المدى مقابل الانحراف المعياري: متى تستخدم كل منهما

في فضاء العلوم السلوكية والنفسية وتحليل البيانات التجريبية، يواجه الباحثون والممارسون تحدياً جوهرياً يتمثل في كيفية تلخيص الظواهر الإنسانية المعقدة واختزالها في مؤشرات رقمية ذات دلالة تفسيرية عميقة. لقرون خلت، هيمن البحث عن “المركز” أو القيمة المتوسطة التي تلتف حولها المشاهدات، مما جعل مقاييس النزعة المركزية مثل المتوسط الحسابي والوسيط والمنوال تتصدر واجهة التقارير الإحصائية. غير أن الاكتفاء بتمثيل البيانات عبر مركز ثقلها فقط يشبه محاولة استكشاف تضاريس جغرافية وعرة بالاعتماد على خريطة أحادية البعد؛ فهو يغفل تماماً طبيعة الانحدارات والقمم والوديان التي تشكل المشهد الحقيقي لتلك التضاريس. من هنا، تبرز مقاييس التشتت الإحصائي (Statistical Dispersion Measures) كركيزة لا غنى عنها لفهم طبيعة التباين والتنوع المتأصل في السلوك البشري والسمات السيكولوجية.

يمثل التشتت الإحصائي جوهر الفروق الفردية ومحور التمايز بين الأفراد داخل العينات والمجتمعات المدروسة. وبدون قياس دقيق لهذا التشتت، تصبح أي مقارنة بين مجموعتين تجريبيتين أو تقييم لبرنامج علاجي نفسي قاصرة ومضللة في كثير من الأحيان؛ إذ يمكن لمجموعتين متطابقتين تماماً في متوسط درجات القلق أو الاكتئاب أن تحملا ديناميكيات إكلينيكية متباينة جذرياً؛ حيث تكون درجات المجموعة الأولى متقاربة ومتجانسة حول المتوسط، بينما تتوزع درجات المجموعة الثانية في تشتت واسع يمتد من أدنى حدود المقياس إلى أقصى درجاته المتطرفة. ومن بين المقاييس الإحصائية المعتمدة لتقدير هذا التباعد، يبرز مقياسان كلاسيكيان متمايزان في البناء الرياضي والوظيفة المنهجية: “المدى” (Range) و”الانحراف المعياري” (Standard Deviation).

يهدف هذا المقال الأكاديمي الشامل إلى تفكيك الأسس النظرية والرياضية لكل من المدى والانحراف المعياري، واستعراض أوجه التطابق والاختلاف بينهما، وتقديم إطار عمل منهجي وإرشادي دقيق يحدد متى وكيف ينبغي على الباحث الإحصائي والمختص النفسي استخدام كل مقياس منهما. سنبحر عبر دراسة معمقة لخصائص كل أداة، ومدى تأثرها بالقيم المتطرفة، وشكل التوزيعات التكرارية، والحدود السيكومترية للقياس، مدعومة بدراسات حالة عملية وأمثلة تطبيقية من صلب الأبحاث السلوكية والإكلينيكية، وصولاً إلى بناء مصفوفة اتخاذ قرار تضمن أعلى مستويات الدقة والصدق الإحصائي في الأبحاث المعاصرة.

1. مقدمة في مقاييس التشتت الإحصائي ودورها في العلوم السلوكية والنفسية

1.1 أهمية قياس التباين والانتشار في البيانات النفسية

يعرّف التشتت الإحصائي بأنه الدرجة التي تتباعد أو تنتشر بها مفردات مجموعة من البيانات حول نقطة مركزية، مثل المتوسط الحسابي أو الوسيط. في مجالات علم النفس، والعلوم العصبية، والتربية، لا يُنظر إلى التباين الإحصائي بوصفه مجرد “خطأ قياس” أو ضوضاء يجب التخلص منها، بل هو انعكاس كمي مباشر لمفهوم الفروق الفردية (Individual Differences). تتفاوت استجابات البشر للدوافع البيئية والضغوط النفسية والتدخلات الدوائية والسلوكية تفاوتًا واسعًا نابعًا من البنية الجينية والخبرات التراكمية، ومن ثم فإن تكميم هذا التفاوت يمثل الغاية الأساسية للقياس النفسي.

يتجلى دور قياس التباين بوضوح عند دراسة تجانس العينات في الأبحاث الإكلينيكية والتجريبية. فعند تقييم فاعلية عقار نفسي جديد مضاد للذهان أو تدخل علاجي معرفي سلوكي، لا يكتفي الباحث بفحص ما إذا كان متوسط شدة الأعراض قد انخفض، بل يتوجب عليه التحقق من مدى تجانس هذا التحسن بين أفراد العينة التجريبية. إن العينة التي يظهر أفرادها استجابات متباينة للغاية بعد العلاج تشير إلى وجود متغيرات معدلة (Moderating Variables) غير مضبوطة، مثل الفروق الجينية في استقلاب الدواء أو السمات الشخصية الكامنة، وهو ما لا يمكن اكتشافه بالاعتماد على النزعة المركزية وحدها.

تترتب على الاعتماد الحصري على مقاييس النزعة المركزية مخاطر منهجية جسيمة تؤدي إلى استنتاجات خاطئة وتعميمات مشوهة. إن مجتمعين إحصائيين قد يتطابقان تماماً في المتوسط والوسيط، لكن أحدهما يتمتع باستقرار سلوكي عالٍ ودرجات متمركزة بإحكام حول الوسط، بينما يعاني المجتمع الآخر من استقطاب حاد وتشتت واسع يفرز فئات طرفية بالغة الشدة أو الضعف. إن إهمال مؤشرات التشتت يعني حجب الرؤية عن هذه التكوينات البنيوية في البيانات، مما يفرغ القرارات الإكلينيكية والسياسات التربوية من دقتها وصوابها.

1.2 لمحة تاريخية عن تطور مقاييس التشتت في الإحصاء الوصفي

بدأت الممارسات الإحصائية المبكرة بالاعتماد على أبسط صور القياس المقارن، حيث كان المدى (Range) هو المؤشر الأول والأكثر بديهية لتقدير الفوارق الإحصائية، إذ كان علماء الفلك الأوائل والتجار يكتفون برصد الفارق المطلق بين أعلى قيمة مسجلة وأدنى قيمة لتقدير حدود التغير في الظواهر الطبيعية. وعلى الرغم من فائدة المدى في توفير فكرة سريعة عن الحيز المكاني أو الزماني الذي تتحرك فيه الملاحظات، إلا أن قصوره الرياضي ظهر سريعاً مع تعقد المسائل العلمية والحاجة إلى تقديرات تعكس سلوك العينة ككل دون حصرها في أطرافها الخارجية.

