شرح اختبار كروسكال واليس

تُعد الإحصاءات اللامعلمية (Nonparametric Statistics) إحدى الركائز الأساسية التي يعتمد عليها الباحثون في معالجة البيانات التي لا تستوفي شروط وافتراضات النماذج المعلمية الكلاسيكية، مثل التوزيع الطبيعي وتجانس التباين. وفي طليعة هذه الأساليب يبرز اختبار كروسكال واليس (Kruskal-Wallis Test) كأداة تحليلية لا معلمية تهدف إلى مقارنة ثلاث مجموعات مستقلة أو أكثر بناءً على رتب البيانات بدلاً من قيمها الخام الحسابية.

تكتسب هذه الأداة أهمية خاصة في العلوم السلوكية، وعلم النفس، والعلوم الاجتماعية والطبية، حيث تُهيمن القياسات الترتيبية (Ordinal Scales) مثل مقاييس ليكرت، وتكثر المتغيرات التي تتسم بدرجات عالية من الالتواء (Skewness) أو الشذوذ الإحصائي (Outliers). ويسمح هذا الاختبار للباحث باختبار الفروق الجوهرية بين التوزيعات الاحتمالية للمجموعات دون الوقوع في أخطاء الاستدلال الإحصائي الناتجة عن انتهاك افتراضات النماذج التقليدية.

يقدم هذا الدليل المرجعي الشامل تفصيلاً معمقاً لاختبار كروسكال واليس، بدءاً من أصوله التاريخية وبنيته الرياضية الدقيقة، مروراً بشروط تطبيقه وصياغة فرضياته المنهجية، وصولاً إلى آليات حسابه اليدوي والبرمجي، وإجراء المقارنات البعدية، وتوثيق النتائج وفق المعايير الصارمة لجمعية علم النفس الأمريكية (APA 7th).

1. مقدمة شاملة لاختبار كروسكال واليس (Kruskal-Wallis Test)

1.1 المفهوم الإحصائي والسياق التاريخي

طُوّر اختبار كروسكال واليس في عام 1952 على يد العالمين الإحصائيين الأمريكيين ويليام كروسكال (William Kruskal) وويليام واليس (W. Allen Wallis)، ونُشر في ورقتهما العلمية المرجعية في مجلة الجمعية الإحصائية الأمريكية (Journal of the American Statistical Association). جاء ابتكار هذا الاختبار استجابة للحاجة الأكاديمية والعملية الملحة لإيجاد بدائل تحليلية قوية لتحليل التباين الأحادي الكلاسيكي، خاصة عندما تكون البيانات خاضعة لقياسات غير متصلة بدقة أو عندما تفشل العينات التجريبية في مطابقة منحنى التوزيع الطبيعي الغاوسي (Gaussian Distribution).

يُصنف اختبار كروسكال واليس ضمن عائلة اختبارات الفروض اللامعلمية المخصصة للمقارنة بين عدة مجموعات مستقلة ($k ge 3$). بدلاً من الاعتماد على المتوسطات الحسابية والانحرافات المعيارية التي تتأثر بشدة بالقيم المتطرفة والشذوذ الإحصائي، يرتكز هذا الاختبار على تحويل جميع المشاهدات إلى رتب تصاعدية مجردة. يتيح ذلك للباحثين تقييم ما إذا كانت العينات المسحوبة من المجتمعات الإحصائية تشترك في التوزيع التكراري ذاته، أو ما إذا كانت إحدى المجموعات تميل عشوائياً إلى إظهار قيم أعلى أو أدنى مقارنة بالمجموعات الأخرى.

في الأوساط الأكاديمية المعاصرة، يُعد اختبار كروسكال واليس المعيار الذهبي المعتمد لتحليل البيانات في الدراسات الإكلينيكية والنفسية والتربوية التي تعتمد على استبانات التقرير الذاتي والمقاييس السيكومترية. فعندما يتعذر تحقيق الافتراضات الصارمة للنماذج المعلمية، يوفر هذا الاختبار حلاً موثوقاً يحافظ على القوة الإحصائية (Statistical Power) دون التضحية بالدقة المنهجية، مما يجعله أداة محورية في ترسانة التحليل الإحصائي الحديث.

1.2 اختبار كروسكال واليس كبديل لا معلمي لتحليل التباين الأحادي (ANOVA)

يُمثل اختبار كروسكال واليس النظير اللامعلمي المباشر لتحليل التباين الأحادي في اتجاه واحد (One-Way ANOVA). يعتمد تحليل التباين الأحادي المعلمي على تفكيك التباين الكلي في البيانات إلى مكونين أساسيين: التباين بين المجموعات (Between-group Variance) والتباين داخل المجموعات (Within-group Variance)، وذلك لاختبار فرضية تساوي المتوسطات الحسابية لعدة مجتمعات مستقلة. ومع ذلك، فإن صلاحية اختبار ANOVA المعلمي مشروطة بثلاثة افتراضات صارمة: اعتدالية التوزيع للبيانات داخل كل مجموعة، وتجانس التباين بين المجموعات (Homogeneity of Variance)، واستقلالية الأخطاء العشوائية.

عندما تتعرض هذه الافتراضات للانتهاك—خاصة في حالات الالتواء الشديد أو وجود قيم شاذة مؤثرة—تفقد إحصائية $F$ في اختبار ANOVA دقتها، مما يرفع من معدل ارتكاب الخطأ من النوع الأول (Type I Error) أو يضعف القوة الإحصائية للاختبار. هنا يتدخل اختبار كروسكال واليس، والذي يُشار إليه في الأدبيات الإحصائية أحياناً بمصطلح “تحليل التباين على الرتب” (One-Way ANOVA on Ranks). يقوم الاختبار باستبدال القيم الرقمية الأصلية برتبها، ثم يقارن متوسطات هذه الرتب بين المجموعات المختلفة، مما يجعله محصناً ضد التأثيرات المشوهة للقيم المتطرفة.

تتجلى مرونة اختبار كروسكال واليس في قدرته على معالجة البيانات المقاسة على مستوى ترتيبي، وكذلك البيانات الفترية أو النسبية التي تفتقر إلى خصائص التوزيع الطبيعي. ورغم أن الاختبار المعلمي يتمتع بقوة إحصائية أعلى قليلاً عند تحقق كامل شروطه بدقة متناهية، فإن الكفاءة التقريبية المقارنة (Asymptotic Relative Efficiency) لاختبار كروسكال واليس مقارنة باختبار ANOVA تصل إلى نحو 95.5% في ظل التوزيع الطبيعي، وتتجاوز 100% بكثير عندما تكون التوزيعات الأصلية ثقيلة الذيول (Heavy-tailed) أو مفرطة الالتواء.

1.3 العلاقة بين اختبار مان-ويتني واختبار كروسكال واليس

يرتبط اختبار كروسكال واليس ارتباطاً بنيوياً وثيقاً باختبار مان-ويتني للعينات المستقلة (Mann-Whitney U Test)؛ حيث يُعد اختبار كروسكال واليس تعميماً رياضياً وتوسيعاً مباشراً لاختبار مان-ويتني ليمتد من مقارنة مجتمعين مستقلين اثنين ($k = 2$) إلى مقارنة ثلاثة مجتمعات أو أكثر ($k ge 3$). يشترك كلا الاختبارين في المنطلق الإبستمولوجي ذاته، وهو الاعتماد على رتب المشاهدات بعد دمجها بدلاً من استخدام القيم القياسية الخام.

في حالة وجود مجموعتين فقط، تتطابق النتائج الاستدلالية لاختبار كروسكال واليس تماماً مع نتائج اختبار مان-ويتني، وتكون إحصائية كروسكال واليس المحسوبة مساوية لمربع الدرجة المعيارية الناتجة عن اختبار مان-ويتني المقارب ($H = Z^2$). وتتضح هذه العلاقة في كون كلا الاختبارين لا يفترضان أي معالم توزيعية محددة للمجتمعات الإحصائية المدروسة، بل يعتمدان كلياً على الترتيب النسبي للمشاهدات ضمن الفضاء العيني الشامل.

تتمثل القاعدة المنهجية للانتقال من اختبار مان-ويتني إلى اختبار كروسكال واليس في عدد مستويات المتغير المستقل (التصنيفي). فإذا كان التصميم التجريبي يشتمل على مجموعتين، يُستخدم مان-ويتني. أما إذا تضمن التصميم ثلاثة مستويات أو أكثر (مثل: مجموعة علاج معرفي سلوكي، ومجموعة علاج دوائي، ومجموعة ضابطة)، فإن تطبيق اختبارات مان-ويتني الثنائية المتعددة بشكل مباشر يؤدي إلى تضخم خطأ العائلة الشاملة (Family-Wise Error Rate). لذلك، يُشترط تطبيق اختبار كروسكال واليس كاختبار كلي شامل (Omnibus Test) أولاً، يتبعه تحليلات بعدية ملائمة عند ثبوت الدلالة الإحصائية.

2. الأسس النظرية والرياضية لاختبار كروسكال واليس

2.1 منطق تحويل البيانات إلى رتب (Rank-Transformation)

يقوم المنطق الجوهري لاختبار كروسكال واليس على استبدال القيم الأصلية بمواقعها التراتبية بعد دمج جميع الملاحظات من العينات المختلفة في مصفوفة واحدة متصلة. تبدأ هذه العملية بتجاهل الانتماء الفئوي لكل مشاهدة مؤقتاً، وتجميع العينات المستقلة كافة ($k$ من المجموعات) التي يبلغ حجم كل منها $n_i$، ليتشكل مجتمع عيني كلي حجمه $N = \sum_{i=1}^{k} n_i$.

تُرتب جميع القيم الإجمالية البالغ عددها $N$ تصاعدياً من الأصغر إلى الأكبر؛ فتُمنح أصغر قيمة في العينة المجمعة الرتبة (1)، وتُمنح القيمة التي تليها الرتبة (2)، ويستمر هذا الترقيم التسلسلي حتى تُمنح أعلى قيمة الرتبة ($N$). وبعد اكتمال إسناد الرتب لكافة العناصر، يُعاد فرز هذه الرتب وإرجاع كل رتبة إلى المجموعة التجريبية الأصلية التي تنتمي إليها تلك المشاهدة، تمهيداً لحساب المجاميع الرتبية ومتوسطات الرتب لكل مجموعة على حدة.

