كيفية حساب درجات الحرية لأي اختبار تائي

يمثل مفهوم درجات الحرية (Degrees of Freedom – df) أحد الأركان الرياضية والمنهجية الأكثر جوهرية في بناء الاستدلال الإحصائي المعلمي؛ إذ لا يمكن لأي باحث في العلوم السلوكية، أو الطبية، أو الاجتماعية، أو الإنسانية أن يُجري اختباراً تائياً (Student’s t-test) ذا دلالة علمية رصينة دون الإحاطة الدقيقة بكيفية توليد هذا المفهوم، وطريقة حسابه، وانعكاساته المباشرة على اتخاذ القرارات الإحصائية المتعلقة برفض الفرضية الصفرية أو قبولها. إن درجات الحرية ليست مجرد رقم تقني يُطرح من حجم العينة بصورة آلية ومجردة، بل هي تعبير هندسي وجبري عميق عن مقدار المعلومات المستقلة وغير المقيدة المتبقية في مصفوفة البيانات بعد تقدير معالم معينة من المجتمع الإحصائي الأصلي.

تكتسب درجات الحرية في اختبارات الفروق المعلمية، وتحديداً اختبارات t بأنماطها المتعددة، وزناً منهجياً فاصلاً في تحديد الشكل الهندسي الدقيق لدوال الكثافة الاحتمالية التي يستند إليها الباحث. فبينما يفترض التوزيع الطبيعي المعياري معرفة تامة ودقيقة بتباين المجتمع الإحصائي الأصلي، يقف الواقع التجريبي والميداني حائلاً أمام الباحثين دون معرفة هذا التباين، مما يضطرهم إلى الاستعاضة عنه بتقدير تباين العينة؛ وهنا تبرز الحاجة الرياضية الصارمة إلى اختبار t وتوزيعه الاحتمالي المعتمد في كل نقطة من منحناه على درجات الحرية المتوفرة. إن فهم هذه الآلية يُمكّن الباحث من تجنب الوقوع في فخ الأخطاء المنهجية الشائعة التي تعصف بصدق النتائج العلمية وتؤدي إلى انتهاك الدقة الإحصائية المطلوبة.

يتناول هذا الدليل الشامل تفكيكاً تأصيلياً وتطبيقياً متكاملاً لكل ما يتعلق بحساب درجات الحرية في اختبارات t بمختلف تصاميمها التجريبية وشبه التجريبية. سننطلق من الجذور الفلسفية والرياضية والهندسية التي بني عليها هذا المفهوم، مروراً بالاشتقاق الجبري لتصحيح بيسل، وتحليل العينات المفردة، والمستقلة بفرعيها المتجانس وغير المتجانس، والبيانات المزدوجة المرتبطة، مع ربط كل ذلك بنماذج تطبيقية مفصلة من الواقع الإكلينيكي والقياس النفسي المتقدم، وانتهاءً بآليات استخراجها عبر الحزم البرمجية العالمية وطرق توثيقها الاحترافية وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th edition).

1. مقدمة تأصيلية: مفهوم درجات الحرية في التحليل الإحصائي واختبارات t

1.1 التعريف النظري والرياضي لدرجات الحرية

تُعرف درجات الحرية في أبسط صورها النظرية والرياضية بأنها عدد القيم أو المشاهدات الفردية داخل النظام الإحصائي المتاح لها أن تتغير أو تتباين بحرية تامة ومستقلة دون أن يؤدي ذلك إلى انتهاك أو كسر أي قيد رياضي مفروض مسبقاً على هذا النظام. عندما نقوم بجمع عينة عشوائية مؤلفة من عدد من الملاحظات يُرمز له بالرمز $n$، فإننا نبدأ بامتلاك $n$ من الأبعاد الحسابية المستقلة تماماً، حيث يستطيع كل عنصر في العينة أن يأخذ أي قيمة عددية ممكنة ضمن نطاق المتغير المقاس. غير أن هذه الحرية المطلقة لا تظل على حالها بمجرد أن نبدأ في اشتقاق مؤشرات إحصائية تتطلب تقدير معلمات المجتمع المجهولة بالاعتماد المباشر على بيانات العينة ذاتها.

تتجلى العلاقة الارتباطية الصارمة بين حجم العينة الإجمالي وعدد المعلمات المقدرة في مبدأ الاستهلاك الحسابي لدرجات الحرية؛ فكلما اضطر الباحث إلى تقدير معلمة مجهولة من بيانات العينة لتوظيفها في حساب معلمة أخرى أو لاختبار فرضية معينة، فإنه يُضحي بدرجة حرية واحدة مقابل كل معلمة يتم تقديرها. في سياق حساب تباين العينة، وهو المكون الجوهري في الخطأ المعياري لاختبارات t، نجد أنفسنا ملزمين بتقدير المتوسط الحسابي للعينة ($\bar{X}$) أولاً كبديل عن المتوسط الحسابي الحقيقي للمجتمع ($\mu$) الغائب عن إدراكنا. هذا التقدير للمتوسط الحسابي يعمل كقيد خطي ملزم يربط جميع عناصر العينة ببعضها البعض، مما يفقد النظام الإحصائي بعداً واحداً من أبعاد تباينه المستقل.

لتوضيح ذلك بدقة رياضية ملموسة: إذا كانت لدينا عينة تتكون من خمس درجات ($n = 5$) وكان متوسطها الحسابي المعلوم مسبقاً بعد حسابه هو 10، فإن مجموع هذه الدرجات الخمس يجب أن يساوي بالضرورة 50 ($5 \times 10 = 50$). في هذه الحالة، يمكن للقيم الأربع الأولى ($n – 1$) أن تتباين كيفما تشاء؛ فقد تكون 8، 12، 9، 11. ولكن بمجرد تحديد هذه القيم الأربع، تفقد القيمة الخامسة حريتها الإحصائية تماماً وتصبح مقيدة رياضياً بحيث تكون محتومة القيمة (وهي 10 في هذا المثال) حتى يظل المجموع الإجمالي مساوياً لـ 50. وبالتالي، فإن القيد الخطي المفروض بحساب المتوسط قد استهلك درجة حرية واحدة، مخلفاً وراءه أربع درجات حرية فقط تملك حق التباين العشوائي المستقل.

1.2 أهمية درجات الحرية في اختبارات الفروق المعلمية

تلعب درجات الحرية الدور المحوري والأساسي في تحديد الشكل الهندسي الدقيق لدالة الكثافة الاحتمالية الخاصة بـ توزيع t لستيودنت. على خلاف التوزيع الطبيعي المعياري الذي يتميز بشكل جرسي وحيد وثابت ومحدد تماماً بمتوسط يساوي صفراً وانحراف معياري يساوي واحداً، فإن توزيع t ليس توزيعاً مفرداً ثابتاً، بل هو عائلة لا نهائية من التوزيعات الجرسية المتماثلة حول الصفر، حيث يتميز كل توزيع فرعي فيها بقيمة محددة لدرجات الحرية الخاصة به. تتسم التوزيعات التائية ذات درجات الحرية المنخفضة بأنها أكثر تسطحاً من القمة (Platykurtic) وتمتلك ذيولاً أثقل وأسمك (Heavy-tailed) مقارنة بالتوزيع الطبيعي المعياري، وهو ما يعكس رياضياً حالة عدم اليقين الناتجة عن تقدير تباين المجتمع بالاعتماد على عينة محدودة الحجم.

مع ارتفاع عدد درجات الحرية تدريجياً، يبدأ توزيع t في الخضوع لعملية تقارب رياضي متصل نحو التوزيع الطبيعي المعياري (Standard Normal Distribution). فعندما تقترب درجات الحرية من اللانهاية ($df to \infty$)، تتلاشى الفروق الرياضية بين التوزيعين تماماً، وتتحول الذيول الثقيلة لتتطابق بدقة هندسية مع منحنى غاوس. في الممارسة العملية، عندما تتجاوز درجات الحرية حاجز 120 درجة، يصبح الاختلاف بين القيم الحرجة لتوزيع t والقيم الحرجة لتوزيع Z صغيراً للغاية ومهملاً في أغلب التطبيقات التطبيقية، إلا أن الاحتفاظ بالحساب الدقيق لدرجات الحرية يظل واجباً منهجياً ملزماً لتفادي التشويه الرياضي للاحتمالات الهامشية.

ينعكس هذا التغير الهيكلي في شكل التوزيع الاحتمالي مباشرة على تحديد القيمة التائية الحرجة (Critical Value) التي تشكل العتبة الفاصلة بين منطقة قبول الفرضية الصفرية ومنطقة رفضها عند مستوى دلالة محدد ($\alpha = 0.05$ أو $\alpha = 0.01$). فكلما انخفضت درجات الحرية، ارتفعت القيمة الحرجة المطلوبة لرفض الفرضية الصفرية؛ مما يعني أن الباحث يحتاج إلى دليل أقوى وفارق أوسع بين المتوسطات لإثبات الدلالة الإحصائية، حمايةً للدراسة من الوقوع في خطأ النوع الأول. وبالتالي، فإن القيمة الاحتمالية المحسوبة ($p\text{-value}$) ترتبط ارتباطاً وثيقاً لا ينفصم بدرجات الحرية؛ إذ إن نفس القيمة التجريبية لاختبار t (ولتكن $t = 2.10$) قد تقود إلى دلالة إحصائية كافية ($p < 0.05$) إذا كانت درجات الحرية مرتفعة، ولكنها قد تفشل في تحقيق الدلالة الإحصائية ($p > 0.05$) لنفس الفرضية إذا كانت درجات الحرية متدنية بسبب صغر حجم العينة.

1.3 السياق التاريخي وتطور اختبار t ومفهوم درجات الحرية

تعود الجذور المعرفية لاختبار t ومفهوم درجات الحرية إلى أوائل القرن العشرين، وتحديداً إلى الأبحاث الرائدة التي قادها العالم والإحصائي والكيميائي البريطاني ويليام سيلي جوسيت (William Sealy Gosset) أثناء عمله في مصانع بيرة غينيس في دبلن بأيرلندا. كانت المشكلة الميدانية المعقدة التي واجهت جوسيت تتمثل في أن التجارب الزراعية ومراقبة جودة المواد الخام الكيميائية مثل الشعير والماء كانت تقتضي استخدام عينات تجريبية صغيرة جداً لأسباب مادية وتشغيلية. في ذلك الحين، كانت النظريات الإحصائية الكلاسيكية المتاحة تفترض إما معرفة الباحث المسبقة بالانحراف المعياري الحقيقي للمجتمع ($\sigma$)، أو تفترض أحجام عينات ضخمة تسمح لنظرية النهاية المركزية بالعمل بكفاءة.

لاحظ جوسيت بعبقرية رياضية ثاقبة أن استخدام الانحراف المعياري للعينة ($s$) كبديل مباشر للمجهول ($\sigma$) في معادلة Z التقليدية مع العينات الصغيرة يؤدي إلى أخطاء فادحة في النتائج؛ إذ كانت الاختبارات تميل إلى رفض الفرضية الصفرية بوتيرة أعلى بكثير من المستوى الاسمي المحدد للخطأ (معدل تضخم خطأ النوع الأول). ولأن مصانع غينيس كانت تفرض قيوداً تجارية صارمة تمنع موظفيها من نشر أسرار العمل والاكتشافات العلمية لحماية تفوقها التنافسي، فقد نال جوسيت إذناً خاصاً لنشر نتائجه الاستثنائية عام 1908 في مجلة Biometrika المرموقة تحت الاسم المستعار التاريخي ستيودنت (Student)، مقدماً للعالم ورقته التأسيسية المعنونة: “The Probable Error of a Mean”.

