نظرة عامة ومثال على تحليل التباين الأحادي

يُعد التحليل الإحصائي حجر الزاوية الذي تستند إليه الأبحاث التجريبية والكمية في شتى الميادين العلمية، وتحديداً في العلوم النفسية، والاجتماعية، والسلوكية، والطبية. فعندما يسعى الباحث إلى اختبار الفرضيات العلمية المتعلقة بتأثير متغير مستقل تصنيفي على متغير تابع كمي، يجد نفسه أمام ضرورة منهجية لاختيار الأداة الإحصائية الأكثر كفاءة وملاءمة لطبيعة التصميم التجريبي. ومن بين الترسانة الواسعة من الاختبارات الاستدلالية المعلمية (Parametric Inferential Tests)، يبرز تحليل التباين الأحادي—المعروف اختصاراً بـ One-Way ANOVA—كواحد من أقوى النماذج الرياضية وأكثرها استخداماً لتقييم الفروق الجوهرية بين متوسطات عدة مجموعات مستقلة في آن واحد.

تكمن العبقرية الرياضية لهذا التحليل في تجاوزه للقيود الجوهرية التي تفرضها الاختبارات الثنائية التقليدية؛ إذ يتيح للباحثين فحص تأثير معالجة تجريبية تتضمن ثلاثة مستويات أو أكثر دون الوقوع في مأزق تضخم الخطأ الإحصائي التراكمي. وبدلاً من الاكتفاء بمقارنة المتوسطات بشكل مباشر وسطحي، يغوص هذا النموذج في البنية العميقة للبيانات عبر تجزئة التباين الكلي إلى مكوناته الأساسية، مميزاً بدقة فائقة بين التباين المنسوب إلى التدخل التجريبي الفعلي والتباين الناتج عن الأخطاء العشوائية والفروق الفردية غير المفسرة. هذا المنطق التحليلي لا يوفر فقط اختباراً شاملاً للفرضيات، بل يؤسس أيضاً لفهم ديناميكي للعلاقات السببية والتنبؤية بين المتغيرات.

يهدف هذا المرجع الشامل إلى تقديم تفكيك نظري، ورياضي، وتطبيقي متكامل لاختبار تحليل التباين الأحادي. سنستعرض عبر محاوره المختلفة الجذور التاريخية والفلسفية للاختبار، والافتراضات المنهجية الصارمة التي تضمن صدق نتائجه، بالإضافة إلى المعادلات الرياضية والخطوات الحسابية الدقيقة لتفكيك التباين واحتساب النسبة الفائية. كما سنغطي بالتفصيل كيفية التعامل مع المقارنات البعدية، وحساب حجم التأثير والقوة الإحصائية، وصولاً إلى استعراض مثال تطبيقي إكلينيكي كامل في ميدان علم النفس السريري، وتوضيح آليات تنفيذ التحليل عبر البرمجيات الإحصائية وتوثيقه وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7).

1. مدخل مفاهيمي ونظري إلى تحليل التباين الأحادي (One-Way ANOVA)

1.1 تعريف تحليل التباين الأحادي وسياقه التاريخي والرياضي

تحليل التباين الأحادي هو اختبار إحصائي استدلالي معلمي يُستخدم لمقارنة متوسطات ثلاث مجموعات مستقلة أو أكثر لمتغير تابع كمي متصل، بهدف تحديد ما إذا كانت هناك أدلة إحصائية كافية تثبت أن هذه المتوسطات تختلف عن بعضها البعض بصورة جوهرية لا يمكن عزوها إلى الصدفة وحدها. يعود الفضل في تأصيل وتطوير هذا الصرح الرياضي إلى عالم الإحصاء والجينات البريطاني السير رونالد فيشر (Ronald A. Fisher) خلال عشرينيات القرن العشرين، حيث نشأ المفهوم لأول مرة في سياق التجارب الزراعية لتحديد تأثير أنواع مختلفة من الأسمدة والمعاملات الزراعية على إنتاجية المحاصيل، وسرعان ما تم تعميمه ليصبح ركيزة أساسية في كافة العلوم التجريبية.

تأتي تسمية “الأحادي” (One-Way) للدلالة الحصرية على وجود متغير مستقل تصنيفي واحد فقط (Factor)، بغض النظر عن عدد المستويات أو المجموعات التجريبية التي يتضمنها هذا العامل ($k ge 3$). وفي حين يُستخدم اختبار “ت” للعينات المستقلة (Independent Samples t-test) عندما يكون لدينا مستويان فقط للمتغير المستقل، فإن تحليل التباين يمثل التعميم الرياضي المباشر لاختبار “ت”؛ حيث إن مربع قيمة $t$ لمقارنة مجموعتين يتطابق رياضياً مع قيمة $F$ الناتجة عن تحليل التباين لنفس البيانات ($F = t^2$). ومع ذلك، يتفوق تحليل التباين بقدرته الرياضية على معالجة التصاميم المعقدة التي تشمل مستويات تجريبية متعددة بكفاءة استدلالية واحدة وموحدة.

1.2 أهمية تحليل التباين في البحث النفسي والعلوم السلوكية

تحتل العلوم النفسية والسلوكية موقعاً متقدماً في الاستفادة من اختبار تحليل التباين الأحادي، نظراً لأن الظواهر النفسية نادراً ما تقتصر على ثنائية المقارنة. فعند دراسة الفعالية الإكلينيكية للعلاجات النفسية، لا يكتفي الباحث بمقارنة مجموعة علاجية بمجموعة ضابطة، بل يمتد التصميم ليشمل مقارنة العلاج المعرفي السلوكي (CBT)، بالعلاج بالقبول والالتزام (ACT)، بالعلاج الدوائي، مع إدراج مجموعة قائمة الانتظار أو الدواء الوهمي كضوابط منهجية. يتيح تحليل التباين للباحثين تقييم ما إذا كان نوع التدخل النفسي يحدث فارقاً حقيقياً في شدة الأعراض الاكتئابية أو مستويات القلق.

علاوة على ذلك، يبرز الاختبار كأداة لا غنى عنها في دراسة الفروق النمائية والاجتماعية عبر فئات عمرية متعددة (مثل: المراهقين، والبالغين، وكبار السن) أو تصنيفات الشخصية المختلفة، مما يتيح فحص التمايزات في مستويات الصمود النفسي، والذاكرة العاملة، والرضا الوظيفي. إن القدرة على تطبيق تحليل التباين تمنح الباحثين النفسيين ضبطاً منهجياً صارماً يقلل من التحيزات، ويسمح بالتعامل مع التصاميم متعددة المستويات في التجارب المعملية والميدانية بدقة تفوق أي محاولات تجزيئية عبر المقارنات الثنائية المنفصلة.

1.3 مشكلة تضخم الخطأ من النوع الأول (Type I Error Inflation)

يواجه الباحثون مأزقاً إحصائياً خطيراً عند محاولة مقارنة أكثر من مجموعتين باستخدام اختبارات “ت” المتكررة للعينات المستقلة. يكمن هذا المأزق في ظاهرة “تراكم الخطأ عبر عائلة المقارنات” والمعروفة إحصائياً بـ Familywise Error Rate (FWER). فعند تثبيت مستوى الدلالة الإحصائية ($\alpha$) عند القيمة المعيارية $0.05$ لكل اختبار منفرد، فإن احتمالية عدم ارتكاب خطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة) في اختبار واحد هي $(1 – \alpha) = 0.95$. ولكن عند تكرار المقارنات، تتضاءل احتمالية النجاة من الخطأ في جميع الاختبارات معاً.