تكمن العبقرية الرياضية في هذا التحويل الرتبي في تحييد المسافات المطلقة غير المتجانسة بين المشاهدات. فالقيم المتطرفة للغاية، التي قد تشوه المتوسط الحسابي وتؤدي إلى تضخيم التباين الداخلي في الاختبارات المعلمية، تُعامل في هذا النظام بصفتها مجرد رتبة عليا (مثل الرتبة $N$ أو $N-1$) دون أن يؤثر مقدار تباعدها العددي عن بقية القيم على البنية الرياضية للاختبار. هذا التحويل ينقل التحليل من فضاء القياس الكمي الحساس للفروق الهامشية إلى فضاء التوزيع الترتيبي القوي والمستقر.

2.2 المعادلة الرياضية وحساب إحصائية الاختبار H

تُحسب إحصائية اختبار كروسكال واليس، والتي يُرمز لها عالمياً بالحرف ($H$)، من خلال قياس مدى تباعد مجموع رتب كل مجموعة عن المجموع المتوقع للرتب في حال كانت الفرضية الصفرية صحيحة (أي في حال عدم وجود أي فروق بين المجموعات). الصيغة الرياضية القياسية لحساب إحصائية $H$ تُعرّف على النحو التالي:

$$H = \frac{12}{N(N + 1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N + 1)$$

حيث تُعرّف المتغيرات الرياضية في هذه المعادلة كما يلي:

• $N$: يُمثل الحجم الإجمالي لكافة المشاهدات عبر جميع المجموعات المدروسة ($N = n_1 + n_2 + dots + n_k$).
• $k$: يُمثل العدد الإجمالي للمجموعات المستقلة المشمولة في التحليل.
• $n_i$: يُمثل حجم العينة الخاص بالمجموعة رقم $i$.
• $R_i$: يُمثل المجموع الكلي للرتب التي حصلت عليها المجموعة رقم $i$ بعد دمج وترتيب البيانات الشاملة.
• القيم الثابتة (12 و 3): ثوابت جبرية مشتقة رياضياً من خصائص مجموع ومتوسط مربعات الأعداد الطبيعية المتسلسلة من $1$ إلى $N$.

عندما تكون أحجام العينات في المجموعات مناسبة (عادة $n_i ge 5$ في كل مجموعة)، تتقارب إحصائية $H$ المقدرة تقارباً تقاربياً وثيقاً جداً مع توزيع كاي-تربيع (Chi-Square Distribution, $\chi^2$) بدرجات حرية تُحسب بالعلاقة ($df = k – 1$). وبناءً على هذا التوزيع التقريبي، تُحدد القيمة الاحتمالية ($p\text{-value}$) من خلال مقارنة قيمة $H$ المحسوبة بالقيمة الحرجة لتوزيع كاي-تربيع عند مستوى المعنوية المعتمد ($\alpha$).

2.3 تصحيح الرتب المكررة أو المتطابقة (Ties Correction)

في التطبيقات العملية، وخاصة عند التعامل مع البيانات الترتيبية ومقاييس ليكرت، تتكرر بعض القيم العددية الخام بين أفراد العينات المختلفة. يُطلق على هذه القيم المتطابقة اسم “الرتب المكررة” أو “التعادلات” (Ties). في مثل هذه الحالات، لا يجوز إسناد رتب متتالية اعتباطية لهذه القيم المتساوية، بل يجب تطبيق أسلوب “متوسط الرتب” (Mid-ranks / Average Ranks)، حيث تُجمع الرتب التي كانت ستُخصص لتلك القيم لو كانت مختلفة، ثم يُقسم المجموع على عدد المشاهدات المتطابقة، وتُمنح هذه الرتبة المتوسطة لجميع تلك المشاهدات.

يؤدي وجود الرتب المكررة إلى تقليل التباين الإجمالي للرتب مقارنة بحالة الرتب الفريدة تماماً، مما يترتب عليه انخفاض طفيف غير حقيقي في قيمة إحصائية $H$ المحسوبة، وهو ما قد يقود إلى تضخيم احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error) بعدم رفض الفرضية الصفرية الخاطئة. لمعالجة هذا الخلل الجبري، يتم تطبيق معامل تصحيح الرتب المكررة ($C$)، ويُحسب بالصيغة التالية:

$$C = 1 – \frac{\sum_{j=1}^{g} (t_j^3 – t_j)}{N^3 – N}$$

حيث يُمثل $g$ عدد مجموعات القيم المتطابقة، بينما يُمثل $t_j$ عدد المشاهدات المتطابقة في المجموعة المكررة رقم $j$. وبمجرد استخراج قيمة معامل التصحيح $C$، تُعدل إحصائية كروسكال واليس الأصلية بالقسمة على هذا المعامل للحصول على إحصائية $H$ المصححة ($H_c$):

$$H_c = \frac{H}{C}$$

إذا كانت نسبة الرتب المتطابقة في البيانات منخفضة، تكون قيمة $C$ قريبة جداً من الواحد الصحيح، ويكون التعديل طفيفاً للغاية. أما إذا كانت نسبة التكرارات مرتفعة، فإن إهمال هذا التصحيح يؤدي إلى خفض القوة الإحصائية للاختبار، وهو ما تلتزم البرمجيات الإحصائية المتقدمة بتصحيحه تلقائياً لضمان الدقة الاستدلالية.

3. شروط وافتراضات استخدام اختبار كروسكال واليس

3.1 استقلالية العينات وطبيعة المشاهدات

يُعد افتراض استقلالية المشاهدات (Independence of Observations) الشرط الأهم والأكثر صرامة لتطبيق اختبار كروسكال واليس. ينص هذا الافتراض على أن اختيار أي فرد في عينة ما، أو قياس قيمة استجابته، يجب ألا يؤثر بأي شكل من الأشكال على اختيار أو قياس أي فرد آخر سواء داخل المجموعة نفسها أو بين المجموعات التجريبية الأخرى. إن انتهاك هذا الافتراض يؤدي إلى إفساد تام للخصائص التوزيعية للاختبار وللقيم الاحتمالية الناتجة عنه.

يترتب على هذا الشرط حظر استخدام اختبار كروسكال واليس في دراسة التصاميم الطولية (Longitudinal Designs) أو تصاميم القياسات المتكررة (Repeated Measures)، أو العينات المرتبطة وأزواج الحالات المطابقة (Matched Pairs). فإذا خضع نفس الأفراد لعدة قياسات متتابعة عبر الزمن أو عبر ظروف تجريبية مختلفة، يُعد اختبار كروسكال واليس غير صالح منهجياً، ويجب الاستعاضة عنه ببدائل لا معلمية مخصصة للعينات المرتبطة، مثل اختبار فريدمان (Friedman Test).

لضمان استيفاء هذا الشرط في الممارسة البحثية، يجب على الباحث التحقق من منهجية المعاينة والتأكد من استخدام التعيين العشوائي المستقل (Random Assignment)، والتأكد من عدم وجود تفاعلات جماعية أو تجمعات هرمية (Clustering) قد تخلق ارتباطات بينية داخل البيانات دون ضبط إحصائي ملائم.

3.2 مستويات القياس والمتغيرات التابعة

يتطلب اختبار كروسكال واليس تصنيفاً محدداً لمتغيرات الدراسة وفق مستويات القياس الإحصائي (Levels of Measurement). يجب أن يكون المتغير المستقل (Independent Variable) متغيراً نوعياً تصنيفياً (Categorical/Nominal) يتألف من ثلاثة مستويات مستقلة أو أكثر ($k ge 3$). وتُمثل هذه المستويات المجموعات المقارنة، مثل: الفئات العمرية (شباب، متوسطو العمر، كبار سن)، أو طرق التدريس المختلفة، أو بروتوكولات التدخل العلاجي المتنوعة.

أما بالنسبة للمتغير التابع (Dependent Variable)، فيجب أن يكون مقاساً على الأقل على مستوى ترتيبي (Ordinal Scale). يشمل ذلك استجابات مقاييس التقدير المتدرجة، ومقاييس الاتجاهات وسيكومترية الشخصية (مثل مقياس ليكرت الخماسي أو السباعي)، والرتب التقييمية للأداء الإكلينيكي أو الوظيفي. يتيح هذا المستوى الترتيبي ترتيب المشاهدات منطقياً من الأدنى إلى الأعلى بصورة ذات مغزى رياضي.

بالإضافة إلى ذلك، يُمكن تطبيق اختبار كروسكال واليس بنجاح كامل على المتغيرات التابعة الفترية (Interval) والنسبية (Ratio) عندما تنتهك هذه المتغيرات شروط التوزيع الطبيعي أو تشتمل على قيم شاذة حادة تجعل استخدام النماذج المعلمية مضللاً. في هذه الحالات، لا يُشترط أن تكون المسافات بين الرتب متساوية بالمعنى الفيزيائي، بل يكفي تماماً الحفاظ على العلاقة الترتيبية التصاعدية بين القيم المقاسة.

3.3 شرط شكل التوزيع ودلالة الوسيط (Shape of Distributions)

يُعد شرط شكل التوزيع (Shape of Distributions) أحد أدق الجوانب الإبستمولوجية التي يقع الباحثون في اللبس حولها عند تفسير اختبار كروسكال واليس. يختبر كروسكال واليس أساساً الفروق في التوزيعات الاحتمالية الشاملة ومتوسطات الرتب (Mean Ranks) بين المجموعات. ومع ذلك، إذا رغب الباحث في استخدام هذا الاختبار كاختبار مباشر لمقارنة الوسائط الإحصائية (Medians) للمجموعات، فإن هناك شرطاً إضافياً حاسماً يجب استيفاؤه.

