الانحراف المطلق عن الوسيط: التعريف، الإيجاد والصيغة

يمثل استكشاف البيانات الإحصائية وتحليل تشتتها ركيزة جوهرية في بناء النماذج العلمية والبحثية الرصينة، لا سيما في ميادين العلوم النفسية والسلوكية والاجتماعية التي تتسم بياناتها بالتعقيد وعدم التجانس. لعقود طويلة، ظل الانحراف المعياري (Standard Deviation) والمتوسط الحسابي (Mean) المقياسين المهيمنين على التحليلات الكمية، استناداً إلى افتراضات التوزيع الطبيعي المثالي. غير أن الواقع الميداني والتجريبي يكشف باستمرار عن وجود قيم متطرفة وشاذة (Outliers)، والتواءات حادة في توزيعات الدرجات الناتجة عن تباين استجابات المفحوصين أو أخطاء القياس العشوائية، مما يؤدي إلى تضخيم مؤشرات التشتت الكلاسيكية وجعلها غير معبرة بدقة عن الحقيقة الظاهراتية للمجتمع المدروس.

في هذا السياق المعرفي، برز تيار الإحصاء الرصين (Robust Statistics) ليقدم بدائل متينة ومقاومة للتشوهات الإحصائية، وكان في طليعة هذه المقاييس مقياس الانحراف المطلق عن الوسيط، المعروف اختصاراً بـ MAD (Median Absolute Deviation). يمثل هذا المقياس أداة كمية بالغة القوة والصلابة لتقدير تشتت المشاهدات حول نقطة التمركز دون التأثر الكارثي بالقيم الطرفية أو الانحرافات الشديدة عن التوزيع الاعتدالي، إذ يعتمد في بنيته الرياضية على وسيط الفروق المطلقة بدلاً من متوسط المربعات، مما يمنحه حصانة رياضية فريدة تجعله يحظى باهتمام متزايد بين المنهجيين وعلماء القياس النفسي والإحصائيين التطبيقيين على حد سواء.

يهدف هذا الدليل الأكاديمي الشامل إلى تأصيل مقياس الانحراف المطلق عن الوسيط من كافة جوانبه النظرية والتطبيقية؛ بدءاً من التأسيس المفاهيمي وتفكيك رموزه وصيغه الرياضية المعيارية، مروراً بخطوات حسابه الدقيقة وتطبيقه على بيانات واقعية، وتحليل خصائص متانته الإحصائية ونقطة انهياره ودوال تأثيره، ووصولاً إلى مقارنته المنهجية بالمقاييس التقليدية، واستعراض توظيفه المتقدم في تطهير البيانات، ونمذجة القياس النفسي، والبرمجة الإحصائية بلغات العصر كـ R وPython وSPSS، مع إبراز محدداته وبدائله الحديثة وفق أرقى معايير التوثيق الأكاديمي الدولي.

1. مقدمة تأصيلية: ما هو الانحراف المطلق عن الوسيط (MAD)؟

1.1 التعريف المفاهيمي لمقياس الانحراف المطلق عن الوسيط

يُعرَّف مقياس الانحراف المطلق عن الوسيط في الأدبيات الإحصائية بأنه مقياس لا بارامتري رصين لقياس التشتت أو التباين الإحصائي لمجموعة من البيانات أحادية المتغير. يعبر هذا المقياس من الناحية المفاهيمية عن المسافة النموذجية أو التباعد الحقيقي الذي تفصل به المشاهدات الفردية عن نقطة التمركز الأكثر ثباتاً وهي الوسيط الرياضي (Median). وخلافاً للمقاييس التقليدية التي تحسب المسافات بالاعتماد على المركز الهندسي للمتوسط الحسابي، ينطلق مقياس MAD من تقييم الفروق الفردية المباشرة عن الوسيط مقاسة بالقيمة المطلقة، ثم يستخرج الوسيط الإحصائي لتلك الفروق المطلقة ذاتها، مما يجعله وسيطاً للانحرافات وليس متوسطاً لها.

تكمن الميزة التفسيرية الجوهرية لهذا المقياس في احتفاظه بنفس وحدات القياس الأصلية للظاهرة المدروسة، مما يجعله شديد الوضوح وسهل التأويل في الأبحاث النفسية والتربوية. فعند قياس تشتت درجات القلق أو أزمنة الرجع بالمللي ثانية، فإن قيمة MAD الناتجة تعبر مباشرة عن عدد وحدات القلق أو أجزاء الثانية التي ينحرف بها نصف أفراد العينة عن الوسيط العام للمجموعة. ويجب التمييز الاصطلاحي الدقيق بين اختصار MAD الدال على “Median Absolute Deviation” واختصارات أخرى قد تتقاطع معه شكلياً في بعض المراجع القديمة مثل MADM (Median Absolute Deviation from the Median) لتمييزه عن مقاييس أخرى تعتمد على المتوسط الحسابي كمرجع للحساب، علماً بأن الاستخدام المعاصر المعتمد لدى الهيئات الإحصائية يخصص رمز MAD حصرياً للانحراف المطلق المحسوب حول الوسيط.

1.2 الجذور النظرية للإحصاء الرصين (Robust Statistics)

تأسس الإحصاء الرصين كنظرية قائمة بذاتها في النصف الثاني من القرن العشرين على يد رواد المنهجية الإحصائية مثل جون توكي (John Tukey) وبيتر هوبر (Peter Huber) وفرانك هامبل (Frank Hampel)، وذلك استجابة لقصور النماذج الكلاسيكية التي تفترض دوماً انحدار البيانات من توزيعات طبيعية نقية خالية من الشوائب. لقد أثبتت الدراسات التجريبية أن البيانات الواقعية نادراً ما تحقق شروط التوزيع الطبيعي التام، بل تحتوي غالباً على نسب متفاوتة من التلوث الإحصائي الناتج عن أخطاء القياس أو الحالات المتطرفة، مما يجعل المقاييس الكلاسيكية المعتمدة على المربعات الدنيا والمربعات المتوسطة هشة للغاية وعرضة للانهيار التقديري بمجرد وجود مشاهدة شاذة واحدة فقط.

في صلب نظرية الإحصاء الرصين يقع مفهوم جوهري يُعرف بـ نقطة الانهيار (Breakdown Point)، والتي تُعرّف رياضياً بأنها النسبة المئوية الدنيا من البيانات الملوثة أو المتطرفة التي تستطيع جعل المقدر الإحصائي غير صالح تماماً أو يؤول إلى اللانهاية. يحظى مقياس MAD بمكانة ريادية في هذا المجال لكونه يحقق أعلى نقطة انهيار ممكنة لأي مقياس تشتت، وهي 50% (Breakdown Point = 0.50). هذا يعني أن نصف بيانات العينة يمكن أن تتغير وتتجه نحو قيم شاذة متطرفة دون أن يؤدي ذلك إلى انهيار مقياس MAD أو تضخمه عشوائياً، وهو ما يجعله متفوقاً بصورة مطلقة على الانحراف المعياري الذي تبلغ نقطة انهياره صفراً مطلقاً (0%)، حيث تكفي قيمة مفردة خاطئة لتدمير دلالته الإحصائية بالكامل.

1.3 أهمية MAD في أبحاث العلوم النفسية والسلوكية

تعد البيانات المجمعة في بحوث العلوم السلوكية والقياس النفسي من أكثر أنواع البيانات عرضة للالتواءات الحادة والتشوهات غير المعيارية. يتجلى ذلك بوضوح في تجارب علم النفس المعرفي التي تقيس أزمنة الرجع (Reaction Times)، حيث يظهر لدى بعض المفحوصين تشتت مفاجئ في الانتباه أو تأخر غير ناتج عن المتغير التجريبي المستقل، مما يولد أزمنة استجابة طويلة جداً تسحب المتوسط الحسابي والانحراف المعياري بعيداً عن التمثيل الحقيقي لقدرة العينة. يوفر مقياس MAD للباحثين أداة صلبة لعزل تشتت الأداء المعرفي النقي دون الحاجة إلى اللجوء القسري إلى حذف غير مبرر للبيانات قد ينتهك أخلاقيات البحث وقواعد النزاهة العلمية.

كذلك، تواجه الاستجابات المسجلة على مقاييس ليكرت (Likert Scales) ومقاييس الشخصية والاتجاهات ظواهر سيكومترية معقدة مثل الالتواء الشديد نحو المرغوبية الاجتماعية (Social Desirability) أو انعدام التجانس التبايني. إن استخدام MAD في تقييم تشتت هذه الأدوات يضمن الحصول على مؤشرات دقيقة لتباين السمات المقاسة دون تضخيم ناتج عن أفراد العينة ذوي الإجابات العشوائية أو المتطرفة. ويسهم ذلك إسهاماً فعالاً في تقليل التحيز في تقدير تباين العينات الصغيرة غير المتجانسة، والتي يتعذر فيها تطبيق نظرية النهاية المركزية، مما يمنح القياس النفسي ثباتاً تجريبياً أعلى ويدعم بناء معايير تشخيصية وإكلينيكية شديدة الدقة.

