الفرضية الصفرية: التعريف، الرفض والأمثلة

تُعد عملية الاستدلال العلمي حجر الزاوية الذي شُيدت عليه صروح المعرفة الإنسانية الحديثة، وفي قلب هذه العملية يبرز الإحصاء الاستدلالي (Inferential Statistics) كأداة منهجية صارمة تتيح للباحثين الانتقال من مجرد رصد المشاهدات الفردية إلى استخلاص تعميمات رصينة حول المجتمعات الإحصائية الأوسع نطاقاً. وفي خضم هذا المسعى الإبستمولوجي المعقد، تتبوأ الفرضية الصفرية (Null Hypothesis) مكانة مركزية ومفصلية لا غنى عنها؛ إذ تمثل نقطة الانطلاق الأساسية والمعيار الرياضي الحاسم لاختبار الفروض والتحقق من مصداقية النظريات والادعاءات العلمية. إن الفرضية الصفرية ليست مجرد معادلة رمزية خالية من الدلالة، بل هي تجسيد للمنطق الشكوكي الذي يحمي البحث العلمي من الانزلاق وراء الأوهام، والارتباطات الزائفة، والمصادفات العشوائية التي تعج بها ظواهر العالم الطبيعي والسلوكي.

في مجال العلوم النفسية والاجتماعية على وجه الخصوص، حيث تتسم الظواهر الإنسانية بتعقدها الشديد وتداخل متغيراتها المتعددة، تصبح الفرضية الصفرية بمثابة “حارس البوابة” المنهجي الذي يفرض على الباحث تقديم أدلة تجريبية قاطعة ودامغة قبل أن يجرؤ على الادعاء بأن تدخلاً علاجياً معيناً قد أتى ثماره، أو أن سمة شخصية ترتبط ارتباطاً وثيقاً بسلوك ما. إن هذه الآلية الصارمة تجبر المجتمع العلمي على التريث وعدم التسرع في إعلان الاكتشافات قبل إخضاع البيانات المجمعة لموازين الاحتمالية والاحتكام إلى معايير الدلالة الإحصائية، مما يرسخ من موثوقية التراكم المعرفي ويعزز من متانة البناء النظري للعلوم السلوكية المعاصرة.

يهدف هذا المقال الأكاديمي الشامل إلى تفكيك مفهوم الفرضية الصفرية من كافة جوانبه النظرية، والرياضية، والتطبيقية، والنقدية. وسنتناول فيه بالتشريح الدقيق الأسس الفلسفية والتاريخية التي أفضت إلى ولادة هذا المفهوم، وطرق صياغته الرمزية وتطبيقاته في التصاميم التجريبية، مروراً بآليات اتخاذ القرار الإحصائي، ومفاهيم القيمة الاحتمالية، وأخطاء القياس، وحجم الأثر، وصولاً إلى المقارنة مع المنظور البايزي الحديث وأحدث الإرشادات المنهجية التي أقرتها الجمعيات العلمية العالمية لتوثيق نتائج اختبار الفروض بكل شفافية ودقة.

1. مفهوم الفرضية الصفرية وأسسها النظرية في الإحصاء الاستدلالي

1.1 التعريف الدقيق للفرضية الصفرية (Null Hypothesis)

تُعرّف الفرضية الصفرية، التي يُرمز لها اصطلاحاً بالرمز ($H_0$)، بأنها الفرضية الإحصائية الافتراضية التي تنص بصورة قاطعة على انعدام الأثر (No Effect)، أو غياب الفروق الجوهرية بين المجموعات الخاضعة للدراسة، أو عدم وجود أي علاقة أو ارتباط خطي أو غير خطي بين المتغيرات المقاسة في مجتمع الدراسة الأصلي. إن المعنى الجوهري للفرض الصفر يستند إلى افتراض حالة الحياد المطلق (Status Quo) في الطبيعة أو في الواقع النفسي، بحيث يُفترض مسبقاً أن أي تباين ظاهري، أو تفاوت رقمي يُلاحظ بين العينات المدروسة، لا يعكس حقيقة واقعية أصيلة، بل هو مجرد نتاج حتمي للتقلبات العشوائية وخطأ المعاينة الطبيعي (Sampling Error).

من الناحية الإبستمولوجية والإجرائية، تعمل الفرضية الصفرية وفق مبدأ يماثل تماماً “قرينة البراءة” المعمول بها في النظم القضائية الجنائية؛ فالمتهم يُفترض أنه بريء حتى تثبت إدانته بما لا يدع مجالاً للشك المعقول، وبالمثل، يُفترض دائماً في المنهج الإحصائي أن الفرضية الصفرية صحيحة وقائمة ما لم تقدم البيانات التجريبية والميدانية المجمعة أدلة إحصائية بالغة القوة والصلابة تدحض هذا الافتراض وتبرر رفضه (Rejection). إن هذا الافتراض الأولي للحياد هو الدرع المنهجي الأول الذي يضمن عدم انجراف العلم نحو الانطباعات السطحية أو النزعات الرغائبية للباحثين.

في سياق البحوث النفسية والسريرية المتقدمة، تعني الفرضية الصفرية أن التدخل العلاجي المستحدث (سواء كان علاجاً دوائياً، أو برنامجاً معرفياً سلوكياً) لا يُحدث أي تحسن يتفوق على أثر العلاج الوهمي (Placebo) أو غياب العلاج، أو أن مستوى الذكاء لا يرتبط إطلاقاً بمستوى المرونة النفسية. ومن ثم، فإن عبء الإثبات الرياضي يقع دائماً وأبداً على عاتق الباحث الذي يتعين عليه جمع عينات ممثلة وتطبيق مقاييس مقننة تفضي إلى رفض هذا الصفر المفترض، واستبداله بفرضية وجود أثر حقيقي وملموس في المجتمع الإحصائي.

1.2 الجذور الإبستمولوجية والتاريخية لظهور الفرضية الصفرية

تعود الجذور التاريخية لصياغة الفرضية الصفرية بمفهومها الحديث إلى الإسهامات التأسيسية التي قدمها عالم الإحصاء والجينات البريطاني السير رونالد فيشر (Ronald A. Fisher) في أوائل القرن العشرين، وتحديداً من خلال مؤلفه المرجعي الكلاسيكي “تصميم التجارب” (The Design of Experiments) المنشور عام 1935. اشتهر فيشر بتجربته الذهنية والعملية الفذة “السيدة التي تتذوق الشاي” (Lady Tasting Tea)، والتي من خلالها أسس لفكرة أنه لا يمكن أبداً إثبات صحة فرضية بحثية بصورة مباشرة ومطلقة، بل يمكن فقط اختبار مدى توافق البيانات مع فرضية العدم والعمل على دحضها ورفضها تجريبياً.

تلاقت هذه الرؤية الإحصائية الفيشرية بصورة عميقة مع الفلسفة الإبستمولوجية التي صاغها فيلسوف العلم الشهير كارل بوبر (Karl Popper) ومبدأه المعروف بـ “القابلية للتكذيب” أو الدحض (Falsifiability). رأى بوبر أن الاستقراء التجريبي لا يستطيع أبداً التحقق المطلق (Verification) من صحة أي قانون كلي؛ لأن رصد مليون بجعة بيضاء لا يثبت أن كل البجع أبيض، بينما تكفي رؤية بجعة سوداء واحدة لدحض تلك الفرضية. وانطلاقاً من هذا المنطق الاستنتاجي الصارم، تبنى الإحصاء الاستدلالي منطق نقض الفرضية الصفرية كسبيل وحيد لتطوير المعرفة؛ فنحن لا نثبت وجود الأثر، بل نُكذّب ونرفض فرضية غيابه، مما يفسح المجال لقبول الفرضية العلمية البديلة مؤقتاً.

شهد العقد الثالث والرابع من القرن العشرين تطوراً حاسماً آخر مع ظهور منهج عالمي الرياضيات جيرزي نيمان (Jerzy Neyman) وإيجون بيرسون (Egon Pearson)، اللذين قدما إطاراً بديلاً يقوم على اتخاذ القرار الرشيد من خلال موازنة الفرضية الصفرية ($H_0$) بفرضية بديلة محددة ($H_1$)، وابتكار مفاهيم قوة الاختبار، والأخطاء من النوع الأول والثاني. ورغم الخلافات الحادة التي نشبت بين فيشر ومدرسة نيمان-بيرسون، إلا أن العلوم السلوكية والنفسية دمجت كلا المنهجين في نموذج توفيقي هجين (Hybrid Approach) بات يمثل البنية التحتية لمعظم المقررات والبحوث التجريبية السائدة حتى يومنا هذا.

1.3 وظيفة الفرضية الصفرية في التصميم التجريبي للبحوث النفسية

تؤدي الفرضية الصفرية وظيفة محورية في البنية المنهجية للتصميم التجريبي، حيث توفر ما يُعرف بـ “المعيار المرجعي النقطي” (Point Baseline). من خلال هذا المعيار، يستطيع الباحث قياس حجم التغيرات المعرفية، أو السلوكية، أو العاطفية المترتبة على معالجة تجريبية محددة بالمقارنة مع خط الأساس الذي يفترض غياب أي تأثير. فبدون وجود نقطة انعدام واضحة ومحددة رياضياً، يصبح من المستحيل تقييم ما إذا كان التباين الحاصل بين مجموعات الدراسة يمثل أثراً علاجياً ذا مغزى أم أنه مجرد تذبذب عشوائي في درجات الاختبار النفسي.

وعلاوة على ذلك، تعمل الفرضية الصفرية كأداة احتمالية لتقييم مدى إمكانية عزو النتائج الملاحظة إلى الصدفة العشوائية والخطأ المعاين. فعند تطبيق المقاييس النفسية، يواجه الباحث دوماً حقيقة أن البشر يتفاوتون بطبيعتهم في سماتهم واستجاباتهم، وأن أدوات القياس تحتوي على نسبة لا مفر منها من عدم الدقة. تضع الفرضية الصفرية نموذجاً رياضياً افتراضياً لما يجب أن تبدو عليه البيانات لو كانت الصدفة وحدها هي الفاعل الوحيد، مما يتيح للباحث حساب الاحتمال الدقيق لظهور مثل تلك النتائج أو ما هو أشد تطرفاً منها في ظل سيادة الصدفة المحضة.