شهد النصف الثاني من القرن التاسع عشر وبدايات القرن العشرين ثورة منهجية كبرى في معالجة التشتت، قادها رواد القياس السلوكي والحيوي. كان لعالم الإنسانيات والقياس النفسي السير فرانسيس غالتون دور محوري في لفت الانتباه إلى الفروق الفردية وحتمية قياس تباين القدرات العقلية، وتلاه تلميذه عالم الرياضيات والإحصاء كارل بيرسون، الذي صاغ في تسعينيات القرن التاسع عشر مصطلح “الانحراف المعياري” (Standard Deviation) ووضع رمزه الإغريقي الشهير سيغما (σ)، مؤسساً بذلك الأساس الرياضي الدقيق لتقدير المسافات المعيارية داخل التوزيعات الاحتمالية.

تزامن هذا التطور الرياضي مع قفزات كبرى في حقل القياس النفسي والتربوي، قادها علماء مثل تشارلز سبيرمان وألفريد بينيه وإدوارد ثورندايك، حيث أصبحت المقاييس النفسية تتطلب أدوات وصفية واستدلالية دقيقة لتقنين درجات الذكاء والسمات الشخصية. ومع نشأة وتطور الإحصاء الرياضي الحديث على يد رونالد فيشر، تحولت مقاييس التشتت من مجرد أدوات وصفية بسيطة إلى ركائز بنيوية في اختبار الفرضيات، ونمذجة التباين (ANOVA)، وتحليل الانحدار، مما جعل فهم الانتقال من المدى السطحي إلى الانحراف المعياري المعقد ضرورة معرفية لكل باحث علمي.

2. المفهوم النظري والرياضي للمدى (Range)

2.1 التعريف الرياضي وطريقة الحساب الأساسية

يمثل المدى الإحصائي (Range) المقياس الأبسط والأكثر وضوحاً من بين مقاييس التشتت، حيث يُعرّف بأنه الفارق الحسابي المطلق بين أعلى قيمة (القيمة العظمى) وأدنى قيمة (القيمة الدنيا) في مجموعة المشاهدات. من المنظور النظري، يحدد المدى المساحة أو الفاصل الزمني الكلي الذي تمتد عبره كافة القياسات المرصودة. يُعبر عن المعادلة الرياضية لحساب المدى للبيانات الأولية غير المبوبة بالصيغة البسيطة التالية:

المدى (R) = القيمة العظمى (Max) – القيمة الدنيا (Min)

في بعض الأدبيات الإحصائية الكلاسيكية، يضاف الرقم 1 إلى حاصل الطرح (خاصة عند التعامل مع متغيرات متقطعة أو درجات دراسية صحيحة) لحساب ما يسمى “المدى الشامل” أو الفعلي، غير أن الصيغة القياسية الأكثر شيوعاً واعتماداً في البرمجيات الإحصائية الحديثة تقتصر على الفارق المباشر بين الحدين. وعند استخراج المدى من مصفوفات البيانات الأولية غير المبوبة، يقوم المحلل بترتيب البيانات تصاعدياً أو تنازلياً لتحديد القيمتين الطرفيتين وحساب الفرق بينهما بخطوة حسابية واحدة.

أما في حالة البيانات المبوبة المدرجة ضمن جداول تكرارية، فإن حساب المدى يتخذ صيغاً تقريبية تعتمد على فئات التوزيع؛ حيث يُحسب إما من خلال إيجاد الفارق بين الحد الحقيقي الأعلى للفئة العليا والحد الحقيقي الأدنى للفئة الدنيا، أو بحساب الفارق بين مركزي هاتين الفئتين. يتسم المدى بخصائص المقياس الترتيبي/الفتري، غير أن افتقاره للعمق البنيوي يحد من إمكانية إخضاعه للعمليات الجبرية المتقدمة مثل الدمج أو التفكيك التحليلي كما هو الحال في التباين الرياضي.

2.2 الخصائص الرياضية والإحصائية للمدى

تتمثل الميزة الرياضية الأبرز للمدى في سهولة حسابه وسرعته الفائقة؛ فهو لا يتطلب سوى عمليتي فرز وطرح أساسيتين، مما يجعله وسيلة مثالية لإعطاء انطباع أولي وفوري عن النطاق الذي تتحرك فيه الملاحظات دون الحاجة إلى معالجات خوارزمية معقدة. ومع ذلك، فإن هذه البساطة تخفي وراءها عيباً منهجياً جوهرياً يتمثل في اعتماده الحصري والمطلق على قيمتين متطرفتين فقط من بين آلاف أو ملايين المشاهدات المحتملة، متجاهلاً تماماً النمط التوزيعي لكافة القيم الواقعة بين هذين الطرفين.

علاوة على ذلك، يتميز المدى بحساسية غير مستقرة لأحجام العينات؛ إذ يُظهر سلوكاً إحصائياً غير مرغوب فيه يتمثل في ميله التلقائي للزيادة كلما زاد حجم العينة (Sample Size). فمع اتساع العينة، تزداد احتمالية التقاط قيم متطرفة نادرة في ذيول المجتمع الإحصائي، مما يجعل مقارنة المدى بين عينتين مختلفتي الحجم عملية غير عادلة ومضللة منهجياً. يُعرف المدى إحصائياً بأنه مُقدِّر ضعيف الكفاءة (Inefficient Estimator) لمعلمات التشتت في المجتمع، نظراً لضعف استقراره العيني (Sampling Instability)؛ حيث يتذبذب تذبذباً حاداً من عينة عشوائية إلى أخرى مسحوبة من نفس المجتمع.

تجعل هذه الخصائص المدى مقياساً فاقداً للمتانة الإحصائية؛ فهو عاجز عن التمييز بين توزيع متجانس تتكدس فيه 99% من البيانات حول المركز وقيمة واحدة شاذة في الأطراف، وبين توزيع متماثل يتوزع بانتظام عبر كامل الفاصل. وعليه، فإن المدى يقيس “الاتساع الظاهري الأقصى” ولا يقيس “بنية التشتت الداخلي”.

