التوزيع الطبيعي مقابل توزيع t: ما الفرق؟

يمثل الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها الأبحاث النفسية والسلوكية المعاصرة؛ إذ ينقل الباحث من حيز الملاحظات الفردية والبيانات الوصفية المحدودة إلى آفاق التعميم العلمي الدقيق على المجتمعات الإنسانية الأوسع. وفي صلب هذه العملية المنهجية المعقدة، تبرز التوزيعات الاحتمالية المستمرة كنماذج رياضية معيارية تتيح للباحثين صياغة الفرضيات، وتقدير معالم المجتمع، واختبار الدلالة الإحصائية للنتائج التجريبية والارتباطية بكفاءة عالية. ومن بين مختلف النماذج الاحتمالية المطروحة في الأدبيات السيكومترية، يظل التوزيع الطبيعي (توزيع غاوس) وتوزيع t (توزيع ستيودنت) النموذجين الأكثر استخداماً وأهمية في التحليل الكمي للظواهر النفسية المعقدة.

ورغم التقارب الهندسي الظاهري بين هذين النموذجين، حيث يشترك كلاهما في شكل المنحنى الجرسي المتناظر أحادي المنوال، إلا أن الفروق الجوهرية الكامنة في بنيتهما الرياضية وخصائصهما التوزيعية تمثل فارقاً حاسماً بين التوصل إلى استنتاجات سيكومترية دقيقة أو الوقوع في أخطاء منهجية فادحة. إن الاختيار بين نموذج التوزيع الطبيعي ونموذج توزيع t ليس مجرد تفضيل إجرائي أو خيار تقني عابر، بل هو قرار إبستمولوجي وإحصائي يرتبط ارتباطاً وثيقاً بمدى توافر المعلومات حول معالم المجتمع الإحصائي الأصلي، وحجم العينة المتاحة للدراسة، ومقدار عدم اليقين المحيط بتقدير التباين والخطأ المعياري.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي معمق للفروق الجوهرية بين التوزيع الطبيعي وتوزيع t في سياق البحث النفسي والقياس السلوكي. وسيتناول المقال الأسس الرياضية لكل توزيع، وسلوكهما الهندسي والتفرطحي، ودور درجات الحرية في ضبط دقة التقدير، بالإضافة إلى المعايير المنهجية الصارمة للاختيار بينهما عند بناء فترات الثقة وإجراء اختبارات الفروض الإحصائية. كما سيسلط الضوء على التطبيقات الميدانية في الاختبارات النفسية ودراسات الأعصاب الإكلينيكية، وكيفية توظيف البرمجيات الإحصائية المتقدمة للتعامل مع البيانات الواقعية وفق أعلى المعايير التوثيقية المعتمدة عالمياً.

1. المدخل المفاهيمي للتوزيعات الاحتمالية المستمرة في البحث النفسي

1.1 أهمية النماذج الاحتمالية في تفسير السلوك الإنساني والقياس النفسي

تعتمد دراسة السلوك البشري وقياس السمات السيكولوجية على افتراض أساسي مفاده أن الخصائص النفسية، مثل الذكاء، والقلق، والمرونة العصبية، والدافعية للإنجاز، لا تتوزع بين الأفراد بشكل اعتباطي، بل تخضع لانتظام إحصائي ونمذجة رياضية قابلة للقياس والتحليل. تلعب النماذج الاحتمالية دوراً محورياً في تحويل الدرجات الخام المستخلصة من الاختبارات والمقاييس النفسية إلى درجات ذات دلالة معيارية تفسيرية، مما يسمح بمقارنة أداء الفرد بالنسبة للمجتمع المرجعي الذي ينتمي إليه بدقة متناهية.

تتيح التوزيعات الاحتمالية للباحثين السيكولوجيين نمذجة التباين الطبيعي الكامن في الاستجابات السلوكية، من خلال افتراض أن هذا التباين يمثل محصلة لتفاعل عدد هائل من العوامل الجينية، والبيئية، والخبرات الذاتية المستقلة. فعندما تتراكب هذه المؤثرات المتعددة، تتقارب الاستجابات الكلية نحو نماذج رياضية محددة تمنح المقاييس النفسية قدرتها التنبؤية، وتساعد في تصنيف الحالات الإكلينيكية، وتشخيص الاضطرابات النفسية بناءً على ابتعاد استجابات الأفراد عن المتوسط التوزيعي السلوكي العام.

علاوة على ذلك، توفر النماذج الاحتمالية الأساس النظري لبناء أدوات القياس وتقنينها وفق النظرية الكلاسيكية للاختبارات (CTT) والنظرية الحديثة للاستجابة للمفردة (IRT). فبدون الاستناد إلى توزيع احتمالي نظري واضح المعالم، يستحيل حساب الخطأ المعياري للقياس، أو تحديد فترات الثقة لدرجات الأفراد الحقيقية، أو استنتاج مدى صدق وثبات الأدوات المستخدمة في تقييم الشخصية والقدرات المعرفية داخل المؤسسات التعليمية والمستشفيات النفسية ومراكز التوجيه المهني.

1.2 مفهوم التوزيع المتصل والفروق الجوهرية عن التوزيعات المنفصلة

تنقسم المتغيرات الإحصائية في البحث النفسي إلى متغيرات منفصلة (Discrete) ومتغيرات متصلة (Continuous). وتتميز المتغيرات النفسية المعقدة بكونها متغيرات متصلة قابلة للقياس على متصل مستمر لا نهائي من القيم؛ فالقلق، والاكتئاب، وسرعة المعالجة المعرفية، وزمن الرجع الفسيولوجي ليست خصائص تتغير بقفزات عددية منفصلة، بل تتدفق بسلاسة عبر مقياس متصل، مما يجعل نمذجتها تتطلب دوالاً احتمالية خاصة تُعرف باسم دوال كثافة الاحتمال (Probability Density Functions – PDF).

تختلف دوال كثافة الاحتمال للتوزيعات المتصلة عن دوال الكتلة الاحتمالية للتوزيعات المنفصلة في كون احتمال حدوث نقطة مفردة بذاتها يساوي صفراً رياضياً، أي أن $P(X = x) = 0$. وبدلاً من التركيز على قيمة مفردة، يتعامل الباحث مع احتمالية وقوع الدرجة النفسية داخل فترة محددة أو نطاق معين عبر حساب التكامل الرياضي والمساحة المحصورة تحت منحنى الدالة بين قيمتين معنيتين. يمثل التكامل الرياضي المساحة الإجمالية تحت المنحنى والتي تعادل دائماً القيمة واحد صحيح، مما يعكس الاحتمال الكلي لفضاء العينة النفسية المدروسة.

إن إدراك الطبيعة المتصلة للبيانات النفسية يحمي الباحث من الوقوع في فخ التفسيرات الاختزالية، ويسمح بتطبيق النماذج الرياضية المتقدمة القائمة على التفاضل والتكامل لاستخراج النقاط المئينية، وتحديد الدرجات القاطعة (Cut-off scores) للاختبارات التشخيصية. كما أن الفهم العميق لخصائص دالة الكثافة يسهم في ضبط التقديرات الاحتمالية لقيم الخطأ الإحصائي، وتحديد المساحات الحرجة في الذيول التوزيعية التي تُبنى عليها قرارات قبول أو رفض الفرضيات العلمية.

1.3 مبرهنة النهاية المركزية ودورها المحوري في الاستدلال الإحصائي

تعد مبرهنة النهاية المركزية (Central Limit Theorem – CLT) حجر الزاوية الذي يرتكز عليه الاستدلال الإحصائي البارامتري في العلوم السلوكية. تنص المبرهنة على أنه إذا تم سحب عينات عشوائية متكررة ومستقلة بحجم كافٍ ($n$) من أي مجتمع إحصائي، بغض النظر عن شكل توزيعه الأصلي (سواء كان ملتويًا، أو منتظماً، أو متعدد الأنماط)، فإن توزيع متوسطات هذه العينات سيقترب بالضرورة من التوزيع الطبيعي كلما زاد حجم العينة.

تتجلى أهمية هذه المبرهنة في الأبحاث النفسية الميدانية التي تتعامل غالباً مع ظواهر ومقاييس تتسم بعدم الاعتدالية في المجتمع الأصلي، مثل درجات العدوانية، أو زمن الاستجابة للمثيرات الإدراكية، أو مقاييس السلوك الإدماني؛ إذ تمنح المبرهنة مسوغاً رياضياً متيناً لاستخدام النماذج الاحتمالية المعيارية في اختبار الفروض وتقدير المعالم، طالما كان حجم العينات المدروسة كافياً لتحقيق التقارب المركزي وتوليد توزيع معاينة معتدل للمتوسطات الحسابية.

وعلى الرغم من أن القاعدة الإرشادية التقليدية تفترض أن حجم العينة الذي يبلغ 30 مفحوصاً يُعد كافياً لتحقق شروط مبرهنة النهاية المركزية، إلا أن الأدبيات الإحصائية المتقدمة تشير إلى أن درجة الالتواء ووجود القيم المتطرفة في المجتمع الأصلي تفرض أحياناً اشتراط أحجام عينات أكبر بكثير لضمان التقارب الدقيق. وعندما تنخفض أحجام العينات في الدراسات الإكلينيكية المعقدة، يصبح الاعتماد على التوزيع الطبيعي المعياري محفوفاً بالمخاطر المنهجية، مما يستوجب الانتقال نحو توزيعات بديلة قادرة على نمذجة عدم اليقين المتزايد مثل توزيع t.

