأعلى (Q3)

تتمثل المرحلة الثانية في تطبيق منطق حساب الوسيط بشكل مستقل على كل من النصفين الناتجين عن المرحلة الأولى. لاستخراج الربيع الأدنى (Q1)، يتم تحديد وسيط النصف السفلي من البيانات؛ حيث تُرتب هذه المشاهدات وتُطبق عليها صيغة تحديد الموقع الخاصة بالنصف السفلي، وتكون القيمة التي تقسم هذا النصف إلى جزأين متساويين هي قيمة Q1 المعتمدة، والتي تمثل بدقة نقطة المئين الخامس والعشرين للمجموعة الكلية.

بالأسلوب المنهجي ذاته، يتم استخراج الربيع الأعلى (Q3) من خلال إيجاد وسيط النصف العلوي من المشاهدات. في حال كانت مجموعة البيانات الفرعية فردية العدد، يكون الربيع هو القيمة الوسطى المباشرة، أما إذا كانت زوجية العدد، فيتم حساب المتوسط الحسابي للقيمتين المركزيتين في النصف العلوي. يجب على الباحث مراعاة الاتساق الرياضي أثناء استخراج هذين الربيعين، والتأكد من أن الحدود الفاصلة تعكس بدقة الترتيب الهيكلي للمتغير النفسي المدروس دون إهمال أي مشاهدة.

3.3 المرحلة الثالثة: تطبيق صيغة الطرح واستخراج القيمة النهائية

تتوج العملية الحسابية بتنفيذ عملية الطرح الجبري المباشر بين الربيعين المستخرجين، وذلك بتطبيق المعادلة: IQR = Q3 – Q1. النتيجة المستخلصة هي قيمة المدى الربيعي المجردة، والتي يجب دائماً تفسيرها بنفس وحدة القياس الأصلية التي قيس بها المتغير؛ فإذا كان المتغير يقيس “درجات القلق” بوحدة معيارية، فإن IQR يُعبر عنه بالدرجات، وإذا كان يقيس “زمن الرجع” بالميلي ثانية، فإن الناتج يكون بالميلي ثانية.

تتطلب الأمانة المنهجية فحص منطقية النتيجة ومطابقتها للملاحظات الميدانية وسلوك البيانات؛ فإذا كانت قيمة IQR تقترب من الصفر، دل ذلك على أن النصف المركزي من العينة متطابق تقريباً في استجاباته، وهو ما قد يشير إلى ظاهرة الالتصاق بوسط المقياس في الاستبيانات النفسية. أما إذا كانت القيمة مساوية تقريباً للمدى الكلي، فإن ذلك ينبئ بوجود توزيع ثنائي القمة أو تشتت حاد في جوهر العينة يتطلب تدخلاً تحليلياً متقدماً وإعادة فحص لأدوات جمع البيانات.

4. حساب المدى الربيعي في الحالات الخاصة وأنواع البيانات المختلفة

4.1 حساب IQR في العينات ذات الحجم الفردي مقابل الحجم الزوجي

يواجه الإحصائيون مفترق طرق منهجي عند التعامل مع العينات ذات الحجم الفردي أثناء تحديد حدود النصفين السفلي والعلوي، حيث تبرز طريقتان رئيسيتان: طريقة التضمين (Inclusive Method) المرتبطة بـ مفاصل توكي (Tukey’s Hinges)، وطريقة الاستبعاد (Exclusive Method) المعتمدة في الإحصاء الرياضي الكلاسيكي لـ “مور” (Moore and McCabe). في طريقة الاستبعاد، يتم استبعاد قيمة الوسيط الفعلي تماماً من النصفين السفلي والعلوي عند حساب Q1 و Q3، بينما في طريقة التضمين يتم إلحاق الوسيط بكلا النصفين بالتساوي.

ينتج عن اختيار إحدى هاتين الطريقتين فروق طفيفة في تقدير قيمة الربيعات والمدى الربيعي في العينات الصغيرة، حيث تميل طريقة التضمين إلى تقليل قيمة IQR قليلاً بسبب سحب الربيعين باتجاه الوسيط، بينما تعطي طريقة الاستبعاد تقديراً أوسع للمدى الربيعي. أما في العينات الزوجية، فلا يظهر هذا الالتباس الإجرائي؛ لأن الوسيط يكون قيمة افتراضية بين رتبتين، مما يجعل تقسيم البيانات إلى نصفين متطابقين أمراً قاطعاً رياضياً. يتوجب على الباحثين في القياس السلوكي التصريح بالطريقة المعتمدة في تقاريرهم لضمان قابلية التكرار العلمي.

4.2 حساب المدى الربيعي للبيانات المبوبة والفئات التكرارية

عند التعامل مع البيانات المجمعة في جداول تكرارية وفئات (Grouped Data)، كما هو الحال في المسوح النفسية الواسعة النطاق، لا يمكن تحديد مواقع الربيعات بالعد المباشر، بل يستلزم الأمر استخدام جدول التكرار التراكمي وصيغ الاستيفاء الداخلي الخطي (Linear Interpolation). تبدأ الخطوة الأولى بتحديد ترتيب الربيع الأول (N/4) وترتيب الربيع الثالث (3N/4)، ثم تحديد “الفئة الربيعية” المقابلة لكل منهما في عمود التكرار التراكمي الصاعد.

تُطبق بعدها المعادلة الرياضية الاستيفائية لحساب كل ربيع على النحو التالي:

Q = L + [ ((R – F_prev) / f_current) × C ]

حيث يمثل L الحد الأدنى الحقيقي للفئة الربيعية، وR رتبة الربيع (N/4 أو 3N/4)، وF_prev التكرار التراكمي السابق للفئة الربيعية، وf_current التكرار المطلق للفئة الربيعية نفسها، وC طول الفئة. بعد حساب قيمتي Q1 و Q3 بالاستيفاء، يتم طرحهما لاستخراج المدى الربيعي للبيانات المبوبة بدقة متناهية تحاكي التوزيع المتصل داخل الفئات.