تتحدد احتمالية ارتكاب خطأ واحد على الأقل من النوع الأول عبر العائلة الإجمالية للمقارنات الرياضية بالمعادلة الآتية:

$$\alpha_{FW} = 1 – (1 – \alpha)^c$$

حيث تمثل $c$ عدد المقارنات الثنائية الممكنة بين المجموعات وتُحسب وفق توافيق المجموعات: $c = \frac{k(k – 1)}{2}$. فإذا كان لدينا تصميم تجريبي يتضمن $4$ مجموعات علاجية، فإن عدد المقارنات الثنائية هو $c = \frac{4(3)}{2} = 6$ مقارنات. وبتطبيق المعادلة، نجد أن مستوى الخطأ التراكمي الفعلي يصل إلى:

$$\alpha_{FW} = 1 – (1 – 0.05)^6 = 1 – (0.95)^6 \approx 1 – 0.735 = 0.265$$

وهذا يعني أن احتمالية الوقوع في استنتاج خاطئ بوجود فروق ذات دلالة إحصائية قفزت من $5%$ إلى $26.5%$. هنا تبرز الضرورة المنهجية لتحليل التباين الأحادي كـ “اختبار شامل” (Omnibus Test) يحمي الباحث من هذا التضخم؛ حيث يفحص الفرضية العامة بوجود فروق بين أي من المتوسطات في خطوة تحليلية واحدة ومضبوطة بدقة عند مستوى $\alpha = 0.05$.

2. الأسس الرياضية والفلسفة الإحصائية لاختبار التباين

2.1 تفكيك التباين الكلي (Partitioning of Total Variance)

تقوم الفلسفة الرياضية لتحليل التباين على مبدأ تجزئة وتفكيك التباين الكلي الملاحظ في درجات أفراد العينة إلى مكونين رئيسيين مستقلين. يعبر التباين الكلي (Total Variance) عن مدى تشتت كافة الدرجات الفردية حول المتوسط الحسابي العام لجميع المشاركين في الدراسة، بغض النظر عن المجموعات التي ينتمون إليها. يتم تفكيك هذا التباين إلى:

• التباين بين المجموعات (Between-Group Variance): ويعكس مقدار الاختلاف والتشتت بين متوسطات المجموعات التجريبية والمتوسط الحسابي العام. ينشأ هذا التباين من مصدرين: الأثر التجريبي الحقيقي للتدخل أو المتغير المستقل (Treatment Effect)، بالإضافة إلى جزء من التباين العشوائي.
• التباين داخل المجموعات (Within-Group Variance): ويقيس مقدار تشتت درجات الأفراد داخل كل مجموعة حول المتوسط الخاص بمجموعتهم. وبما أن جميع أفراد المجموعة الواحدة يخضعون لنفس الشروط التجريبية، فإن هذا التباين يعكس حصراً الخطأ العشوائي غير المفسر (Random Error) الناتج عن الفروق الفردية الفطرية وأخطاء القياس.

رياضياً، يستند هذا التفكيك إلى النموذج الخطي العام (General Linear Model)، حيث يمكن التعبير عن درجة أي فرد ($Y_{ij}$) يمثل الفرد رقم $i$ في المجموعة رقم $j$ بالمعادلة التالية:

$$Y_{ij} = \mu + \alpha_j + \varepsilon_{ij}$$

حيث تمثل $\mu$ المتوسط الحسابي العام للمجتمع، و$\alpha_j$ هو الأثر الخاص بالمجموعة أو المعالجة التجريبية $j$ (حيث $\alpha_j = \mu_j – \mu$)، بينما تمثل $\varepsilon_{ij}$ الخطأ العشوائي المتبقي والخاص بالفرد، والذي يُفترض أنه موزع طبيعياً بمتوسط صفر وتباين ثابت $\sigma^2$.

2.2 منطق إحصاء فيشر (F-Distribution and F-Ratio)

يتجسد المنطق الإحصائي لاختبار الفرضيات في تحليل التباين من خلال حساب “النسبة الفائية” (F-Ratio)، والتي تُعرف رياضياً بأنها النسبة بين تقديرين مستقلين للتباين:

$$F = \frac{\text{Mean Square Between (MS}_B\text{)}}{\text{Mean Square Within (MS}_W\text{)}} = \frac{\text{Systematic Variance + Error Variance}}{\text{Error Variance}}$$

يتبع هذا الإحصاء توزيع $F$ النظري، وهو توزيع احتمالي متصل يتميز بكونه غير متماثل وموجب الالتواء (Right-Skewed) ويبدأ من الصفر ويمتد إلى مالانهاية؛ إذ لا يمكن لقيمة $F$ أن تكون سالبة نظراً لكونها حاصل قسمة متوسطات مربعات.

عندما تكون الفرضية الصفرية صحيحة تماماً (أي لا يوجد أي تأثير للمتغير المستقل، $\alpha_j = 0$)، فإن التباين بين المجموعات يكون ناتجاً فقط عن الصدفة والخطأ العشوائي، مما يجعل البسط والمقام يمثلان تقديرين لنفس كمية التباين، وبالتالي تتذبذب قيمة $F$ المحسوبة حول الواحد الصحيح ($F \approx 1$). أما إذا كانت الفرضية البديلة هي الصحيحة وحدث تأثير تجريبي حقيقي، فإن البسط يتضخم نتيجة إضافة تباين المعالجة إلى تباين الخطأ، مما يؤدي إلى ارتفاع قيمة $F$ بشكل ملحوظ عن الواحد الصحيح. وكلما ازدادت قيمة $F$ وتجاوزت القيمة الحرجة المحددة بدرجات حرية البسط والمقام، تضاءلت احتمالية الصدفة (p-value)، مما يقودنا إلى رفض الفرضية الصفرية.

3. شروط وافتراضات تطبيق تحليل التباين الأحادي وطرق التحقق منها

3.1 مستوى القياس واستقلالية المشاهدات

يتطلب التطبيق السليم لاختبار تحليل التباين الأحادي استيفاء مجموعة من الشروط المنهجية والإحصائية. يفرض شرط مستوى القياس أن يكون المتغير التابع متصلاً كمياً، ومقاساً على مستوى فتري (Interval) أو نسبي (Ratio)، مثل درجات مقاييس الاكتئاب، وزمن الرجع بالمللي ثانية، ومعدلات الأداء المعرفي؛ بينما يجب أن يكون المتغير المستقل تصنيفياً اسمياً (Nominal) أو ترتيبياً (Ordinal) مقسماً إلى مجموعتين أو أكثر من المجموعات المنفصلة نوعياً.

يُعد شرط “استقلالية المشاهدات” (Independence of Observations) أكثر الافتراضات أهمية وحرجاً على الإطلاق؛ إذ يفترض أن استجابة أي مشارك لا ترتبط ولا تتأثر بأي شكل من الأشكال باستجابة أي مشارك آخر داخل المجموعة نفسها أو بين المجموعات المختلفة. يؤدي خرق هذا الشرط إلى تشويه جسيم في التباين الفعلي ومعدل الخطأ من النوع الأول، مما يجعل الاختبار غير صالح للاستخدام. يُضبط هذا الشرط منهجياً في مرحلة التصميم التجريبي من خلال العزل التام للمشاركين أثناء الاختبار، واستخدام العينات العشوائية البسيطة، وتفادي القياسات المتكررة على نفس الأفراد في إطار هذا الاختبار المخصص حصراً للعينات المستقلة.