2.3 الاستخدامات التقليدية للمدى في القياس الأولي

على الرغم من القيود النظرية والرياضية للمدى، إلا أنه يظل أداة لا غنى عنها في مراحل الاستكشاف الأولي للبيانات (Exploratory Data Analysis – EDA). يُعد المدى خط الدفاع الأول للباحث للتأكد من سلامة إدخال البيانات والتحقق من خلوها من الأخطاء المطبعية أو التقنية الفادحة. فعلى سبيل المثال، إذا كان الباحث يطبق مقياساً نفسياً لتقدير الذات يتراوح مداه النظري المصمم بين 10 درجات كحد أدنى و50 درجة كحد أقصى، فإن فحص المدى الملاحظ واكتشاف قيمة عظمى تساوي 500 يشير فوراً إلى وجود خطأ مطبعي في إدخال البيانات يجب تصحيحه قبل الشروع في أي تحليلات متقدمة.

كذلك، يُستخدم المدى في ضبط وتحديد النطاقات الكلية للاختبارات والمقاييس النفسية والتربوية، وتحديد السعات الاستيعابية للدرجات الخام. وفي مجالات مراقبة الجودة اللحظية والتجارب المخبرية في علم النفس التجريبي، يُعتمد المدى في لوحات التحكم الصناعية والنفس-فيزيائية لتتبع التغيرات السريعة في زمن رد الفعل أو مستويات الضغط الحيوي، حيث يكون المطلوب هو الحصول على إنذار سريع ومبكر إذا تجاوز التذبذب حدوداً رقمية معينة دون انتظار الحسابات المعقدة.

يساعد المدى أيضاً في بناء الفئات وتحديد أطوالها في الجداول التكرارية الأولية، ووضع المعايير التقريبية لتقسيم الأداء النفسي إلى مستويات واسعة (مثل تصنيف مستويات الدافعية إلى فئات عريضة)، شريطة أن تُعامل هذه التصنيفات بوصفها مؤشرات تمهيدية تتطلب تدقيقاً عبر مقاييس أكثر رصانة ورسوخاً.

3. المفهوم النظري والرياضي للانحراف المعياري (Standard Deviation)

3.1 الأساس النظري والانحراف عن المتوسط الحسابي

يستند الانحراف المعياري إلى فكرة فلسفية ورياضية بالغة العمق: قياس متوسط المسافة التي تفصل كل نقطة بيانية في المجموعة عن نقطة ارتكاز التوزيع المتمثلة في المتوسط الحسابي. تبدأ هذه العملية بحساب “انحراف” كل قيمة فردية عن المتوسط بطرح المتوسط من كل درجة: (x – μ). غير أن محاولة إيجاد متوسط هذه الانحرافات تصطدم فوراً بحقيقة رياضية بديهية تُعرف بـ “معضلة المجموع الصفري للانحرافات”؛ حيث يتساوى مجموع الانحرافات الإيجابية للقيم الواقعة فوق المتوسط تماماً مع مجموع الانحرافات السلبية للقيم الواقعة تحته، مما يجعل حاصل جمعها يساوي صفراً دائماً لأي مجموعة بيانات دون استثناء.

للتغلب على هذه المعضلة الرياضية وتحييد تأثير الإشارات السالبة، لجأ الإحصائيون إلى تقنية التربيع الجبري؛ حيث يتم تربيع كل انحراف على حدة (x – μ)²، مما يحول كافة الفروق إلى مقادير موجبة، ثم يتم جمع هذه المربعات لتكوين ما يُعرف إحصائياً بـ “مجموع المربعات” (Sum of Squares – SS)، وهو المفهوم الذي يمثل النواة الصلبة لكافة تحليلات التباين في الإحصاء الكلاسيكي والحديث. وبقسمة مجموع المربعات على عدد القيم، نصل إلى مقياس “التباين” (Variance).

ومع ذلك، فإن التباين يعيب تطبيقه العملي أنه يعبر عن التشتت بوحدات قياس مربعة (مثل درجات ذكاء مربعة أو ثوانٍ مربعة)، وهو مفهوم يصعب تفسيره حسياً ونفسياً. من هنا، تأتي الخطوة الجوهرية الأخيرة بأخذ الجذر التربيعي الموجب للتباين، مما يعيد المقياس مباشرة إلى نفس وحدة القياس الأصلية للمتغير المدروس. من منظور الهندسة الفضائية ونظرية الاحتمالات، يمثل الانحراف المعياري المسافة الإقليدية المعيارية (Normalized Euclidean Distance) التي تفصل مصفوفة المشاهدات عن مركز ثقلها في فضاء متعدد الأبعاد.

3.2 الصيغ الرياضية للانحراف المعياري للمجتمع والعينة

يفرق التحليل الإحصائي بدقة متناهية بين حالتين لحساب الانحراف المعياري؛ تبعاً لما إذا كانت البيانات تمثل المجتمع الإحصائي بأسره أو تمثل عينة عشوائية مسحوبة منه. يُرمز للانحراف المعياري للمجتمع بالرمز الإغريقي سيغما (σ)، ويُحسب عبر الصيغة الرياضية التالية التي تقسم مجموع مربعات الانحرافات على الحجم الكلي للمجتمع (N):

σ = √ [ Σ(x – μ)² / N ]

أما عند التعامل مع العينات، والتي تمثل الواقع التجريبي الغالب في كافة الأبحاث النفسية والسلوكية، فإن استخدام الصيغة السابقة يؤدي إلى مشكلة منهجية خطيرة تتمثل في الميل التلقائي لتقليل التباين وتقدير تشتت المجتمع بدرجة أقل من واقعه الفعلي (Underestimation Bias). لمعالجة هذا التحيز الإحصائي، يُستخدم ما يُعرف تاريخياً بـ تصحيح بيسل (Bessel’s Correction)، حيث يُستبدل المقام (N) بمفهوم درجات الحرية (Degrees of Freedom) المتمثل في (n – 1)، ويُرمز لانحراف العينة بالرمز اللاتيني (s):

s = √ [ Σ(x – x̄)² / (n – 1) ]

تنبع أهمية إنقاص القاسم بمقدار واحد (n – 1) من أن حساب انحرافات قيم العينة يتم بالضرورة نسبةً إلى متوسط العينة (x̄) وليس متوسط المجتمع الحقيقي المجهول (μ). وبما أن متوسط العينة يتمحور تلقائياً في مركز قيم العينة نفسها ليجعل مجموع مربعات الانحرافات أقل ما يمكن، فإن القسمة على (n – 1) ترفع قيمة الناتج قليلاً لتوفر مقدراً غير متحيز إحصائياً (Unbiased Estimator) لمعلمة المجتمع. وتعتمد البرمجيات الإحصائية المتقدمة مثل SPSS وR وPython معادلات حاسوبية مختصرة ومطورة تعتمد على الحساب المباشر لمجموع القيم ومجموع مربعاتها لتقليل أخطاء التقريب الرقمي والتدوير الآلي أثناء المعالجة الحسابية الضخمة.