2. التوزيع الطبيعي (توزيع غاوس): الأسس النظرية والخصائص الرياضية

2.1 المعادلة الرياضية والمعالم الأساسية للتوزيع الطبيعي

يُعرف التوزيع الطبيعي، والذي يُنسب تاريخياً إلى عالم الرياضيات الألماني كارل فريدريش غاوس، بأنه توزيع احتمالي متصل يتحدد شكله وموضعه بالكامل من خلال معلمتين مجتمعيتين أساسيتين: المتوسط الحسابي المجتمعي ($\mu$) الذي يحدد موضع المركز والنزعة المركزية على المحور الأفقي، والتباين المجتمعي ($\sigma^2$) أو الانحراف المعياري ($\sigma$) الذي يقيس مدى تشتت واتساع انتشار البيانات حول هذا المركز.

تُصاغ دالة كثافة الاحتمال للتوزيع الطبيعي رياضياً وفق المعادلة التالية:

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{1}{2}\left(\frac{x – \mu}{\sigma}\right)^2}$$

حيث يمثل $\pi$ الثابت الدائري (حوالي 3.14159)، و $e$ أساس اللوغاريتم الطبيعي (العدد النيبيري حوالي 2.71828). توضح هذه المعادلة بدقة كيف يتحكم الانحراف المعياري في ارتفاع قمة المنحنى وتسطحها، حيث تؤدي زيادة $\sigma$ إلى تفرطح التوزيع وزيادة اتساعه الأفقي، في حين يؤدي انخفاض $\sigma$ إلى زيادة حدة القمة وتركيز البيانات حول المتوسط الحسابي.

عند تحويل البيانات إلى التوزيع الطبيعي المعياري (Standard Normal Distribution)، يتم ضبط المتوسط الحسابي ليصبح صفراً ($\mu = 0$) والانحراف المعياري ليصبح واحداً صحيحاً ($\sigma = 1$). يُرمز لمتغير التوزيع الطبيعي المعياري بالرمز $Z$، وتتحول الدالة الرياضية إلى صيغة مبسطة تعتمد فقط على القيمة المعيارية، مما يتيح توحيد المقاييس النفسية المختلفة على مسطرة قياس رياضية عالمية موحدة قابلة للمقارنة والتحليل الاستدلالي المباشر.

2.2 السمات الهندسية للشكل الجرسي والتناظر التام

يتميز منحنى التوزيع الطبيعي بخصائص هندسية بصرية ورياضية فريدة تجعله نموذجاً مثالياً في القياس والتقويم السلوكي. أولى هذه السمات هي التناظر التام حول المحور الرأسي المار بالمتوسط الحسابي، مما يعني أن النصف الأيمن للمنحنى يمثل انعكاساً مرآوياً دقيقاً للنصف الأيسر. ويترتب على هذا التناظر الهندسي انعدام قيمة معامل الالتواء الإحصائي، أي أن الالتواء يساوي صفراً بالتمام ($Skewness = 0$).

تتطابق مقاييس النزعة المركزية الثلاثة في نقطة المركز الواحدة للتوزيع الطبيعي؛ فالمتوسط الحسابي (Mean) والوسيط (Median) والمنوال (Mode) تقع جميعها عند القمة المركزية للمنحنى. يمثل هذا التطابق حالة مثالية تعكس تمركز غالبية أفراد المجتمع حول القيمة النموذجية للسمة المقاسة، مع تراجع تدريجي ومتماثل لتكرارات الأفراد كلما اتجهنا نحو الأداء المرتفع جداً أو المنخفض جداً على مقياس السمة النفسية المعنية.

من الناحية الطوبولوجية والرياضية، يمتد طرفا المنحنى (الذيول) إلى ما لا نهاية في كلا الاتجاهين الإيجابي والسلبي دون أن يلامسا المحور الأفقي أبداً، وهي الخاصية المعروفة بالخط التقاربي (Asymptotic property). يشير هذا الامتداد اللانهائي إلى أنه على الرغم من تضاؤل احتمالية حدوث القيم القصوى بشكل هائل، إلا أن احتمال ظهور درجات نفسية بالغة التطرف يظل احتمالاً قائماً رياضياً ولا يصل إلى الصفر المطلق في النماذج النظرية.

2.3 القاعدة التجريبية (Empirical Rule) وحساب الدرجات المعيارية (Z-Scores)

تعتبر القاعدة التجريبية، المعروفة أيضاً بقاعدة 68-95-99.7، إحدى أهم الركائز التطبيقية للتوزيع الطبيعي في القياس النفسي. توضح هذه القاعدة النسب المئوية للمساحة المحصورة تحت المنحنى الطبيعي عبر مسافات الانحرافات المعيارية من المتوسط:

• 68.26% تقريباً من إجمالي المشاهدات تقع ضمن نطاق انحراف معياري واحد حول المتوسط ($\mu \pm 1\sigma$).
• 95.44% تقريباً من إجمالي المشاهدات تقع ضمن نطاق انحرافين معياريين حول المتوسط ($\mu \pm 2\sigma$).
• 99.74% تقريباً من إجمالي المشاهدات تقع ضمن نطاق ثلاثة انحرافات معيارية حول المتوسط ($\mu \pm 3\sigma$).

لتطبيق هذه القاعدة على القياسات الفردية، يلجأ الباحث إلى حساب الدرجة المعيارية Z عبر المعادلة الخطية التحويلية:

$$Z = \frac{X – \mu}{\sigma}$$

حيث تعبر $Z$ عن عدد الانحرافات المعيارية التي تبعد بها الدرجة الخام ($X$) للمفحوص عن متوسط المجتمع ($\mu$). تتيح هذه الدرجة تحديد الرتب المئينية للمفحوصين بدقة من خلال جداول التوزيع الطبيعي المعياري القياسية، مما يسمح بتشخيص التخلف العقلي أو الموهبة الفائقة في اختبارات الذكاء، وتحديد مستويات الشدة الإكلينيكية للاضطرابات النفسية وفق معايير عالمية دقيقة وموحدة عبر مختلف الثقافات والدراسات.

3. توزيع t (توزيع ستيودنت): النشأة التاريخية والمنطق الرياضي

3.1 السياق التاريخي لاكتشاف التوزيع وتطويره بواسطة ويليام غوسيت

تعود جذور اكتشاف توزيع t إلى مطلع القرن العشرين داخل أروقة مصنع غينيس للجعة في دبلن بأيرلندا، حيث كان الكيميائي والإحصائي البريطاني ويليام سيلي غوسيت (William Sealy Gosset) يعمل على ضبط جودة العمليات الإنتاجية الزراعية وتخمير الشعير. واجه غوسيت معضلة تطبيقية حاسمة تمثلت في استحالة سحب عينات كبيرة من المحاصيل والتجارب الكيميائية بسبب الكلفة المالية وضيق الوقت، مما جعل اعتماده على التوزيع الطبيعي المعياري يفرز تقديرات غير دقيقة ومتحيزة للخطأ التجريبي.

أدرك غوسيت أن استخدام الانحراف المعياري للعينة ($s$) كبديل للانحراف المعياري المجهول للمجتمع ($\sigma$) يُدخل مصدراً إضافياً لعدم اليقين الرياضي، وهو ما يؤدي إلى فشل اختبارات Z التقليدية عند تطبيقها على العينات الصغيرة. وبسبب سياسات المصنع الصارمة التي كانت تحظر نشر الأبحاث العلمية لحماية الأسرار الصناعية والميزة التنافسية، نشر غوسيت ورقته التاريخية الثورية عام 1908 في مجلة Biometrika تحت الاسم المستعار “ستيودنت” (Student)، ليدخل هذا التوزيع التاريخ الأكاديمي باسم “توزيع ستيودنت t”.

أحدثت ورقة غوسيت نقلة نوعية في تاريخ الإحصاء الاستدلالي وتصميم التجارب العلمية؛ إذ مكنت الباحثين لأول مرة من استخلاص استنتاجات دقيقة وصالحة إحصائياً من عينات صغيرة الحجم، دون الحاجة لافتراض معرفة المعالم المجتمعية المجهولة. وسرعان ما تبنى رونالد فيشر هذه الأفكار وعمل على إرساء القواعد الرياضية الصلبة لنظرية توزيع t وتطبيقاتها في تحليل التباين والتجارب السلوكية والزراعية المتقدمة.

3.2 الاشتقاق الرياضي ودالة كثافة الاحتمال لتوزيع t

يُشتق توزيع t رياضياً من خلال النسبة بين متغيرين عشوائيين مستقلين: المتغير الأول هو متغير يتبع التوزيع الطبيعي المعياري $Z sim N(0, 1)$، والمتغير الثاني هو الجذر التربيعي لمتغير يتبع توزيع كاي-تربيع ($U \sim \chi^2_{\nu}$) مقسوماً على درجات حريته ($\nu$). تُصاغ نسبة t رياضياً كالتالي:

$$t = \frac{Z}{\sqrt{U / \nu}}$$

تعتمد دالة كثافة الاحتمال لتوزيع t على دالة غاما الرياضية ($\Gamma$)، وتُكتب بالصيغة التحليلية التالية:

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

حيث تمثل $\nu$ درجات الحرية المتاحة في النموذج. يوضح هذا الاشتقاق كيف يدمج توزيع t التباين المزدوج الناتج عن تذبذب متوسط العينة وتذبذب تباينها في آن واحد.