4.3 التعامل مع التكرارات المتماثلة والبيانات المتقطعة (Discrete Data)

تفرض البيانات المتقطعة ومقاييس ليكرت (Likert Scales) الشائعة في العلوم النفسية والتربوية (مثل التدريج من 1 إلى 5) تحديات نوعية في حساب المدى الربيعي؛ نظراً لوجود أعداد كبيرة من المشاهدات المتطابقة في الدرجة. في مثل هذه الحالات، قد تقع رتب الربيعات المختلفة (Q1، Q2، Q3) على نفس القيمة العددية الخام، مما قد يؤدي في بعض الحالات المتطرفة إلى ناتج IQR يساوي صفراً رغم وجود تباين هامشي بين المفحوصين عند أطراف الفئات.

للتعامل المنهجي مع هذه الظاهرة، يوصي علماء القياس النفسي بمعالجة البيانات الترتيبية إما باستخدام طرق الاستيفاء المستمر للرتب المتطابقة، أو الإبلاغ عن المدى الربيعي مدعوماً بـ “النسب المئوية للتكرار” عند كل مستوى من مستويات مقياس ليكرت. يُسهم هذا النهج المزدوج في الحفاظ على الحساسية التشخيصية لأدوات القياس، ويمنع إسقاط التباين الفعلي المستتر خلف تكتل الدرجات في فئات استجابة محددة سلفاً داخل استبيانات السمات الشخصية والميول السلوكية.

5. المدى الربيعي كمقياس متين للتشتت مقابل المقاييس التقليدية

5.1 مقارنة المدى الربيعي (IQR) بالمدى الكلي (Range)

يُعرَّف المدى الكلي (Range) بأنه الفارق المباشر بين أعلى وأدنى قيمة في التوزيع الإحصائي. ورغم سهولة حسابه وبساطته البديهية، إلا أنه يُعد من أضعف مقاييس التشتت وأكثرها هشاشة من الناحية المنهجية؛ حيث يعتمد حسابه على قيمتين اثنتين فقط من أصل بيانات العينة بأكملها، مما يجعله فريسة سهلة لأي خطأ في إدخال البيانات أو أي استجابة شاذة متطرفة ناجمة عن مفحوص غير جاد.

في المقابل، يتميز المدى الربيعي بحصانة فائقة ضد هذا القصور البنيوي؛ إذ يتجاهل الـ 25% الأدنى والـ 25% الأعلى، مركزاً حصراً على الـ 50% الأكثر ثباتاً وتمثيلاً. تبرز هذه المقارنة بجلاء في قياس أزمنة الرجع (Reaction Times) في علم النفس المعرفي؛ حيث قد يسجل مفحوص زمناً هائلاً (مثلاً 5000 ميلي ثانية) بسبب عطسة مفاجئة أو تشتت عابر، في حين أن بقية استجاباته تتراوح بين 300 و 400 ميلي ثانية. هنا، يؤدي المدى الكلي إلى قفزة وهمية في تقدير التشتت، بينما يعكس المدى الربيعي بدقة متناهية التباين الحقيقي للأداء الذهني المستقر للمفحوص.

5.2 مقارنة المدى الربيعي بالانحراف المعياري (Standard Deviation)

يشكل الانحراف المعياري (Standard Deviation – σ) المعيار الذهبي للتشتت في الإحصاء المعلمي والتوزيعات الطبيعية، لكن كفاءته تتدهور سريعاً بمجرد ابتعاد التوزيع عن الاعتدالية. في نظرية الإحصاء المتين، تُقاس قوة المقياس بما يُعرف بـ نقطة الانهيار (Breakdown Point)، وهي النسبة المئوية للمشاهدات الملوثة أو المتطرفة التي يمكن للمقياس التعامل معها قبل أن يُعطي قيماً لا نهائية أو مضللة. تبلغ نقطة انهيار الانحراف المعياري 0%؛ مما يعني أن وجود قيمة شاذة واحدة فقط كفيل بسحبه وتشويه قيمته بالكامل.

على العكس من ذلك، يتمتع المدى الربيعي بنقطة انهيار مرتفعة تصل إلى 25%، مما يجعله مقياساً فائق المتانة يستطيع تحمل تلوث ربع البيانات دون أن تتأثر دقته الوصفية. في التوزيعات شديدة الالتواء، كأعداد مرات تكرار نوبات الهلع أو الدخل المادي للأسر، يصبح الانحراف المعياري متضخماً ومضللاً للباحث وصانع القرار، مما يحول المدى الربيعي من مجرد خيار بديل إلى ضرورة بحثية وأخلاقية لتقديم تقدير صادق وواقعي لمدى تشتت الفئة المستهدفة.

5.3 مقارنة المدى الربيعي بمتوسط الانحراف المطلق (MAD)

يُعد متوسط الانحراف المطلق عن الوسيط (Median Absolute Deviation – MAD) أحد المقاييس المتينة الأخرى المنافسة للمدى الربيعي، حيث يقيس وسيط الفروق المطلقة لجميع المشاهدات عن وسيط التوزيع. يتميز MAD بنقطة انهيار استثنائية تصل إلى 50%، مما يجعله أعلى مقاييس التشتت متانة على الإطلاق من الناحية النظرية، متفوقاً رياضياً على المدى الربيعي في البيئات الحسابية شديدة التلوث بالقيم الشاذة المزدوجة.

ومع ذلك، يتفوق المدى الربيعي (IQR) في الممارسة التطبيقية والبحث السيكومتري لسهولة ربطه المباشر بمخطط الصندوق، وقابليته الفطرية للتفسير التوزيعي كنطاق مئيني واضح (بين P25 و P75) يفهمه القارئ والباحث دون الحاجة لفك شفرات تحويلات الانحراف المطلق. تقتضي المفاضلة المنهجية استخدام IQR عند الرغبة في تقديم تقرير يجمع بين المتانة وسهولة التأويل البياني والموقعي، بينما يُحجز استخدام MAD للتطبيقات البرمجية الصارمة وخوارزميات التعلم الآلي التي تتطلب أعلى مقاومة رياضية ممكنة ضد التشويش في العينات الصغيرة والمعقدة.