3.3 الخصائص الإحصائية والمزايا الرياضية للانحراف المعياري

يتمتع الانحراف المعياري بحزمة متفوقة من الخصائص الإحصائية التي جعلته حجر الزاوية في نظرية القياس والاستدلال العلمي. تكمن الميزة البنيوية الأولى في إشراك كل قيمة مفردة من قيم البيانات في تحديد النتيجة النهائية؛ فكل تعديل طفيف يطرأ على أي درجة داخل التوزيع يترك أثراً مباشراً ومحسوباً على قيمة الانحراف المعياري، مما يجعله يعكس النسيج التوزيعي الكامل دون اختزال مشوه.

تتمثل الميزة الثانية في القابلية العالية للانحراف المعياري والتباين للاشتقاق والتحليل الجبري المتقدم. فبفضل اعتماده على التربيع والجذور، يرتبط الانحراف المعياري مباشرة بنظريات الاحتمالات والتوزيعات الاحتمالية الكبرى، وعلى رأسها التوزيع الطبيعي المعياري (Standard Normal Distribution). كما يتيح استخدام مبرهنات رياضية محكمة، مثل مبرهنة النهاية المركزية (Central Limit Theorem)، مما يمنح الباحثين القدرة على تقدير فترات الثقة وإجراء الاختبارات المعلمية (Parametric Tests) مثل اختبارات “ت” (t-tests) وتحليل التباين (ANOVA).

بالإضافة إلى ذلك، يُظهر الانحراف المعياري استقراراً عينياً فائقاً مقارنة بالمدى عند تكرار سحب العينات العشوائية من نفس المجتمع؛ حيث يتذبذب بنسب ضئيلة وضمن حدود متوقعة رياضياً. هذا الاستقرار يمنحه صفة الكفاءة الإحصائية والاتساق الرياضي (Consistency)، وهما الشرطان الأساسيان لأي مقياس يعتمد عليه في تعميم النتائج من العينات المحدودة إلى المجتمعات الإنسانية الواسعة.

4. المقارنة المنهجية: أوجه التشابه والاختلاف الجوهرية بين المقياسين

4.1 أوجه التشابه في الوظيفة الإحصائية العامة

على الرغم من التباين الهيكلي بين المدى والانحراف المعياري، إلا أنهما يشتركان في وظيفة إحصائية جوهرية واحدة: تكميم مقدار التباعد والتفاوت والانتشار بين المشاهدات في متغير معين. يهدف كلا المقياسين إلى الإجابة عن سؤال منهجي أساسي: “إلى أي مدى تختلف درجات المفحوصين عن بعضها البعض؟” ومن ثم، يمثل كلاهما أدوات لا غنى عنها في وصف التغير وتحديد مدى تقارب أو تباعد الملاحظات.

يشترك المقياسان أيضاً في خاصية فيزيائية وإحصائية مهمة، وهي احتفاظهما بنفس وحدة قياس المتغير الأصلي المقاس. فإذا كانت البيانات تعبر عن أزمنة الاستجابة المعرفية بالمللي ثانية، فإن كلاً من المدى والانحراف المعياري يصدران بالمللي ثانية، مما يجعلهما قابلين للتفسير المباشر والمقارنة مع المتوسط، بخلاف مقياس التباين الذي ينتج قيماً مربعة مجردة يصعب ربطها حسياً بسلوك المفحوص.

علاوة على ذلك، يشترك المقياسان في حدودهما الرياضية الصفرية؛ فالقيمة الصفرية للمدى (R = 0) أو للانحراف المعياري (s = 0) تعني شيئاً واحداً لا لبس فيه: التطابق التام والمطلق لجميع مفردات العينة، حيث تصبح كافة الدرجات متطابقة مع بعضها ومع المتوسط الحسابي. كما يمتنع كلا المقياسين عن اتخاذ أي قيم سالبة مطلقاً؛ كونهما يمثلان في جوهرهما مسافات وأبعاداً إقليدية ومكانية موجبة في فضاء القياس الإحصائي.

4.2 الفروق البنيوية في معالجة البيانات الإحصائية

تنبع الفروق الجوهرية بين المدى والانحراف المعياري من الطريقة التي يعالج بها كل مقياس مفردات مصفوفة البيانات. يتعامل المدى مع البيانات باقتطاع نقطتين فقط: القيمة الدنيا والقيمة القصوى، مهملاً بصورة كلية كل ما يقع بينهما. في المقابل، يدمج الانحراف المعياري كامل الطيف البياني، مقيماً مسافة انحراف كل مفردة عن المركز، وموازناً بين ثقل التمركز الداخلي والامتداد الخارجي.

تنعكس هذه الفروق البنيوية مباشرة على حساسية المقياسين للقيم القصوى والشاذة. فالمدى يتأثر بصورة فورية ومطلقة بالقيمة القصوى الوحيدة، حيث يؤدي وجود درجة واحدة متطرفة إلى قفزة هائلة في قيمته لا تعبر عن بقية أفراد العينة. أما الانحراف المعياري، فرغم حساسيته للقيم المتطرفة بحكم عملية التربيع، إلا أن تأثير القيمة الواحدة يتوزع ويخفف عبر قسمته على إجمالي درجات الحرية وموازنته مع كافة الانحرافات الأخرى للقيم المعتدلة، مما يمنحه توازناً أكبر.

من الناحية الجبرية والاستدلالية، يقف الانحراف المعياري في مرتبة متقدمة للغاية مقارنة بالمدى؛ فالانحراف المعياري قابل للاشتقاق الرياضي، ويدخل في تركيب المعادلات الإحصائية المعلمية المتقدمة ونماذج الانحدار الخطي واللوجستي، في حين يظل المدى مؤشراً وصفياً محدوداً لا يمكن دمجه رياضياً في معادلات النمذجة الإحصائية البنائية أو تقديرات الثقة الاستدلالية المعقدة.

4.3 مقارنة الحساسية للحجم العيني ومستوى القياس

يعد التباين في الاستجابة لحجم العينة (Sample Size Dependence) أحد أبرز الفروق المنهجية الفاصلة بين المقياسين. يميل المدى بطبيعته التوزيعية إلى الاتساع والزيادة الحتمية كلما زاد عدد أفراد العينة؛ نظراً لأن زيادة السحب العشوائي ترفع الاحتمالية الرياضية لمصادفة مفحوصين ذوي سمات متطرفة في أقصى أطراف التوزيع السكاني. في المقابل، يظهر الانحراف المعياري استقراراً بنيوياً مذهلاً؛ حيث يستقر حول قيمة معلمة المجتمع (σ) كلما كبر حجم العينة، التزاماً بقوانين الأعداد الكبيرة والاستقرار الإحصائي.