2. الصيغة الرياضية والرموز الإحصائية للانحراف المطلق عن الوسيط

2.1 التفكيك الرمزي للمعادلة الأساسية

تستند البنية الرياضية لمقياس الانحراف المطلق عن الوسيط إلى صياغة جبرية تجمع بين مفهومي القيمة المركزية ومصفوفة الفروق المطلقة. تُكتب المعادلة الرياضية القياسية للمقياس على النحو التالي:

$$\text{MAD} = \text{median}\Big(big|X_i – \text{median}(X)big|\Big)$$

يتطلب الفهم العميق لهذه المعادلة تفكيك رموزها وإجراءاتها الحسابية خطوة بخطوة:

• $X = {X_1, X_2, dots, X_n}$: يمثل متجه المشاهدات أو درجات العينة الأصلية التي تحتوي على $n$ من العناصر المقاسة.
• $\text{median}(X)$: يمثل القيمة المركزية الأولى، أي وسيط متسلسلة البيانات الأصلية $X$، والذي يقسم العينة بعد ترتيبها إلى نصفين متساويين.
• $big|X_i – \text{median}(X)big|$: يعبر عن مصفوفة الفروق المطلقة المتكونة من طرح الوسيط العام من كل مشاهدة فردية $X_i$ داخل العينة، ثم إخضاع الناتج لدالة القيمة المطلقة لإلغاء الاتجاه والاحتفاظ بالمسافة المجردة.
• $\text{median}(dots)$: تمثل العملية الإحصائية النهائية، حيث يتم ترتيب مصفوفة الفروق المطلقة ترتيباً تصاعدياً، واستخراج الوسيط الرياضي لهذه المصفوفة الجديدة ليكون هو قيمة MAD النهائية.

تتعامل هذه الصياغة بمرونة فائقة مع كل من البيانات المتصلة (Continuous Data) كالأزمنة والأوزان، والبيانات المنفصلة (Discrete Data) كدرجات الاختبارات والترتيبات السيكومترية، إذ لا تفرض أي قيود مسبقة حول قابلية البيانات للتفاضل أو الاندماج في دوال التوزيع المعلمية المستمرة.

2.2 دالة القيمة المطلقة ودورها في المعادلة

تلعب دالة القيمة المطلقة (Absolute Value Function)، المرموز لها بالرمز $| \cdot |$، دوراً جوهرياً في بنية المقياس، إذ تعمل على تحييد الإشارات السالبة الناتجة عن المشاهدات التي تقل قيمتها العددية عن قيمة الوسيط. من الناحية الهندسية والتحليلية، هناك فارق بنيوي عميق بين استخدام القيمة المطلقة في مقياس MAD واستخدام التربيع في حساب التباين والانحراف المعياري الكلاسيكي ($\sum (X_i – \bar{X})^2$). فالتربيع يؤدي إلى تضخيم الفروق الكبيرة بشكل أسي هندسي؛ فإذا كانت المسافة عن المركز تساوي 10 وحدات، فإن مساهمتها في التباين تصبح 100، مما يمنح القيم المتطرفة وزناً ترجيحياً طاغياً يشوه المقياس بأكمله.

في المقابل، تتعامل دالة القيمة المطلقة مع المسافات بنسق خطي مباشر وثابت، حيث تظل المسافة 10 ممثلة بالقيمة 10 دون تضخيم. يترتب على هذه الخاصية الجبرية خفض الأثر الموزون للقيم الشاذة والطرفية إلى الحد الأدنى الطبيعي لمسافتها الخطية. وعندما يقترن ذلك باستخراج الوسيط لهذه الفروق المطلقة بدلاً من حساب متوسطها، تصبح المسافات المتطرفة الكبيرة مجرد عناصر طرفية في مصفوفة الفروق المرتبة تصاعدياً، ولا يكون لمقدار تطرفها الهائل أي تأثير في تحديد موضع القيمة الوسطى، وهو ما يفسر المتانة الرياضية الفائقة للمقياس.

2.3 الصيغة المعدلة للتوزيع الطبيعي وعامل القياس (b)

على الرغم من أن مقياس MAD البسيط يعبر بدقة عن تشتت الفروق حول الوسيط، إلا أنه لا يتطابق رقمياً مع قيمة الانحراف المعياري ($\sigma$) عندما تكون البيانات موزعة توزيعاً طبيعياً تاماً؛ حيث تكون قيمة MAD أقل دائماً من قيمة $\sigma$ في التوزيعات المتماثلة. ولمعالجة هذه الفجوة وجعل مقياس MAD مقدراً متسقاً وغير متحيز للانحراف المعياري للسكان الطبيعيين، يتم ضرب القيمة المحسوبة في عامل قياس وتصحيح ثابت يُرمز له بـ $b$، لتصبح الصيغة المعيارية المعدلة كما يلي:

$$\text{MAD}^* = b \times \text{MAD} = 1.4826 \times \text{median}\Big(big|X_i – \text{median}(X)big|\Big)$$

يُشتق هذا الثابت الرياضي $1.4826$ بدقة من مقلوب دالة التوزيع التراكمي العكسي الطبيعي (Normal Inverse Cumulative Distribution Function) عند الربع الأعلى للبيانات المتماثلة، حيث إن $b = \frac{1}{\Phi^{-1}(0.75)} \approx 1.482602218$. يُستخدم مقياس MAD البسيط دون ضرب في المعامل عندما يكون الهدف مجرد وصف تشتت العينة بصورة لا بارامترية خالصة، بينما تُستخدم الصيغة المعيارية المعدلة ($\text{MAD}^*$) عندما يرغب الباحث في مقارنة التشتت الرصين بالانحراف المعياري أو استخدامه كبديل مباشر لـ $\sigma$ في اختبارات الفروض وبناء الدرجات المعيارية وكشف القيم الشاذة. ويختلف هذا الثابت بطبيعة الحال في حال افتراض توزيعات احتمالية أخرى كـ توزيع ستودنت t أو توزيع كوشي ذي الذيول الثقيلة.

3. دليل الحساب العملي: خطوات إيجاد الانحراف المطلق عن الوسيط

3.1 المرحلة الأولى: ترتيب البيانات وحساب الوسيط الأولي

تبدأ عملية الحساب اليدوي أو الخوارزمي لمقياس MAD بفرز مصفوفة البيانات الأصلية ترتيباً تصاعدياً من أصغر قيمة إلى أكبر قيمة. يعد هذا الترتيب شرطاً إحصائياً لازماً لتحديد الرتب ومواقع القيم دون أي خطأ مكاني. بعد ترتيب البيانات $X_{(1)} le X_{(2)} le dots le X_{(n)}$، يتم تحديد رتبة الوسيط بالاعتماد على حجم العينة $n$:

• في العينات ذات الحجم الفردي ($n$ عدد فردي): يكون الوسيط هو القيمة العددية المفردة التي تقع تماماً في منتصف السلسلة، وموقعها هو الرتبة $\frac{n+1}{2}$. أي أن: $\text{Median}(X) = X_{\left(\frac{n+1}{2}\right)}$.
• في العينات ذات الحجم الزوجي ($n$ عدد زوجي): لا توجد قيمة مفردة في المركز، ولذا يُحسب الوسيط عبر استخراج المتوسط الحسابي للقيمتين المركزيتين الواقعتين في الموقعين $\frac{n}{2}$ و $\left(\frac{n}{2} + 1\right)$. أي أن: $\text{Median}(X) = \frac{X_{\left(\frac{n}{2}\right)} + X_{\left(\frac{n}{2} + 1\right)}}{2}$.

يعكس هذا الوسيط الأولي نقطة التمركز العامة للعينة، ويوفر خط الأساس المرجعي الذي ستُقاس عليه كافة الانحرافات والمسافات الفردية للبيانات.

3.2 المرحلة الثانية: حساب الانحرافات المطلقة عن الوسيط

تتمثل المرحلة الإجرائية الثانية في حساب التباعد الفردي لكل قيمة مشاهدة في العينة عن الوسيط الأولي المستخرج في الخطوة السابقة. يتم إجراء عملية طرح خطية بسيطة وفق الصيغة: $D_i = X_i – \text{Median}(X)$ لكل مشاهدة من $i=1$ إلى $n$. سينتج عن هذه الخطوة أعداد موجبة للقيم التي تقع أعلى الوسيط، وقيم سالبة للمشاهدات التي تقع أسفل الوسيط، وقيمة صفرية للقيم التي تتطابق تماماً مع الوسيط.