أخيراً، تمثل الفرضية الصفرية آلية دفاعية وقائية تحمي الباحث النفسي من الوقوع في فخ الانحياز التأكيدي (Confirmation Bias). يميل الباحثون بطبيعتهم البشرية إلى الرغبة في إثبات نجاح برامجهم العلاجية، أو تأكيد صحة نظرياتهم التي أنفقوا سنوات في تطويرها؛ وهنا تتدخل الفرضية الصفرية لتلزم الباحث بالانضباط العلمي الصارم، حيث تشترط عليه افتراض فشل تدخله أو انعدام فاعليته ابتداءً، ولا تسمح له بالادعاء بخلاف ذلك إلا بعد تجاوز عتبات إحصائية صارمة تضمن نزاهة الاستنتاج وموضوعيته.

2. الصياغة الرياضية والرمزية للفرضية الصفرية

2.1 الترميز الإحصائي للفرضية الصفرية والفرضية البديلة

تتطلب الصياغة العلمية الدقيقة في الإحصاء الاستدلالي التعبير عن الفرضيات بلغة رياضية لا لبس فيها، حيث يُخصص الرمز العالمي ($H_0$) للإشارة إلى الفرضية الصفرية، في حين يُستخدم الرمز ($H_1$) أو ($H_A$) للإشارة إلى الفرضية البديلة (Alternative Hypothesis). تُصاغ هذه الفرضيات دائماً من منظور معلمات المجتمع الإحصائي (Population Parameters) التي يسعى الباحث إلى تقديرها أو الاستدلال عليها، وليس من منظور إحصاءات العينة (Sample Statistics) التي يتم حسابها مباشرة من البيانات المجمعة.

تشتمل هذه المعلمات المجتمعية على المتوسط الحسابي للمجتمع ويرمز له بالحرف الإغريقي ميو ($\mu$)، والتباين المجتمعي ويرمز له بالحرف سيغما مربعة ($\sigma^2$)، والانحراف المعياري ($\sigma$)، ونسبة المجتمع ($P$)، ومعامل الارتباط الخطي للمجتمع ويرمز له بالحرف الإغريقي رو ($rho$). ويُعبر عن التساوي أو العدمية في الفرضية الصفرية باستخدام إشارة المساواة الرياضية ($=$) أو إشارات عدم التفوق ($leq$ أو $\geq$) تبعاً لطبيعة الاختبار وفرضياته الاتجاهية.

إن التمييز الدقيق بين معلمات المجتمع وإحصاءات العينة (مثل استخدام $\bar{X}$ للمتوسط، و$s$ للانحراف المعياري، و$r$ لمعامل الارتباط) هو شرط جوهري في الترميز؛ فالفرضية الصفرية تُبنى لاختبار حقيقة مجهولة في المجتمع الكلي عبر بيانات العينة المستقاة منه. وعليه، فإن كتابة الفرضية الصفرية على أنها مساواة بين متوسطات العينات ($\bar{X}_1 = \bar{X}_2$) تُعد خطأ منهجياً فادحاً، إذ إن إحصاءات العينات معروفة ومحسوبة بالفعل، بينما الفرضية تدور حصراً حول المعلمات المجتمعية العامة ($\mu_1 = \mu_2$).

2.2 الفرضية الصفرية ثنائية الذيل مقابل أحادية الذيل

تنقسم الفرضيات الصفرية والبديلة من حيث التوجه الإحصائي إلى صياغات غير موجهة (Non-directional) ترتبط بالاختبارات ثنائية الذيل (Two-Tailed Tests)، وصياغات موجهة (Directional) ترتبط بالاختبارات أحادية الذيل (One-Tailed Tests). في الفرضية ثنائية الذيل، تنص الفرضية الصفرية على التساوي التام وغياب أي فرق في أي اتجاه، كأن نقول إن متوسطي المجتمعين متساويان، في حين تنص الفرضية البديلة على مجرد وجود فرق دون تحديد ما إذا كان المتوسط الأول أعلى أو أدنى من الثاني:

• الفرضية الصفرية ثنائية الذيل: $H_0: \mu_1 = \mu_2$ (أو $H_0: \mu_1 – \mu_2 = 0$)
• الفرضية البديلة ثنائية الذيل: $H_1: \mu_1 \neq \mu_2$ (أو $H_1: \mu_1 – \mu_2 \neq 0$)

أما في الفرضيات الموجهة أحادية الذيل، فإن الفرضية الصفرية تتضمن ليس فقط التساوي، بل تشمل أيضاً عدم التفوق أو عدم النقص في اتجاه محدد، لأن الفرضية البديلة تقترح اتجاهاً صريحاً ومحدداً مسبقاً استناداً إلى أطر نظرية متينة أو تجارب استطلاعية سابقة. فإذا توقع الباحث أن البرنامج التدريبي سيؤدي حصراً إلى رفع مستوى التحصيل، فإن الصياغة تأخذ الشكل الآتي:

• الفرضية الصفرية أحادية الذيل (اتجاه علوي): $H_0: \mu_{\text{تدريب}} \leq \mu_{\text{ضابطة}}$
• الفرضية البديلة أحادية الذيل (اتجاه علوي): $H_1: \mu_{\text{تدريب}} > \mu_{\text{ضابطة}}$

تتطلب المعايير المنهجية الرصينة في الأبحاث الإكلينيكية والتربوية توخي الحذر الشديد عند اختيار الاختبارات أحادية الذيل؛ فعلى الرغم من أنها تزيد من القوة الإحصائية في الاتجاه المتوقع عبر تركيز منطقة الرفض (Alpha Region) في جانب واحد من التوزيع، إلا أنها تتجاهل تماماً احتمالية حدوث تأثير عكسي غير متوقع (كأن يؤدي التدخل العلاجي إلى تفاقم الأعراض بدلاً من تحسنها)، مما يجعل الاختبارات ثنائية الذيل هي الخيار الافتراضي الأكثر أماناً وتحفظاً في أغلب الدراسات الأكاديمية.

2.3 أمثلة على الصيغ الرياضية للمعاملات النفسية المختلفة

تتنوع الصيغ الرياضية للفرضيات الصفرية بتنوع التصاميم البحثية والاختبارات الإحصائية المستخدمة لمعالجة المشكلات السلوكية. فعند مقارنة متوسطي عينتين مستقلتين باستخدام اختبار “ت” (Independent Samples t-test)، كأن نقارن بين درجات مجموعة خضعت لجلسات اليقظة الذهنية (Mindfulness) ومجموعة ضابطة على مقياس التنظيم الانفعالي، تُصاغ الفرضية الصفرية على النحو التالي: $H_0: \mu_1 = \mu_2$، وهو ما يكافئ القول بأن الفرق بين المتوسطين في المجتمع يساوي صفراً: $H_0: \mu_1 – \mu_2 = 0$.

وفي الدراسات الارتباطية التي تفحص العلاقة بين متغيرين متصلين، كدراسة العلاقة بين مستوى قلق الاختبار والتحصيل الأكاديمي لدى طلبة المرحلة الجامعية باستخدام معامل ارتباط بيرسون (Pearson Correlation Coefficient)، تُصاغ الفرضية الصفرية كالتالي: $H_0: \rho = 0$، والتي تنص على أن معامل الارتباط في المجتمع الأصلي ينعدم تماماً، وأن أي قيمة لـ ($r$) تظهر في العينة هي تذبذب عشوائي حول الصفر. أما الفرضية البديلة المقابلة فتقول:$H_1: rho neq 0$ في الحالة غير الموجهة، أو $H_1: \rho < 0$ في حال توقع علاقة ارتباطية سالبة.

أما في سياق المتغيرات الفئوية (Categorical Variables) واختبار حسن المطابقة أو اختبار الاستقلالية باستخدام مربع كاي ($\chi^2$)، مثل دراسة ما إذا كان نمط الشخصية (انبساطي / انطوائي) مستقلاً عن تفضيل نوع التعلم (حلقي / فردي)، تُصاغ الفرضية الصفرية على أساس تساوي التكرارات الملاحظة ($O$) مع التكرارات المتوقعة نظرياً ($E$):$H_0: O_{ij} = E_{ij}$ لجميع الخلايا، أو التعبير عنها بالصيغة اللفظية والرمزية الرياضية: $H_0: P_{ij} = P_{i\cdot} \times P_{\cdot j}$، والتي تؤكد استقلال المتغيرين تماماً في المجتمع الأصلي وعدم وجود أي اقتران بينهما.

3. المقارنة المنهجية بين الفرضية الصفرية والفرضية البديلة

3.1 طبيعة العلاقة التنافية الشاملة بين الفرضيتين

ترتكز البنية المنطقية لاختبار الفروض الإحصائية على مبدأين رياضيين أساسيين ينظمان العلاقة بين الفرضية الصفرية والفرضية البديلة، وهما: التنافي المانع للجمع (Mutually Exclusive)، والشمول والاستيعاب الكامل (Exhaustive). ويعني مبدأ التنافي استحالة صحة الفرضيتين معاً في الوقت ذاته وتحت نفس الظروف التجريبية؛ فإما أن يكون المعلم المجتمعي مساوياً لقيمة الصفر أو لا يكون كذلك، ولا توجد أي إمكانية منطقية للجمع بين النقيضين.

أما مبدأ الشمول والاستيعاب، فيعني أن الفرضيتين تغطيان معاً كافة الاحتمالات الممكنة في فضاء العينة والمعلمات الإحصائية بنسبة 100%. فإذا كانت الفرضية الصفرية تغطي حالة التساوي ($H_0: \mu_1 = \mu_2$)، فإن الفرضية البديلة تغطي بالضرورة كافة الحالات الأخرى المتبقية ($H_1: \mu_1 \neq \mu_2$)، مما يعني أنه لا توجد أي مساحة رمادية أو احتمال ثالث خارج نطاق هذين الفرضين. هذا الإغلاق المنطقي هو الأساس الذي يسمح للبناء الاستدلالي بالعمل بكفاءة رياضية مطلقة.

