كيفية إجراء تحليل التباين أحادي الاتجاه على آلة حاسبة TI-84

تُعد حزم التحليل الإحصائي وبرمجياته المتقدمة من الركائز الأساسية التي يعتمد عليها الباحثون وعلماء النفس والسلوك في اختبار الفرضيات واستخلاص الاستنتاجات العلمية الدقيقة. ومع ذلك، تظل الآلة الحاسبة البيانية TI-84 Plus بجميع إصداراتها أداة حاسوبية قوية ومحمولة تحظى بانتشار واسع ومكانة أكاديمية راسخة في الأوساط التعليمية والبحثية والمختبرات الميدانية؛ حيث توفر للمحللين والطلاب والباحثين بيئة موثوقة وفورية لتنفيذ اختبارات الاستدلال المعلمي وتطبيق النماذج الرياضية المعقدة دون الحاجة إلى تشغيل منصات برمجية ضخمة.

يمثل تحليل التباين أحادي الاتجاه (One-Way Analysis of Variance – ANOVA) أحد أبرز هذه الاختبارات الإحصائية المعلمية وأكثرها استخداماً في العلوم السلوكية والطبية والتربوية، نظراً لقدرته الفائقة على مقارنة متوسطات ثلاث مجموعات مستقلة أو أكثر في آنٍ واحد دون الوقوع في مأزق تضخم خطأ النوع الأول. يهدف هذا الدليل الشامل والمفصل إلى تفكيك كافة الجوانب النظرية والمنهجية والتقنية لتحليل التباين أحادي الاتجاه، وتوضيح كيفية تنفيذه خطوة بخطوة بدقة متناهية على الآلة الحاسبة البيانية TI-84، مع تغطية أساليب التحقق من الفروض المسبقة، وقراءة المخرجات وتفسيرها، وإجراء المقارنات البعدية، وحساب أحجام الأثر، وصياغة التقارير الإحصائية المتوافقة مع معايير جمعية علم النفس الأمريكية (APA).

1. مقدمة إلى تحليل التباين أحادي الاتجاه (One-Way ANOVA) وأهميته الإحصائية

1.1 المفهوم النظري لاختبار تحليل التباين الأحادي

يُعرَّف تحليل التباين أحادي الاتجاه (One-Way ANOVA) بأنه اختبار استدلالي معلمي صُمم لاختبار الفروق بين متوسطات ثلاث مجموعات مستقلة أو أكثر تختلف فيما بينها وفقاً لمستويات متغير مستقل اسمي (تصنيفي) واحد، وأثره على متغير تابع كمي مستمر. طوّر هذا النموذج الإحصائي العالِم البريطاني الفذ رونالد فيشر (Sir Ronald A. Fisher)، حيث يقوم على فكرة جوهرية بالغة الأناقة الرياضية: استنتاج ما إذا كانت المتوسطات الحسابية للمجموعات مسحوبة من مجتمعات متطابقة عبر فحص وتفكيك التشتت أو التباين الكلي الملاحظ في البيانات المجمعة.

يقوم الأساس الرياضي لاختبار ANOVA على تجزئة التباين الكلي (Total Variation) المشاهد في المتغير التابع إلى مكونين رئيسيين مستقلين: التباين بين المجموعات (Between-Group Variance) والتباين داخل المجموعات (Within-Group Variance). يعكس التباين بين المجموعات الفروق الناجمة عن المعالجة التجريبية أو تأثير مستويات المتغير المستقل مضافاً إليها الخطأ العشوائي، في حين يمثل التباين داخل المجموعات التشتت الطبيعي بين أفراد المجموعة الواحدة الناتجة عن الفروق الفردية وأخطاء القياس غير المفسرة، والتي تُعرف رياضياً بتباين الخطأ (Error Variance).

من خلال مقارنة هذين المكونين، يتم اشتقاق نسبة إحصائية تُعرف باسم نسبة فيشر أو إحصائية F (F-Ratio). تُحسب هذه القيمة بقسمة متوسط مربعات التباين بين المجموعات على متوسط مربعات التباين داخل المجموعات؛ فإذا كان تأثير المعالجة التجريبية معدوماً أو مساوياً للصفر، فإن النسبة تقترب نظرياً من القيمة 1. أما إذا كان التباين بين المجموعات كبيراً مقارنة بتباين الخطأ، فإن قيمة F ترتفع بشكل ملحوظ، مما يتيح مقارنتها بـ توزيع فيشر الاحتمالي (F-Distribution) لتحديد ما إذا كانت الفروق الملاحظة دالة إحصائياً وليست مجرد تباينات عشوائية ناتجة عن الصدفة.

1.2 دواعي استخدام ANOVA أحادي الاتجاه في البحوث النفسية والسلوكية

تحظى تقنية تحليل التباين أحادي الاتجاه بمكانة مركزية في تصميم البحوث النفسية والسلوكية، حيث تتطلب العديد من التجارب الميدانية والمخبرية اختبار فعالية برامج تدخلية متعددة. فعلى سبيل المثال، عند دراسة أثر التدخلات العلاجية للاكتئاب، قد يصمم الباحث تجربة تقارن بين العلاج السلوكي المعرفي (CBT)، والعلاج الدوائي، والعلاج بالقبول والالتزام (ACT)، ومجموعة ضابطة تتلقى علاجاً وهمياً؛ يتيح تحليل التباين في هذه الحالة تقييم ما إذا كانت هذه التدخلات المتعددة تحدث استجابات متباينة في مقاييس شدة الاكتئاب عبر نموذج موحد ومتكامل.

كما يُستخدم التحليل بكثافة عند مقارنة استجابات المجموعات الديموغرافية والاجتماعية المختلفة على مقاييس الشخصية، والذكاء العاطفي، والدافعية للإنجاز، والاحتراق النفسي المهني. يتيح ANOVA للباحثين دراسة تأثير متغير تصنيفي واحد ذي ثلاث فئات أو أكثر (مثل المستويات التعليمية: بكالوريوس، ماجستير، دكتوراه؛ أو الفئات العمرية: مراهقون، شباب، مسنون) على درجات التكيف النفسي أو الاستقرار العاطفي للمشاركين، مما يكشف عن الفروق التنموية أو المهنية بين هذه القطاعات المجتمعية.

إلى جانب ذلك، يوفر تحليل التباين أحادي الاتجاه إطاراً متيناً للتعامل مع التصاميم التجريبية وشبه التجريبية التي تحتوي على متغير مستقل اسمي متعدد المستويات ومتغير تابع وحيد من مستوى المقياس الفتري أو النسبي. يضمن هذا النهج للباحثين تقييم الفرضيات النظرية الشاملة المتعلقة بالفروق بين البيئات التعليمية، أو استراتيجيات التعلم، أو جرعات التنبيه الحسي دون تشتيت البيانات أو فقدان القوة الإحصائية اللازمة لتعميم النتائج.

1.3 المقارنة المنهجية بين اختبار ANOVA واختبارات t المتعددة

يتبادر إلى ذهن بعض المبتدئين في التحليل الإحصائي تساؤل حول سبب عدم اللجوء إلى إجراء سلسلة من اختبارات t للعينات المستقلة للمقارنة بين كل زوج من المجموعات بدلاً من تطبيق نموذج ANOVA الأكثر تعقيداً. تكمن الإجابة المنهجية الحاسمة في معضلة إحصائية تُعرف باسم تضخم معدل الخطأ من النوع الأول على مستوى العائلة أو التجربة (Family-wise Error Rate). فعند تثبيت مستوى الدلالة الألفي الاسمي عند النقطة المرجعية التقليدية (α = 0.05) لكل اختبار منفصل، فإن احتمال ارتكاب خطأ إحصائي واحد على الأقل من النوع الأول (رفض الفرضية الصفرية وهي صحيحة في الواقع) يرتفع بصورة أسية مع زيادة عدد المقارنات الثنائية وفق الصيغة الاحتمالية:

$$\alpha_{FW} = 1 – (1 – \alpha)^c$$

حيث تمثل $c$ عدد المقارنات الثنائية الممكنة المحسوبة بالصيغة التوافقية $c = \frac{k(k-1)}{2}$، و$k$ هو عدد المجموعات. فعند مقارنة 4 مجموعات مستقلة، يصل عدد المقارنات الثنائية إلى 6 مقارنات، مما يرفع معدل الخطأ التراكمي إلى ما يقارب 26.5% بدلاً من 5% المحددة مسبقاً، وهو ما يهدد بانهيار الموثوقية العلمية للنتائج.