3.2 افتراض التوزيع الاعتدالي للمتغير التابع (Normality)

ينص افتراض التوزيع الاعتدالي على ضرورة أن تتبع درجات المتغير التابع توزيعاً طبيعياً داخل كل مجتمع من المجتمعات الفرعية التي سُحبت منها المجموعات التجريبية. للتحقق من هذا الافتراض، يعتمد الباحثون على ترسانة مزدوجة من أدوات الفحص الاستكشافي البصري والاختبارات الدلالية الصورية:

• الفحص البصري: يتضمن فحص المدرجات التكرارية (Histograms)، ومخططات الساق والورقة (Stem-and-Leaf)، وبشكل أخص مخططات التوزيع الاحتمالي الطبيعي (Q-Q Plots)، حيث يشير اصطفاف النقاط بالقرب من الخط القطري المستقيم إلى تحقق التوزيع الطبيعي.
• الاختبارات الصورية: يُعد اختبار شابيرو-ويلك (Shapiro-Wilk Test) الخيار الأمثل والأكثر قوة للعينات الصغيرة والمتوسطة ($N 0.05$).

تتميز النسبة الفائية بمتانة إحصائية (Robustness) ملحوظة ضد الانحرافات المتوسطة عن التوزيع الاعتدالي، لا سيما عندما تكون أحجام العينات متساوية وكبيرة نسبياً ($n ge 30$ لكل مجموعة)، وذلك استناداً إلى نظرية النهاية المركزية (Central Limit Theorem).

3.3 افتراض تجانس التباين (Homogeneity of Variance)

يقضي افتراض تجانس التباين، أو ما يُعرف بـ (Homoscedasticity)، بتساوي التباينات السكانية لدرجات المتغير التابع عبر جميع مستويات المتغير المستقل ($\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$). تعتمد مصداقية المقام في النسبة الفائية ($MS_W$) على مبدأ دمج وتجميع التباينات المتطابقة للمجموعات لتكوين تقدير موحد لتباين الخطأ. يُعد اختبار ليفين (Levene’s Test) الأداة القياسية الأكثر شيوعاً لاختبار فرضية التساوي، وتدل القيمة الاحتمالية غير الدالة ($p > 0.05$) على تحقق شرط التجانس بنجاح.

يترتب على خرق هذا الافتراض عواقب وخيمة، وتحديداً عندما تكون أحجام العينات غير متساوية عبر المجموعات. فإذا كانت المجموعات ذات الأحجام الصغيرة تمتلك تباينات مرتفعة، تصبح النسبة الفائية متساهلة للغاية (Liberal)، مما يرفع معدل الخطأ من النوع الأول بشكل خطير فوق المستوى المحدد. أما إذا كانت المجموعات الأكبر تمتلك تباينات أعلى، يصبح الاختبار محافظاً جداً (Conservative) مما يضعف قوته الإحصائية. عند خرق التجانس، يتوجب على الباحث اللجوء فوراً إلى التعديلات المعلمية الصلبة مثل اختبار “ويلش” (Welch’s Adjusted F) أو اختبار براون-فورسايث (Brown-Forsythe Test).

4. صياغة الفرضيات الإحصائية في تحليل التباين الأحادي

4.1 الفرضية الصفرية والفرضية البديلة

تبدأ عملية الاستدلال الإحصائي في تحليل التباين بصياغة رياضية دقيقة للفرضيات المتنافسة التي تسعى الدراسة لاختبارها. تُصاغ الفرضية الصفرية ($H_0$) معبرة عن حالة العدم وغياب الأثر التجريبي، وتنص على التساوي التام بين كافة متوسطات المجتمعات المقارنة:

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

من الناحية المفاهيمية، تفترض الفرضية الصفرية أن أي تباينات ملاحظة بين متوسطات العينات في التجربة لا تعدو كونها تقلبات عشوائية ناتجة عن خطأ المعاينة، وأن جميع المجموعات قد سُحبت فعلياً من مجتمع واحد متجانس من حيث المتغير التابع.

في المقابل، تُصاغ الفرضية البديلة ($H_1$ أو $H_a$) إحصائياً على النحو الآتي:

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

يتسم هذا الإعلان بطبيعة غير موجهة (Non-directional) وشاملة؛ فالفرضية البديلة في اختبار التباين لا تزعم أن جميع المتوسطات تختلف بالضرورة عن بعضها البعض، ولا تحدد اتجاه هذا الاختلاف أو أي المجموعات تتفوق على الأخرى، بل تنص فقط على وجود متوسطين على الأقل بين المجموعات $k$ يختلفان عن بعضهما بفارق دال إحصائياً.

4.2 مستويات الدلالة الإحصائية واتخاذ القرار

تتطلب منهجية اتخاذ القرار الإحصائي تحديد مستوى الدلالة الألفي المسبق ($\alpha$)، والذي يُحدد عادة في العلوم الإنسانية والنفسية عند $0.05$ (أو $0.01$ في الدراسات الطبية والإكلينيكية فائقة الحرج). يمثل هذا المستوى الحد الأقصى المقبول لاحتمالية ارتكاب خطأ من النوع الأول برفض الفرضية الصفرية حينما تكون صحيحة واقعياً.

يتم اتخاذ القرار الإحصائي النهائي عبر إحدى طريقتين متطابقتين رياضياً:

• مقارنة القيمة الفائية: مقارنة القيمة الفائية المحسوبة تجريبياً ($F_{calc}$) بالقيمة الفائية الجدولية الحرجة ($F_{crit}$) المستخرجة من جداول توزيع $F$ عند درجات حرية البسط ($df_B$) والمقام ($df_W$) ومستوى $\alpha$. فإذا كانت $F_{calc} > F_{crit}$، يتم رفض الفرضية الصفرية.
• القيمة الاحتمالية (p-value): تُقارن القيمة الاحتمالية الناتجة مباشرة بمستوى الدلالة. فإذا كانت $p le \alpha$، يُرفض $H_0$ ويُعتبر التأثير ذا دلالة إحصائية.

يجب التنبيه منهجياً إلى أن رفض الفرضية الصفرية لا يمثل سوى الضوء الأخضر العلمي الذي يؤكد وجود أثر حقيقي للمتغير المستقل، ولكنه يقف عاجزاً عن توضيح هوية المجموعات التي تباينت، وهو ما يفرض الانتقال الحتمي نحو اختبارات التتبع البعدية.

5. المتغيرات والتصاميم التجريبية في السياق النفسي والسلوكي

5.1 تصنيف المتغيرات المستقلة والتابعة في البحوث النفسية

يتطلب التخطيط المنهجي لتطبيق تحليل التباين الأحادي في الحقل النفسي تحديداً صارماً لطبيعة المتغيرات التجريبية. يمثل المتغير المستقل العامل التصنيفي الذي يتحكم به الباحث أو يصنف الأفراد بناءً عليه، وتتعدد أمثلته في الدراسات السلوكية لتشمل: أشكال التدخل العلاجي (مثل: التحليل النفسي، العلاج السلوكي المعرفي، العلاج المرتكز على العميل)، أو استراتيجيات مواجهة الضغوط النفسية (التركيز على المشكلة، التركيز على الانفعال، التجنب)، أو جرعات التدخل السلوكي (جرعة مكثفة، جرعة معتدلة، بدون جرعة).