يترتب على هذه العلاقة التنافية الشاملة نتيجة استدلالية بالغة الأهمية: إن دحض الفرضية الصفرية وإسقاطها إحصائياً بناءً على البيانات التجريبية يؤدي بصورة تلقائية وفورية إلى دعم وقبول الفرضية البديلة باعتبارها التفسير الرياضي الوحيد المتبقي المنسجم مع الواقع التجريبي. وعلى العكس من ذلك، فإن عجز البيانات عن دحض الفرضية الصفرية يبقيها قائمة كاحتمال معقول، ويحرم الباحث من إمكانية تبني الفرضية البديلة.

3.2 أوجه الاختلاف في الأهداف والغايات البحثية

يظهر تباين جوهري بين الفرضية الصفرية والفرضية البديلة من حيث الغاية والوظيفة في دورة البحث العلمي. تمثل الفرضية الصفرية فرضية رياضية إحصائية وتقنية بحتة، وُضعت خصيصاً لتكون قابلة للاختبار المباشر والحساب الكمي عبر معادلات التوزيعات الاحتمالية؛ فهي لا تعبر عن الرغبة البحثية للدارس، بل تمثل “النموذج الصامت” الذي يُفترض مسبقاً بهدف محاولة تدميره وتجاوزه رياضياً عبر البيانات.

في المقابل، تمثل الفرضية البديلة الفرضية العلمية والنظرية الحقيقية (Substantive/Research Hypothesis) التي يسعى الباحث إلى إثباتها، والتي تنبع مباشرة من مراجعته للأدبيات السابقة، وأطره النظرية، وملاحظاته الميدانية. فالطبيب النفسي الذي يطور تقنية علاجية جديدة يتمنى ويتوقع بطبيعة الحال أن تنجح تقنيته في خفض الأعراض؛ وبالتالي فإن فرضيته البحثية هي الفرضية البديلة، بينما يلزمه المنطق الإحصائي باختبار الفرضية الصفرية المعاكسة لطموحاته بشكل مباشر.

يتجسد هذا التمايز أيضاً في أن الفرضية البديلة غالباً ما تكون غير محددة القيمة بدقة متناهية (Non-specific Point)، كأن تنص على أن الفرق لا يساوي صفراً أو أنه أكبر من الصفر دون تحديد رقمي مطلق لحجم الفرق في بداية الاختبار، بينما تكون الفرضية الصفرية الكلاسيكية محددة بدقة نقطية صارمة ($H_0: \mu_1 – \mu_2 = 0$)، وهو ما يتيح بناء التوزيعات الاحتمالية للمعاينة (Sampling Distributions) التي يستحيل بناؤها رياضياً دون افتراض نقطة مرجعية ثابتة.

3.3 جدول مقارنة بين خصائص الفرضية الصفرية والفرضية البديلة

لتلخيص الفروق الجوهرية والمنهجية بين الفرضيتين، يوضح الجدول التالي مقارنة تفصيلية بين الخصائص الأساسية لكل من ($H_0$) و($H_1$):

وجه المقارنة	الفرضية الصفرية ($H_0$)	الفرضية البديلة ($H_1$)
المفهوم الأساسي	انعدام الأثر، غياب الفروق، أو عدم وجود ارتباط بين المتغيرات.	وجود أثر حقيقي، فروق دالة، أو ارتباط جوهري بين المتغيرات.
الرمز الرياضي	$H_0$	$H_1$ أو $H_A$
القابلية للاختبار المباشر	تُختبر رياضياً بشكل مباشر كنموذج مرجعي لتوليد توزيع المعاينة.	تُقبل بطريقة غير مباشرة كنتيجة منطقية لدحض ورفض $H_0$.
التعبير الرياضي	تتضمن دائماً إشارة المساواة ($=$,$leq$,$geq$).	تتضمن إشارات عدم المساواة ($\neq$, $$).
التطابق مع تطلعات الباحث	تمثل فرضية التشكيك والحياد وغالباً ما يسعى الباحث لدحضها.	تمثل الفرضية العلمية والبحثية التي يأمل الباحث في تأكيدها.
عبء الإثبات	مفترضة الصحة ابتداءً ولا تتطلب عبء إثبات مسبق (أصل البراءة).	يقع عليها عبء الإثبات التجريبي من خلال تجاوز العتبات الإحصائية.

4. آليات اتخاذ القرار الإحصائي ومعايير رفض الفرضية الصفرية

4.1 منطق اختبار دلالة الفرضية الصفرية (NHST)

يقوم اختبار دلالة الفرضية الصفرية (Null Hypothesis Significance Testing – NHST) على تسلسل منطقي محكم يستند إلى أسلوب البرهان بالخلف (Proof by Contradiction) في الرياضيات الكلاسيكية، ولكن بصيغة احتمالية. تبدأ هذه الآلية بافتراض افتراضي مؤقت ومطلق يقضي بأن الفرضية الصفرية صحيحة بنسبة 100% في مجتمع الدراسة الأصلي، وبناءً على هذا الافتراض، يتم توليد توزيع المعاينة النظري (Theoretical Sampling Distribution) للإحصاء الاختباري المراد دراسته.

تتمثل الخطوة الثانية في حساب درجة تباعد البيانات الفعلية المجمعة من العينة التجريبية عن المركز المتوقع لهذا التوزيع النظري؛ حيث يعكس المركز حالة انعدام الأثر التام. فإذا كانت البيانات الملاحظة واقعة ضمن النطاق المركزي الشائع للتوزيع، يُستنتج أن الفروق الملاحظة يمكن تفسيرها بسهولة بالتقلب العشوائي للعينات، أما إذا ابتعدت البيانات الواقعية بشكل متطرف إلى أطراف التوزيع (Tails)، فإن هذا يشير إلى تناقض صارخ بين النموذج المفترض والواقع الميداني.

ينتهي هذا المنطق الاستدلالي باتخاذ قرار إحصائي قطعي وثنائي؛ فإذا كانت احتمالية ظهور تلك البيانات المتطرفة في ظل صحة الفرضية الصفرية ضئيلة جداً وتفوق حداً متفقاً عليه سلفاً، يستنتج الباحث أن الافتراض الأولي بصحة الفرضية الصفرية هو افتراض غير منطقي وغير متوافق مع الواقع التجريبي، مما يملي عليه منهجياً رفض الفرضية الصفرية وتبني الفرضية البديلة كبديل وحيد قادر على تفسير هذه المشاهدات.

4.2 التمييز بين ‘رفض الفرضية’ و’الفشل في رفضها’

من الأخطاء المنهجية الشائعة والجسيمة التي يقع فيها بعض الباحثين استخدام عبارة “قبول الفرضية الصفرية” (Accepting the Null Hypothesis) عند عدم التمكن من إثبات الدلالة الإحصائية؛ فالصياغة العلمية السليمة والوحيدة المعتمدة إحصائياً هي “الفشل في رفض الفرضية الصفرية” (Fail to Reject $H_0$). هذا التمايز اللفظي ليس مجرد ترف بلاغي، بل يعكس فهماً فلسفياً عميقاً للمنهج العلمي وطبيعة الاستدلال الاستقرائي.

إن الفشل في رفض الفرضية الصفرية لا يعني مطلقاً تقديم دليل إيجابي أو برهان حاسم على صحتها وانعدام الأثر في الواقع، بل يعني ببساطة أن الأدلة التجريبية والبيانات المجمعة في هذه التجربة المحددة لم تكن كافية أو قوية بما يكفي لإسقاطها. وكما يقول المبدأ الإحصائي الشهير: “غياب الدليل ليس دليلاً على الغياب” (Absence of evidence is not evidence of absence)؛ فقد يكون الأثر موجوداً وحقيقياً في المجتمع، ولكن صغر حجم العينة، أو ضعف حساسية المقاييس المستخدمة، حال دون رصده وإبرازه إحصائياً.

لذلك، يجب على كتاب التقارير والأبحاث النفسية تجنب الوقوع في فخ الادعاء بأن العلاجين متطابقان تماماً أو أن المتغيرين لا يرتبطان إطلاقاً لمجرد أن قيمة الدلالة لم تكن كافية؛ والصواب هو الإقرار بأن البيانات الحالية لا تتيح دحض فرضية العدم، مع الإشارة إلى إمكانية كشف هذا الأثر في دراسات مستقبلية ذات قوة إحصائية أعلى وتصاميم أكثر حساسية.

4.3 خطوات اتخاذ القرار وفق أسلوب المنطقة الحرجة

يتبع اتخاذ القرار الإحصائي الكلاسيكي وفق مدرسة نيمان-بيرسون أسلوباً منهجياً دقيقاً يُعرف بأسلوب “المنطقة الحرجة” (Critical Region Approach)، ويتضمن الخطوات المتسلسلة التالية:

• اختيار الإحصاء الاختباري الملائم (Test Statistic): تحديد المعادلة الرياضية المناسبة لطبيعة البيانات وتصميم التجربة (مثل اختبار $t$ للعينات، أو النسبة الفائية $F$ لتحليل التباين، أو إحصاء $Z$، أو مربع كاي$chi^2$).
• تحديد مستوى الدلالة وتوزيع المعاينة: تعيين مستوى المجازفة المسموح به ($\alpha$) وتحديد درجات الحرية (Degrees of Freedom – $df$) المرتبطة بحجم العينة والتصميم، مما يرسم معالم منحنى التوزيع الاحتمالي بدقة.
• استخراج القيمة الحرجة (Critical Value): تحديد النقاط الفاصلة على المنحنى البياني التي تقسم التوزيع إلى منطقة القبول/الاحتفاظ ومنطقة الرفض الحرجة (Rejection Region). وتُستخرج هذه القيم من الجداول الإحصائية القياسية أو البرمجيات المتخصصة.
• حساب الإحصاء الاختباري الفعلي: تطبيق المعادلات الرياضية على البيانات الخام المحصلة من العينة لحساب القيمة الفعلية للاختبار (مثل $t_{\text{calculated}}$ أو $F_{\text{calculated}}$).
• المقارنة واتخاذ القرار: إذا وقعت القيمة المحسوبة داخل منطقة الرفض (أي تجاوزت القيمة الحرجة مطلقاً: $|t_{\text{calc}}| \geq t_{\text{crit}}$)، يتم اتخاذ القرار الحاسم بـ رفض الفرضية الصفرية؛ أما إذا وقعت داخل نطاق المنطقة غير الحرجة، فيكون القرار هو الفشل في رفض الفرضية الصفرية.