تختلف متطلبات المقاييس أيضاً وفقاً لمستويات القياس (Levels of Measurement) لستيفنز. يمكن استخدام المدى وتفسيره مع البيانات ذات المستوى الترتيبي (Ordinal Data) والفتري (Interval) والنسبي (Ratio)، حيث يكتفي بترتيب البيانات وتحديد الطرفين. أما الانحراف المعياري، فيشترط بصورة صارمة أن تكون البيانات مقاسة على مستوى فتري أو نسبي حقيقي؛ لأن مفهوم المتوسط والانحرافات المحسوبة يفقد معناه الرياضي والدلالي إذا طُبق على رتب أو فئات كيفية تخلو من فواصل كمية متساوية.

أخيراً، يتميز الانحراف المعياري بقدرته على كشف التقطعات والأنماط الداخلية للتوزيع؛ فهو يعكس بدقة ما إذا كانت البيانات تتكدس بإحكام حول المركز أو تنفرط في فجوات متفرقة، في حين يظل المدى أعمى تماماً عن أي فراغات أو فجوات واسعة قد تتخلل المشاهدات، طالما بقيت القيمتان الطرفيتان ثابتتين دون تغيير.

5. متى يُفضل استخدام المدى؟ سياقات التطبيق والقيود المنهجية

5.1 الحالات التي يكون فيها المدى هو الخيار الأنسب أو الوحيد

على الرغم من التفوق الرياضي للانحراف المعياري، إلا أن هناك سياقات بحثية وتطبيقية محددة يظل فيها المدى هو الخيار الأكثر ملاءمة ومنطقية. تتصدر هذه السياقات التقارير الإحصائية الأولية والمسوحات الاستطلاعية السريعة التي تهدف إلى تقديم لمحة عامة فورية عن واقع ظاهرة معينة دون الخوض في تفاصيل حسابية معقدة. كما يعد المدى الأداة المثلى في مرحلة التدقيق الأولي للبيانات لتحديد ما إذا كانت القياسات قد وقعت ضمن الحدود الفيزيائية أو السيكومترية المسموح بها للاختبار.

كذلك، يُفضل استخدام المدى عند التعامل مع دراسات الحالات الفردية (Single-Case Studies) أو العينات شديدة الصغر (N < 5)، حيث يصبح حساب الانحراف المعياري وتقسيمه على درجات حرية متناهية في الصغر ممارسة إحصائية غير مستقرة ومعرضة لأخطاء التقدير العشوائي الحادة. في مثل هذه البيئات المصغرة، يكون التعبير عن الانتشار عبر ذكر أدنى وأعلى درجة محققة أكثر صدقاً وشفافية في نقل الواقع العملي.

يبرز المدى أيضاً كوسيلة اتصال بياني فعالة للغاية عند عرض النتائج الإحصائية لجمهور غير متخصص أو لمتخذي القرار في المؤسسات والمنظمات التعليمية؛ إذ يسهل على الشخص العادي استيعاب معنى “تراوح درجات الرضا الوظيفي بين 12 و88 درجة”، في حين قد يثير مفهوم “الانحراف المعياري البالغ 14.5” ارتباكاً مفاهيمياً يتطلب شرحاً رياضياً للتوزيعات والانحرافات.

5.2 تطبيقات المدى في البيئات الإكلينيكية ومراقبة السلوك

في الممارسات الإكلينيكية والطب النفسي التطبيقي، يكتسب المدى أهمية تشخيصية حاسمة تتجاوز أحياناً أهمية المؤشرات المعيارية. فعند مراقبة تقلبات المزاج لدى مرضى الاضطراب ثنائي القطب (Bipolar Disorder)، يهتم المعالج النفسي بتحديد المدى الكلي لتقلب المزاج خلال الأسبوع؛ أي رصد أدنى مستوى انحدار اكتئابي وأقصى مستوى للهوس والنشاط، لأن هذه الحدود الطرفية هي التي تحدد حجم الخطر السلوكي وإمكانية الإقدام على إيذاء الذات أو التهور الاندفاعي.

تتجلى فائدة المدى كذلك في تجارب علم النفس العصبي والقياس الفسيولوجي، وتحديداً عند قياس “أزمنة الرجع الحرجة” ومستويات الاستجابة الجلدية الجلفانية (GSR) أو تقلبات معدل ضربات القلب (HRV). إن معرفة أبطأ زمن استجابة وأسرعها لدى مفحوص تعرض لصدمة عصبية يعطي دلالات إكلينيكية مباشرة حول فترات الوميض والانقطاع الانتباهي التام (Attentional Lapses)، وهو ما قد يطمسه الانحراف المعياري إذا دمج هذه الأطراف الحرجة في متوسط كلي.

كما يُستخدم المدى في المؤسسات العلاجية المغلقة ومراكز تأهيل الإدمان لتحديد “نطاقات الأمان السلوكي”؛ حيث توضع حدود عليا ودنيا لمؤشرات التوتر الحركي أو الانفعالي للمرضى تحت الملاحظة الدائمة، وتُطلق بروتوكولات التدخل العلاجي الطارئ فور كسر المفحوص للمدى الآمن صعوداً أو هبوطاً.

5.3 المحاذير الأساسية والحدود المنهجية لاعتماد المدى

يرتبط استخدام المدى بمحاذير منهجية وإحصائية صارمة تمنع اعتماده كمؤشر وحيد في الأبحاث المحكمة. الخطر الأكبر يتمثل في التضليل الإحصائي الفادح الناتج عن وجود قيمة شاذة واحدة (Outlier) سببها خطأ في القياس أو استجابة عشوائية من أحد المفحوصين؛ حيث يؤدي ذلك إلى مضاعفة المدى وتصوير العينة على أنها متباينة للغاية، في حين أن 99% من أفرادها متجانسون تماماً ومتطابقون في درجاتهم.

تتمثل الثغرة المنهجية الثانية في عجز المدى التام عن تقديم أي معلومة حول الكيفية التي تتوزع بها الدرجات داخل الحدود المسجلة. فالمدى لا يوضح ما إذا كانت البيانات متجمعة في الوسط، أو مشتتة بالتساوي، أو مستقطبة عند القطبين (توزيع ثنائي القمة). هذا الفراغ المعلوماتي يجعل المدى غير كافٍ لبناء نماذج تفسيرية أو اتخاذ قرارات دقيقة تتعلق باختبار الفروق بين المجموعات.