6. التمثيل البياني للمدى الربيعي: مخطط الصندوق والطرفين (Boxplot)

6.1 التشريح البياني لمخطط الصندوق وعلاقته بمقاييس الأرباع

يُعد مخطط الصندوق والطرفين (Box-and-Whisker Plot)، الذي ابتكره عالم الإحصاء الشهير جون توكي (John Tukey)، التجسيد الهندسي الأكمل للمدى الربيعي والخصائص الخمس التلخيصية للبيانات (الحد الأدنى، Q1، الوسيط، Q3، الحد الأقصى). يتكون المخطط من هيكل مستطيل مركزي يمتد طرفه السفلي عند قيمة الربيع الأول (Q1)، بينما يمتد طرفه العلوي عند قيمة الربيع الثالث (Q3). بناءً على هذا التصميم، فإن الطول الرأسي (أو الأفقي) للصندوق يمثل هندسياً وبشكل مباشر القيمة العددية الدقيقة للمدى الربيعي (IQR = Q3 – Q1).

يخترق الصندوق خط عرضي يمثل موضع الوسيط الإحصائي (Q2)، والذي يعكس موقعه النسبي داخل المستطيل نمط توزع البيانات في النواة المركزية. تنبثق من طرفي الصندوق خطوط امتداد تُعرف بالشاربين أو الطرفين (Whiskers)، تمتد لتصل إلى أبعد مشاهدة إحصائية تقع ضمن الحدود المقبولة والمشتقة حسابياً من مضاعفات المدى الربيعي، مما يحول المخطط إلى أداة بصرية بالغة الفعالية تجمع في مساحة واحدة مقاييس الموضع، والتشتت، والانتشار، والاعتدالية.

6.2 قراءة وتفسير الخصائص التوزيعية من خلال مخطط الصندوق

يتيح الفحص البصري الدقيق لمخطط الصندوق استخلاص استنتاجات سيكومترية فورية حول شكل التوزيع وتماثله؛ فإذا كان خط الوسيط يقسم الصندوق إلى جزأين متطابقين وكان طول الطرفين متساوياً، دل ذلك على تماثل التوزيع واقترابه من منحنى التوزيع الطبيعي. أما إذا كان خط الوسيط قريباً من الربيع الأول (Q1) مع استطالة الجزء العلوي من الصندوق والطرف العلوي، فإن التوزيع يتسم بالتواء موجب واضح، وهو النمط الشائع في مقاييس الضغوط النفسية واضطرابات ما بعد الصدمة.

علاوة على ذلك، يتيح وضع مخططات الصندوق جنباً إلى جنب مقارنة بصرية فورية ودقيقة للتباين بين المجموعات التجريبية والضابطة في الدراسات المقارنة. يعكس ارتفاع الصندوق (أي قيمة IQR) مستوى التباين الداخلي لكل مجموعة؛ فالصندوق المضغوط يدل على استجابات متجانسة ومتسقة، في حين يشير الصندوق الطويل إلى تشتت واسع وفروق فردية عميقة بين أفراد العينة في تلقي المعالجة العلاجية أو التربوية، مما يوجه الباحث نحو تفكيك العوامل الوسيطة والمعدلة لتلك الاستجابات.

6.3 أنواع مخططات الصندوق المتقدمة وتطبيقاتها الميدانية

شهدت الممارسة الإحصائية المعاصرة تطوير أشكال متقدمة من مخطط الصندوق لتعزيز قدراته التحليلية، ومن أبرزها “مخططات الصندوق المحزوزة” (Notched Boxplots). تتميز هذه المخططات بوجود حز أو تضيق هندسي حول موضع الوسيط يمثل فترة ثقة إحصائية بنسبة 95% حول هذا الوسيط، وتعتمد المسافة الحسابية لهذا الحز على المعادلة: الوسيط ± (1.58 × IQR / جذر N). إذا كانت الحزوز في صندوقين لمجموعتين مختلفتين لا تتداخلان، يمكن للباحث أن يستنتج وجود فرق دال إحصائياً بين وسيطي المجموعتين عند مستوى دلالة 0.05 دون الحاجة المسبقة لإجراء اختبارات معلمية.

تمتد هذه التطبيقات المتقدمة لتشمل دمج مخطط الصندوق مع “مخططات التشتت النقطي” (Strip Charts or Jittered Points)، حيث تُعرض نقاط المشاهدات الفردية كطبقة فوق الصندوق. يحقق هذا الدمج فائدة استثنائية في العينات الإكلينيكية صغيرة الحجم؛ إذ يحمي الباحث من إخفاء التجمعات العنقودية المستترة داخل المدى الربيعي، ويوفر تقييماً بصرياً يجمع بين تلخيص الأرباع الرصين وعرض التوزيع النقطي الخام لكل حالة فردية على حدة.

7. استخدام المدى الربيعي في كشف وتشخيص القيم الشاذة (Outliers)

7.1 قاعدة سياج توكي الإحصائية (Tukey’s Fences Rule)

تُعد قاعدة أسوار توكي (Tukey’s Fences) واحدة من أكثر الطرق الموضوعية والمقبولة عالمياً للكشف عن القيم الشاذة والمتطرفة في البيانات الاستكشافية. تستخدم هذه الطريقة المدى الربيعي لإنشاء حدود أو “أسوار” رياضية خارج الربيعين الأول والثالث، بحيث تُصنف أي مشاهدة تقع خارج هذه الأسوار على أنها قيمة شاذة إحصائياً تستوجب الفحص والتحقق. تُحدد هذه الأسوار بالمعادلتين المعياريتين التاليتين:

• الحد الأدنى المقبول (السياج الداخلي الأدنى): Q1 – (1.5 × IQR)
• الحد الأعلى المقبول (السياج الداخلي الأعلى): Q3 + (1.5 × IQR)

يعود الأساس المنطقي والرياضي لاختيار المعامل (1.5) إلى جون توكي نفسه، الذي صمم هذا المعيار ليتوافق مع التوزيع الطبيعي المعياري؛ حيث إنه في التوزيع الطبيعي، يقع حوالي 99.3% من البيانات داخل نطاق الأسوار الداخلية، مما يعني أن احتمال تصنيف مشاهدة عادية بالخطأ كقيمة شاذة لا يتجاوز 0.7% (حوالي 1 من كل 150 مشاهدة). يوفر هذا المعامل توازناً مثالياً بين الحساسية في اكتشاف الانحرافات الحقيقية وتجنب الإنذارات الكاذبة التي قد تؤدي إلى تشويه حجم العينة.