5. القيمة الاحتمالية (p-value) ومستوى الدلالة (Alpha) في حسم القرار

5.1 المفهوم الرياضي والعملي للقيمة الاحتمالية (p-value)

تُعد القيمة الاحتمالية، أو ما يُعرف بـ ($p$-value)، المقياس الإحصائي الأكثر استخداماً وإساءة للفهم في آن واحد في الأبحاث المعاصرة. وتُعرّف القيمة الاحتمالية رياضياً بأنها: احتمالية الحصول على نتائج تجريبية مساوية في تطرفها للنتائج الملاحظة فعلياً في العينة، أو أكثر تطرفاً منها، بافتراض أن الفرضية الصفرية صحيحة تماماً في مجتمع الدراسة. وتُكتب هذه العلاقة شرطياً بصيغة الاحتمال المشروط: $P(\text{Data or more extreme} mid H_0 \text{ is true})$.

من الأهمية بمكان تفنيد وتصحيح المفاهيم المغلوطة الشائعة حول هذه القيمة؛ فالقيمة الاحتمالية لا تمثل على الإطلاق احتمالية صحة الفرضية الصفرية نفسها $P(H_0 mid \text{Data})$، ولا تمثل احتمالية أن النتائج حدثت بمحض الصدفة، كما أنها لا تقيس احتمالية صحة الفرضية البديلة. إنها ببساطة تقييم لمدى اتساق أو غرابة البيانات الملاحظة في ظل عالم افتراضي يحكمه افتراض العدم وغياب الأثر.

ترتبط القيمة الاحتمالية بعلاقة عكسية مع قوة الدليل المضاد للفرضية الصفرية؛ فكلما صغرت قيمة ($p$-value) واقتربت من الصفر، دل ذلك على أن البيانات المجمعة نادرة الحدوث وشديدة التنافر مع افتراض الفرض الصفر، مما يقدم دليلاً إمبريقياً قوياً يدفع الباحث نحو إسقاط هذا الفرض والتخلي عنه لصالح الفرضية البديلة.

5.2 تحديد مستوى الدلالة الإحصائية المعياري (Alpha)

يمثل مستوى الدلالة الإحصائية، ويرمز له بالحرف الإغريقي ألفا ($\alpha$)، العتبة الاحتمالية المحددة مسبقاً من قِبل الباحث قبل البدء في جمع البيانات أو تحليلها، والتي تعبر عن الحد الأقصى للمخاطرة أو الخطأ الذي يقبل الباحث تحمله عند اتخاذ قرار برفض الفرضية الصفرية وهي صحيحة في الواقع. يعود اختيار المستوى المعياري الشائع عالمياً ($\alpha = 0.05$) تاريخياً إلى اقتراح السير رونالد فيشر، والذي يترجم إلى قبول احتمال حدوث الخطأ بمعدل لا يتجاوز 5 مرات من بين كل 100 تجربة معادة تحت نفس الظروف.

تعتمد المفاضلة بين مستويات ألفا المختلفة على السياق العلمي وطبيعة المخاطر المترتبة على القرار؛ ففي البحوث الاستكشافية السلوكية قد يُكتفى بمستوى ($\alpha = 0.05$) للحفاظ على مرونة الاكتشاف وتشجيع النظريات الواعدة، بينما يُلزم الباحثون في الدراسات الطبية، والاختبارات الدوائية النفسية الحساسة، وجراحات الأعصاب بتبني مستويات أكثر صرامة وتحفظاً مثل ($\alpha = 0.01$) أو ($\alpha = 0.001$)، لتقليص احتمالية إقرار علاجات عديمة الجدوى أو ذات آثار جانبية خطيرة.

وعلاوة على ذلك، يبرز التحدي المنهجي عند إجراء اختبارات إحصائية متعددة على نفس مجموعة البيانات؛ حيث يتراكم معدل الخطأ الإجمالي ليتجاوز بكثير عتبة 5%. وفي هذه الحالات، تقتضي النزاهة العلمية تطبيق تعديلات إحصائية صارمة لخفض قيمة ألفا لكل اختبار منفرد، وأشهرها تصحيح بونفيروني (Bonferroni Correction)، الذي يُحسب بقسمة ألفا الكلية على عدد المقارنات المجراة ($\alpha_{\text{adjusted}} = \frac{\alpha}{k}$)، لضمان الحفاظ على معدل الخطأ الكلي ضمن الحدود المقبولة.

5.3 قاعدة اتخاذ القرار الإحصائي باستخدام p-value

توفر القيمة الاحتمالية قاعدة قرار رياضية مباشرة وموحدة عبر مختلف البرمجيات الإحصائية الحديثة (مثل SPSS, R, SAS, Python)، حيث تتم مقارنة قيمة ($p$) المحسوبة آلياً بمستوى الدلالة المعياري ($alpha$) الذي حدده الباحث سلفاً وفق القواعد الحاسمة التالية:

• حالة الرفض ($p \leq \alpha$): إذا كانت القيمة الاحتمالية المحسوبة أصغر من أو تساوي مستوى الدلالة (مثلاً $p = 0.012$ مقابل $\alpha = 0.05$)، يكون القرار الإحصائي هو: رفض الفرضية الصفرية ($H_0$)، وتفسير النتيجة بأنها “ذات دلالة إحصائية” (Statistically Significant)، مما يدعم الفرضية البديلة.
• حالة الفشل في الرفض ($p > \alpha$): إذا كانت القيمة الاحتمالية المحسوبة أكبر من مستوى الدلالة (مثلاً $p = 0.083$ مقابل $\alpha = 0.05$)، يكون القرار الإحصائي هو: الفشل في رفض الفرضية الصفرية، واعتبار النتيجة “غير دالة إحصائياً” لعدم كفاية الأدلة الداعمة للأثر.

يثور في الأدبيات المنهجية جدل واسع حول كيفية التعامل مع النتائج التي تقع على الحافة الحرجة، والتي يُطلق عليها اصطلاحاً “الدلالة الحدية” أو الاتجاه نحو الدلالة (Marginal Significance / Trend toward significance)، مثل الحصول على قيمة ($p = 0.054$). وتشدد التوجيهات الحديثة الصادرة عن الجمعيات العلمية على ضرورة الالتزام بالقواعد الثنائية الصارمة وعدم تجميل النتائج بعبارات مراوغة؛ فالنتيجة إما أن تتجاوز العتبة المقررة أو لا تتجاوزها، مع التوصية بالتركيز على مناقشة أحجام الأثر وفترات الثقة بدلاً من التحايل اللغوي على قيمة ($p$).

6. أخطاء اتخاذ القرار الإحصائي المرتبطة بالفرضية الصفرية

6.1 الخطأ من النوع الأول (Type I Error / Alpha)

يقع الباحث في الخطأ من النوع الأول (Type I Error)، والذي يُعرف بالرمز الإغريقي ($\alpha$)، عندما يتخذ قراراً خاطئاً بـ رفض الفرضية الصفرية في حين أنها في واقع الأمر صحيحة ومطابقة للحقيقة في المجتمع الإحصائي. يُطلق على هذا الخطأ في الأدبيات العلمية اسم “الإيجابية الكاذبة” (False Positive)، وهو ما يعادل في المحاكمات القضائية إدانة شخص بريء والحكم عليه بالعقوبة دون ذنب جناه.

تترتب على الوقوع في الخطأ من النوع الأول آثار مدمرة في السياقات الطبية والنفسية؛ فهو يعني أن المجتمع العلمي قد يتبنى برنامجاً علاجياً نفسياً غير فعال، أو يعتمد عقاراً دوائياً لا يختلف عن الماء المقطر، استناداً إلى نتائج عشوائية أظهرت تفوقاً زائفاً في تلك العينة المحددة. وهذا لا يهدر الموارد المالية والبشرية فحسب، بل قد يعرض المرضى لمخاطر غير مبررة ويحرمهم من البحث عن بدائل علاجية حقيقية.

للسيطرة على معدل الخطأ من النوع الأول، يتحكم الباحثون في قيمة ($\alpha$) ويجعلونها صغيرة قدر الإمكان، بالإضافة إلى استخدام تقنيات ضبط معدل الخطأ العائلي (Familywise Error Rate) في التجارب المعقدة ذات المقارنات المتعددة، وإجراء دراسات التكرار المباشر (Replication Studies) من قِبل فرق بحثية مستقلة للتحقق من أن الأثر المكتشف ليس مجرد صدفة عابرة قادت إلى إيجابية كاذبة.

6.2 الخطأ من النوع الثاني (Type II Error / Beta)

يحدث الخطأ من النوع الثاني (Type II Error)، والذي يُرمز لاحتمالية وقوعه بالحرف الإغريقي بيتا ($\beta$)، عندما ينتهي التحليل الإحصائي إلى الفشل في رفض الفرضية الصفرية على الرغم من أنها خاطئة في الواقع وأن هناك أثراً حقيقياً وملموساً في المجتمع. يُعرف هذا الخطأ باسم “السلبية الكاذبة” (False Negative)، ويقابل في التمثيل القضائي تبرئة مجرم حقيقي وإطلاق سراحه بسبب نقص الأدلة المقدمة في قاعة المحكمة.

يحمل الخطأ من النوع الثاني مخاطر جسيمة لا تقل خطورة عن النوع الأول، خاصة في ميادين التشخيص النفسي والطب الوقائي؛ إذ يعني أن دراسة سريرية قد تفشل في إثبات جدوى علاج ثوري وواعد للاكتئاب الحاد، مما يؤدي إلى وأد التدخل العلاجي وإهماله في مهده وحرمان ملايين المرضى من الاستفادة منه لمجرد أن التجربة افتقرت إلى الحجم الكافي من العينات الذي يمنحها الحساسية اللازمة لالتقاط هذا الأثر.

تتعدد العوامل التي تزيد من احتمالية الوقوع في الخطأ من النوع الثاني، ويأتي في مقدمتها صغر حجم العينة المدروسة (Small Sample Size)، واستخدام أدوات قياس واختبارات نفسية تعاني من ضعف الثبات والصدق وارتفاع التباين الخطئي، بالإضافة إلى المبالغة المفرطة في تشديد مستوى ألفا (كاستخدام $\alpha = 0.0001$)، مما يخلق جداراً منيعاً يعجز الأثر الحقيقي عن اختراقه ليظهر في نتائج التحليل.