ينص هذا الشرط على ضرورة أن تمتلك المجموعات المدروسة كافة توزيعات تكرارية متشابهة في الشكل والانتشار (Similar Shapes and Variances). أي أنه إذا كانت المنحنيات التوزيعية للمجموعات متماثلة في درجة الالتواء والتفرطح والتشتت، ولكنها مزاحة أفقياً على محور القيم، فإن أي فرق دال إحصائياً في إحصائية $H$ يُفسر بدقة ومباشرة على أنه فرق جوهري بين وسائط المجموعات.

أما إذا كانت أشكال التوزيعات التكرارية للمجموعات متباينة تبايناً ملحوظاً (كأن يكون توزيع المجموعة الأولى ملت Mystical-skewed ملتوياً لليمين بينما توزيع المجموعة الثانية ملتوياً لليسار، وتوزيع المجموعة الثالثة مسطحاً ومتعدد القمم)، فإن اختبار كروسكال واليس يظل صالحاً لاختبار الهيمنة العشوائية وتساوي التوزيعات الإجمالية ومتوسطات الرتب، لكنه يفقد قدرته المنهجية على إثبات وجود فروق بين الوسائط الحقيقية. يتطلب ذلك فحص التماثل البصري والتوزيعي قبل صياغة التفسير النهائي.

3.4 حجم العينات والتوزيع التقريبي

تعتمد دقة الاستدلال الإحصائي لاختبار كروسكال واليس على حجم العينات المتاحة ومدى ملائمتها للتقريب التوزيعي المعتمد. عندما يشتمل التصميم على ثلاثة مجموعات أو أكثر، وتضم كل مجموعة ما لا يقل عن خمس مشاهدات ($n_i ge 5$)، فإن التوزيع العيني لإحصائية $H$ يتبع بدقة تقريبية عالية توزيع كاي-تربيع بدرجات حرية ($df = k – 1$). ويُعد هذا الحجم الأدنى كافياً لضمان موثوقية القيم الاحتمالية المستخرجة من الجداول التوزيعية القياسية.

في الحالات التي تكون فيها أحجام العينات شديدة الصغر (كأن تضم بعض المجموعات 3 أو 4 أفراد فقط)، يفقد تقريب كاي-تربيع كفاءته وقد يؤدي إلى نتائج مضللة. في هذا السياق المنهجي، يجب اللجوء إلى “الاختبارات التوافقية الدقيقة” (Exact Tests) أو أساليب التباديل والمحاكاة الحاسوبية (Monte Carlo Permutation Tests)، حيث تُحسب القيمة الاحتمالية الدقيقة عبر حصر جميع التباديل الممكنة لتوزيع الرتب بين المجموعات وحساب احتمال الحصول على إحصائية مساوية أو تفوق الإحصائية المشاهدة فعلياً.

كذلك يتعامل اختبار كروسكال واليس بكفاءة مع التصاميم غير المتوازنة (Unbalanced Designs)، أي الحالات التي تختلف فيها أحجام العينات بين المجموعات ($n_1 ne n_2 ne n_3$). ومع ذلك، فإن التفاوت الشديد جداً في أحجام العينات مع وجود تباينات غير متجانسة قد يؤثر على قوة الاختبار الإحصائية ويزيد من حساسية الرتب لعينات المجموعات الأكبر حجماً، وهو ما يقتضي الحذر والتوثيق الدقيق في التقرير النهائي.

4. صياغة الفرضيات الإحصائية لاختبار كروسكال واليس

4.1 الفرضية الصفرية (H0) ودلالاتها

تُمثل الفرضية الصفرية (Null Hypothesis, $H_0$) في اختبار كروسكال واليس نقطة البداية المنهجية التي تفترض غياب أي تأثير للمتغير المستقل على المتغير التابع عبر المجموعات المقارنة. في سياقها العام والأشمل، تُصاغ الفرضية الصفرية على النحو التالي: “إن التوزيعات الاحتمالية للمتغير التابع متطابقة عبر جميع المجموعات المدروسة في المجتمع الإحصائي الشامل”.

من الناحية الرياضية، تعني الفرضية الصفرية أن احتمالية أن تسحب عشوائياً قيمة من المجموعة الأولى تكون أكبر من قيمة مسحوبة عشوائياً من المجموعة الثانية تساوي تماماً 0.5 عبر جميع الأزواج الممكنة من المجموعات. ويترتب على ذلك افتراض تساوي متوسطات الرتب المجتمعية لجميع المجموعات ($R_1 = R_2 = dots = R_k$).

وفي الحالة المقيدة التي يُثبت فيها الباحث تحليلياً وبصرياً تشابه أشكال التوزيعات التكرارية للمجموعات من حيث التفرطح والالتواء، تأخذ الفرضية الصفرية دلالة بارامترية أكثر وضوحاً لتُصاغ كالتالي: “تتساوى وسائط المجتمعات الإحصائية لجميع المجموعات المدروسة”، ويُعبر عنها رياضياً بالمعادلة:

$$H_0: \theta_1 = \theta_2 = dots = \theta_k$$

حيث تُمثل $\theta_i$ وسيط المجتمع للمجموعة رقم $i$. ويعني قبول هذه الفرضية عدم وجود أي دليل إحصائي كافٍ يشير إلى اختلاف المواقع التوزيعية للمجموعات المقارنة.

4.2 الفرضية البديلة (H1) واتجاهات التأثير

تُصاغ الفرضية البديلة (Alternative Hypothesis, $H_1$) في اختبار كروسكال واليس لتنص على وجود اختلاف جوهري واحد على الأقل بين المجموعات المدروسة. في صيغتها العامة الشاملة، تنص الفرضية على أن: “واحدة على الأقل من المجموعات المدروسة تمتلك توزيعاً احتمالياً يختلف عن التوزيعات الاحتمالية للمجموعات الأخرى، أو تميل إلى إنتاج قيم أعلى أو أدنى عشوائياً مقارنة ببقية المجموعات”.

وعند تحقق شرط تماثل أشكال التوزيعات، تُصاغ الفرضية البديلة بدلالة الوسائط لتنص على أن: “وسيط مجتمع واحد على الأقل يختلف عن وسائط المجتمعات الأخرى”، وتُكتب رياضياً كالتالي:

$$H_1: \exists , i, j \quad \text{such t\hat} \quad \theta_i ne \theta_j \quad (i ne j)$$

يتميز اختبار كروسكال واليس في بنيته الفرضية بكونه اختباراً كلياً شاملاً غير موجه (Omnibus Non-directional Test). وهذا يعني أن رفض الفرضية الصفرية وثبوت صحة الفرضية البديلة لا يُحدد للباحث تحديداً أي المجموعات تختلف عن الأخرى، ولا يوضح عدد المجموعات التي تمايزت إحصائياً، ولا يحدد اتجاه التفوق الدقيق. فالنتيجة الدالة تخبر الباحث فقط بوجود تباين ذي دلالة في مكان ما ضمن مصفوفة المجموعات، مما يفرض الانتقال الإلزامي إلى مرحلة المقارنات البعدية المتعددة لاستكشاف مواضع هذا التباين وتفسيرها.

4.3 التمييز المنهجي بين فرضية تساوي الوسائط وفرضية الرتب

ينتشر في العديد من الأبحاث المنشورة خلط منهجي ومفاهيمي شائع يتمثل في الادعاء الجازم بأن اختبار كروسكال واليس هو “اختبار لمقارنة الوسائط” بشكل مطلق. هذا التبسيط المخل يتجاهل الأسس الرياضية للاختبار؛ حيث إن الآلية الحسابية لاختبار كروسكال واليس مبنية بصورة كلية ومباشرة على مقارنة متوسطات الرتب الإجمالية الناتجة عن الترتيب التجميعي، وليس على حساب وسائط العينات الأصلية أو مقارنة الفروق بينها.

يُعبر المفهوم الرياضي الأدق عن اختبار كروسكال واليس بمصطلح “اختبار الهيمنة العشوائية” (Stochastic Dominance). فإذا كانت المجموعة ($A$) تهيمن عشوائياً على المجموعة ($B$)، فهذا يعني أن احتمالية الحصول على درجات مرتفعة من أفراد المجموعة ($A$) أعلى بشكل منهجي من احتمالية الحصول عليها من المجموعة ($B$). وتتحول هذه الهيمنة التوزيعية إلى فروق حقيقية بين الوسائط فقط وفقط في حال تطابق شكل التوزيع (Dispersion and Shape) عبر جميع المجموعات.

لذلك، يتطلب البحث الأكاديمي الرصين من الباحث أن يُميز بوضوح عند صياغة استنتاجاته بين حالتين: فإذا كانت الرسوم البيانية للتوزيعات التكرارية (مثل المخططات الصندوقية ومنحنيات الكثافة) تُظهر تماثلاً واضحاً في الشكل، جاز للباحث التقرير عن فروق دالة بين وسائط المجموعات. أما إذا كانت الأشكال شديدة التباين والتشتت، فيجب أن تقتصر الصياغة المنهجية بدقة على التقرير عن وجود فروق ذات دلالة إحصائية في متوسطات الرتب والتوزيعات الاحتمالية العامة لتجنب التضليل الإحصائي.

5. تطبيقات اختبار كروسكال واليس في البحوث النفسية والسلوكية

5.1 مقارنة فاعلية التدخلات العلاجية النفسية

تُعد التجارب الإكلينيكية والتدخلات العلاجية النفسية من أبرز المجالات التطبيقية لاختبار كروسكال واليس. في مثل هذه الدراسات، يعمد الباحثون الإكلينيكيون إلى تقييم ومقارنة عدة أساليب علاجية لتخفيف حدة الأعراض النفسية كالقلق والاكتئاب أو اضطراب ما بعد الصدمة. على سبيل المثال، قد يصمم باحث تجربة تشتمل على ثلاث مجموعات مستقلة من المرضى: مجموعة تتلقى العلاج المعرفي السلوكي (CBT)، ومجموعة تتلقى العلاج الدوائي الموجه، ومجموعة ضبط ثالثة تتلقى تدخلاً وهمياً (Placebo) أو توضع على قائمة الانتظار.