يكمن الجمال الرياضي لتوزيع t في غياب المعلمة المجتمعية للتباين ($\sigma$) من صيغته النهائية، واعتماده كلياً على الخطأ المعياري المحسوب من بيانات العينة المباشرة ($SE = s / \sqrt{n}$). هذا البناء الرياضي الذاتي يمنح التوزيع مرونة استثنائية تمكنه من امتصاص التقلبات العشوائية الناتجة عن صغر حجم البيانات، ويوفر نموذجاً احتماليا آمناً للباحثين النفسيين الذين يتعاملون دائماً تقريباً مع مجتمعات ذات معالم مجهولة وخصائص متغيرة.

3.3 عائلة توزيعات t وتغير المنحنى بتغير معالم العينة

من الأخطاء المفاهيمية الشائعة اعتبار توزيع t منحنى احتماليا مفرداً مثل التوزيع الطبيعي المعياري؛ فتوزيع t في الواقع يمثل عائلة لا نهائية من التوزيعات الاحتمالية المستمرة. يتميز كل عضو في هذه العائلة بشكل هندسي ورياضي فريد يحدده تماماً بارامتر واحد فقط هو درجات الحرية ($\nu$ أو $df$). يتغير شكل المنحنى الاحتمالي باستمرار مع كل تغير يطرأ على حجم العينة المستخدمة في التحليل.

تشترك جميع المنحنيات التابعة لعائلة t في خاصية التناظر التام حول الصفر الحسابي، وتتطابق فيها مقاييس النزعة المركزية عند النقطة المركزية كما هو الحال في التوزيع الطبيعي. ومع ذلك، فإن ارتفاع القمة وسماكة الذيول تتباين بشكل ملحوظ عبر درجات الحرية المختلفة؛ ففي العينات ذات درجات الحرية المنخفضة جداً (مثل $df = 3$ أو $df = 5$)، يكون المنحنى أكثر انبساطاً وتفرطحاً مع ذيول عريضة ومرتفعة بوضوح تعكس الشك الإحصائي الكبير المحيط بالبيانات.

مع زيادة درجات الحرية تدريجياً نتيجة لزيادة حجم العينة المستهدفة، يرتفع مركز المنحنى وتتقلص مساحة الذيول، متقارباً بسلاسة لا متناهية نحو منحنى التوزيع الطبيعي المعياري. هذه الديناميكية التكيفية تجعل عائلة توزيعات t نموذجاً مرناً يضبط نفسه ذاتياً ليتناسب مع كمية المعلومات الإحصائية المتاحة في يد الباحث النفسي، متدرجاً من التحفظ الشديد مع العينات الإكلينيكية النادرة إلى التطابق المعياري مع المسوح الميدانية الشاملة.

4. المقارنة الهندسية والشكلية: الذيول العريضة ومفهوم التفرطح

4.1 مقارنة الذيول (Heavier Tails) واحتمالية حدوث القيم المتطرفة

تمثل الذيول السميكة أو الثقيلة (Heavier Tails) الفارق البصري والإحصائي الأبرز بين منحنى توزيع t ومنحنى التوزيع الطبيعي المعياري. فبينما تتلاشى ذيول التوزيع الطبيعي وتقترب من الصفر بسرعة فائقة كلما ابتعدنا عن المركز بأكثر من انحرافين أو ثلاثة انحرافات معيارية، تحتفظ ذيول توزيع t بارتفاع ملحوظ ومساحة احتمالية أكبر بكثير في الأطراف القصوى للمنحنى.

يرجع هذا الثقل في أطراف المنحنى إلى الشك الإضافي الناجم عن تقدير الانحراف المعياري للمجتمع باستخدام تباين العينة؛ إذ يترتب على هذا التقدير العشوائي احتمالية أكبر لظهور قيم اختبار متطرفة بالصدفة البحتة. وبالتالي، فإن المساحة الاحتمالية المحصورة خارج نطاق درجات معينة (مثل $t > 2.0$) تكون دائماً أكبر من المساحة المقابلة تحت المنحنى الطبيعي ($Z > 2.0$)، مما يعكس تقديراً أكثر واقعية وحذراً لمخاطر العينات الصغيرة.

ينعكس هذا الاختلاف الهندسي بشكل مباشر على تفسير الظواهر النفسية النادرة والدرجات السلوكية الحادة؛ فعند دراسة الحالات السيكوباتية الشديدة أو الميول الانتحارية النادرة في عينات بحثية محدودة، يقدم توزيع t تقديراً احتماليا أعلى لحدوث هذه الحالات الاستثنائية مقارنة بالتقدير المتفائل والمنخفض جداً الذي قد يفرضه التوزيع الطبيعي، مما يوفر حماية منهجية ضد التقليل من شأن المخاطر الإكلينيكية الحرجة.

4.2 مفهوم التفرطح (Kurtosis) والفروق الكمية بين التوزيعين

يُعد التفرطح (Kurtosis) المقياس الإحصائي المخصص لوصف حدة قمة المنحنى الاحتمالي وسماكة أطرافه التوزيعية. يصنف التوزيع الطبيعي المعياري بأنه متوسط التفرطح (Mesokurtic)، وتبلغ قيمة التفرطح المطلق له 3، وهو ما يعادل تفرطحاً زائداً (Excess Kurtosis) مقداره صفراً تماماً ($Kurtosis – 3 = 0$)، ليمثل بذلك خط الأساس القياسي لمقارنة جميع التوزيعات الأخرى.

في المقابل، تتميز توزيعات t بأنها توزيعات مدببة القمة وثقيلة الذيول مقارنة بالتوزيع الطبيعي، وهو النمط المعروف بالتفرطح ذي الذيول الثقيلة (Leptokurtic). يُحسب معامل التفرطح الزائد لتوزيع t من خلال الصيغة الرياضية المباشرة المعتمدة على درجات الحرية:

$$\text{Excess Kurtosis} = \frac{6}{\nu – 4} \quad \text{for } \nu > 4$$

توضح هذه المعادلة أنه كلما اقتربت درجات الحرية $\nu$ من 4، كلما قفز التفرطح الزائد إلى قيم موجبة عالية جداً، مشيراً إلى تضخم هائل في مساحة الذيول على حساب أكتاف المنحنى.

يؤدي هذا التفرطح العالي في دراسات القياس النفسي إلى اتساع مجالات الخطر الإحصائي؛ إذ يفرض قيماً حرجة أعلى بكثير لرفض الفرضية الصفرية عند مستويات الدلالة المعتادة ($\alpha = 0.05$ أو $\alpha = 0.01$). يعمل هذا التعديل التفرطحي كصمام أمان رياضي يمنع الباحث من التسرع في إعلان وجود فروق جوهرية أو تأثيرات علاجية ذات دلالة إحصائية عندما تكون البيانات المستند إليها محدودة وقابلة للتأثر بالتذبذبات العشوائية للعينات الصغيرة.

4.3 التناظر ومركزية البيانات: أوجه التشابه الهندسي

على الرغم من التباينات الواضحة في سلوك الذيول ومستويات التفرطح، يشترك التوزيع الطبيعي وتوزيع t في خصائص هندسية وتناظرية مركزية تجعل المقارنة بينهما ذات أرضية مشتركة. يتميز كلا النموذجين بالتماثل المرآوي التام حول نقطة الأصل الصفرية، حيث ينقسم المنحنى إلى نصفين متطابقين تماماً يمثل كل منهما مساحة احتمالية تبلغ 0.50 من إجمالي المساحة الكلية للمنحنى.

يترتب على هذا التناظر الهندسي الصارم انعدام تام لمعامل الالتواء في كلا التوزيعين، حيث تكون القيمة الرياضية للالتواء مساوية للصفر ($Skewness = 0$). يعكس هذا التناظر افتراضاً منهجياً بأن فرص الانحراف العشوائي للدرجات النفسية نحو الزيادة أو النقصان عن المركز الإحصائي متكافئة تماماً، ولا يوجد انحياز ترجيحي لأحد الاتجاهين في غياب التأثيرات التجريبية أو المتغيرات الدخيلة غير المنضبطة.

علاوة على ذلك، تتطابق مقاييس النزعة المركزية الثلاثة (المتوسط، الوسيط، المنوال) عند الصفر في التوزيع الطبيعي المعياري وجميع منحنيات عائلة t المتناظرة. هذا التطابق الشكلي يجعل كلا التوزيعين ينتميان إلى فئة التوزيعات الجرسية أحادية النمط (Unimodal Bell-shaped Curves)، وهو ما يفسر سهولة انتقال الباحثين بين النموذجين، ويوضح في الوقت نفسه خطورة الخلط بينهما عندما تُهمل الفروق الدقيقة الكامنة في أطراف التوزيع ودرجات حريته.