يعالج تحليل التباين أحادي الاتجاه هذه الأزمة الجذرية من خلال كونه اختباراً شمولياً (Omnibus Test)؛ حيث يختبر الفرضية الصفرية الكلية القائلة بتساوي جميع المتوسطات في عملية حسابية واحدة منضبطة تحافظ بدقة على مستوى ألفا الإجمالي عند 0.05. وعلاوة على ذلك، يرفع ANOVA الكفاءة الإحصائية من خلال تجميع تقديرات التباين من جميع المجموعات معاً لحساب تباين الخطأ الموحد، مما يوفر درجات حرية أكبر وقوة اختبارية (Statistical Power) أعلى لاكتشاف التأثيرات الحقيقية مقارنة بالاختبارات الفردية المجزأة.

2. الفروض المنهجية المسبقة لإجراء تحليل ANOVA أحادي الاتجاه

2.1 فرضية التوزيع الطبيعي للبيانات (Normality Assumption)

يستند نموذج تحليل التباين المعلمي إلى فرضية أساسية مفادها أن درجات المتغير التابع داخل كل مجتمع من المجتمعات الفرعية الممثلة بالمجموعات تتبع التوزيع الطبيعي المعياري (Normal Distribution). تفترض هذه الخاصية الرياضية أن شكل توزيع المشاهدات حول متوسط كل مجموعة يأخذ هيئة الجرس المتماثل، بحيث تتركز غالبية البيانات بالقرب من المركز وتتلاشى تدريجياً وبانتظام نحو الأطراف دون التواءات حادة في اتجاه معين.

من الناحية العملية، يتمتع اختبار ANOVA بمرونة ومتانة ملحوظة (Robustness) تجاه الانحرافات الطفيفة أو المعتدلة عن التوزيع الطبيعي، لا سيما عند التعامل مع أحجام عينات متساوية وكبيرة نسبياً (تتجاوز 20 إلى 30 مشاهدة في كل مجموعة)، وذلك بفضل مقتضيات نظرية النهاية المركزية (Central Limit Theorem) التي تؤكد أن توزيع متوسطات العينات يقترب من التوزيع الطبيعي كلما زاد حجم العينة بغض النظر عن شكل توزيع المجتمع الأصلي.

ومع ذلك، ينبغي على الباحثين فحص البيانات للكشف عن الالتواء الشديد (Skewness) والتفرطح الحاد (Kurtosis)، بالإضافة إلى رصد القيم المتطرفة والشاذة (Outliers) التي قد تشوه قيمة المتوسط الحسابي وتضخم تباين الخطأ بشكل مصطنع. في حال خرق هذا الفرض خرقاً جسيماً مع صغر أحجام العينات، يُنصح باللجوء إلى التحويلات الرياضية للبيانات (كالتحويل اللوغاريتمي أو تحويل الجذر التربيعي) أو الانتقال إلى البدائل اللامعلمية مثل اختبار كروسكال-واليس (Kruskal-Wallis Test).

2.2 فرضية تجانس التباين (Homogeneity of Variance)

تقتضي فرضية تجانس التباين (أو ما يُعرف بالتشتت المتساوي Homoscedasticity) أن تكون تباينات المجتمعات الأصلية التي سُحبت منها العينات التجريبية متساوية تماماً عبر كافة مستويات المتغير المستقل، أي أن:

$$\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$$

يكتسب هذا الفرض أهمية رياضية حرجة لأن النموذج يقوم بحساب متوسط مربعات موحد للخطأ داخل المجموعات؛ فإذا كانت التباينات الحقيقية متباينة بشدة، فإن التقدير المجمع سيفقد دقته ويفشل في تمثيل تشتت البيانات الفعلي.

تتضاعف خطورة خرق هذا الفرض عند العمل مع تصاميم تجريبية غير متوازنة، أي عندما تختلف أحجام العينات بين المجموعات ($n_1 \neq n_2 \neq dots \neq n_k$). فإذا كانت المجموعات ذات الأحجام الصغيرة تمتلك تباينات كبيرة، فإن نسبة F المحسوبة تصبح متحيزة نحو الأعلى بشكل مفرط مما يؤدي إلى تضخم خطأ النوع الأول وإعلان دلالة وهمية؛ أما إذا كانت المجموعات الكبيرة هي التي تمتلك تباينات أعلى، فإن الاختبار يصبح مفرطاً في التحفظ وتفقد التجربة قدرتها على اكتشاف الفروق الحقيقية (تضخم خطأ النوع الثاني).

لذلك، يُوصى دوماً بتبني التصاميم المتوازنة (أحجام عينات متساوية) لأنها تمنح اختبار فيشر مناعة إحصائية قوية ضد خروقات تجانس التباين المعتدلة. كما يمكن التحقق من هذا الفرض باستخدام اختبارات متخصصة مثل اختبار ليفين (Levene’s Test)، وفي حال ثبوت عدم التجانس في عينات غير متوازنة، ينبغي استخدام تعديلات ويلش (Welch’s ANOVA) أو التحليلات اللامعلمية.

2.3 فرضية استقلالية الملاحظات والمقاييس

تُعد استقلالية الملاحظات (Independence of Observations) الفرضية الأكثر خطورة وحساسية على الإطلاق في كافة نماذج تحليل التباين؛ حيث يفترض النموذج أن استجابة أو درجة أي مشارك في التجربة لا ترتبط ولا تتأثر بصورة مباشرة أو غير مباشرة باستجابات أي مشارك آخر داخل نفس المجموعة أو عبر المجموعات الأخرى، وأن خطأ التقدير لكل مشاهدة مستقل كلياً عن أخطاء المشاهدات المتبقية.

يتم ضمان هذا الفرض بصورة رئيسية من خلال الضبط المنهجي للتصميم التجريبي، والذي يعتمد على الاختيار والتعيين العشوائي الصارم (Random Assignment) للأفراد في المجموعات التجريبية والضابطة، وتطبيق أدوات القياس في بيئات معزولة تمنع التفاعل والتأثير المتبادل بين المشاركين. يؤدي خرق فرضية الاستقلالية (كالعمل مع أفراد يجلسون متجاورين في قاعة اختبار واحدة أو جمع بيانات مقترنة دون مراعاة ذلك) إلى تقويض البنية الاحتمالية للاختبار بالكامل وجعل القيمة الاحتمالية الناتجة مضللة ولا يمكن الاعتماد عليها.

من الضروري أيضاً التمييز الدقيق بين العينات المستقلة وعينات القياسات المتكررة (Repeated Measures)؛ حيث يُخصص اختبار One-Way ANOVA للعينات المستقلة تماماً التي تحتوي كل منها على أفراد متباينين. وفي حال قياس نفس الأفراد في فترات زمنية متعاقبة، يجب التحول إلى نموذج تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) لنمذجة الارتباط الذاتي بين القياسات المتتالية.

3. صياغة الفرضيات وتحديد المعايير الإحصائية للاختبار

3.1 صياغة الفرضية الصفرية (H0) والفرضية البديلة (H1)

تبدأ أي ممارسة بحثية متقنة لصياغة نموذج ANOVA بالتعريف الرياضي الدقيق للفرضيات الإحصائية الموجهة للتجربة. تُعبر الفرضية الصفرية (Null Hypothesis)، والتي يُرمز لها بالرمز $H_0$، عن افتراض عدم وجود أي فروق حقيقية بين متوسطات المجتمعات المدروسة، وتُصاغ رياضياً على النحو التالي:

$$H_0: \mu_1 = \mu_2 = \mu_3 = dots = \mu_k$$

حيث تمثل $\mu$ المتوسط الحسابي الحقيقي لمجتمع المجموعة المعنية، ويمثل $k$ إجمالي عدد المجموعات أو مستويات المعالجة قيد الاختبار. تفترض هذه الصيغة أن التباينات المشاهدة بين متوسطات العينات لا تعدو كونها تذبذبات عشوائية ناجمة عن خطأ المعاينة الصدفي.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis)، والمشار إليها بـ $H_1$ أو $H_a$، لتعكس نفي الفرضية الصفرية بصورة شاملة. من الأخطاء الشائعة بين الطلاب صياغة الفرضية البديلة بأن جميع المتوسطات مختلفة عن بعضها البعض بالضرورة ($\mu_1 \neq \mu_2 \neq dots \neq \mu_k$)؛ والصياغة المنهجية الدقيقة هي: “يوجد متوسط مجتمع واحد على الأقل يختلف جوهرياً عن بقية المتوسطات”، وتُكتب رياضياً:

$$H_1: \exists , i, j \quad \text{such t\hat} \quad \mu_i \neq \mu_j \quad (\text{for } i \neq j)$$

تؤكد هذه الصياغة الطبيعة غير الموجهة للاختبار الشمولي، حيث يُخبرنا ANOVA فقط بوجود فرق دال إحصائياً في مكان ما داخل المنظومة التجريبية دون أن يحدد بدقة أي زوج من المجموعات هو المسؤول عن إحداث هذا الفرق.