غالباً ما تُقاس مستويات التحسن السريري باستخدام مقاييس وأدوات تشخيصية مركبة، مثل مقياس بيك للاكتئاب (BDI) أو مقياس هاميلتون للقلق (HAM-A). تتسم الدرجات الناتجة عن هذه الأدوات في العينات الإكلينيكية بالالتواء الشديد؛ حيث يتجمع معظم المرضى المتحسنين عند الدرجات الدنيا من المقياس، بينما تظل حالات أخرى مستعصية عند درجات مرتفعة جداً، مما يولد قيماً شاذة ويمنع استيفاء شرط التوزيع الطبيعي اللازم لإجراء تحليل التباين الكلاسيكي.

يتيح تطبيق اختبار كروسكال واليس في هذا السياق للباحثين تقييم الفروق الحقيقية في درجات التحسن بين بروتوكولات التدخل العلاجي المتنوعة دون تحيز ناتج عن شذوذ التوزيع. ومن خلال تحويل الدرجات الإكلينيكية إلى رتب، يستطيع الفريق العلاجي إثبات ما إذا كان العلاج المعرفي السلوكي يحقق تفوقاً إحصائياً دالاً وموثوقاً في تخفيض شدة الأعراض مقارنة بالمسار الدوائي والمجموعة الضابطة، مما يوفر أدلة إكلينيكية متينة تدعم الممارسات العلاجية المبنية على الدليل (Evidence-Based Practice).

5.2 تحليل استجابات مقاييس ليكرت (Likert Scales)

تُشكل مقاييس ليكرت الترتيبية العمود الفقري لجمع البيانات في علوم النفس، والسلوك التنظيمي، وعلم الاجتماع، والعلوم التربوية. تمتد هذه المقاييس عادة من درجات خماسية (غير موافق بشدة إلى موافق بشدة) إلى درجات سباعية أو تساعية. من الناحية القياسية الصارمة، تُصنف الاستجابات الفردية على هذه الفقرات بصفتها متغيرات ترتيبية نوعية تفتقر إلى خاصية “المسافات المتساوية الحقيقية” بين نقاط التدريج؛ فالمسافة النفسية والكمية الفاصلة بين “موافق” و”موافق بشدة” لا يمكن إثبات تطابقها رياضياً مع المسافة بين “محايد” و”موافق”.

عندما يسعى الباحث إلى دراسة الفروق في أبعاد مثل “الرضا الوظيفي”، أو “الاحتراق النفسي”، أو “التوافق الزواجي” عبر فئات ديموغرافية متعددة (مثل: الفئات المهنية، أو المستويات التعليمية، أو الفئات العمرية المتعددة)، فإن استخدام النماذج المعلمية التي تفترض فترية المقياس وتوزيعاً غاوسياً مستمراً يُعد انتهاكاً منهجياً صارخاً لخصائص القياس السيكومتري.

يبرز اختبار كروسكال واليس كأداة إحصائية مثالية ومباشرة لتحليل استجابات مقاييس ليكرت والدرجات المركبة المشتقة منها. فهو يحترم الطبيعة الترتيبية المتأصلة لهذه المقاييس، ويتعامل مع البيانات على أساس التراتبية النسبية للتفضيلات والاتجاهات دون إجبار البيانات على افتراضات مسافية غير واقعية، مما يضمن خروج الدراسات المسحية والسيكومترية باستنتاجات استدلالية رصينة تتطابق مع الواقع القياسي للسمات المدروسة.

5.3 الدراسات النمائية والوظائف التنفيذية المعرفية

في فروع علم النفس العصبي (Neuropsychology) وعلم النفس النمائي والمعرفي، تتناول الأبحاث تقييم كفاءة الوظائف التنفيذية، مثل الانتباه الانتقائي، والذاكرة العاملة، والمرونة المعرفية، وزمن الرجع الحركي والحسي (Reaction Time). تُظهر البيانات المستخلصة من هذه الاختبارات السلوكية—مثل اختبار ستروب (Stroop Test) أو اختبار فرز بطاقات ويسكونسن (WCST)—خصائص توزيعية معقدة تتسم بوجود قيود سقفية وأرضية صارمة (Ceiling and Floor Effects).

فعلى سبيل المثال، عند دراسة زمن الرجع الحركي المعرفي عبر مراحل عمرية متتابعة (الأطفال، والشباب، وكبار السن)، يميل زمن الرجع لدى الأطفال وكبار السن إلى إظهار التواء إيجابي شديد مع وجود تشتت كبير في الاستجابات البطيئة، في حين يُظهر الشباب استجابات سريعة ومتقاربة ومقيدة بحدود فسيولوجية دنيا. كذلك في دراسات اضطراب فرط الحركة وتشتت الانتباه (ADHD) عبر مستويات الشدة الإكلينيكية المختلفة، تنحرف درجات الأداء المعرفي جذرياً عن التوزيع الطبيعي.

يوفر اختبار كروسكال واليس إطاراً تحليلياً قوياً لمعالجة البيانات المعرفية والنيوروسيكولوجية المقيدة. فبفضل اعتماده على مصفوفة الرتب، يتغلب الاختبار على تشوهات الأزمنة القصوى والتأثيرات الناتجة عن بلوغ المفحوصين النهاية العظمى أو الصغرى للمقاييس المعرفية، مما يسمح للباحثين باستكشاف الفروق النمائية والتنكسية في الوظائف الدماغية بدقة منهجية فائقة.

6. خطوات إجراء اختبار كروسكال واليس يدوياً

6.1 ترتيب البيانات وإسناد الرتب المجمعة

لفهم الآلية الحسابية الدقيقة لاختبار كروسكال واليس، يُفضل تتبع خطوات الحل اليدوي عبر مثال تطبيقي توضيحي. لنفترض أن باحثاً يرغب في مقارنة مستويات القلق الترتيبية بين ثلاث مجموعات علاجية مستقلة ($k = 3$)، حيث تضم المجموعة الأولى ($n_1 = 4$) أفراد، والمجموعة الثانية ($n_2 = 4$) أفراد، والمجموعة الثالثة ($n_3 = 4$) أفراد، بحيث يبلغ الحجم الكلي للمشاهدات $N = 12$.

تتمثل الخطوة الأولى في دمج درجات الأفراد من المجموعات كافة في جدول موحد وتدوين القيمة الأصلية لكل فرد مع الاحتفاظ برمز مجموعته التابع لها، ثم فرز وترتيب جميع البيانات البالغ عددها 12 تصاعدياً من أقل درجة إلى أعلى درجة. بعد الترتيب، تُسند الرتب المتسلسلة من 1 إلى 12 لكافة القيم.

في حالة وجود قيم عددية متكررة (تعادلات) بين الأفراد، تُحسب الرتبة المخصصة لكل قيمة مكررة عبر إيجاد الوسط الحسابي لمواقع تلك القيم في السلسلة المرتبة. على سبيل المثال، إذا احتلت قيمتان متساويتان الموقعين 4 و 5 في الترتيب، تُسند لكل منهما الرتبة المشتركة $(4 + 5) / 2 = 4.5$. وبعد إتمام عملية الترقيم لجميع المشاهدات الـ $N$، تُعاد كل رتبة إلى مجموعتها الأصلية لتشكيل أعمدة الرتب المستقلة لكل مجموعة.

6.2 حساب مجاميع ومتوسطات الرتب (Ranks Sums)

عقب إسناد الرتب المجمعة وفرزها بحسب المجموعات، تأتي الخطوة الثانية والمتمثلة في حساب مجموع الرتب ($R_i$) لكل مجموعة على حدة عبر جمع قيم الرتب المخصصة لأفراد تلك المجموعة. ويُعبر عن ذلك رياضياً كالتالي:

• مجموع رتب المجموعة الأولى: $R_1 = \sum r_{1j}$
• مجموع رتب المجموعة الثانية: $R_2 = \sum r_{2j}$
• مجموع رتب المجموعة الثالثة: $R_3 = \sum r_{3j}$

بعد استخراج مجاميع الرتب، يتم حساب متوسط الرتبة ($\bar{R}_i$) لكل مجموعة بقسمة مجموع رتبها على حجم عينتها الجزئية ($\bar{R}_i = R_i / n_i$). ويُعد متوسط الرتب المؤشر الوصفي الأساسي الذي يوضح تموضع كل مجموعة داخل التوزيع الترتيبي الكلي.

للتحقق الرياضي من خلو العمليات الحسابية اليدوية من الأخطاء، يجب التأكد من مطابقة المجموع الكلي للرتب عبر كافة المجموعات مع الصيغة الجبرية لمجموع المتتالية الحسابية للأعداد الطبيعية من $1$ إلى $N$، وفق المعادلة الصارمة:

$$\sum_{i=1}^{k} R_i = \frac{N(N + 1)}{2}$$

فإذا كان $N = 12$، فإن المجموع الكلي الحتمي لكافة الرتب يجب أن يساوي تماماً: $12 \times 13 / 2 = 78$. وإذا لم يتطابق مجموع رتب المجموعات مع هذا الناتج، فهذا يدل قطعياً على وجود خطأ حسابي في إسناد الرتب أو معالجة التعادلات يتطلب المراجعة قبل المتابعة.

6.3 حساب الإحصائية H وتحديد القيمة الحرجة

تتمثل الخطوة الثالثة في التعويض بالقيم المحسوبة ($N$, $n_i$, $R_i$) في المعادلة الأساسية لإحصائية كروسكال واليس:

$$H = \left[ \frac{12}{N(N + 1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} \right] – 3(N + 1)$$

يقوم الباحث بتربيع مجموع رتب كل مجموعة ($R_i^2$) وقسمته على حجم عينتها ($n_i$)، ثم جمع هذه النواتج لكافة المجموعات. يُضرب هذا المجموع في المعامل $\frac{12}{N(N + 1)}$، ثم يُطرح من الناتج المقدار الثابت $3(N + 1)$. وإذا احتوت البيانات على رتب مكررة، تُحسب قيمة معامل التصحيح $C$ وتُقسم قيمة $H$ الناتجة عليه للحصول على القيمة المصححة $H_c$.