في المقابل، يمثل المتغير التابع الاستجابة السلوكية أو النفسية المقاسة، والتي تتأثر بالمتغير المستقل، ومن أبرز أمثلتها: درجات القلق المقاسة بمقياس بيك للقلق (BAI)، ودرجات الاكتئاب (BDI-II)، وسعة الذاكرة العاملة المقاسة بمهمة النطاق الرقمي (Digit Span)، والاحتراق النفسي المهني (MBI). يشترط التحليل وجود ثلاثة مستويات على الأقل للمتغير المستقل ($k ge 3$) لتحقيق الجدوى المنهجية الكاملة؛ إذ إن وجود مستويين فقط يجعل استخدام اختبار “ت” كافياً ومكافئاً تماماً.

5.2 تصميم المجموعات المستقلة (Between-Subjects Design)

يقترن تحليل التباين الأحادي الكلاسيكي بتصميم المجموعات المستقلة (المعروف أيضاً بتصميم بين المفحوصين – Between-Subjects Design). في هذا التصميم، يتم تخصيص كل مشارك في التجربة لمستوى تجريبي واحد فقط من مستويات المتغير المستقل، بحيث لا يتكرر قياس نفس الفرد في أكثر من مجموعة واحدة، مما يضمن الاستقلالية التامة بين العينات المقارنة.

يميز الإحصائيون بين نمطين من هذا التصميم:

• التصميم المتوازن (Balanced Design): وفيه تتساوى أحجام العينات بدقة عبر جميع المجموعات ($n_1 = n_2 = dots = n_k$). يمنح هذا التصميم أعلى قوة إحصائية ممكنة، ويجعل اختبار $F$ فائق الصلابة ضد خروقات التوزيع الطبيعي وتجانس التباين.
• التصميم غير المتوازن (Unbalanced Design): وفيه تختلف أحجام العينات بين المجموعات. يتطلب هذا النمط حذراً كبيراً والتحقق الصارم من تجانس التباين لتفادي تشوه النتائج.

يتطلب هذا التصميم النفسي عزل المتغيرات الدخيلة (Extraneous Variables) عبر التوزيع العشوائي التام (Random Assignment) للمشاركين، مع تطبيق إجراءات التعمية المزدوجة (Double-Blind) لتلافي التأثيرات النفسية المشوهة مثل أثر الدواء الوهمي (Placebo Effect) وأثر هاوثورن (Hawthorne Effect).

6. الخطوات الحسابية والمعادلات الرياضية لتحليل التباين الأحادي

6.1 حساب مجموع المربعات (Sum of Squares – SS)

يشكل حساب مجموع المربعات الأساس الرياضي لتكميم التباينات في البيانات. ينطلق الحساب من تحديد ثلاثة مقادير رئيسية لمجموع المربعات تعكس التباين الكلي وتجزئته الثنائية:

أولاً: مجموع المربعات الكلي ($SS_{Total}$): يقيس التشتت الإجمالي لجميع الدرجات حول المتوسط الحسابي العام للدراسة ($\bar{Y}_{\cdot\cdot}$)، ويُحسب بالمعادلة:

$$SS_{Total} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (Y_{ij} – \bar{Y}_{\cdot\cdot})^2$$

ثانياً: مجموع المربعات بين المجموعات ($SS_{Between}$): يقيس الفروق بين متوسط كل مجموعة ($\bar{Y}_{\cdot j}$) والمتوسط العام المرجح بحجم العينة ($n_j$):

$$SS_{Between} = \sum_{j=1}^{k} n_j (\bar{Y}_{\cdot j} – \bar{Y}_{\cdot\cdot})^2$$

ثالثاً: مجموع المربعات داخل المجموعات ($SS_{Within}$ أو $SS_{Error}$): يقيس انحرافات الدرجات الفردية عن متوسط المجموعة الخاصة بها، ويمثل الخطأ العشوائي:

$$SS_{Within} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (Y_{ij} – \bar{Y}_{\cdot j})^2$$

تتحقق العلاقة التفكيكية الجوهرية التي تضمن دقة وصحة العمليات الحسابية دائماً من خلال المعادلة:

$$SS_{Total} = SS_{Between} + SS_{Within}$$

6.2 حساب درجات الحرية (Degrees of Freedom – df)

ترتبط بكل مجموع مربعات قيمة مقابلة لدرجات الحرية، تعبر عن عدد القيم المستقلة الحرة في التغير عند تقدير المعلمات الإحصائية. تتوزع درجات الحرية في تحليل التباين وفق الآتي:

• درجات الحرية الكلية ($df_{Total}$): ترتبط بحجم العينة الكلي الإجمالي ($N$)، وتساوي:
  $$df_{Total} = N – 1$$
• درجات الحرية بين المجموعات ($df_{Between}$): ترتبط بعدد المجموعات أو المعالجات التجريبية ($k$)، وتساوي:
  $$df_{Between} = k – 1$$
• درجات الحرية داخل المجموعات ($df_{Within}$): تعبر عن الخطأ المتبقي وتساوي حجم العينة الإجمالي مطروحاً منه عدد المجموعات:
  $$df_{Within} = N – k = \sum_{j=1}^{k} (n_j – 1)$$

تخضع درجات الحرية لنفس الخاصية التجميعية التفكيكية:

$$df_{Total} = df_{Between} + df_{Within}$$

6.3 حساب متوسط المربعات وقيمة F (Mean Squares & F-Ratio)

نظراً لأن قيم مجموع المربعات تتأثر طردياً بعدد المشاهدات ومستويات التحليل، فلا يمكن مقارنتها بشكل مباشر لحساب التباين. يتم تحويل مجاميع المربعات إلى “متوسطات مربعات” (Mean Squares) من خلال قسمة كل مجموع مربعات على درجات الحرية الخاصة به، مما يولد تقديراً حقيقياً للتباين:

متوسط المربعات بين المجموعات ($MS_{Between}$):

$$MS_{Between} = \frac{SS_{Between}}{df_{Between}} = \frac{SS_{Between}}{k – 1}$$

متوسط المربعات داخل المجموعات ($MS_{Within}$):

$$MS_{Within} = \frac{SS_{Within}}{df_{Within}} = \frac{SS_{Within}}{N – k}$$

تُتوج هذه الخطوات بحساب النسبة الفائية التجريبية ($F_{calc}$):

$$F_{calc} = \frac{MS_{Between}}{MS_{Within}}$$

تتم بعد ذلك مضاهاة هذه القيمة المحسوبة بالقيمة الحرجة $F_{\alpha, , df_B, , df_W}$ لتحديد القرار الإحصائي النهائي.

7. هيكلية جدول تحليل التباين (ANOVA Summary Table) وتفسير مخرجاته

7.1 مكونات وأعمدة جدول التباين المعياري

تُلخص كافة النتائج الحسابية لتحليل التباين في جدول قياسي موحد ومعتمد عالمياً في الأوساط الأكاديمية والبرمجيات الإحصائية تحت اسم “جدول ملخص تحليل التباين” (ANOVA Summary Table). يتيح هذا الجدول قراءة منظمة وشاملة لكافة مكونات التباين، ويوضح تسلسل الانتقال من مجاميع المربعات وصولاً إلى الدلالة الإحصائية.