مباشرة بعد عملية الطرح، تُطبق دالة القيمة المطلقة على جميع الفروق الناتجة لتحويل المصفوفة إلى انحرافات مطلقة خالصة: $A_i = |D_i| = |X_i – \text{Median}(X)|$. هذه الخطوة تضمن إزالة الاتجاه الجبري السالب وتحويل كافة الفروق إلى مسافات موجبة تمثل البعد الفيزيائي المجرد للمشاهدة عن مركز الاستقرار. ينبغي في هذه المرحلة مراجعة العمليات الجبرية للتحقق من عدم حدوث أخطاء حسابية في الطرح أو إغفال لإشارة القيمة المطلقة.

3.3 المرحلة الثالثة: حساب وسيط الانحرافات المطلقة واستخراج النتيجة

تتضمن المرحلة الختامية تكرار آلية حساب الوسيط، ولكن هذه المرة ليس على البيانات الأصلية، بل على مصفوفة الانحرافات المطلقة الناتجة من المرحلة الثانية ($A_1, A_2, dots, A_n$). تبدأ الخطوة بإعادة ترتيب مصفوفة الفروق المطلقة $A_i$ تصاعدياً من الأصغر إلى الأكبر، حيث تتجمع المسافات الصفرية والقريبة من الصفر في البداية، بينما تتجه المسافات الكبيرة نحو نهاية المصفوفة.

بعد اكتمال الترتيب، يتم استخراج القيمة المركزية لمصفوفة الفروق وفق قواعد الوسيط القياسية (فردي أو زوجي)، وتكون القيمة الناتجة هي مقياس الانحراف المطلق عن الوسيط الخام (Raw MAD). وفي حال تطلب البحث الأكاديمي أو السيكومتري الحصول على المقدر المتسق للانحراف المعياري، يتم تطبيق معادلة التصحيح النهائية بضرب النتيجة في الثابت $1.4826$. تُسجل النتيجة مع الاحتفاظ بوحدة القياس الأصلية نفسها للمتغير، لتكتمل بذلك عملية الاستخراج الكمي بدقة ونزاهة إحصائية متناهية.

4. تطبيق عملي محلول: حساب MAD على بيانات نفسية تجريبية

4.1 عرض سيناريو البحث النفسي ومجموعة البيانات

لإيضاح الكيفية الإجرائية الدقيقة لتطبيق مقياس MAD، نفترض سيناريو بحثي واقعي في علم النفس العيادي والتربوي يهدف إلى تقييم مستويات القلق لدى عينة من طلاب المرحلة الجامعية قبل خوض الامتحانات النهائية. طُبق مقياس مقنن لقلق الاختبار يتراوح مداه النظري من (0 إلى 50) درجة على عينة مكونة من $N = 11$ طالباً. أظهرت البيانات الخام للدرجات النمط التالي:

الدرجات الخام للعينة: 18، 20، 19، 22، 21، 48، 17، 23، 19، 20، 50

يلاحظ المتأمل الفاحص في هذه البيانات أن غالبية أفراد العينة تتراوح درجاتهم بين 17 و 23 درجة، مما يشير إلى مستوى قلق متوسط ومتجانس بين أفراد المجموعة الطلابية. غير أن هناك درجتين متطرفتين بشدة هما (48 و 50)، واللتان قد تعودان إلى طالبين يعانيان من نوبات هلع حادة أو بسبب نمط استجابة متطرف وغير دقيق. يهدف القياس الإحصائي الرصين هنا إلى تقييم التشتت الواقعي لغالبية أفراد العينة دون السماح للدرجتين المتطرفتين بنسف الواقع السيكومتري للمجموعة وتضخيم التباين بصورة مضللة.

4.2 التطبيق الرقمي التفصيلي عبر الخطوات الثلاث

نتبع المراحل الحسابية المنهجية لمعالجة بيانات القلق خطوة بخطوة:

الخطوة الأولى: ترتيب البيانات واستخراج الوسيط العام
نقوم بترتيب البيانات الأصلية تصاعدياً: (17، 18، 19، 19، 20، 20، 21، 22، 23، 48، 50).
بما أن حجم العينة فردي ($N = 11$)، فإن رتبة الوسيط هي: $\frac{11+1}{2} = 6$.
القيمة الواقعة في الرتبة السادسة هي 20. إذن: $\text{Median}(X) = 20$.

الخطوة الثانية: حساب الفروق والانحرافات المطلقة لكل مفحوص
نقوم بطرح الوسيط (20) من كل درجة في العينة وتطبيق القيمة المطلقة كما يوضح الجدول المنهجي التالي:

رقم المفحوص	الدرجة الأصلية ($X_i$)	الفرق عن الوسيط ($X_i – 20$)	الانحراف المطلق ($|X_i – 20|$)
1	17	-3	3
2	18	-2	2
3	19	-1	1
4	19	-1	1
5	20	0	0
6	20	0	0
7	21	+1	1
8	22	+2	2
9	23	+3	3
10	48	+28	28
11	50	+30	30

الخطوة الثالثة: حساب وسيط الفروق المطلقة
نقوم بفرز مصفوفة الانحرافات المطلقة تصاعدياً: (0، 0، 1، 1، 1، 1، 2، 2، 3، 28، 30).
نستخرج القيمة الواقعة في الرتبة السادسة ($\frac{11+1}{2} = 6$)، وهي القيمة 1.
إذن: $\text{MAD} = 1$ درجة.
وعند حساب المقدر المتسق للانحراف المعياري: $\text{MAD}^* = 1 \times 1.4826 = 1.4826 \approx 1.48$ درجة.

المقارنة المباشرة مع الحساب الكلاسيكي:
لو قمنا بحساب المتوسط الحسابي الكلاسيكي لهذه البيانات لوجدنا أنه يساوي $\bar{X} = 25.18$ درجة، بينما يبلغ الانحراف المعياري الكلاسيكي للعينة $SD = 11.96$ درجة. إن هذه النتيجة الكلاسيكية تشير زيفاً إلى أن تشتت القلق بين الطلاب يقارب 12 درجة، وهو رقم ضخم ناتج بالكامل عن تأثير المفحوصين (10 و 11)، بينما كشف مقياس MAD بدقة متناهية أن التشتت الطبيعي الفعلي للمجموعة لا يتجاوز درجة واحدة إلى 1.48 درجة فقط.

4.3 تفسير النتائج السيكومترية للبيانات المحلولة

يقدم التحليل السيكومتري المستند إلى مقياس MAD قراءة واقعية وأمينة لمستوى قلق الطلاب؛ حيث يكشف أن النمط العام لدرجات القلق يتمركز حول الدرجة 20 مع تشتت مقداره درجة واحدة فقط بين غالبية الأفراد، مما يدل على وجود تجانس وتماسك شديدين في استجابات 82% من أفراد العينة. لقد نجح مقياس MAD في تحييد الأثر المدمر للدرجتين المتطرفتين (48 و 50) دون حاجة الباحث إلى حذفهما قسرياً من ملف البيانات أو تشويه التوزيع بتعديلات غير مبررة، مما يتيح دراستهما كحالتين إكلينيكيتين خاصتين بمعزل عن تشتت العينة العام.

وفقاً لمعايير التوثيق الأكاديمي الصادرة عن جمعية علم النفس الأمريكية (APA 7th Edition)، يمكن صياغة التقرير الإحصائي لهذه النتيجة على النحو التالي:

“أظهرت درجات قلق الاختبار تمركزاً عاماً عند وسيط قدره 20.00 درجة، مع تشتت رصين منخفض للغاية قيس بواسطة الانحراف المطلق عن الوسيط ($\text{MAD} = 1.00$، $\text{MAD}^* = 1.48$). بالمقارنة مع المقاييس الكلاسيكية المتأثرة بالقيم الشاذة الطرفية ($M = 25.18, SD = 11.96$)، يوفر مقياس MAD وصفاً أكثر دقة لتجانس استجابات غالبية الطلاب حول المستوى المتوسط للقلق.”

5. المتانة الإحصائية ومفهوم نقطة الانهيار (Robustness and Breakdown Point)

5.1 التحليل النظري لمفهوم المتانة (Robustness)

تُعرّف المتانة الإحصائية بأنها قدرة المقدر الرياضي على الاحتفاظ بخصائصه الاستدلالية ودقته التقديرية وثباته الأدائي حتى عندما تنتهك البيانات الفعلية الافتراضات التوزيعية الصارمة للنموذج الرياضي، مثل افتراض التوزيع الطبيعي، وتجانس التباين، وخلو البيانات من التلوث. يمثل مقياس التشتت الكلاسيكي (الانحراف المعياري) نموذجاً للمقدر غير الرصين؛ حيث إن حساسيته المفرطة لأي انزياح طرفي تجعله يستجيب بعنف لأي خطأ قياس أو قيمة غير نمطية، مما يقود إلى تضخيم فترات الثقة وإضعاف القوة الإحصائية للاختبارات الفرضية اللاحقة.

