تحليل التباين أحادي الاتجاه مقابل تحليل التباين للقياسات المتكررة: الفرق

تُعد مسألة المفاضلة بين الأساليب الإحصائية المعلمية من أدق التحديات المنهجية التي تواجه الباحثين في حقول علم النفس، والعلوم السلوكية، والتربية، والعلوم العصبية الإدراكية. فعندما يتجاوز التصميم التجريبي مقارنة مجموعتين اثنتين فقط، يفقد اختبار “ت” (t-test) كفاءته المنهجية والإحصائية، ويبرز تحليل التباين (Analysis of Variance – ANOVA) بوصفه الإطار الرياضي القياسي لاختبار الفروق بين المتوسطات المتعددة دون الوقوع في مأزق تضخم الخطأ التجريبي. ومع ذلك، فإن مظلة تحليل التباين تضم تحتها نماذج رياضية متباينة جوهرياً في بنيتها الهيكلية وافتراضاتها التوزيعية، وفي مقدمتها: تحليل التباين أحادي الاتجاه للمجموعات المستقلة (One-Way Between-Subjects ANOVA) وتحليل التباين للقياسات المتكررة (One-Way Repeated Measures ANOVA).

إن الانتقال من دراسة مجتمعات بحثية منفصلة يخضع فيها كل مشارك لشرط تجريبي واحد فقط، إلى دراسة التغيرات النمائية أو السلوكية لنفس الأفراد عبر الزمن أو عبر شروط تجريبية متتالية، لا يمثل مجرد تغيير في لوجستيات جمع البيانات، بل ينطوي على تحول جذري في كيفية تفكيك التباين الكلي (Total Variance Partitioning)، ونمذجة مصفوفة التغاير والتباين (Variance-Covariance Matrix)، وعزل الفروق الفردية عن حدأ الخطأ العشوائي. ويترتب على الخلط بين هذين النموذجين عواقب وخيمة تمس صدق الاستنتاج الإحصائي (Statistical Conclusion Validity)، مما قد يقود إما إلى الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية الصائبة) أو تراجع القوة الإحصائية للاختبار والعجز عن اكتشاف التأثيرات الحقيقية (الخطأ من النوع الثاني).

يهدف هذا المقال الأكاديمي الشامل إلى تفكيك الأسس النظرية، والرياضية، والتطبيقية لكل من تحليل التباين أحادي الاتجاه وتحليل التباين للقياسات المتكررة. سنستعرض من خلال هذا الطرح المعمق أصول النماذج الخطية العامة، والاشتقاقات الجبرية لتفكيك التباينات، وشروط وافتراضات كل نموذج وكيفية فحصها إحصائياً، مروراً بالقوة الإحصائية، وحساب حجم التأثير، والاختبارات البعدية، وسيناريوهات تطبيقية مفصلة في برمجيات التحليل الإحصائي الشهيرة، وصولاً إلى صياغة النتائج بصورة احترافية متوافقة مع متطلبات الدليل السابع لجمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة عامة حول تحليل التباين (ANOVA) في البحوث النفسية والسلوكية

1.1 النشأة التاريخية وتطور أساليب تحليل التباين

تعود الجذور التأسيسية لتحليل التباين إلى العقدين الثاني والثالث من القرن العشرين، بفضل الإسهامات الاستثنائية لعالم الإحصاء والجينات البريطاني السير رونالد فيشر (Ronald A. Fisher). واجه فيشر أثناء عمله في محطة “روثامستد” الزراعية التجريبية معضلة مقارنة محاصيل متعددة تعرضت لمعاملات سمادية وظروف تربة مختلفة. كان الحل التقليدي آنذاك يتمثل في إجراء سلسلة من اختبارات “ت” الثنائية التي طورها ويليام غوسيت (تحت الاسم المستعار “ستيودنت”). إلا أن فيشر أدرك عبقرية رياضية مفادها أن إجراء مقارنات ثنائية متعددة يؤدي حتماً إلى تضخم أسّي في معدل الخطأ من النوع الأول (Type I Error Rate)، والذي يُعرف بالصيغة الرياضية:

$$\alpha_{FW} = 1 – (1 – \alpha)^c$$

حيث تمثل $\alpha_{FW}$ معدل الخطأ العائلي الشامل (Familywise Error Rate)، و$\alpha$ مستوى الدلالة الاسمي لكل اختبار منفرد (المحدد عادة بـ 0.05)، و$c$ عدد المقارنات الثنائية الممكنة، والتي تُحسب بالمعادلة $c = \frac{k(k-1)}{2}$ حيث $k$ يمثل عدد المجموعات. فإذا كان لدى الباحث أربع مجموعات تجريبية، فإن عدد المقارنات يصل إلى 6 مقارنات، مما يرفع احتمال ارتكاب خطأ إيجابي كاذب واحد على الأقل إلى ما يقارب 26.5%، وهي نسبة تقوض النزاهة العلمية لأي دراسة تجريبية.

قدم فيشر حلاً جذرياً عبر ابتكار “نسبة فائية” (F-ratio)، تقوم على تفكيك التباين الكلي الملاحظ في الدرجات إلى مكونات متمايزة، واختبار فرضية العدم الكلية (Omnibus Null Hypothesis) باختبار إحصائي واحد وموحد. ومع تطور العلوم السلوكية في منتصف القرن العشرين، تم دمج تحليل التباين ضمن إطار النموذج الخطي العام (General Linear Model – GLM)، مما سمح لعلماء النفس بدراسة تفاعلات السلوك البشري المعقدة، والتحكم في المتغيرات المشتركة، وتطوير تصاميم تجريبية عاملية وقياسات متكررة قادرة على محاكاة الواقع النفسي المتشابك بدقة متناهية.

1.2 طبيعة المتغيرات وتصنيفاتها في التصاميم التجريبية

يقوم التحليل الإحصائي في جوهره على نمذجة العلاقات الرياضية بين المتغيرات المستقلة والتابعة. في سياق تحليل التباين، يُشترط أن يكون المتغير المستقل (Independent Variable / Factor) متغيراً فئوياً (Categorical/Nominal)، مقسماً إلى مستويين أو أكثر تمثل الشروط التجريبية، أو المجموعات العلاجية، أو الفترات الزمنية للمتابعة. وتتطلب الدقة المنهجية أن تكون هذه المستويات محددة بدقة ومانعة للبس والغموض المنهجي.

في المقابل، يجب أن يكون المتغير التابع (Dependent Variable) متغيراً كمياً مستمراً (Continuous)، مقاساً على مستوى فتري (Interval) أو نسبي (Ratio). في القياس النفسي والسلوكي، تتجسد هذه المتغيرات في درجات مقاييس الاكتئاب، أو أزمنة الاستجابة المعرفية بالأجزاء من الثانية، أو معدلات الإفراز الهرموني مثل الكورتيزول، أو درجات الأداء في الاختبارات الأكاديمية. ويتطلب القياس النفسي الصارم التأكد من الصدق البنائي (Construct Validity) وثبات الأدوات المستخدمة لضمان ألا يكون التباين الملاحظ ناتجاً عن ضجيج في أدوات القياس ذاتها.

يرتكز تحليل التباين بكافة أنواعه على مبدأ تفكيك التباين الكلي ($SS_{Total}$). ويمثل هذا المفهوم الرياضي المجموع التراكمي لمربعات انحرافات كافة الدرجات الفردية عن المتوسط الحسابي العام لكامل العينة. يسعى النموذج الإحصائي إلى فرز هذا التباين الخام إلى قسمين رئيسيين: التباين المفسر أو التباين المنهجي (Systematic Variance) الناجم عن تأثير المعاملة التجريبية، والتباين غير المفسر أو التباين الخطئي (Unsystematic/Error Variance) الناجم عن الفروق الفردية غير المضبوطة والتقلبات العشوائية في بيئة القياس.

1.3 أهمية التفريق الدقيق بين التصاميم المستقلة والمتكررة

إن التمييز بين تصميم المجموعات المستقلة (Between-Subjects Design) وتصميم القياسات المتكررة (Within-Subjects / Repeated Measures Design) ليس مجرد تفصيل تقني عابر، بل هو قرار جوهري يحدد هيكلية جمع البيانات، وبنية مصفوفة التغاير والتباين، ونوعية الاستنتاجات السببية المشتقة من التجربة. يؤدي الاختيار الخاطئ للاختبار الإحصائي—كتطبيق تحليل المجموعات المستقلة على بيانات مترابطة—إلى انتهاك صارخ لافتراض استقلالية الأخطاء، مما يجعل درجات الحرية غير صحيحة، ويشوه قيمة $F$ المحسوبة، مما يرفع احتمالية نشر نتائج زائفة تفتقر إلى قابلية التكرار (Replication Crisis).

ينعكس هيكل العينة مباشرة على الترابط الرياضي الداخلي بين القياسات؛ ففي التصاميم المستقلة، يُفترض أن التغاير بين درجات المشاركين في مختلف المجموعات يساوي صفراً، في حين يتميز تصميم القياسات المتكررة بوجود تغايرات إيجابية مرتفعة بين استجابات الفرد الواحد عبر الشروط المتعددة. هذا التغاير الداخلي يمثل في الواقع بصمة الخصائص الفردية الثابتة (كالمستوى المعرفي، والوراثة، والسمات الشخصية المستقرة) التي تمارس تأثيراً متماثلاً عبر جميع القياسات.