3.2 تحديد مستوى الدلالة الإحصائية (Alpha Level)

يمثل تحديد مستوى الدلالة الإحصائية، المعروف بمستوى ألفا ($\alpha$)، الخطوة المحورية في وضع المعيار الكمي الصارم الذي سيتخذ الباحث على أساسه قرار رفض الفرضية الصفرية أو الإخفاق في رفضها. يُعرَّف مستوى ألفا بأنه الحد الأقصى المقبول لاحتمال ارتكاب خطأ من النوع الأول (Type I Error)، وهو احتمال رفض الفرضية الصفرية عندما تكون صحيحة وثابتة في المجتمع الإحصائي الحقيقي.

في البحوث النفسية والتربوية والاجتماعية، يُحدد مستوى الدلالة تقليدياً عند القيمة المرجعية $\alpha = 0.05$، مما يعني أن الباحث يقبل بنسبة مخاطرة لا تتجاوز 5% بأن الفروق المكتشفة هي نتاج الصدفة البحتة. في بعض السياقات الطبية الحيوية الدقيقة أو التجارب النفسية-العصبية الصارمة، يتم خفض مستوى الدلالة إلى $\alpha = 0.01$ لتقليل مخاطر الإيجابيات الكاذبة، غير أن هذا الإجراء يتطلب موازنة منهجية واعية؛ إذ يؤدي التشدد المفرط في تقليل $\alpha$ إلى زيادة احتمالية ارتكاب خطأ من النوع الثاني ($\beta$)، وهو الفشل في اكتشاف الأثر الحقيقي الموجود بالفعل (تراجع القوة الإحصائية $1 – beta$).

بناءً على المعيار المختار، يتم اتخاذ القرار الإحصائي بالاعتماد على القيمة الاحتمالية (P-value) التي تنتجها الآلة الحاسبة TI-84؛ فإذا كانت $P \leq \alpha$، يتم رفض الفرضية الصفرية $H_0$ لصالح الفرضية البديلة $H_1$ واعتبار النتائج دالة إحصائياً، بينما إذا كانت $P > \alpha$، يفشل الباحث في رفض الفرضية الصفرية ويُقر بأن الأدلة التجريبية المتاحة غير كافية لإثبات وجود تأثير للمتغير المستقل.

4. التهيئة التقنية لقوائم الآلة الحاسبة TI-84 Plus

4.1 استكشاف واجهة التحليل الإحصائي وزر STAT

تعتمد المعالجة الإحصائية في الآلة الحاسبة البيانية TI-84 Plus على وحدة تحكم مركزية متخصصة يتم الوصول إليها من خلال الزر الرئيسي STAT الواقع في الصف الثالث من لوحة المفاتيح. عند الضغط على هذا المفتاح، تنفتح أمام المستخدم الواجهة الإحصائية الشاملة المقسمة إلى ثلاثة تبويبات رئيسية علوية: EDIT، وCALC، وTESTS، والتي تمثل الدورة الإجرائية الكاملة للتحليل الإحصائي من مرحلة تغذية البيانات إلى مرحلة الحساب واستخراج مخرجات الاستدلال.

يختص التبويب الأول (EDIT) بإنشاء وتحرير وتعديل مصفوفات البيانات الرقمية داخل بيئة الجداول المجدولة؛ حيث تحتوي الآلة الحاسبة افتراضياً على ست قوائم تخزين جاهزة ومحجوزة في الذاكرة النشطة تحمل المسميات من L1 إلى L6. تتميز هذه القوائم بمرونة هندسية تتيح استيعاب مئات المشاهدات الرقمية وتعديلها بسهولة فائقة، وتُعد البيئة الحاضنة للمجموعات التجريبية المختلفة المراد مقارنتها في نموذج ANOVA.

أما التبويب الثاني (CALC) فيتضمن الدوال الوصفية والحسابية مثل الإحصاء أحادي المتغير (1-Var Stats) وحساب الانحدار بأنواعه، في حين يضم التبويب الثالث (TESTS) الترسانة الكاملة لاختبارات الفروض الاستدلالية المعلمية واللامعلمية، وفترات الثقة، ونماذج ANOVA المتنوعة. يتيح مفتاح الأسهم الأيمن والأيسر التنقل بسلاسة بين هذه التبويبات الثلاثة لإتمام كافة مراحل التحليل الإحصائي بكفاءة متناهية.

4.2 تفريغ وتنظيف القوائم الإحصائية (Clearing Lists)

تُعد خطوة تنظيف الذاكرة الإحصائية والتخلص من الأرقام والبيانات السابقة المخزنة في القوائم خطوة تمهيدية بالغة الأهمية لتجنب تداخل البيانات القديمة مع درجات التجربة الحالية وضمان سلامة المخرجات. توفر الآلة الحاسبة TI-84 طريقتين احترافيتين لتفريغ محتويات القوائم بدقة وسرعة.

تتمثل الطريقة الأولى، وهي الأكثر تفضيلاً وتنظيماً، في استخدام أمر تفريغ القوائم المباشر؛ ويتم ذلك عبر الشاشة الرئيسية للحاسبة من خلال الضغط على مفتاح STAT ثم اختيار الخيار الرابع 4:ClrList والضغط على ENTER. بعد ظهور الأمر على الشاشة الرئيسية، يقوم الباحث بتحديد القوائم المراد مسحها مفصولة بفواصل، مثل استدعاء القوائم عبر الضغط على 2nd متبوعة بالرقم 1 للحصول على L1، ثم مفتاح الفاصلة ,، ثم 2nd متبوعة بالرقم 2 للحصول على L2، وهكذا، ثم الضغط على ENTER لتنفيذ المسح والحصول على تأكيد الإنجاز (Done).

أما الطريقة الثانية فتتم من داخل محرر البيانات نفسه؛ وذلك بالضغط على STAT ثم اختيار 1:Edit... للانتقال إلى جدول الأعمدة، ثم استخدام مفتاح السهم لأعلى لتظليل اسم القائمة نفسه في أعلى العمود (مثل تظليل اسم L1)، ثم الضغط على مفتاح CLEAR متبوعاً بمفتاح ENTER. يؤدي هذا الإجراء إلى محو كافة القيم العددية داخل العمود دفعة واحدة. ويجب الحذر الشديد من الضغط على مفتاح DEL أثناء تظليل اسم القائمة، لأن ذلك سيؤدي إلى حذف العمود بالكامل وإزالته من واجهة العرض بدلاً من تفريغ محتواه.

في حال ارتكاب خطأ وحذف عمود القائمة بالكامل عبر زر DEL، يمكن استعادة الهيكلية الافتراضية للقوائم الست فوراً ودون فقدان البيانات المخزنة بالضغط على مفتاح STAT ثم التمرير لأسفل واختيار الأمر الخامس 5:SetUpEditor والضغط على ENTER مرتين متتاليتين، لتعود القوائم من L1 إلى L6 للظهور بترتيبها القياسي في شاشة التحرير.

5. إدخال بيانات العينات في قوائم الآلة الحاسبة (L1, L2, L3)

5.1 تنسيق البيانات وفق بنية الأعمدة المستقلة

يتطلب إجراء تحليل التباين أحادي الاتجاه على حاسبة TI-84 تنظيم البيانات الرقمية الخام وفق معمارية الأعمدة المستقلة (Independent Column Structure)؛ حيث يتم تخصيص عمود إحصائي منفصل ومستقل تماماً لكل مستوى من مستويات المتغير المستقل التجريبي. يختلف هذا التنسيق البرمجي عن بعض الحزم الإحصائية المتقدمة (مثل SPSS) التي تعتمد على عمود للقيم وآخر لأكواد المجموعات؛ إذ تتبنى TI-84 أسلوب القوائم المباشرة لتبسيط العمليات الحسابية للمستخدم.

بناءً على هذه البنية، تُخصص القائمة الأولى L1 لإدخال جميع الدرجات والملاحظات التابعة للمجموعة التجريبية الأولى، وتُخصص القائمة L2 لدرجات المجموعة التجريبية الثانية، بينما تُخصص القائمة L3 لدرجات المجموعة الثالثة، وهكذا دواليك في حال وجود مجموعات إضافية تمتد إلى L4 أو L5 أو L6. يوفر هذا التنظيم عزلاً منهجياً كاملاً لبيانات كل فئة تجريبية، مما يسهل المراجعة والتحقق الحسابي المستقل لكل عينة.

من المزايا التقنية البارزة لخوارزمية ANOVA في حاسبة TI-84 قدرتها الأصيلة على التعامل التلقائي مع التصاميم غير المتوازنة التي تختلف فيها أحجام العينات بين المجموعات. لا يتطلب النظام أن تتساوى أطوال القوائم L1 وL2 وL3؛ حيث يمكن أن تحتوي L1 على 10 قيم، بينما تضم L2 ثماني قيم، وتحتوي L3 على 12 قيمة دون الحاجة إلى وضع أصفار أو تعبئة فراغات، إذ تتولى الحاسبة قراءة الطول الفعلي لكل عمود بشكل منفصل وحساب درجات الحرية بدقة تامة.