مصدر التباين (Source of Variation)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	النسبة الفائية ($F$)	مستوى الدلالة ($p$-value)
بين المجموعات (Between Groups)	$SS_B$	$k – 1$	$MS_B = \frac{SS_B}{k – 1}$	$\frac{MS_B}{MS_W}$	$p$
داخل المجموعات / الخطأ (Within / Error)	$SS_W$	$N – k$	$MS_W = \frac{SS_W}{N – k}$	—	—
المجموع الكلي (Total)	$SS_T$	$N – 1$	—	—	—

7.2 استخلاص النتائج الإحصائية وتفسيرها تحليلياً

يتطلب التفسير العلمي لمخرجات جدول تحليل التباين فحص التفاعل الديناميكي بين مقادير التباين. عند قراءة الجدول، يبدأ الباحث بالنظر المباشر إلى عمود الدلالة الإحصائية ($p$-value أو Sig.) المقترن بالنسبة الفائية. فإذا كانت القيمة أقل من $0.05$، يُستنتج أن نسبة التباين المفسر بواسطة المتغير المستقل تفوق تباين الخطأ العشوائي بدرجة دالة إحصائياً، مما يؤكد فاعلية المعالجة التجريبية في إحداث تمايز بين المجموعات.

ومع ذلك، يجب إدراك الحدود التفسيرية الصارمة لجدول ANOVA؛ إذ إن القيمة الفائية تخبرنا فقط بوجود فرق في مكان ما بين المجموعات، لكنها لا تقدم أي إجابة حول التساؤلات التفصيلية: هل المجموعة الأولى تتفوق على الثانية؟ أم أن الفرق محصور بين الأولى والثالثة فقط؟ هذا العجز التفسيري للاختبار الشامل يفرض منهجياً التوجه نحو إجراء الاختبارات البعدية لفض الاشتباك وتحديد المواضع الدقيقة للاختلافات.

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

8.1 فلسفة المقارنات البعدية ومتى يتم اللجوء إليها

تُمثل المقارنات البعدية (Post-Hoc Tests) استراتيجية استكشافية لاحقة تُطبق حصرياً عقب الحصول على نسبة فائية دالة إحصائياً في الاختبار الشامل ($p < 0.05$) في التصاميم التي تحتوي على ثلاثة مستويات فأكثر ($k ge 3$). تهدف هذه الاختبارات إلى فحص كافة التباديل والأزواج المحتملة بين متوسطات المجموعات لتحديد أي المجموعات تختلف جوهرياً عن غيرها، مع الحفاظ التام والصارم على معدل الخطأ من النوع الأول عند مستوى $\alpha = 0.05$ الإجمالي.

يجب التمييز فلسفياً ومنهجياً بين نوعين من المقارنات:

• المقارنات المخططة مسبقاً (A Priori / Planned Contrasts): وتستند إلى فرضيات نظرية محددة ومصاغة قبل جمع البيانات، وتتميز بقوة إحصائية فائقة ولا تشترط بالضرورة دلالة الاختبار الفائي الشامل.
• المقارنات البعدية (Post-Hoc / Unplanned): وهي مقارنات استكشافية شاملة لجميع الأزواج دون فرضيات مسبقة، وتتطلب تعديلاً رياضياً حازماً لتفادي التضخم العشوائي للخطأ.

8.2 أشهر الاختبارات البعدية في حالة تجانس التباين

عندما تثبت البيانات استيفاء شرط تجانس التباين عبر اختبار ليفين، يتوفر للباحث طيف واسع من الاختبارات البعدية المتخصصة، وتتفاوت هذه الاختبارات في درجة صرامتها وقوتها الإحصائية:

• اختبار توكي للفرق ذي الدلالة الحقيقية (Tukey’s HSD): يُعد المعيار الذهبي الأكثر توازناً وشهرة في العلوم السلوكية. يعتمد على توزيع المدى الستودنتي ($q$) ويقارن جميع الأزواج الممكنة، ويحافظ بدقة على الخطأ الإجمالي عند مقارنة عينات متساوية الأحجام.
• تعديل بونفيروني (Bonferroni Correction): اختبار شديد التحفظ يقوم بقسمة مستوى ألفا العام على عدد المقارنات الممكنة ($alpha’ = \alpha / c$). يوفر حماية فائقة ضد الخطأ من النوع الأول، ولكنه قد يؤدي إلى زيادة معدل الخطأ من النوع الثاني عند كثرة المقارنات.
• اختبار شيفيه (Scheffé’s Test): الاختبار الأكثر تحفظاً ومرونة على الإطلاق؛ إذ يتيح إجراء المقارنات الزوجية البسيطة والمقارنات الخطية المعقدة (مثل مقارنة متوسط مجموعتين مجتمعتين بمتوسط مجموعة ثالثة)، ويتحمل بامتياز التفاوت في أحجام العينات.
• اختبار أقل فرق دال لفيشر (Fisher’s LSD): يقوم على إجراء اختبارات “ت” ثنائية عادية فقط في حال دلالة اختبار $F$. يُعد متساهلاً جداً ولا يوفر حماية كافية للخطأ العائلي في حال زيادة عدد المجموعات عن ثلاث، لذا ينصح بتجنبه في التصاميم متعددة المستويات.

8.3 الاختبارات البعدية في حالة عدم تجانس التباين

في الحالات المنهجية التي يسفر فيها اختبار ليفين عن خرق صريح لشرط تجانس التباين ($p < 0.05$)، تصبح اختبارات توكي وبونفيروني وشيفيه غير دقيقة وتفقد مصداقيتها الإحصائية. هنا يفرض التحليل الاستعانة باختبارات بعدية متخصصة ومصممة رياضياً للتعامل مع التباينات غير المتساوية وتفاوت أحجام العينات:

• اختبار جيمس-هاول (Games-Howell Test): يُعد الخيار القياسي الأكثر قوة وموثوقية عند خرق التجانس مع تفاوت أحجام العينات؛ حيث يعتمد على توزيع ويلش لدرجات الحرية ولا يفترض تساوي التباينات السكانية.
• اختبار دانت T3 (Dunnett’s T3): يعتمد على توزيع القيمة المعيارية للمدى الستودنتي الأقصى، ويُفضل استخدامه عندما تكون أحجام العينات صغيرة جداً مع غياب التجانس.
• اختبار تامهان T2 (Tamhane’s T2): اختبار بعدي محافظ جداً يستند إلى تعديل متباينات المجموعات بناءً على متباينة بونفيروني.

9. حجم التأثير والقوة الإحصائية (Effect Size & Statistical Power)

9.1 مقاييس حجم التأثير لتحليل التباين الأحادي

لا تعكس الدلالة الإحصائية (الـ $p$-value) الأهمية العملية أو حجم التأثير الفعلي للمتغير المستقل؛ إذ يمكن لأصغر الفروق أن تصبح دالة إحصائياً في العينات الضخمة جداً. لذلك، يُلزم الدليل الإحصائي الباحثين بتقديم مؤشرات كمية لـ حجم التأثير (Effect Size) لتقييم النسبة المئوية من التباين في المتغير التابع التي يفسرها المتغير المستقل.