تكتسب هذه التفرقة بعداً أخلاقياً ومنهجياً عميقاً في البحوث النفسية والطبية. فمن منظور أخلاقيات البحث العلمي، يسمح التصميم المتكرر للباحثين بالوصول إلى نفس المستوى من القوة الإحصائية باستخدام ثلث أو ربع حجم العينة المطلوبة في التصاميم المستقلة، مما يقلل من تعريض المشاركين، أو المرضى، أو حيوانات التجارب للإجراءات التدخلية المرهقة دون مبرر علمي. كما يفرض على الباحثين التزاماً منهجياً صارماً بالتحكم في تأثيرات الإرهاق والممارسة التي تنفرد بها القياسات المتكررة.

2. المفهوم النظري لتحليل التباين أحادي الاتجاه (One-Way ANOVA)

2.1 التعريف الرياضي والمنهجي للتحليل أحادي الاتجاه

يُعرّف تحليل التباين أحادي الاتجاه (One-Way Between-Subjects ANOVA) بأنه اختبار معلمي استدلالي يُستخدم لتقييم الفرضية القائلة بأن متوسطات ثلاث أو أكثر من المجموعات المستقلة تماماً ومتنافية العضوية متساوية في المجتمع الإحصائي الأصل. في هذا التصميم، يُسند كل مشارك عشوائياً إلى مستوى تجريبي واحد فقط من مستويات المتغير المستقل، بحيث لا يتداخل الأفراد بين المجموعات إطلاقاً.

تتم صياغة الفرضية الصفرية ($H_0$) على النحو الرياضي الآتي:

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

حيث تمثل $\mu_k$ المتوسط النظري للمجتمع الإحصائي عند المستوى $k$. أما الفرضية البديلة ($H_1$ أو $H_a$)، فلا تشترط بالضرورة اختلاف جميع المتوسطات عن بعضها، بل تصاغ بدقة تفيد بأن متوسطاً واحداً على الأقل يختلف دالاً عن بقية المتوسطات:

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

تعتمد آلية اتخاذ القرار على حساب النسبة الفائية ($F$-ratio)، وهي النسبة بين تباين ما بين المجموعات (التباين المنسوب للتجربة) وتباين ما داخل المجموعات (التباين المنسوب للخطأ العشوائي):

$$F = \frac{MS_{between}}{MS_{within}} = \frac{SS_{between} / df_{between}}{SS_{within} / df_{within}}$$

إذا كانت المعاملة التجريبية عديمة التأثير، فإن البسط والمقام يمثلان تقديرين مستقلين لنفس تباين الخطأ العشوائي في المجتمع، وبالتالي تقترب قيمة $F$ من الواحد الصحيح (1.0). أما إذا كان التدخل التجريبي فعالاً، فإن البسط يزداد بفضل إضافة التباين المنهجي للتجربة، مما يدفع قيمة $F$ للارتفاع متجاوزة القيمة الحرجة المجدولة عند مستوى دلالة محدد.

2.2 آلية عزل التباين في تصميم المجموعات المستقلة

تعتمد الهيكلية الرياضية لاختبار One-Way ANOVA على تفكيك مجموع المربعات الكلي ($SS_{Total}$) إلى جزأين متكاملين ومانعين للجمع التبادلي:

$$SS_{Total} = SS_{between} + SS_{within}$$

يقيس مجموع المربعات بين المجموعات ($SS_{between}$) مدى تشتت متوسطات المجموعات التجريبية ($\bar{X}_j$) حول المتوسط العام الشامل لجميع الملاحظات ($\bar{X}_{\cdot\cdot}$)، ويُحسب بالصيغة:

$$SS_{between} = \sum_{j=1}^{k} n_j (\bar{X}_j – \bar{X}_{\cdot\cdot})^2$$

حيث $n_j$ هو حجم العينة في المجموعة $j$. يعكس هذا المكون الفروق الحقيقية الناتجة عن المعالجة التجريبية مضافاً إليها جزء يسير من الخطأ العشوائي المتسرب بين العينات.

في المقابل، يقيس مجموع المربعات داخل المجموعات ($SS_{within}$) مدى تشتت درجات الأفراد ($X_{ij}$) حول متوسط المجموعة الخاصة بهم ($\bar{X}_j$)، ويُحسب بالصيغة:

$$SS_{within} = \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_j)^2$$

يمثل $SS_{within}$ في هذا التصميم حدأ الخطأ الخالص (Pure Error Variance)؛ حيث إن جميع الأفراد داخل نفس المجموعة قد خضعوا لنفس الظروف والمعاملة التجريبية الموحدة تماماً. وعليه، فإن أي تباين متبقٍ بينهم يُعزى كلياً إلى الفروق الفردية العشوائية غير المضبوطة وأخطاء القياس العشوائية. وتتحدد درجات الحرية المقابلة بـ $df_{between} = k – 1$ للبسط، و$df_{within} = N – k$ للمقام، حيث $N$ يمثل إجمالي حجم العينة الكلية في الدراسة.

2.3 حالات الاستخدام النموذجية في علم النفس

يُعد تحليل التباين أحادي الاتجاه للمجموعات المستقلة الخيار المنهجي المعياري في طيف واسع من التصاميم التجريبية وشبه التجريبية في العلوم النفسية. تبرز أهميته القصوى في الحالات التي يتعذر فيها تعريض نفس الفرد لأكثر من شرط تجريبي واحد بسبب استحالة محو أثر التعلم، أو موانع التلوث المعرفي، أو الاعتبارات الإكلينيكية الصارمة.

من الأمثلة الكلاسيكية على ذلك، الدراسات الإكلينيكية المقارنة لكفاءة التدخلات العلاجية النفسية؛ حيث يقوم الباحث بتقسيم عينة من مرضى الاكتئاب السريري عشوائياً إلى ثلاث مجموعات مستقلة:

• المجموعة الأولى: تتلقى برنامج العلاج السلوكي المعرفي (Cognitive Behavioral Therapy – CBT).
• المجموعة الثانية: تتلقى العلاج النفسي الديناميكي قصير المدى (Short-term Psychodynamic Therapy).
• المجموعة الثالثة: توضع على قائمة الانتظار للضبط والمقارنة (Waitlist Control Group).

في هذا السياق، لا يمكن إخضاع المريض لأكثر من علاج نفسي في آن واحد لتجنب التداخل الإدراكي، وتُقاس درجات الاكتئاب بعد انقضاء مدة التدخل المحددة لمقارنة متوسطات التحسن بين المجموعات الثلاث.

يمتد تطبيق هذا النموذج إلى الدراسات النمائية المقارنة المستعرضة (Cross-Sectional Designs)؛ مثل دراسة التباين في مستويات المرونة النفسية أو القلق الوجودي عبر فئات عمرية مختلفة ومستقلة (مثلاً: المراهقون، والبالغون في منتصف العمر، وكبار السن). كما يمثل الركيزة الأساسية في أبحاث علم الأدوية النفسي (Psychopharmacology) لمقارنة تأثير جرعات متفاوتة من عقار مضاد للذهان (جرعة منخفضة، جرعة متوسطة، جرعة مرتفعة، ودواء وهمي Placebo) على مجموعات متكافئة من المرضى تم فرزهم عشوائياً.

3. المفهوم النظري لتحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

3.1 التعريف الرياضي وتصميم القياس داخل الأفراد

يُمثل تحليل التباين للقياسات المتكررة (One-Way Repeated Measures ANOVA)، المعروف أيضاً بتصميم القياسات داخل الأفراد (Within-Subjects Design)، الإطار الإحصائي المخصص لتحليل البيانات عندما يخضع نفس المشاركين لجميع مستويات المتغير المستقل التجريبية، أو عندما يتم تتبع استجابات نفس العينة عبر نقاط زمنية متعددة (تصميم تتبعي طولي Longitudinal Design).

تتمحور الفرضية الصفرية في هذا النموذج حول فكرة ثبات متوسط استجابات المجتمع عبر جميع الشروط التجريبية أو الفترات الزمنية:

$$H_0: \mu_{\text{Time 1}} = \mu_{\text{Time 2}} = \mu_{\text{Time 3}} = dots = \mu_{\text{Time } k}$$

بينما تنص الفرضية البديلة على وجود تغير معنوي في متوسط الأداء عبر نقطتين زمنيتين أو شرطين تجريبيين على الأقل لنفس الأفراد:

$$H_1: \exists , i, j \quad \text{such t\hat} \quad \mu_{\text{Time } i} \neq \mu_{\text{Time } j} \quad (i \neq j)$$

تكمن الخصوصية المنهجية لهذا النموذج في أن كل مشارك يُعتبر بمثابة “مجموعة ضابطة لذاته” (Participants act as their own controls). وبما أن الملاحظات المتكررة مستمدة من نفس الكيان البيولوجي والنفسي، فإن مصفوفة البيانات تتسم بترابط وثيق وتغايرات بينية موجبة تعكس ثبات الأداء الأساسي لكل فرد عبر الزمن.

3.2 ميزة عزل الفروق الفردية من حدأ الخطأ

تتجلى القوة المنهجية والرياضية الفائقة لتحليل التباين للقياسات المتكررة في قدرته على تفكيك التباين الداخلي بطريقة لا يستطيع تحليل التباين أحادي الاتجاه المستقل تحقيقها. ففي حين أن الأخير يدمج الفروق الفردية ضمن حدأ الخطأ المتبقي، يقوم تحليل القياسات المتكررة بعزل تباين الأفراد الرياضي الخالص ($SS_{Subjects}$) واستبعاده تماماً من مقام النسبة الفائية.