5. درجات الحرية (Degrees of Freedom) وسلوك التقارب الرياضي

5.1 المعنى الفلسفي والإحصائي لمصطلح درجات الحرية

يمثل مفهوم درجات الحرية (Degrees of Freedom – df) الركيزة الجوهرية التي تمنح الإحصاء الاستدلالي الحديث دقته المنهجية. يُعرف المفهوم فلسفياً وإحصائياً بأنه عدد القيم أو المشاهدات المستقلة في عينة البيانات التي تمتلك الحرية الكاملة للتغير والاختلاف دون أن تخل بأي قيود رياضية تم فرضها مسبقاً لحساب المقدرات الإحصائية الأخرى.

فعند حساب الانحراف المعياري لعينة نفسية مكونة من $n$ من المفحوصين، يجب أولاً حساب المتوسط الحسابي للعينة ($\bar{X}$) واستخدامه في صيغة التباين. يفرض هذا الحساب قيداً خطياً جبرياً واحداً يجعل مجموع الانحرافات حول المتوسط مساوياً للصفر دائماً ($\sum(X_i – \bar{X}) = 0$). وبمجرد معرفة قيم $(n – 1)$ من المشاهدات بالإضافة إلى المتوسط الحسابي، تصبح قيمة المشاهدة الأخيرة محددة جبرياً بشكل جبري ولا تملك أي حرية للتغير، مما يفسر رياضياً سبب فقدان درجة حرية واحدة وتحديد درجات الحرية بالصيغة ($df = n – 1$).

تلعب درجات الحرية دوراً حاسماً في ضبط التشتت الإضافي وتعديل حجم عدم اليقين المرتبط بالتقديرات السيكومترية. فكلما انخفضت درجات الحرية المتاحة، دل ذلك على فقر المعلومات الإحصائية المجمعة من الواقع الميداني، مما يستلزم استخدام منحنى t أكثر تحفظاً يفرض حدوداً حرجة أوسع لضمان عدم الوقوع في الاستنتاجات الإحصائية المتسرعة أو المضللة حول طبيعة المجتمع الأصلي.

5.2 ديناميكية التحول والتقارب نحو التوزيع الطبيعي المعياري

يخضع توزيع t لسلوك مقارب مذهل (Asymptotic Behavior) يعرف في التحليل الرياضي بالتقارب التوزيعي؛ فعندما يزداد حجم العينة وتتجه درجات الحرية نحو اللانهاية ($\nu to \infty$)، تتقارب دالة كثافة الاحتمال لتوزيع t تدريجياً وبشكل متصل حتى تتطابق تطابقاً تاماً مع دالة كثافة التوزيع الطبيعي المعياري $Z$. يوضح هذا السلوك أن التوزيع الطبيعي ما هو في الحقيقة إلا الحالة الخاصة القصوى لتوزيع t عندما تصل درجات الحرية إلى المالانهاية.

توضح المقارنة الرقمية للقيم الحرجة (Critical Values) عند مستوى دلالة ثنائي الذيل ($\alpha = 0.05$) ديناميكية هذا التقارب السريع عبر أحجام العينات المختلفة:

• عند $df = 10$ ($n = 11$): تكون القيمة الحرجة لـ t هي 2.228، مقارنة بالقيمة المعيارية $Z = 1.960$.
• عند $df = 30$ ($n = 31$): تنخفض القيمة الحرجة لـ t إلى 2.042، مقتربة بوضوح من القيمة المعيارية.
• عند $df = 100$ ($n = 101$): تصل القيمة الحرجة لـ t إلى 1.984، حيث يصبح الفارق ضئيلاً جداً (حوالي 0.024).
• عند $df = 500$ ($n = 501$): تبلغ القيمة الحرجة لـ t حوالي 1.965، متطابقة عملياً مع القيمة $Z = 1.960$.

قادت هذه الديناميكية علماء الإحصاء الكلاسيكيين تاريخياً إلى تبني قاعدة تقريبية تفترض الاستغناء عن جداول t واستخدام التوزيع الطبيعي المعياري بمجرد تجاوز حجم العينة 30 أو 120 مفحوصاً. إلا أن انتشار الحواسيب والبرمجيات الإحصائية الحديثة ألغى الحاجة المنهجية لمثل هذه التقريبات التاريخية، وأصبح الاتجاه السيكومتري الصارم يوصي بالاستمرار في استخدام توزيع t الدقيق دائماً طالما كان الانحراف المعياري للمجتمع مجهولاً، مهما بلغ حجم العينة المتاحة للدراسة.

5.3 تأثير درجات الحرية على التباين والخطأ المعياري للنموذج

يرتبط تباين توزيع t ارتباطاً بنيوياً مباشراً بعدد درجات الحرية؛ فبينما يمتلك التوزيع الطبيعي المعياري تبايناً ثابتاً يساوي دائماً واحداً صحيحاً ($\sigma^2 = 1$)، يُحسب تباين توزيع t وفق الصيغة الرياضية التحليلية التالية:

$$\text{Var}(t) = \frac{\nu}{\nu – 2} \quad \text{for } \nu > 2$$

تُظهر هذه الصيغة بوضوح أن تباين توزيع t يكون دائماً أكبر من الواحد الصحيح لحالات درجات الحرية المحدودة؛ فعندما تكون درجات الحرية مساوية لـ 3 ($df = 3$)، يقفز التباين إلى 3.0، وهو ما يمثل ثلاثة أضعاف تباين التوزيع الطبيعي، في حين تنعدم إمكانية تعريف التباين الرياضي وتصبح قيمته لا نهائية عندما تكون $df le 2$.

يعكس هذا التضخم في التباين الرياضي حجم عدم اليقين المتراكم الناتج عن العينات الصغيرة في البحث النفسي والسلوكي؛ فالعينات المحدودة تعاني من تذبذب عالي في تقدير الخطأ المعياري، مما يجعل مقياس الاختبار عرضة لتقلبات واسعة النطاق. ومع ازدياد درجات الحرية وارتفاع حجم العينة، يقترب الكسر $\frac{\nu}{\nu – 2}$ تدريجياً من القيمة 1، ليعود تباين النموذج الاحتمالي إلى الاستقرار عند تباين الوحدة المعياري المتوقع في التوزيع الطبيعي.

6. المعايير المنهجية للاختيار بين التوزيع الطبيعي وتوزيع t

6.1 معرفة التباين المجتمعي (σ²) مقابل جهله واعتماد تباين العينة (s²)

تمثل مسألة معرفة التباين المجتمعي الحقيقي ($\sigma^2$) أو الانحراف المعياري للمجتمع ($\sigma$) “القاعدة الذهبية” والمعيار الفصل الأكثر حسمية في تاريخ الاستدلال الإحصائي للاختيار بين التوزيع الطبيعي وتوزيع t. فمن الناحية الرياضية البحتة، لا يجوز استخدام التوزيع الطبيعي المعياري واختبارات Z إلا في حالة نادرة ومثالية واحدة: وهي المعرفة المسبقة واليقينية بقيمة $\sigma$ من خلال مسوح سكانية شاملة سابقة أو معايير قياسية وطنية ثابتة لا يتطرق إليها الشك.

ومع ذلك، فإن الواقع التطبيقي في بحوث علم النفس، والعلوم العصبية، والعلوم السلوكية الميدانية نادراً ما يتيح للباحثين معرفة المعالم المجتمعية الدقيقة. ففي الغالبية الساحقة من الدراسات، يضطر الباحث إلى تقدير هذا المعلم المجهول من خلال حساب الانحراف المعياري للعينة ($s$)، وهو ما يستبدل معلماً ثابتاً بمتغير عشوائي يخضع للخطأ المعاين. هذا الاستبدال الرياضي يستلزم حتمياً الانتقال من التوزيع الطبيعي إلى توزيع t لتعويض عدم اليقين الإضافي الناتج عن هذا التقدير.

إن تجاهل هذا الشرط المنهجي واستخدام توزيع Z بدلاً من توزيع t عند جهل الانحراف المعياري المجتمعي، حتى في ظل توفر عينات متوسطة أو كبيرة، يؤدي إلى تضخيم الثقة الزائفة بالنتائج وضيق مصطنع في فترات الثقة المحسوبة، مما يرفع من معدلات الخطأ المنهجي ويقلل من موثوقية الاستنتاجات العلمية المنشورة في المجلات المحكمة.

6.2 حجم العينة (n) كمعيار منهجي وتطبيقي

ارتبط حجم العينة الإحصائية ($n$) في التراث الأكاديمي الكلاسيكي بقواعد إرشادية تعسفية، أبرزها “عتبة الثلاثين” ($n ge 30$)؛ حيث درجت كتب الإحصاء القديمة على نصح الباحثين باستخدام التوزيع الطبيعي Z بمجرد وصول العينة إلى 30 مفحوصاً، واستخدام توزيع t فقط عندما يقل حجم العينة عن هذا الحد. إلا أن المنهجية الإحصائية والسيكومترية الحديثة تعاملت بنقد شديد مع هذا التبسيط الإجرائي، مؤكدة أن حجم العينة ليس المعيار الوحيد المستقل، بل يتفاعل دائماً مع درجة معرفة المعالم وشكل التوزيع الأصلي للبيانات.

تكمن خطورة الاعتماد الأعمى على عتبة 30 في الدراسات السلوكية عند التعامل مع متغيرات نفسية تتسم بالتواء شديد أو ذيول سميكة في المجتمع الأصلي (مثل مقاييس الذهان الحاد، أو نوبات الهلع، أو فترات الاستجابة الإدراكية بالميلي ثانية). ففي مثل هذه البيئات المعقدة، لا تكفي عينة من 30 فرداً لتحقيق استقرار الخطأ المعياري، مما يجعل تطبيق اختبار Z خطأً منهجياً يقلل من دقة مستويات الدلالة الإحصائية المحسوبة.