تتجلى قوة مقياس MAD في ثباته السلوكي عند حدوث التلوث الإحصائي للبيانات (Data Contamination). فسواء كان التلوث ناتجاً عن توزيع احتمالي ذي ذيل ثقيل (Heavy-tailed distribution) مثل توزيع كوشي أو نتيجة أخطاء إدخال رقمية، يظل MAD محافظاً على قياس التباعد الحقيقي لنواة البيانات المركزية. ويضمن هذا الاستقرار الرياضي عدم انزلاق التحليلات النفسية والسلوكية وراء التأثيرات المصطنعة للقيم الشاذة، مما يجعل النماذج غير الخطية ونماذج التقدير المعلمية واللامعلمية أكثر اتساقاً مع الظواهر السلوكية الحقيقية.

5.2 نقطة الانهيار العالية لمقياس MAD (50% Breakdown Point)

تعتبر نقطة الانهيار (Breakdown Point) المعيار الرياضي الأرقى لتقييم مدى صلابة أي مقدر إحصائي. تشير نقطة الانهيار $\epsilon^*$ لمقدر ما إلى أصغر كسر أو نسبة مئوية من الملاحظات الملوثة بقيم عشوائية أو لانهائية ($+\infty$ أو $-\infty$) التي تجعل المقدر ينتج قيمة لا معنى لها (تؤول إلى الصفر أو تتجه نحو اللانهاية). من الناحية النظرية، لا يمكن لأي مقدر إحصائي يعتمد على البيانات المتماثلة أن يتجاوز نقطة انهيار قدرها 50% ($0.50$)، لأن تلوث أكثر من نصف البيانات يعني تحول التلوث نفسه إلى الأغلبية الحاكمة للمجموعة.

يتميز مقياس الانحراف المطلق عن الوسيط بتحقيقه الحد الأقصى النظري لنقطة الانهيار وهو 50%:

• نقطة انهيار الانحراف المعياري: $\epsilon^*(SD) = \frac{1}{n} x\rightarrow[n to \infty]{} 0%$ (قيمة واحدة شاذة قادرة على نسف المقياس بالكامل).
• نقطة انهيار المدى الربيعي (IQR): $\epsilon^*(IQR) = 25%$ (يمكن لـ 25% من البيانات الملوثة أن تدمر المقدار).
• نقطة انهيار الانحراف المطلق عن الوسيط: $\epsilon^*(MAD) = 50%$ (يتطلب تدمير المقياس استبدال نصف مشاهدات العينة بالكامل).

إن هذه الخاصية الرياضية تمنح الباحثين في المسوح الميدانية النفسية المفتوحة أماناً منهجياً مطلقاً، حيث يمكن للعينة أن تحتوي على نسب عالية جداً من الاستجابات غير المنضبطة دون أن يؤدي ذلك إلى فقدان السيطرة على تقدير تشتت المجتمع الأصلي.

5.3 دوال التأثير (Influence Functions) لمقاييس التشتت

طوّر عالم الإحصاء السويسري فرانك هامبل مفهوم دالة التأثير (Influence Function – IF) لتشخيص الحساسية المتناهية في الصغر لمقدر إحصائي معين عند إضافة مشاهدة مفردة جديدة ذات قيمة متطرفة $x$ إلى عينة موزعة وفق توزيع احتمالي $F$. تعبر دالة التأثير رياضياً عن المشتقة الاتجاهية للمقدر، وتقيس معدل التغير اللحظي في قيمة المقدر كدالة في موضع النقطة المضافة $x$.

عند فحص دالة التأثير الخاصة بمقياس الانحراف المعياري، نجد أنها دالة تربيعية غير محدودة (Unbounded Influence Function)، مما يعني رياضياً أنه كلما زادت قيمة النقطة الشاذة $x$ وتوغلت في الطرف الموجب أو السالب، تزايد تأثيرها على الانحراف المعياري بلا حدود نحو اللانهاية ($\lim_{|x| to \infty} \text{IF}(x; SD, F) = \infty$). أما دالة التأثير الخاصة بمقياس الانحراف المطلق عن الوسيط MAD، فهي دالة ثابتة ومحدودة تماماً (Bounded Influence Function) تشبه دالة الإشارة المتدرجة؛ فعندما تتجاوز النقطة الشاذة عتبة معينة بعيداً عن الوسيط، يثبت تأثيرها عند قيمة سقفية محددة بدقة ولا يزداد إطلاقاً مهما تعاظمت القيمة العددية للنقطة المتطرفة، وهو ما يضمن الحماية الرياضية الكاملة للمقياس من التطرف العددي اللانهائي.

6. المقارنة المنهجية: MAD مقابل الانحراف المعياري ومتوسط الانحراف المطلق

6.1 المقارنة بين MAD والانحراف المعياري (Standard Deviation)

يتفق مقياس MAD والانحراف المعياري في غايتهما الإحصائية العامة؛ فكلاهما يهدف إلى قياس مقدار تشتت أو انتشار المشاهدات حول المركز، ويعبران عن النتيجة بنفس وحدات القياس الأصلية للمتغير دون تحويل ترابيعي كما هو الحال في التباين. غير أن أوجه التباين المنهجي بينهما جذرية وتمس البنية التقديرية لكل مقياس. يكمن الفارق الرئيسي في حساسية التأثر بشكل التوزيع؛ فالانحراف المعياري حساس للغاية لأي انحراف عن التماثل الطبيعي وأي زيادة في التفلطح (Kurtosis) بسبب اعتماده على متوسط المربعات ($\sum(X_i – \bar{X})^2$)، بينما يستند MAD إلى وسيط الفروق المطلقة مما يجعله محصناً ضد التواء التوزيع.

تتجلى المفاضلة المنهجية الكبرى في مفهوم الكفاءة الإحصائية (Statistical Efficiency). في ظل التوزيع الطبيعي المثالي بنسبة 100% الخالي من أي شوائب، يتمتع الانحراف المعياري بكفاءة مقدر مطلقة ويكون هو المقدر الأدنى تبايناً، في حين يمتلك MAD كفاءة تقاربية أقل تبلغ 37%. لكن بمجرد حدوث أدنى تلوث إحصائي في العينة (مثل وجود 1% إلى 5% فقط من القيم الملوثة أو الشواذ)، تنهار كفاءة الانحراف المعياري انهياراً دراماتيكياً وتتدهور دقته، بينما يقفز MAD ليصبح المقدر الأكثر كفاءة وموثوقية ودقة في التعبير عن تشتت البيانات الحقيقية.

6.2 المقارنة بين MAD ومتوسط الانحراف المطلق (Mean Absolute Deviation)

يقع خلط اصطلاحي ومفاهيمي شائع بين الباحثين وطلاب الدراسات العليا بين مقياسين يشتركان في ذات الاختصار الحرفي أحياناً: الانحراف المطلق عن الوسيط (Median Absolute Deviation) ومتوسط الانحراف المطلق (Mean Absolute Deviation – MeanAD). يُحسب متوسط الانحراف المطلق عبر الصيغة:

$$\text{MeanAD} = \frac{1}{n} \sum_{i=1}^n big|X_i – \bar{X}big| \quad \text{أو} \quad \frac{1}{n} \sum_{i=1}^n big|X_i – \text{median}(X)big|$$

يكمن الاختلاف الجوهري بين المقياسين في طريقة التعامل مع مصفوفة الفروق المطلقة ونقطة التمركز المرجعية:

• متوسط الانحراف المطلق (MeanAD): يستخدم المتوسط الحسابي في التجميع النهائي للفروق المطلقة. ولأن المتوسط الحسابي يتأثر بجميع القيم، فإن نقطة انهيار هذا المقياس تظل صفراً (0%)؛ حيث تستطيع قيمة شاذة واحدة هائلة أن تجعل المجموع التراكمي للفروق ضخماً، مما يرفع قيمة MeanAD بصورة مضللة.
• الانحراف المطلق عن الوسيط (MAD): يستخدم الوسيط في الحساب الداخلي (نقطة التمركز) والوسيط في الحساب الخارجي (تجميع الفروق)، مما يمنحه متانة مزدوجة ونقطة انهيار كاملة (50%).

من الناحية المنهجية، يمتلك MAD أفضلية ساحقة على MeanAD في معالجة البيانات غير المتجانسة، ولا يوصى باستخدام متوسط الانحراف المطلق كبديل رصين إلا في سياقات هندسية محدودة جداً تفترض الاستمرارية الخطية التامة.