يتم هذا التفكيك عبر تقسيم التباين داخل الأفراد ($SS_{within}$) إلى عنصرين منفصلين تماماً:

$$SS_{within} = SS_{Conditions} + SS_{Error}$$

حيث يمثل $SS_{Conditions}$ (أو $SS_{Time}$) التباين المنهجي المرتبط بتأثير المتغير المستقل، بينما يمثل $SS_{Error}$ التباين المتبقي التفاعلي بين الأفراد والشروط التجريبية ($Subjects \times Conditions$). وبناءً عليه، يُحسب مجموع المربعات الكلي في هذا التصميم وفق الصيغة:

$$SS_{Total} = SS_{Between-Subjects} + SS_{Conditions} + SS_{Error}$$

إن استبعاد مجموع مربعات الأفراد ($SS_{Between-Subjects}$) من حدأ الخطأ يؤدي إلى تقليص حاد ومباشر في تباين الخطأ التجريبي ($MS_{Error}$). وبما أن قيمة $F$ تُحسب بقسمة متوسط مربعات المعالجة التجريبية على متوسط مربعات الخطأ المتبقي:

$$F = \frac{MS_{Conditions}}{MS_{Error}} = \frac{SS_{Conditions} / (k – 1)}{SS_{Error} / ((n – 1)(k – 1))}$$

فإن تقليص المقام ($MS_{Error}$) يؤدي بالضرورة إلى تعظيم قيمة $F$ المحسوبة بشكل ملحوظ مقارنة باختبار العينات المستقلة، مما يمنح الاختبار حساسية وقوة إحصائية استثنائية للكشف عن التأثيرات التجريبية الدقيقة التي قد يطمسها ضجيج الفروق الفردية في التصاميم المستقلة.

3.3 سياقات التطبيق في الدراسات النفسية التتبعية والتجريبية

يعد تصميم القياسات المتكررة العمود الفقري لأبحاث علم النفس العصبي، وعلم النفس المعرفي، والدراسات العلاجية التتبعية. تتضح فائدته القصوى في تقييم المنحنيات النمائية والمسارات العلاجية عبر الزمن. على سبيل المثال، في دراسة تقييم بروتوكول علاجي لاضطراب كرب ما بعد الصدمة (PTSD)، يقوم الباحث بقياس شدة الأعراض لنفس العينة عند أربع محطات زمنية:

1. القياس القبلي (Baseline / Pre-treatment).
2. منتصف البرنامج العلاجي (Mid-treatment).
3. القياس البعدي الفوري (Post-treatment).
4. المتابعة بعد مرور ستة أشهر (6-Month Follow-up).

يتيح هذا التصميم رصد منحنى التعافي، وتحديد ما إذا كان التحسن السريري يحافظ على استقراره عبر الزمن أم يحدث انتكاس جزئي.

في ميدان الإدراك والانتباه الحسي وعلم النفس التجريبي، يُستخدم هذا التحليل لمقارنة أزمنة الاستجابة العصبية لنفس المفحوصين تحت ظروف إثارة حسية متدرجة (مثل: التعرض لثلاثة مستويات مختلفة من الضوضاء البيئية: هادئة، ومتوسطة، وصاخبة). يضمن هذا الإجراء أن الفروق في أزمنة الاستجابة لا ترجع إلى تباين الذكاء الفطري أو سرعة المعالجة الأساسية بين الأفراد، بل تعكس التأثير المباشر لشدة المثير الضوضائي على النظام الإدراكي.

4. الفروق الجوهرية في التصميم التجريبي وجمع البيانات بين النموذجين

4.1 هيكلية العينة وتوزيع الأفراد عبر الشروط

ينعكس الاختلاف المفاهيمي بين النموذجين على الاستراتيجية اللوجستية المتبعة في تجنيد المشاركين وتوزيعهم التجريبي. في تحليل التباين أحادي الاتجاه (One-Way ANOVA)، تتطلب المنهجية استقلالية إحصائية وفيزيائية مطلقة بين المجموعات؛ فإذا كان لدينا ثلاثة شروط تجريبية ونرغب في وجود 30 مشاركاً في كل شرط، فإن الباحث يحتاج إلى تجنيد 90 مشاركاً مختلفاً تماماً. يمثل هذا التطلب عبئاً مادياً وزمنياً كبيراً، خاصة في الدراسات التي تستهدف فئات إكلينيكية نادرة يصعب استقطاب أعداد غفيرة منها.

على النقيض من ذلك، في تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)، يخضع نفس الـ 30 مشاركاً للشروط التجريبية الثلاثة تباعاً. يقلل هذا التصميم الحجم الإجمالي للعينة المطلوبة إلى الثلث تماماً (30 فرداً بدلاً من 90)، مما يوفر كفاءة تشغيلية واقتصادية هائلة للباحث، مع الحفاظ على مستويات قوة إحصائية قد تفوق التصميم المستقل الأكبر حجماً.

يمتد هذا التمايز الهيكلي إلى طريقة تنظيم البيانات وترميزها داخل البرمجيات الإحصائية مثل SPSS و R و SAS:

• التنسيق العريض (Wide Format): يُستخدم بصورة تقليدية في القياسات المتكررة عبر برمجية SPSS، حيث يمثل كل صف مشاركاً واحداً منفرداً، بينما تُرتب المتغيرات التابعة عبر عدة أعمدة مستقلة تمثل كل منها جلسة أو شرطاً تجريبياً معيناً (مثل: Score_Time1, Score_Time2, Score_Time3).
• التنسيق الطويل (Long Format): يُعتبر التنسيق المعياري والأساسي في لغة R وحزم التحليل المتقدمة مثل afex و nlme؛ حيث يتكرر معرف المشارك (Subject ID) في عدة صفوف، ويُخصص عمود واحد لتعريف الشرط التجريبي وعمود آخر لقيمة الاستجابة المقاسة.

4.2 التحكم في المتغيرات الدخيلة وتأثيرات الترتيب

على الرغم من الكفاءة الإحصائية الفائقة للقياسات المتكررة، إلا أنها تعاني من مهددات منهجية داخلية ترتبط بتسلسل التعرض للشروط. تُعرف هذه الظاهرة بـ “تأثيرات الترتيب” (Order Effects)، وتتضمن ظواهر نفسية وسلوكية معقدة تشمل:

• تأثير الممارسة والتعلم (Practice Effects): حيث يتحسن أداء المشارك في الشروط المتأخرة ببساطة نتيجة لألفته مع بيئة الاختبار والمهمة المعرفية.
• تأثير الإجهاد والإنهاك (Fatigue Effects): حيث يتدهور أداء المشارك في الجلسات الختامية نتيجة التعب الذهني أو الملل.
• تأثيرات الانتقال والامتداد (Carryover Effects): عندما يمتد الأثر النفسي أو الفسيولوجي لشرط تجريبي معين (مثل تناول جرعة كافيين أو استثارة عاطفية حادة) إلى الجلسة التجريبية التالية دون أن يزول بالكامل.

للتعامل مع هذه المهددات وضبطها تجريبياً، يلجأ الباحثون في القياسات المتكررة إلى تقنية “الموازنة المقابلة” (Counterbalancing). في حالة وجود عدد محدود من الشروط، تُستخدم الموازنة الكاملة بتعريض مجموعات فرعية متساوية من المشاركين لجميع التباديل الممكنة لتسلسل الشروط ($k!$). أما في حالة تعدد الشروط التجريبية وتزايد احتمالات التبديل، يتم اللجوء إلى تصميم “المربع اللاتيني” (Latin Square Design) أو التوزيع العشوائي التبادلي المنضبط، مما يضمن أن كل شرط يظهر في كل موقع ترتيبي نفس عدد المرات، ويسبق ويلحق كل شرط آخر بدرجة متوازنة، محيداً تأثير التسلسل الإحصائي.

4.3 المقارنة التفصيلية من منظور سيناريو موحد

لتوضيح الفارق العملي والهيكلي بين التصميمين، نفترض دراسة تجريبية تستهدف مقارنة فاعلية ثلاث استراتيجيات مختلفة للاستذكار على استدعاء المعلومات المعرفية: الاستذكار التقليدي بالقراءة المتكررة (A)، الاستذكار بالخرائط الذهنية (B)، والاستذكار بالاختبار الذاتي النشط (C).

في مسار تحليل التباين أحادي الاتجاه (One-Way ANOVA)، يقوم الباحث باختيار 15 طالباً، ويوزعهم عشوائياً بمعدل 5 طلاب لكل استراتيجية. يتعلم طلاب كل مجموعة نصاً تعليمياً باستخدام طريقتهم المحددة فقط، ثم يخضعون لاختبار استدعاء موحد. في هذا السيناريو، يتميز الإجراء بالبساطة المنهجية المطلقة وعدم وجود أي تأثير للانتقال المعرفي بين الطرق، ولكن تكمن الثغرة في احتمال وجود طالب يتمتع بذاكرة استثنائية في المجموعة (C) وطالب يعاني من ضعف التركيز في المجموعة (A)، مما يجعل الفروق الملاحظة بين المجموعات ملوثة بالفروق الفردية الأولية بين الطلاب، وتتوزع البيانات على 15 صفاً مستقلاً.