أما في التجارب الإكلينيكية المعقدة ودراسات التدخلات النفسية والعصبية المكثفة التي تفرض قيوداً أخلاقية أو تشخيصية تجعل حجم العينات صغيراً جداً ($n < 15$)، يصبح توزيع t الأداة الإلزامية التي لا غنى عنها؛ إذ يوفر الغطاء الاحتمالي الصارم الذي يقي الباحث من إصدار أحكام علاجية متسرعة نتيجة الصدفة المعاينية أو التقلبات الفردية المرتفعة الشائعة في العينات النادرة.

6.3 مخطط اتخاذ القرار الإحصائي لاختيار التوزيع المناسب

لتيسير اتخاذ القرار المنهجي الصارم وتجنب الخلط التحليلي، يعتمد الباحث النفسي على شجرة قرارات إحصائية منطقية تتسلسل وفق الخطوات المنهجية التالية:

• الخطوة الأولى: فحص معرفة الانحراف المعياري للمجتمع ($\sigma$):
  • إذا كان $\sigma$ معلوماً والمجتمع الأصلي طبيعياً (أو العينة كبيرة $n ge 30$): يُستخدم التوزيع الطبيعي المعياري (اختبار Z) قطعاً.
  • إذا كان $\sigma$ مجهولاً (وهو الواقع الغالب): يتم الانتقال فوراً إلى توزيع t.
• الخطوة الثانية: تقييم اعتدالية المجتمع الأصلي وحجم العينة ($n$):
  • إذا كانت العينة كبيرة ($n ge 30$) والتباين المجتمعي مجهول: يُستخدم توزيع t بدرجات حرية ($n-1$).
  • إذا كانت العينة صغيرة ($n < 30$) والبيانات تتبع التوزيع الطبيعي تقريباً: يُستخدم توزيع t الإلزامي بدرجات حرية ($n-1$).
  • إذا كانت العينة صغيرة والبيانات تنتهك التوزيع الطبيعي بشدة: يجب التوقف عن استخدام التوزيعات البارامترية والتحول إلى الاختبارات اللابارامترية البديلة.

تضمن هذه الشجرة المنهجية اتساق التحليلات السيكومترية مع الشروط الرياضية الكامنة وراء كل نموذج احتمالي، وتحمي الباحث من التورط في استخدام نماذج مثالية متفائلة لا تتناسب مع الطبيعة المعقدة للبيانات النفسية والسلوكية الميدانية.

7. حساب وبناء فترات الثقة: الفروق التطبيقية بين درجات Z و t

7.1 الصيغة الرياضية لفترات الثقة لمتوسط المجتمع

تعتبر فترات الثقة (Confidence Intervals – CI) الوسيلة الاستدلالية الأكثر موثوقية لتقدير المعالم المجتمعية غير المعروفة، حيث تقدم نطاقاً قيمياً احتماليا يتوقع الباحث أن يقع فيه متوسط المجتمع الحقيقي ($\mu$) بمستوى ثقة محدد مسبقاً (غالباً ما يكون 95% أو 99%). تتباين الصيغة الرياضية لبناء هذه الفترات تبايناً جوهرياً بين حالتي استخدام التوزيع الطبيعي وتوزيع t.

عند معرفة التباين المجتمعي ($\sigma$) واستخدام التوزيع الطبيعي، تُبنى فترة الثقة لمتوسط المجتمع وفق الصيغة التالية:

$$\text{CI} = \bar{X} \pm Z_{alpha/2} \left(\frac{\sigma}{\sqrt{n}}\right)$$

أما في الحالة الأكثر واقعية في البحث السلوكي، وهي جهل $\sigma$ واستبداله بالانحراف المعياري للعينة ($s$)، فإن فترة الثقة تُبنى حتماً باستخدام توزيع t وفق الصيغة التحليلية التالية:

$$\text{CI} = \bar{X} \pm t_{alpha/2, , df} \left(\frac{s}{\sqrt{n}}\right)$$

يتألف حد الخطأ (Margin of Error) في المعادلتين من حاصل ضرب القيمة الحرجة الإحصائية في الخطأ المعياري للمتوسط ($SE$). وبما أن القيمة الحرجة لـ $t$ عند أي مستوى ثقة تكون دائماً أكبر من القيمة الحرجة المقابلة لـ $Z$ لنفس المستوى (مثال: $t_{0.025, , 15} = 2.131$ مقابل $Z_{0.025} = 1.960$)، فإن حد الخطأ المحسوب بتوزيع t يكون أوسع، مما يعكس بدقة الأثر التراكمي لعدم اليقين في النموذج المطبق.

7.2 اتساع فترة الثقة والدقة التقديرية في الدراسات النفسية

يعكس اتساع فترة الثقة التوازن المنهجي الحساس بين الدقة التقديرية ومستوى الثقة الإحصائية التي يمكن للباحث النفسي أن يضعها في نتائجه الميدانية. إن فترات الثقة المبنية على توزيع t تنتج دوماً نطاقات أوسع وأكثر تحفظاً مقارنة بفترات Z المقابلة، وتزداد هذه الفجوة الاتساعية كلما تقلص حجم العينة المدروسة.

يرحب علماء القياس والتقييم السيكولوجي بهذا التحفظ المنهجي؛ إذ يمنع الإفراط في التفاؤل عند تقدير مستويات التحسن السلوكي أو الفروق المعرفية الناتجة عن التدخلات العلاجية. فعندما يقدم تقرير نفسي فترة ثقة ضيقة بشكل مصطنع استناداً لنموذج Z الخاطئ، قد يتخذ الطبيب النفسي أو المرشد التربوي قرارات تشخيصية أو علاجية حاسمة بناءً على دقة وهمية لا يدعمها الواقع التجريبي للبيانات.

وعلى العكس من ذلك، فإن فترات الثقة القائمة على توزيع t تعكس النطاق الحقيقي للتقلبات العشوائية؛ مما يمنح الممارسين السلوكيين صورة واقعية حول الحدين الأدنى والأعلى للتأثير المتوقع، ويسهم في توجيه التوصيات الإكلينيكية بطريقة تحوطية تحمي سلامة المفحوصين وتدعم اتخاذ القرارات القائمة على الأدلة العلمية الرصينة.

7.3 أمثلة تطبيقية وحسابات رقمية مقارنة

لتوضيح الفروق التطبيقية العميقة بين النموذجين، نفترض أن باحثاً إكلينيكياً قام بتطبيق مقياس بيك للاكتئاب (BDI-II) على عينة صغيرة من مرضى القلق مكونة من 16 مفحوصاً ($n = 16$). أظهرت نتائج العينة متوسطاً حسابياً مقداره 24.0 درجة مع انحراف معياري مقداره 6.0 درجات ($s = 6.0$)، مع جهل تام بالانحراف المعياري للمجتمع الأصلي.

أولاً: الحساب الصحيح باستخدام توزيع t:

• حساب درجات الحرية: $df = n – 1 = 16 – 1 = 15$.
• حساب الخطأ المعياري: $SE = \frac{s}{\sqrt{n}} = \frac{6.0}{\sqrt{16}} = \frac{6.0}{4} = 1.5$.
• استخراج القيمة الحرجة عند مستوى ثقة 95%: $t_{0.025, , 15} = 2.131$.
• حساب حد الخطأ: $\text{Margin of Error} = 2.131 \times 1.5 = 3.1965$.
• فترة الثقة 95%: $[24.0 – 3.1965, , 24.0 + 3.1965] = [20.80, , 27.20]$.

ثانياً: الحساب الخاطئ بافتراض استخدام التوزيع الطبيعي المعياري Z:

• القيمة الحرجة لـ Z عند مستوى ثقة 95%: $Z_{0.025} = 1.960$.
• حساب حد الخطأ الخاطئ: $\text{Margin of Error} = 1.960 \times 1.5 = 2.94$.
• فترة الثقة الخاطئة: $[24.0 – 2.94, , 24.0 + 2.94] = [21.06, , 26.94]$.

يكشف التحليل المقارن أن استخدام Z أدى إلى تضييق زائف في حدود فترة الثقة بمقدار يقارب ربع درجة في كل طرف؛ مما يوحي للمشخص النفسي بأن درجات الاكتئاب محصورة في نطاق أضيق مما هي عليه في الواقع الإحصائي. إن هذا التقدير المتفائل غير المبرر قد يترتب عليه استبعاد خطأ لحالات مرضية تقع درجاتها الحقيقية بين 20.80 و21.06، مما يبرز الأهمية التشخيصية الصارمة للاعتماد الحصري على توزيع t في العينات السيكومترية المحدودة.

8. اختبار الفرضيات: اختبار Z مقابل اختبارات t الإحصائية

8.1 المقارنة المنهجية بين اختبار Z للعينة الواحدة واختبار t للعينة الواحدة

يهدف كل من اختبار Z واختبار t للعينة الواحدة إلى مقارنة متوسط عينة بحثية معينة ($\bar{X}$) بمتوسط معياري معلوم أو قيمة مرجعية محددة للمجتمع ($\mu_0$). تتشابه البنية المفاهيمية لكلا الاختبارين في كونهما مقياساً لمدى ابتعاد متوسط العينة الملاحظ عن القيمة المفترضة بوحدات الخطأ المعياري، إلا أن الشروط الافتراضية لكل منهما تحدد نطاق تطبيقه وقوته الإحصائية (Statistical Power).