لم يقتصر عمل جوسيت على صياغة التوزيع فحسب، بل مهد الطريق للفهم الحديث للدور التصحيحي الذي تؤديه درجات الحرية في تصحيح أخطاء العينات الصغيرة. وقد تولى عالم الإحصاء الشهير رونالد فيشر (Sir Ronald A. Fisher) لاحقاً تطوير هذا المفهوم رياضياً وتعميقه في عشرينيات القرن العشرين، مقدماً الصيغة الصارمة لمفهوم “درجات الحرية” وتطبيقاتها ليس فقط في اختبار t ولكن أيضاً في تحليل التباين (ANOVA) وتوزيع كاي تربيع. كان هذا الإنجاز بمثابة ثورة منهجية نقلت التحليل الإحصائي من مرحلة الاعتماد على افتراضات المجتمعات الضخمة إلى مرحلة الدقة الإكلينيكية والتجريبية التي تراعي القيود الرياضية المفروضة على العينات الميدانية الحقيقية.

2. المبادئ الهندسية والجبرية لاشتقاق درجات الحرية

2.1 التمثيل الهندسي لدرجات الحرية في الفضاء الإقليدي

يمكن فهم درجات الحرية بشكل أعمق من خلال النظر إليها عبر عدسة الفضاء الإقليدي (Euclidean Space) متعدد الأبعاد ذي البعد $n$. عندما يُجري الباحث تجربة ويحصل على $n$ من المشاهدات المستقلة، فإن هذه البيانات يمكن تمثيلها رياضياً كنقطة واحدة أو متجه عشوائي ($X = [X_1, X_2, dots, X_n]^T$) داخل فضاء اتجاهي حقيقي يتألف من $n$ من الأبعاد، ويرمز له بالرمز $\mathbb{R}^n$. في هذا الفضاء الخام، يمتلك المتجه حرية الحركة الكاملة عبر $n$ من الاتجاهات المتعامدة، مما يعني هندسياً أن النظام يتمتع بـ $n$ من درجات الحرية الحركية لتحديد موضع المتجه وتشتته.

تحدث النقلة الهندسية الفاصلة عندما نطبق قيداً خطياً على هذه البيانات، وهو ما يحدث تماماً عند حساب المتوسط الحسابي للعينة. إن معادلة المتوسط الحسابي:

$$\sum_{i=1}^{n} X_i = n\bar{X}$$

تمثل في حقيقتها معادلة لمستوى فائق (Hyperplane) يقطع الفضاء الإقليدي $\mathbb{R}^n$ عند زاوية معينة. هذا القيد الخطي يقصر المتجه على البقاء داخل فضاء جزئي (Subspace) ذي بعد هندسي يقل بمقدار واحد عن بعد الفضاء الأصلي. رياضياً، يمكن تقسيم متجه البيانات $X$ إلى مركبتين متعامدتين تماماً:

$$X = \bar{X} \mathbf{1} + (X – \bar{X} \mathbf{1})$$

حيث يمثل $\mathbf{1}$ متجه الوحدة المكون من آحاد فقط. المركبة الأولى تقع على طول الخط المستقيم القطري ذي البعد الأحادي الذي تمثله القيمة الثابتة للمتوسط، بينما تقع المركبة الثانية، وهي متجه الانحرافات أو البواقي المتبقية، في فضاء متعامد بالكامل على هذا الخط المستقيم وذي بعد مقداره ($n – 1$).

وبما أن تباين العينة لا يعتمد على موقع المتوسط نفسه، بل يقيس حصراً التشتت المتبقي حول هذا المتوسط، فإن حساب التشتت يتم هندسياً داخل ذلك الفضاء الجزئي المتعامد ذي البعد ($n – 1$). ومن هنا، يتطابق مفهوم درجات الحرية تطابقاً عضوياً مع البعد الهندسي (Dimension) للفضاء الجزئي الذي تتحرك فيه انحرافات البيانات بحرية تامة دون التأثر بموقع المتوسط الحسابي، وهو ما يفسر جبرياً وهندسياً استبعاد درجة واحدة من إجمالي حجم العينة.

2.2 الاشتقاق الرياضي للتشتت وتقدير التباين غير المتحيز

يظهر الاشتقاق الجبري الدقيق لدرجات الحرية بوضوح عند دراسة خاصية عدم التحيز (Unbiasedness) في تقدير التباين الإحصائي. إذا قمنا بحساب تباين العينة باستخدام الصيغة البديهية بالقسمة على الحجم الإجمالي للعينة $n$:

$$S_{\text{biased}}^2 = \frac{1}{n} \sum_{i=1}^{n} (X_i – \bar{X})^2$$

فإن القيمة المتوقعة رياضياً لهذا المقدر الإحصائي ستكون أقل من التباين الحقيقي للمجتمع ($\sigma^2$)، مما يجعله مقدراً متحيزاً نحو التقليل (Underestimation). يُعرف هذا التباين بالنقص الحسابي المنهجي الذي يفرضه حقيقة أن انحرافات القيم عن متوسط عينتها الخاصة تكون دائماً بالضرورة أصغر من انحرافاتها عن المتوسط الحقيقي للمجتمع.

لإثبات هذا التحيز رياضياً، نبدأ باحتساب القيمة المتوقعة لمجموع مربعات الانحرافات حول متوسط العينة:

$$E\left[ \sum_{i=1}^{n} (X_i – \bar{X})^2 \right] = E\left[ \sum_{i=1}^{n} \left( (X_i – \mu) – (\bar{X} – \mu) \right)^2 \right]$$

بفك القوس التربيعي داخل المجموع والتوزيع، نحصل على:

$$E\left[ \sum_{i=1}^{n} (X_i – \mu)^2 – 2(\bar{X} – \mu)\sum_{i=1}^{n}(X_i – \mu) + n(\bar{X} – \mu)^2 \right]$$

وحيث إن $\sum_{i=1}^{n}(X_i – \mu) = n(\bar{X} – \mu)$، فإن المعادلة تختزل إلى:

$$E\left[ \sum_{i=1}^{n} (X_i – \mu)^2 – n(\bar{X} – \mu)^2 \right]$$

وبتطبيق مشغل القيمة المتوقعة ($E$) مستندين إلى أن $E[(X_i – \mu)^2] = \sigma^2$ وأن تباين توزيع المتوسطات الحسابية للعينة هو $E[(\bar{X} – \mu)^2] = \frac{\sigma^2}{n}$، نصل إلى النتيجة التالية:

$$\sum_{i=1}^{n}\sigma^2 – n\left(\frac{\sigma^2}{n}\right) = n\sigma^2 – \sigma^2 = (n – 1)\sigma^2$$

تثبت هذه النتيجة الجبرية الصارمة أن مجموع مربعات الانحرافات لا ينتج $n$ وحدة من التباين، بل ينتج بدقة $(n – 1)$ من التباين الحقيقي. ومن هنا تنبثق ضرورة استخدام تصحيح بيسل (Bessel’s Correction) بقسمة مجموع المربعات على $(n – 1)$ بدلاً من $n$ للحصول على مقدر تباين غير متحيز:

$$s^2 = \frac{\sum_{i=1}^{n} (X_i – \bar{X})^2}{n – 1}$$

يرتبط هذا المقام ارتباطاً وثيقاً بـ توزيع كاي تربيع ($\chi^2$)؛ حيث إن المقدار $\frac{(n-1)s^2}{\sigma^2}$ يتبع توزيع كاي تربيع بدرجات حرية مساوية لـ $(n – 1)$. وبما أن إحصاء اختبار t يُعرّف في أبسط أشكاله كنسبة بين متغير طبيعي معياري وجذر متغير كاي تربيع مقسوماً على درجات حريته، فإن درجات حرية المقام هي التي تحكم سلوك اختبار t بالكامل.

2.3 تأثير القيود الإحصائية على حرية تباين الملاحظات

يتسع مفهوم القيود الإحصائية (Statistical Constraints) ليشمل كل علاقة رياضية إلزامية تربط بين المشاهدات المستقلة نتيجة لعمليات التقدير الإحصائي. عندما تكون معالم المجتمع الإحصائي معروفة مسبقاً بشكل يقيني ودقيق (مثل معرفة المتوسط الحقيقي للمجتمع $\mu$ بدقة متناهية من مسوحات شاملة)، لا تفقد البيانات أي درجة حرية على الإطلاق؛ فلو قمنا بحساب انحرافات المشاهدات حول هذا المتوسط الحقيقي الثابت:

$$\sum_{i=1}^{n}(X_i – \mu)^2$$

فإن درجات الحرية تظل مساوية لـ $n$ دون أي نقصان، لأن كل مشاهدة تتباين باستقلالية تامة عن المشاهدات الأخرى دون وجود علاقة تجبر مجموع الفروق على أن يساوي صفراً.

على النقيض من ذلك تماماً، عندما يتم استبدال المعلمة الحقيقية المجهولة بتقدير مستخرج من نفس العينة الخاضعة للاختبار، يتشكل قيد رياضي داخلي يفرض أن يكون مجموع الانحرافات حول هذا المتوسط التقديري مساوياً للصفر حتماً ودائماً:

$$\sum_{i=1}^{n}(X_i – \bar{X}) = 0$$

هذا القيد يزيل على الفور حرية المشاهدة الأخيرة في التباين. وتتضاعف هذه الخسارة في درجات الحرية بصورة طردية مع كل معلمة إضافية يتم تقديرها. ففي نماذج الانحدار الخطي المتعدد مثلاً، يفقد النموذج درجة حرية عن كل معامل انحدار يتم تقديره بما في ذلك الثابت ($k + 1$)، وفي اختبارات تحليل التباين تفقد البيانات درجات حرية تتناسب مع عدد المجموعات المقارنة.

لذلك، يجب التمييز بوضوح قاطع بين نوعين من البيانات في التحليل الإحصائي: البيانات الحرة التي تقيس التباين العشوائي الخام في الطبيعة، والبيانات المقيدة التي تخضع لمعادلات خطية جبرية تفرضها متطلبات النمذجة والاستدلال. إن درجات الحرية هي الميزان الدقيق الذي يحسب الفارق الحقيقي بين هذين النوعين لضمان عدم إعطاء النظام وزناً وهمياً للمعلومات التي جرى استهلاكها بالفعل في عمليات التقدير الرياضي السابقة.

3. تصنيف اختبارات t الأساسية وتأثير بنية العينات على درجات الحرية

3.1 اختبار t لعينة واحدة في مواجهة مجتمع معياري

يمثل اختبار t لعينة واحدة (One-Sample t-Test) النموذج الإحصائي الأكثر بساطة ومباشرة في عائلة المقارنات المعلمية. يُستخدم هذا التصميم المنهجي عندما يرغب الباحث في فحص ما إذا كان متوسط عينة عشوائية مفردة ($ bar{X} $) مستحبة من مجتمع دراسي يختلف اختلافاً ذا دلالة إحصائية عن قيمة مرجعية قياسية معلومة وثابتة ($mu_0$). هذه القيمة المرجعية لا يتم استخراجها أو تقديرها من بيانات العينة نفسها، بل تكون محددة مسبقاً بناءً على دراسات وبائية كبرى، أو معايير مقننة في اختبارات الذكاء والشخصية، أو معايير جودة تصنيعية محددة هندسياً.

تنعكس هذه البنية البسيطة بشكل مباشر على حساب درجات الحرية؛ حيث يشتمل التصميم على مجموعة واحدة فقط من الأفراد أو المفحوصين بحجم إجمالي قدره $n$. وفي هذا السياق، لا يحتاج الباحث سوى لتقدير معلمة واحدة مجهولة من بيانات العينة وهي المتوسط الحسابي للعينة ($\bar{X}$)، وذلك بهدف إدخاله في معادلة التباين وتقدير الخطأ المعياري للمتوسط ($SE = s / \sqrt{n}$). وبما أن القيمة المعيارية المقارن بها ($\mu_0$) ثابت رياضي لا يتطلب أي تقدير، فإن العينة لا تفقد سوى قيد إحصائي واحد، مما يجعل معادلة درجات الحرية لهذا الاختبار ثابتة دائماً عند $df = n – 1$.