6.3 جدول مقارنة شامل للخصائص الإحصائية والمزايا والعيوب

يلخص الجدول التالي المقارنة المنهجية الشاملة بين مقاييس التشتت الثلاثة عبر مختلف المعايير الإحصائية والرياضية والتطبيقية:

المعيار الإحصائي	الانحراف المعياري (SD)	متوسط الانحراف المطلق (MeanAD)	الانحراف المطلق عن الوسيط (MAD)
نقطة التمركز المرجعية	المتوسط الحسابي ($\bar{X}$)	المتوسط أو الوسيط	الوسيط ($\text{Median}$)
دالة المسافة المستخدمة	التربيع الإقليدي $(X_i – \bar{X})^2$	القيمة المطلقة $|X_i – \text{Center}|$	القيمة المطلقة $|X_i – \text{Median}|$
طريقة تجميع الفروق	المتوسط الحسابي (الجذر التربيعي)	المتوسط الحسابي للقيم المطلقة	الوسيط الإحصائي للفروق المطلقة
نقطة الانهيار (Breakdown)	0% (هش للغاية)	0% (غير رصين)	50% (الحد الأقصى للمتانة)
دالة التأثير (Influence)	غير محدودة (تؤول للانهاية)	غير محدودة خطياً	محدودة وثابتة (Bounded)
الكفاءة في التوزيع الطبيعي	100% (المقدر الأمثل)	88% تقريباً	37% (يرتفع مع التلوث)
القابلية للاشتقاق الجبري	ممتازة وسلسة رياضياً	صعبة عند نقطة الصفر	غير متصلة/صعبة تفاضلياً
سياق الاستخدام الموصى به	البيانات المعملية النقية طبيعية التوزيع	النماذج الاقتصادية والهندسية الخاصة	البيانات السلوكية، النفسية، والملوثة بالشواذ

7. معامل الاتساق والتحويل لتقدير الانحراف المعياري للتوزيع الطبيعي

7.1 الأساس الرياضي لمعامل التصحيح (1.4826)

لتوضيح الاشتقاق الرياضي الدقيق لثابت التحويل المعياري $1.4826$، يجب الانطلاق من الخصائص الاحتمالية لدالة الكثافة للتوزيع الطبيعي القياسي $Z \sim \mathcal{N}(0, 1)$ الذي يتسم بمتوسط $\mu = 0$ وتباين $\sigma^2 = 1$. في هذا التوزيع المتماثل تماماً، يتطابق الوسيط مع المتوسط ويساوي صفراً ($\text{median}(Z) = 0$). وبناءً عليه، فإن وسيط الانحرافات المطلقة يصبح مساوياً لوسيط القيمة المطلقة للمتغير القياسي، أي $\text{median}(|Z|)$.

تُعرّف القيمة الوسيطية $m$ للمتغير $|Z|$ بأنها النقطة الاحتمالية التي يتحقق عندها احتمال تراكمي قدره $0.50$ للمسافات المطلقة:

$$P(|Z| le m) = 0.50 iff P(-m le Z le m) = 0.50$$

وبالاستفادة من خاصية التماثل المحوري للتوزيع الطبيعي القياسي:

$$\Phi(m) – \Phi(-m) = 0.50 iff \Phi(m) – (1 – \Phi(m)) = 0.50 iff 2\Phi(m) – 1 = 0.50 iff \Phi(m) = 0.75$$

حيث تمثل $Phi$ دالة التوزيع التراكمي للتوزيع الطبيعي القياسي. عند إيجاد القيمة المقابلة للاحتمال التراكمي $0.75$ باستخدام جداول التوزيع الطبيعي العكسية $\Phi^{-1}(0.75)$، نجد أن:

$$m = \Phi^{-1}(0.75) \approx 0.67448975$$

هذا يوضح بجلاء أن قيمة MAD لتوزيع طبيعي ذي انحراف معياري $\sigma$ تساوي $0.6745 \times \sigma$. وبالتالي، لتقدير الانحراف المعياري الحقيقي $\sigma$ انطلاقاً من مقياس MAD، نضرب في مقلوب هذه القيمة:

$$b = \frac{1}{\Phi^{-1}(0.75)} = \frac{1}{0.67448975} \approx 1.482602218$$

إن هذا التحويل يجعل من مقياس $\text{MAD}^* = 1.4826 \times \text{MAD}$ مقدراً متسقاً بلا تحيز (Asymptotically Unbiased Consistent Estimator) للانحراف المعياري للبيانات الموزعة طبيعياً.

7.2 عوامل القياس للتوزيعات الاحتمالية غير الطبيعية

عندما تبتعد البيانات عن التوزيع الطبيعي وتتبع توزيعات احتمالية نظرية بديلة، فإن ثابت القياس $1.4826$ يتغير حتماً ليتوافق مع الخصائص الهندسية لذيل التوزيع المفترض. الجدول التالي يوضح عوامل التصحيح النظرية لمجموعة من التوزيعات الاحتمالية الشائعة في العلوم التطبيقية والنفسية:

التوزيع الاحتمالي المفترض	معادلة الاشتقاق الاحتمالية	عامل القياس والتصحيح ($b$)
التوزيع الطبيعي (Normal Distribution)	$1 / \Phi^{-1}(0.75)$	$1.4826$
توزيع لابلاس (Laplace / Double Exp.)	$1 / (\sqrt{2} \ln(2))$	$1.0201$
التوزيع اللوجستي (Logistic Distribution)	$\pi / (\sqrt{3} \ln(3))$	$1.2008$
توزيع كوشي (Cauchy Distribution)	$1 / \tan(\pi / 4)$	$1.0000$
التوزيع المنتظم المستمر (Uniform Distribution)	$2 / \sqrt{3}$	$1.1547$

يكتسب هذا الفهم أهمية بالغة في بحوث القياس النفسي ذات الاستجابات المقيدة والمحدودة المدى، حيث يؤدي سوء اختيار نموذج التوزيع إلى تحيز طفيف في تقدير الانحرافات المعيارية؛ غير أن ميزة MAD تكمن في أنه حتى مع استخدام الثابت القياسي $1.4826$ لتوزيعات غير طبيعية معتدلة، يظل التقدير متيناً وأكثر قرباً للواقع مقارنة بالانحراف المعياري الكلاسيكي المتفجر بالشواذ.

7.3 تصحيح تحيز العينات الصغيرة (Small Sample Correction)

على الرغم من الاتساق التقاربي لمقياس $\text{MAD}^*$ في العينات الكبيرة والمتوسطة ($N > 30$)، إلا أنه يعاني من تحيز نزولي طفيف (Downward Bias) في العينات الصغيرة جداً ذات الأحجام المحدودة ($N < 10$)، حيث يميل إلى تقدير قيمة تشتت أقل قليلاً من الانحراف المعياري الحقيقي. ولمعالجة هذا التحيز في الدراسات الإكلينيكية ودراسات الحالة الفردية، طور عالما الإحصاء بيتر روسيو (Peter Rousseeuw) وكريستوف كروكس (Christophe Croux) عوامل تصحيح تعتمد مباشرة على حجم العينة المحدود ($n$).

تُصاغ المعادلة المصححة للعينات المحدودة على النحو التالي:

$$\text{MAD}^*_{\text{corrected}} = 1.4826 \times c_n \times \text{MAD}$$

حيث يمثل $c_n$ معامل تصحيح العينة المحدودة المشتق من دراسات المحاكاة واسعة النطاق. يوضح الجدول التالي قيم معامل التصحيح $c_n$ لأحجام العينات الصغيرة الأكثر شيوعاً في البحوث النفسية الميدانية:

حجم العينة ($n$)	معامل التصحيح ($c_n$)	حجم العينة ($n$)	معامل التصحيح ($c_n$)
3	1.414	7	1.059
4	1.155	8	1.042
5	1.118	9	1.031
6	1.082	10	1.024

وعندما يتجاوز حجم العينة 10 مشاهدات، يقترب المعامل $c_n$ من $1.00$ ويصبح أثره ضئيلاً، مما يجعل استخدام الصيغة القياسية كافياً لتحقيق الدقة الاستدلالية المطلوبة.

8. كشف القيم الشاذة وتطهير البيانات النفسية باستخدام MAD

8.1 قاعدة Z-score المعدلة المعتمدة على MAD (Modified Z-Score)

تعتبر الدرجة المعيارية الكلاسيكية (Standard Z-score) المعتمدة على المتوسط والانحراف المعياري ($Z_i = \frac{X_i – \bar{X}}{SD}$) الأسلوب الأكثر انتشاراً للأسف في كشف القيم الشاذة. غير أن هذه الطريقة تقع في خطأ منهجي دائري يسمى “ظاهرة الإخفاء” (Masking Effect)؛ فالقيم الشاذة ذاتها ترفع قيمة المتوسط الحسابي وتضخم الانحراف المعياري في المقام، مما يقلل من قيمة $Z_i$ الناتجة ويجعل المشاهدة الشاذة تبدو وكأنها ضمن النطاق الطبيعي المقبول.

لتجاوز هذا القصور المنهجي، طوّر العالمان بوريس إيغلوفيتش (Boris Iglewicz) وديفيد هوغلين (David Hoaglin) منهجية الدرجة المعيارية المعدلة (Modified Z-Score المرموز لها بـ $M_i$) استناداً إلى مقياس MAD، وفق الصيغة الرياضية التالية المعتمدة من قِبل المعهد الوطني للمعايير والتقنية (NIST):

$$M_i = \frac{0.6745 \times (X_i – \text{median}(X))}{\text{MAD}}$$

تستخدم هذه المعادلة وسيط العينة كمركز مستقر ومقياس MAD كمقام رصين غير متأثر بالشواذ. وفقاً لتوصيات Iglewicz & Hoaglin، تُعتمد المعايير التالية لتشخيص المشاهدات:

• مشاهدة طبيعية: إذا كانت $|M_i| le 2.5$.
• مشاهدة محتملة الشذوذ: إذا كانت $2.5 < |M_i| le 3.5$.
• قيمة شاذة مؤكدة (Outlier): إذا كانت $|M_i| > 3.5$.