من أبرز هذه المؤشرات في تحليل التباين الأحادي:

1. مربع إيتا ($\eta^2$ – Eta-Squared): يمثل النسبة المباشرة للتباين المفسر بالعينة، ويُحسب بالصيغة:

$$\eta^2 = \frac{SS_{Between}}{SS_{Total}}$$

يعيب هذا المقياس ميله إلى التحيز التصاعدي والمبالغة في تقدير حجم التأثير في العينات الصغيرة.

2. مربع أوميغا ($\omega^2$ – Omega-Squared): مقياس غير متحيز وأكثر دقة وصرامة؛ إذ يقدر نسبة التباين المفسر في المجتمع الأصلي بعد استبعاد خطأ العينة:

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

تُفسر قيم حجم التأثير استناداً إلى معايير الإحصائي الشهير جاكوب كوهين (Jacob Cohen) المعتمدة في العلوم السلوكية كما يلي:

• تأثير صغير (Small): $\eta^2 \approx 0.01$ أو $\omega^2 \approx 0.01$ (يفسر $1%$ من التباين).
• تأثير متوسط (Medium): $\eta^2 \approx 0.06$ أو $\omega^2 \approx 0.06$ (يفسر $6%$ من التباين).
• تأثير كبير (Large): $\eta^2 ge 0.14$ أو $\omega^2 ge 0.14$ (يفسر $14%$ فأكثر من التباين).

9.2 القوة الإحصائية وحجم العينة (Power Analysis)

تُعرف القوة الإحصائية (Statistical Power – $1 – \beta$) بأنها احتمالية نجاح الباحث في رفض الفرضية الصفرية واكتشاف الأثر التجريبي الحقيقي عندما يكون هذا الأثر موجوداً بالفعل في المجتمع. يُعد المعيار العلمي المقبول هو تحقيق قوة إحصائية لا تقل عن $0.80$ (أي فرصة $80%$ لاكتشاف التأثير)، مما يضمن خفض احتمالية ارتكاب الخطأ من النوع الثاني ($\beta$) إلى ما دون $0.20$.

ترتبط القوة الإحصائية بأربعة أركان متداخلة:

1. مستوى الدلالة المحدد ($\alpha$).
2. حجم العينة الإجمالي ($N$).
3. حجم التأثير المتوقع في المجتمع ($f$ أو $\eta^2$).
4. القوة الإحصائية المستهدفة ($1 – \beta$).

يُعد تخطيط حجم العينة المسبق (A Priori Power Analysis) باستخدام برمجيات مثل G*Power ضرورة منهجية قبل الشروع في جمع البيانات؛ حيث يتيح للباحث إدخال حجم التأثير المتوقع ومستوى $\alpha$ والقوة المطلوبة لتحديد العدد الدقيق للأفراد الواجب تجنيدهم في كل مجموعة، مما يمنع إهدار الموارد البحثية أو إجراء دراسات منخفضة القوة الإحصائية (Underpowered Studies).

10. مثال تطبيقي شامل في علم النفس: دراسة فعالية برامج علاج الاكتئاب

10.1 سيناريو الدراسة النفسية وفرضيات البحث

لإيضاح التطبيق العملي المتكامل، نفترض إجراء دراسة إكلينيكية تجريبية تهدف إلى تقييم فاعلية ثلاثة تدخلات مختلفة في خفض أعراض الاكتئاب لدى المرضى المشخصين باضطراب الاكتئاب الجسيم (MDD). تم تصميم التجربة كدراسة مستقلة بين المفحوصين تضمنت ثلاث مجموعات علاجية ($k = 3$):

• المجموعة الأولى ($j = 1$): برنامج العلاج المعرفي السلوكي (CBT) المكون من 12 جلسة أسبوعية.
• المجموعة الثانية ($j = 2$): برنامج العلاج بالقبول والالتزام (ACT) المكون من 12 جلسة أسبوعية.
• المجموعة الثالثة ($j = 3$): مجموعة ضابطة في قائمة الانتظار (Waitlist Control) لم تتلقَ تدخلاً علاجياً نشطاً.

المتغير التابع: درجات الاكتئاب المقاسة بعد التدخل باستخدام مقياس بيك للاكتئاب – الإصدار الثاني (BDI-II)، وهو مقياس متصل تتراوح درجاته بين $0$ و $63$، حيث تعكس الدرجات الأعلى شدة اكتئابية أكبر. تم توزيع $45$ مريضاً عشوائياً وبشكل متوازن تماماً بواقع $15$ مريضاً في كل مجموعة ($n_1 = n_2 = n_3 = 15$، وإجمالي العينة $N = 45$).

صياغة الفرضيات الإحصائية للدراسة:

$$H_0: \mu_{\text{CBT}} = \mu_{\text{ACT}} = \mu_{\text{Control}}$$

$$H_1: \text{يوجد على الأقل متوسطان علاجيان يختلفان عن بعضهما دلالياً}$$

10.2 البيانات الوصفية والتحقق من الشروط المسبقة

بعد انتهاء فترة التدخل، تم جمع درجات BDI-II وحساب الإحصاءات الوصفية واختبارات الشروط، وجاءت ملخصة كما يلي:

المجموعة العلاجية	حجم العينة ($n$)	المتوسط الحسابي ($\bar{Y}$)	الانحراف المعياري ($SD$)	التباين ($S^2$)	اختبار شابيرو-ويلك ($p$-value)
العلاج المعرفي السلوكي (CBT)	15	16.20	3.45	11.90	0.482
العلاج بالقبول والالتزام (ACT)	15	17.80	3.61	13.03	0.615
قائمة الانتظار (Control)	15	26.40	4.12	16.97	0.329

المتوسط الحسابي العام لكافة المشاركين ($\bar{Y}_{\cdot\cdot}$):

$$\bar{Y}_{\cdot\cdot} = \frac{16.20 + 17.80 + 26.40}{3} = \frac{60.40}{3} = 20.133$$

التحقق من الافتراضات:

• الاعتدالية: أظهرت اختبارات شابيرو-ويلك قيماً احتمالية أكبر بكثير من $0.05$ في المجموعات الثلاث ($p = 0.482, 0.615, 0.329$)، مما يؤكد استيفاء التوزيع الطبيعي.
• تجانس التباين: أسفر اختبار ليفين لتجانس التباين عن قيمة $F(2, 42) = 0.481$ بقيمة احتمالية $p = 0.621$ ($p > 0.05$)، مما يؤكد بقوة تحقق شرط تجانس التباين، وصلاحية استخدام اختبار $F$ الاعتيادي واختبار توكي البعدي.