7.2 التمييز بين القيم الشاذة المعتدلة والمتطرفة جدًا

توفر منهجية توكي تصنيفاً ثنائياً دقيقاً للقيم الشاذة بناءً على بُعدها عن حدود المدى الربيعي، مما يمنح الباحث مرونة تشخيصية عالية في التقييم السيكومتري. يتم التمييز بين نوعين رئيسيين من المشاهدات غير النمطية:

• القيم الشاذة المعتدلة (Mild Outliers): هي المشاهدات التي تقع خارج الأسوار الداخلية ولكنها تظل ضمن “الأسوار الخارجية”، أي أنها تقع في النطاقين: بين [Q1 – 1.5×IQR] و [Q1 – 3.0×IQR] في الطرف الأدنى، أو بين [Q3 + 1.5×IQR] و [Q3 + 3.0×IQR] في الطرف الأعلى. تُرمز هذه القيم عادة في البرمجيات الإحصائية (مثل SPSS) برمز دائرة مفتوحة (○) مع رقم الحالة.
• القيم المتطرفة الشديدة (Extreme Outliers): هي المشاهدات التي تتجاوز الأسوار الخارجية، أي التي تبعد بأكثر من 3.0 أضعاف المدى الربيعي عن Q1 أو Q3 (أقل من Q1 – 3×IQR أو أعلى من Q3 + 3×IQR). تُرمز هذه القيم برمز النجمة (*) للدلالة على شدة شذوذها عن النمط العام للمجتمع المدروس.

في التوزيع الطبيعي النظري، يبلغ احتمال ظهور قيمة متطرفة شديدة صدفة نحو 0.000002 (واحدة في كل نصف مليون مشاهدة)، مما يجعل ظهورها في عينة بحثية مؤشراً قاطعاً على وجود خطأ منهجي فادح، أو تسجيل استثنائي لظاهرة نفسية أو سريرية نادرة تتطلب عزلاً تحليلياً فورياً ودراسة حالة متعمقة ومستقلة.

7.3 التعامل المنهجي مع القيم الشاذة المكتشفة في الدراسات السلوكية

لا يعني الكشف عن قيمة شاذة عبر معيار IQR ضرورة حذفها الميكانيكي من قاعدة البيانات؛ فالمعالجة الرصينة تتطلب بروتوكولاً منهجياً متدرجاً يبدأ بالتحقق من سلامة البيانات الرقمية ضد أخطاء الإدخال والترميز (مثل إدخال درجة 55 على مقياس ينتهي عند 5). إذا ثبت أن القيمة صحيحة ومدخلة بأمانة، يجب على الباحث التمييز بين “القيم الشاذة الملوثة” الناتجة عن عدم جدية المفحوص أو تعاطي مواد مؤثرة، وبين “القيم الشاذة الأصيلة” التي تمثل تنوعاً حقيقياً في القدرات البشرية كالعبقرية أو الاضطرابات النادرة.

تتضمن استراتيجيات المعالجة المعتمدة ثلاثة مسارات رئيسية: أولاً، استبقاء البيانات واستخدام أساليب التحليل اللامعلمية أو الاستدلال المتين الذي لا يتأثر بتلك القيم. ثانياً، تطبيق التحويلات الرياضية (مثل التحويل اللوغاريتمي أو تحويل الجذر التربيعي) لتقليص الذيول وسحب القيم المتطرفة نحو المركز. ثالثاً، الاستبعاد المبرر للحالة مع توثيق أسباب الحذف بدقة في متن البحث، وإجراء “تحليل الحساسية” لمقارنة النتائج قبل الحذف وبعده لضمان عدم تلف القوة الإحصائية (Statistical Power) أو المساس بصدق التعميم الخارجي للدراسة.

8. فحص التوزيع الطبيعي والخصائص الشكلية للبيانات عبر المدى الربيعي

8.1 العلاقة الرياضية المعيارية بين المدى الربيعي والانحراف المعياري

في إطار التوزيع الطبيعي المعياري (Standard Normal Distribution)، توجد علاقة رياضية هندسية ثابتة ومحكمة تربط بين المدى الربيعي والانحراف المعياري (σ). نظراً لأن الربيع الأول في التوزيع المعياري يقع عند الدرجة المعيارية (Z = -0.6745) والربيع الثالث يقع عند (Z = +0.6745)، فإن المسافة الفاصلة بينهما تكون:

IQR = 2 × 0.6744898 × σ ≈ 1.34898 × σ

تُعد هذه النسبة الرياضية (IQR / σ ≈ 1.35) أداة تشخيصية سريعة وبالغة الأهمية لفحص مدى قرب البيانات من التوزيع الطبيعي قبل الشروع في الاختبارات الإحصائية المعقدة.

عند قسمة قيمة المدى الربيعي المحسوبة على الانحراف المعياري للعينة، يجب أن يقترب الناتج من القيمة 1.35 إذا كانت البيانات تتبع توزيعاً طبيعياً معقولاً. إذا كان الناتج المحسوب أصغر بكثير من 1.35، دل ذلك على وجود قيم متطرفة ضخمة أدت إلى نفخ قيمة الانحراف المعياري في المقام دون التأثير على البسط، أو دل على أن التوزيع مدبب القمة بشكل غير طبيعي. أما إذا كانت النسبة أعلى بكثير من 1.35، فإن ذلك يعكس توزيعاً مسطح القمة أو تشتتاً مركزياً واسعاً لا يتناسب مع خصائص المنحنى الجرسي المعتدل.

8.2 قياس معامل الالتواء الربيعي (Bowley’s Skewness Coefficient)

يُمثل معامل بولي للالتواء (Bowley’s Skewness Coefficient)، المعروف أيضاً بمعامل الالتواء الربيعي، مقياساً لامعلمياً متيناً لتقييم عدم التماثل في التوزيعات التكرارية دون التأثر بالقيم الشاذة في الذيول القصوى. يُحسب المعامل بالاعتماد الحصري على الأرباع الثلاثة والمدى الربيعي وفق الصيغة الرياضية التالية:

B = [ (Q3 – Q2) – (Q2 – Q1) ] / (Q3 – Q1) = [ Q3 + Q1 – 2×Q2 ] / IQR

تتراوح قيمة معامل بولي دائماً بين (-1) و (+1)، مما يسهل تفسيرها المقارن عبر مختلف المقاييس والدراسات السلوكية.