6.3 العلاقة التبادلية والموازنة بين نوعي الخطأ

ترتبط احتمالية الوقوع في الخطأ من النوع الأول ($\alpha$) والخطأ من النوع الثاني ($\beta$) بعلاقة عكسية وتنافسية صارمة تشبه عمل الميزان ذي الكفتين؛ فعند ثبات حجم العينة والتصميم التجريبي، يؤدي أي خفض متعمد في قيمة ($\alpha$) لحماية البحث من الإيجابيات الكاذبة إلى دفع قيمة ($\beta$) نحو الارتفاع التلقائي، مما يرفع احتمالية الوقوع في السلبيات الكاذبة، والعكس صحيح تماماً.

تتطلب هذه المفاضلة الصفرية من الباحثين اتخاذ قرارات مبنية على دراسة عميقة لتكلفة كل نوع من أنواع الخطأ في السياق التطبيقي للدراسة. فإذا كان الباحث يختبر تقنية فحص استكشافية سريعة لمرض نفسي خطير قد يقود إلى الانتحار، فإن تكلفة الخطأ من النوع الثاني (إغفال مريض مصاب) تكون كارثية، وبالتالي يُفضل التسامح مع قيمة ألفا أعلى لتجنب تضييع الحالات. أما إذا كان الهدف هو اعتماد جراحة دماغية عالية الخطورة، فإن تكلفة الخطأ من النوع الأول (إجراء الجراحة بناءً على أثر وهمي) تكون هي الأشد فتكاً، مما يفرض تشديد ألفا إلى أقصى حد.

يوضح الجدول التالي مصفوفة القرارات الإحصائية الشاملة، مبيناً النتائج الأربعة الممكنة لاختبار الفرضية الصفرية بالتقاطع مع واقع الحال في المجتمع:

القرار الإحصائي المتخذ	واقع الحال الفعلي في المجتمع الإحصائي
	$H_0$ صحيحة فعلاً (لا يوجد أثر)	$H_0$ خاطئة فعلاً (يوجد أثر حقيقي)
رفض الفرضية الصفرية ($H_0$)	خطأ من النوع الأول (Type I Error) إيجابية كاذبة (الاحتمال = $\alpha$)	قرار سليم وصائب القوة الإحصائية (الاحتمال = $1 – beta$)
الفشل في رفض ($H_0$)	قرار سليم وصائب مستوى الثقة (الاحتمال = $1 – alpha$)	خطأ من النوع الثاني (Type II Error) سلبية كاذبة (الاحتمال = $\beta$)

7. القوة الإحصائية وحجم العينة في اختبار الفرضية الصفرية

7.1 مفهوم القوة الإحصائية (Statistical Power: 1 – Beta)

تُمثل القوة الإحصائية (Statistical Power) للاختبار، والتي تُعبر عنها رياضياً الصيغة ($1 – beta$)، احتمالية نجاح الباحث في رفض الفرضية الصفرية وإسقاطها بشكل صائب عندما تكون الفرضية الصفرية خاطئة بالفعل في مجتمع الدراسة. وبعبارة أخرى، تعكس القوة الإحصائية قدرة التصميم التجريبي والأداة الإحصائية على رصد وكشف التأثيرات والفروق الحقيقية ذات الوجود الفعلي وعدم إغفالها.

تعتبر الأدبيات السلوكية والمنهجية الحديثة أن الحد الأدنى المقبول والمعياري للقوة الإحصائية في الدراسات النفسية هو 0.80 (أي قدرة بنسبة 80% على اكتشاف الأثر الحقيقي إذا وُجد)، وهو المعيار التاريخي الذي اقترحه الإحصائي البارز جاكوب كوهين (Jacob Cohen). ويعني تحقيق قوة إحصائية قدرها 0.80 أن الباحث يقبل بنسبة خطأ من النوع الثاني قدرها ($\beta = 0.20$)، مما يجعل احتمالية اكتشاف الأثر تفوق احتمالية إغفاله بأربعة أضعاف.

إن إجراء دراسات تعاني من ضعف القوة الإحصائية (Underpowered Studies)، كأن تبلغ قوتها 0.40 أو أقل، يمثل إشكالية أخلاقية ومنهجية بالغة التعقيد في الأوساط الأكاديمية؛ فهذه الدراسات لا تُهدر فقط جهود الباحثين وتمويل المؤسسات، بل تؤدي إلى توليد تراكمات علمية مشوهة ومليئة بالنتائج المتناقضة التي تعيق تقدم التراكم النظري وتغذي أزمة إعادة الإنتاج العلمي.

7.2 العوامل المحددة للقوة الإحصائية

تتحدد القوة الإحصائية لأي اختبار لاختبار الفرضية الصفرية من خلال التفاعل الرياضي والديناميكي بين أربعة متغيرات أساسية مترابطة:

• حجم الأثر الحقيقي في المجتمع (True Effect Size): كلما كان التأثير الفعلي في الطبيعة كبيراً وواضحاً (مثل فرق شاسع بين متوسطين)، أصبح من السهل على الاختبار رصده وارتفعت القوة الإحصائية تبعاً لذلك؛ بينما تتطلب التأثيرات الدقيقة والصغيرة حساسية تجريبية أعلى بكثير.
• حجم العينة الإجمالي ($N$): يُعد حجم العينة المتغير الأكثر خضوعاً لسيطرة الباحث؛ حيث يؤدي جمع عدد أكبر من المفحوصين إلى تقليص الخطأ المعياري (Standard Error) وتضييق انتشار توزيع المعاينة، مما يزيد من قدرة الاختبار على عزل الأثر الحقيقي ورفع القوة الإحصائية بصورة جذرية.
• مستوى الدلالة المختار ($\alpha$): يؤدي التوسع في مستوى ألفا (مثلاً الانتقال من 0.01 إلى 0.05) إلى توسيع منطقة الرفض الحرجة، مما يجعل إسقاط الفرضية الصفرية أسهل ويرفع من القوة الإحصائية، وإن كان ذلك يأتي على حساب زيادة احتمالية الخطأ من النوع الأول.
• اتجاهية الفرضية والتباين الداخلي: تمنح الاختبارات أحادية الذيل قوة إحصائية أعلى في الاتجاه الموجه مقارنة بالاختبارات ثنائية الذيل لنفس مستوى ألفا. كما أن ضبط التباين الداخلي والخطأ التجريبي عبر استخدام تصاميم قياس متكررة أو مقاييس دقيقة يرفع القوة بشكل ملموس.

7.3 تحليل القوة القبلي (A Priori Power Analysis)

يمثل تحليل القوة الإحصائية القبلي (A Priori Power Analysis) الخطوة التخطيطية الإلزامية في التصميم التجريبي الرصين، والتي تُجرى قبل الشروع في جمع أي بيانات ميدانية. ويهدف هذا التحليل إلى تحديد حجم العينة الأدنى المطلوب بدقة لاكتشاف حجم أثر مفترض ومحدد نظرياً، عند مستوى ألفا معين وقوة إحصائية مرغوبة (تكون عادة 0.80 أو 0.90).

تعتمد الأبحاث النفسية المعاصرة على برمجيات إحصائية متخصصة لحساب القوة، وفي مقدمتها البرنامج المجاني واسع الشهرة عالمياً G*Power، الذي طورته جامعة هاينريش هاينه في دوسلدورف. يتيح البرنامج للباحث إدخال نوع الاختبار الإحصائي المخطط له (مثل اختبار $t$، أو تحليل التباين ANOVA، أو الانحدار المتعدد)، وتحديد حجم الأثر المتوقع استناداً إلى دراسات سابقة أو معايير كوهين، ليقوم البرنامج بحساب عدد المشاركين الواجب استقطابهم بدقة رياضية متناهية.

إن توثيق حسابات القوة القبلية في خطط البحوث ورسائل الماجستير والدكتوراه يجنب الباحثين الوقوع في فخ العينات العشوائية القائمة على التخمين، كما يمنع تعريض المفحوصين لإجراءات تجريبية مجهدة في دراسات محكوم عليها بالفشل الإحصائي مسبقاً لقلة أفرادها، أو هدر الموارد في جمع عينات ضخمة تتجاوز الحاجة الفعلية للاختبار العلمي.

8. حجم الأثر وفترات الثقة كبدائل ومكملات لرفض الفرضية الصفرية

8.1 قصور الاعتماد الحصري على رفض الفرضية الصفرية

شهدت العقود الأخيرة تصاعداً كبيراً في الانتقادات الموجهة للاعتماد المنفرد والمطلق على اختبار دلالة الفرضية الصفرية والتمسك الأعمى بالقيمة الاحتمالية ($p < 0.05$) كمعيار وحيد لجودة البحث العلمي. ويكمن القصور الأكبر لهذا النموذج في الحقيقة الرياضية التي تقضي بأن القيمة الاحتمالية دالة مشتركة لحجم الأثر وحجم العينة معاً ($p\text{-value} = f(\text{Effect Size} \times \text{Sample Size})$).

يترتب على هذه المعادلة أنه عند جمع عينات بالغة الضخامة (مئات الآلاف من المفحوصين)، تصبح حتى الفروق التافهة جداً، والارتباطات الهامشية التي لا تحمل أي مغزى إنساني أو علمي، “ذات دلالة إحصائية عالية جداً” مع قيم ($p < 0.001$). وعلى النقيض من ذلك، قد تفشل الدراسات ذات العينات المحدودة في رفض الفرضية الصفرية لأثر علاجي عملاق بسبب نقص القوة فقط، مما يولد ارتباكاً حاداً بين الدلالة الإحصائية الرقمية والدلالة العملية والسريرية الحقيقية.

استجابة لهذه الثغرات المنهجية، أصدرت جمعية علم النفس الأمريكية (American Psychological Association – APA) توصيات صارمة تُلزم كافة الباحثين بعدم الاكتفاء بالإبلاغ عن قيم ($p$) وقرارات رفض الفرض الصفر، بل تفرض إدراج مقاييس حجم الأثر وفترات الثقة كعنصرين أساسيين لاكتمال التقرير الإحصائي وتفسير النتائج بصورة متوازنة.