لتحديد الدلالة الإحصائية، تُحسب درجات الحرية بالعلاقة ($df = k – 1$). ففي تصميم يشتمل على 3 مجموعات، تكون درجات الحرية $df = 3 – 1 = 2$. بعد ذلك، يتوجه الباحث إلى جدول التوزيع الاحتمالي لكاي-تربيع ($\chi^2$) لاستخراج “القيمة الحرجة” (Critical Value) عند مستوى الدلالة المختار (مثلاً $\alpha = 0.05$).

تنص قاعدة اتخاذ القرار الإحصائي على ما يلي: إذا كانت قيمة $H$ المحسوبة أكبر من أو تساوي القيمة الحرجة المجدولة لتوزيع كاي-تربيع ($H ge \chi^2_{\text{critical}}$)، أو إذا كانت القيمة الاحتمالية المرتبطة بها أصغر من مستوى المعنوية ($p le 0.05$)، يتم رفض الفرضية الصفرية ($H_0$) وقبول الفرضية البديلة ($H_1$)، مما يؤكد وجود فروق دالة إحصائياً في متوسطات الرتب بين المجموعات تتطلب تحليلاً بعدياً مفصلاً.

7. تنفيذ اختبار كروسكال واليس باستخدام الحزم الإحصائية البرمجية

7.1 تطبيق الاختبار عبر برنامج SPSS

يُعد برنامج SPSS (Statistical Package for the Social Sciences) أحد أكثر البرمجيات استخداماً في البحوث النفسية والاجتماعية لإجراء التحليلات اللامعلمية. لتنفيذ اختبار كروسكال واليس في SPSS، يتم اتباع المسار البرمجي التالي عبر القوائم الرئيسية:

من القائمة العلوية، يتم اختيار Analyze، ثم الانتقال إلى Nonparametric Tests، ثم اختيار Independent Samples. يفتح البرنامج واجهة تفاعلية حديثة تتألف من عدة تبويبات:

في تبويب Fields، يتم إدراج المتغير التابع الترتيبي أو الكمي غير المعلمي في مربع Test Fields، بينما يُنقل المتغير المستقل التصنيفي إلى مربع Groups. بعد ذلك، يتم الانتقال إلى تبويب Settings واختيار Customize test، ثم تفعيل خيار Kruskal-Wallis 1-way ANOVA (k samples).

يوفر البرنامج في هذا القسم خياراً متقدماً لإجراء المقارنات البعدية الآلية، حيث يُفضل ضبط خيار Multiple comparisons على وضعية All pairwise لاختبار الفروق الثنائية بين كافة المجموعات تلقائياً مع تفعيل تعديل بونفيروني لمستوى المعنوية. يُنتج البرنامج جدولاً ملخصاً للفرضيات يتضمن قيمة إحصائية الاختبار ودرجات الحرية والقيمة الاحتمالية الدقيقة والمقاربة، بالإضافة إلى الرسوم البيانية التوضيحية لتوزيع الرتب.

7.2 تنفيذ الاختبار بلغة البرمجة R

توفر بيئة الحوسبة الإحصائية R مرونة فائقة وقدرات متقدمة لإجراء اختبار كروسكال واليس والمقارنات البعدية وحساب حجوم الأثر بدقة بالغة. الدالة الأساسية المدمجة في النظام لإجراء الاختبار هي دالة kruskal.test().

يتم تطبيق الاختبار عبر صياغة رياضية مباشرة تأخذ النمط القياسي للنمذجة: kruskal.test(dependent_var ~ grouping_var, data = dataset)، حيث يُعبر dependent_var عن المتغير التابع، وgrouping_var عن العامل التصنيفي المستقل. تُرجع هذه الدالة تلقائياً قيمة إحصائية كروسكال واليس كاي-تربيع، ودرجات الحرية، ومستوى المعنوية الدقيق.

ولإجراء تحليلات سيكومترية وإحصائية شاملة ومتقدمة، يعتمد الباحثون على حزم إحصائية متخصصة مثل حزمة rstatix وحزمة FSA. تتيح حزمة rstatix استخراج الإحصاءات الوصفية الترتيبية الشاملة (الوسيط، المدى الربيعي، متوسط الرتب) عبر دالة get_summary_stats()، وحساب حجم الأثر إيتا تربيع اللامعلمي عبر دالة kruskal_effsize()، وتنفيذ المقارنات البعدية المصححة عبر دالة dunn_test()، مما يوفر بيئة تحليل متكاملة وقابلة لإعادة الإنتاج البرمجي بالكامل.

7.3 تنفيذ الاختبار بلغة Python

في بيئة لغة Python الموجهة لعلوم البيانات والتحليل السلوكي المحوسب، يُنفذ اختبار كروسكال واليس بالاعتماد على المكتبة العلمية الرائدة scipy.stats وتحديداً من خلال استدعاء الدالة المتخصصة kruskal().

تتطلب العملية البرمجية أولاً استيراد البيانات وتنظيمها باستخدام مكتبة pandas، والتعامل مع القيم المفقودة وفرز مصفوفات المشاهدات التابعة لكل مجموعة تصنيفية بشكل مستقل. بعد ذلك، يتم تمرير متجهات المجموعات مباشرة كمعاملات إدخال داخل الدالة: stats.kruskal(group1, group2, group3). تُنتج الدالة كائناً برمجياً يحتوي على إحصائية $H$ المحسوبة والقيمة الاحتمالية المرتبطة بها ($p\text{-value}$).

ولتوسيع التحليل ليشمل الاختبارات البعدية، يمكن ربط هذه النتائج بمكتبة scikit-posthocs، والتي تتضمن دالة posthoc_dunn() لتنفيذ اختبار دان للمقارنات المتعددة مع تطبيق تصحيحات احتمالية متعددة مثل تصحيح بونفيروني أو هولم، إضافة إلى استخدام مكتبات الرسوم البيانية مثل seaborn و matplotlib لبناء المخططات الصندوقية ومخططات الكمان التوزيعية عالية الجودة للنشر العلمي.

8. تفسير مخرجات اختبار كروسكال واليس

8.1 قراءة إحصائية H ومستوى الدلالة الإحصائية (p-value)

تبدأ عملية تفسير مخرجات اختبار كروسكال واليس بقراءة قيمة إحصائية الاختبار المحسوبة ($H$) والمشار إليها في العديد من المخرجات البرمجية برمز كاي-تربيع ($\chi^2$). تُقارن هذه القيمة بمستوى المعنوية المحدد مسبقاً في التصميم التجريبي، والذي يُضبط تقليدياً في البحوث النفسية والاجتماعية عند مستوى ($\alpha = 0.05$) أو ($\alpha = 0.01$).

تتمثل القاعدة الأساسية في قراءة القيمة الاحتمالية (p-value):

• إذا كانت $p le 0.05$: يُعد الاختبار دالاً إحصائياً، وتُرفض الفرضية الصفرية، مما يعني وجود أدلة قاطعة على أن المجموعات لا تنتمي إلى توزيع احتمالي متطابق، وأن هناك تبايناً حقيقياً في رتب المتغير التابع لا يمكن عزوه لتقلبات المعاينة العشوائية الصدفية.
• إذا كانت $p > 0.05$: يفشل الاختبار في رفض الفرضية الصفرية، ويُستنتج عدم وجود فروق ذات دلالة إحصائية بين المجموعات في متوسطات الرتب عند مستوى الثقة المعتمد، وتتوقف عملية التحليل الإحصائي هنا دون الانتقال إلى المقارنات البعدية.

يجب على الباحثين الحذر الشديد من الوقوع في الخطأ من النوع الأول (رفض فرضية صفرية صحيحة) نتيجة الاعتماد على قيم احتمالية هامشية قريبة جداً من 0.05 دون فحص دقة العينات واستيفاء الافتراضات التوزيعية، والتأكد دائماً من مطابقة القيمة المقاربة بالقيمة الدقيقة في العينات المحدودة.

8.2 تحليل رتب المجموعات وتحديد اتجاه الفروق

بمجرد ثبوت الدلالة الإحصائية الشاملة، لا يكتفي الباحث بالتقرير عن قيمة $p$، بل يجب عليه فحص جدول الإحصاءات الوصفية للرتب، وتحديداً عمود “متوسط الرتب” (Mean Rank) لكل مجموعة. يعكس متوسط الرتب الترتيب النسبي العام لأداء كل فئة داخل العينة الإجمالية الموحدة.

تُفسر المجموعة التي تمتلك أعلى متوسط رتب بأنها المجموعة التي أظهرت أعلى مستويات في المتغير المقاس، بينما تعكس المجموعة ذات متوسط الرتب الأدنى تراجعاً في تلك السمة. فعلى سبيل المثال، في دراسة تقارن بين استراتيجيات خفض التوتر النفسي، فإن المجموعة التي تسجل متوسط رتب يبلغ 45.2 تمتلك مستويات توتر أعلى بشكل ملحوظ مقارنة بمجموعة تسجل متوسط رتب قدره 18.4 ضمن نفس فضاء التحليل الرتبي.

ولدعم الفهم الإكلينيكي والسلوكي الميداني وتوفير صورة وصفية متكاملة للقارئ، يجب تقديم مقاييس النزعة المركزية والتشتت اللامعلمية بجانب متوسطات الرتب؛ ويشمل ذلك عرض الوسيط الحسابي (Median) والمدى الربيعي (Interquartile Range – IQR) لكل مجموعة على حدة. يضمن ذلك تقديم رؤية واضحة لطبيعة التمركز والتشتت الداخلي للبيانات لكل ظرف تجريبي.

8.3 حساب وتفسير حجم الأثر (Effect Size)

لا تعني الدلالة الإحصائية بالضرورة وجود أهمية عملية أو تطبيقية للنتيجة؛ فالقيمة الاحتمالية شديدة التأثر بحجم العينة. لذلك، تشترط المعايير الأكاديمية الحديثة ومحددات جمعية علم النفس الأمريكية (APA) حساب وتوثيق حجم الأثر (Effect Size) لاختبار كروسكال واليس لتقدير القوة الحقيقية للعلاقة أو مقدار التباين المفسر في المتغير التابع بفعل المتغير المستقل.