توفر هذه العتبة الإحصائية حماية فائقة لمنظومة البيانات، وتكشف بدقة لا متناهية كافة المشاهدات الملوثة دون أن تقع في فخ التمويه أو التضخيم.

8.2 استراتيجيات التعامل مع القيم المتطرفة في البحوث النفسية

عند كشف القيم الشاذة باستخدام قاعدة Modified Z-Score، يواجه الباحث السلوكي ضرورة اتخاذ قرار منهجي واعي يستند إلى الفحص التشخيصي لسبب الشذوذ. لا ينبغي أبداً التعامل مع القيم الشاذة بالحذف التلقائي الأعمى، بل تصنف الأسباب إلى ثلاثة مسارات:

• أخطاء الإدخال والترميز (Data Entry Errors): مثل تسجيل عمر المفحوص 220 سنة بدلاً من 22 سنة، وهنا يتم تصحيح الخطأ بالرجوع للاستمارات الأصلية أو حذفه في حال تعذر التوثيق.
• استجابات غير جادة أو ملوثة: كأن يضغط المفحوص نفس الخيار في استبيان كامل مكون من 100 فقرة في دقيقة واحدة، وهنا يكون الاستبعاد مبرراً علمياً.
• حالات سيكومترية استثنائية حقيقية: كحالات العبقرية الفائقة أو الاضطراب الوجداني الحاد، وهنا يحظر الحذف لأن هذه الحالات تمثل التباين الطبيعي الحقيقي للمجتمع.

في الحالات التي يرغب فيها الباحث في ضبط أثر القيم الشاذة الحقيقية دون حذف أفراد العينة وتقليص القوة الإحصائية، يُعد أسلوب البتْر الرصين (Winsorization) المعتمد على MAD الخيار المنهجي الأمثل؛ حيث يتم تقليص القيم الشاذة التي تتجاوز عتبة القطع ($|M_i| > 3.5$) وإرجاعها هندسياً لتتساوى مع أعلى قيمة مقبولة ضمن النطاق الطبيعي المحسوب. هذا الإجراء يضمن الاحتفاظ بالحجم الكامل للعينة مع تحييد الأثر المدمر للتطرف العددي في التحليلات اللاحقة.

8.3 دراسة حالة: تنقية أزمنة الاستجابة في الاختبارات المعرفية

لتطبيق هذه الاستراتيجية عملياً، نتناول تجربة انتباه بصري مقاسة بالمللي ثانية لمجموعة من المفحوصين تضمنت الأزمنة التالية: (240، 245، 248، 250، 252، 255، 258، 260، 620). الزمن الأخير (620 مللي ثانية) يشتبه في كونه استجابة شاذة ناتجة عن فقدان لحظي للانتباه.

نقوم بتطبيق خوارزمية الدرجة المعيارية المعدلة:

• ترتيب البيانات: (240، 245، 248، 250، 252، 255، 258، 260، 620). الوسيط $\text{Median} = 252$.
• حساب الفروق المطلقة: (12، 7، 4، 2، 0، 3، 6، 8، 368).
• ترتيب الفروق المطلقة: (0، 2، 3، 4، 6، 7، 8، 12، 368). وسيط الفروق $\text{MAD} = 6$.
• حساب Modified Z-score للمشاهدة المتطرفة 620:
  $$M_{620} = \frac{0.6745 \times (620 – 252)}{6} = \frac{0.6745 \times 368}{6} = \frac{248.216}{6} \approx 41.37$$

بما أن $M_{620} = 41.37$ وهي أعلى بمراحل من العتبة الإحصائية $3.5$، تُصنف المشاهدة فوراً كقيمة شاذة مؤكدة ومفرطة. إن عزل أو بتْر هذا الزمن وتعديله خفض التباين الكلي المصطنع، مما رفع القوة الإحصائية لاختبار تحليل التباين (ANOVA) اللاحق ومكن الباحثين من اكتشاف الفروق التجريبية الحقيقية بين المجموعات دون ضجيج إحصائي مشوه.

9. التطبيق البرمجي والحوسبة الإحصائية لمقياس MAD

9.1 حساب MAD باستخدام لغة R

تعتبر بيئة الحوسبة الإحصائية R البيئة الأرقى والأكثر دعماً للإحصاء الرصين. تتضمن الحزمة الأساسية في R دالة مدمجة باسم mad() تقوم آلياً بحساب المقياس وتطبيق معامل التصحيح الطبيعي $1.4826$ بشكل افتراضي. فيما يلي توضيح برمجي مفصل لكيفية توظيف هذه الدالة وتحليل خصائصها:

لحساب المقياس المعياري المصحح لعينة البيانات x، يتم استدعاء الدالة مباشرة: mad(x, constant = 1.4826, na.rm = TRUE). وفي حال رغب الباحث في استخراج قيمة MAD الخام دون تصحيح، يضبط المعامل constant = 1. ولمعالجة البيانات المفقودة، يضمن تفعيل الوسيط na.rm = TRUE استبعاد القيم الفارغة بسلاسة دون توقف الكود.

علاوة على ذلك، توفر حزم متقدمة مثل robustbase وحزمة WRS2 (المستندة إلى أعمال البروفيسور راند ويلكوكس Rand Wilcox في الإحصاء النفسي الرصين) دوال متكاملة لتطبيق كشف القيم الشاذة وحساب مصفوفات التباين الرصينة المعتمدة على MAD، بالإضافة إلى توفير رسوم بيانية تفاعلية تدعم اتخاذ القرارات المنهجية بدقة فائقة.

9.2 حساب MAD باستخدام لغة Python

توفر مكتبة الحوسبة العلمية SciPy في بايثون، وتحديداً الوحدة scipy.stats، دالة قياسية عالية الأداء لحساب المقياس وهي median_abs_deviation. يتيح الكود التالي تنفيذ العملية بأقصى درجات المرونة:

يتم استيراد الدالة عبر الأمر: from scipy.stats import median_abs_deviation. وعند تمرير مصفوفة البيانات data، يمكن تحديد ما إذا كان المطلوب هو المقياس المعياري المصحح عبر تمرير الوسيط scale='normal'، والذي يقوم داخلياً بالضرب في $1.4826$، أو اختيار scale=1.0 للحصول على المقياس الخام.

وفي حال التعامل مع هياكل البيانات الضخمة وسلاسل البيانات الزمنية باستخدام مكتبة pandas، يمكن دمج الدالة بسهولة عبر تجميعات البيانات: df.groupby('group_var')['score'].apply(median_abs_deviation, scale='normal'). ويتيح ذلك للباحثين النفسيين معالجة آلاف السجلات السلوكية وأزمنة الاستجابة المتسلسلة وحساب تشتتها الرصين في أجزاء من الثانية.

9.3 حساب MAD في بيئة SPSS وبرامج التحليل الشائعة

في بيئة برنامج IBM SPSS Statistics، يمكن استخراج مقياس MAD عبر طريقتين:

• الواجهة الرسومية: عبر قائمة استكشاف البيانات Analyze -> Descriptive Statistics -> Explore، ومن خلال خيار Statistics يتم تفعيل خيار Robust M-estimators، والذي يعرض تقديراً رصيناً للموقع والتشتت يتقاطع منهجياً مع مقياس MAD.
• لغة الأوامر (SPSS Syntax): يمكن كتابة أوامر برمجية مخصصة لحساب وسيط الفروق المطلقة بدقة عبر دمج دوال AGGREGATE لحساب الوسيط ثم COMPUTE لحساب الفروق المطلقة ثم استخراج وسيطها.

أما في برنامج Microsoft Excel، يمكن حساب MAD البسيط بخطوات سريعة دون تعقيد برمجي: بعد حساب وسيط البيانات الأصلية في خلية مفردة باستخدام المعادلة =MEDIAN(A1:A11)، يتم إنشاء عمود جديد للفروق المطلقة بصيغة =ABS(A1 - $B$1) وتعميمها، ثم استخراج وسيط العمود الجديد في الخلية النهائية عبر =MEDIAN(C1:C11)، وتُضرب النتيجة في $1.4826$ للحصول على المقدر المتسق.