تجد هذه البنية الإحصائية استخداماتها الشائعة في معايرة المقاييس السيكومترية الجديدة، مثل التحقق من أن متوسط درجات عينة محلية لا يختلف عن المعدل العالمي المقنن لمقياس ستانفورد بينيه للذكاء (المتوسط المعياري = 100). كما تتجلى في الأبحاث الدوائية التجريبية عندما يُراد اختبار ما إذا كان متوسط زمن بقاء عقار كيميائي في بلازما الدم ينحرف عن المعيار الدوائي المعتمد والمثبت في المراجع الفارماكولوجية الدولية.

3.2 اختبار t لعينتين مستقلتين وبنية المجموعات المنفصلة

يتناول اختبار t للعينات المستقلة (Independent Samples t-Test) التصاميم التجريبية التي تشتمل على مجموعتين منفصلتين تماماً من العناصر أو المفحوصين، بحيث لا توجد أي علاقة اقتران أو رابطة بنائية أو تأثير متبادل بين أفراد المجموعة الأولى وأفراد المجموعة الثانية. البنية التصميمية النمطية لهذا الاختبار تقوم على المقارنة الكلاسيكية بين مجموعة تجريبية تخضع لبرنامج علاجي أو متغير مستقل، ومجموعة ضابطة تخضع للعلاج الوهمي (Placebo) أو للممارسة المعيارية المعتادة، أو المقارنة بين تصنيفين طبيعيين كالمقارنة بين الذكور والإناث في سمة سلوكية معينة.

تؤثر هذه البنية المنفصلة على درجات الحرية تأثيراً مباشراً ومضاعفاً؛ فالبيانات لم تعد متجمعة في متجهة واحدة، بل أصبحت موزعة على عينتين بأحجام قد تكون متساوية أو غير متساوية ($n_1$ و $n_2$). عند حساب الخطأ المعياري المشترك للفروق بين المتوسطين، يحتاج النظام الإحصائي إلى حساب انحرافات عناصر كل مجموعة حول متوسطها الخاص بها حصراً ($\bar{X}_1$ و $\bar{X}_2$). هذا الإجراء يفرض على الفور قيدين خطيين مستقلين، حيث يستهلك متوسط المجموعة الأولى قيداً ($n_1 – 1$)، ويستهلك متوسط المجموعة الثانية قيداً آخر ($n_2 – 1$).

تعتمد درجات الحرية في هذا النموذج على فحص تجانس التباين بين المجموعتين؛ ففي الحالة المعيارية التي يتحقق فيها شرط تساوي التباين، يتم دمج درجات الحرية للمجموعتين رياضياً للحصول على تباين مجمع (Pooled Variance) بدرجات حرية إجمالية قدرها:

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

أما إذا انتُهك هذا الفرض البنيوي، فإن احتساب درجات الحرية يتطلب تعديلات جبرية مركبة ومعقدة تفكك العلاقة الخطية البسيطة، كما سيتم بيانه لاحقاً في معادلة ويلش-ساترثويت.

3.3 اختبار t للعينات المرتبطة وتصميم القياسات المتكررة

يختص اختبار t للعينات المرتبطة أو المزدوجة (Paired Samples t-Test) بدراسة التصاميم التي تنطوي على قياسات متكررة (Repeated Measures) أو عينات متطابقة ومقرونة (Matched Pairs). الحالة الأكثر شيوعاً في البحوث النفسية والطبية هي تصميم القياس القبلي والبعدي (Pre-test vs. Post-test)، حيث يُقاس نفس المتغير التابع على نفس الفرد مرتين: الأولى قبل تطبيق التدخل العلاجي، والثانية بعد اكتمال التدخل. كما يشمل هذا التصميم دراسات التوائم المتماثلة، أو تصاميم الأزواج المتطابقة بناءً على متغيرات وسيطة كالسن ومستوى الذكاء.

يكمن التحول المنهجي والرياضي الحاسم في هذا الاختبار في كيفية إعادة هيكلة البيانات؛ فعلى الرغم من أن الباحث يقوم فعلياً بتسجيل رقمين لكل مشارك، مما يوفر ظاهرياً $2n$ من المشاهدات العددية المنفصلة، إلا أن التحليل الإحصائي لا يتعامل مع هذه القياسات كقيم مستقلة على الإطلاق نظراً للارتباط الذاتي القوي (Autocorrelation) الناتج عن قياس نفس الكائن الإنساني مرتين. يقوم الاختبار بإجراء عملية اختزال جبري مباشر عبر حساب متجه الفروق الفردية لكل زوج على حدة:

$$D_i = X_{\text{Post}, i} – X_{\text{Pre}, i}$$

بمجرد إجراء عملية الطرح، تتلاشى البنية الثنائية للبيانات وتتحول المسألة برمتها إلى اختبار عينة واحدة لمتغير الفروق ($D$). وبالتالي، فإن حجم العينة الحقيقي والفعال الداخل في الحسابات لم يعد إجمالي عدد القياسات المتكررة، بل أصبح عدد أزواج الفروق ($n$)، والذي يماثل تماماً عدد المشاركين المستقلين في التجربة. وبما أن النظام يقوم الآن بحساب تباين هذه الفروق حول متوسطها الوحيد ($\bar{D}$)، فإنه يفرض قيداً خطياً واحداً فقط، مما يجعل درجات الحرية تحسب بالصيغة:

$$df = n_{\text{pairs}} – 1$$

4. كيفية حساب درجات الحرية لاختبار t لعينة واحدة

4.1 الصيغة الرياضية الأساسية وتفكيك عناصرها

تتحدد الصيغة الرياضية القياسية لحساب درجات الحرية في اختبار t لعينة واحدة بالمعادلة المباشرة:

$$df = n – 1$$

حيث يمثل الرمز $df$ عدد درجات الحرية (Degrees of Freedom)، ويمثل $n$ إجمالي عدد المشاهدات أو الحالات الفردية المكتملة والمستقلة التي خضعت للاختبار. على الرغم من البساطة الظاهرة لهذه المعادلة الحسابية، فإن خلفيتها النظرية تنطوي على وزن استدلالي حاسم، إذ يمثل الرقم (1) المطروح رياضياً القيمة المحجوزة لتثبيت المتوسط الحسابي للعينة ($\bar{X}$).

تؤثر هذه القيمة الفردية لدرجات الحرية في التشكيل الجبري لدالة الكثافة الاحتمالية لتوزيع t، والتي تأخذ الصياغة الرياضية الصارمة التالية لحساب الاحتمالات عند كل نقطة $t$:

$$f(t) = \frac{\Gamma\left(\frac{df + 1}{2}\right)}{\sqrt{\pi \cdot df} , \Gamma\left(\frac{df}{2}\right)} \left(1 + \frac{t^2}{df}\right)^{-\frac{df + 1}{2}}$$

حيث تمثل $\Gamma$ دالة غاما (Gamma Function). يوضح هذا التركيب الرياضي بوضوح لا لبس فيه أن المعلمة الوحيدة الحاكمة للشكل الهندسي والارتفاع والسمك الذي يمتلكه المنحنى التائي هي درجات الحرية $df = n – 1$. فكلما كان حجم العينة صغيراً، انخفضت قيمة $df$، مما يؤدي تلقائياً إلى زيادة التشتت وتوسيع الذيول وتسطيح قمة المنحنى لتعويض عدم التيقن المترتب على صغر حجم البيانات.

4.2 خطوات الحساب اليدوي خطوة بخطوة

يتطلب حساب درجات الحرية يدوياً لاختبار t لعينة واحدة اتباع تسلسل إجرائي ومنهجي منضبط لضمان دقة النتائج، ويمكن تلخيص هذه الخطوات في النقاط المنهجية التالية:

• الخطوة الأولى: تدقيق البيانات وحصر العينة الصافية ($n$): يقوم الباحث بفرز جميع المشاهدات المدخلة واستبعاد أي قيم مفقودة كلياً، وحساب العدد الفعلي للحالات المكتملة التي دخلت في حساب المتوسط الحسابي. إذا كان الباحث قد وزع 30 استبانة واستجاب منها 27 فرداً استجابة مكتملة، فإن $n = 27$ وليس 30.
• الخطوة الثانية: تطبيق معادلة درجات الحرية: يتم إجراء عملية الطرح الرياضية البسيطة:

  $$df = 27 – 1 = 26$$

  وبذلك يمتلك التحليل الإحصائي 26 درجة حرية صالحة لحساب التباين.

• الخطوة الثالثة: تحديد مستوى المعنوية ونوع الاختبار: يحدد الباحث مستوى الخطأ المسموح به ($\alpha$)، وعادة ما يحدد عند $0.05$ أو $0.01$، مع تحديد ما إذا كان الاختبار موجهاً بطرف واحد (One-tailed) أو غير موجه بطرفين (Two-tailed) بناءً على الفرضيات المصاغة.
• الخطوة الرابعة: الرجوع للجداول الإحصائية وتحديد القيمة الحرجة: يتجه الباحث إلى الجداول المعيارية لتوزيع t، ويبحث في العمود الرأسي المخصص لدرجات الحرية ($df$) عن الصف المقابل للقيمة المحسوبة (مثلاً $df = 26$)، ويتقاطع هذا الصف مع العمود الأفقي الممثل لمستوى $\alpha$ المختار، ليحصل على القيمة التائية الحرجة ($t_{\text{crit}}$) الواجب تجاوزها.

4.3 مثال تطبيقي حسابي شامل

لنفترض أن باحثاً في مجال القياس والتقويم يرغب في التحقق من كفاءة طريقة تدريسية حديثة للرياضيات طُبقت على فصل تجريبي يتكون من 25 طالباً ($n = 25$). خضع جميع الطلاب بعد البرنامج لاختبار معياري وطني مقنن، حيث يُعرف مسبقاً في الأدبيات التربوية أن المتوسط العام لأداء الطلاب على هذا الاختبار المعياري هو 70 درجة ($\mu_0 = 70$). أظهرت نتائج الفصل التجريبي البيانات الوصفية التالية: المتوسط الحسابي للفصل التجريبي $\bar{X} = 74.8$، والانحراف المعياري للعينة $s = 8.5$.

يبدأ التحليل الإحصائي بحساب درجات الحرية مباشرة:

$$df = n – 1 = 25 – 1 = 24$$

بعد ذلك، يتم حساب الخطأ المعياري لمتوسط العينة:

$$SE = \frac{s}{\sqrt{n}} = \frac{8.5}{\sqrt{25}} = \frac{8.5}{5} = 1.70$$

ثم تُحسب القيمة التائية التجريبية للاختبار:

$$t_{\text{calc}} = \frac{\bar{X} – \mu_0}{SE} = \frac{74.8 – 70}{1.70} = \frac{4.8}{1.70} \approx 2.824$$

لاتخاذ القرار الإحصائي عند مستوى دلالة $\alpha = 0.05$ لاختبار ذي طرفين، نكشف في جداول توزيع t عند درجات حرية $df = 24$. نجد أن القيمة التائية الحرجة هي $t_{\text{crit}} = \pm 2.064$. بمقارنة القيمة المحسوبة بالقيمة الحرجة، نجد أن:

$$|t_{\text{calc}}| = 2.824 > 2.064$$

وبناءً على هذه النتيجة وبفضل وجود 24 درجة حرية كافية لتأكيد ضيق منحنى التوزيع التائي، نرفض الفرضية الصفرية ونستنتج بوجود فارق ذي دلالة إحصائية بين أداء الفصل التجريبي والمعيار الوطني، لصالح الطريقة التدريسية الحديثة عند مستوى $p < 0.05$.