5.2 خطوات إدخال البيانات ومراجعتها رقمياً

لتنفيذ عملية إدخال البيانات الميدانية، يبدأ الباحث بالضغط على مفتاح STAT في الآلة الحاسبة، ثم يختار الخيار الأول 1:Edit... عبر الضغط على مفتاح ENTER، لتنفتح الشاشة المجدولة التي تعرض أعمدة القوائم الإحصائية جنباً إلى جنب مع مؤشر إدخال مضيء في الخلية الأولى من القائمة الأولى L1(1).

يقوم الباحث بكتابة القيمة الرقمية للمشاهدة الأولى للمجموعة الأولى، ثم يضغط على مفتاح ENTER؛ ينتقل المؤشر تلقائياً وبصورة سلسة إلى الخلية التالية L1(2) لتسجيل المشاهدة الثانية. تتكرر هذه العملية التتابعية حتى الانتهاء من إدخال كافة درجات المجموعة الأولى في القائمة L1. بعد ذلك، يتم استخدام مفتاح السهم المتجه لليمين للانتقال إلى رأس العمود الثاني L2، والبدء في إدخال بيانات المجموعة الثانية بنفس الطريقة التتابعية، ثم الانتقال بالمثل إلى القائمة L3 لتسجيل بيانات المجموعة الثالثة.

أثناء عملية الإدخال، يُوصى دوماً بمراقبة أسفل الشاشة؛ حيث تعرض الحاسبة موقع الخلية النشطة (Active Cell Locator) بصيغة مثل L1(11)=، مما يشير بوضوح إلى أن الخلية الحالية فارغة وجاهزة لاستقبال المشاهدة رقم 11، وهو ما يعني اكتمال تسجيل 10 مشاهدات سابقة بنجاح. تتيح هذه التغذية الراجعة الفورية للمحلل مطابقة حجم العينة الفعلي المدخل مع سجلات التجربة الورقية قبل الانتقال إلى خطوات التحليل الإحصائي.

5.3 معالجة أخطاء الإدخال والتحقق من سلامة البيانات

تتسم لوحة تحرير البيانات في TI-84 بمرونة عالية تتيح للباحث مراجعة وتصحيح الأخطاء المطبعية أو الحسابية التي قد تقع أثناء مرحلة الإدخال السريع. يمكن للمستخدم التنقل بحرية كاملة عبر مصفوفة البيانات باستخدام مفاتيح الأسهم الأربعة (أعلى، أسفل، يمين، يسار) لفحص القيم المسجلة ومقارنتها بالبيانات الأصلية سطر بسطر.

في حال اكتشاف قيمة خاطئة مسجلة في خلية ما، يكفي تحريك مؤشر التحديد إلى تلك الخلية المعيبة، وكتابة القيمة الرقمية الصحيحة مباشرة، ثم الضغط على مفتاح ENTER ليتم استبدال الرقم القديم فوراً. وإذا تسببت عملية الإدخال في تسجيل مشاهدة زائدة غير مقصودة، يمكن حذفها نهائياً عبر التوقف على الخلية المطلوبة والضغط على مفتاح DEL، مما يؤدي إلى مسح القيمة ورفع كافة المشاهدات التالية لأعلى لسد الفراغ تلقائياً.

وعلى العكس من ذلك، إذا سقطت مشاهدة ما سهواً من منتصف القائمة، يمكن إدراجها بسهولة دون الحاجة إلى إعادة كتابة العمود؛ وذلك بالتوقف على الخلية التي يراد إدراج الرقم الجديد قبلها، ثم الضغط على المفتاح المزدوج 2nd متبوعاً بـ DEL (لتفعيل أمر الإدراج INS)، فتفتح الحاسبة خلية فارغة جديدة بقيمة صفرية مؤقتة، يقوم الباحث بكتابة الرقم الصحيح داخلها والضغط على ENTER. من الضروري التأكد التام من خلو كافة الخلايا من الرموز غير العددية أو الفواصل النقطية المتكررة لضمان عدم توقف دوال المعالجة أثناء تشغيل الاختبار.

6. تنفيذ أمر ANOVA على حاسبة TI-84 خطوة بخطوة

6.1 الوصول إلى دالة One-Way ANOVA في قائمة TESTS

بعد الانتهاء من تجهيز وتدقيق البيانات في القوائم الإحصائية، تبدأ مرحلة استدعاء خوارزمية تحليل التباين من داخل مكتبة الاختبارات الاستدلالية المدمجة في نظام تشغيل الآلة الحاسبة. يتم ذلك عبر العودة إلى لوحة الأوامر الرئيسية من خلال الضغط أولاً على مفتاح STAT.

يقوم المستخدم بعد ذلك بالضغط على مفتاح السهم الأيمن مرتين متتاليتين للوصول إلى التبويب الثالث في أقصى اليمين وهو تبويب الاختبارات (TESTS). تحتوي هذه القائمة على قائمة طويلة بأهم الاختبارات الإحصائية المعلمية واللامعلمية مرتبة بترتيب أبجدي ورقمي محدد يبدأ باختبارات z واختبارات t للعينات المفردة والمزدوجة والمستقلة.

نظراً لأن دالة تحليل التباين تقع في ذيل هذه القائمة الطويلة تحت الحرف الهجائي المخصص (H أو خيار متقدم حسب إصدار النظام)، يمكن الوصول إليها بطريقتين: إما التمرير التتابعي لأسفل باستخدام مفتاح السهم لأسفل حتى الوصول إلى الخيار المسمى ANOVA(، أو استخدام الاختصار الذكي عبر الضغط على مفتاح السهم لأعلى من أعلى القائمة للانتقال الفوري إلى قاع القائمة والوصول إلى دالة ANOVA( مباشرة. عند تظليل الخيار، يتم الضغط على مفتاح ENTER لاستدعاء الدالة ونقلها مباشرة إلى الشاشة الرئيسية الحسابية (Home Screen).

6.2 بناء الصيغة الرياضية وإدخال وسائط القوائم

بمجرد استدعاء دالة ANOVA( إلى الشاشة الرئيسية، تظهر العبارة متبوعة بقوس مفتوح في انتظار تزويدها بأسماء القوائم التي تحتوي على البيانات الرقمية لمجموعات التجربة مرتبة بدقة. تتطلب لغة الحاسبة إدخال وسائط الدالة (Arguments) مفصولة بفواصل رياضية صريحة لتمييز كل مجموعة تجريبية عن الأخرى.

لبناء الصيغة الإحصائية بصورة سليمة لمقارنة ثلاث مجموعات مخزنة في L1 وL2 وL3، يتبع الباحث الخطوات الإجرائية الدقيقة التالية:

• الضغط على مفتاح 2nd متبوعاً بالرقم 1 لاستدعاء اسم القائمة الأولى L1.
• الضغط على مفتاح الفاصلة , الواقع أعلى مفتاح الرقم 7 مباشرة لوضع فاصل نحوي.
• الضغط على مفتاح 2nd متبوعاً بالرقم 2 لاستدعاء اسم القائمة الثانية L2.
• الضغط على مفتاح الفاصلة , مرة أخرى.
• الضغط على مفتاح 2nd متبوعاً بالرقم 3 لاستدعاء اسم القائمة الثالثة L3.
• الضغط على مفتاح إغلاق القوس ) الواقع أعلى مفتاح الرقم 9 لإغلاق وسائط الدالة البرمجية بإحكام.

تظهر الصيغة الرياضية النهائية المكتملة على شاشة الآلة الحاسبة بالشكل التالي تماماً: ANOVA(L1, L2, L3). وفي حال تضمنت الدراسة مقارنة أربع أو خمس مجموعات، يستمر الباحث في إضافة الفواصل متبوعة بأسماء القوائم المقابلة (مثل L4, L5) قبل إغلاق القوس.

6.3 بدء الحساب وعرض شاشة النتائج

بعد التحقق البصري الدقيق من صحة كتابة الصيغة البرمجية وسلامة أسماء القوائم المدخلة وتناسق الفواصل، يقوم الباحث بالضغط على مفتاح التنفيذ الرئيسي ENTER في الركن السفلي الأيمن من لوحة المفاتيح لإطلاق عمليات المعالجة الحسابية المعقدة.

تقوم وحدة المعالجة المركزية للحاسبة في أجزاء من الثانية بتنفيذ آلاف العمليات الرياضية التكرارية المتضمنة حساب المتوسطات العامة والفرعية، وانحرافات القيم عن متوسطاتها، ومربعات الفروق، ودرجات الحرية، وتقدير نسب التباين وفق خوارزميات فيشر الدقيقة. خلال هذه اللحظة الخاطفة، يظهر مؤشر المعالجة المنقط (Busy Indicator) في الزاوية العلوية اليمنى من الشاشة دالاً على استمرار العمليات التحليلية.