يُعد معامل “إيتا تربيع المبني على الرتب” ($\eta^2_H$) أحد أدق وأشهر المؤشرات القياسية لحساب حجم الأثر لهذا الاختبار، وتُحسب قيمته باستخدام المعادلة التالية:

$$\eta^2_H = \frac{H – k + 1}{N – k}$$

حيث يُمثل $H$ قيمة إحصائية كروسكال واليس المحسوبة، و$k$ عدد المجموعات، و$N$ الحجم الإجمالي للمشاهدات. تتراوح قيمة $\eta^2_H$ نظرياً بين 0 و 1، وتُعبر عن النسبة المئوية للتباين في رتب المتغير التابع المعزوة إلى الانتماء المجموعاتي.

كذلك يُستخدم مؤشر “إبسيلون تربيع” ($\epsilon^2$) كبديل شائع ومتحفظ، ويُحسب بالمعادلة: $\epsilon^2 = \frac{H}{(N^2 – 1) / (N + 1)} = \frac{H}{N – 1}$. ولتفسير هذه المؤشرات في الأبحاث النفسية والتربوية، تُعتمد معايير كوهين (Cohen’s Benchmarks) المعدلة للرتب:

• أثر صغير (Small Effect): $0.01 le \eta^2_H < 0.06$ (يفسر أقل من 6% من تباين الرتب).
• أثر متوسط (Medium Effect): $0.06 le \eta^2_H < 0.14$ (يفسر بين 6% و 14% من التباين).
• أثر كبير (Large Effect): $\eta^2_H ge 0.14$ (يفسر 14% أو أكثر من التباين الكلي في الرتب).

9. المقارنات البعدية واختبارات التتبع (Post-Hoc Tests)

9.1 ضرورة التحليل البعدي بعد اختبار كروسكال واليس

نظراً لأن اختبار كروسكال واليس هو اختبار إحصائي كلي شامل (Omnibus Test)، فإن الحصول على دلالة إحصائية ($p < 0.05$) يقود حصراً إلى استنتاج مفاده وجود فرق ذي دلالة بين مجموعتين على الأقل من المجموعات المقارنة، دون إيضاح أين تقع هذه الفروق تحديداً داخل مصفوفة التصميم التجريبي. هل يختلف العلاج (أ) عن العلاج (ب)؟ أم أن الفارق محصور بين العلاج (أ) والمجموعة الضابطة فقط؟

للإجابة عن هذه التساؤلات المحورية، يصبح إجراء التحليلات البعدية (Post-Hoc Multiple Comparisons) ضرورة منهجية حتمية. تهدف هذه الاختبارات التتبعية إلى فحص ومقارنة كافة الأزواج الممكنة من المجموعات بشكل منظم لتحديد الأزواج المحددة المسؤولة عن إحداث الدلالة الكلية في النموذج.

يجب التمييز هنا بين المقارنات المخطط لها مسبقاً (A priori Planned Contrasts)، والتي تُبنى على فرضيات نظرية محددة قبل جمع البيانات، وبين المقارنات البعدية الاستكشافية التي تُجرى بعد ثبوت دلالة الاختبار الكلي. وفي كلتا الحالتين، تواجه التحليلات البعدية التحدي الإحصائي الأكبر المتمثل في ضبط تضخم معدل الخطأ العائلي الشامل، والذي يتطلب تطبيق خوارزميات تصحيح دقيقة.

9.2 اختبار دان للمقارنات المتعددة (Dunn’s Test)

يُعد اختبار دان (Dunn’s Test)، الذي ابتكره العالم أوليف جين دان عام 1964، المعيار الأكاديمي الذهبي الإحصائي لإجراء المقارنات البعدية المتعددة عقب اختبار كروسكال واليس. يكمن الامتياز المنهجي لاختبار دان في كونه يحافظ على الاتساق الرياضي الكامل مع نموذج كروسكال واليس الكلي؛ حيث يعتمد في حساباته على نفس “الرتب المجمعة الشاملة” التي أُسندت للبيانات في الاختبار الأصلي، بدلاً من إعادة ترتيب كل زوج من المجموعات بمعزل عن البقية.

يقوم اختبار دان بحساب الفروق المعيارية بين متوسطات الرتب لكل زوج من المجموعات ($i$ و $j$)، ويُحول هذا الفرق إلى درجة معيارية ($z\text{-score}$) بالصيغة الرياضية التالية:

$$z = \frac{\bar{R}_i – \bar{R}_j}{\sigma_{R_i – R_j}}$$

حيث تُمثل $\bar{R}_i$ و $\bar{R}_j$ متوسطات الرتب للمجموعتين المقارنتين، بينما يُمثل المقام الخطأ المعياري للفرق بين متوسطات الرتب، والذي يُحسب بالمعادلة:

$$\sigma_{R_i – R_j} = \sqrt{\left[ \frac{N(N + 1)}{12} – \frac{\sum (t^3 – t)}{12(N – 1)} \right] \left( \frac{1}{n_i} + \frac{1}{n_j} \right)}$$

تُقارن الدرجة المعيارية ($z$) المستخرجة بالتوزيع الطبيعي المعياري لاستخراج القيم الاحتمالية الثنائية، مع تعديل هذه القيم باستخدام أساليب ضبط الأخطاء التراكمية. وبالمقارنة مع اختبار “كونوفر-إيمان” (Conover-Iman Test)، يُعد اختبار دان أكثر تحفظاً وملاءمة للتصاميم المعقدة التي تتطلب حماية صارمة ضد الدلالات الزائفة.

9.3 أساليب ضبط الخطأ التراكمي (Family-Wise Error Rate)

عند إجراء مقارنات متعددة بين عدة مجموعات، يتضخم معدل ارتكاب الخطأ من النوع الأول بشكل أسي وفق المعادلة: $\alpha_{\text{family}} = 1 – (1 – \alpha_{\text{per comparison}})^m$، حيث يُمثل $m$ عدد المقارنات الثنائية المحسوبة بالعلاقة $m = \frac{k(k – 1)}{2}$. ففي حالة وجود 4 مجموعات ($m = 6$ مقارنات)، يرتفع احتمال الخروج بنتيجة دالة إحصائياً بالصدفة البحتة من 5% إلى قرابة 26.5% إذا لم يتم تطبيق أي تصحيح.

للتعامل مع هذه المعضلة، يلجأ الباحثون إلى عدة استراتيجيات منهجية لضبط مستوى المعنوية:

1. تصحيح بونفيروني (Bonferroni Correction): يُعد الأسلوب الأكثر شهرة وصرامة؛ حيث يُقسم مستوى الدلالة الأصلي ($\alpha = 0.05$) على إجمالي عدد المقارنات الممكنة ($\alpha_{\text{adjusted}} = \alpha / m$). ورغم توفيره حماية مطلقة ضد النتائج الإيجابية الزائفة، فإنه يُعد مفرطاً في التحفظ وقد يؤدي إلى إغفال فروق حقيقية قائمة (تضخيم الخطأ من النوع الثاني).

2. تصحيح هولم-بونفيروني (Holm-Bonferroni Method): خوارزمية تتابعية تصاعدية أكثر قوة ومرونة من بونفيروني البسيط؛ حيث تُرتب القيم الاحتمالية للمقارنات تصاعدياً من الأصغر إلى الأكبر، وتُعدل عتبة الدلالة لكل مقارنة تتابعياً وفق الصيغة: $\alpha / (m – rank + 1)$. يوفر هذا الإجراء نفس مستوى الحماية لخطأ العائلة الشامل مع تعزيز القوة الإحصائية لكشف الفروق المتبقية.

3. معدل الاكتشاف الخاطئ (Benjamini-Hochberg FDR): يُستخدم بشكل واسع في الدراسات الاستكشافية الكبرى والدراسات الجينومية والنفسية العصبية التي تشتمل على عشرات المقارنات المتزامنة. يهدف هذا الأسلوب إلى ضبط النسبة المتوقعة للاكتشافات الخاطئة بين إجمالي النتائج الدالة بدلاً من ضبط الخطأ العائلي الصارم، مما يمنحه قوة إحصائية فائقة لاكتشاف التأثيرات الحقيقية في مجموعات البيانات الضخمة.

9.4 استخدام اختبارات مان-ويتني الثنائية كبديل بعدي ومحاذيره

يلجأ بعض الممارسين والباحثين إلى إجراء سلسلة من اختبارات مان-ويتني الثنائية المستقلة (Pairwise Mann-Whitney U Tests) بين أزواج المجموعات كبديل للمقارنات البعدية عقب اختبار كروسكال واليس. ورغم أن هذا الإجراء شائع برمجياً، فإنه ينطوي على محاذير منهجية وإحصائية بالغة الأهمية يجب إدراكها بدقة.

تتمثل المشكلة الجوهرية في هذا النهج في “فقدان الاتساق الرتبي الشامل”؛ فعند إجراء اختبار مان-ويتني على مجموعتين معزولتين، يُعاد ترتيب وإسناد الرتب لهاتين المجموعتين فقط بشكل منفصل عن بقية المجموعات التجريبية الأخرى، مما يلغي فضاء الترتيب الموحد الذي بُني عليه اختبار كروسكال واليس الأصلي. هذا التغيير في قيم الرتب قد يؤدي في بعض الحالات إلى مفارقات إحصائية وتناقضات بين النتيجة الشاملة والنتائج الثنائية الجزئية.

لذلك، تُجمع المراجع الإحصائية المتقدمة على أن اختبار دان أو اختبار كونوفر-إيمان هما الخياران الأصح منهجياً للمقارنات البعدية. وإذا اضطر الباحث إلى استخدام اختبارات مان-ويتني المتعددة، فإنه يلتزم إجبارياً بتطبيق تعديل بونفيروني أو هولم الصارم على القيم الاحتمالية لضبط تضخم الخطأ من النوع الأول، مع الإشارة الصريحة في التقرير إلى استخدام هذا الإجراء ومبرراته المنهجية.