5. تطبيقات نفسية وإكلينيكية لحساب درجات حرية اختبار t لعينة واحدة

5.1 معايرة درجات مقاييس الاكتئاب والقلق مع المتوسطات المعيارية

تعتمد الدراسات الإكلينيكية والنفسية في كثير من الأحيان على اختبار t لعينة واحدة لتقييم مدى انحراف عينة مرضية أو فئة نوعية محددة عن المتوسطات المعيارية الوطنية أو العالمية. على سبيل المثال، يُعد مقياس بيك للاكتئاب (Beck Depression Inventory – BDI-II) أداة سيكومترية واسعة الاستخدام تمتلك درجات معيارية محددة لعامة السكان غير الإكلينيكيين (تتراوح في المتوسط الطبيعي حول درجة مرجعية معيارية ولتكن $\mu_0 = 9.5$). عندما يطبق فريق بحثي إكلينيكي هذا المقياس على عينة مكونة من 35 مريضاً يعانون من آلام مزمنة، فإن الهدف الأساسي هو فحص ما إذا كانت هذه العينة السريرية تنحرف دلالياً عن القاعدة السكانية السليمة.

يتطلب حساب درجات الحرية في هذا السياق ضبطاً دقيقاً لعدد المرضى الذين أتموا ملء فقرات المقياس بالكامل. بافتراض أن الـ 35 مريضاً قد قدموا بيانات مكتملة، فإن درجات الحرية المتاحة للفريق الإكلينيكي هي:

$$df = 35 – 1 = 34$$

ترتبط قيمة درجات الحرية هذه ارتباطاً مباشراً بدقة التشخيص الإحصائي؛ إذ إن انخفاض حجم العينة السريرية (كما يحدث غالباً في الدراسات التي تفحص اضطرابات نادرة، حيث قد لا يتجاوز عدد المرضى $n = 10$ وبذلك تصبح $df = 9$) يفرض قيوداً حادة على قدرة الاختبار على اكتشاف الفروق الحقيقية، ويتطلب قيمة تائية حرجة أعلى بكثير ($t_{\text{crit}} = 2.262$ عند $df = 9$ مقارنة بـ $t_{\text{crit}} = 2.032$ عند $df = 34$). وهذا التباين يؤكد أن إغفال التوثيق السليم لدرجات الحرية يهدد مصداقية تعميم النتائج الإكلينيكية.

5.2 تقييم برامج التدخل المعرفي الفردي مقارنة بالمعايير المقننة

في أبحاث علم النفس العصبي والتأهيل المعرفي، كثيراً ما يتم تقييم فعالية البرامج التدريبية الموجهة لتحسين الوظائف التنفيذية (Executive Functions) لدى الأطفال الذين يعانون من اضطراب نقص الانتباه وفرط النشاط (ADHD). تُقاس كفاءة الانتباه المستمر مثلاً باستخدام اختبارات مقننة ومحوسبة (مثل اختبار الأداء المستمر CPT) الذي يمتلك متوسطاً استجابة معيارياً مقنناً من الناحية النمائية مساوياً لـ 500 ملي ثانية ($\mu_0 = 500,\text{ms}$).

إذا أُدخلت مجموعة تجريبية تتألف من 18 طفلاً تم تشخيصهم باضطراب ADHD في برنامج تدريب حاسوبي مكثف لمدة ثمانية أسابيع، ثم قيس متوسط زمن الاستجابة لديهم بعد البرنامج، فإن الحساب المنهجي لدرجات الحرية يُبنى على المشاركين الذين أكملوا البروتوكول العلاجي بالكامل دون انقطاع. بافتراض استمرار جميع الأطفال، تصبح درجات الحرية:

$$df = 18 – 1 = 17$$

تبرز هنا أهمية التمييز الدقيق بين الدلالة الإحصائية والدلالة الإكلينيكية (Clinical Significance). قد تظهر القيمة التائية عند $df = 17$ دلالة إحصائية عند $p = 0.042$، غير أن حجم درجات الحرية المحدود يفرض على الأخصائي النفسي توخي الحذر الشديد عند التفسير؛ فالتباين العالي الناتج عن صغر $df$ يجعل التقدير النقطي لحجم التحسن محفوفاً بفواصل ثقة متسعة قد تشمل تحسناً طفيفاً لا يحمل قيمة وظيفية ملموسة في البيئة المدرسية للطفل.

5.3 التعامل مع القيم المفقودة في الاستبيانات النفسية وتأثيرها على df

تعد معضلة القيم المفقودة (Missing Data) إحدى أكثر المشكلات المنهجية تعقيداً في البحوث النفسية والمسوح الميدانية. تتأثر درجات الحرية تأثراً فورياً بأي قرار يتخذه الباحث لمعالجة الاستجابات الناقصة في المقاييس متعددة البنود. إذا كان حجم العينة المسجلة في بروتوكول الدراسة الأولي هو $N = 100$ مشارك، ولكن 8 مشاركين تركوا صفحات كاملة من استبيان الرضا الوظيفي دون إجابة، وتم تبني استراتيجية الاستبعاد الكلي للحالات غير المكتملة (Listwise Deletion)، فإن الحجم الفعلي للعينة ($n$) ينخفض بالضرورة إلى 92 مشاركاً فقط.

ينعكس هذا الاستبعاد مباشرة على درجات الحرية لتصبح:

$$df = 92 – 1 = 91$$

بدلاً من $df = 99$ المفترضة مبدئياً. يكمن التحذير المنهجي الصارم هنا في خطورة تضخيم درجات الحرية الزائف (Artificially Inflated Degrees of Freedom)، وهو خطأ يقع فيه بعض الباحثين المبتدئين عندما يجرون الاختبار باستخدام الحجم الكلي النظري للعينة ($N = 100$) مع اعتماد آليات تعويض مشوهة، أو استخراج النتائج من برمجيات دون مراجعة عمود درجات الحرية الفعلي المقابل لعدد الحالات المحللة رياضياً، مما يقود إلى تزوير غير مقصود في القيمة الاحتمالية واتخاذ قرارات إحصائية مبنية على مستويات حرية وهمية لم تتوفر في البيانات الخام الحقيقية.

6. كيفية حساب درجات الحرية لاختبار t للعينات المستقلة مع تجانس التباين

6.1 الصيغة الرياضية لمعادلة درجات الحرية للعينات المستقلة

يستند اختبار t للعينات المستقلة في نسخته الكلاسيكية المعتمدة على افتراض تجانس التباين (Homoscedasticity) إلى المعادلة القياسية التالية لاحتساب درجات الحرية الكلية للنموذج:

$$df = n_1 + n_2 – 2$$

حيث تمثل $n_1$ حجم العينة الأولى (كالمجموعة التجريبية مثلاً)، وتمثل $n_2$ حجم العينة الثانية (كالمجموعة الضابطة). يتجلى المنطق الجبري لطرح الرقم (2) من حاصل جمع العينتين في حقيقة أن النموذج الإحصائي يعمل على تجميع عينتين منفصلتين تماماً تمثل كل واحدة منهما مجتمعاً فرعياً مستقلاً، مما يقتضي ضرورة تقدير معلمتين إحصائيتين مستقلتين من البيانات هما:

• المتوسط الحسابي للمجموعة الأولى ($\bar{X}_1$)، وهو ما يستهلك بدقة قيداً إحصائياً واحداً من تباين هذه المجموعة، مخلفاً لها درجات حرية جزئية مساوية لـ:

  $$df_1 = n_1 – 1$$

• المتوسط الحسابي للمجموعة الثانية ($\bar{X}_2$)، وهو ما يستهلك بدوره قيداً إحصائياً مستقلاً آخر من تباين المجموعة الثانية، مخلفاً لها درجات حرية جزئية مساوية لـ:

  $$df_2 = n_2 – 1$$

عند دمج هاتين المنظومتين الإحصائيتين لاختبار الفرضية المشتركة، تُجمع درجات الحرية الجزئية المتبقية من كلا الجانبين جبرياً:

$$df = df_1 + df_2 = (n_1 – 1) + (n_2 – 1) = n_1 + n_2 – 2$$

يضمن هذا التجميع الرياضي عدم التعدي على استقلالية كل عينة عن الأخرى، ويعكس الحجم الحقيقي للمعلومات المتوفرة لتقدير التباين المشترك دون إفراط أو تفريط.

6.2 افتراض تجانس التباين وتقدير التباين المجمع (Pooled Variance)

لا يصح استخدام الصيغة التقليدية لدرجات الحرية ($df = n_1 + n_2 – 2$) إلا إذا تحقق شرط إحصائي صارم يُعرف بـ تجانس التباين (Homogeneity of Variances)، والذي يفترض أن التباينين الحقيقيين للمجتمعين الإحصائيين متساويان رياضياً ($\sigma_1^2 = \sigma_2^2 = \sigma^2$). يتم التحقق من هذا الافتراض عادة باستخدام اختبارات إحصائية استباقية أشهرها اختبار ليفين لتجانس التباين (Levene’s Test for Equality of Variances).

إذا كانت نتيجة اختبار ليفين غير دالة إحصائياً ($p > 0.05$)، يُسمح للباحث بدمج تبايني العينتين في مقدر موحد وأكثر دقة يُعرف بـ التباين المجمع (Pooled Variance – $s_p^2$). يحسب هذا التباين كمتوسط مرجح بدقة لتبايني العينتين مستنداً بصورة مباشرة إلى درجات الحرية الخاصة بكل مجموعة كأوزان ترجيحية:

$$s_p^2 = \frac{\sum (X_{1i} – \bar{X}_1)^2 + \sum (X_{2i} – \bar{X}_2)^2}{(n_1 – 1) + (n_2 – 1)} = \frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}$$

يظهر في مقام هذه المعادلة الجوهرية مقدار درجات الحرية الكلية ($df = n_1 + n_2 – 2$)؛ حيث تُقسم مجموع مربعات الانحرافات الكلية لكلا المجموعتين على إجمالي درجات الحرية المتبقية فيهما معاً. إن ثبات هذا الافتراض يمنح الاختبار كفاءة إحصائية مثالية (Maximum Efficiency) وقوة استدلالية قصوى تتيح استخدام جداول توزيع t الكلاسيكية بكامل درجات الحرية دون الحاجة إلى أي تقليص عقابي لمستويات الحرية المتاحة.

6.3 مثال عددي تفصيلي للمقارنة بين مجموعتين تجريبية وضابطة

قام فريق بحثي في علم النفس التنظيمي بدراسة فاعلية برنامج تدريبي موجه لخفض الإرهاق المهني (Burnout) لدى موظفي خدمة العملاء. اشتملت الدراسة على تصميم تجريبي مضبوط يتألف من مجموعتين مستقلتين تماماً:

• المجموعة الضابطة ($n_1 = 30$): استمرت في ممارسة عملها النمطي دون تدريب، وبلغ متوسط درجة الإرهاق المهني لديهم في نهاية الدراسة $\bar{X}_1 = 68.4$، بانحراف معياري قدره $s_1 = 7.2$.
• المجموعة التجريبية ($n_2 = 28$): خضعت لبرنامج الدعم وإدارة الضغوط، وبلغ متوسط درجة الإرهاق المهني لديهم $\bar{X}_2 = 62.1$، بانحراف معياري قدره $s_2 = 6.8$.