يضاف إلى ذلك عدم صلاحية المدى للاختبارات الفرضية المعلمية المتقدمة مثل اختبارات “ت” وتحليل التباين ونماذج الانحدار، وصعوبة استخدامه في المقارنات بين المجموعات ذات الأحجام العينية المتباينة تبايناً كبيراً، حيث يتسع مدى المجموعات الكبيرة تلقائياً مقارنة بالمجموعات الصغيرة، مما يقوض العدالة المنهجية للمقارنة العلمية.

6. متى يُفضل استخدام الانحراف المعياري؟ معايير القياس المعياري والاستدلال

6.1 السياقات الإحصائية الحتمية لاستخدام الانحراف المعياري

يمثل الانحراف المعياري الخيار الحتمي والوحيد المقبول في كافة الأبحاث العلمية السلوكية والتجريبية التي تسعى لاختبار الفرضيات واستنتاج معالم المجتمعات من واقع العينات. يُعد الانحراف المعياري المدخل الإجباري لتحويل الدرجات الخام إلى درجات معيارية (Z-Scores) ودرجات تائية (T-Scores)، وهي العمليات الأساسية التي تتيح للعلماء مقارنة أداء المفحوص في اختبار الذكاء بأدائه في اختبار الذاكرة العاملة رغم اختلاف مقاييس ووحدات القياس الأصلية.

يلعب الانحراف المعياري أيضاً دوراً محورياً في حساب مقاييس حجم الأثر الإحصائي (Effect Size) مثل مقياس كوهين (Cohen’s d) ومقياس هيدجز (Hedges’ g)؛ حيث يُحسب الفارق بين متوسطي المجموعتين التجريبية والضابطة مقسوماً على الانحراف المعياري المجمع (Pooled Standard Deviation). وبدون هذا التقييس المعياري للتشتت، يستحيل تحديد ما إذا كان الفارق بين المجموعتين ذا دلالة عملية وتطبيقية حقيقية أم أنه مجرد تذبذب عشوائي طفيف.

علاوة على ذلك، يدخل الانحراف المعياري في حساب الخطأ المعياري للقياس (Standard Error of Measurement – SEM) والخطأ المعياري للمتوسط، وهما الركيزتان اللتان تبنى عليهما فترات الثقة (Confidence Intervals) لتقدير المعالم المجهولة في المجتمع، واختبار مدى اتساق وموثوقية أدوات التشخيص النفسي في البيئات العيادية والتربوية.

6.2 الانحراف المعياري والتوزيع الطبيعي (القاعدة التجريبية 68-95-99.7)

تتجلى القوة التفسيرية القصوى للانحراف المعياري عند تطبيقه على البيانات التي تتبع التوزيع الطبيعي المعياري (Normal Distribution)، حيث يحكمه قانون رياضي احتمالي بالغ الدقة يُعرف بـ “القاعدة التجريبية” (Empirical Rule) أو قاعدة (68-95-99.7). وفقاً لهذه القاعدة، فإن المساحة الواقعة تحت منحنى التوزيع الطبيعي تتوزع بنسب ثابتة ودقيقة تحكم انتشار الظواهر الإنسانية:

• 68.26% تقريباً من إجمالي المشاهدات تقع ضمن نطاق انحراف معياري واحد حول المتوسط (μ ± 1σ).
• 95.44% تقريباً من المشاهدات تقع ضمن نطاق انحرافين معياريين حول المتوسط (μ ± 2σ).
• 99.73% تقريباً من المشاهدات تقع ضمن نطاق ثلاثة انحرافات معيارية حول المتوسط (μ ± 3σ).

تستخدم هذه القاعدة في صياغة المعايير السيكومترية وتشخيص الاضطرابات النفسية وتحديد مستويات الذكاء والموهبة بدقة متناهية. ففي اختبارات الذكاء العالمية المقننة (مثل مقياس وكسلر)، حيث يُحدد المتوسط بـ 100 والانحراف المعياري بـ 15، يُصنف الأفراد الذين تقع درجاتهم تحت (100 – 2 × 15 = 70) ضمن فئة الإعاقة الذهنية أو التأخر المعرفي (أقل من 2.5% من المجتمع)، في حين يُصنف من تتجاوز درجاتهم (100 + 2 × 15 = 130) ضمن فئة الموهوبين والفائقين عقلياً، وهي استنتاجات لا يمكن استخلاصها مطلقاً باستخدام المدى.

6.3 تطبيقات القياس النفسي والنماذج السيكومترية

في حقل السيكومترك وبناء الاختبارات النفسية، يمثل الانحراف المعياري الأساس الرياضي لحساب معاملات الثبات (Reliability Indices). يعتمد معامل ألفا كرونباخ (Cronbach’s Alpha) للاتساق الداخلي كلياً على موازنة مجموع تباينات بنود الاختبار الفردية مع التباين الكلي لدرجة الاختبار الإجمالية، وهو ما يشتق مباشرة من الانحراف المعياري للبنود.

يمتد التطبيق إلى النظريات المتقدمة في القياس، مثل نظرية استجابة المفردة (Item Response Theory – IRT) ونمذجة المعادلات البنائية (Structural Equation Modeling – SEM) والتحليل العاملي التوكيدي (CFA). في هذه النماذج، يُعد تباين وانحراف الاستجابات حول المتغيرات الكامنة (Latent Variables) هو المادة الخام التي يُبنى عليها تقدير تشبعات البنود، وفحص مصفوفات التغاير (Covariance Matrices)، والتحقق من صدق البناء النظري للمقاييس متعددة الأبعاد.

تعتمد أيضاً عمليات معايرة الاختبارات النفسية وضمان العدالة وتكافؤ الصور المتعددة (Equating Test Forms) على مطابقة المتوسطات والانحرافات المعيارية عبر المجموعات المختلفة للتأكد من أن صعوبة الاختبار وقدرته التمييزية تظلان ثابتتين ومستقلتين عن خصائص العينة المعيارية المطبقة عليها.

7. أثر القيم المتطرفة والشذوذ الإحصائي على كلا المقياسين

7.1 تأثير القيم المتطرفة المباشر على قيمة المدى

تعتبر القيم المتطرفة (Outliers) — وهي المشاهدات التي تنحرف انحرافاً حاداً وغير معتاد عن بقية مصفوفة البيانات — بمثابة نقطة الضعف القاتلة لمقياس المدى. بحكم البناء الرياضي للمدى الذي يعتمد حصراً على القيمتين الطرفيتين، فإن إدراج قيمة شاذة واحدة في أقصى اليمين أو أقصى اليسار ينعكس فوراً وبشكل مطلق وبنسبة 100% على قيمة المدى، مما يضخمه بصورة دراماتيكية ومصطنعة تفصله تماماً عن واقع التوزيع الفعلي.