10. مقارنة تفصيلية بين كروسكال واليس والاختبارات الإحصائية البديلة

10.1 كروسكال واليس مقابل تحليل التباين الأحادي المعلمي (ANOVA)

يُمثل الاختيار بين اختبار كروسكال واليس وتحليل التباين الأحادي المعلمي (One-Way ANOVA) مفاضلة منهجية بين القوة البارامترية ومتانة النماذج اللامعلمية. يمتلك اختبار ANOVA المعلمي أعلى قوة إحصائية ممكنة في حال تحقق كامل افتراضاته المتمثلة في اعتدالية التوزيع داخل كل مجتمع وتجانس التباين بين المجموعات واستقلالية البيانات الفترية.

ومع ذلك، يُظهر اختبار كروسكال واليس تفوقاً حاسماً ومتانة استثنائية (Robustness) في السيناريوهات البحثية الواقعية المعقدة:

• الحساسية للقيم المتطرفة: يتأثر اختبار ANOVA بشدة بوجود قيم شاذة متطرفة تؤدي إلى تضخيم تباين الخطأ وتشويه المتوسطات الحسابية، بينما يُعد كروسكال واليس محصناً ضد هذا التأثير بفضل اعتماده على الرتب المكانية المجردة.
• شكل التوزيع: عند التعامل مع التوزيعات الملتوية، أو التوزيعات ذات الذيول السميكة أو الثنائية المنوال، يفقد اختبار ANOVA دقته الاستدلالية وتتدهور قوته، في حين تظل القوة المقاربة لكروسكال واليس متفوقة وقادرة على كشف التباينات الحقيقية.
• مستوى القياس: يُعالج كروسكال واليس البيانات الترتيبية ومقاييس ليكرت بصورة طبيعية ومتسقة مع نظرية القياس، بينما يتطلب تطبيق ANOVA على هذه المقاييس افتراضات اعتباطية حول تماثل المسافات بين الاستجابات.

أما من حيث الكفاءة في العينات الضخمة الموزعة توزيعاً طبيعياً تماماً، فإن الكفاءة النسبية التقاربية لكروسكال واليس تبلغ 95.5% مقارنة باختبار ANOVA، وهي خسارة هامشية ضئيلة جداً تجعل من كروسكال واليس خياراً آمناً ومفضلاً في الكثير من التصاميم الميدانية.

10.2 كروسكال واليس مقابل اختبار فريدمان (Friedman Test)

يُعد التمييز بين اختبار كروسكال واليس واختبار فريدمان جوهرياً في التمييز بين تصاميم العينات المستقلة وتصاميم القياسات المتكررة ضمن الإحصاء اللامعلمي. يُطبق اختبار كروسكال واليس حصراً على “العينات المستقلة تماماً” (Between-Subjects Designs)، حيث يتكون كل مستوى من مستويات المتغير المستقل من مفحوصين مختلفين لا يشتركون في أي خصائص تطابقية.

في المقابل، يُعد اختبار فريدمان (Friedman Test) البديل اللامعلمي لتحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)، ويُستخدم عندما يخضع نفس الأفراد أو المفحوصين للقياس عبر ثلاث فترات زمنية متتابعة أو أكثر (مثل: القياس القبلي، والبعدي، والقياس التتبعي)، أو عند تعريض نفس المجموعة لعدة ظروف تجريبية مختلفة (Within-Subjects Designs).

تنعكس هذه الفروق التصميمية مباشرة على البنية الرياضية لإسناد الرتب؛ فاختبار كروسكال واليس يدمج جميع الملاحظات من كافة المجموعات ويرتبها في فضاء عيني موحد من $1$ إلى $N$. أما اختبار فريدمان، فيقوم بإسناد الرتب “داخل كل مفحوص على حدة” (Within-Block Ranking) من $1$ إلى $k$ عبر الشروط المقاسة، ثم يختبر اتساق الترتيب النسبي للشروط عبر كافة الأفراد الخاضعين للتجربة.

10.3 بدائل النمذجة المتقدمة والتحويلات الرياضية

في المشهد الإحصائي الحديث، لا ينحصر الخيار المنهجي بين كروسكال واليس و ANOVA البسيط فقط، بل توجد بدائل نمذجة متقدمة تتيح للباحثين التعامل مع تعقيدات البيانات غير المعلمية والترتيبية:

1. التحويلات الرياضية للبيانات (Data Transformations): يلجأ بعض الباحثين إلى تطبيق تحويلات لوغاريتمية (Logarithmic Transformation) أو تحويلات الجذور التربيعية أو خوارزميات بوكس-كوكس (Box-Cox Power Transformation) لتحويل البيانات الملتوية إلى توزيع يقترب من المنحنى الطبيعي، ومن ثم تطبيق النماذج المعلمية. ورغم فائدة هذا الأسلوب، فإنه يغير طبيعة المقياس الأصلي ويجعل تفسير النتائج على المستوى النفسي أو الإكلينيكي أكثر تعقيداً وغموضاً مقارنة بالرتب المباشرة في كروسكال واليس.

2. الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression): يُمثل البديل النمذجي الأكثر شمولاً وقوة عند الحاجة إلى دراسة تأثير عدة متغيرات مستقلة متزامنة (Continuous and Categorical) وضبط المتغيرات المربكة (Confounding Variables) والتنبؤ باحتمالات الاستجابة الترتيبية. يتجاوز هذا النموذج حدود كروسكال واليس من خلال توفير تقديرات دقيقة لنسب الأرجحية التراكمية (Proportional Odds Ratios).

3. النماذج الخطية المعممة اللامعلمية (Nonparametric GLMs): تتيح بناء تصاميم عاملية معقدة ومتقدمة تجمع بين المرونة التوزيعية اللامعلمية والقدرة على اختبار التفاعلات الإحصائية المتبادلة دون التقيد بافتراضات التوزيع الطبيعي الصارمة.

11. الأخطاء الشائعة والقيود المنهجية في اختبار كروسكال واليس

11.1 الخلط الشائع بين دلالة الرتب ودلالة الوسيط الحقيقي

يُمثل الادعاء الخاطئ بأن اختبار كروسكال واليس يختبر دائماً الفروق بين وسائط المجموعات أحد أكثر الأخطاء المنهجية شيوعاً في الأطروحات والبحوث الأكاديمية. تكمن خطورة هذا التفسير غير الدقيق في الحالات التي تكون فيها التوزيعات التكرارية للمجموعات متباينة في الشكل والانتشار، أو عندما تعاني البيانات من عدم تجانس التباينات اللامعلمية (Heteroscedasticity).

في مثل هذه السيناريوهات المعقدة، قد يُظهر اختبار كروسكال واليس دلالة إحصائية قوية ($p < 0.001$) نتيجة اختلاف التمركز الرتبي العام وشكل الذيول التوزيعية، في حين تتطابق الوسائط الحسابية الحقيقية (Medians) تماماً بين المجموعات. فإذا سارع الباحث إلى استنتاج "وجود فروق دالة بين وسائط المجموعات"، فإنه يقع في مغالطة تفسيرية صريحة تُناقض الواقع الرياضي لبياناته.

لتفادي هذا الانزلاق المنهجي، يتعين على الباحث اتباع بروتوكول تحليلي صارم يتضمن: الفحص البصري للمنحنيات التكرارية والمخططات البيانية (Histograms & Density Plots) لكل مجموعة، واستخدام اختبار ليفين اللامعلمي المعدل لفحص تجانس التشتت، والالتزام بالصياغة التقريرية الدقيقة التي تشير إلى “فروق في متوسطات الرتب والتوزيعات الاحتمالية العامة” متى ما تعذر إثبات تماثل أشكال التوزيعات بصورة قاطعة.

11.2 الاستخدام الخاطئ للاختبار مع العينات المترابطة أو التصاميم العاملية

من الأخطاء المنهجية الجسيمة تطبيق اختبار كروسكال واليس في سياقات تجريبية لا تتطابق مع بنيته الفرضية. يبرز ذلك في محاولتين خاطئتين شائعتين في الميدان البحثي:

أولاً: التطبيق على عينات مترابطة (Dependent Samples): يقوم بعض الباحثين بتطبيق الاختبار لمقارنة أداء مجموعة واحدة من الأفراد عبر عدة جلسات علاجية أو تعليمية متعاقبة. يؤدي هذا الاستخدام إلى انتهاك تام لشرط استقلالية المشاهدات وتجاهل الارتباط الذاتي بين القياسات، مما يؤدي إلى تشويه تام للقيم الاحتمالية وإبطال النتائج المترتبة عليها، حيث يجب استخدام اختبار فريدمان حصراً في هذا السياق.

ثانياً: محاولة اختبار التفاعلات العاملية (Interaction Effects): صُمم اختبار كروسكال واليس كاختبار أحادي الاتجاه مخصص لمتغير تصنيفي مستقل واحد. لا يمتلك الاختبار أي قدرة رياضية ذاتية على تحليل التصاميم العاملية المعقدة (Factorial Designs مثل: $2 \times 2$ أو $3 \times 2$)، ولا يستطيع اختبار أثر التفاعل المتبادل بين متغيرين مستقلين على المتغير التابع الترتيبي. محاولة تجزئة البيانات إلى اختبارات كروسكال واليس فرعية متعددة لاختبار التفاعل تُعد معالجة إحصائية عاجزة وتزيد من معدلات الأخطاء التراكمية، ويتوجب الاستعاضة عنها بنماذج الانحدار الترتيبي المتقدمة أو بدائل التباين اللامعلمية ثنائية الاتجاه (مثل اختبار Scheirer-Ray-Hare).