فور انتهاء العمليات الحسابية، تتبدل الشاشة الرئيسية لتفسح المجال لظهور شاشة المخرجات الإحصائية المجدولة تحت العنوان الأكاديمي البارز One-way Analysis of Variance. تعرض الشاشة أولاً المؤشرات الإحصائية الحرجة لاتخاذ القرار (قيمة F والقيمة الاحتمالية p)، متبوعة بجدول تحليل التباين الشامل الذي يتيح التمرير لأسفل عبر السهم لاستعراض باقي مصفوفة التباينات والأخطاء المعيارية المجمعة.

7. القراءة الأكاديمية وتفسير مخرجات ANOVA على شاشة TI-84

7.1 تفسير قيمة إحصاء فايشر (F-Statistic) ودرجات الحرية (df)

تتصدر مخرجات تحليل ANOVA على حاسبة TI-84 قيمتان إحصائيتان في غاية الأهمية؛ أولهما القيمة المحسوبة لإحصائية فايشر المرموز لها بالحرف F. تعبر هذه القيمة العددية مباشرة عن حاصل قسمة متوسط المربعات بين المجموعات (المعالجة) على متوسط المربعات داخل المجموعات (الخطأ):

$$F = \frac{MS_{Between}}{MS_{Within}}$$

كلما تباعدت متوسطات المجموعات التجريبية عن بعضها البعض وتعاظم تأثير المعالجة، ارتفعت قيمة F المحسوبة لتبتعد عن القيمة المرجعية الصفرية (1)، مما يشير إلى أن التباين الملاحظ بين المجموعات يفوق بكثير التشتت العشوائي الطبيعي الواقع داخل الأفراد.

تلي قيمة F في المخرجات مصفوفة درجات الحرية المفككة، والتي تظهر في جدول التحليل عبر صفين أساسيين: يمثل الصف الأول المعنون بـ Factor (أو Treatment) التباين المنسوب للمتغير المستقل، وتظهر أمامه درجات الحرية بين المجموعات المحسوبة بالصيغة الرياضية:

$$df_{Factor} = k – 1$$

حيث $k$ هو عدد المجموعات المقارنة (فإذا كان لدينا 3 مجموعات، تكون $df = 2$). أما الصف الثاني المعنون بـ Error فيمثل التباين المنسوب للخطأ العشوائي غير المفسر، وتظهر أمامه درجات الحرية داخل المجموعات المحسوبة بالمعادلة:

$$df_{Error} = N – k$$

حيث $N$ هو الحجم الكلي لجميع المشاهدات في التجربة. تُعد هذه القيم المزدوجة لدرجات الحرية المعيار الأساسي لتحديد شكل توزيع فيشر الاحتمالي الخاص بالتجربة وصياغة التقارير العلمية بدقة.

7.2 تفسير القيمة الاحتمالية (P-value) واتخاذ القرار الإحصائي

تُمثل القيمة الاحتمالية، المعروضة على شاشة الحاسبة بالرمز p، المعيار الكمي الحاسم الذي يُبنى عليه القرار الاستدلالي بقبول أو رفض الفرضية الصفرية. تُعرَّف القيمة الاحتمالية بأنها احتمال الحصول على قيمة F محسوبة مساوية للقيمة المشاهدة أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع الأصلي.

يقوم الباحث بمقارنة قيمة $p$ المستخرجة من شاشة الآلة الحاسبة بمستوى الدلالة المعياري المحدد سلفاً للتجربة ($\alpha = 0.05$). تنص قاعدة اتخاذ القرار الإحصائي الصارمة على ما يلي:

• إذا كانت $p \leq \alpha$ (أي $p \leq 0.05$): يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$)، مما يعني وجود فروق دالة إحصائياً بين متوسطات المجموعات المدروسة لا يمكن عزوها لعوامل الصدفة وحدها.
• إذا كانت $p > \alpha$ (أي $p > 0.05$): يتم الإخفاق في رفض الفرضية الصفرية، مما يعني عدم وجود أدلة إحصائية كافية لإثبات وجود فروق حقيقية بين المعالجات التجريبية.

من الأمور التقنية الحيوية التي يجب الانتباه إليها عند قراءة مخرجات حاسبة TI-84 طريقة العرض بالتدوين العلمي (Scientific Notation). فعندما تكون القيمة الاحتمالية متناهية الصغر ودالة للغاية، قد تظهر النتيجة على الشاشة بصيغة مثل p=3.4215E-4؛ يخطئ بعض المبتدئين بقراءة الرقم كـ 3.42 معتقدين أنه أكبر من 0.05، بينما يشير الرمز $E-4$ في الحقيقة إلى الضرب في $10^{-4}$، أي أن القيمة الفعلية هي $0.00034215$، وهي قيمة دالة إحصائياً بدرجة عالية جداً ($p < 0.001$).

7.3 تحليل مجموع المربعات (SS) ومتوسط المربعات (MS) والانحراف المعياري المجمع

عند استخدام مفتاح السهم لأسفل للتمرير داخل شاشة مخرجات ANOVA في TI-84، يستعرض الباحث بقية مكونات جدول تحليل التباين الكلاسيكي. يعرض الصف الأول تحت قسم المعالجة مجموع المربعات بين المجموعات SS(Factor) ومتوسط المربعات المقابل له MS(Factor)؛ يمثل مجموع المربعات مقدار التشتت الكلي الناجم عن تباعد متوسطات المجموعات عن المتوسط الحسابي العام لكافة البيانات، في حين يُحسب متوسط المربعات بقسمة مجموع المربعات على درجات الحرية المقابلة:

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

وبالمثل، يعرض الصف الثاني التابع لقسم الخطأ مجموع المربعات داخل المجموعات SS(Error) ومتوسط مربعات الخطأ MS(Error)، حيث يُحسب الأخير بالمعادلة:

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

يمثل $MS_{Error}$ التقدير غير المتحيز لتباين الخطأ المشترك في المجتمع الأصلي ($\sigma^2$)، وهو المقام الأساسي المستخدم في حساب إحصائية F وفي إجراء الاختبارات البعدية اللاحقة.

في أسفل الشاشة، تعرض الآلة الحاسبة قيمة إحصائية بالغة الأهمية مرموزاً لها بالحرف Sxp (أو S في بعض الإصدارات)، والتي تمثل الانحراف المعياري المجمع للأخطاء (Pooled Standard Deviation). تُحسب هذه القيمة رياضياً من خلال أخذ الجذر التربيعي لمتوسط مربعات الخطأ ($S = \sqrt{MS_{Error}}$)، وهي تعكس التشتت النموذجي للمشاهدات الفردية حول متوسطات مجموعاتها، وتُستخدم كمعيار مركزي لتقدير الدقة وحساب مسافات الفروق المعيارية في الدراسات الميدانية.

8. تطبيق عملي: دراسة مقارنة بين ثلاث استراتيجيات استذكار نفسي

8.1 سياق التجربة وتوزيع البيانات التجريبية

لتجسيد كافة الخطوات النظرية والتقنية السابقة في إطار تطبيقي واقعي، نفترض إجراء دراسة تجريبية في حقل علم النفس المعرفي والتربوي تهدف إلى تقييم فعالية ثلاث استراتيجيات مختلفة للاستذكار وتثبيت المعلومات في الذاكرة طويلة المدى لدى طلاب المرحلة الجامعية. صُممت التجربة عبر اختيار عينة عشوائية مكونة من 15 طالباً تم توزيعهم بالتساوي وبصورة عشوائية تامة على ثلاث مجموعات تجريبية ($n = 5$ طلاب في كل مجموعة) على النحو التالي:

• المجموعة الأولى (L1) – استراتيجية إعادة القراءة التقليدية (Rereading): قام الطلاب بإعادة قراءة نص علمي مكثف في مادة علم النفس العصبي ثلاث مرات متتالية.
• المجموعة الثانية (L2) – استراتيجية التكرار المتباعد (Spaced Repetition): قام الطلاب بمراجعة نفس النص على فترات زمنية موزعة تفصل بينها فواصل استراحة منظمة.
• المجموعة الثالثة (L3) – استراتيجية الاسترجاع النشط (Active Retrieval): قام الطلاب بممارسة الاختبارات الذاتية وبطاقات الاستذكار النشط لمحتويات النص.