8.2 مقاييس حجم الأثر الشائعة في الأبحاث النفسية

يُعرّف حجم الأثر (Effect Size) بأنه مقياس كمي موحد ومستقل تماماً عن حجم العينة، يعبر عن المقدار المطلق أو النسبي للظاهرة المدروسة، أو قوة العلاقة بين المتغيرات في المجتمع. وتتعدد مؤشرات حجم الأثر بحسب طبيعة التحليلات الإحصائية المستخدمة:

• معامل كوهين د (Cohen’s $d$): يُستخدم لمقارنة الفروق بين متوسطي مجموعتين معبراً عنها بوحدات الانحراف المعياري المجمع ($s_{\text{pooled}}$). وصاغ كوهين معايير شهيرة لتفسيره في علم النفس: الأثر الصغير ($d = 0.20$)، والأثر المتوسط ($d = 0.50$)، والأثر الكبير ($d = 0.80$ فأعلى).
• مربع إيتا ومربع إيتا الجزئي ($\eta^2$ / $\eta_p^2$): يُستخدمان في تحليلات التباين (ANOVA) لتقدير النسبة المئوية من التباين في المتغير التابع التي يمكن عزوها وتفسيرها بالمتغير المستقل، إلى جانب معامل أوميغا المربع ($\omega^2$) الذي يقدم تقديراً أقل تحيزاً وأكثر دقة في العينات الصغيرة.
• معامل التحديد ($R^2$): يُستخدم في نماذج الانحدار الخطي المتعدد والارتباط لتحديد نسبة التباين المشترك بين منظومة المتغيرات التنبؤية والمتغير المعياري، مما يعكس القوة التفسيرية للنموذج المقترح.

8.3 فترات الثقة (Confidence Intervals) ودورها التفسيري

تمثل فترة الثقة (Confidence Interval – CI)، وبشكل خاص فترة الثقة 95% الأكثر استخداماً، مجالاً عددياً يحيط بالتقدير النقطي المحسوب من العينة (مثل الفرق بين المتوسطين)، ويحدد نطاق عدم اليقين المرتبط بالمعلمة الحقيقية لمجتمع الدراسة الأصلي. وتعني فترة الثقة 95% منهجياً أنه لو تكرر إجراء التجربة وسحب العينات عدداً كبيراً من المرات، فإن 95% من هذه الفترات المحسوبة ستحتوي بالفعل على المعلمة المجتمعية الحقيقية المجهولة.

ترتبط فترات الثقة بعلاقة رياضية ومباشرة باختبار الفرضية الصفرية ثنائي الذيل عند مستوى دلالة ($\alpha = 0.05$)؛ فإذا كانت فترة الثقة 95% للفرق بين المتوسطين لا تتضمن القيمة صفر (مثلاً: $95% text{ CI} [2.15, 6.85]$)، فإن هذا يكافئ تماماً رفض الفرضية الصفرية عند ($p < 0.05$). أما إذا امتدت الفترة لتشمل الصفر بين حدودها الدنيا والعليا (مثلاً: $95% text{ CI} [-1.20, 4.50]$)، فإن هذا يعني حتماً الفشل في رفض الفرضية الصفرية عند نفس المستوى.

تتفوق فترات الثقة جوهرياً على القيمة الاحتمالية الأحادية؛ لأنها لا تكتفي بالإجابة بـ “نعم أو لا” حول رفض الفرض الصفر، بل تقدم معلومات بصرية وكمية متكاملة تشمل: التقدير النقطي لأفضل تخمين لحجم الأثر، ومقدار الدقة في هذا التقدير (عرض الفترة)، بالإضافة إلى الحدود الدنيا والعليا للآثار الممكنة عملياً، مما يجعلها الأداة المثلى لصناع القرار والأطباء السريريين.

9. أمثلة تطبيقية تفصيلية لرفض واختبار الفرضية الصفرية في علم النفس

9.1 دراسة تجريبية: اختبار فعالية العلاج المعرفي السلوكي (CBT) للاكتئاب

لنفترض أن فريقاً من الباحثين الإكلينيكيين أراد اختبار فاعلية برنامج مطور للعلاج المعرفي السلوكي (CBT) مقارنة بمجموعة تلقت علاجاً وهمياً داعماً (Placebo Control) لدى عينة من مرضى الاكتئاب المتوسط. تم توزيع 60 مريضاً عشوائياً بالتساوي على المجموعتين ($n_1 = 30$, $n_2 = 30$)، واستُخدم مقياس بيك للاكتئاب (BDI-II) كأداة للقياس البعدي، حيث تشير الدرجات الأعلى إلى شدة أعراض الاكتئاب.

تتم الصياغة الرياضية للفرضيات الإحصائية قبل التجربة كالتالي:

• الفرضية الصفرية: $H_0: \mu_{\text{CBT}} = \mu_{\text{Placebo}}$ (لا توجد فروق في متوسط درجات الاكتئاب في المجتمع بين المجموعتين).
• الفرضية البديلة: $H_1: \mu_{\text{CBT}} < \mu_{\text{Placebo}}$ (تطبيق CBT يؤدي إلى متوسط درجات اكتئاب أدنى مقارنة بالعلاج الوهمي).

أظهرت النتائج البعدية أن متوسط درجات مجموعة العلاج المعرفي السلوكي بلغ ($\bar{X}_1 = 14.2, s_1 = 4.5$)، بينما بلغ متوسط مجموعة العلاج الوهمي ($\bar{X}_2 = 21.8, s_2 = 5.1$). وبإجراء اختبار “ت” للعينات المستقلة (Independent Samples t-test) مع درجات حرية ($df = 58$)، أظهرت الحسابات أن القيمة المحسوبة بلغت ($t = -6.12$) بقيمة احتمالية بالغة الصغر ($p < 0.001$). وبما أن القيمة الاحتمالية أصغر بكثير من مستوى ألفا المعياري ($\alpha = 0.05$)، تم اتخاذ القرار بـ رفض الفرضية الصفرية ($H_0$) ودعم الفرضية البديلة، مع حساب حجم أثر كبير جداً بلغ ($d = 1.58$)، مما يقدم دليلاً سريرياً وإحصائياً قاطعاً على نجاعة التدخل العلاجي.

9.2 دراسة ارتباطية: فحص العلاقة بين الإجهاد الأكاديمي وجودة النوم

في دراسة ارتباطية هدفت إلى تقييم العلاقة بين مستويات الإجهاد الفسيولوجي المتمثل في تركيز هرمون الكورتيزول اللعابي ومتوسط ساعات النوم العميق المقاسة عبر أجهزة التتبع البيومتري لدى 100 من طلبة الدراسات العليا، سعى الباحثون لاختبار ما إذا كان الإجهاد المرتفع يقترن بانخفاض ساعات النوم العميق.

تمت صياغة الفرضيات الإحصائية للاختبار كالتالي:

• الفرضية الصفرية: $H_0: \rho = 0$ (معامل الارتباط بين مستويات الكورتيزول وساعات النوم العميق في مجتمع الطلبة ينعدم تماماً).
• الفرضية البديلة: $H_1: \rho \neq 0$ (يوجد ارتباط دال إحصائياً بين المتغيرين).

أظهر تحليل البيانات المجمعة باستخدام معامل ارتباط بيرسون أن قيمة المعامل المحسوب هي ($r = -0.42$) مع قيمة احتمالية ($p = 0.0001$). وبمقارنة القيمة الاحتمالية بالمستوى المعتمد ($\alpha = 0.05$)، تقرر رفض الفرضية الصفرية والتأكيد على وجود علاقة ارتباطية سالبة دالة إحصائياً بين المتغيرين في مجتمع الدراسة، مع معامل تحديد ($R^2 = 0.176$)، مما يعني أن مستويات الإجهاد الفسيولوجي تفسر ما يقارب 17.6% من التباين الحاصل في جودة النوم العميق لدى الطلبة.

9.3 دراسة عاملية: تقييم التفاعل بين نوع التدريب والبيئة التعليمية

صُممت دراسة تجريبية عاملية من نوع ($2 times 2$ Factorial Design) لفحص تأثير نوع التدريب المعرفي (تدريب الذاكرة العاملة مقابل تدريب الانتباه) وطبيعة البيئة التعليمية (بيئة هادئة تقليدية مقابل بيئة رقمية مليئة بالمشتتات) على سرعة المعالجة المعرفية لدى عينة مكونة من 120 مشاركاً موزعين بالتساوي على الخلايا الأربع ($n = 30$ لكل خلية).

يتطلب هذا التصميم صياغة ثلاثة فروض صفرية مستقلة لاختبار التأثيرات الأساسية وتأثير التفاعل:

• الفرضية الصفرية للتأثير الأساسي لنوع التدريب ($H_{01}$): لا توجد فروق في سرعة المعالجة تعزى لنوع التدريب المعرفي المستقل.
• الفرضية الصفرية للتأثير الأساسي للبيئة ($H_{02}$): لا توجد فروق في سرعة المعالجة تعزى لطبيعة البيئة التعليمية.
• الفرضية الصفرية لتأثير التفاعل ($H_{03}$): لا يوجد تفاعل دال إحصائياً بين نوع التدريب والبيئة التعليمية ($H_0: (\alpha\beta)_{ij} = 0$).

أظهرت نتائج تحليل التباين الثنائي (Two-Way ANOVA) ما يلي:

• التأثير الأساسي لنوع التدريب: $F(1, 116) = 1.12, p = 0.292$ (القرار: الفشل في رفض $H_{01}$ لعدم وجود فرق دال).
• التأثير الأساسي للبيئة: $F(1, 116) = 14.85, p < 0.001, \eta_p^2 = 0.113$ (القرار: رفض $H_{02}$ لصالح البيئة الهادئة).
• تأثير التفاعل المشترك: $F(1, 116) = 8.42, p = 0.004, \eta_p^2 = 0.068$ (القرار: رفض $H_{03}$).

توضح هذه النتيجة المركبة سيناريو منهجياً بالغ الأهمية؛ حيث أدى رفض فرضية التفاعل ($H_{03}$) إلى الكشف عن أن فعالية نوع التدريب المعرفي ليست مطلقة، بل تعتمد جوهرياً على طبيعة البيئة التي يُمارس فيها؛ فتدريب الانتباه تفوق بوضوح داخل البيئة المشتتة، بينما تفوق تدريب الذاكرة في البيئة الهادئة، مما يبرز دور اختبارات الفروض المتعددة في تشريح العلاقات النفسية المعقدة.