أكد فحص اختبار ليفين تحقق فرض تجانس التباين ($F = 0.18, p = 0.67$). بناءً على ذلك، يتم حساب درجات الحرية الكلية للاختبار وفق الصيغة التقليدية خطوة بخطوة:

$$df = n_1 + n_2 – 2 = 30 + 28 – 2 = 56$$

لحساب التباين المجمع ($s_p^2$):

$$s_p^2 = \frac{(30 – 1)(7.2)^2 + (28 – 1)(6.8)^2}{56} = \frac{29(51.84) + 27(46.24)}{56} = \frac{1503.36 + 1248.48}{56} = \frac{2751.84}{56} \approx 49.14$$

ثم يُحسب الخطأ المعياري للفروق بين المتوسطين:

$$SE_{(\bar{X}_1 – \bar{X}_2)} = \sqrt{s_p^2 \left( \frac{1}{n_1} + \frac{1}{n_2} \right)} = \sqrt{49.14 \left( \frac{1}{30} + \frac{1}{28} \right)} = \sqrt{49.14 (0.0333 + 0.0357)} = \sqrt{49.14 \times 0.069} \approx \sqrt{3.39} \approx 1.841$$

تُحسب القيمة التائية التجريبية المحسوبة:

$$t_{\text{calc}} = \frac{\bar{X}_1 – \bar{X}_2}{SE_{(\bar{X}_1 – \bar{X}_2)}} = \frac{68.4 – 62.1}{1.841} = \frac{6.3}{1.841} \approx 3.422$$

بالرجوع إلى جداول t عند درجات حرية $df = 56$ ومستوى ألفا $\alpha = 0.05$ (لطرفين)، نجد أن القيمة الحرجة هي $t_{\text{crit}} \approx \pm 2.003$. وبما أن القيمة التائية المحسوبة ($3.422$) تفوق بكثير القيمة الحرجة المطلوبة، يتم رفض الفرضية الصفرية والتأكيد بشكل قاطع على وجود انخفاض دال إحصائياً في مستويات الإرهاق المهني لدى موظفي المجموعة التجريبية مقارنة بالمجموعة الضابطة عند درجات حرية 56.

7. درجات الحرية المعدلة لاختبار t للعينات المستقلة عند عدم تجانس التباين (ويلش-ساترثويت)

7.1 مشكلة فيشر-بيرنز وتحدي عدم تجانس التباين

تعد مسألة مقارنة متوسطي عينتين مستقلتين مستمدتين من مجتمعين يمتلكان تباينين غير متساويين ($\sigma_1^2 \neq \sigma_2^2$)، والمعروفة تاريخياً في الأدبيات الرياضية المعمقة بـ مشكلة فيشر-بيرنز (Behrens-Fisher Problem)، إحدى أكبر المعضلات المنهجية في الاستدلال المعلمي. تتعقد هذه المشكلة بصورة كارثية عندما يقترن عدم تساوي التباين بعدم تكافؤ أحجام العينات في المجموعتين ($n_1 \neq n_2$).

إذا كانت العينة الأصغر حجماً تمتلك التباين الأكبر، فإن استخدام معادلة اختبار t الكلاسيكية مع صيغة درجات الحرية التقليدية ($n_1 + n_2 – 2$) يؤدي إلى تضخيم فاحش في معدل خطأ النوع الأول (Liberal Test)، حيث قد يقفز معدل الخطأ الحقيقي من المستوى الاسمي المستهدف ($\alpha = 0.05$) إلى ما يزيد عن $0.12$ أو $0.15$، مما يقود الباحث إلى إعلان فروق زائفة لا وجود لها أصلاً. وعلى العكس من ذلك، إذا كانت العينة الأكبر حجماً هي صاحبة التباين الأضخم، فإن الاختبار يتحول إلى اختبار محافظ بصورة مفرطة (Conservative Test)، وتتلاشى قوته الإحصائية، مما يؤدي إلى ارتكاب خطأ النوع الثاني بالفشل في رصد الفروق الواقعية الحقيقية.

يكمن الحل الرياضي العبقري الذي صاغه الإحصائي برنارد ويلش (Bernard Lewis Welch) وتبعه فرانكلين ساترثويت (Franklin E. Satterthwaite) في التخلي التام عن التباين المجمع، وحساب التباين المنفصل لكل عينة مقسوماً على حجمها، مع إدخال تعديل جذري على درجات الحرية لتصبح مقياساً تقريبياً كسرrowاً (Fractional df) يُعاقب النموذج الرياضي ويقلص درجات الحرية بما يتناسب بدقة مع درجة عدم التيقن الناتجة عن تباين التشتت وعدم تكافؤ الحجوم.

7.2 معادلة ويلش-ساترثويت (Welch-Satterthwaite Equation) الرياضية

تأخذ معادلة ويلش-ساترثويت لاحتساب درجات الحرية المعدلة الصيغة الكسرية المركبة التالية:

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

لتفكيك هذه المعادلة المعقدة إحصائياً، نلاحظ أن بنيتها الجبرية تنقسم إلى جزأين متكاملين:

• البسط: يمثل مربع مجموع الأخطاء المعيارية المربعة لكلتا المجموعتين؛ حيث يمثل المقدار $\frac{s_1^2}{n_1}$ تباين متوسط المجموعة الأولى، والمقدار $\frac{s_2^2}{n_2}$ تباين متوسط المجموعة الثانية. إن تربيع هذا المجموع يمثل التباين الكلي التقديري لتوزيع الفروق.
• المقام: يمثل مجموع نسب الأوزان النسبية للخطأ المعياري لكل عينة منسوباً ومقسوماً مباشرة على درجات الحرية الفردية الخاصة بها ($n_1 – 1$ و $n_2 – 1$). هذا المقام هو المسؤول الأساسي عن تقليص القيمة النهائية لدرجات الحرية؛ فكلما تباعدت التباينات أو كانت أحجام العينات غير متكافئة، كَبُر هذا المقام، مما يدفع درجات الحرية الإجمالية للهبوط إلى ما دون القيمة التقليدية ($n_1 + n_2 – 2$).

تضمن هذه المعادلة أن تقع درجات الحرية المعدلة دائماً ضمن المجال الرياضي المحدد بين درجات حرية العينة الصغرى والحد الكلاسيكي الأقصى، أي أن:

$$\min(n_1 – 1, n_2 – 1) le df_{\text{Welch}} le n_1 + n_2 – 2$$

7.3 تطبيق عملي لحساب درجات الحرية الكسرية وتقريبها

لنفترض دراسة إكلينيكية قارنت بين مجموعتين من المرضى في استجابتهم الفسيولوجية لبروتوكول علاجي محدد، وأسفرت البيانات عن الخصائص العددية التالية:

• المجموعة الأولى: $n_1 = 15$، وتباينها $s_1^2 = 25$ ($s_1 = 5$).
• المجموعة الثانية: $n_2 = 30$، وتباينها $s_2^2 = 100$ ($s_2 = 10$).

أظهر اختبار ليفين انتهاكاً صارخاً لفرض التجانس ($p < 0.01$). لحساب درجات حرية ويلش المعدلة يدوياً، ننفذ الخطوات التالية:

أولاً: نحسب مكونات تباين المتوسط لكل عينة:

$$V_1 = \frac{s_1^2}{n_1} = \frac{25}{15} \approx 1.667$$

$$V_2 = \frac{s_2^2}{n_2} = \frac{100}{30} \approx 3.333$$

ثانياً: نحسب بسط المعادلة:

$$\text{Numerator} = (V_1 + V_2)^2 = (1.667 + 3.333)^2 = (5.000)^2 = 25.00$$

ثالثاً: نحسب مقام المعادلة:

$$\text{Denominator} = \frac{V_1^2}{n_1 – 1} + \frac{V_2^2}{n_2 – 1} = \frac{(1.667)^2}{14} + \frac{(3.333)^2}{29} = \frac{2.779}{14} + \frac{11.109}{29} \approx 0.1985 + 0.3831 = 0.5816$$

رابعاً: نحسب قيمة درجات الحرية بقسمة البسط على المقام:

$$df_{\text{Welch}} = \frac{25.00}{0.5816} \approx 42.98$$

لو اعتمد الباحث على الصيغة التقليدية لحصل على: $df = 15 + 30 – 2 = 43$. في هذه الحالة المعينة، نظراً لأن العينة الكبرى كانت صاحبة التباين الأكبر، كان الانخفاض طفيفاً ($42.98$). ولكن إذا عكسنا القيم بحيث تمتلك العينة الصغرى ($n_1 = 15$) التباين الأكبر ($s_1^2 = 100$) والعينة الكبرى ($n_2 = 30$) التباين الأصغر ($s_2^2 = 25$):

$$V_1 = \frac{100}{15} \approx 6.667, \quad V_2 = \frac{25}{30} \approx 0.833$$

$$\text{Numerator} = (6.667 + 0.833)^2 = (7.5)^2 = 56.25$$

$$\text{Denominator} = \frac{(6.667)^2}{14} + \frac{(0.833)^2}{29} = \frac{44.449}{14} + \frac{0.694}{29} \approx 3.175 + 0.024 = 3.199$$

$$df_{\text{Welch}} = \frac{56.25}{3.199} \approx 17.58$$

هنا يظهر الأثر الجبار لمعادلة ويلش؛ حيث هبطت درجات الحرية من 43 درجة إلى 17.58 درجة حرية فقط! هذا التقليص العقابي الهائل يحمي الباحث من الوقوع في تضخيم النتائج ويرفع القيمة الحرجة المطلوبة لمنع خطأ النوع الأول.

أما من الناحية التطبيقية للتعامل مع الرقم العشري ($17.58$): تُبقي البرمجيات الإحصائية الحديثة (مثل R و SPSS) على القيمة الكسرية بدقة لحساب القيمة الاحتمالية ($p\text{-value}$) المباشرة عبر تكامل دالة الكثافة الاحتمالية. أما إذا كان الباحث يرجع إلى الجداول الورقية المطبوعة، فإن القاعدة المنهجية المحافظة والآمنة هي التقريب لأسفل (Round Down / Floor) إلى أقرب عدد صحيح (أي اعتماد $df = 17$) لضمان عدم المبالغة في تقدير درجات الحرية.

8. كيفية حساب درجات الحرية لاختبار t للعينات المرتبطة أو المزدوجة

8.1 طبيعة البيانات الزوجية واختزالها الرياضي

تتميز بيانات العينات المزدوجة أو المرتبطة (Paired / Matched Samples) بأنها لا تتألف من مجاميع مستقلة من الأفراد، بل من مصفوفة بيانات ثنائية الأبعاد تضم أزواجاً من الدرجات المقترنة ($X_{1i}, X_{2i}$). يحدث هذا الاقتران بنيوياً عندما يتم تتبع نفس المشارك عبر مرحلتين زمنيتين مختلفتين، كأن يُقاس ضغط الدم الانقباضي للمريض قبل تعاطي دواء خافض للضغط ثم يُقاس ثانية لنفس المريض بعد مرور أربع ساعات على الجرعة، أو في تصاميم الأزواج المتناظرة مثل قياس سمة سلوكية لدى التوأم (أ) ومقارنتها بنفس السمة لدى التوأم المتماثل (ب).

يكمن الجوهر الإحصائي لاختبار t للعينات المرتبطة في أنه يتجاوز كلياً مقارنة المتوسطين المنفصلين، ويعمد بدلاً من ذلك إلى إلغاء التباين بين الأفراد (Inter-individual Variability) الذي يشوش على المقارنة في العينات المستقلة. يتم ذلك من خلال تحويل زوج الدرجات لكل مشارك إلى قيمة مفردة جديدة تماماً تسمى درجة الفرق (Difference Score – $D_i$):

$$D_i = X_{1i} – X_{2i}$$

بهذه العملية الجبرية التبسيطية، يختزل الباحث مصفوفة البيانات الثنائية المؤلفة من عمودين إلى متجه وحيد أحادي البعد يحتوي على قيم الفروق الفردية ($D_1, D_2, dots, D_n$). ومن هنا، يصبح السؤال البحثي هو: هل يختلف متوسط هذه الفروق ($\bar{D}$) عن الصفر اختلافاً دالاً إحصائياً؟ وبالتالي، تصبح المعالجة الرياضية مطابقة تماماً لاختبار عينة واحدة لمتوسط الفروق في مواجهة الفرضية الصفرية القائلة بأن $\mu_D = 0$.