11.3 تأثير أحجام العينات المتطرفة على دقة التفسير

تفرض أحجام العينات المتطرفة—سواء كانت شديدة الضخامة أو مفرطة الصغر—تحديات منهجية خاصة يجب على الباحثين التعامل معها بحذر نقدي واعٍ عند قراءة نتائج اختبار كروسكال واليس:

العينات الكبيرة جداً (Very Large Samples): عندما تتجاوز أحجام العينات آلاف المشاهدات (كما في المسوح الوطنية والاستبانات الرقمية الضخمة)، يصبح الاختبار حساساً بدرجة مفرطة لأبسط الفروق الهامشية التافهة في توزيع الرتب. في هذه الحالات، تظهر القيمة الاحتمالية دالة إحصائياً بأعلى المستويات ($p < 0.0001$)، على الرغم من أن الفارق الحقيقي بين المجموعات قد يكون معدوم الأهمية السلوكية أو التطبيقية. هنا يصبح الاعتماد المنفرد على $p\text{-value}$ تضليلياً، ويتعين إلزامياً ربط النتيجة بحجم الأثر المحسوب ($\eta^2_H$) لتقييم الأهمية العملية الحقيقية للتأثير.

العينات الصغيرة جداً (Very Small Samples): في الدراسات الإكلينيكية النادرة والحالات السيكومترية المحدودة (مثلاً $n_i le 4$)، يعاني اختبار كروسكال واليس من ضعف حاد في القوة الإحصائية (Low Statistical Power)؛ حيث يعجز الاختبار عن كشف الفروق الكبيرة القائمة فعلياً بين المجموعات بسبب عدم كفاية المشاهدات لتوليد تباين رتبي دال، مما يرفع احتمالية الوقوع في الخطأ من النوع الثاني. في مثل هذه البيئات البحثية، يجب اللجوء الصارم إلى الاختبارات التوافقية الدقيقة (Exact Permutation Tests) وحساب فترات الثقة الرتبية المعززة لدعم الاستدلال العلمي.

12. إعداد التقارير وكتابة نتائج اختبار كروسكال واليس وفق أسلوب APA

12.1 معايير جمعية علم النفس الأمريكية (APA 7th) لتوثيق الاختبار

تضع جمعية علم النفس الأمريكية في دليلها السابع (APA 7th Edition) معايير توثيق دقيقة وصارمة لعرض نتائج الاختبارات اللامعلمية في المجلات والتقارير الأكاديمية الرصينة. يتطلب التوثيق المعياري تقديم حزمة إحصائية متكاملة تشتمل على المؤشرات التالية بشكل متسق:

• الرمز الإحصائي ودرجات الحرية: يُرمز لإحصائية كروسكال واليس بالحرف اللاتيني المائل ($H$)، متبوعاً بدرجات الحرية بين قوسين، مثل: $H(2)$.
• قيمة إحصائية الاختبار: تُكتب قيمة $H$ المحسوبة مقربة إلى منزلتين أو ثلاث منازل عشرية، مثل: $H(2) = 14.85$.
• القيمة الاحتمالية الدقيقة: تُكتب القيمة الاحتمالية بصيغتها الدقيقة ($p = .002$)، وتُستثنى القيم الشديدة الصغر لتُكتب: $p < .001$، مع تجنب وضع الصفر قبل الفاصلة العشرية في القيم الاحتمالية وفق قواعد APA.
• حجم الأثر: يُوثق حجم الأثر المصاحب باستخدام الرمز المائل المناسب، مثل: $\eta^2_H = .12$ أو $\epsilon^2 = .11$.
• الإحصاءات الوصفية المقترنة: يجب تقديم مصفوفة الإحصاءات الوصفية لكل مجموعة داخل النص أو في جدول ملحق، متضمنة: حجم العينة ($n$)، ومتوسط الرتبة (Mean Rank)، والوسيط ($Mdn$)، والمدى الربيعي ($IQR$) لتوفير السياق التفسيري المتكامل.

12.2 نماذج نصية وجداول موصى بها لعرض النتائج السيكومترية

لتسهيل التطبيق العملي، يُقدم هذا القسم نماذج نصية قياسية جاهزة للاستخدام في كتابة تقارير الأبحاث وفق أسلوب APA 7th في حالتي ثبوت الفروق أو عدم ثبوتها:

نموذج نصي (1): في حالة ثبوت فروق دالة إحصائياً:
“أُجري اختبار كروسكال واليس لتقييم الفروق في درجات القلق الأكاديمي عبر ثلاث مجموعات تدريبية مستقلة: التدريب على اليقظة الذهنية ($n = 25$)، والتدريب على إدارة الوقت ($n = 25$)، ومجموعة الضبط ($n = 25$). أظهرت النتائج وجود فرق ذي دلالة إحصائية بين المجموعات الثلاث في درجات القلق، $H(2) = 16.42, , p < .001, , \eta^2_H = .20$، مما يشير إلى حجم أثر كبير. أظهرت المجموعة الضابطة أعلى متوسط للرتب ($Mean , Rank = 51.20, , Mdn = 38.00, , IQR = 8.50$)، تلتها مجموعة إدارة الوقت ($Mean , Rank = 37.60, , Mdn = 30.00, , IQR = 6.00$)، بينما سجلت مجموعة اليقظة الذهنية أدنى متوسط للرتب ($Mean , Rank = 25.20, , Mdn = 22.00, , IQR = 5.00$). كشفت المقارنات البعدية باستخدام اختبار دان مع تطبيق تعديل بونفيروني عن وجود فروق دالة إحصائياً بين مجموعة اليقظة الذهنية والمجموعة الضابطة ($p < .001$)، وبين مجموعة إدارة الوقت والمجموعة الضابطة ($p = .038$)، في حين لم يصل الفرق بين مجموعتي التدريب النشطتين إلى مستوى الدلالة الإحصائية ($p = .112$)."

نموذج نصي (2): في حالة عدم ثبوت فروق دالة إحصائياً:
“أُجري اختبار كروسكال واليس لفحص أثر المستوى الوظيفي (مبتدئ، متوسط، خبير) على درجات الرضا المهني الترتيبية. أشارت نتائج التحليل إلى عدم وجود فروق ذات دلالة إحصائية في مستويات الرضا المهني بين المستويات الوظيفية المختلفة، $H(2) = 1.84, , p = .398, , \eta^2_H = .008$. حيث تقاربت متوسطات الرتب والوسائط للمجموعات الثلاث: فئة المبتدئين ($Mean , Rank = 32.10, , Mdn = 4.00$)، وفئة المتوسطين ($Mean , Rank = 36.40, , Mdn = 4.00$)، وفئة الخبراء ($Mean , Rank = 38.50, , Mdn = 4.00$). وتشير هذه النتيجة إلى أن التباين في الرضا المهني لا يرتبط إحصائياً بالخبرة الوظيفية في هذه العينة.”

12.3 التمثيل البياني الأمثل لنتائج الاختبار

يُمثل العرض البياني عنصراً جوهرياً لتعزيز وضوح النتائج الإحصائية وتسهيل قراءتها البصرية في الأوراق العلمية المنشورة. يُوصى بالاعتماد على الأشكال البيانية التوزيعية التي تعكس بدقة طبيعة البيانات اللامعلمية:

1. المخططات الصندوقية (Boxplots): تُعد الخيار القياسي الأكثر شيوعاً؛ حيث يُظهر المخطط الصندوقي لكل مجموعة موقع الوسيط الحسابي (الخط الأوسط)، والمدى الربيعي الفاصل بين المئين 25 والمئين 75 (جسم الصندوق)، والحدود القصوى والدنيا (الشوارب)، بالإضافة إلى تمييز القيم الشاذة المتطرفة بنقاط منفصلة، مما يتيح مقارنة فورية بين نزعة وتشتت المجموعات.

2. مخططات الكمان (Violin Plots): تُمثل تطويراً بيانياً فائق الدقة؛ حيث تدمج المخطط الصندوقي الداخلي مع منحنى الكثافة التقديري الأملس (Kernel Density Estimation) على الجانبين. يتيح ذلك للباحث والقارئ معاينة شكل التوزيع التكراري لكل مجموعة بصرياً والتأكد من مدى تحقق شرط تشابه أشكال التوزيعات لدعم المقارنة بين الوسائط.

3. تضمين دلالات المقارنات البعدية: يُفضل إضافة خطوط أفقية موصلة بين أزواج المجموعات المقارنة أعلى المخططات البيانية، مع تدوين علامات النجوم المعيارية المعبرة عن مستويات الدلالة المعدلة (مثل: $* , p < .05, , ** , p < .01, , *** , p < .001$)، مما يوفر بياناً بصرياً متكاملاً يغني القارئ عن التنقل المعقد بين الجداول والنصوص التحليلية.

خاتمة

يُمثل اختبار كروسكال واليس ركيزة أساسية ومنهجية لا غنى عنها في بنية الإحصاء الاستدلالي اللامعلمي الحديث. بفضل قدرته الفائقة على معالجة البيانات الترتيبية والتعامل الرصين مع الانتهاكات التوزيعية وتجاوز تشوهات القيم المتطرفة من خلال التحويل الرتبي المجمع، يوفر الاختبار بديلاً تحليلياً متيناً لتحليل التباين الأحادي الكلاسيكي.

إن التطبيق الأكاديمي والمهني الناجح لهذا الاختبار يتطلب من الباحث وعياً إبستمولوجياً عميقاً بأسسه النظرية؛ بدءاً من التحقق الصارم من استقلالية المشاهدات، والتمييز الدقيق بين فرضيات الرتب العامة وفرضيات الوسائط المشروطة بتشابه أشكال التوزيعات، وصولاً إلى التطبيق المنهجي للمقارنات البعدية المصححة كاختبار دان، وحساب مؤشرات حجم الأثر (مثل $\eta^2_H$)، وتوثيق المخرجات بأسلوب علمي رصين يتوافق مع أحدث معايير APA 7th.

ومن خلال الالتزام بهذه الضوابط المنهجية والإحصائية، يضمن الباحثون في مجالات العلوم النفسية والسلوكية والطبية استخلاص استنتاجات علمية دقيقة وموثوقة تسهم في تعزيز جودة المعرفة العلمية وخدمة التطبيقات الميدانية والممارسات المهنية القائمة على الأدلة والبراهين المتينة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.
• Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490481
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hollander, M., Wolfe, D. A., & Chicken, E. (2013). Nonparametric statistical methods (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118553299
• Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited: An overview of some recommended measures of effect size. Trends in Sport Sciences, 21(1), 19–25.