10. تطبيقات متقدمة لـ MAD في القياس النفسي ونظرية الاختبارات

10.1 تقدير ثبات وصدق المقاييس النفسية في البيئات الملوثة

تعتمد النظريات الكلاسيكية للاختبارات (Classical Test Theory – CTT) على حساب معاملات الارتباط الخطية لبيرسون لتقدير ثبات إعادة التطبيق (Test-Retest) والاتساق الداخلي عبر معامل ألفا كرونباخ (Cronbach’s Alpha). من المعروف رياضياً أن ألفا كرونباخ ومعامل بيرسون يعتمدان كلياً على مصفوفة التباينات والتغايرات الكلاسيكية المحسوبة بالمتوسطات والمربعات، مما يجعلهما عرضة للانهيار؛ حيث يمكن لمشاهدات شاذة قليلة في عينة ما أن ترفع معامل الثبات بصورة وهمية ومصطنعة، أو تخفضه لدرجة تجعل مقياساً صادقاً يبدو غير صالح للاستخدام.

تتيح مقاييس التشتت الرصينة المرتكزة على MAD بناء معاملات ارتباط رصينة (Robust Correlation Metrics) مثل معامل ارتباط الرتب الموزون ومعاملات التغاير ثنائية المتغير الرصينة. يسهم استخدام MAD في استخراج خطأ القياس المعياري الرصين (Robust Standard Error of Measurement – $\text{SEM}_{\text{robust}} = \text{MAD}^* \sqrt{1 – r_{xx}}$)، مما يوفر تقديرات ثبات دقيقة ومستقرة تماماً حتى في البيئات الإكلينيكية المضطربة والمجموعات العلاجية شديدة التباين التي يتعذر فيها تحقيق شروط الثبات الكلاسيكي.

10.2 توحيد المعايير واستخراج الدرجات المعيارية الرصينة

في إطار تقنين الاختبارات النفسية والتربوية، يعتمد علماء القياس على بناء درجات معيارية محولة (Standardized Scores) مثل الدرجات التائية (T-Scores) والدرجات المعيارية ($Z$-Scores) ومصفوفات الرتب المئينية (Percentile Ranks) لتمكين الأخصائيين من مقارنة أداء المفحوص الفرد بأقرانه في المجتمع المعياري. عندما تُبنى هذه المعايير بالاعتماد على المتوسط والانحراف المعياري لعينات التقنين التي تحتوي على التواءات أو شواذ، تصبح المعايير الناتجة مشوهة، مما يؤدي إلى أخطاء فادحة في التشخيص الإكلينيكي للأفراد (مثل التشخيص الخاطئ لصعوبات التعلم أو اضطرابات طيف التوحد وفرط الحركة وتشتت الانتباه ADHD).

يمثل استبدال الانحراف المعياري بمقياس $\text{MAD}^*$ والوسيط كمرجع أساسي في معادلات المعايرة نقلة نوعية في موثوقية التقارير التشخيصية الفردية؛ حيث يتم بناء درجات معيارية رصينة وفق المعادلة: $Z_{\text{robust}} = \frac{X_i – \text{Median}}{\text{MAD}^*}$. تضمن هذه الدرجات الرصينة عدم تأثر معايير المجتمع بأداء الحالات الحدية، مما يعطي كل مفحوص موقعه السيكومتري الحقيقي والصادق ويدعم اتخاذ القرارات العلاجية والتربوية الصائبة.

10.3 النمذجة البنائية وتحليل المسار الرصين

في النمذجة الإحصائية المتقدمة، مثل نماذج المعادلات البنائية (Structural Equation Modeling – SEM) ونماذج تحليل المسار وتوكيد النماذج العاملية (CFA)، تفترض خوارزميات التقدير التقليدية (مثل الإمكانية الأعظمية Maximum Likelihood – ML) التوزيع الطبيعي المتعدد للمتغيرات. يؤدي وجود التواءات أو قيم شاذة في فقرات المقاييس إلى تضخيم قيمة مؤشر مطابقة النموذج ($\chi^2$)، وتشويه مؤشرات حسن المطابقة (CFI, TLI, RMSEA)، وتضخيم أخطاء التقدير المعيارية لمعاملات المسار.

يتم توظيف مقياس MAD كمحرك أساسي لبناء مصفوفات التغاير الرصينة (Robust Covariance Matrices) عبر خوارزميات مثل Minimum Covariance Determinant (MCD) و orthogonalized Gnanadesikan-Kettenring. إن تغذية نماذج SEM بهذه المصفوفات الرصينة المنطلقة من MAD يعزز استقرار المعلمات التقديرية، ويمنع الرفض الزائف للنماذج النظرية السليمة، ويوفر تفسيراً موثوقاً للعلاقات السببية المعقدة بين السمات والمتغيرات الكامنة (Latent Variables) في الأبحاث النفسية متعددة الأبعاد.

11. المحددات والانتقادات الموجهة لمقياس MAD وبدائله الحديثة

11.1 انخفاض الكفاءة الإحصائية في التوزيعات الطبيعية المثالية

على الرغم من القوة المنهجية الهائلة لمقياس MAD في التعامل مع الشواذ، إلا أنه لا يخلو من محددات إحصائية يجب على الباحث استيعابها. يبرز في مقدمة هذه المحددات قضية الكفاءة التقاربية (Asymptotic Efficiency) في ظل التوزيع الطبيعي المعياري التام الخالي كلياً من أي تلوث إحصائي؛ حيث تبلغ الكفاءة النسبية لمقياس MAD حوالي 36.7% فقط مقارنة بالانحراف المعياري الكلاسيكي ($100%$).

يعني هذا رياضياً أنه في حال كانت البيانات نقية وطبيعية تماماً، فإن تباين مقدر MAD يكون أكبر من تباين الانحراف المعياري، مما يتطلب من الباحث جمع حجم عينة أكبر بنحو مرتين إلى ثلاث مرات للحصول على نفس الدقة والخطأ المعياري الذي يوفره الانحراف المعياري بحجم عينة أصغر. يفرض هذا القصور على الباحثين إجراء موازنة منهجية واعية؛ فإذا كانت البيانات معملية تخضع لرقابة صارمة وخالية تماماً من الشوائب، تظل المقاييس الكلاسيكية خياراً أكثر كفاءة، بينما ترجح كفة MAD بمجرد الشك في وجود أي تلوث أو التواء ميداني في المشاهدات.

11.2 البدائل الرصينة الأكثر كفاءة: مقياسي Sn و Qn

لتجاوز مشكلة انخفاض كفاءة MAD مع الاحتفاظ بميزته الاستثنائية في نقطة الانهيار العالية (50%)، قدم العالمان بيتر روسيو وكريستوف كروكس في بحثهما التاريخي عام 1993 مقياسين رصينين بديلين يتمتعان بخصائص رياضية فائقة الحداثة:

• مقياس $S_n$: يُحسب هذا المقياس من خلال استخراج الوسيط لجميع الفروق المطلقة الزوجية بين كل نقطة وبقية النقاط، وفق الصيغة:
  $$S_n = c_n \times 1.1926 \times \text{median}_i \left( \text{median}_j |X_i – X_j| \right)$$
  يتميز $S_n$ بنقطة انهيار 50% مع كفاءة إحصائية تقاربية ترتفع إلى 58% في التوزيع الطبيعي، كما أنه لا يفترض مسبقاً تماثل التوزيع حول مركز مفرد.
• مقياس $Q_n$: يعتمد على استخراج الربع الأول (First Quartile / 25th percentile) لجميع المسافات والفروق المطلقة بين أزواج البيانات الكلية $\binom{n}{2}$، وفق الصيغة:
  $$Q_n = d_n \times 2.2219 \times \left{ |X_i – X_j|; i < j \right}_{(k)}$$
  يحقق مقياس $Q_n$ إنجازاً رياضياً باهراً؛ إذ يجمع بين نقطة الانهيار القصوى 50% وكفاءة إحصائية فائقة تبلغ 82% في التوزيعات الطبيعية، دون الحاجة لحساب أي مقياس تمركز أو وسيط أولي.

على الرغم من التفوق الرياضي لمقياسي $S_n$ و $Q_n$ في الكفاءة، إلا أن مقياس MAD يظل الأكثر انتشاراً واستخداماً وتفضيلاً في الأبحاث النفسية والتطبيقية نظراً لسهولة حسابه اليدوي والبرمجي ووضوح بنيته المفهومية لكافة الممارسين غير المتخصصين في الرياضيات البحتة.

11.3 الصعوبات الرياضية في الاستدلال البارامتري والاستنتاج

يرتبط المحدد الثالث لمقياس MAD بطبيعته الرياضية غير القابلة للتفاضل والاشتقاق السلس (Non-differentiable Function)؛ فاستخدام دوال الترتيب والوسيط والقيمة المطلقة يُنشئ دوالاً خطية مجزأة تحتوي على زوايا وانكسارات حادة تنعدم عندها المشتقة الأولى. يترتب على ذلك صعوبة دمج MAD مباشرة في خوارزميات الاستمثال الرياضي التقليدية القائمة على التفاضل مثل خوارزميات الانحدار بالانحدار التدريجي (Gradient Descent) ونماذج المربعات الدنيا العادية.