10. الانتقادات المنهجية المعاصرة لاختبار دلالة الفرضية الصفرية (NHST)

10.1 مشكلة الفرضية الصفرية التافهة أو الصارمة (Nil-Hypothesis)

من أعمق الانتقادات الإبستمولوجية الموجهة لاختبار الفرضية الصفرية ما طرحه علماء القياس مثل بول ميل (Paul Meehl) وجيكوب كوهين حول عدم واقعية ما يُعرف بـ “الفرضية الصفرية الصارمة أو التافهة” (The Nil Hypothesis). تنص هذه الفرضية على أن الفرق في المعلمة المجتمعية يساوي صفراً تاماً ومطلقاً ($\mu_1 – \mu_2 = 0.0000dots$).

يرى النقاد أن هذا الافتراض مستحيل التحقق في النظم البيولوجية والسلوكية المعقدة؛ فكل متغير نفسي يرتبط بدرجة ما بكافة المتغيرات الأخرى في شبكة سببية هائلة لا نهائية تُعرف بنظرية “التشويش الخام” (Crud Factor). وعليه، فإن الفرضية الصفرية الصارمة هي فرضية كاذبة وخاطئة حتماً قبل بدء التجربة حتى في غياب أي تدخل حقيقي.

ونتيجة لذلك، فإن أي باحث يقوم بجمع بيانات ضخمة (Big Data) سيصل بصورة حتمية إلى رفض الفرضية الصفرية ونيل دلالة إحصائية زائفة، ليس لنجاح نظريته، بل لأن الحجم الهائل للبيانات منح الاختبار حساسية لكشف ذلك التشويش الطفيف غير المفيد. وقد قاد هذا الإدراك إلى ظهور دعوات متزايدة لتبني “اختبارات التكافؤ” (Equivalence Testing) التي تختبر ما إذا كان الأثر يقع داخل نطاق محدد ذي مغزى سريري، بدلاً من مقارنته بنقطة الصفر المجردة.

10.2 أزمة التكرار وإساءة استخدام الصيد الإحصائي (p-hacking)

ارتبط اختبار الفرضية الصفرية بظاهرة أزمة التكرار وإعادة الإنتاج (Replication Crisis) التي هزت أركان العلوم النفسية في العقد الأخير؛ حيث أدى الضغط الأكاديمي المفروض على الباحثين لنشر نتائج تدعم نظرياتهم إلى انتشار ممارسات بحثية ملتوية تُعرف إجمالاً بـ الصيد الإحصائي أو قرصنة الدلالة (p-hacking / Data Dredging).

تشمل هذه الممارسات المشبوهة التوقف عن جمع البيانات فور هبوط قيمة ($p$) تحت عتبة 0.05، أو استبعاد بعض المشاركين والمشاهدات المتطرفة بشكل انتقائي وغير مبرر، أو تجربة تحويلات رياضية متعددة للبيانات واختيار التحليل الذي يُسقط الفرضية الصفرية قسراً مع إخفاء باقي التحليلات الفاشلة. يُضاف إلى ذلك ظاهرة “انحياز النشر” (Publication Bias / File-Drawer Effect)؛ حيث تميل المجلات المحكمة لرفض الأبحاث التي فشلت في إسقاط$H_0$، مما يجعل الأدبيات المنشورة تعج بإيجابيات كاذبة مضللة.

أدت هذه التشوهات إلى عجز المجتمع العلمي عن تكرار نتائج دراسات نفسية كلاسيكية وتجريبية شهيرة عند إعادة تطبيقها بمعايير صارمة وعينات واسعة، مما دفع المؤسسات العلمية والجامعات الكبرى إلى مراجعة شاملة لبروتوكولات التحليل الإحصائي وتدريس مناهج البحث السلوكي.

10.3 الإصلاحات المؤسسية: التسجيل المسبق للأبحاث (Preregistration)

لمواجهة أزمة التكرار وتحييد التلاعب باختبارات الفرضية الصفرية، تبنت الدوريات العلمية الرائدة حركة إصلاحية مؤسسية واسعة تُعرف بـ التسجيل المسبق للأبحاث (Study Preregistration) عبر منصات علمية مفتوحة وموثوقة مثل مركز العلوم المفتوحة (Open Science Framework – OSF).

يقوم الباحث في هذا النموذج بتسجيل خطة بحثه وتفاصيل فرضياته الصفرية والبديلة، وحجم العينة المستهدف بناءً على تحليل القوة، وخطة التحليلات الإحصائية المعتمدة حرفياً قبل الشروع في جمع أي بيانات ميدانية. ويُسهم هذا التوثيق الزمني في إقامة جدار فصل صارم بين التحليلات الاستكشافية الحرة والتحليلات التأكيدية المحددة مسبقاً، مما يمنع الباحث من تعديل فروضه لاحقاً لتلائم البيانات المجمعة (ما يعرف بـ HARKing: Hypothesizing After the Results are Known).

تُوِّجت هذه الحركة بظهور نموذج النشر الثوري المعروف بـ المقالات المسجلة (Registered Reports)، حيث يتم تحكيم وقبول خطة البحث ومنهجيتها إحصائياً قبل تنفيذ التجربة والحصول على “قبول مبدئي للنشر”، مما يضمن نشر الورقة البحثية بغض النظر عما إذا انتهت النتائج إلى رفض الفرضية الصفرية أو الفشل في رفضها، طالما تم الالتزام بالبروتوكول المنهجي بدقة، مما يقضي جذرياً على انحياز النشر.

11. المنظور البايزي كبديل لاختبار الفرضية الصفرية الكلاسيكي

11.1 الفروق الفلسفية بين الإحصاء التكراري (Frequentist) والبايزي (Bayesian)

يقدم الإحصاء البايزي (Bayesian Statistics) بديلاً ابستمولوجياً جذرياً للمدرسة التكرارية الكلاسيكية (Frequentist Approach) التي تستند إليها اختبارات الفرضية الصفرية التقليدية. يكمن التمايز الأكبر في تعريف مفهوم الاحتمال نفسه؛ فبينما يرى الإحصاء التكراري الاحتمال كتكرار نسبي لحدث ما على المدى الطويل في تجارب متماثلة لا نهائية، يرى المنظور البايزي الاحتمال كـ درجة من درجات الاعتقاد الذاتي العقلاني واليقين المعرفي (Degree of Belief) في ضوء المعلومات المتاحة.

ينعكس هذا التباين على كيفية التعامل مع معلمات المجتمع الإحصائي؛ فالمنهج التكراري يتعامل مع المعلمة (مثل الفرق الحقيقي بين المتوسطات $\mu_1 – \mu_2$) كثابت مجهول غير عشوائي، بينما يعتبر البيانات المجمعة متغيراً عشوائياً. في المقابل، يقلب الإحصاء البايزي هذه المعادلة تماماً، حيث يعتبر البيانات الملاحظة حقائق ثابتة ومقاسة، في حين يتعامل مع المعلمات المجتمعية المجهولة كمتغيرات عشوائية احتمالية تمتلك توزيعات معينة.

تتم عملية الاستدلال البايزي من خلال تحديث المعرفة القبلية للباحث حول الظاهرة، والمتمثلة في “التوزيع الاحتمالي القبلي” (Prior Probability Distribution)، بدمجها مع البيانات الفعلية للتجربة المعبر عنها بـ “دالة الإمكان” (Likelihood Function)، للوصول في النهاية إلى “التوزيع الاحتمالي البعدي” (Posterior Probability Distribution) وفق مبرهنة بايز الشهيرة، مما يمنح الباحث تقييماً مباشراً لاحتمالية صحة الفرضيات بناءً على المعطيات.

11.2 عامل بايز (Bayes Factor – BF01 / BF10)

يمثل عامل بايز (Bayes Factor – $BF$) الأداة المركزية في المقارنة واختبار الفروض ضمن الإطار البايزي، وهو يعبر عن النسبة بين قوة الأدلة النسبية التي تقدمها البيانات المجمعة لصالح إحدى الفرضيتين بالمقارنة مع الفرضية الأخرى. ويُرمز له بـ ($BF_{10}$) عندما يقيس الدعم الموجه لصالح الفرضية البديلة مقارنة بالصفرية، أو ($BF_{01}$) عندما يقيس الدعم الموجه لصالح الفرضية الصفرية مقارنة بالبديلة ($BF_{01} = \frac{1}{BF_{10}}$).

تتمثل الميزة الاستثنائية والفريدة لعامل بايز في قدرته الرياضية المباشرة على تقديم دعم كمي مؤكد لصالح الفرضية الصفرية (Quantifying Evidence for $H_0$)؛ وهو ما يعجز عنه الإحصاء التكراري تماماً الذي يقتصر على “الفشل في الرفض”. فعندما تظهر الحسابات أن ($BF_{01} = 10$)، فإن هذا يعني أن البيانات المرصودة أكثر ترجيحاً وتوافقاً بعشر مرات تحت مظلة الفرضية الصفرية مقارنة بالفرضية البديلة.

وضع علماء الإحصاء البايزي، مثل هارولد جيفريز (Harold Jeffreys)، معايير قياسية لتفسير قيم عامل بايز ($BF_{10}$) على النحو الآتي:

• من 1 إلى 3: أدلة ضعيفة وغير حاسمة تكاد لا ترقى لتغيير المعتقدات السابقة (Anecdotal / Inconclusive evidence).
• من 3 إلى 10: أدلة معتدلة ومقبولة لصالح الفرضية البديلة (Moderate evidence).
• من 10 إلى 30: أدلة قوية وذات دلالة واضحة (Strong evidence).
• من 30 إلى 100: أدلة قوية جداً ترجح الفرضية بشكل جازم (Very Strong evidence).
• أكبر من 100: أدلة حاسمة وقاطعة لا تقبل الشك المنطقي (Decisive evidence).