بعد انقضاء أسبوع كامل على جلسات التعلم، خضع جميع المشاركين لاختبار معرفي موحد يقيس الاستيعاب والاستدعاء الدقيق للمفاهيم، وسُجلت الدرجات الخام (من 100) لكل طالب كما هو موضح في مصفوفة البيانات التالية تمهيداً لتفريغها في قوائم حاسبة TI-84:

• درجات المجموعة الأولى (L1 – إعادة القراءة): 72، 75، 68، 70، 74
• درجات المجموعة الثانية (L2 – التكرار المتباعد): 82، 85، 79، 84، 88
• درجات المجموعة الثالثة (L3 – الاسترجاع النشط): 90، 93، 88، 95، 92

8.2 التطبيق الإجرائي على TI-84 واستخراج النتائج

لتطبيق خطوات التحليل على الآلة الحاسبة البيانية TI-84 Plus، نتبع الإجراءات المعيارية التالية بدقة متسلسلة:

أولاً، نقوم بتنظيف القوائم عبر الشاشة الرئيسية باستخدام الأمر ClrList L1, L2, L3 متبوعاً بالضغط على ENTER. بعد ذلك نضغط على مفتاح STAT ثم نختار 1:Edit...، ونبدأ في إدخال بيانات درجات الطلاب: ندخل درجات مجموعة إعادة القراءة (72, 75, 68, 70, 74) في العمود L1، ثم نتحرك يميناً وندخل درجات التكرار المتباعد (82, 85, 79, 84, 88) في العمود L2، ثم نتحرك يميناً وندخل درجات الاسترجاع النشط (90, 93, 88, 95, 92) في العمود L3.

ثانياً، بعد مراجعة اكتمال 5 مشاهدات في كل قائمة، نضغط على STAT، ثم نتحرك يميناً إلى قائمة TESTS، ونمرر لأسفل حتى نصل إلى الخيار ANOVA( ونضغط على ENTER. تظهر الدالة على الشاشة الرئيسية فنقوم بكتابة وسائط القوائم: 2nd [L1] ثم , ثم 2nd [L2] ثم , ثم 2nd [L3] ثم نغلق القوس ) لتصبح الصيغة ANOVA(L1, L2, L3)، ثم نضغط على ENTER.

تُظهر شاشة المخرجات في الآلة الحاسبة النتائج الحسابية الدقيقة التالية:

• قيمة إحصائية فيشر: F = 49.3243
• القيمة الاحتمالية: p = 7.15E-7 (أي $p = 0.000000715$)
• صف المعالجة (Factor): df = 2، و SS = 912.4، و MS = 456.2
• صف الخطأ (Error): df = 12، و SS = 111.0، و MS = 9.25
• الانحراف المعياري المجمع للأخطاء: Sxp = 3.04138

بمقارنة القيمة الاحتمالية بمستوى الدلالة المحدد سلفاً ($\alpha = 0.05$)، نجد أن $p = 0.000000715 < 0.05$، وبناءً على ذلك نتخذ قراراً إحصائياً قاطعاً بـ رفض الفرضية الصفرية ($H_0$) وتأييد الفرضية البديلة ($H_1$)، مما يؤكد وجود فروق جوهرية ودالة إحصائياً بين استراتيجيات الاستذكار الثلاث في التأثير على درجات التحصيل المعرفي للطلاب.

8.3 صياغة التقرير الإحصائي وفق معايير جمعية علم النفس الأمريكية (APA)

تتطلب الكتابة الأكاديمية المحكمة في العلوم النفسية والسلوكية توثيق نتائج الاختبارات الإحصائية وفق التنسيق القياسي المعتمد في الدليل الإرشادي لجمعية علم النفس الأمريكية (APA Style – 7th Edition). يتضمن هذا التوثيق الإبلاغ عن الرموز الإحصائية المائلة، ودرجات الحرية بين المجموعات وداخلها بين قوسين، وقيمة F المحسوبة، ومستوى الدلالة الاحتمالية المقابل بدقة.

لحساب المتوسطات والانحرافات المعيارية الوصفية الداعمة للتقرير، يمكن للباحث استخدام أمر 1-Var Stats على كل قائمة بشكل مستقل في الحاسبة للحصول على النتائج التالية:

• مجموعة إعادة القراءة: $M = 71.80$, $SD = 2.86$
• مجموعة التكرار المتباعد: $M = 83.60$, $SD = 3.36$
• مجموعة الاسترجاع النشط: $M = 91.60$, $SD = 2.70$

تُصاغ فقرة النتائج الأكاديمية في متن البحث باللغة العربية على النحو التالي:

“أظهرت نتائج تحليل التباين أحادي الاتجاه (One-Way ANOVA) وجود فروق دالة إحصائياً بين استراتيجيات الاستذكار الثلاث في درجات التحصيل المعرفي، $F(2, 12) = 49.32$، $p < .001$. حيث حققت مجموعة الاسترجاع النشط أعلى متوسط درجات تحصيل ($M = 91.60$, $SD = 2.70$)، تلتها مجموعة التكرار المتباعد ($M = 83.60$, $SD = 3.36$)، في حين سجلت مجموعة إعادة القراءة التقليدية أدنى متوسط تحصيل ($M = 71.80$, $SD = 2.86$)."

9. التحليلات البعدية (Post-Hoc Tests) والمقارنات المتعددة

9.1 مبررات إجراء الاختبارات البعدية بعد رفض الفرضية الصفرية

على الرغم من القوة الاستدلالية الفائقة لاختبار تحليل التباين أحادي الاتجاه، إلا أنه يظل اختباراً شمولياً عاماً (Omnibus Test)؛ وتقتصر وظيفته الرياضية على التحقق مما إذا كانت المتوسطات المدروسة تختلف فيما بينها بوجه عام، دون أن يمتلك القدرة الحسابية الذاتية على تحديد أزواج المجموعات المحددة المسؤولة عن هذه الفروق، أو توضيح ما إذا كانت كل مجموعة تختلف عن كافة المجموعات الأخرى أم أن التباين محصور بين مجموعتين بعينهما.

لذلك، عندما تسفر مخرجات ANOVA عن رفض الفرضية الصفرية ($p < \alpha$)، يصبح من الضروري منهجياً الانتقال إلى المرحلة التحليلية التالية المتمثلة في إجراء الاختبارات البعدية (Post-Hoc Tests) أو المقارنات المتعددة (Multiple Comparisons). تهدف هذه الاختبارات إلى فحص الفروق الزوجية بين كل مجموعة وأخرى على حدة (مثل: L1 مقابل L2، و L1 مقابل L3، و L2 مقابل L3) مع فرض رقابة إحصائية صارمة على معدل الخطأ التراكمي للتجربة للحيلولة دون تضخمه نتيجة تعدد المقارنات.

أما في حال الإخفاق في رفض الفرضية الصفرية في اختبار ANOVA الأولي ($p > 0.05$)، فإن البروتوكول المنهجي الصارم يحظر إجراء أي اختبارات بعدية؛ حيث يُعد النموذج العام قد حسم عدم وجود تأثير معنوي، وأي فروق فرعية قد تظهر في المقارنات الثنائية تُعتبر مجرد تباينات عشوائية مضللة لا تتمتع بالدلالة العلمية.

9.2 حساب الفروق الزوجية المرجحة يدوياً بمساعدة TI-84

لا تحتوي الآلة الحاسبة TI-84 Plus على دالة مدمجة ومباشرة لتنفيذ اختبار توكي للفروق ذات الدلالة الحقيقية (Tukey’s HSD) بضغطة زر واحدة كما في الحزم البرمجية الكبرى، غير أنها توفر كافة المعلمات الإحصائية التجميعية اللازمة لإجراء هذه الاختبارات البعدية يدوياً وبسهولة فائقة من خلال الشاشة الحسابية.

يعتمد حساب اختبار توكي (Tukey’s Honestly Significant Difference – HSD) للتصاميم المتوازنة ذات أحجام العينات المتساوية ($n$) على المعادلة الرياضية التالية:

$$HSD = q_{\alpha, k, df_{error}} \times \sqrt{\frac{MS_{Error}}{n}}$$

حيث تُمثل $q$ القيمة الحرجة المستخرجة من جدول مدى المدى الطلابي (Studentized Range Distribution) عند مستوى دلالة $\alpha = 0.05$ وعدد مجموعات $k = 3$ ودرجات حرية خطأ $df_{Error} = 12$ (والتي تساوي في مثالنا التطبيقي $q \approx 3.773$). بالاعتماد على مخرجات TI-84، حيث $MS_{Error} = 9.25$ وحجم العينة $n = 5$، يقوم الباحث بكتابة العملية الحسابية على الشاشة الرئيسية للحاسبة:

$$HSD = 3.773 \times \sqrt{\frac{9.25}{5}} = 3.773 \times \sqrt{1.85} \approx 3.773 \times 1.36015 = 5.132$$

يمثل الرقم $5.132$ الحد الأدنى للفارق الحسابي بين أي متوسطين لكي يُعتبر الفرق بينهما دالاً إحصائياً. وبمقارنة الفروق الفعلية المطلقة بين متوسطات مجموعات دراستنا التجريبية:

• الفرق بين الاسترجاع النشط والتكرار المتباعد: $|91.60 – 83.60| = 8.00 > 5.132$ (دال إحصائياً لصالح الاسترجاع النشط).
• الفرق بين الاسترجاع النشط وإعادة القراءة: $|91.60 – 71.80| = 19.80 > 5.132$ (دال إحصائياً لصالح الاسترجاع النشط).
• الفرق بين التكرار المتباعد وإعادة القراءة: $|83.60 – 71.80| = 11.80 > 5.132$ (دال إحصائياً لصالح التكرار المتباعد).