تشير القيمة (B = 0) إلى تماثل تام ومثالي لموقع الوسيط بين الربيعين، في حين تدل القيم الموجبة (B > 0) على التواء موجب نحو اليمين ناتج عن اتساع المسافة بين Q2 و Q3 مقارنة بالمسافة بين Q1 و Q2. في المقابل، تدل القيم السالبة (B < 0) على التواء سالب نحو اليسار. يتميز معامل بولي بأنه لا يتطلب شروطاً مسبقة حول طبيعة التوزيع المتصل، مما يجعله الأداة المثلى لتقييم تماثل درجات الاستبيانات النفسية ومقاييس الكفاءة الذاتية التي تعاني من انحرافات توزيعية متكررة.

8.3 تقييم التفرطح والتفرطح الربيعي للتوزيعات السلوكية

يمتد توظيف المئينات والأرباع ليشمل قياس الخصائص الشكلية للقمة والذيول التوزيعية عبر ما يُعرف بـ “معامل مور للتفرطح المتين” (Moors’ Robust Kurtosis). يعتمد هذا المقياس على تقسيم البيانات باستخدام الأثمان والمئينات المرتبطة بالأرباع لقياس تركز البيانات في أكتاف التوزيع بالنسبة للنواة المركزية والمدى الربيعي، متجاوزاً بذلك عيوب التفرطح التقليدي القائم على العزم الرابع والذي يتأثر بجنون بأي قيمة متطرفة في أطراف العينة.

تتجلى التطبيقات الميدانية لهذا المفهوم في دراسات الموهبة والذكاء المتفوق؛ حيث يسعى الباحثون إلى معرفة ما إذا كان تشتت الدرجات عند الحدود القصوى ناتجاً عن تفرطح مدبب (تكدس في الذيل) أم تفرطح مفلطح يعكس انتشاراً متجانساً للكفاءات العالية. يساعد استخدام النطاقات الربيعية والمئينية الباحثين السيكومتريين في نمذجة سلوك الذيول بدقة متناهية، والتحقق من افتراضات النماذج البنائية واختبارات القدرات المعرفية المتقدمة التي تتطلب فهماً هندسياً دقيقاً لكثافة الاحتمال عند مختلف قطاعات المجتمع.

9. تطبيقات المدى الربيعي في القياس النفسي والبحوث السلوكية

9.1 تحليل استجابات مقاييس ليكرت والاستبيانات غير المعلمية

تمثل مقاييس ليكرت المتدرجة (مثل: أوافق بشدة، أوافق، محايد، أعارض، أعارض بشدة) الأداة الأكثر استخداماً في استطلاع السمات النفسية والاتجاهات الوجدانية. من الناحية الإبستمولوجية والرياضية، تُصنف هذه البيانات كبيانات رتبية (Ordinal Data) وليست فترية، مما يعني أن المسافات بين خيارات الاستجابة ليست متساوية بالضرورة، وبالتالي فإن حساب المتوسط الحسابي والانحراف المعياري لها يُعد انتهاكاً صارخاً لقواعد القياس الإحصائي، وقد يقود إلى استنتاجات مضللة حول اتجاهات الرأي العام أو شدة الأعراض.

يبرز المدى الربيعي، مقترناً بالوسيط (Median & IQR)، كأفضل إطار وصفي وتلخيصي معتمد لتحليل فقرات مقاييس ليكرت والاستبيانات السلوكية. يعكس الوسيط الاستجابة النموذجية أو نقطة الاتزان للمستجيبين، في حين يوضح المدى الربيعي مدى التوافق أو الإجماع حول تلك الفقرة؛ فقيمة (IQR = 0) تشير إلى إجماع تام بين نصف المستجيبين على نفس خيار الاستجابة، بينما تشير القيمة المرتفعة للمدى الربيعي إلى استقطاب وتباين حاد في الآراء أو المشاعر نحو السمة المفحوصة، مما يوفر لمعلمي القياس وسيلة بالغة النزاهة لتشخيص كفاءة البنود واستبعاد الفقرات الغامضة أو غير المميزة.

9.2 تحليل أزمنة الاستجابة في التجارب النفسية والمعرفية

في تجارب علم النفس المعرفي والكرونومتري الذهني (Mental Chronometry)، يُقاس زمن الرجع (RT) بالميلي ثانية لتقييم سرعة المعالجة الدماغية للمثيرات البصرية والسمعية. تتميز بيانات أزمنة الاستجابة بطبيعة توزيعية خاصة جداً، حيث تكون دائماً ملتوية التواءً موجباً حاداً ومقيدة بحد أدنى فسيولوجي يستحيل تجاوزه (حوالي 150 ميلي ثانية)، مع وجود ذيل طويل جداً نحو اليمين ناجم عن نوبات السهو المؤقت أو الشرود الذهني للمفحوصين أثناء التجارب المكررة.

يُعد تطبيق معايير المدى الربيعي هو المعيار الذهبي لتنقية ومعالجة بيانات زمن الرجع المعرفي؛ حيث تُستخدم أسوار توكي (1.5 × IQR) لتحديد العتبات الزمنية الفردية لكل مفحوص واستبعاد المحاولات الملوثة بالتشتت دون المساس بالتنوع الطبيعي لسرعة الاستجابة. علاوة على ذلك، يتيح استخدام IQR مقارنة دقيقة لكفاءة المعالجة الذهنية وتشتتها بين مجموعات المرضى الإكلينيكيين (مثل المصابين باضطراب فرط الحركة وتشتت الانتباه ADHD أو الفصام) والمجموعات الضابطة، حيث يُظهر المرضى في الغالب مدى ربيعياً أوسع بكثير يعكس عدم استقرار المسارات العصبية المسؤولة عن الضبط التنفيذي.

9.3 تقنين وتفسير درجات الاختبارات الإكلينيكية والتشخيصية

يحتل المدى الربيعي مكانة مركزية في عملية تقنين الأدوات التشخيصية وبناء المعايير الإكلينيكية لمقاييس الاكتئاب، والوسواس القهري، والتوحد. في البيئات التشخيصية، لا يتوزع السكان بالتساوي عبر مستويات الاضطراب؛ إذ تقع الغالبية الساحقة من العينة العامة في النطاق السوي (الدرجات المنخفضة)، مما يجعل الحدود المئينية المستندة إلى الأرباع أداة مثالية لتصنيف شدة الأعراض وتحديد العتبات الفارقة (Cut-off Scores).