10.3 الحسابات اليدوية المفصلة واستخراج جدول ANOVA للمثال

نبدأ بإجراء الحسابات اليدوية المفصلة لتفكيك مجاميع المربعات وفق الصيغ الرياضية:

1. حساب مجموع المربعات بين المجموعات ($SS_{Between}$):

$$SS_B = \sum_{j=1}^{3} n_j (\bar{Y}_{\cdot j} – \bar{Y}_{\cdot\cdot})^2$$

$$SS_B = 15 \times \left[ (16.20 – 20.133)^2 + (17.80 – 20.133)^2 + (26.40 – 20.133)^2 \right]$$

$$SS_B = 15 \times \left[ (-3.933)^2 + (-2.333)^2 + (6.267)^2 \right]$$

$$SS_B = 15 \times \left[ 15.468 + 5.443 + 39.275 \right] = 15 \times 60.186 = 902.79$$

2. حساب مجموع المربعات داخل المجموعات ($SS_{Within}$):

$$SS_W = \sum (n_j – 1) S_j^2 = (14 \times 11.90) + (14 \times 13.03) + (14 \times 16.97)$$

$$SS_W = 166.60 + 182.42 + 237.58 = 586.60$$

3. حساب مجموع المربعات الكلي ($SS_{Total}$):

$$SS_T = SS_B + SS_W = 902.79 + 586.60 = 1489.39$$

4. حساب درجات الحرية:

$$df_B = k – 1 = 3 – 1 = 2$$

$$df_W = N – k = 45 – 3 = 42$$

$$df_T = N – 1 = 45 – 1 = 44$$

5. حساب متوسطات المربعات والنسبة الفائية:

$$MS_B = \frac{SS_B}{df_B} = \frac{902.79}{2} = 451.395$$

$$MS_W = \frac{SS_W}{df_W} = \frac{586.60}{42} = 13.967$$

$$F_{calc} = \frac{MS_B}{MS_W} = \frac{451.395}{13.967} = 32.319$$

جدول ملخص تحليل التباين (ANOVA Table) لدراسة الاكتئاب:

مصدر التباين	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	النسبة الفائية ($F$)	الدلالة ($p$-value)
بين المجموعات (نوع التدخل)	902.79	2	451.40	32.32	< .001
داخل المجموعات (الخطأ)	586.60	42	13.97	—	—
المجموع الكلي	1489.39	44	—	—	—

عند الرجوع لجداول توزيع $F$ عند $\alpha = 0.05$ ودرجات حرية $(2, 42)$، نجد أن $F_{crit} \approx 3.22$. وبما أن $F_{calc} = 32.32 > 3.22$، والقيمة الاحتمالية $p < 0.001$، فإننا نرفض الفرضية الصفرية بثقة إحصائية مطلقة، ونستنتج وجود فروق جوهرية بين برامج العلاج في خفض أعراض الاكتئاب.

10.4 المقارنات البعدية وتفسير الأثر الإكلينيكي للدراسة

نظراً للدلالة الفائقة للاختبار الشامل، ننتقل لإجراء اختبار توكي للمقارنات البعدية (Tukey’s HSD). يُحسب الخطأ المعياري للفارق الزوجي بالمعادلة:

$$SE = \sqrt{\frac{MS_W}{n}} = \sqrt{\frac{13.967}{15}} = \sqrt{0.931} = 0.965$$

تُحسب القيمة الحرجة لفرق توكي عند مستوى $\alpha = 0.05$ والمدى الستودنتي $q_{crit}(3, 42) \approx 3.44$:

$$HSD = q_{crit} \times SE = 3.44 \times 0.965 = 3.32$$

أي أن أي فارق مطلق بين متوسطي مجموعتين يتجاوز $3.32$ درجة يُعد فارقاً دالاً إحصائياً عند مستوى $0.05$.

نتائج الفروق الزوجية:

• المقارنة 1 (CBT مقابل ACT):
  $$|\bar{Y}_1 – \bar{Y}_2| = |16.20 – 17.80| = 1.60 \quad (1.60 < 3.32 \rightarrow \text{غير دال})$$
  لا يوجد فارق جوهري إحصائياً بين فاعلية العلاج المعرفي السلوكي والعلاج بالقبول والالتزام.
• المقارنة 2 (CBT مقابل قائمة الانتظار):
  $$|\bar{Y}_1 – \bar{Y}_3| = |16.20 – 26.40| = 10.20 \quad (10.20 > 3.32 \rightarrow p < .001)$$
  تفوق العلاج المعرفي السلوكي بشكل كبير وجوهري في خفض الاكتئاب مقارنة بعدم العلاج.
• المقارنة 3 (ACT مقابل قائمة الانتظار):
  $$|\bar{Y}_2 – \bar{Y}_3| = |17.80 – 26.40| = 8.60 \quad (8.60 > 3.32 \rightarrow p < .001)$$
  تفوق علاج القبول والالتزام بشكل كبير وجوهري في خفض الاكتئاب مقارنة بقائمة الانتظار.

حساب حجم التأثير (Omega-Squared):

$$\omega^2 = \frac{SS_B – (df_B \times MS_W)}{SS_T + MS_W} = \frac{902.79 – (2 \times 13.967)}{1489.39 + 13.967} = \frac{902.79 – 27.934}{1503.357} = \frac{874.856}{1503.357} \approx 0.582$$

التفسير النفسي والإكلينيكي: يوضح حجم التأثير ($\omega^2 = 0.582$) أن ما يقارب $58.2%$ من التباين في درجات الاكتئاب لدى المرضى يُعزى مباشرة إلى نوع التدخل النفسي، وهو تأثير ضخم جداً بمعايير كوهين. تثبت النتائج الإكلينيكية أن كلا التدخلين النشطين (CBT و ACT) يتمتعان بكفاءة علاجية متقاربة وممتازة في تخفيف حدة الأعراض الاكتئابية مقارنة بغياب التدخل، مما يوفر للأطباء النفسيين خيارات علاجية مرنة تتناسب مع التفضيلات الفردية للمرضى.

11. تنفيذ تحليل التباين الأحادي باستخدام البرمجيات الإحصائية

11.1 التطبيق العملي عبر برنامج SPSS

يُعد برنامج IBM SPSS Statistics البيئة البرمجية الأكثر شيوعاً في العلوم الإنسانية لإجراء تحليل التباين الأحادي. تتم العملية من خلال الخطوات الإجرائية المنهجية التالية:

1. ترميز وإدخال البيانات (Data Setup): في نافذة شاشة المتغيرات (Variable View)، يتم تعريف متغيرين:

• المتغير المستقل: ويُسمى Treatment_Group بنوع عددي، ومستوى قياس اسمي (Nominal)، وتُحدد قيمه في خانة القيم (Values): 1 = CBT، 2 = ACT، 3 = Control.
• المتغير التابع: ويُسمى BDI_Score بنوع عددي، ومستوى قياس مقياسي (Scale).

2. تنفيذ أمر التحليل: من القائمة العلوية يتم اتباع المسار:

Analyze → Compare Means → One-Way ANOVA...

3. تعيين المتغيرات والخيارات المتقدمة:

• نقل المتغير التابع BDI_Score إلى مستطيل Dependent List.
• نقل المتغير المستقل Treatment_Group إلى مستطيل Factor.
• الضغط على زر Options… وتفعيل خيارات: الإحصاء الوصفي (Descriptive)، واختبار تجانس التباين (Homogeneity of variance test)، واختبار ويلش (Welch)، ومخطط المتوسطات (Means plot).
• الضغط على زر Post Hoc… واختيار اختبار Tukey (في حال تحقق التجانس) واختيار Games-Howell (كإجراء احترازي بديل)، مع الإبقاء على مستوى الدلالة عند 0.05.
• الضغط على Continue ثم OK لتوليد المخرجات الإحصائية في نافذة (Output Viewer).