8.2 معادلة درجات الحرية للعينات المرتبطة: df = n – 1

بناءً على الاختزال الجبري السابق، تصاغ معادلة درجات الحرية لاختبار t للعينات المرتبطة بصورة حاسمة ومحددة كالتالي:

$$df = n_{\text{pairs}} – 1$$

حيث يؤكد الرمز $n_{\text{pairs}}$ (أو $n$ مجرداً في السياق المزدوج) على عدد الأزواج المتطابقة من الملاحظات، وهو ما يعادل تماماً عدد الأفراد أو المشاركين المستقلين في الدراسة وليس عدد القياسات الإجمالية المنفردة.

يجب التمييز هنا بين مستويين من الأعداد لتجنب الخلط الفادح:

• إجمالي المشاهدات أو القياسات المسجلة ($N_{\text{total}}$): إذا كان لدينا 20 مشاركاً، وقسنا كل مشارك قبلياً وبعدياً، فإن عدد القياسات المجمعة هو $20 \times 2 = 40$ قياساً.
• الوحدات الإحصائية المستقلة ($n$): بما أن القياسين مأخوذان من نفس الشخص ومرتبطان بعلاقة تغاير داخلية، فإن عدد الوحدات المستقلة المتباينة بحرية هو 20 وحدة فقط.

عند حساب تباين الفروق ($s_D^2$):

$$s_D^2 = \frac{\sum_{i=1}^{n} (D_i – \bar{D})^2}{n – 1}$$

يتم تقدير معلمة مجهولة واحدة هي متوسط الفروق ($\bar{D}$)، مما يفرض قيداً خطياً واحداً على متجه الفروق؛ حيث يشترط أن يكون $\sum (D_i – \bar{D}) = 0$. وبناءً عليه، تفقد مصفوفة الفروق درجة حرية واحدة فقط، لتستقر درجات الحرية النهائية عند $df = n_{\text{pairs}} – 1$.

8.3 مثال تجريبي على قياس أثر العلاج النفسي قبل وبعد التدخل

أجرى باحث عيادي دراسة تجريبية لاختبار أثر تقنية التأمل التجاوزي (Mindfulness Intervention) في خفض حدة نوبات القلق والهلع النفسي لدى عينة من المرضى السريريين. اشتملت التجربة على 18 مريضاً ($n = 18$)، طُبق عليهم مقياس القلق الموقفي قبل البرنامج التدريبي (القياس القبلي)، ثم أعيد تطبيق نفس المقياس على نفس الـ 18 مريضاً بعد إتمام 6 أسابيع من التدريب المنتظم (القياس البعدي).

لحساب درجات الحرية الخاصة بهذا الاختبار الإحصائي:

$$df = n_{\text{pairs}} – 1 = 18 – 1 = 17$$

الخطأ القاتل الذي يقع فيه بعض الباحثين غير المتمرسين في هذا السيناريو هو حساب درجات الحرية بافتراض أن البيانات تمثل عينتين مستقلتين؛ فيقول الباحث: لدي 18 درجة قبلية و18 درجة بعدية، إذاً $df = 18 + 18 – 2 = 34$. هذا خطأ منهجي فادح يترتب عليه نتائج مضللة للأسباب التالية:

• يفترض هذا الخطأ وجود 36 شخصاً مستقلاً في الدراسة بينما الحقيقة أنهم 18 شخصاً فقط تم قياسهم مرتين، مما يعد تضخيماً كاذباً لمعلومات العينة لا مبرر له رياضياً.
• يؤدي هذا التضخيم الوهمي لدرجات الحرية إلى خفض القيمة الحرجة بصورة زائفة، مما قد يقود إلى إعلان فعالية كاذبة للبرنامج العلاجي.
• يتجاهل هذا الخطأ الميزة الجوهرية للتصميم المرتبط؛ إذ إنه على الرغم من أن درجات الحرية تكون أقل في التصميم المرتبط ($17$ مقابل $34$)، فإن التصميم المرتبط يستبعد تماماً التباين الفردي بين المشاركين من مقام الاختبار، مما يجعل الخطأ المعياري للفروق أصغر بكثير، ويعوض بقوة التراجع في درجات الحرية عبر رفع القوة الإحصائية العامة للتحليل.

9. مقارنة منهجية شاملة وقواعد حسم حساب درجات الحرية عبر مختلف التصاميم

9.1 مقارنة تباينية لصيغ درجات الحرية الثلاث

لإدراك الفروق الهيكلية في حساب درجات الحرية بحسب بنية البيانات وتصميم التجربة، يستعرض التحليل المقارن التالي السمات الفاصلة بين الصيغ الأساسية الثلاث لاختبارات t:

نوع اختبار t	بنية العينة وتصميم البحث	المعادلة الرياضية لـ df	عدد القيود المفروضة	المعلمات المقدرة من البيانات
اختبار t لعينة واحدة	عينة مفردة تقارن بقيمة مرجعية ثابتة ومحددة سلفاً.	$$df = n – 1$$	قيد إحصائي واحد (1)	متوسط العينة ($\bar{X}$)
اختبار t لعينات مستقلة (متجانس)	مجموعتان منفصلتان تماماً من المشاركين مع تساوي التباينات.	$$df = n_1 + n_2 – 2$$	قيدان إحصائيان مستقلان (2)	متوسط المجموعة الأولى ($\bar{X}_1$) ومتوسط المجموعة الثانية ($\bar{X}_2$)
اختبار t لعينات مستقلة (ويلش – غير متجانس)	مجموعتان منفصلتان مع تباينين غير متساويين و/أو حجوم غير متكافئة.	معادلة ويلش-ساترثويت الكسرية المعقدة	أوزان ترجيحية متباينة للأخطاء	$\bar{X}_1$ و $\bar{X}_2$ مع تثقيل التباينات المنفصلة
اختبار t للعينات المرتبطة (المزدوجة)	أزواج من القياسات المقترنة (نفس الأفراد أو أزواج متطابقة).	$$df = n_{\text{pairs}} – 1$$	قيد إحصائي واحد (1)	متوسط الفروق الزوجية ($\bar{D}$)

يكشف هذا التحليل المقارن مفاضلة منهجية بارزة بين التصاميم المستقلة والمرتبطة فيما يتعلق بدرجات الحرية والقوة الإحصائية. إذا كان لدى الباحث ميزانية لاختبار 40 وحدة قياس، فإنه في حالة تصميم العينات المستقلة يستطيع تجنيد 20 مشاركاً في المجموعة التجريبية و20 في الضابطة، مما يمنحه $df = 20 + 20 – 2 = 38$. أما في التصميم المرتبط، فإن 40 قياساً تعني تجنيد 20 مشاركاً فقط يُقاس كل منهم مرتين، مما يمنحه $df = 20 – 1 = 19$. يمتلك التصميم المستقل هنا تفوقاً عددياً في درجات الحرية يقلص القيمة الحرجة المطلوبة، إلا أن التصميم المرتبط يتميز بضبط تباين الخطأ الناجم عن الفروق الفردية، وهو ما يتفوق غالباً على ميزة زيادة درجات الحرية إلا إذا كان معامل الارتباط بين القياسين ضعيفاً جداً أو معدوماً.

9.2 شجرة اتخاذ القرار لتحديد درجات الحرية المناسبة لأي مسألة

لتحديد صيغة درجات الحرية الدقيقة والملائمة منهجياً لأي مسألة إحصائية، يمكن للباحث اتباع خوارزمية شجرة اتخاذ القرار المنطقية المستندة إلى الإجابة على الأسئلة الحاكمة المتسلسلة التالية:

• السؤال الحاكم الأول: كم عدد مجموعات البيانات أو شروط القياس محل الاختبار؟
  • إذا كانت الإجابة: عينة واحدة تُقارن بقيمة معيارية ثابتة ومحددة مسبقاً $to$ توقف هنا فوراً، واعتمد المعادلة:

    $$df = n – 1$$

  • إذا كانت الإجابة: توجد مجموعتان من البيانات المراد مقارنة متوسطيهما $to$ انتقل إلى السؤال الثاني.
• السؤال الحاكم الثاني: ما هي طبيعة العلاقة البنيوية بين المشاهدات في المجموعتين؟
  • إذا كانت الإجابة: المشاهدات مقترنة أو مأخوذة من نفس الأفراد أو التوائم (عينات مرتبطة) $to$ اختزل البيانات إلى فروق فردية ($D_i$)، واعتمد درجات حرية أزواج الفروق:

    $$df = n_{\text{pairs}} – 1$$

  • إذا كانت الإجابة: المجموعتان منفصلتان ومستقلتان تماماً عن بعضهما $to$ انتقل إلى السؤال الثالث.
• السؤال الحاكم الثالث: هل تباينات المجموعتين المستقلتين متجانسة ومتساوية إحصائياً؟
  • إذا كانت الإجابة: نعم، اختبار ليفين غير دال ($p ge 0.05$) والتباينات متكافئة $to$ اعتمد الصيغة الكلاسيكية المجمعة:

    $$df = n_1 + n_2 – 2$$

  • إذا كانت الإجابة: لا، اختبار ليفين دال ($p < 0.05$) والتباينات متباينة مع عدم تكافؤ العينات $to$ تجنب الصيغة الكلاسيكية واعتمد صيغة ويلش-ساترثويت لدرجات الحرية الكسرية المعدلة ($df_{\text{Welch}}$).

9.3 حالات شاذة: البيانات المفقودة جزئياً في القياسات المزدوجة

تواجه الدراسات الطولية (Longitudinal Studies) والبحوث التجريبية في علم النفس الإكلينيكي حالة شاذة معقدة تتمثل في غياب القياس البعدي لأحد المشاركين الذين أتموا القياس القبلي بنجاح (تسرب المشاركين – Attrition)، أو العكس. في هذه الحالة، يتوافر لدى الباحث قياس قبلي للدرجة ($X_{\text{Pre}}$) ولكن تنعدم القيمة البعدية المقابلة ($X_{\text{Post}}$).

من الناحية الرياضية والمنهجية في إطار اختبار t للعينات المرتبطة التقليدي، لا يمكن حساب درجة الفرق ($D_i = X_{\text{Post}} – X_{\text{Pre}}$) لنصف زوج مفقود؛ فالعملية الحسابية تصبح مستحيلة عددياً. وبناءً على ذلك، تلزم القواعد الصارمة الباحث بـ الاستبعاد الكامل للزوج غير المكتمل من التحليل الإحصائي (Pairwise Deletion). فإذا بدأت التجربة بـ 50 مشاركاً، وتسرب منهم 6 مشاركين في القياس البعدي، فإن التحليل يُجرى حصراً على الـ 44 مشاركاً الذين يمتلكون قياسين مكتملين، لتكون درجات الحرية الصالحة والمعتمدة هي:

$$df = 44 – 1 = 43$$

يعد احتساب الـ 50 مشاركاً في هذا السياق ($df = 49$) خطأ رياضياً جسيماً. ومع ذلك، تشير التوجهات المنهجية والإحصائية الحديثة إلى أن استبعاد الحالات الناقصة قد يؤدي إلى تحيز العينة وتشويه قوة الاختبار وفقدان معلومات قيمة. لذلك، في المشاريع البحثية الضخمة التي تعاني من نسب تسرب ملحوظة، يوصى الباحثون باستبدال اختبار t للعينات المزدوجة بنماذج أحدث وأكثر مرونة مثل النماذج الخطية المختلطة (Linear Mixed Models – LMM) أو نمذجة مسارات النمو الكامنة؛ حيث تتيح هذه النماذج الاستفادة من جميع القياسات المتاحة عبر خوارزميات التقدير بالاحتمالية العظمى المقيدة (REML) واستخدام تقريبات كينوارد-روجر (Kenward-Roger) لحساب درجات الحرية المعقدة دون الحاجة إلى حذف الأزواج غير المكتملة.