وفق هذا النموذج التقنيني، يُستخدم المدى الربيعي ونقاط الأرباع لتقسيم الأداء إلى فئات تشخيصية محكمة:

• النطاق الطبيعي/السوي: يشمل الدرجات الواقعة دون الربيع الثاني أو الثالث (أدنى Q3).
• المستوى الحدي/المتوسط: الدرجات الواقعة بين الربيع الثالث والحد الأعلى لسياج توكي (بين Q3 و Q3 + 1.5×IQR).
• المستوى المرضي/الحاد: الدرجات المتطرفة التي تتجاوز سياج المدى الربيعي الخارجي، والتي تستلزم تدخلاً علاجياً فورياً.

يضمن هذا التأطير المبني على IQR تفسيراً عادلاً للفروق الفردية في العينات الإكلينيكية التي تفتقر للتوزيع الطبيعي، ويحمي الأطباء والمعالجين النفسيين من أخطاء التشخيص الزائد الناتجة عن المعايير المعلمية غير الملائمة.

10. حساب المدى الربيعي والتعامل معه عبر البرمجيات الإحصائية ولغات البرمجة

10.1 استخراج المدى الربيعي ومخطط الصندوق في برنامج SPSS

يُوفر برنامج SPSS (Statistical Package for the Social Sciences) منظومة متكاملة وشديدة الدقة لحساب الأرباع والمدى الربيعي وإنشاء مخططات الصندوق الاستكشافية. للوصول إلى هذه المخرجات، يتجه الباحث إلى القائمة الرئيسية ويختار: Analyze ثم Descriptive Statistics ثم النقر على أمر Explore. يتم نقل المتغيرات المراد تحليلها إلى مربع Dependent List، ثم الضغط على زر Statistics والتأشير على خيار Percentiles لضمان توليد قيم الأرباع التفصيلية.

في جدول المخرجات المعنون بـ Percentiles، يعرض SPSS قيم المئينات الرئيسية ومن ضمنها الربيع الأول (25th)، والوسيط (50th)، والربيع الثالث (75th) بالاعتماد على خوارزميات الاستيفاء الموزون (Weighted Average). في الوقت ذاته، يقوم أمر Explore تلقائياً برسم مخطط الصندوق والطرفين (Boxplot) في نافذة النتائج، مع تحديد دقيق للقيم الشاذة المعتدلة برمز الدائرة ورقم السطر المقابل في محرر البيانات، والقيم المتطرفة الشديدة برمز النجمة، مما يمنح الباحث فحصاً تشخيصياً شاملاً يدعم اتخاذ القرارات المنهجية اللاحقة.

10.2 حساب المدى الربيعي وتخصيص الخوارزميات في لغة R

تُعد بيئة البرمجة الإحصائية R المنصة الأكثر مرونة وقوة للتعامل مع المدى الربيعي والمئينات على المستوى الرياضي المتقدم. تتيح الدالة الأساسية IQR(x) حساب المدى الربيعي لمتجه عددي بشكل مباشر وسريع. إلا أن الميزة الاستثنائية في R تكمن في الدالة الشاملة quantile(x, probs, type = ...)، والتي توفر تسعة أنواع مختلفة (Types 1 to 9) من الخوارزميات الرياضية لحساب المئينات والاستيفاء، حيث يمثل type = 7 الخيار الافتراضي المتوافق مع برمجيات S و R، بينما يمثل type = 6 الخيار المتوافق مع SPSS و Minitab.

لتوليد تمثيلات بيانية فائقة الجودة للنشر العلمي وفق معايير APA، توفر حزمة ggplot2 في R إمكانات تخصيص لا محدودة لمخططات الصندوق. يمكن للباحث بناء مخطط الصندوق الأساسي عبر الدالة geom_boxplot()، مع إمكانية إضافة طبقة النقاط الفردية المشوشة باستخدام geom_jitter()، والتحكم في مفاصل الحزوز الإحصائية عبر المعامل notch = TRUE، وتحديد ألوان مميزة للقيم الشاذة، مما يجعل كود R أداة متقدمة تضمن الشفافية الحسابية وإعادة الإنتاجية الدقيقة للتحليلات السيكومترية المعقدة.

10.3 حساب IQR وتحليل البيانات الضخمة بلغة Python وExcel

في عصر علم البيانات والبيانات السلوكية الضخمة (Big Behavioral Data)، تمثل لغة Python الأداة الرائدة لمعالجة السجلات الإحصائية المليونية. باستخدام مكتبة Pandas، يمكن استخراج المدى الربيعي لسلسلة بيانات بمرونة فائقة عبر الصيغة:

IQR = df['variable'].quantile(0.75) - df['variable'].quantile(0.25)

كما توفر مكتبة SciPy العلمية دالة جاهزة ومحسنة للأداء عبر scipy.stats.iqr()، والتي تسمح بتحديد مقاييس الاستيفاء ومحاور المصفوفات متعددة الأبعاد بكفاءة حسابية استثنائية.

من جانب آخر، يوفر برنامج Microsoft Excel وسيلة ميسرة وواسعة الانتشار لحساب الأرباع عبر دالتين رئيسيتين يجب التمييز بينهما بعناية: الدالة QUARTILE.INC التي تعتمد الطريقة الشاملة (Inclusive) لحساب الأرباع من المئين 0 إلى 1، والدالة QUARTILE.EXC التي تعتمد الطريقة الحصرية (Exclusive) المتوافقة مع أسلوب مور والتي تستثني الأطراف الصفرية والمئوية. يمكن للباحث برمجة دالة شرطية مخصصة في Excel أو نص برمجي في Python لفلترة واستبعاد السجلات التي تتجاوز عتبة (1.5 × IQR) آلياً، مما يسرع عمليات تنظيف البيانات الضخمة قبل إخضاعها للنمذجة التنبؤية المتقدمة.