في مسار تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)، يتم تجنيد 5 طلاب فقط للمشاركة في الدراسة. يخضع هؤلاء الطلاب الخمسة لجميع الاستراتيجيات الثلاث عبر فترات زمنية متباعدة (مع نصوص متكافئة الصعوبة وموازنة مقابلة لتسلسل الاستراتيجيات). هنا، وبما أننا نقيس نفس الطالب تحت الظروف (A و B و C)، فإن قدراته العقلية الفطرية ستكون ثابتة ومضبوطة ذاتياً عبر جميع القياسات. فإذا حقق الطالب درجات أعلى في (C) مقارنة بـ (A)، فإننا نكون على يقين إحصائي بأن هذا الفارق نابع من تفوق الطريقة ذاتها وليس من ذكاء الطالب، مما يحقق كفاءة استقصائية متناهية بحجم عينة محدود للغاية.

5. الافتراضات الإحصائية والشروط الأساسية لكل نموذج

5.1 الافتراضات المشتركة بين النموذجين وكيفية فحصها

يشترك كلا التحليلين في مجموعة من الافتراضات المعلمية الأساسية التي تشكل البنية الرياضية للاستدلال الإحصائي، والتي يؤدي انتهاكها الصارخ إلى عدم موثوقية النتائج. تتمثل هذه الافتراضات المشتركة فيما يلي:

1. مستوى القياس المستمر (Continuous Scale): يجب أن يكون المتغير التابع مقاساً بمستوى كمي فتري أو نسبي ذي فواصل متساوية ومحددة.
2. التوزيع الطبيعي (Normality): يُفترض أن تتوزع الدرجات (أو درجات البواقي Residuals) في المجتمع الإحصائي وفق التوزيع الطبيعي المنتظم حول المتوسط. يتم فحص هذا الافتراض استكشافياً باستخدام المنحنيات التكرارية والمخططات البيانية لمربعات الشك الطبيعي (Q-Q Plots)، واختبارياً عبر الفحوصات الإحصائية الصارمة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) للعينات الصغيرة والمتوسطة ($N 0.05$ تشير إلى تحقق افتراض التوزيع الطبيعي بنجاح.
3. الخلو من القيم الشاذة والمتطرفة (Outliers): تؤثر القيم المتطرفة بشكل مدمر على حساب المتوسطات ومربعات الانحرافات، مما يضخم التباين الخطئي. يتم تشخيصها عبر الدرجات المعيارية ($Z\text{-scores} > |3.29|$) أو من خلال المخططات الصندوقية (Boxplots).

5.2 افتراض تجانس التباين في تحليل التباين أحادي الاتجاه

ينفرد تحليل التباين أحادي الاتجاه للمجموعات المستقلة باشتراط حاسم يُعرف بافتراض “تجانس التباين” (Homogeneity of Variance أو Homoscedasticity). ينص هذا الافتراض على ضرورة تساوي تباينات المجتمعات الإحصائية التي سُحبت منها المجموعات التجريبية المستقلة:

$$\sigma_1^2 = \sigma_2^2 = dots = \sigma_k^2$$

يُفحص هذا الشرط في الأدبيات الإحصائية عبر “اختبار ليفين لتجانس التباينات” (Levene’s Test). إذا جاءت قيمة الاختبار غير دالة إحصائياً ($p > 0.05$)، يُعتبر الافتراض قائماً ومستوفى. أما إذا كانت القيمة دالة ($p < 0.05$)، فإن ذلك يشير إلى تباين غير متكافئ بين المجموعات، وهو ما يمثل خطورة بالغة إذا كانت أحجام العينات داخل المجموعات غير متساوية (Unbalanced Design)؛ حيث يؤدي عدم التجانس مع عينات غير متكافئة إلى تضخم هائل في معدل الخطأ من النوع الأول إذا كان تباين المجموعة الأصغر هو الأكبر، أو تراجع حاد في القوة الإحصائية في الحالة المعاكسة.

عند خرق هذا الافتراض، يتوجب على الباحث تجنب استخدام إحصاء $F$ القياسي لفيشر، والاعتماد على البدائل الرياضية القوية والمعدلة، وأبرزها: تعديل ولش (Welch’s ANOVA) أو تعديل براون-فورسيث (Brown-Forsythe Test)، والتي تقوم بتعديل درجات الحرية ونسب التباين لتوليد قيمة $F$ غير متحيزة تصمد أمام عدم تجانس التباين.

5.3 افتراض الكروية (Sphericity) الخاص بالقياسات المتكررة

في تحليل التباين للقياسات المتكررة، يحل افتراض “الكروية” (Sphericity) محل افتراض تجانس التباين، ويُعد من أكثر الافتراضات حساسية وتعقيداً في الإحصاء النفسي. يُشترط لتحقق الكروية أن تكون تباينات الفروق بين جميع الأزواج الممكنة من مستويات القياس المتكرر متساوية في المجتمع الإحصائي:

$$operatorname{Var}(X_{\text{Time 1}} – X_{\text{Time 2}}) \approx operatorname{Var}(X_{\text{Time 1}} – X_{\text{Time 3}}) \approx operatorname{Var}(X_{\text{Time 2}} – X_{\text{Time 3}})$$

يتحقق افتراض الكروية تلقائياً عندما تكون مصفوفة التغاير والتباين خاضعة لخاصية “التناظر المركب” (Compound Symmetry)، والتي تتطلب تساوي تباينات الشروط الفردية وتساوي التغايرات والارتباطات بين جميع الأزواج. يتم فحص الكروية إحصائياً باستخدام “اختبار موتشلي للكروية” (Mauchly’s Test of Sphericity). تشير الدلالة الإحصائية لاختبار موتشلي ($p < 0.05$) إلى انتهاك الافتراض، مما يؤدي إلى جعل قيمة $F$ التقليدية شديدة التحرر (Liberal)، ورافعاً احتمالية الوقوع في الخطأ من النوع الأول بشكل زائف.

عند انتهاك افتراض الكروية، يتم تصحيح درجات الحرية عبر تقليصها باستخدام معامل إبسيلون ($epsilon$) لتقليل حساسية الاختبار ومنع الاستنتاجات الزائفة. تتضمن هذه التعديلات المعيارية:

• تصحيح غرينهاوس-غايسر (Greenhouse-Geisser Correction): وهو تصحيح محافظ يُنصح باعتماده دائماً إذا كانت قيمة إبسيلون التقديرية أقل من 0.75 ($\hat{\epsilon} < 0.75$).
• تصحيح هونه-فيلدت (Huynh-Feldt Correction): وهو تصحيح أقل تحفظاً، ويُفضل استخدامه عندما تقترب قيمة إبسيلون من الواحد الصحيح وتتجاوز 0.75 ($\hat{\epsilon} > 0.75$).
• الحد الأدنى للتصحيح (Lower-bound Epsilon): ويمثل أقصى درجات التحفظ الرياضي الممكنة ($\epsilon = \frac{1}{k-1}$).

6. البنية الرياضية وتفكيك التباين (Partitioning of Variance) في كلا التحليلين

6.1 التفكيك الرياضي في تحليل التباين أحادي الاتجاه

تستند النمذجة الجبرية لتحليل التباين أحادي الاتجاه المستقل إلى المعادلة الخطية التفكيكية التي تعبر عن درجة كل فرد في التجربة:

$$X_{ij} = \mu + \alpha_j + \epsilon_{ij}$$

حيث $X_{ij}$ هي درجة المشارك $i$ في المجموعة $j$، و$\mu$ هو المتوسط العام الشامل لكافة الملاحظات، و$\alpha_j = \mu_j – \mu$ يمثل تأثير المعالجة التجريبية للمجموعة $j$، و$\epsilon_{ij} \sim N(0, \sigma^2)$ يمثل الخطأ العشوائي المستقل الموزع طبيعياً.

يتم اشتقاق مجموع المربعات عبر المتطابقة الجبرية:

$$\sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_{\cdot\cdot})^2 = \sum_{j=1}^{k} n_j (\bar{X}_j – \bar{X}_{\cdot\cdot})^2 + \sum_{j=1}^{k} \sum_{i=1}^{n_j} (X_{ij} – \bar{X}_j)^2$$

والتي تختصر إلى الصيغة الأساسية: $SS_{Total} = SS_{between} + SS_{within}$. بعد حساب مجموع المربعات، يتم حساب متوسط المربعات (Mean Squares – $MS$) بقسمة كل مجموع مربعات على درجات الحرية المقابلة له:

$$MS_{between} = \frac{SS_{between}}{k – 1}$$

$$MS_{within} = \frac{SS_{within}}{N – k}$$

ثم تُشتق القيمة الفائية التجريبية بالمعادلة $F = \frac{MS_{between}}{MS_{within}}$، وتتم مقارنتها بالقيمة الحرجة $F_{\text{crit}}$ المشتقة من جدول توزيع $F$ عند درجات حرية $(df_1 = k-1, df_2 = N-k)$ ومستوى ألفا محدد.

6.2 التفكيك الرياضي في تحليل التباين للقياسات المتكررة

يتخذ النموذج الخطي في القياسات المتكررة شكلاً أكثر تقدماً لاستيعاب تأثير الأفراد التكراري الثابت، وتُصاغ المعادلة الرياضية كالتالي:

$$X_{ij} = \mu + \pi_i + \tau_j + \epsilon_{ij}$$

حيث $\pi_i$ يمثل التأثير الثابت الخاص بالمشارك $i$ (الفروق الفردية بين الأشخاص)، و$\tau_j$ يمثل التأثير المنهجي للشرط التجريبي أو النقطة الزمنية $j$، و$\epsilon_{ij}$ يمثل الخطأ المتبقي العشوائي لتفاعل المشارك مع الشرط التجريبي.