10. علاقة درجات الحرية بالقوة الإحصائية وحجم التأثير والفاصل الزمني للثقة

10.1 أثر درجات الحرية على حجم الخطأ المعياري وفترات الثقة

تنعكس درجات الحرية بشكل مباشر على دقة التقدير الإحصائي من خلال دورها الحاسم في تحديد اتساع فترات الثقة (Confidence Intervals – CI). تُحسب حدود فاصل الثقة 95% لأي فارق بين المتوسطات بالمعادلة المعيارية العامة:

$$\text{CI}_{95%} = (\text{P\oint Estimate}) \pm \left( t_{\text{crit}(df, , 0.025)} \times SE \right)$$

يتضح من هذه المعادلة أن اتساع فترة الثقة يعتمد بصورة مباشرة على القيمة التائية الحرجة ($t_{\text{crit}}$) المستخرجة بناءً على درجات الحرية المتاحة. فعندما تكون درجات الحرية متدنية للغاية (بسبب صغر العينة)، تكون القيمة التائية الحرجة كبيرة جداً، مما يؤدي إلى تمدد واتساع مفرط في فاصل الثقة، وهو ما يعكس ضعف اليقين العلمي وعدم دقة التقدير النقطي للفارق الحقيقي في المجتمع الأصلي.

مع تنامي حجم العينات وزيادة درجات الحرية، تنخفض القيمة التائية الحرجة تدريجياً لتقترب من القيمة المعيارية لتوزيع Z ($1.96$)، ويتضاءل الخطأ المعياري بالتوازي ($SE = s/\sqrt{n}$)، مما ينتج عنه تضييق ملحوظ في نطاق فترة الثقة. يمنح هذا التضييق الباحث دقة استدلالية فائقة؛ ففترة ثقة محددة بين $[2.1, , 3.4]$ توفر دلالة علمية وتطبيقية أكثر موثوقية بكثير من فترة ثقة واسعة ومهتزة تتراوح بين $[0.2, , 8.9]$ ناجمة عن اختبار يعاني من ندرة حادة في درجات الحرية، حتى لو حقق كلا الاختبارين مستوى دلالة $p < 0.05$.

10.2 حساب درجات الحرية والتخطيط المسبق لحجم العينة (Power Analysis)

يمثل التخطيط المسبق لحجم العينة واحتساب القوة الإحصائية (Statistical Power Analysis) أحد أهم معايير الجودة المنهجية في البحث العلمي الرصين، بهدف ضمان امتلاك الدراسة لدرجات حرية كافية تتيح لها رصد التأثيرات الواقعية بنجاح. تُعرّف القوة الإحصائية ($1 – \beta$) باحتمالية رفض الفرضية الصفرية عندما تكون خاطئة بالفعل في المجتمع (أي القدرة على تجنب خطأ النوع الثاني)، والمستوى المقبول عالمياً في الأوساط الأكاديمية هو تحقيق قوة إحصائية لا تقل عن $0.80$ عند مستوى دلالة $\alpha = 0.05$.

باستخدام برمجيات التخطيط الإحصائي المتقدمة مثل G*Power، يستطيع الباحث تحديد الحجم الأدنى للعينة ودرجات الحرية المقابلة اللازمة لاكتشاف حجم تأثير متوقع:

• إذا كان الباحث يخطط لإجراء اختبار t لعينات مستقلة ويفترض حجماً متوسطاً للتأثير ($d = 0.50$): يُظهر تحليل القوة المسبق (A priori Power Analysis) ضرورة توفير $n_1 = 64$ و $n_2 = 64$ مشاركاً (بإجمالي $N = 128$)، مما يتطلب استهداف درجات حرية لا تقل إطلاقاً عن:

  $$df = 64 + 64 – 2 = 126$$

• إذا أُجريت نفس الدراسة بـ 15 مشاركاً فقط في كل مجموعة ($df = 28$)، فإن القوة الإحصائية تنحدر إلى أقل من $0.44$، مما يعني أن التجربة محكوم عليها مسبقاً باحتمالية تفوق 56% للفشل في رصد التأثير الحقيقي، والوقوع في خطأ النوع الثاني.

ترتبط هذه الظاهرة مباشرة بما بات يعرف في العلوم السلوكية بـ أزمة التكرار (Replication Crisis)؛ فالدراسات التي تعتمد على درجات حرية شحيحة لا تكتفي بضعف القوة الإحصائية، بل تعاني أيضاً مما يسمى بـ “لعنة الفائز” (Winner’s Curse)، حيث إن الدراسات ذات $df$ المنخفضة التي تنجح مصادفة في تحقيق الدلالة الإحصائية غالباً ما تعطي تقديراً مبالغاً فيه ومضخماً بصورة زائفة لحجم التأثير الحقيقي، وتفشل بصورة متكررة عند محاولة إعادة إنتاجها في مختبرات أخرى.

10.3 تصحيح مؤشرات حجم التأثير بالاعتماد على درجات الحرية

لا يقتصر تأثير درجات الحرية على تحديد القيم الحرجة والخطأ المعياري فحسب، بل يمتد جوهرياً إلى عمليات تصحيح وتقدير مؤشرات حجم التأثير (Effect Size). يُعد مؤشر كوهين دي (Cohen’s d) أشهر المقاييس المعيارية لحساب حجم الفارق بين المتوسطات، ولكنه يعاني من تحيز إيجابي طفيف نحو تضخيم حجم التأثير عند تطبيقه على عينات صغيرة ذات درجات حرية محدودة.

لتصحيح هذا التحيز المنهجي، يُلجأ إلى مؤشر هيدجز جي (Hedges’ g) المصحح، والذي يُعدل قيمة $d$ مباشرة بالاعتماد على عامل تصحيحي ($J$) يشتق صراحة من درجات الحرية الإجمالية للاختبار ($df$):

$$g = d \times J(df) \approx d \times \left(1 – \frac{3}{4 \cdot df – 1}\right)$$

يظهر في هذا القانون بوضوح كيف تؤثر درجات الحرية المنخفضة تأثيراً مباشراً؛ فكلما كانت $df$ صغيرة (مثلاً $df = 10$)، فإن معامل التصحيح يقلص قيمة التأثير بنسبة ملحوظة ($J(10) = 1 – 3/39 \approx 0.923$) لإزالة التحيز، بينما عندما تقترب درجات الحرية من 100 وما فوق، يقترب المعامل التصحيحي من الواحد الصحيح ويتطابق $g$ مع $d$.

علاوة على ذلك، تُشتق مقاييس القوة الارتباطية ونسب التباين المفسر مباشرة من التفاعل الرياضي البحت بين القيمة التائية المحسوبة ودرجات حريتها:

• معامل الارتباط النقطي ثنائي التسلسل (Point-Biserial Correlation – $r_{pb}$):

  $$r_{pb} = \sqrt{\frac{t^2}{t^2 + df}}$$

• نسبة التباين المفسر (مربع إيتا الجزئي المحسوب لـ t – $\eta^2$):

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

تكشف هاتان الصيغتان بجلاء عن الاندماج الرياضي العميق بين $t$ و $df$؛ فكلما ارتفعت درجات الحرية لنفس القيمة التائية، انخفضت نسبة التباين المفسر الحقيقية، مما يمنع الباحث من الانخداع بالقيم التائية الكبيرة الناتجة عن تضخم العينات ويعيد تفسير النتائج إلى نصابها العلمي المتزن.

11. كيفية استخراج وتدقيق درجات الحرية باستخدام البرمجيات الإحصائية المتقدمة

11.1 قراءة وتدقيق درجات الحرية في مخرجات برنامج SPSS

يعد برنامج الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) أحد أكثر البرمجيات استخداماً في حقل العلوم الإنسانية لتحليل اختبارات t. عند تنفيذ التحليل، يعرض البرنامج النتائج في جداول مخرجات قياسية تتضمن عموداً مخصصاً بصورة صريحة لدرجات الحرية تحت المسمى الرمزي المألوف (df).

في جدول مخرجات اختبار t للعينات المستقلة (Independent-Samples T Test)، يقدم SPSS جدولاً مزدوجاً يتطلب تدقيقاً منهجياً بالغ الحذر؛ حيث يحتوي على صفين متتاليين من النتائج:

• الصف الأول (Equal variances assumed): يُعرض في هذا الصف حسابات الفرضية الكلاسيكية لتجانس التباين. يجد الباحث في عمود $df$ القيمة الناتجة عن المعادلة الخطية البسيطة: $df = n_1 + n_2 – 2$ كقيمة عددية صحيحة دائماً.
• الصف الثاني (Equal variances not assumed): يُعرض في هذا الصف حسابات اختبار ويلش عند فشل فرض التجانس. يجد الباحث في عمود $df$ قيمة كسرية تتضمن منازل عشرية (مثل $df = 34.218$) محسوبة عبر معادلة ويلش-ساترثويت.

تتمثل القاعدة المنهجية الصارمة هنا في توجيه النظر أولاً إلى العمودين الأولين من الجدول الخاصين بـ اختبار ليفين (Levene’s Test for Equality of Variances): إذا كانت دلالة ليفين غير دالة ($p ge 0.05$)، يقرأ الباحث ويوثق النتائج من الصف الأول معتمداً درجات الحرية الصحيحة؛ أما إذا كانت دلالة ليفين دالة ($p < 0.05$)، يُلزم الباحث بالانتقال فوراً إلى الصف الثاني واعتماد درجات الحرية الكسرية، وتجاهل قيم الصف الأول تماماً.

أما في اختبار العينة الواحدة (One-Sample T Test) واختبار العينات المزدوجة (Paired-Samples T Test)، فإن جدول المخرجات يتضمن صفاً واحداً مباشراً، ويجب على الباحث مراجعة عمود $df$ والتأكد رياضياً من أنه يساوي تماماً $n – 1$، للتحقق من عدم وجود حالات مفقودة أُسقطت من التحليل دون دراية منه.

11.2 استدعاء وحساب درجات الحرية في لغة R الإحصائية

تتعامل بيئة الحوسبة الإحصائية لغة R مع اختبارات t بدرجة فائقة من الدقة والحداثة المنهجية عبر الدالة المعيارية المدمجة t.test(). السلوك الافتراضي الصارم في لغة R هو أنها تفترض عدم تجانس التباين تلقائياً عند إجراء اختبار العينات المستقلة كإجراء وقائي افتراضي لحماية الباحثين من أخطاء فيشر-بيرنز، ما لم يقم الباحث بتعطيل ذلك صراحة.

لتوضيح كيفية استخراج درجات الحرية والتحكم بها في لغة R، نستعرض النماذج البرمجية التالية:

1. اختبار العينات المستقلة الافتراضي (اختبار ويلش):

welch_model <- t.test(depression ~ group, data = clinical_data)

ينتج عن هذا الاستدعاء تلقائياً درجات حرية كسرية وفق معادلة ويلش-ساترثويت. ويمكن للمحلل استخراج القيمة الدقيقة لدرجات الحرية برمجياً عبر استدعاء كائن المعلمات:

welch_model$parameter

2. اختبار العينات المستقلة مع فرض تجانس التباين:

student_model <- t.test(depression ~ group, data = clinical_data, var.equal = TRUE)

عند ضبط المعامل var.equal = TRUE، تنتقل الدالة إلى الصيغة الكلاسيكية وتنتج درجات حرية صحيحة مساوية لـ $n_1 + n_2 – 2$.