لتوضيح ذلك بمثال تطبيقي من تجارب زمن رد الفعل (Reaction Time): إذا كانت أزمنة استجابة 10 مفحوصين بالمللي ثانية هي: [210, 215, 220, 218, 222, 216, 219, 225, 212, 217]، فإن المدى هنا يساوي (225 – 210 = 15 مللي ثانية)، وهو ما يعكس تجانساً وسرعة معالجة عالية جداً. ولكن إذا غفا أحد المفحوصين للحظة واحدة أثناء التجربة أو حدث خلل في استجابة المفتاح وسُجلت قراءته بـ [1250 مللي ثانية]، فإن المدى يقفز فوراً إلى (1250 – 210 = 1040 مللي ثانية). لقد تحول المؤشر كلياً من وصف عينة فائقة التجانس إلى الإيحاء بعينة متناثرة ومتباينة تبايناً هائلاً، فقط بسبب مشاهدة شاذة واحدة.

لهذا السبب، يحظر الاعتماد على المدى في تفسير انتشار البيانات الملوثة بالقيم الشاذة، ويشترط استخدام استراتيجيات الفحص والاستكشاف، مثل مخططات الصندوق (Boxplots) والتحقق من أخطاء التسجيل، قبل تبني المدى كمؤشر إحصائي معتمد.

7.2 تأثير القيم المتطرفة على الانحراف المعياري وآليات التخفيف

لا يسلم الانحراف المعياري بدوره من التأثر بالقيم الشاذة، بل إنه يُعد من المقاييس الحساسة لها نظراً لأن عملية التربيع الجبري (x – x̄)² تضاعف من الأوزان النسبية للفروق الكبيرة. فعندما تنحرف قيمة ما انحرافاً واسعاً عن المتوسط، يتحول هذا الانحراف بالتربيع إلى قيمة أسية ضخمة تزيد من مجموع المربعات، وبالتالي ترفع قيمة الانحراف المعياري والتباين بصورة واضحة.

إلا أن الفارق المنهجي الجوهري بين الانحراف المعياري والمدى يكمن في وجود “آلية تخفيف وتوزيع رياضي” داخل بنية الانحراف المعياري. فالقيمة الشاذة ترفع أولاً المتوسط الحسابي بدرجة طفيفة، ثم يدخل انحرافها المربع ضمن مجموع مئات أو آلاف الانحرافات الأخرى للقيم الطبيعية، ليقسم في النهاية على درجات الحرية (n – 1) ويُؤخذ جذره التربيعي. هذا التسلسل الخوارزمي يخفف من الصدمة الرقمية للقيم الشاذة مقارنة بالمدى الذي يبتلع القيمة الشاذة بكامل حجمها مباشرة.

للتعامل مع البيانات التي تحتوي على قيم شاذة حقيقية لا يمكن حذفها، يلجأ الإحصائيون إلى تقنيات المعالجة القبلية، مثل تقنية “التشذيب” (Trimming) باقتطاع نسب مئوية محددة من الأطراف (مثل استبعاد أعلى وأدنى 5% من البيانات)، أو تقنية “الوينزرة” (Winsorization) باستبدال القيم الشاذة بأقرب القيم المقبولة داخل حدود التوزيع الطبيعي، لاستعادة استقرار الانحراف المعياري ودقته التفسيرية.

7.3 المتانة الإحصائية (Robustness) واستجابة المقاييس للتلوث البياني

في نظرية الإحصاء الرياضي المتقدم، تُعرّف المتانة الإحصائية (Statistical Robustness) بأنها قدرة المقياس على مقاومة التأثيرات المشوهة للقيم الشاذة والانحرافات عن افتراضات التوزيع الطبيعي. ويُعبر عن هذه الخاصية بمؤشر يُعرف بـ “نقطة الانهيار” (Breakdown Point)، وهي أصغر نسبة مئوية من الملاحظات الملوثة أو الشاذة التي يمكن أن تجعل المقياس غير محدود وتدفعه نحو اللانهاية.

تساوي نقطة الانهيار لكل من المدى والانحراف المعياري صفراً رياضياً (Breakdown Point = 0)؛ ففي حالة المدى، يكفي وجود قيمة شاذة واحدة فقط (1/n → 0) لتشويهه بالكامل، ونفس الأمر ينطبق رياضياً على الانحراف المعياري الكلاسيكي في العينات الكبيرة. يعني هذا أن كلا المقياسين يصنفان في الأدبيات المتقدمة بوصفهما مقاييس غير متينة (Non-Robust Measures) عند التعامل مع البيانات الملوثة بشدة أو التوزيعات ذات الذيول الثقيلة (Heavy-Tailed Distributions) مثل توزيع كوشي أو باريتو.

وعندما يواجه الباحث عينات مأخوذة من مجتمعات تنعدم فيها المتانة الإحصائية وتكثر فيها الانحرافات والتشوهات الطرفية، يصبح القرار المنهجي الصائب هو التحول نحو بدائل متينة ومستقرة، مثل المدى الربيعي (IQR) أو الانحراف المطلق عن الوسيط (MAD)، لتجنب الوقوع في فخ التقديرات الزائفة للتشتت والتباين.

8. العلاقة بين شكل التوزيع البياني واختيار مقياس التشتت المناسب

8.1 التوزيعات المتماثلة والجرسية (Symmetrical & Bell-Shaped)

تمثل التوزيعات المتماثلة والجرسية، وفي مقدمتها التوزيع الطبيعي الغوسي، البيئة الرياضية المثالية التي يتألق فيها الانحراف المعياري ويظهر كامل كفاءته التفسيرية والاستدلالية. في هذا النمط التوزيعي، تتطابق مقاييس النزعة المركزية الثلاثة (المتوسط، الوسيط، المنوال) في نقطة المنتصف تماماً، وتتناقص التكرارات بصورة متناظرة ومنتظمة كلما ابتعدنا عن المركز باتجاه الذيول اليمنى واليسرى.

في ظل هذا التماثل الكامل، يتكامل الانحراف المعياري مع المتوسط الحسابي ليقدما معاً وصفاً شاملاً ونهائياً للتوزيع؛ حيث تكفي معرفة قيمة هذين المعلمين فقط (μ و σ) لإعادة رسم منحنى التوزيع بالكامل واستنتاج احتمالات وقوع أي درجة بدقة متناهية. هنا، تتطابق التوقعات الاحتمالية النظرية للقاعدة التجريبية (68-95-99.7) مع الانتشار الفعلي المشاهد في العينة دون أي تشويه أو تزييف للواقع.