تُصاغ الفرضيات الصفرية والبديلة في الاختبارين وفق الأطر القياسية (مثل $H_0: \mu = \mu_0$ مقابل $H_1: \mu \neq \mu_0$ في الاختبارات ثنائية الذيل). وتُحسب إحصائية الاختبار الرياضية في اختبار Z واختبار t وفق الصيغتين التاليتين على التوالي:

$$Z = \frac{\bar{X} – \mu_0}{\sigma / \sqrt{n}} \quad \text{مقابل} \quad t = \frac{\bar{X} – \mu_0}{s / \sqrt{n}}$$

يكمن الخطر المنهجي الجسيم في الاستخدام الخاطئ لاختبار Z عند غياب المعالم المجتمعية الحقيقية؛ إذ يؤدي استخدام القيمة الحرجة الأصغر لـ Z إلى تضخيم غير مقصود في معدل الخطأ من النوع الأول (Type I Error – $\alpha$). يعني ذلك أن الباحث سيرفض الفرضية الصفرية ويدعي وجود تأثير علمي جديد أو فارق إكلينيكي في حين أن الفارق الحقيقي لا يعدو كونه تقلباً عشوائياً ناتجاً عن صغر العينة، وهو ما يمثل تهديداً مباشراً لأمانة التراكم المعرفي في العلوم النفسية.

8.2 اختبار t للعينات المستقلة واختبار t للعينات المترابطة

تتفرع اختبارات t في التصاميم التجريبية السلوكية إلى نمطين رئيسيين بحسب طبيعة التصميم المعاين:

1. اختبار t للعينات المستقلة (Independent Samples t-test): يُستخدم لمقارنة متوسطي مجموعتين منفصلتين تماماً من المفحوصين (مثل المجموعة التجريبية الخاضعة لبرنامج علاجي معرفي سلوكي والمجموعة الضابطة). وفي حالة تحقق فرضية تجانس التباين (Homogeneity of Variance)، يُحسب التباين المجمع (Pooled Variance – $s_p^2$) بدرجات حرية ($df = n_1 + n_2 – 2$). أما في حالة انتهاك تجانس التباين، يلجأ الباحث حتماً إلى اختبار ولش المعدل (Welch’s t-test) الذي يضبط درجات الحرية نزولياً وفق صيغة ولش-ساترثويت المعقدة لتعويض الاختلاف بين تبايني المجموعتين.
2. اختبار t للقياسات المتكررة أو العينات المترابطة (Paired Samples t-test): يُطبق في تصاميم القياس القبلي والبعدي (Pre-post designs) لنفس المجموعة من المفحوصين، أو في دراسات التوائم والأزواج المتطابقة. يعتمد الاختبار على تحليل درجات الفروق الفردية المباشرة ($D = X_1 – X_2$) بدرجات حرية ($df = n_{\text{pairs}} – 1$)، مما يزيل التباين البين-فردي ويعزز القوة الإحصائية لكشف التغيرات السلوكية الدقيقة.

تحدد درجات الحرية الخاصة بكل تصميم المسار الاحتمالي الدقيق لتحديد القيمة الاحتمالية ($p\text{-value}$)، مما يجعل التطبيق السليم لنموذج t ضمانة منهجية لفصل التأثيرات العلاجية والتجريبية الحقيقية عن التباينات الفردية الكامنة في البنية النفسية للمشاركين.

8.3 القيمة الاحتمالية (p-value) ومناطق الرفض والقبول

تمثل القيمة الاحتمالية ($p\text{-value}$) احتمالية الحصول على نتائج تجريبية متطرفة مثل تلك الملاحظة في العينة، أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع الأصلي. يتباين حساب هذه القيمة تباsecretياً واضحاً بين جداول Z وجداول t لنفس القيمة المحسوبة للاختبار.

فنظراً لسماكة ذيول توزيع t، فإن القيمة الاحتمالية الناتجة عن إحصائية t محسوبة تكون دائماً أكبر من القيمة الاحتمالية المقابلة المستخرجة من توزيع Z لنفس قيمة الإحصائية؛ فعلى سبيل المثال، إذا كانت قيمة الإحصائية المحسوبة 2.10 بحجم عينة $n = 10$ ($df = 9$)، فإن القيمة الاحتمالية من توزيع t ثنائي الذيل تبلغ $p = 0.065$ (وهي قيمة غير دالة عند مستوى $\alpha = 0.05$). في المقابل، فإن التعامل الخاطئ مع هذه القيمة عبر توزيع Z كان سينتج قيمة احتمالية خاطئة تبلغ $p = 0.036$، مما يدفع الباحث لرفض الفرضية الصفرية بطريقة زائفة ومضللة.

ينبغي على الباحث النفسي ألا يقصر تقييمه العلمي على القيمة الاحتمالية وحدها، بل يجب عليه ربط الدلالة الإحصائية بالدلالة الإكلينيكية والعملية من خلال حساب مقاييس حجم الأثر القياسية، مثل دال كوهين ($Cohen’s ; d$) أو مربع إيتا الجزئي ($\eta_p^2$). يتيح هذا التكامل بين نموذج t الاحتمالي وحجم الأثر تقدير القوة الحقيقية للتدخلات النفسية، ويمنع القرارات الإحصائية الخاطئة المبنية على استخدام نماذج احتمالية غير ملائمة للبيانات.

9. التطبيقات الميدانية في القياس والتقييم النفسي والسلوكي

9.1 معايرة وتطوير المقاييس والاختبارات النفسية

يشكل التوزيع الطبيعي حجر الأساس في بناء وتقنين الاختبارات السيكومترية الكبرى، وعلى رأسها مقاييس القدرات العقلية العامة واختبارات الذكاء العالمية مثل مقياس ويكسلر لذكاء البالغين (WAIS) ومقياس ستانفورد-بينيه. تعتمد هذه الاختبارات على تحويل الدرجات الخام المستخلصة من عينات التقنين الوطنية الكبيرة إلى درجات معيارية تتبع توزيعاً طبيعياً معيارياً بمتوسط حسابي محدد سلفاً ($\mu = 100$) وانحراف معياري ($\sigma = 15$). يتيح هذا المعيار استخراج الرتب المئينية بدقة وتحديد مستويات التصنيف العقلي عبر المنحنى الطبيعي المنتظم.

لتفادي التعامل مع الدرجات السالبة والكسور العشرية الشائعة في درجات Z المعيارية، طور علماء السيكومتريا مقاييس مشتقة، أبرزها الدرجة التائية (T-Score) التي وضع أصولها ويليام ماكول (William McCall). تُعرف الدرجة التائية بأنها تحويل خطي للدرجة المعيارية الطبيعية وفق المعادلة الرياضية:

$$T = 50 + 10(Z)$$

يحدد هذا التحويل المتوسط الحسابي ليكون 50 والانحراف المعياري ليكون 10، وتستخدم هذه الدرجات على نطاق واسع في أشهر مقاييس الشخصية مثل مقياس مينيسوتا متعدد الأوجه للشخصية (MMPI).

من الضروري هنا التمييز القاطع بين “الدرجة التائية” (T-Score) كدرجة معيارية مشتقة من التوزيع الطبيعي، وبين “توزيع ستيودنت t” الاحتمالي المستخدم في الاستدلال واختبار الفروض؛ فالأولى هي أداة سيكومترية وصفية معيارية للدرجات الفردية، بينما الثاني هو نموذج احتمالي رياضي متصل يُعنى بتقدير معالم العينات وعدم اليقين الإحصائي في الأبحاث الاستدلالية.

9.2 بحوث التدخلات الإكلينيكية والعلاج النفسي التجريبي

تواجه بحوث التدخلات النفسية الإكلينيكية، مثل العلاجات الدوائية للمرضى النفسيين أو برامج العلاج النفسي الدينامي المكثف، تحديات منهجية قاسية تتعلق بصعوبة استقطاب أعداد كبيرة من المرضى المتجانسين في التشخيص؛ إذ تفرض الشروط الأخلاقية وضوابط اللجان البحثية أحجام عينات متواضعة تتراوح في الغالب بين 10 إلى 25 مشاركاً في كل مجموعة علاجية.

في هذه البيئات البحثية الحرجة، يبرز توزيع t كالأداة الرياضية الموثوقة الوحيدة لتقييم كفاءة البرامج العلاجية. يعتمد الباحثون السلوكيون على اختبارات t للعينات المترابطة لتقييم الفروق الجوهرية بين القياسات القبلية والبعدية للأعراض المرضية، وبناء فترات ثقة دقيقة لمعدلات التحسن الإكلينيكي في ظل غياب المعايير المجتمعية العامة لتلك الفئات النادرة.

تضمن الخصائص التحفظية لتوزيع t حماية المرضى ومجتمع الصحة النفسية من اعتماد بروتوكولات علاجية بناءً على تحسن عابر أو استجابات وهمية (Placebo Effect) ناتجة عن التباين العشوائي للعينات الصغيرة، موفرة بذلك الإطار الإحصائي الصارم الذي يدعم التحقق التجريبي من فعالية العلاجات النفسية الجديدة قبل تعميمها في العيادات والمراكز الصحية.