كبديل منهجي آخر، يمكن للباحث استخدام دالة 2-SampTTest المدمجة في حاسبة TI-84 للمقارنة بين القوائم ثنائياً مع تطبيق تصحيح بونفيروني (Bonferroni Correction)، وذلك بقسمة مستوى ألفا الاسمي على عدد المقارنات ($0.05 / 3 = 0.0167$) واعتبار المقارنة الثنائية دالة فقط إذا كانت القيمة الاحتمالية المستخرجة أصغر من $0.0167$.

10. حساب وتفسير حجم الأثر (Effect Size) من مخرجات TI-84

10.1 أهمية قياس حجم الأثر بجانب الدلالة الإحصائية

تؤكد المعايير المنهجية المعاصرة الصادرة عن المؤسسات الأكاديمية وهيئات التحرير في المجلات العلمية المحكمة أن الاكتفاء بالإبلاغ عن الدلالة الإحصائية (P-value) لم يعد كافياً لتقييم القيمة العلمية للنتائج البحثية. فالقيمة الاحتمالية شديدة الحساسية لحجم العينة؛ حيث يمكن لأي تأثير تجريبي متناهي الصغر وغير ذي جدوى عملية أن يصبح دالاً إحصائياً إذا تضخمت العينة إلى آلاف المشاهدات، في حين قد تعجز عينة صغيرة عن إثبات أثر تطبيقي كبير.

من هنا تنبع الأهمية الجوهرية لحساب مقاييس حجم الأثر (Effect Size)، والتي تعبر عن القوة المطلقة أو النسبية للعلاقة بين المتغير المستقل والمتغير التابع بمعزل عن تأثير حجم العينة. يوضح حجم الأثر النسبة المئوية للتباين الكلي في المتغير التابع المفسرة بالمعالجة التجريبية، مما يمنح الممارسين وصناع القرار التربوي والنفسي تقديراً كمياً للأهمية العملية والتطبيقية للتدخلات المدروسة.

تُعد مخرجات جدول تحليل التباين المستخرجة من شاشة حاسبة TI-84 مصدراً بيانياً غنياً ومتكاملاً، حيث تتضمن كافة الأرقام والمؤشرات الرياضية (مجاميع المربعات ودرجات الحرية ومتوسطات التباين) اللازمة لحساب أشهر معاملات حجم الأثر المعيارية في دقائق معدودة عبر الشاشة الحسابية المباشرة.

10.2 حساب معامل إيتا تربيع (Eta-Squared: η²)

يُعد معامل إيتا تربيع ($\eta^2$) المقياس الأكثر شيوعاً وبساطة لتقدير حجم الأثر في تصاميم تحليل التباين؛ وهو يمثل النسبة المباشرة للتباين في المتغير التابع التي يمكن عزوها أو تفسيرها بالمتغير المستقل التجريبي. تُصاغ المعادلة الرياضية لحساب إيتا تربيع على النحو التالي:

$$\eta^2 = \frac{SS_{Factor}}{SS_{Total}} = \frac{SS_{Factor}}{SS_{Factor} + SS_{Error}}$$

بالرجوع إلى القيم الحسابية الظاهرة على شاشة حاسبة TI-84 في تطبيقنا العملي السابق، حيث بلغ $SS_{Factor} = 912.4$ و $SS_{Error} = 111.0$، يمكن للباحث كتابة المعادلة مباشرة على الشاشة الرئيسية للحاسبة:

$$\eta^2 = \frac{912.4}{912.4 + 111.0} = \frac{912.4}{1023.4} \approx 0.8915$$

تعني هذه النتيجة المرتفعة للغاية أن 89.15% من إجمالي التباين الملاحظ في درجات التحصيل المعرفي للطلاب يُعزى مباشرة إلى اختلاف استراتيجية الاستذكار المتبعة، في حين أن 10.85% فقط من التباين يعود إلى الفروق الفردية وأخطاء القياس غير المفسرة.

لتفسير هذه القيمة وفق المعايير الإرشادية الكلاسيكية التي وضعها جاكوب كوهين (Jacob Cohen):

• أثر صغير (Small Effect): $\eta^2 = 0.01$ (يفسر 1% من التباين).
• أثر متوسط (Medium Effect): $\eta^2 = 0.06$ (يفسر 6% من التباين).
• أثر كبير (Large Effect): $\eta^2 \geq 0.14$ (يفسر 14% أو أكثر من التباين).

وبناءً على هذه المعايير، يُمثل حجم الأثر المستخرج في دراستنا ($\eta^2 = 0.89$) تأثيراً كبيراً واستثنائياً في مقاييس التدخلات التربوية والنفسية.

10.3 حساب أوميغا تربيع (Omega-Squared: ω²) لتقليل التحيز

على الرغم من سهولة حساب معامل إيتا تربيع ($\eta^2$)، إلا أنه يعاني من قصور منهجي يتمثل في كونه تقديراً متحيزاً نحو الأعلى (Upwardly Biased Estimator)، حيث يميل إلى المبالغة في تقدير حجم الأثر الحقيقي في المجتمع الأصلي، وتتفاقم هذه المشكلة بصورة خاصة عند العمل مع عينات دراسية صغيرة الحجم كما هو الحال في معظم التجارب المخبرية.

لتجاوز هذا التحيز الإحصائي، يُفضل علماء القياس النفسي استخدام مقياس أوميغا تربيع ($\omega^2$) كبديل أكثر تحفظاً ودقة؛ حيث يقوم هذا المعامل بتعديل قيمة التباين المفسر عبر طرح تباين الخطأ المنسوب للمجتمع من بسط ومقام المعادلة. تُحسب أوميغا تربيع بالصيغة الرياضية التالية:

$$\omega^2 = \frac{SS_{Factor} – (df_{Factor} \times MS_{Error})}{SS_{Total} + MS_{Error}}$$

بتطبيق المعطيات المستخرجة من شاشة حاسبة TI-84 في تطبيقنا التجريبي ($SS_{Factor} = 912.4$، $df_{Factor} = 2$، $MS_{Error} = 9.25$، $SS_{Total} = 1023.4$):

$$\omega^2 = \frac{912.4 – (2 \times 9.25)}{1023.4 + 9.25} = \frac{912.4 – 18.5}{1032.65} = \frac{893.9}{1032.65} \approx 0.8656$$

يُظهر الناتج أن حجم الأثر غير المتحيز في مجتمع الدراسة يُقدر بـ 86.56%، وهي قيمة تظل ضمن نطاق الأثر الكبير جداً وتوفر تقديراً إحصائياً أكثر مصداقية وملاءمة لمتطلبات النشر العلمي في المجلات المحكمة ذات التصنيف المتقدم.

11. استكشاف المشكلات التقنية والأخطاء الشائعة في TI-84 وحلولها

11.1 معالجة رسائل الخطأ البرمجية (Syntax Error و ERR:DIM MISMATCH)

أثناء تنفيذ التحليلات الإحصائية على حاسبة TI-84 Plus، قد تصادف الباحث بعض رسائل الخطأ البرمجية التي توقف التحليل وتمنع استخراج النتائج. يُعد فهم أسباب هذه الرسائل وكيفية تجاوزها مهارة تقنية لازمة لضمان سير التحليل بسلاسة ودون إهدار للوقت.

تُعد رسالة الخطأ النحوي ERR:SYNTAX من أكثر الرسائل شيوعاً؛ وتحدث عادة عند وجود خطأ في كتابة وسائط الأمر في الشاشة الرئيسية، مثل نسيان وضع الفاصلة , بين أسماء القوائم (كأن يكتب المستخدم ANOVA(L1 L2 L3))، أو نسيان إغلاق القوس البرمجي، أو وضع فاصلة زائدة في نهاية الأمر. لحل هذه المشكلة، يتيح النظام خيارين: الضغط على 1:Quit لإلغاء الأمر، أو الضغط على 2:Goto وهو الخيار الأفضل حيث تنقلك الحاسبة مباشرة إلى موقع الرمز الخاطئ في سطر الأوامر لتصحيحه فوراً.