يتم تفكيك التباين الإجمالي إلى مستويين متتاليين:

1. المستوى الأول: تفكيك التباين الكلي إلى تباين بين الأفراد وتباين داخل الأفراد:
   $$SS_{Total} = SS_{Between-Subjects} + SS_{Within-Subjects}$$
   حيث يُحسب مجموع مربعات الأفراد بالمعادلة:
   $$SS_{Between-Subjects} = k \sum_{i=1}^{n} (\bar{X}_{i\cdot} – \bar{X}_{\cdot\cdot})^2$$
   حيث $\bar{X}_{i\cdot}$ يمثل متوسط درجات المشارك عبر جميع الشروط، و$k$ عدد الشروط.
2. المستوى الثاني: تفكيك التباين داخل الأفراد ($SS_{Within-Subjects}$) إلى أثر المعاملة والخطأ المتبقي:
   $$SS_{Within-Subjects} = SS_{Conditions} + SS_{Error}$$
   حيث يُحسب تباين المعاملة بالمعادلة:
   $$SS_{Conditions} = n \sum_{j=1}^{k} (\bar{X}_{\cdot j} – \bar{X}_{\cdot\cdot})^2$$
   ويُستخرج مجموع مربعات الخطأ بالطرح:
   $$SS_{Error} = SS_{Within-Subjects} – SS_{Conditions}$$

تتوزع درجات الحرية في هذا النموذج كالتالي: $df_{Between-Subjects} = n – 1$، و$df_{Conditions} = k – 1$، و$df_{Error} = (n – 1)(k – 1)$. وتُحسب النسبة الفائية بقسمة $MS_{Conditions} = \frac{SS_{Conditions}}{k-1}$ على $MS_{Error} = \frac{SS_{Error}}{(n-1)(k-1)}$.

6.3 جدول تحليل التباين المقارن (ANOVA Summary Table)

يوضح الجدول الإحصائي التالي المقارنة الشاملة للبنية الهيكلية لجدول تحليل التباين بين التصميمين، مبيناً كيفية توزع مصادر التباين، ودرجات الحرية، والمعادلات الحسابية الخاصة بكل نموذج:

نوع التحليل	مصدر التباين (Source)	مجموع المربعات (SS)	درجات الحرية (df)	متوسط المربعات (MS)	النسبة الفائية (F)
تحليل التباين أحادي الاتجاه (Between-Subjects)	بين المجموعات (Between)	$SS_{between}$	$k – 1$	$\frac{SS_{between}}{k-1}$	$\frac{MS_{between}}{MS_{within}}$
	داخل المجموعات / الخطأ (Within/Error)	$SS_{within}$	$N – k$	$\frac{SS_{within}}{N-k}$	—
	الكلي (Total)	$SS_{Total}$	$N – 1$	—	—
تحليل القياسات المتكررة (Repeated Measures)	بين الأفراد (Between-Subjects)	$SS_{Subjects}$	$n – 1$	$\frac{SS_{Subjects}}{n-1}$	—
	المعاملة التجريبية (Conditions)	$SS_{Conditions}$	$k – 1$	$\frac{SS_{Conditions}}{k-1}$	$\frac{MS_{Conditions}}{MS_{Error}}$
	الخطأ المتبقي (Error)	$SS_{Error}$	$(n – 1)(k – 1)$	$\frac{SS_{Error}}{(n-1)(k-1)}$	—
	الكلي (Total)	$SS_{Total}$	$nk – 1$	—	—

7. التعامل مع التباينات البينية والداخلية (Between-Subjects vs. Within-Subjects)

7.1 طبيعة الفروق الفردية كمصدر للتشويش الإحصائي

تُمثل الفروق الفردية—كالذكاء الموروث، والسمات الشخصية، وسرعة النقل المشبكي العصبي، والتاريخ الثقافي والاجتماعي—أحد أكبر مصادر التباين في العلوم النفسية. في تصميم المجموعات المستقلة، تقف هذه الفروق حجر عثرة أمام دقة النموذج الإحصائي؛ إذ تندمج بالكامل ضمن تباين ما داخل المجموعات ($SS_{within}$)، وتتحول إلى ضجيج عشوائي غير مفسر يضخم مقام المعادلة الإحصائية ويحجب الفروق الحقيقية بين المعالجات.

أما في تصميم القياسات المتكررة، فيتحول هذا الضجيج إلى عنصر مضبوط ومعزول رياضياً. ونظراً لأن كل فرد يحمل خصائصه المستقرة عبر جميع الشروط، ينشأ ارتباط ذاتي (Autocorrelation) وتغاير إيجابي قوي بين قياسات الفرد عبر الزمن. يتيح النموذج الخطي تقدير مساهمة هذا التباين المستقر واستقطاعه بصورة نقية عبر حساب $SS_{Subjects}$، مما يطهر حدأ الخطأ النهائي ($SS_{Error}$) من التلوث بالفروق المستقرة بين الأشخاص، ويجعل الاختبار قادراً على رصد أدق التغيرات السلوكية.

7.2 التحكم الإحصائي مقابل التحكم التجريبي في المتغيرات

تعتمد التصاميم المستقلة على أسلوب “التحكم التجريبي الإحصائي عبر التعشية” (Randomization). تفترض هذه المنهجية أن التوزيع العشوائي التام للمشاركين على المجموعات سيؤدي إلى توزيع متكافئ للسمات الفردية والمتغيرات الدخيلة بين المجموعات عبر قانون الأعداد الكبيرة. ومع ذلك، تظل هذه الفرضية هشة ومعرضة للاختلال في العينات الصغيرة أو المتوسطة (مثل عينات $N = 15$ لكل مجموعة)، حيث قد تتركز سمات معينة في إحدى المجموعات بمحض الصدفة، مما يربك تفسير النتائج.

في المقابل، توفر القياسات المتكررة أعلى مستويات “الضبط الذاتي الداخلي”؛ حيث يتم تثبيت جميع المتغيرات الدخيلة الدائمة بصورة مطلقة دون الحاجة للاعتماد على افتراضات التعشية. ومع ذلك، يدخل الباحث في مفاضلة منهجية واضحة؛ إذ يتطلب ضبط التصميم المتكرر تحكماً تجريبياً معملياً صارماً لتفادي التداخل الزمني، وتحديد فترات غسيل كافية (Washout Periods) بين الجلسات في التجارب الدوائية والنفس-عصبية، والموازنة الدقيقة لمثيرات التجربة لتجنب تحيز الترتيب.

7.3 تأثير بنية البيانات على التقديرات المعلمية

تؤثر بنية مصفوفة التغاير والتباين تأثيراً مباشراً على اتساع فترات الثقة (Confidence Intervals) وتقدير الخطأ المعياري للمتوسطات. في القياسات المتكررة، يؤدي الارتباط الموجب المرتفع بين القياسات ($r > 0$) إلى تقليص الخطأ المعياري لفرق المتوسطات مقارنة بالعينات المستقلة:

$$SE_{(\bar{X}_1 – \bar{X}_2)} = \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2} – 2r \left(\frac{s_1}{\sqrt{n_1}}\right)\left(\frac{s_2}{\sqrt{n_2}}\right)}$$

يساهم الحد التغايري المطروح ($-2r$) في خفض الخطأ المعياري، مما ينتج فترات ثقة أضيق وتقديرات أكثر دقة وموثوقية للتأثيرات التجريبية. ومع ذلك، تقف النماذج المعلمية الكلاسيكية عاجزة إذا كانت الفروق الفردية غير مستقرة عبر الزمن (كوجود تفاعل بين خصائص الفرد والزمن)، وهو ما يستدعي في الحالات المتقدمة الانتقال إلى نماذج التأثيرات المختلطة غير المقيدة بافتراضات التغاير المنتظم.

8. القوة الإحصائية وحجم العينة (Statistical Power & Sample Size Efficiency)

8.1 مقارنة القوة الإحصائية بين التصميمين

تُعرّف القوة الإحصائية (Statistical Power: $1 – \beta$) بأنها احتمالية نجاح الاختبار الإحصائي في رفض الفرضية الصفرية عندما تكون خاطئة بالفعل في المجتمع (أي القدرة على اكتشاف الأثر الحقيقي الموجود). تتفوق تصاميم القياسات المتكررة بشكل حاسم على تصاميم المجموعات المستقلة في معدلات القوة الإحصائية لنفس الحجم الكلي للملاحظات.

يرجع هذا التفوق إلى أن القوة الإحصائية دالة مباشرة في النسبة الفائية ($F$). وبما أن عزل $SS_{Subjects}$ يخفض قيمة $MS_{Error}$ في المقام، فإن قيمة $F$ المحسوبة ترتفع بشكل تلقائي، مما يقلل من احتمالية ارتكاب الخطأ من النوع الثاني ($\beta$). فإذا افترضنا وجود حجم تأثير متوسط ($f = 0.25$)، فإن دراسة معتمدة على المجموعات المستقلة قد تتطلب تجنيد مئات المشاركين للوصول إلى قوة إحصائية قياسية تبلغ $0.80$، في حين يمكن لتصميم القياسات المتكررة تحقيق نفس القوة بجزء يسير من ذلك العدد، خاصة كلما زادت قوة الارتباط ($r$) بين القياسات المتكررة لنفس الأفراد.