11.3 مزايا التحليل البايزي في الأبحاث السريرية والنفسية

يوفر التحليل البايزي مرونة منهجية هائلة للأبحاث السريرية والنفسية المعقدة؛ إذ يتيح للباحثين مراقبة البيانات بصورة تراكمية ومستمرة أثناء تدفقها في التجارب السريرية وإيقاف التجربة فور الوصول إلى عتبة أدلة كافية تدعم نجاح العلاج أو فشله، وذلك دون الوقوع في معضلة تضخم أخطاء النوع الأول التي تشل المنهج التكراري عند إجراء المعاينات المتكررة.

كما يقدم الإطار البايزي مخرجات لغوية ورقمية ذات تفسير بديهي وواضح للأطباء، والممارسين النفسيين، وصناع القرار السياسي والصحي الذين لا يمتلكون خلفيات رياضية متعمقة؛ فالطبيب يستطيع فهم عبارة “هناك احتمال بنسبة 94% أن الدواء الجديد يخفض أعراض الهلع” (مستمدة من التوزيع البعدي البايزي)، في حين يصعب عليه استيعاب التعقيدات الالتفافية للقيمة الاحتمالية التكرارية.

علاوة على ذلك، يتيح المنهج البايزي الاستفادة الكاملة من التراكم المعرفي السابق في الأدبيات؛ حيث يمكن نمذجة نتائج دراسات التحليل التلوي (Meta-analyses) السابقة وتضمينها رياضياً كمعلومات قبلية في التوزيع القبلي للدراسة الحديثة، مما يجعل البحث الجديد لبنة عضوية مكملة للتراث العلمي بدلاً من البدء في كل مرة من الصفر المطلق وكأن التجربة تُجرى بمعزل عن التاريخ البشري.

12. دليل إرشادي عملي لكتابة وتفسير الفرضية الصفرية وفق معايير APA

12.1 كيفية صياغة الفرضيات الصفرية بوضوح في خطة البحث

تتطلب الكتابة الأكاديمية الرصينة وفق الدليل التوجيهي لجمعية علم النفس الأمريكية (APA Publication Manual – 7th Edition) صياغة الفرضيات الصفرية في خطط ومشاريع البحوث بصورة إجرائية محكمة، تربط بصورة لا تقبل التأويل بين المشكلة البحثية النظرية، والمتغيرات المستقلة والتابعة، والأدوات المستخدمة في القياس.

يجب على الباحث تجنب الصياغات الإنشائية المبهمة أو الفضفاضة، مثل القول: “توجد فروق بين الطلاب في القياسات”، والاستعاضة عنها بصياغات كمية منضبطة مثل: “تنص الفرضية الصفرية ($H_0$) على عدم وجود فروق ذات دلالة إحصائية عند مستوى دلالة ($\alpha = 0.05$) بين متوسط درجات المجموعة التجريبية ومتوسط درجات المجموعة الضابطة على مقياس مهارات حل المشكلات المعرفي”.

كما ينبغي التحقق التام من أن كافة المتغيرات المذكورة في الفرضية تمتلك تعريفات إجرائية واضحة وقابلة للقياس الكمي المباشر عبر أدوات مقننة وموثوقة؛ فالفرضية الإحصائية التي تعجز أدوات الدراسة عن قياسها تجريبياً تُعد فرضية فاسدة منهجياً تخل بسلامة البناء الاستدلالي للبحث بأكمله.

12.2 قواعد توثيق نتائج الاختبار الإحصائي في متن التقرير

تضع جمعية علم النفس الأمريكية قواعد صارمة وموحدة لتوثيق مخرجات اختبارات الفروض في متن التقارير والأبحاث المنشورة. وتفرض هذه المعايير تقديم منظومة معلومات متكاملة تشمل: الإحصاء الاختباري بنمطه المائل، ودرجات الحرية بين قوسين، والقيمة المحسوبة بدقة، والقيمة الاحتمالية الدقيقة، وحجم الأثر المقترن، وفترات الثقة.

فيما يلي أمثلة قياسية لكيفية توثيق الاختبارات الإحصائية الشائعة لرفض أو عدم رفض الفرضية الصفرية وفق معايير APA 7th:

• اختبار “ت” للعينات المستقلة (Independent $t$-test):
  رفض الفرضية الصفرية: أظهرت النتائج وجود فروق دالة إحصائياً بين المجموعتين، $t(58) = 4.32, p < .001, d = 1.12, 95% \text{ CI } [1.85, 5.14]$.
  الفشل في رفض الفرضية الصفرية: لم تظهر النتائج فروقاً دالة إحصائياً بين المجموعتين، $t(58) = 1.15, p = .255, d = 0.30, 95% \text{ CI } [-0.85, 3.15]$.
• تحليل التباين الأحادي (One-Way ANOVA):
  أظهرت النتائج تأثيراً دالاً إحصائياً لنوع المعالجة، $F(2, 87) = 6.45, p = .002, \eta_p^2 = .129$.
• معامل ارتباط بيرسون (Pearson Correlation):
  أظهرت البيانات وجود ارتباط طردي دال إحصائياً بين المتغيرين، $r(98) = .38, p < .001, 95% \text{ CI } [.20, .54]$.
• اختبار استقلالية مربع كاي ($\chi^2$ Test):
  أشارت النتائج إلى وجود علاقة اقتران دالة بين الفئات، $\chi^2(2, N = 150) = 8.74, p = .013, V = .24$.

تؤكد المعايير الحديثة على ضرورة كتابة القيمة الاحتمالية الدقيقة حتى ثلاثة منازل عشرية (مثل: $p = .024$ أو $p = .081$) بدلاً من استخدام التعبيرات العامة القديمة مثل ($p < .05$) أو ($p = \text{NS}$)، مع استثناء القيم البالغة الصغر التي تكتب بصيغة ($p < .001$). كما يجب حذف الصفر الذي يسبق الفاصلة العشرية في القيم التي لا يمكن رياضياً أن تتجاوز الواحد الصحيح (مثل $p$,$r$,$R^2$,$eta^2$).

12.3 قائمة مراجعة نقدية (Checklist) للباحث النفسي قبل اعتماد القرار الإحصائي

قبل أن يُقدم الباحث النفسي أو التربوي على صياغة القرار النهائي برفض الفرضية الصفرية أو الفشل في رفضها، يتعين عليه المرور عبر قائمة المراجعة النقدية التالية لضمان سلامة الاستنتاج:

• فحص الاستيفاء التام للافتراضات الإحصائية (Statistical Assumptions): التحقق من التوزيع الطبيعي للبيانات (Normality) عبر اختبار شابيرو-ويلك، والتحقق من تجانس التباين (Homogeneity of Variance) عبر اختبار ليفين، واستقلال المشاهدات، قبل الوثوق في قيم المعاملات البارامترية.
• التأكد من كفاية القوة الإحصائية المحققة: مراجعة حجم العينة المستخدم للتأكد من أن الاختبار كان يمتلك القوة الكافية ($1 – beta geq 0.80$) لرصد الأثر وتجنب الوقوع في خطأ السلبية الكاذبة.
• التكامل بين الدلالة الإحصائية وحجم الأثر: عدم الانخداع بالقيمة الاحتمالية الصغيرة الناتجة عن العينات الكبيرة، وتقييم حجم الأثر ($d, \eta^2$) لتحديد الأهمية العملية والتطبيقية للنتيجة.
• فحص فترات الثقة: التأكد من دقة التقدير وعرض الفترة، وملاحظة ما إذا كانت الحدود تقترب من القيم الصفرية أو التافهة.
• الموضوعية وتجنب المبالغة في التعميم: الالتزام بحدود مجتمع الدراسة وعدم تعميم قرار رفض $H_0$ خارج السياقات المحددة بالعينة والتصميم المستخدم.

خاتمة

تمثل الفرضية الصفرية حجر الزاوية الذي يستند إليه صرح الاستدلال العلمي في الإحصاء المعاصر وتطبيقاته في العلوم النفسية والسلوكية. إنها تجسيد منهجي متقن للمنطق الشكوكي الرصين ومبدأ القابلية للتكذيب، حيث تلزم الباحث بافتراض الحياد وغياب الأثر كمعيار أولي، ولا تسمح له بالادعاء بوجود اكتشاف علمي أو فاعلية علاجية إلا بعد تقديم براهين تجريبية دامغة تتجاوز حاجز الصدفة والخطأ المعاين وفق موازين احتمالية صارمة.

وقد أوضح هذا المقال أن الممارسة الإحصائية المتقدمة لا ينبغي أن تختزل في اتخاذ قرارات ثنائية ميكانيكية تستند حصراً إلى القيمة الاحتمالية وعتبة ($\alpha = 0.05$) الكلاسيكية. فالنضج المنهجي المعاصر يقتضي دمج نتائج رفض أو عدم رفض الفرض الصفر مع تقديرات دقيقة لحجم الأثر، وفترات الثقة، وتحليلات القوة الإحصائية القبلية، مع الانفتاح على البدائل الإبستمولوجية الواعدة كالإحصاء البايزي والالتزام بمبادئ العلوم المفتوحة والتسجيل المسبق للأبحاث.

إن الفهم العميق للفرضية الصفرية وأسسها الرياضية والمنطقية يمنح الباحثين والأكاديميين الحصانة ضد الانحيازات التأكيدية والممارسات الملتوية كالصيد الإحصائي، مما يضمن في نهاية المطاف تعزيز النزاهة العلمية، وتجاوز أزمة التكرار، والارتقاء بجودة وتراكمية المعرفة السلوكية والطبية لخدمة الإنسانية جمعاء.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cohen, J. (1994). The earth is round ($p < .05$). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066X.49.12.997
• Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
• Fisher, R. A. (1935). The design of experiments. Oliver and Boyd.
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
• Meehl, P. E. (1978). Theoretical risks and tabular asterisks: Sir Karl, Sir Ronald, and the slow progress of soft psychology. Journal of Consulting and Clinical Psychology, 46(4), 806–834. https://doi.org/10.1037/0022-006X.46.4.806
• Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289–337. https://doi.org/10.1098/rsta.1933.0009
• Popper, K. (1959). The logic of scientific discovery. Routledge.
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366. https://doi.org/10.1177/0956797611417632
• Wagenmakers, E. J., Love, J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., … & Morey, R. D. (2018). Bayesian inference for psychology. Part II: Example applications with JASP. Psychonomic Bulletin & Review, 25(1), 58–76. https://doi.org/10.3758/s13423-017-1323-7
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108