كذلك، فإن بناء فترات الثقة (Confidence Intervals) وإجراء اختبارات الدلالة الإحصائية حول MAD لا يتبع توزيعات استدلالية بسيطة ومباشرة كتوزيع $t$ أو توزيع $\chi^2$. بدلاً من ذلك، يتطلب الاستدلال الإحصائي المتقدم باستخدام MAD الاعتماد على تقنيات إعادة التشكيل الحاسوبية المعقدة والمكثفة مثل طرق البوتستراب (Bootstrapping Methods) ومحاكاة مونت كارلو لتقدير أخطاء المعايرة وبناء مجالات الثقة الرصينة، وهو ما يتطلب إلماماً برمجياً وإحصائياً متقدماً من الباحثين.

12. إرشادات وتوصيات عملية للباحثين عند تقرير MAD في الدراسات الأكاديمية

12.1 معايير اختيار مقياس التشتت المناسب لطبيعة البيانات

لتيسير اتخاذ القرار المنهجي في اختيار مقياس التشتت الأنسب للبحوث الميدانية والتجريبية، نوصي باتباع شجرة القرارات الإحصائية الموضحة في الخطوات الإجرائية التالية:

• الخطوة الأولى: فحص التوزيع والاعتدالية: إذا كانت البيانات متصلة، وتحقق شروط التوزيع الطبيعي التام (قيمة الالتواء والتفلطح بين $\pm 1$)، وخالية تماماً من أي قيم شاذة إكلينيكية أو فنية ($N > 30$)، فإن الانحراف المعياري (SD) يظل الخيار الأمثل لتحقيق أعلى كفاءة إحصائية واستدلالية.
• الخطوة الثانية: تقييم الالتواء والتلوث: إذا أظهرت البيانات التواءات حادة، أو احتوت على نسب من القيم الشاذة، أو كانت مستمدة من عينات إكلينيكية غير متجانسة، أو كانت المتغيرات تمثل أزمنة رجع وسجلات تفاعلية، فإن الانحراف المطلق عن الوسيط (MAD) بصيغته المعيارية هو الخيار الحاسم والواجب منهجياً لضمان عدم تشويه التشتت.
• الخطوة الثالثة: البيانات الرتبية والترتيبات: في حال كانت البيانات رتبية بحتة (Ordinal Data) وغير متصلة، يمكن تفضيل المدى الربيعي (IQR) أو مقياس MAD البسيط دون معامل تصحيح لوصف الانتشار الرتبي بأمان وموثوقية.

12.2 بروتوكول التوثيق والتقرير وفق دليل جمعية علم النفس الأمريكية (APA)

عند تقرير النتائج الإحصائية المستندة إلى مقياس MAD في أطروحات الماجستير والدكتوراه والأوراق البحثية المنشورة في المجلات المفهرسة، يجب على الباحثين الالتزام ببروتوكول الشفافية المنهجية وفق المعايير المعاصرة لدليل APA (الإصدار السابع):

• الإفصاح عن الثوابت: يجب الإشارة صراحة في قسم المنهجية الإحصائية إلى ما إذا كان مقياس MAD المستخدم هو المقياس الخام أو المقياس المعياري المصحح المضروب في الثابت $1.4826$ لتفادي أي التباس في المقارنات التراكمية (Meta-analysis).
• التوثيق المزدوج للمركز والتشتت: يجب اقتران مقياس MAD دائماً بالوسيط (Median) وليس بالمتوسط الحسابي، وتجنب الخلط في التقرير بين مقاييس المركز الرصينة والمقاييس الكلاسيكية.
• تبرير الاستخدام: صياغة فقرة موجزة توضح دواعي تفضيل المقياس الرصين (مثل وجود شواذ حقيقية أو التواء استجابات العينة السلوكية).

نماذج صياغة أكاديمية موصى بها:

النموذج الوصفي: “بلغ وسيط زمن الاستجابة للمهمة المعرفية $Mdn = 342.00$ مللي ثانية، مع انحراف مطلق عن الوسيط قدره $\text{MAD} = 24.50$ مللي ثانية ($\text{MAD}^* = 36.32$ كتقدير رصين لانحراف المجتمع الطبيعي)، مما يشير إلى تركيز عالٍ للأداء وتشتت منخفض بالمقارنة مع التقديرات الكلاسيكية ($M = 412.15, SD = 145.80$) التي تضخمت بفعل استجابات التشتت الطرفية.”

نموذج كشف وتطهير الشواذ: “تم فحص البيانات وتشخيص القيم الشاذة بالاعتماد على قاعدة الدرجة المعيارية المعدلة (Modified Z-score; Iglewicz & Hoaglin, 1993) المرتكزة على الوسيط ومقياس MAD، واستبعاد المشاهدات التي تجاوزت العتبة الإحصائية $|M_i| > 3.5$ والبالغة نسبتها 2.1% من إجمالي المشاهدات المسجلة.”

12.3 التمثيل البصري للبيانات المتشتتة والتحليلات الرصينة

تكتمل رصانة التحليل الإحصائي بتعزيزه بأشكال ورسوم بيانية تنقل حقيقة التشتت والتمركز للقارئ والمحكم الأكاديمي بنزاهة ووضوح. لا ينصح أبداً باستخدام المخططات العمودية البسيطة (Bar Charts) ذات أعمدة الخطأ الكلاسيكية المعتمدة على الانحراف المعياري للبيانات غير الطبيعية، لأنها تخفي التواء التوزيع ووجود الشواذ.

تتمثل الممارسات البيانية الفضلى في استخدام المخططات الصندوقية المعدلة (Adjusted Boxplots) التي تعرض الوسيط والربيعات ونطاقات MAD بوضوح، مع تمثيل النقاط الشاذة كعلامات منفصلة خارج الصندوق. كذلك، يُوصى باستخدام مخططات الكثافة الكمانية (Violin Plots) مع تراكب خطوط تمثل الوسيط وفترات الثقة الرصينة المعتمدة على MAD ($\text{Median} \pm 1.96 \times \frac{\text{MAD}^*}{\sqrt{n}}$)، مما يوفر للقارئ رؤية بصرية متكاملة وشاملة تجمع بين الكثافة الاحتمالية والتمركز والتشتت الحقيقي الخالي من التضليل.

---

خاتمة واستشراف مستقبلي

يمثل مقياس الانحراف المطلق عن الوسيط (MAD) جوهرة منهجية في تاج الإحصاء الرصين وأدوات القياس العلمي الحديث؛ إذ يجمع ببراعة استثنائية بين البساطة الرياضية وسهولة التأويل من جهة، والصلابة المنهجية الفائقة بمقاومته المطلقة للقيم الشاذة بنقطة انهيار تبلغ 50% ودوال تأثير محدودة من جهة أخرى. لقد أثبت المقياس جدارته كأداة لا غنى عنها في تطهير وتنقية مصفوفات البيانات، وإعادة بناء المعايير السيكومترية، وحماية الدراسات التجريبية والإكلينيكية في العلوم النفسية والسلوكية من الانزلاق وراء التقديرات المضللة للمقاييس الكلاسيكية الهشة.

مع تسارع وتيرة التحول الرقمي وتدفق البيانات الضخمة (Big Data) في القياس السلوكي والتعلم الآلي وإنترنت الأشياء، تتزايد الحاجة المعرفية إلى تبني هذه المقاييس الرصينة وتضمينها بشكل منهجي في المناهج الأكاديمية وخطط التحليل الإحصائي. إن الانتقال الواعي من الهيمنة الأحادية للانحراف المعياري إلى رحابة الإحصاء الرصين بقيادة مقياس MAD يمثل خطوة أساسية نحو تعزيز النزاهة العلمية، والارتقاء بقوة الاستدلال البحثي، وضمان تطابق النماذج الكمية مع الحقيقة الموضوعية للظواهر الإنسانية والسلوكية المعقدة.

---

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Hampel, F. R. (1974). The influence curve and its role in robust estimation. Journal of the American Statistical Association, 69(346), 383–393. https://doi.org/10.1080/01621459.1974.10482962
• Hoaglin, D. C., Mosteller, F., & Tukey, J. W. (Eds.). (2000). Understanding robust and exploratory data analysis. John Wiley & Sons.
• Huber, P. J., & Ronchetti, E. M. (2009). Robust statistics (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9780470434697
• Iglewicz, B., & Hoaglin, D. C. (1993). How to detect and handle outliers (Vol. 16). ASQC Basic References in Quality Control, American Society for Quality Control.
• Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764–766. https://doi.org/10.1016/j.jesp.2013.03.013
• NIST/SEMATECH. (2012). e-Handbook of statistical methods. National Institute of Standards and Technology. https://doi.org/10.18434/M32189
• Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the median absolute deviation. Journal of the American Statistical Association, 88(424), 1273–1283. https://doi.org/10.1080/01621459.1993.10476408
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press. https://doi.org/10.1016/C2015-0-02298-6