8.2 حساب حجم العينة المطلوب (Power Analysis)

يُعد التخطيط القبلي لحجم العينة (A-priori Power Analysis) باستخدام برمجيات متخصصة مثل G*Power ضرورة منهجية وأخلاقية ملحة لتجنب الدراسات منخفضة القوة (Underpowered Studies). تختلف خوارزميات الحساب بين النموذجين على النحو الآتي:

• تحليل التباين أحادي الاتجاه (One-Way ANOVA): يتطلب تحديد ثلاثة بارامترات أساسية: حجم التأثير المستهدف (Cohen’s $f$)، ومستوى الدلالة ($\alpha = 0.05$)، والقوة الإحصائية المطلوبة ($1 – \beta = 0.80$). فإذا كان لدينا 3 مجموعات وحجم تأثير متوسط ($f = 0.25$)، يشير برنامج G*Power إلى الحاجة لـ 159 مشاركاً إجمالياً (53 مشاركاً لكل مجموعة).
• تحليل القياسات المتكررة (Repeated Measures ANOVA): يتطلب إدخال بارامتر رابع بالغ الأهمية وهو “متوسط الارتباط بين القياسات المتكررة” (Correlation among repeated measures – $r$)، إضافة إلى معامل تصحيح الكروية ($epsilon$). إذا افترضنا نفس المعطيات السابقة ($f = 0.25, \alpha = 0.05, 1-\beta = 0.80$) مع ارتباط متبادل معتاد ($r = 0.50$) عبر 3 قياسات، فإن حجم العينة الإجمالي المطلوب ينخفض إلى 28 مشاركاً فقط!

يوضح هذا الفارق الشاسع الكفاءة اللوجستية للقياسات المتكررة، على الرغم من ضرورة وضع احتمالية انسحاب المشاركين أو التسرب (Attrition) في الحسبان عند التخطيط للدراسات الطولية.

8.3 مقاييس حجم التأثير الخاصة بكل نموذج

لا تكفي القيمة الاحتمالية ($p$-value) للحكم على الأهمية العلمية للنتائج، بل يجب تقديم مقاييس حجم التأثير (Effect Size) لتقدير نسبة التباين المفسر في المتغير التابع بواسطة المعالجة التجريبية. وتتوزع هذه المقاييس وفق الآتي:

• إيتا مربعة ($\eta^2$ – Eta Squared): تمثل نسبة التباين الكلي المفسر بالمعالجة:
  $$\eta^2 = \frac{SS_{Conditions}}{SS_{Total}}$$
  تتسم بالتحيز التصاعدي في العينات الصغيرة وتعتمد قيمتها على نوع التصميم.
• إيتا مربعة جزئية ($\eta_p^2$ – Partial Eta Squared): هي المقياس الافتراضي في حزم الإحصاء المتقدمة، وتُحسب باستبعاد مصادر التباين الأخرى غير المرتبطة بالخطأ:
  $$\eta_p^2 = \frac{SS_{Conditions}}{SS_{Conditions} + SS_{Error}}$$
  في تحليل التباين أحادي الاتجاه المستقل تتساوى $\eta^2$ مع $\eta_p^2$ تماماً نظراً لعدم وجود مصادر تباين أخرى غير $SS_{within}$، بينما تكون $\eta_p^2$ أكبر بكثير من $\eta^2$ في القياسات المتكررة نتيجة استبعاد تباين الأفراد من المقام.
• أوميغا مربعة ($\omega^2$ و $\omega_p^2$ – Omega Squared): مقياس تقديري غير متحيز للمجتمع الإحصائي يُنصح به أكاديمياً، وتُحسب أوميغا الجزئية في القياسات المتكررة بالصيغة:
  $$\omega_p^2 = \frac{df_{\text{cond}}(MS_{\text{cond}} – MS_{\text{error}})}{SS_{\text{cond}} + (N – df_{\text{cond}})MS_{\text{error}} + SS_{\text{subjects}}}$$

وفقاً لمعايير كوهين (Cohen’s benchmarks)، يُصنف حجم التأثير $\eta_p^2$ إلى: تأثير صغير ($0.01$)، تأثير متوسط ($0.06$)، وتأثير كبير ($0.14$).

9. الاختبارات البعدية والمقارنات المتعددة (Post-Hoc Tests & Pairwise Comparisons)

9.1 مبررات إجراء الاختبارات البعدية وتعديل الدلالة

يُعد اختبار تحليل التباين الكلي اختباراً شاملاً (Omnibus Test)؛ فهو يخبر الباحث بوجود اختلاف ذي دلالة إحصائية في مكان ما بين المتوسطات، لكنه لا يحدد بدقة أي زوج من المتوسطات هو المسؤول عن هذا الاختلاف، ولا يكشف عن اتجاه الفروق. وعليه، يصبح الانتقال إلى مرحلة المقارنات الثنائية المتعددة (Pairwise Comparisons) أو المقارنات المخططة مسبقاً (Planned Contrasts) ضرورة حتمية لتفسير ديناميكية التأثير التجريبي.

تتمثل المشكلة الإحصائية الكبرى في مرحلة المقارنات البعدية في تفاقم معدل الخطأ العائلي ($\alpha_{FW}$). فإذا أجرى الباحث مقارنات ثنائية عادية دون تصحيح، سيتضاعف احتمال الوقوع في كشف إيجابي كاذب. ولهذا طُوّرت خوارزميات رياضية صارمة لتعديل مستويات الدلالة أو تعديل الخطأ المعياري بما يضمن بقاء معدل الخطأ الكلي لجميع المقارنات تحت سقف $0.05$.

9.2 الاختبارات البعدية لتحليل التباين أحادي الاتجاه

تتوفر لتصاميم المجموعات المستقلة مجموعة من الاختبارات البعدية المرموقة، وتعتمد المفاضلة بينها على استيفاء الافتراضات الإحصائية وتساوي أحجام العينات:

• اختبار توكي للفرق ذي الدلالة الحقيقية (Tukey’s HSD): يُعد الخيار المعياري والأكثر انتشاراً عند تساوي تباينات المجموعات، ويحافظ على قوة إحصائية متوازنة مع ضبط صارم للخطأ العائلي عند إجراء جميع المقارنات الزوجية الممكنة.
• اختبار شيفيه (Scheffé Test): يمثل الاختبار الأكثر تحفظاً وصرامة، ويُستخدم عندما يرغب الباحث في إجراء مقارنات مركبة معقدة (مثل مقارنة متوسط مجموعة تجريبية بمتوسط مجموعتين أُخريين مجتمعتين) وليس مجرد مقارنات ثنائية بسيطة.
• اختبار جيمس-هاويل (Games-Howell Test): يُعد البديل الأقوى والأمثل عندما ينتهك الباحث افتراض تجانس التباين ($p < 0.05$ في اختبار ليفين) وتكون أحجام عينات المجموعات غير متساوية، حيث لا يفترض تساوي التباينات ويحسب درجات حرية معدلة لكل زوج من المجموعات.

9.3 المقارنات المتعددة في القياسات المتكررة

تتطلب القياسات المتكررة استراتيجية مختلفة في إجراء المقارنات؛ نظراً لأن الارتباط الداخلي بين القياسات يلغي استقلالية المقارنات. تتضمن الأساليب المعتمدة في هذا الإطار:

• اختبارات “ت” للعينات المترابطة مع تصحيح بونفيروني (Bonferroni Adjustment): يتم إجراء اختبارات $t$ للمقارنات المزدوجة مع قسمة مستوى الدلالة الألفي الاسمي على عدد المقارنات ($p_{\text{critical}} = \frac{\alpha}{c}$). ورغم تحفظه المرتفع، إلا أنه يوفر أقصى حماية ضد الخطأ من النوع الأول.
• تعديل سيداك (Šidák Correction): يُعد بديلاً رياضياً أدق وأقل تحفظاً بقليل من بونفيروني، ويُحسب بالصيغة:
  $$\alpha_{\text{adjusted}} = 1 – (1 – \alpha)^{1/c}$$
• المقارنات المخططة وتحليل الاتجاهات (Polynomial Trend Analysis): عندما يمثل المتغير المستقل متغيراً ترتيبياً أو كمياً متدرجاً (مثل جرعات دواء متزايدة، أو قياسات عبر الزمن)، يُفضل استخدام تحليل الاتجاه لتقييم ما إذا كان مسار التغير يتبع منحنى خطياً مستقيماً (Linear Trend)، أو منحنى تربيعياً أحادي الانحناء (Quadratic Trend / U-shaped)، أو منحنى تكعيبياً متموجاً (Cubic Trend)، مما يوفر عمقاً نظرياً يفوق مجرد المقارنات الزوجية المحدودة.

10. أمثلة وسيناريوهات تطبيقية مفصلة من علم النفس والعلوم السلوكية

10.1 سيناريو تطبيقي 1: دراسة الفروق بين مجموعات العلاج النفسي

أجرى فريق من علماء النفس الإكلينيكي تجربة عشوائية منضبطة (RCT) لتقييم كفاءة التدخلات النفسية في خفض أعراض اضطراب القلق العام. تم توزيع 45 مريضاً عشوائياً وبصورة متساوية على ثلاث مجموعات مستقلة ($n = 15$ في كل مجموعة):

• المجموعة 1: تلقت برنامج العلاج السلوكي المعرفي (CBT).
• المجموعة 2: تلقت برنامج اليقظة الذهنية وتخفيض الضغوط (MBSR).
• المجموعة 3: مجموعة ضابطة وُضعت على قائمة الانتظار (Control).