3. اختبار العينات المرتبطة (المزدوجة):

paired_model <- t.test(post_test, pre_test, paired = TRUE)

يقوم المعامل paired = TRUE بحساب متجهات الفروق تلقائياً، ويعيد درجات حرية تساوي $n_{\text{pairs}} – 1$. تتيح هذه المرونة البرمجية بناء مسارات تدقيق آلية تستخرج $df$ وتدمجها في تقارير إحصائية متقدمة بصورة أوتوماتيكية بالكامل.

11.3 حساب واختبار درجات الحرية في بايثون باستخدام مكتبة SciPy

توفر بيئة بايثون (Python) عبر المكتبة العلمية الرائدة SciPy، وتحديداً الحزمة الإحصائية scipy.stats، دوالاً مخصصة لتنفيذ كافة أنماط اختبارات t واستخراج نتائجها بدقة متناهية:

1. اختبار العينة الواحدة:

from scipy import stats
res_1samp = stats.ttest_1samp(data_sample, popmean = 70)

2. اختبار العينات المستقلة:

# اختبار ويلش الافتراضي عند عدم تساوي التباين
res_welch = stats.ttest_ind(group1, group2, equal_var = False)
# اختبار ستيودنت التقليدي عند تحقق التجانس
res_student = stats.ttest_ind(group1, group2, equal_var = True)

3. اختبار العينات المرتبطة:

res_paired = stats.ttest_rel(post_scores, pre_scores)

في التحديثات الحديثة لمكتبة SciPy (الإصدارات 1.8.0 وما بعدها)، أصبحت الكائنات المعادة من هذه الدوال تتضمن سمة صريحة لدرجات الحرية يمكن استخراجها وطباعتها بسهولة عبر استدعاء الخاصية المباشرة:

print(res_welch.df)

كما يمكن كتابة دوال برمجية للتحقق الذاتي (Automated Validation Assertion) للتأكد من أن المصفوفات الضخمة لم تفقد أي درجات حرية أثناء عمليات تنظيف البيانات (Data Wrangling)، كأن يتم التحقق برمجياً من أن assert res_student.df == len(group1) + len(group2) - 2، مما يرسخ موثوقية البنية البرمجية في معالجة البيانات النفسية الحيوية الضخمة.

12. الأخطاء الشائعة في حساب درجات الحرية وكيفية توثيقها وفق معايير جمعية علم النفس الأمريكية (APA)

12.1 الأخطاء المنهجية والحسابية المتكررة في الأبحاث المنشورة

تزخر الأدبيات البحثية المنشورة في بعض المجلات للأسف بجملة من الأخطاء المتكررة في حساب وتوثيق درجات الحرية، والتي تنعكس سلباً على الصدق الاستدلالي للدراسات. تتلخص أبرز هذه الأخطاء المنهجية الشائعة في النقاط التالية:

• الخلط بين معادلات العينات المستقلة والعينات المرتبطة: وهو الخطأ الأكثر شيوعاً؛ حيث يقوم الباحث بتطبيق تصميم القياسات المتكررة (قبلي-بعدي) على 25 مشاركاً، ولكنه عند حساب درجات الحرية يطبق معادلة العينات المستقلة ($df = 25 + 25 – 2 = 48$) بدلاً من صيغة الأزواج المقترنة ($df = 25 – 1 = 24$)، مما يؤدي إلى تشويه تام لشكل التوزيع التائي والنتائج الاحتمالية.
• التجاهل التام لتعديل ويلش عند فشل تجانس التباين: يكتفي كثير من الباحثين بفحص دلالة اختبار ليفين، وعندما يتبين انتهاك فرض تساوي التباين ($p < 0.05$)، يتجاهلون ذلك ويعتمدون الصيغة الكلاسيكية ($n_1 + n_2 – 2$) في تقاريرهم بدلاً من اعتماد درجات الحرية الكسرية المعدلة لويلش، مما يرفع خطر ارتكاب خطأ النوع الأول بشكل حاد.
• تجاهل استبعاد القيم المفقودة من الـ df: احتساب درجات الحرية بناءً على إجمالي عدد استمارات الاستبيان الموزعة (مثلاً $N = 200$)، على الرغم من أن عدداً من الحالات قد أُسقط بالفعل أثناء معالجة البيانات بسبب نقص الإجابات، مما يجعل درجات الحرية الموثقة أعلى من درجات الحرية الحقيقية التي دخلت في حساب التباين الفعلي.
• تدوير درجات الحرية الكسرية بطرق غير ملائمة: اللجوء إلى التدوير الجائر لدرجات حرية ويلش إلى أرقام صحيحة غير دقيقة بدلاً من إثباتها بمنزلتين عشريتين كما تقضي المعايير الحديثة، أو التقريب إلى أعلى بدلاً من التقريب المحافظ لأسفل.

12.2 قواعد التوثيق الصارمة لدرجات الحرية وفق دليل النشر لـ APA (الإصدار السابع)

يضع دليل النشر الصادر عن جمعية علم النفس الأمريكية في إصداره السابع (APA 7th Edition) ضوابط تنسيقية بالغة الصرامة لتوثيق نتائج الاختبارات الإحصائية في المتن، وتحديداً اختبارات t وموقع درجات الحرية منها. تتمثل القواعد الحاكمة في النقاط التالية:

• الصيغة الهيكلية العامة: تُكتب نتائج اختبار t بصيغة رياضية مدمجة؛ حيث يُكتب الحرف t مائلاً (Italicized)، وتوضع درجات الحرية مباشرة بين قوسين غير مائلين بجوار الحرف دون أي مسافة فاصلة، متبوعة بعلامة المساواة، ثم قيمة الاختبار التائي مقربة إلى منزلتين عشريتين، يليها الفاصلة ومستوى القيمة الاحتمالية p:

  t(df) = [Value], p = [Value]

• توثيق درجات الحرية الكسرية لويلش: عند استخدام اختبار ويلش للعينات المستقلة غير المتجانسة، يجب توثيق درجات الحرية الكسرية كما هي مقربة إلى منزلتين عشريتين، وتجنب تحويلها إلى أرقام صحيحة مصطنعة (مثال: t(42.34) = 2.45).
• التكامل الإلزامي للإحصاءات: لا يجوز منهجياً توثيق القيمة التائية ودرجات الحرية بمعزل عن المؤشرات المكملة؛ إذ تشترط جمعية علم النفس الأمريكية تضمين: المتوسطات والانحرافات المعيارية لكل مجموعة ($M$ و $SD$)، والقيمة الاحتمالية الدقيقة ($p$ إلى ثلاث منازل عشرية، باستثناء القيم الأقل من 0.001 فتكتب $p < .001$)، ومؤشر حجم التأثير المناسب ($d$ أو $g$)، وفاصل الثقة 95% لهذا الفارق أو لحجم التأثير.

12.3 نماذج عملية لصياغة فقرات النتائج الإحصائية في البحوث النفسية

نستعرض فيما يلي نماذج تطبيقية مصاغة باحترافية كاملة باللغة العربية الأكاديمية وفق معايير APA (7th ed) لتوثيق نتائج مختلف اختبارات t وحسابات درجات حريتها:

1. نموذج توثيق اختبار t لعينة واحدة (One-Sample t-Test):

«أظهرت نتائج اختبار t لعينة واحدة وجود انحراف ذي دلالة إحصائية في متوسط درجات الاكتئاب لدى عينة المرضى المنخرطين في الدراسة السريرية ($M = 16.40, SD = 4.25$) مقارنة بالمتوسط المعياري المقنن للمجتمع الطبيعي العام البالغ 10 درجات؛ حيث جاءت النتيجة: t(29) = 8.24, p < .001, d = 1.50, 95% CI [4.81, 7.99]. تشير هذه القيمة المستندة إلى 29 درجة حرية إلى أن المرضى يعانون من مستويات اكتئاب تفوق بدرجة جوهرية المعدلات النمطية.»

2. نموذج توثيق اختبار t للعينات المستقلة غير المتجانسة (Welch’s t-Test):

«كشف اختبار ليفين عن انتهاك فرض تجانس التباين بين المجموعتين ($F = 6.42, p = .014$). وبناءً عليه، تم تطبيق اختبار ويلش التائي للعينات المستقلة؛ وأسفرت النتائج عن وجود فروق ذات دلالة إحصائية بين أداء أفراد المجموعة التجريبية ($n = 20, M = 78.50, SD = 12.30$) والمجموعة الضابطة ($n = 35, M = 69.20, SD = 6.10$) لصالح المجموعة التجريبية؛ t(25.14) = 3.16, p = .004, Hedges’ g = 1.02, 95% CI [3.22, 15.38]. يعكس اعتماد درجات الحرية المعدلة (25.14) ضبطاً دقيقاً لعدم تكافؤ الحجوم والتباينات.»

3. نموذج توثيق اختبار t للعينات المرتبطة أو المزدوجة (Paired-Samples t-Test):

«أشارت نتائج اختبار t للعينات المرتبطة إلى انخفاض دال إحصائياً في متوسط مؤشر التوتر العصبي لدى المشاركين بعد إتمام بروتوكول التدخل المعرفي ($M = 22.15, SD = 3.80$) مقارنة بمستوياتهم المسجلة قبل بدء التدخل ($M = 28.70, SD = 4.50$)؛ حيث بلغ الاختبار التائي لأزواج الفروق: t(19) = 5.42, p < .001, d = 1.21, 95% CI [4.05, 9.05]. تؤكد النتيجة عند 19 درجة حرية فعالية التدخل في إحداث تحسن نفسي حقيقي ومستقر ذاتياً.»

خاتمة

تتجلى درجات الحرية في التحليل الإحصائي واختبارات t بوصفها الصمام الرياضي الأهم الذي يضمن انضباط الاستدلال العلمي وانتقاله من إطار القياسات التجريبية المحدودة إلى رحاب التعميم المجتمعي الرصين. إنها ليست مجرد خصم اعتباطي للأرقام، بل هي البعد الهندسي الحقيقي للفضاء المتبقي الذي تسبح فيه البيانات المستقلة بعد ترويضها بالقيود الخطية للمتوسطات المقدرة. لقد تتبعنا عبر هذا التأصيل الشامل كيف تتغير درجات الحرية بتغير بنية التصميم البحثي؛ بدءاً من قيد العينة المفردة ($n – 1$)، مروراً بقيدي المجموعات المستقلة المتجانسة ($n_1 + n_2 – 2$)، والتعقيد الهندسي المنقذ في تعديل ويلش-ساترثويت للتباينات المتباينة، وانتهاءً بعبقرية اختزال الفروق في التصاميم المزدوجة ($n_{\text{pairs}} – 1$).

إن الإدراك العميق لديناميكيات درجات الحرية وارتباطها بفترات الثقة، والقوة الإحصائية، ومعاملات تصحيح حجم التأثير، يسلح الباحث في مختلف الميادين العلمية بالقدرة على تفادي المزالق المنهجية، وضمان عدم الوقوع في فخ النتائج الزائفة، والمساهمة الفاعلة في تجاوز أزمة التكرار التي ألقت بظلالها على العلوم الحديثة. ومع تمكن الباحث من تدقيق هذه القيم وفهم تمثيلها البرمجي وصياغتها وفق الضوابط الدولية لـ APA، يتحول التحليل الإحصائي من مجرد إجراءات رقمية آلية إلى ممارسة معرفية تتسم بالنزاهة والشفافية والدقة الاستدلالية القصوى.

المراجع

• 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.
• 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
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
• Satterthwaite, F. E. (1946). An approximate distribution of estimates of variance components. Biometrics Bulletin, 2(6), 110–114. https://doi.org/10.2307/3002019
• Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• 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/10.1093/biomet/34.1-2.28