9.3 دراسات علم النفس العصبي والقياسات الفسيولوجية السلوكية

شهدت دراسات علم النفس العصبي والعلوم العصبية المعرفية قفزات نوعية بفضل تقنيات التصوير بالرنين المغناطيسي الوظيفي (fMRI) وتخطيط كهربية الدماغ (EEG) وتتبع حركة العين. وتتميز هذه الدراسات بتكلفتها المالية الباهظة والتعقيد الإجرائي لجمع بياناتها، مما يجعل أحجام العينات المشاركة فيها صغيرة ومحدودة للغاية في معظم الأحيان.

يواجه الباحث العصبي عند تحليل إشارات الدماغ مشكلة هائلة تُعرف بمشكلة “المقارنات المتعددة” (Multiple Comparisons Problem)؛ حيث يتم تسجيل إشارات فسيولوجية من مئات الآلاف من وحدات الحجم الفضائية في الدماغ (Voxels). يُستخدم توزيع t كأساس إحصائي لبناء ما يُعرف بالخرائط البارامترية الإحصائية (Statistical Parametric Maps – SPM)، حيث تُحسب قيمة t لكل فوكسل لقياس الاستجابة العصبية تجاه المثيرات المعرفية بدقة متناهية.

تسهم الذيول الثقيلة لتوزيع t والضبط الدقيق لدرجات الحرية في تعويض التباينات البيولوجية الكبيرة بين أدمغة المشاركين، وتسمح بدمج إجراءات تصحيح معدل الاكتشاف الخاطئ (False Discovery Rate – FDR) لحماية النتائج العصبية من التفسيرات الخاطئة وتحديد مناطق التنشيط الدماغي المرتبطة بالوظائف التنفيذية والانفعالية بدرجة عالية من الثقة العلمية.

10. المتانة الإحصائية وحساسية التوزيعين لانتهاك الفروض والبيانات المتطرفة

10.1 مفهوم المتانة الإحصائية (Statistical Robustness)

تُعرف المتانة الإحصائية (Statistical Robustness) بأنها قدرة الاختبار الإحصائي أو النموذج الاحتمالي على الحفاظ على أدائه الاستدلالي الصحيح ومستويات الخطأ المحددة له حتى عند حدوث انتهاكات معتدلة للافتراضات الرياضية التي قام عليها، وعلى رأسها فرضية التوزيع الطبيعي للبيانات في المجتمع الأصلي.

تتمتع اختبارات توزيع t بمتانة إحصائية لافتة تجاه الانتهاكات الخفيفة والمعتدلة لشرط الاعتدالية، لا سيما عندما تكون أحجام العينات متساوية في التصاميم ثنائية المجموعات ($n_1 = n_2$)، وتكون الفرضيات المصاغة فرضيات ثنائية الذيل. في مثل هذه الظروف، يظل معدل الخطأ الفعلي من النوع الأول قريباً جداً من المستوى النظري المستهدف ($\alpha = 0.05$).

في المقابل، يبدي التوزيع الطبيعي المعياري واختبارات Z حساسية مفرطة لعدم تماثل البيانات والالتواء الشديد في ظل العينات الصغيرة؛ إذ يؤدي غياب مرونة درجات الحرية إلى تحيز سريع في تقدير الاحتمالات التراكمية في الذيول. لذلك، يفضل الإحصائيون دائماً الاعتماد على توزيع t كخيار استدلالي بارامتري أكثر حصانة ومتانة في مواجهة التحديات التجريبية المعقدة في العلوم السلوكية.

10.2 التعامل مع القيم المتطرفة (Outliers) والشواذ الإحصائية

تمثل القيم المتطرفة (Outliers) والمشاهدات الشاذة الناتجة عن أخطاء القياس أو الاستجابات السلوكية غير النمطية للمفحوصين خطراً حقيقياً يهدد دقة التحليلات الاستدلالية. ونظراً لاعتماد التوزيع الطبيعي وتوزيع t على مقاييس غير متينة مثل المتوسط والانحراف المعياري، فإن كلاً التوزيعين يتأثر بوجود هذه الشواذ، ولكن بدرجات متفاوتة من الحساسية الرياضية.

تعمل الذيول الثقيلة لتوزيع t كعازل رياضي يقلل من الحساسية المفرطة تجاه المشاهدات القصوى مقارنة بالتوزيع الطبيعي؛ فالاحتمالية المرتفعة التي يمنحها توزيع t للقيم البعيدة تجعل النموذج أقل اندهاشاً من ظهور مشاهدات غير مألوفة في العينة. ومع ذلك، فإن وجود قيمة متطرفة حادة واحدة في عينة صغيرة كفيل بتضخيم قيمة الانحراف المعياري ($s$) بشكل مصطنع، مما يؤدي إلى زيادة هائلة في الخطأ المعياري وتقليص قوة اختبار t لكشف الفروق الحقيقية.

لتشخيص هذه الشواذ بدقة، يتبع الباحث السلوكي استراتيجيات فحص متقدمة تشمل استخدام مخططات الصندوق (Boxplots)، والدرجات المعيارية المعدلة، وحساب مسافة ماهالانوبيس (Mahalanobis Distance) في المتغيرات المتعددة. وعند التحقق من وجود الشواذ، تتراوح استراتيجيات المعالجة المنهجية بين تطبيق التحويلات الرياضية (مثل التحويل اللوغاريتمي)، أو تهذيب الأطراف (Trimming)، أو عزل الحالات الشاذة مبرراً ذلك في تقرير البحث المنهجي.

10.3 البدائل اللابارامترية عند الفشل التام لافتراضات التوزيعين

عندما تتعرض البيانات السلوكية لانتهاكات جسيمة لا يمكن معالجتها، مثل الالتواء الشديد جداً، أو عدم تجانس التباين الحاد المقترن بأحجام عينات غير متساوية، أو عندما تكون البيانات مقاسة على مستوى ترتيبي (Ordinal Scale)، تفقد الاختبارات المعلمية القائمة على التوزيع الطبيعي وتوزيع t صلاحيتها الاستدلالية تماماً.

في هذه الحالات الحرجة، يصبح الانتقال إلى الاختبارات اللابارامترية (Non-parametric Tests) أمراً منهجياً إلزامياً:

• اختبار مان-ويتني (Mann-Whitney U Test): يمثل البديل اللابارامتري المباشر لاختبار t للعينات المستقلة؛ إذ يعتمد على تحويل الدرجات الخام إلى رتب ترتيبية ومقارنة مجاميع الرتب بين المجموعتين دون افتراض أي شكل محدد لتوزيع المجتمع الأصلي.
• اختبار ويلكوكسون للإشارات والرتب (Wilcoxon Signed-Rank Test): يمثل البديل اللابارامتري لاختبار t للعينات المترابطة؛ حيث يقوم بتحليل اتجاه ورتب الفروق بين القياسات القبلية والبعدية للمفحوصين، موفراً تقييماً آمناً للتدخلات السلوكية في ظل البيانات المنتهكة لشرط الاعتدالية.

يضمن هذا التحول المنهجي حماية الباحث من استخلاص استنتاجات زائفة ناتجة عن فرض نماذج احتمالية معلمية قسرية على بيانات ميدانية لا تفي بأبسط الشروط الرياضية اللازمة لتطبيقها.

11. الأخطاء الشائعة والمفاهيم المغلوطة في الاستخدام الإحصائي

11.1 الخلط بين الدرجات المعيارية التائية (T-Scores) وتوزيع t الإحصائي

يعد الخلط بين الدرجات المعيارية التائية (T-Scores) المستخدمة في الاختبارات النفسية ونموذج توزيع ستيودنت t الاحتمالي واحداً من أكثر المفاهيم المغلوطة شيوعاً بين طلاب الدراسات العليا وباحثي علم النفس المبتدئين؛ إذ يرجع هذا اللبس التاريخي في المقام الأول إلى الاشتراك في الحرف اللاتيني “T”.

يجب التأكيد الصارم على أن الدرجة التائية (T-Score) هي مجرد تحويل خطي وصفي بسيط للدرجة المعيارية الطبيعية $Z$ تم ابتكاره لتسهيل تفسير التقارير الإكلينيكية وتجنب الإشارات السالبة، بحيث يكون متوسطها دائماً 50 وانحرافها المعياري 10. في المقابل، فإن توزيع ستيودنت t هو دالة كثافة احتمال استدلالية متغيرة الشكل تعتمد على درجات الحرية وتستخدم لاختبار الفروض الإحصائية وبناء فترات الثقة في ظل غياب المعالم المجتمعية.

إن إدراك هذا الفصل المفاهيمي الحاسم يحمي الباحث من ارتكاب أخطاء فادحة في كتابة وتفسير تقارير القياس النفسي، مثل محاولة استخراج درجات حرية للدرجة التائية الفردية على مقياس الشخصية، أو التعامل مع توزيع t الاحتمالي كأداة تحويل وصفي لدرجات الاختبارات السلوكية الميدانية.