بعد 8 أسابيع من التدخل، تم قياس مستوى القلق باستخدام مقياس بيك للقلق (BAI – الدرجات من 0 إلى 63). تم تحليل البيانات باستخدام One-Way Between-Subjects ANOVA.

أظهرت النتائج الإحصائية الوصفية المتوسطات والانحرافات المعيارية الآتية: مجموعة CBT ($M = 14.20, SD = 3.50$)، ومجموعة MBSR ($M = 18.60, SD = 4.10$)، والمجموعة الضابطة ($M = 28.40, SD = 4.80$). أشار اختبار ليفين لتجانس التباين إلى استيفاء الافتراض ($F(2, 42) = 0.84, p = 0.438$). وأسفر تحليل التباين أحادي الاتجاه عن وجود تأثير جوهري دال إحصائياً لنوع التدخل العلاجي على درجات القلق:

$$F(2, 42) = 48.72, \quad p < 0.001, \quad \eta_p^2 = 0.699$$

كشفت المقارنات البعدية باستخدام اختبار توكي (Tukey’s HSD) أن كلاً من مجموعتي CBT و MBSR حققتا انخفاضاً دالاً إحصائياً في القلق مقارنة بالمجموعة الضابطة ($p < 0.001$). علاوة على ذلك، تفوقت مجموعة CBT بدلالة إحصائية على مجموعة MBSR في خفض أعراض القلق بمقدار فرق بلغ $4.40$ درجة لصالح CBT ($p = 0.012$).

10.2 سيناريو تطبيقي 2: دراسة أثر فترات الحرمان من النوم على الانتباه

في مختبر أبحاث علم النفس العصبي المعرفي، رغب الباحثون في فحص تدهور سرعة المعالجة الإدراكية والانتباه المستمر تحت وطأة الحرمان التدريجي من النوم. تم استقطاب عينة من 12 متطوعاً من البالغين الأصحاء ($N = 12$)، وأُخضع كل مشارك لثلاث جلسات اختبار معملية متتالية لقياس زمن رد الفعل الحركي (بالميللي ثانية – ms) باستخدام مهمة الانتباه الفردي (PVT)، بعد ثلاث فترات حرمان من النوم:

1. الشرط الأول: نوم طبيعي مستقر بمعدل 8 ساعات (0 ساعة حرمان).
2. الشرط الثاني: بعد 24 ساعة من الحرمان التام من النوم.
3. الشرط الثالث: بعد 48 ساعة من الحرمان التام من النوم.

تم تحليل البيانات المترابطة باستخدام One-Way Repeated Measures ANOVA.

أظهرت البيانات الوصفية تدهوراً مطرداً في زمن الاستجابة (تباطؤ الأداء) بزيادة ساعات الحرمان: شرط 0 ساعة ($M = 245.50\text{ ms}, SD = 22.10$)، شرط 24 ساعة ($M = 312.80\text{ ms}, SD = 28.40$)، وشرط 48 ساعة ($M = 420.30\text{ ms}, SD = 35.60$).

عند فحص الافتراضات، أشار اختبار موتشلي للكروية إلى انتهاك الافتراض ($\chi^2(2) = 7.85, p = 0.020$) مع قيمة إبسيلون لغرينهاوس-غايسر بلغت $\hat{\epsilon} = 0.642$. وبناءً عليه، تم تطبيق تصحيح غرينهاوس-غايسر لتعديل درجات الحرية من $(2, 22)$ إلى $(1.28, 14.12)$.

أظهرت النتائج المصححة تأثيراً جوهرياً فائق الدلالة لفترات الحرمان من النوم على تباطؤ زمن رد الفعل:

$$F(1.28, 14.12) = 168.45, \quad p < 0.001, \quad \eta_p^2 = 0.939$$

أظهر تحليل الاتجاه التعددي وجود اتجاه خطي صاعد فائق الدلالة ($F(1, 11) = 245.18, p < 0.001$)، مما يؤكد أن زمن رد الفعل يتناسب طردياً بصورة مباشرة مع ساعات الحرمان المتراكمة من النوم.

10.3 تحليل مقارن للمخرجات الإحصائية في SPSS و R لكلا السيناريوهين

لتنفيذ هذه التحليلات عملياً، توفر برمجيات الإحصاء مسارات دقيقة لتشغيل النماذج واستخراج الجداول التفصيلية:

خطوات التنفيذ في برمجية SPSS:

• بالنسبة لتحليل One-Way ANOVA: من القائمة الرئيسية يتم النقر على Analyze -> Compare Means -> One-Way ANOVA. يُنقل المتغير التابع إلى خانة Dependent List ومتغير المجموعات إلى Factor. من نافذة Post Hoc يتم اختيار Tukey و Games-Howell، ومن نافذة Options يتم تفعيل Descriptive و Homogeneity of variance test و Welch.
• بالنسبة لتحليل Repeated Measures ANOVA: يتم الانتقال إلى Analyze -> General Linear Model -> Repeated Measures. يُعرّف المتغير الداخلي (مثل Time) وتُحدد مستوياته الثلاثة. تُنقل الأعمدة المقابلة (Time1, Time2, Time3) إلى خانة Within-Subjects Variables. من خيار EM Means يتم طلب مقارنة المتوسطات مع تفعيل تعديل Bonferroni.

التنفيذ البرمجي عبر لغة R الإحصائية:

في بيئة R، يتم الاعتماد على حزم التحليل الحديثة مثل tidyverse و rstatix و afex لتنفيذ النمذجة واستخراج النتائج المجدولة بصورة احترافية:

لتحليل المجموعات المستقلة (One-Way ANOVA):

يتم استخدام الدالة المباشرة في حزمة rstatix: model1 % anova_test(BAI_score ~ Group) متبوعة بفحص ليفين levene_test(BAI_score ~ Group) والمقارنات البعدية tukey_hsd(BAI_score ~ Group).

لتحليل القياسات المتكررة (Repeated Measures ANOVA):

تُنفذ النمذجة باستدعاء دالة النماذج المترابطة: model2 <- anova_test(data = df_long, dv = Reaction_Time, wid = Subject_ID, within = Sleep_Deprivation) والتي تُخرج تلقائياً جدول فحص الكروية لموتشلي، وقيم إبسيلون لغرينهاوس-غايسر وهونه-فيلدت، وجدول التباين المصحح تلقائياً عند انتهاك الكروية مضافاً إليه حجم التأثير $\eta_p^2$ وفترات الثقة.

11. الأخطاء الشائعة والانتهاكات المنهجية وكيفية معالجتها

11.1 الأخطاء المنهجية في اختيار نوع التحليل

يقع بعض الباحثين في منزلقات منهجية جسيمة عند تحديد طبيعة التحليل الإحصائي الواجب تطبيقه، ومن أبرز هذه الممارسات الخاطئة:

1. معالجة القياسات المتكررة كعينات مستقلة: يلجأ بعض الباحثين خطأً إلى تطبيق One-Way ANOVA على بيانات قياسات متكررة. يؤدي هذا الخطأ إلى إغفال تام للارتباط الذاتي وتضخيم هائل لحدأ الخطأ ($SS_{within}$ بدلاً من $SS_{Error}$)، مما يرفع الخطأ من النوع الثاني ويفقد الدراسة القدرة على اكتشاف الدلالة الإحصائية الحقيقية.
2. معالجة المجموعات المستقلة كقياسات متكررة: يحدث هذا الخطأ عند إدخال بيانات مجموعات مختلفة في صفوف متقابلة في ملف البيانات وتطبيق القياسات المتكررة، مما يخلق ارتباطات زائفة غير موجودة واقعياً ويشوه درجات الحرية.
3. تجاهل مشكلة الفقد والتسرب (Missing Data / Attrition): في تحليل القياسات المتكررة عبر البرمجيات الكلاسيكية، يؤدي فقدان نقطة زمنية واحدة لمشارك معين إلى حذف كامل بيانات هذا المشارك من التحليل نهائياً (Listwise Deletion). يؤدي هذا الإجراء إلى خسارة فادحة في حجم العينة وانحياز منهجي في النتائج إذا لم يكن الفقد عشوائياً تماماً (Missing Completely at Random – MCAR).

11.2 معالجة انتهاكات الافتراضات الإحصائية

عندما تظهر الفحوص الاستكشافية انتهاكاً صارخاً لافتراضات النماذج المعلمية، يجب على الباحث اتباع بروتوكولات تصحيحية منضبطة وفق مسارات علمية محددة:

• التحويلات الرياضية للبيانات (Data Transformation): عند انتهاك التوزيع الطبيعي أو وجود التواء شديد في البيانات المستمرة، يمكن تطبيق التحويل اللوغاريتمي ($log(X)$) أو تحويل الجذر التربيعي ($\sqrt{X}$) لتقليص الالتواء وإعادة البيانات إلى مسارها الطبيعي التوزيعي.
• البدائل اللامعلمية الرتبية (Non-parametric Alternatives):
  • البديل اللامعلمي لتحليل One-Way ANOVA هو اختبار كروسكال-واليس (Kruskal-Wallis Test) الذي يعتمد على تحليل الرتب.
  • البديل اللامعلمي لتحليل Repeated Measures ANOVA هو اختبار فريدمان (Friedman Test) لمقارنة الرتب المترابطة عبر الشروط المتكررة.
• النماذج الخطية المختلطة (Linear Mixed-Effects Models – LMM): تُمثل النماذج المختلطة الحل الإحصائي الحديث والأكثر مرونة وقوة للتعامل مع معضلات القياسات المتكررة؛ حيث تستطيع التعامل بكفاءة متناهية مع البيانات المفقودة دون حذف المشارك، ولا تشترط كروية مصفوفة التغاير، وتسمح بنمذجة مسارات التغير الفردية والعامة في آن واحد.