11. الأخطاء المنهجية والتحديات الإحصائية عند استخدام المدى الربيعي

11.1 سوء فهم الخوارزميات الحسابية وتضارب النتائج البرمجية

من أكثر المفارقات المنهجية إرباكاً للباحثين المبتدئين هو الحصول على نتائج عددية مختلفة قليلاً للمدى الربيعي عند تحليل نفس قاعدة البيانات باستخدام برمجيات إحصائية مختلفة (مثل مقارنة نتائج SPSS بـ Excel أو R أو SAS). لا يعود هذا الاختلاف إلى خطأ في البيانات، بل ينبع من التباين في خوارزميات الاستيفاء الرياضي (Sample Quantile Definitions) المعتمدة افتراضياً في كل برنامج، حيث وثقت الأدبيات الإحصائية وجود ما لا يقل عن تسع صيغ رياضية مختلفة لتقدير الموضع المئيني وتوزيع الكسور التكرارية.

يتمثل الخطأ المنهجي الشائع في عدم إدراك الباحث للفرق بين الطرق الشاملة (Inclusive) التي تُدخل الوسيط في حساب الأرباع والطرق الحصرية (Exclusive) التي تستبعده، أو الخلط بين الاستيفاء الخطي الموزون واستيفاء الرتب المتقطعة. لتفادي هذا الاضطراب العلمي، يتعين على الباحثين في القياس النفسي توثيق البرنامج المستخدم بدقة، ورقم الإصدار، والخوارزمية الحسابية المعتمدة في تقرير البحث، لضمان أعلى مستويات النزاهة والشفافية وتيسير التحقق المستقل من صحة التحليلات.

11.2 الحذف الأعمى للقيم الشاذة بناءً على معيار 1.5 × IQR

يقود الاعتماد الآلي والأعمى على قاعدة توكي (1.5 × IQR) في حذف القيم الشاذة إلى ممارسات بحثية مشوهة تُعرف في الأوساط الأكاديمية بـ “تقليم البيانات المفرط” (Excessive Data Trimming). يكمن الخطر في أن بعض المشاهدات التي تبدو شاذة إحصائياً قد تكون في الواقع استجابات نفسية أصيلة وموثوقة تمثل ظواهر سريرية حقيقية أو كفاءات إنسانية استثنائية (مثل الأشخاص ذوي الإحساس العالي بالحس المواكب أو متلازمة العبقرية)، وحذفها يؤدي إلى عزل الواقع السلوكي عن النموذج الإحصائي.

يترتب على هذا الحذف غير المدروس انخفاض حاد في حجم العينة الفعال، مما يؤدي بالتبعية إلى تراجع القوة الإحصائية (Statistical Power) للاختبارات ويزيد من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error)، أي الفشل في اكتشاف التأثيرات الحقيقية الموجودة بالفعل. يجب أن يقترن الفحص الرقمي القائم على IQR دائماً بفهم نظري وسيكومتري عميق لطبيعة السلوك المقاس، بحيث لا يُتخذ قرار الاستبعاد إلا إذا توفرت أدلة قاطعة على بطلان المشاهدة من الناحية الميدانية أو الفنية.

11.3 استخدام المدى الربيعي مع بيانات لا تتناسب مع طبيعته

على الرغم من المتانة العالية التي يتمتع بها المدى الربيعي، إلا أن محاولة تطبيقه على مستويات قياس غير ملائمة يمثل خطأ منهجياً جسيماً. لا يجوز مطلقاً استخدام المدى الربيعي مع المتغيرات الاسمية الصرفة (Nominal Variables) التي تفتقر لخاصية الترتيب المنطقي (مثل فصائل الدم، أو التخصصات الأكاديمية، أو الجنسية)، حيث إن مفهوم الأرباع يرتكز بنيوياً على الترتيب التراكمي، واستخراجه في هذه الحالة يُعد عملاً رياضياً لا معنى له على الإطلاق.

كما تظهر محدودية المدى الربيعي في العينات بالغة الصغر (أقل من خمس مشاهدات)، حيث تصبح تقديرات الربيعات متذبذبة وعرضة للقفزات العشوائية الحادة بسبب قلة الرتب المتاحة. علاوة على ذلك، يقع العديد من الباحثين في خطأ فادح عند إعداد الجداول الإحصائية، حيث يبلغون عن المدى الربيعي مقترناً بالمتوسط الحسابي بدلاً من الوسيط؛ إن المزاوجة الإحصائية السليمة تقتضي دائماً تقديم (المتوسط مع الانحراف المعياري) في التوزيعات المعلمية المتماثلة، أو تقديم (الوسيط مع المدى الربيعي) في التوزيعات اللامعلمية والملتوية لضمان الاتساق الرياضي والوصفي.

12. أفضل الممارسات المنهجية وكيفية تقرير المدى الربيعي في الأبحاث

12.1 قواعد كتابة وتوثيق المدى الربيعي وفق دليل النشر لجمعية علم النفس الأمريكية (APA)

يفرض الإصدار السابع من دليل النشر لجمعية علم النفس الأمريكية (APA 7th Edition) معايير دقيقة ومحددة لكيفية توثيق وعرض مقاييس التشتت اللامعلمية في المتن البحثي والجداول الإحصائية. عند تقرير النتائج الوصفية لمتغير غير طبيعي التوزيع، يجب تقديم الوسيط والمدى الربيعي معاً كزوج إحصائي موحد، وتُكتب الرموز بالخط المائل (Italics) متبوعة بالقيم العددية بدقة عشرية مناسبة (عادة منزلتين عشريتين).

تتخذ الصيغة المعيارية في المتن الأكاديمي النمط التالي:

“أظهرت درجات القلق لدى المجموعة التجريبية مستوى متوسطاً مقداره (Mdn = 24.50, IQR = 8.00)، مقارنة بالمجموعة الضابطة التي سجلت (Mdn = 31.00, IQR = 14.50).”

كما يُستحسن في كثير من الأحيان تفصيل قيم الأرباع الفرعية لتوفير رؤية بانورامية للتوزيع، كأن يُكتب: “IQR = 8.00 (Q1 = 20.50, Q3 = 28.50)”. في الجداول الإحصائية، يجب تضمين عمود خاص للوسيط Mdn وعمود للمدى الربيعي IQR مع كتابة حاشية توضيحية أسفل الجدول توضح طريقة حساب الربيعات، مع التأكد من أن التسميات البيانية لمخططات الصندوق تتبع المعايير التيبوغرافية الصارمة للدليل دون تعقيد أو حشو بصري.