11.2 الاستخدام غير المبرر لتوزيع Z عند جهل الانحراف المعياري المجتمعي

تتمثل إحدى الممارسات المنهجية الخاطئة المتوارثة في لجوء بعض الباحثين إلى استخدام اختبار Z أو التوزيع الطبيعي المعياري بمجرد أن يتجاوز حجم العينة 30 أو 50 مفحوصاً، على الرغم من أن الانحراف المعياري للمجتمع ($\sigma$) يظل مجهولاً تماماً ويتم تقديره عبر انحراف العينة ($s$).

يقوم هذا الخطأ على الفهم القاصر لمبرهنة النهاية المركزية؛ فالمبرهنة تؤكد أن توزيع المتوسطات يقترب من التوزيع الطبيعي، لكنها لا تنفي حقيقة أن استبدال $\sigma$ بـ $s$ يُدخل متغيراً عشوائياً جديداً في مقام إحصائية الاختبار، وهو ما يطابق بالتمام التعريف الرياضي لاشتقاق توزيع t. ورغم أن الفروق الرقمية بين التوزيعين تتضاءل في العينات الكبيرة جداً، إلا أن استخدام توزيع t يظل الخيار الرياضي الأدق والأنسب نظرياً في كافة الحالات.

وقد تبنت البرمجيات الإحصائية العالمية الحديثة هذا الاتجاه الصارم؛ حيث ألغت خيار اختبار Z للعينات المفردة في ظل غياب المعالم، واعتمدت توزيع t كإجراء افتراضي حصري لتحليل المتوسطات، مما يفرض على الباحثين مواكبة هذه المعايير وتجنب الممارسات الكلاسيكية غير الدقيقة.

11.3 إساءة تفسير درجات الحرية وتأثيرها على استقلالية المشاهدات

يقع العديد من المحللين في فخ الحساب الميكانيكي الخاطئ لدرجات الحرية في التصاميم التجريبية المعقدة، مثل القياسات المتكررة متعددة العوامل أو التحليلات الهرمية متداخلة المستويات (Nested Designs)؛ حيث يتم التعامل مع المشاهدات المكررة لنفس المفحوصين وكأنها استجابات مستقلة تماماً، مما يؤدي إلى تضخيم خادع وهائل في درجات الحرية المحسوبة.

يترتب على هذا التضخيم غير الشرعي تقليص مصطنع للقيمة الحرجة للاختبار، مما يرفع احتمالية رفض الفرضية الصفرية بالخطأ والوصول إلى دلالة إحصائية زائفة لا تعكس الواقع السلوكي. كما تبرز هذه المشكلة بوضوح في بيئات جمع البيانات النفسية عبر الإنترنت ومنصات التواصل، حيث يتجاهل الباحثون فحص الارتباط الذاتي والتكرارات الخفية لنفس المشاركين.

يتطلب البحث النفسي الرصين التحقق المسبق من استقلالية المشاهدات كشرط حاسم لصحة حساب درجات الحرية، واستخدام النماذج الخطية المختلطة (Linear Mixed Models) عند وجود تداخل أو ارتباط داخلي بين الاستجابات، لضمان توافق درجات الحرية مع البنية الحقيقية للبيانات المجمعة.

12. الدليل العملي للتطبيق والتحليل عبر البرمجيات الإحصائية (SPSS و R)

12.1 فحص اعتدالية البيانات في برمجية SPSS

يوفر برنامج SPSS حزمة متكاملة من الأدوات الإحصائية لفحص التوزيع الطبيعي والتحقق من صلاحية البيانات لتطبيق النماذج المعلمية. يمكن للباحث الوصول إلى هذه الفحوصات عبر المسار الإجرائي: Analyze > Descriptive Statistics > Explore، ثم إدراج المتغير التابع وتفعيل خيار Normality plots with tests.

يقدم المخرج الإحصائي فحصين رئيسيين للاعتدالية:

• اختبار شابيرو-ويلك (Shapiro-Wilk Test): الاختبار الأكثر قوة ودقة للعينات النفسية الصغيرة والمتوسطة ($n 0.05$) إلى تحقق فرضية التوزيع الطبيعي وصلاحية البيانات للتحليل البارامتري.
• اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test): يُستخدم للعينات الكبيرة، ويفضل دائماً قراءته بالتكامل مع المؤشرات البيانية الوصفية.

بالإضافة إلى الاختبارات الفرضية، يجب على الباحث فحص المخططات البيانية للاعتدالية (Q-Q Plots) ومدرجات التكرار (Histograms)، وتقييم الدرجات المعيارية للالتواء والتفرطح من خلال قسمة القيمة الإحصائية للالتواء أو التفرطح على خطئها المعياري الخاص بها؛ فإذا وقع الناتج ضمن النطاق $[-1.96, , +1.96]$، اعتُبرت البيانات متوافقة بدرجة كافية مع متطلبات التوزيع الطبيعي.

12.2 تنفيذ واختيار الاختبارات المناسبة في حزمة R الإحصائية

توفر بيئة الحوسبة الإحصائية R مرونة مطلقة للباحثين لإجراء كافة اختبارات التوزيعين بدقة متناهية عبر دوالها الرياضية والتحليلية الأساسية. لتنفيذ اختبار t للعينات المستقلة بافتراض عدم تجانس التباين (اختبار ولش الافتراضي)، تُستخدم الدالة القياسية:

t.test(anxiety_score ~ group, data = clinical_data)

أما في حالة الرغبة في تطبيق اختبار t الكلاسيكي بافتراض تجانس التباين المجمع، يتم تفعيل وسيط التباين: var.equal = TRUE.

كما تتيح بيئة R توليد ومقارنة منحنيات الكثافة الاحتمالية للتوزيع الطبيعي وتوزيع t برمجياً عبر دوال الكثافة dnorm() و dt()، مما يمكن الباحث من تمثيل التفرطح وثقل الذيول بيانياً بدقة فائقة. وتوفر الحزمة وظائف متقدمة لحساب فترات الثقة المخصصة واستخراج حجوم الأثر بدقة متناهية تدعم التقارير السيكومترية عالية الاحترافية.

12.3 صياغة وتوثيق النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th)

تفرض المعايير التوثيقية الصارمة الصادرة عن الجمعية الأمريكية لعلم النفس (APA 7th Edition) قواعد دقيقة لصياغة نتائج اختبارات t وفترات الثقة في التقارير والبحوث النفسية المحكمة. يجب أن تتضمن الصياغة النصية قيم إحصائية الاختبار، ودرجات الحرية بين قوسين، ومستوى الدلالة الدقيق، وحجم الأثر القياسي، وفترة الثقة المحددة.

نموذج الصياغة القياسية لاختبار t للعينات المستقلة:

“أظهرت النتائج وجود فرق ذي دلالة إحصائية في مستويات القلق بين المجموعة التجريبية ($M = 18.42, , SD = 3.15$) والمجموعة الضابطة ($M = 23.65, , SD = 4.20$)؛ $t(58) = 5.43, , p < .001, , d = 1.40, , 95% \text{ CI } [3.30, , 7.16]$."

نموذج الصياغة لاختبار t للعينات المترابطة:

“كشفت نتائج القياس القبلي والبعدي عن انخفاض دال إحصائياً في درجات الاكتئاب بعد تطبيق البرنامج العلاجي؛ $t(24) = 4.12, , p = .003, , d = 0.82, , 95% \text{ CI } [1.85, , 5.65]$.”

تضمن هذه القواعد التوثيقية الشفافية المنهجية الكاملة، وتتيح للباحثين والمراجعين في المجلات العلمية التحقق من دقة الاستدلال الاحتمالي المعتمد وربط الدلالة الإحصائية بالقيمة التطبيقية للنتائج السلوكية المعروضة.

الخاتمة والاستنتاجات النهائية

يمثل التوزيع الطبيعي وتوزيع ستيودنت t عمودي الخيمة للاستدلال الإحصائي والقياس السيكومتري الحديث. وعلى الرغم من تشابههما الهندسي في كونهما توزيعين جرسيين متناظرين أحاديي النمط، إلا أن الاختلاف في بنية الذيول ومستويات التفرطح والتفاعل مع درجات الحرية يضع حداً فاصلاً بين الدقة المنهجية والاستنتاجات الإحصائية المضللة.

إن القاعدة المنهجية المعاصرة تحسم الاختيار بين النموذجين بوضوح: يظل التوزيع الطبيعي المعياري Z نموذجاً نظرياً ومثالياً يُستخدم عند المعرفة الحقيقية بالتباين المجتمعي وفي معايرة الاختبارات السيكومترية الكبرى، في حين يظل توزيع t الحصن الاستدلالي الآمن والنموذج الافتراضي الإلزامي لكافة البحوث النفسية والسلوكية الميدانية التي تتعامل مع تباينات مجتمعية مجهولة وعينات بحثية متفاوتة الحجم.

إن إتقان الباحث للأسس الرياضية والمنهجية لهذين التوزيعين، واستيعاب الفروق الدقيقة في حساب فترات الثقة واختبار الفروض، واستخدام البرمجيات الإحصائية وتوثيق النتائج وفق المعايير العالمية، هو الضمانة الحقيقية للارتقاء بجودة البحوث السلوكية والنفسية وبناء معرفة علمية رصينة قادرة على تفسير السلوك الإنساني بدقة وأمانة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Student [Gosset, W. S.]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wechsler, D. (2008). Wechsler adult intelligence scale–Fourth edition (WAIS-IV). NCS Pearson.
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510