11.2 التطبيق عبر لغة R والبرمجيات مفتوحة المصدر (Jamovi & JASP)

توفر البيئات البرمجية الحديثة ومفتوحة المصدر مرونة استثنائية وإمكانيات بيانية متقدمة لتنفيذ تحليل التباين وتوثيق مخرجاته:

أولاً: لغة R الإحصائية: يتم تنفيذ التحليل عبر بناء النموذج الخطي العام باستخدام دالة aov() واختبار توكي البعدي عبر الأوامر القياسية التالية في بيئة RStudio:

يتم بناء النموذج عبر تركيب المتغير التابع على المستقل، وتلخيصه كالتالي:

model <- aov(BDI_Score ~ Treatment_Group, data = my_data)
summary(model)
TukeyHSD(model)
library(effectsize); omega_squared(model)

ثانياً: برنامجا Jamovi و JASP: تُمثل هذه الحزم المجانية ثورة في سهولة الاستخدام والتحليل البياني التفاعلي القائم على واجهات رسومية نقية مبنية على محرك R:

• برنامج Jamovi: يتم النقر على قائمة ANOVA → One-Way ANOVA، ونقل المتغيرات بسهولة؛ حيث يوفر فحصاً تلقائياً لشروط الاعتدالية والتجانس، ويتيح التبديل الفوري بين إحصاء فيشر الكلاسيكي وإحصاء ويلش مع توليد تلقائي للرسوم البيانية التوضيحية المدعمة بخطوط الأخطاء المعيارية.
• برنامج JASP: يتميز بدعمه الفريد للتحليل الإحصائي الاستدلالي الكلاسيكي والبايزي (Bayesian ANOVA) جنباً إلى جنب؛ حيث يتيح للباحث حساب معامل بايز ($BF_{10}$) لتقييم قوة الدليل الاحتمالي الداعم للفرضية البديلة مقابل الفرضية الصفرية.

12. كتابة وتوثيق نتائج تحليل التباين وفق معايير جمعية علم النفس الأمريكية (APA 7)

12.1 الصيغة المعيارية لكتابة النتائج الإحصائية في متن البحث

تفرض جمعية علم النفس الأمريكية في الإصدار السابع من دليلها المرجعي (APA 7th Edition) قواعد صارمة وموحدة لكتابة نتائج تحليل التباين في تقارير البحوث العلمية. تتطلب هذه القواعد توثيق المتوسطات والانحرافات المعيارية لكل مجموعة، متبوعة بالقيمة الفائية ودرجات الحرية والقيمة الاحتمالية ومؤشر حجم التأثير، مع صياغة نتائج المقارنات البعدية بدقة.

النموذج التطبيقي المعتمد لكتابة نتائج المثال السابق:

“أُجري تحليل التباين الأحادي بين المفحوصين (One-Way Between-Subjects ANOVA) لفحص تأثير نوع التدخل العلاجي (CBT، ACT، قائمة الانتظار) على درجات الاكتئاب المقاسة بمقياس بيك للاكتئاب (BDI-II). أظهرت النتائج استيفاء شرط تجانس التباين عبر اختبار ليفين، $F(2, 42) = 0.48, p = .621$. كما كشفت نتائج التحليل الرئيسي عن وجود أثر جوهري ودال إحصائياً لنوع التدخل النفسي على شدة أعراض الاكتئاب، $F(2, 42) = 32.32, p < .001, \omega^2 = .58, 95% \text{ CI } [.38, .70]$."

“وللكشف عن طبيعة الفروق بين المجموعات العلاجية، أُجريت مقارنات بعدية باستخدام اختبار توكي (Tukey’s HSD). كشفت النتائج عن انخفاض دال إحصائياً في درجات الاكتئاب لدى مجموعة العلاج المعرفي السلوكي ($M = 16.20, SD = 3.45$) مقارنة بمجموعة قائمة الانتظار ($M = 26.40, SD = 4.12, p < .001$)، وانخفاض دال مماثل لدى مجموعة العلاج بالقبول والالتزام ($M = 17.80, SD = 3.61$) مقارنة بقائمة الانتظار ($p < .001$). في المقابل، لم يظهر أي فرق ذي دلالة إحصائية بين مجموعتي العلاج المعرفي السلوكي وعلاج القبول والالتزام ($p = .432$)."

12.2 تصميم الجداول والرسوم البيانية المعبرة

يحدد دليل APA معايير بصرية واضحة لتنظيم الجداول والمخططات البيانية المرافقة لتحليل التباين لضمان الاحترافية الأكاديمية وسهولة القراءة:

• تنسيق الجداول: الاعتماد حصراً على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل قاعدة الجدول) وتجنب الخطوط العمودية تماماً. يجب وضع رمز مستوى الدلالة أسفل الجدول بحاشية تفسيرية (مثل: $^{*}p < .05, ^{***}p < .001$).
• المخططات البيانية (Figures): يُفضل استخدام الرسوم البيانية للأعمدة (Bar Charts) أو مخططات المتوسطات والنقاط (Point Plots) المزودة بأشرطة الخطأ المعياري (Error Bars) التي تمثل فترات الثقة $95%$ (95% Confidence Intervals) أو الخطأ المعياري للمتوسط ($\pm 1 , SE$).
• التسميات والتوضيحات: تسمية المحاور بدقة مع توضيح وحدات القياس، وكتابة شروحات مختصرة ومستقلة أسفل الأشكال بحيث يفهم القارئ محتوى الشكل دون الحاجة للرجوع إلى المتن.

أخطاء شائعة يجب تجنبها عند النشر:

1. كتابة قيمة الصفر قبل الفاصلة العشرية في القيم الاحتمالية ومؤشرات حجم التأثير التي لا يمكن أن تتجاوز الواحد الصحيح (الصحيح كتابة: $p < .001$ و $\eta^2 = .14$ وليس $0.001$ أو $0.14$).
2. إجراء المقارنات البعدية دون الحصول على نسبة فائية دالة في الاختبار الشامل.
3. إغفال تقرير مؤشرات حجم التأثير والاكتفاء بالقيمة الاحتمالية فقط.
4. تجاهل فحص الشروط المسبقة للاختبار قبل الشروع في التحليل.

خاتمة

يمثل تحليل التباين الأحادي (One-Way ANOVA) حجر زاوية أصيلاً في صرح الإحصاء الاستدلالي المعلمي، موفراً للباحثين في حقول العلوم النفسية والسلوكية أداة منهجية تجمع بين القوة الرياضية والدقة الاستدلالية لاختبار الفروق بين مجموعات متعددة. ومن خلال قدرته على تجزئة التباين الكلي وضبط الخطأ من النوع الأول، يمنح هذا الاختبار إطاراً تحليلياً متيناً يتجاوز عيوب المقارنات الثنائية المجزأة.

ومع ذلك، فإن الاستخدام الرشيد لهذا الاختبار يقتضي التزاماً صارماً بفحص افتراضاته المنهجية المتعلقة بالاستقلالية والاعتدالية وتجانس التباين، واستخدام التعديلات الإحصائية المناسبة عند خرقها، مع ضرورة إقران الدلالة الإحصائية بحجم التأثير والقوة الإحصائية والمقارنات البعدية الموجهة بدقة. إن الإلمام الواعي بهذه الأبعاد النظرية والتطبيقية، ومواكبة معايير التوثيق الأكاديمي الرصين، هو ما يضمن تحويل البيانات الرقمية الخام إلى استنتاجات علمية رصينة تدفع عجلة المعرفة الإنسانية وتثري التطبيقات المهنية والإكلينيكية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Cengage Learning.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.