12.2 شجرة القرار المنهجية لاختيار مقاييس التشتت الأنسب

لمساعدة الباحثين ومحللي البيانات في اتخاذ القرار المنهجي الصائب، توفر شجرة القرار الإحصائية مساراً منطقياً متدرجاً للمفاضلة بين مقاييس النزعة المركزية والتشتت بناءً على خصائص المتغير المدروس:

• المستوى الأول: فحص مستوى القياس (Level of Measurement):
  • إذا كانت البيانات اسمية (Nominal): يتم استخدام المنوال (Mode) ونسب التكرار الحصرية.
  • إذا كانت البيانات ترتيبية (Ordinal) كاستبيانات ليكرت: يتم اختيار الوسيط (Mdn) والمدى الربيعي (IQR) كخيار أمثل.
  • إذا كانت البيانات فترية/نسبية (Interval/Ratio): ننتقل للمستوى الثاني.
• المستوى الثاني: فحص الخصائص التوزيعية والاعتدالية:
  • إذا كانت البيانات تتبع التوزيع الطبيعي وخالية من القيم الشاذة: يتم اختيار المتوسط الحسابي (Mean) والانحراف المعياري (SD).
  • إذا كانت البيانات ملتوية (Skewed) أو تحتوي على قيم شاذة مؤثرة: تسقط صلاحية الانحراف المعياري ويصبح استخدام الوسيط (Mdn) والمدى الربيعي (IQR) إلزامياً لضمان المتانة والصدق الإحصائي.

يوفر اتباع شجرة القرار هذه حماية منهجية للباحث، ويمنع الوقوع في فخ التحيزات الاستدلالية التي قد تقود إلى رفض فرضيات صفرية صحيحة أو قبول فرضيات بديلة زائفة نتيجة التشوه في تقدير التشتت.

12.3 إرشادات عملية لتحسين جودة التحليل الإحصائي في البحوث النفسية

للارتقاء بجودة التحليلات الإحصائية وضمان توافقها مع أعلى معايير الشفافية العلمية، يوصى بالالتزام بمجموعة من الممارسات المنهجية المتقدمة في البحوث السلوكية. أولاً، يجب إجراء “تحليل الحساسية” (Sensitivity Analysis) بصورة روتينية؛ وهو إجراء يتضمن تشغيل التحليلات الاستدلالية مرتين: مرة باستخدام العينة الكاملة بما فيها المشاهدات الواقعة خارج أسوار IQR، ومرة بعد استبعادها أو تعديلها، مع مقارنة مستويات الدلالة الإحصائية وحجوم التأثير في الحالتين لتحديد مدى اعتماد النتائج على تلك الحالات المتطرفة.

ثانياً، يُستحسن الجمع بين المقاييس المعلمية واللامعلمية في مرحلة التحليل الاستكشافي الأولي، حيث يوفر عرض المتوسط بجانب الوسيط، والانحراف المعياري بجانب المدى الربيعي، رؤية تشخيصية ثرية تكشف عن بواطن الالتواء والتركز في درجات العينة. أخيراً، يجب الاهتمام بالتفسير السيكومتري لمعنى تشتت الـ 50% الوسطى؛ فالمدى الربيعي ليس مجرد رقم حسابي أصم، بل هو نافذة مباشرة لفهم مدى تجانس السلوك البشري في شريحته الأكثر شيوعاً واستقراراً، مما يمنح الدراسات النفسية عمقاً تفسيرياً يربط الأرقام المجردة بجوهر الظاهرة الإنسانية المعاشة.

خاتمة

يمثل المدى الربيعي (IQR) أحد أعمدة الاستدلال الإحصائي المتين والتحليل الاستكشافي للبيانات، حيث يقدم حلاً رياضياً أنيقاً وفعالاً لمعضلة التأثر بالقيم الشاذة والالتواءات التوزيعية التي لطالما حدت من كفاءة المقاييس التقليدية كالانحراف المعياري والمدى الكلي. من خلال تركيزه المنهجي الصارم على الـ 50% الوسطى من المشاهدات واستناده إلى البناء الهيكلي للأرباع والمئينات، يمنح IQR الباحثين في العلوم النفسية، والسلوكية، والطبية وسيلة عادلة وموثوقة لتقييم التشتت وتوصيف الظواهر المدروسة بأعلى درجات النزاهة العلمية.

إن الاستخدام الرشيد للمدى الربيعي يتطلب فهماً متكاملاً يتجاوز مجرد تطبيق معادلة الطرح الجبري (Q3 – Q1)؛ إذ يمتد ليشمل إتقان تمثيله عبر مخططات الصندوق والطرفين، وتوظيف أسوار توكي في الكشف الحذر عن المشاهدات الشاذة، والوعي بالفروق الخوارزمية بين البرمجيات الإحصائية المعاصرة، فضلاً عن الالتزام بالمعايير الأكاديمية الصارمة في التوثيق والتقرير وفق دليل APA. إن تبني هذه الممارسات الإحصائية الرصينة يعزز من قوة البحوث العلمية، ويضمن دقة القياس النفسي والتربوي، ويسهم في بناء استنتاجات سيكومترية متينة تعكس الواقع السلوكي بموضوعية واقتدار.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bowley, A. L. (1920). Elements of statistics (4th ed.). P.S. King & Son. https://archive.org/details/elementsofstati00bowlrich
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://uk.sagepub.com/en-gb/eur/discovering-statistics-using-ibm-spss-statistics/book257747
• Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., & Stahel, W. A. (1986). Robust statistics: The approach based on influence functions. John Wiley & Sons. https://doi.org/10.1002/9781118186435
• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473566
• Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764–766. https://doi.org/10.1016/j.jesp.2013.03.013
• Moore, D. S., McCabe, G. P., & Craig, B. A. (2021). Introduction to the practice of statistics (10th ed.). W. H. Freeman. https://www.macmillanlearning.com/college/us/product/Introduction-to-the-Practice-of-Statistics/p/1319244440
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley. https://www.pearson.com/en-us/subject-catalog/p/exploratory-data-analysis/P200000006341
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wilcox, R. R. (2022). Introduction to robust estimation and hypothesis testing (5th ed.). Academic Press. https://doi.org/10.1016/C2019-0-01454-9