11.3 الممارسات المضللة في تفسير النتائج ونشرها

تتعرض مصداقية البحوث المنشورة للتقويض عندما تقع في فخاخ التفسير المضلل للنتائج الإحصائية. من أبرز هذه الممارسات: الاعتماد الحصري والمطلق على القيمة الاحتمالية ($p < 0.05$) وإغفال تقرير أحجام التأثير وفترات الثقة. فالقيمة الاحتمالية ترتبط بحجم العينة؛ حيث يمكن لأدنى فرق غير ذي قيمة إكلينيكية أن يصبح دالاً إحصائياً في العينات الضخمة جداً، في حين قد يعجز تأثير علاجي فائق الأهمية عن بلوغ الدلالة في عينة صغيرة.

كذلك، يُعد إسقاط تقارير فحص الكروية وعدم الإفصاح عن معاملات تصحيح غرينهاوس-غايسر عند انتهاك الافتراض في دراسات القياسات المتكررة تدليساً منهجياً ينتهك معايير الشفافية العلمية. وأخيراً، يجب الحذر من الوقوع في مغالطة تفسير التغير الزمني كنتيجة سببية حتمية للمعالجة في التصاميم المتكررة أحادية المجموعة؛ إذ قد يرجع التحسن الملاحظ عبر الزمن إلى عوامل النضج الطبيعي (Maturation)، أو تأثيرات التاريخ الزمني، أو ظاهرة الانحدار نحو المتوسط (Regression to the Mean)، ما لم يتم ضبط هذه المهددات بمجموعات مقارنة متكافئة.

12. معايير الاختيار بين التحليلين وكيفية كتابة النتائج وفق معايير APA

12.1 شجرة اتخاذ القرار لاختيار التحليل الإحصائي الأمثل

لتسهيل مهمة الباحث في الاستقرار على الاختبار الإحصائي المناسب بدقة متناهية، نلخص معايير القرار المنهجي في الخطوات التتابعية الآتية:

1. طبيعة توزيع المشاركين:
   • إذا كان كل مشارك يخضع لشرط تجريبي واحد فقط وتوجد استقلالية تامة بين المجموعات $\leftarrow$ One-Way Between-Subjects ANOVA.
   • إذا كان نفس المشاركون يخضعون لجميع الشروط التجريبية أو يتم تتبعهم عبر الزمن $\leftarrow$ One-Way Repeated Measures ANOVA.
2. طبيعة المتغيرات والمهددات المنهجية:
   • إذا كانت التجربة تنطوي على تأثير تعلم لا يمكن محوه، أو تلوث معرفي بين الشروط $\leftarrow$ يجب اختيار تصميم المجموعات المستقلة حتماً.
   • إذا كانت العينة المستهدفة نادرة جداً، أو كانت الفروق الفردية الأساسية مرتفعة للغاية ونرغب في عزلها $\leftarrow$ يُفضل اعتماد تصميم القياسات المتكررة مع الموازنة المقابلة.
3. التصاميم المعقدة (الدمج):
   • إذا تضمنت الدراسة متغيراً مستقلاً بين المجموعات (مثل: نوع العلاج: CBT مقابل دواء) ومتغيراً مستقلاً داخل الأفراد (مثل: الزمن: قبل العلاج، بعده، والمتابعة) $\leftarrow$ يتم الانتقال إلى تحليل التباين المختلط (Mixed / Split-Plot ANOVA).

12.2 صياغة نتائج One-Way ANOVA وفق الدليل السابع لـ APA

يفرض الدليل السابع لجمعية علم النفس الأمريكية (APA 7th Edition) قواعد كتابة صارمة تضمن تقديم الصورة الكاملة للبيانات، وتشمل ذكر المتوسطات والانحرافات المعيارية، وقيمة $F$، ودرجات الحرية بين الأقواس، والقيمة الاحتمالية بدقة، وحجم التأثير، ونتائج المقارنات البعدية. تُصاغ الفقرة النموذجية على النحو الآتي:

“أُجري تحليل التباين أحادي الاتجاه للمجموعات المستقلة (One-Way Between-Subjects ANOVA) لتقييم أثر نوع التدخل العلاجي (CBT، اليقظة الذهنية MBSR، قائمة الانتظار) على مستويات القلق لدى المرضى. أظهرت النتائج وجود أثر دال إحصائياً لنوع التدخل العلاجي، $F(2, 42) = 48.72$، $p < .001$، $\eta_p^2 = .70$. وكشفت المقارنات البعدية باستخدام اختبار توكي (Tukey's HSD) عن انخفاض دال في درجات القلق لدى مجموعة CBT ($M = 14.20, SD = 3.50$) مقارنة بكل من مجموعة MBSR ($M = 18.60, SD = 4.10, p = .012$) ومجموعة قائمة الانتظار ($M = 28.40, SD = 4.80, p < .001$). كما أظهرت مجموعة MBSR انخفاضاً دالاً في القلق مقارنة بمجموعة الانتظار ($p < .001$)."

12.3 صياغة نتائج Repeated Measures ANOVA وفق الدليل السابع لـ APA

عند كتابة تقرير تحليل القياسات المتكررة وفق معايير APA 7، يجب توثيق نتائج فحص الكروية وقيمة إبسيلون، مع كتابة درجات الحرية المصححة (والتي تشتمل عادة على كسور عشرية بعد التصحيح):

“أُجري تحليل التباين للقياسات المتكررة (One-Way Repeated Measures ANOVA) لفحص تأثير فترات الحرمان من النوم (0 ساعة، 24 ساعة، 48 ساعة) على زمن رد الفعل الإدراكي. أشار اختبار موتشلي إلى انتهاك افتراض الكروية، $\chi^2(2) = 7.85$، $p = .020$؛ وبناءً عليه تم تصحيح درجات الحرية باستخدام تقديرات غرينهاوس-غايسر ($epsilon = .64$). أسفرت النتائج عن تأثير دال إحصائياً لفترات الحرمان من النوم على زمن الاستجابة، $F(1.28, 14.12) = 168.45$، $p < .001$، $\eta_p^2 = .94$. وأظهرت المقارنات المزدوجة المعدلة بتصحيح بونفيروني أن زمن رد الفعل بعد 48 ساعة حرمان ($M = 420.30\text{ ms}, SD = 35.60$) كان أبطأ بدلالة إحصائية مقارنة بشرط 24 ساعة ($M = 312.80\text{ ms}, SD = 28.40, p < .001$) وشرط النوم الطبيعي ($M = 245.50\text{ ms}, SD = 22.10, p < .001$)."

خاتمة

يمثل الاستيعاب العميق للفروق الجوهرية بين تحليل التباين أحادي الاتجاه للمجموعات المستقلة وتحليل التباين للقياسات المتكررة ركيزة لا غنى عنها لأي باحث يسعى إلى الرصانة المنهجية والنزاهة الإحصائية في العلوم النفسية والسلوكية. إن الاختيار بين هذين النموذجين يتجاوز مجرد الحسابات البرمجية الجاهزة؛ فهو قرار يرتبط بفلسفة التصميم التجريبي، وكيفية هيكلة العينات، وإدراك البنية التفكيكية للتباينات الرياضية، وطبيعة التعامل مع الفروق الفردية الكامنة.

يوفر تحليل المجموعات المستقلة بساطة منهجية وحصانة مطلقة ضد مهددات الترتيب والتلوث المعرفي، مما يجعله الخيار الأمثل للمقارنات العلاجية المنفصلة والدراسات المستعرضة. في المقابل، يتألق تحليل القياسات المتكررة بقدرته الاستثنائية على ترويض الفروق الفردية وعزلها عن حدأ الخطأ، مانحاً الباحثين قوة إحصائية فائقة وكفاءة لوجستية عالية لدراسة التغيرات النمائية والمسارات الزمنية بأقل عدد ممكن من المفحوصين، شريطة الالتزام الصارم بضبط تأثيرات الترتيب وفحص افتراضات الكروية وتصحيحها.

إن التطور المستمر في الممارسات الإحصائية المعاصرة—بدءاً من التحقق القبلي من القوة الإحصائية، ومروراً بالتقرير الإلزامي لأحجام التأثير وفترات الثقة، ووصولاً إلى الانفتاح على النماذج الخطية المختلطة—يعزز من قدرة الباحثين على استنطاق البيانات السلوكية بدقة، ويسهم في تجاوز أزمة قابلية التكرار، مرسخاً بذلك قواعد المعرفة العلمية الموثوقة في فهم النفس البشرية والسلوك الإنساني.

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.
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.3102/10769986001001069
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• 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
• Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731909
• 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.