أما رسالة خطأ تطابق الأبعاد ERR:DIM MISMATCH، فغالباً ما تظهر عندما يقوم المستخدم بتنفيذ دوال إحصائية أخرى تتطلب قوائم متطابقة في الطول تماماً (مثل إجراء الانحدار الخطي أو اختبار t للعينات المقترنة) وتكون القوائم L1 وL2 مختلفة في عدد العناصر. ورغم أن دالة ANOVA( مصممة برمجياً لقبول قوائم غير متساوية الطول دون أي مشكلة، فإن هذا الخطأ قد يظهر إذا حاول الباحث استخدام مصفوفات رياضية أو تنفيذ عمليات طرح مباشرة بين أعمدة القوائم قبل إدخالها في دالة التحليل.

كما قد يظهر خطأ نوع البيانات ERR:DATA TYPE عند إدخال نصوص أو مصفوفات أو رموز غير عددية داخل خلايا القوائم المخصصة للتحليل الإحصائي، ويتم حله بالدخول إلى شاشة STAT -> 1:Edit ومراجعة محتويات الخلايا لحذف أي رموز غريبة أو نصوص واستبدالها بالقيم الرقمية الصحيحة.

11.2 مشكلات البيانات غير المتكافئة والقيم المفقودة

تتميز خوارزمية تحليل التباين المدمجة في نظام تشغيل حاسبة TI-84 بمرونة متقدمة في التعامل مع التصاميم غير المتوازنة التي تتباين فيها أحجام العينات التجريبية. لا يحتاج المحلل إلى اتخاذ أي إجراءات برمجية معقدة عند وجود تفاوت في أعداد المشاركين؛ فإذا تضمنت القائمة L1 سبع مشاهدات، وضمت L2 خمس مشاهدات، واشتملت L3 ثماني مشاهدات، تتولى الآلة الحاسبة بصورة تلقائية حساب درجات الحرية والتباينات الجزئية بناءً على الأبعاد الفعلية لكل قائمة على حدة.

ومع ذلك، يجب الحذر الشديد من مشكلة القيم المفقودة (Missing Values) والفراغات العشوائية التي قد تنشأ نتيجة أخطاء الإدخال. إذا تخلف أحد المشاركين عن استكمال الاختبار، فلا يجوز مطلقاً ترك خلية فارغة في منتصف القائمة أو وضع الرقم صفر كبديل للبيانات المفقودة؛ لأن الآلة الحاسبة ستتعامل مع الصفر كدرجة حقيقية فعلية، مما يؤدي إلى خفض المتوسط الحسابي وتشويه تباين المجموعة بصورة كارثية.

تتم المعالجة المنهجية السليمة لحالات البيانات المفقودة في عينات ANOVA المستقلة من خلال حذف المشاهدة الناقصة بالكامل وسحب الخلية لأعلى باستخدام مفتاح DEL، بحيث تصبح القائمة متصلة ومرتبة دون انقطاع. كما ينبغي التحقق دائماً من عدم وجود أصفار غير مقصودة مسجلة في قاع الأعمدة الإحصائية بعد انتهاء البيانات الفعلية عبر فحص سطر المؤشر الإحصائي في أسفل الشاشة قبل استدعاء دالة التحليل.

12. الممارسات المتقدمة والتحقق البصري من صحة البيانات على TI-84

12.1 استخدام الرسوم البيانية الصندوقية (Boxplots) للمقارنة البصرية

قبل الشروع في تشغيل اختبار ANOVA الرقمي، يُوصى بشدة بتطبيق الفحص الاستكشافي البصري للبيانات للتحقق من الفروض المسبقة مثل التماثل وتجانس التشتت والكشف عن القيم الشاذة. توفر الآلة الحاسبة TI-84 Plus بيئة رسومية بيانية قوية من خلال وظيفة مخططات الإحصاء المتقدمة (STAT PLOT).

يمكن للباحث رسم ثلاثة مخططات صندوقية متزامنة للمجموعات L1 وL2 وL3 على شاشة واحدة باتباع الخطوات التالية:

• الضغط على المفتاح المزدوج 2nd متبوعاً بـ Y= للوصول إلى قائمة STAT PLOTS.
• اختيار 1:Plot1 وتفعيله بالضغط على On، واختيار نوع الرسم الصندوقي مع تعديل القيم الشاذة (Modified Boxplot – الأيقونة الأولى في الصف الثاني من أنواع الرسوم)، وتعيين القائمة Xlist: L1.
• العودة لقائمة المخططات وتكرار نفس الإجراء لتفعيل 2:Plot2 مع ربطه بالقائمة L2، وتفعيل 3:Plot3 وربطه بالقائمة L3.
• الضغط على مفتاح ZOOM ثم اختيار الخيار التاسع 9:ZoomStat، لتقوم الحاسبة بضبط أبعاد المحاور وعرض الصناديق الثلاثة جنباً إلى جنب على الشاشة الرسومية.

يتيح هذا العرض البياني المقارن للباحث فحص توازي أطوال الصناديق وذيولها؛ فإذا كانت أطوال الصناديق متقاربة، دل ذلك بصرياً على تحقق فرضية تجانس التباين. كما تظهر أي مشاهدات متطرفة أو شاذة على شكل نقاط منفصلة خارج حدود الذيول، مما ينبه المحلل إلى ضرورة فحصها وتدقيقها قبل اعتماد نتائج التحليل المعلمي.

12.2 حفظ البيانات وإعادة استخدامها في التحليلات الإضافية

توفر حاسبة TI-84 إمكانات متقدمة لإدارة الذاكرة الإحصائية، مما يتيح للمحلل حفظ البيانات الخام ومصفوفات النتائج لإجراء تحليلات إضافية مقارنة أو مقارنتها بمخرجات الحزم البرمجية الكبرى مثل SPSS وR Programming. يمكن تخزين محتويات أي قائمة في قائمة جديدة أو متغير دائم عبر استخدام مفتاح التخزين STO> (مثال: L1 STO> L4 لحفظ نسخة احتياطية آمنة).

علاوة على ذلك، يستطيع الباحث بعد تنفيذ اختبار ANOVA العودة إلى تبويب STAT -> CALC -> 1:1-Var Stats وتطبيقه على كل قائمة على حدة للحصول على حزمة متكاملة من المؤشرات الوصفية التفصيلية تشمل: المتوسط الحسابي ($\bar{x}$)، والانحراف المعياري للعينة ($Sx$) وللمجتمع ($\sigma x$)، وحجم العينة ($n$)، وملخص الأرقام الخمسة (الحد الأدنى، الربيع الأول، الوسيط، الربيع الثالث، الحد الأقصى)، وهي بيانات جوهرية لا غنى عنها لبناء الجداول الإحصائية المرافقة للتقارير الأكاديمية.

تُثبت المقارنات الدورية بين مخرجات آلة TI-84 والحزم الإحصائية الحاسوبية المتقدمة تطابقاً رياضياً تاماً في حساب قيم F وP-value ومجاميع المربعات بدقة تصل إلى تسع خانات عشرية، مما يجعل الحاسبة البيانية أداة موثوقة تماماً ومجازة علمياً لإنجاز البحوث الميدانية والواجبات الأكاديمية ورسائل الدراسات العليا بكفاءة واقتدار.

خاتمة

يمثل تحليل التباين أحادي الاتجاه (One-Way ANOVA) حجر الزاوية في ترسانة التحليل الإحصائي المعلمي، حيث يوفر للباحثين إطاراً متيناً وموثوقاً لاختبار الفروق بين متوسطات المجموعات المتعددة مع السيطرة الكاملة على معدلات الخطأ الإحصائي. ومن خلال الخطوات المشروحة في هذا الدليل، يتضح أن الآلة الحاسبة البيانية TI-84 Plus ليست مجرد أداة حسابية بسيطة، بل هي مختبر إحصائي متكامل قادر على تنفيذ أعقد العمليات الاستدلالية بدقة متناهية وسرعة فائقة.

إن إتقان الباحث للتعامل مع قوائم الحاسبة، وفهم مخرجات جدول التباين، وربط الدلالة الإحصائية بالمقاييس العملية لحجم الأثر والاختبارات البعدية، يشكل ركيزة أساسية لإنتاج أبحاث علمية رصينة تتوافق مع أرقى المعايير الأكاديمية الدولية وتساهم في تطوير المعرفة في شتى مجالات العلوم الإنسانية والتطبيقية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Gravetter, F. J., Wallnau, L. B., Forzano, L. B., & Witnauer, J. E. (2020). Essentials of statistics for the behavioral sciences (10th ed.). Cengage Learning.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Kirk, R. E. (2013). Experimental design: Procedures for the behavioral sciences (4th ed.). SAGE Publications. https://doi.org/10.4135/9781483384733
• Oleary, M. (2010). TI-84 Plus graphing calculator for dummies (2nd ed.). John Wiley & Sons.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Texas Instruments. (2021). TI-84 Plus and TI-84 Plus C Silver Edition guidebook. Texas Instruments Incorporated. https://education.ti.com/en/guidebooks