أما المدى في هذه التوزيعات، فيظل دوره مقتصراً على تقديم معلومات مكملة تصف النطاق الخام الكلي المشاهد في التجربة، ولكن لا يمكن أبداً الاعتماد عليه منفرداً لتوصيف دقة انتشار البيانات، حيث يكون الانحراف المعياري هو السيد المطلق للتحليل الإحصائي والنمذجة الرياضية.

8.2 التوزيعات الملتوية والتوزيعات متعددة القمم (Skewed & Multimodal)

عندما تنحرف البيانات عن التماثل وتنزلق نحو الالتواء الإيجابي (ذيل طويل نحو اليمين كما في بيانات الدخل وزمن رد الفعل) أو الالتواء السلبي (ذيل طويل نحو اليسار كما في درجات اختبار سهل جداً)، يفقد الانحراف المعياري تفسيره المعياري الدقيق المستند إلى التوزيع الطبيعي. فالتربيع يضخم من أثر الذيل الطويل، مما يسحب الانحراف المعياري بعيداً ويجعل نسب الانتشار حول المتوسط غير متناظرة؛ حيث لم يعد صحيحاً أن 68% من البيانات تقع ضمن نطاق متوسط ± انحراف معياري واحد.

يزداد المشهد تعقيداً في التوزيعات متعددة القمم (Multimodal Distributions)، حيث تتكدس البيانات حول مركزين أو أكثر داخل نفس العينة (كما في عينة مختلطة من الأسوياء والمصابين باضطراب نفسي حاد). هنا، يعجز كل من الانحراف المعياري والمدى عن نقل الحقيقة البنيوية للتوزيع؛ فالمدى يغفل وجود الفجوة الفاصلة بين القمتين، بينما يقدم الانحراف المعياري تقديراً هجيناً يوحي بوجود انتشار موحد حول متوسط يقع في مساحة فارغة في الأصل بين القمتين.

في مثل هذه الحالات الملتوية والمعقدة، توصي المنهجيات الإحصائية المتقدمة إما بإجراء تحويلات رياضية للبيانات (Data Transformations) مثل التحويل اللوغاريتمي (Log Transformation) أو تحويل جذر التربيع لإعادتها إلى التماثل والاعتدال قبل تطبيق الانحراف المعياري، أو التحول الكامل نحو مقاييس التشتت اللامعلمية المرتكزة على الوسيط والأرباع.

8.3 البيانات المقيدة والحدود السقفية والأرضية (Ceiling & Floor Effects)

تعد التأثيرات السقفية (Ceiling Effects) والتأثيرات الأرضية (Floor Effects) من المشكلات القياسية الشائعة في العلوم النفسية والتربوية؛ حيث يحدث التأثير السقفي عندما يكون المقياس أو الاختبار بالغ السهولة مما يدفع بنسبة ضخمة من المفحوصين لتسجيل الدرجة القصوى المسموح بها، في حين يحدث التأثير الأرضي عندما يكون الاختبار شديد الصعوبة فتتكدس الدرجات عند الحد الأدنى للمقياس.

تؤدي هذه القيود الاصطناعية المفروضة على المتغير إلى تشويه مباشر لقيم المدى والانحراف المعياري على حد سواء. فالمدى الفعلي ينكمش ويتطابق جبرياً مع المدى النظري لأداة القياس فقط لأن الأدوات لم تسمح للأفراد المتميزين بتجاوز السقف، مما يحجب التباين الحقيقي الكامن بين قدرات الأفراد الفائقين. ومن جانب آخر، يتعرض الانحراف المعياري لانكماش اصطناعي حاد (Artificial Restriction of Variance) نتيجة لتكدس المشاهدات عند الحافة وتلاشي ذيل التوزيع الطبيعي من أحد الجانبين.

لتشخيص هذه التأثيرات المنهجية، يلجأ الباحث إلى مقارنة المدى الملاحظ بالمدى النظري واستكشاف معاملات الالتواء والتفرطح؛ فإذا تبين وجود انكماش تبايني ناتج عن حدود سقفية، يتعين الحذر التام في تفسير الانحراف المعياري والامتناع عن مقارنته بانحرافات مقاييس أخرى غير مقيدة، مع التوصية بإعادة معايرة وتطوير بنود أداة القياس لتوسيع مداها الحساس واستيعاب التباين الإنساني الكامن.

9. تطبيقات عملية ودراسات حالة مقارنة من البحوث النفسية والتجريبية

9.1 دراسة حالة 1: قياس أزمنة الرجع في التجارب المعرفية الحاسوبية

في دراسة تجريبية استهدفت مقارنة سرعة المعالجة الذهنية والانتباه المستمر بين مجموعة من البالغين الأصحاء (المجموعة الضابطة، n = 10) ومجموعة تعاني من اضطراب فرط الحركة وتشتت الانتباه (مجموعة ADHD، n = 10)، طُبق اختبار زمن الرجع البصري المتسلسل عبر الحاسوب، وسُجلت أزمنة الاستجابة الفردية بالمللي ثانية (ms) كما هو موضح في مصفوفة البيانات التالية:

المجموعة الضابطة (أصحاء): [215, 220, 225, 230, 235, 240, 245, 250, 255, 260]
مجموعة ADHD: [205, 210, 215, 220, 225, 230, 235, 240, 245, 850]

بحساب المؤشرات الإحصائية للمجموعتين، نجد النتائج المعبرة التالية:

• المجموعة الضابطة: المتوسط = 237.5 ms، المدى = (260 – 215) = 45 ms، الانحراف المعياري (s) = 15.14 ms.
• مجموعة ADHD: المتوسط = 317.5 ms، المدى = (850 – 205) = 645 ms، الانحراف المعياري (s) = 188.75 ms.

يكشف التحليل المنهجي المقارن عن حقائق جوهرية؛ ففي المجموعة الضابطة، يعكس المدى الصغير (45 ms) والانحراف المعياري المنخفض (15.14 ms) استقراراً فائقاً وتجانساً في المعالجة المعرفية. أما في مجموعة ADHD، فقد أدى وميض انتباهي واحد لدى مفحوص تأخرت استجابته إلى (850 ms) إلى قفزة هائلة في المدى ليصبح (645 ms)، وتضخم الانحراف المعياري إلى (188.75 ms).

يوضح هذا المثال التطبيقي كيف أن الانحراف المعياري، رغم حساسيته للقيمة المتطرفة، يظل يعكس تباين المجموعة ككل عند نمذجة الأداء، بينما يقدم المدى إنذاراً سريعاً بوجود فترات تشتت قصوى (Attentional Lapses) تمثل السمة الإكلينيكية المميزة لاضطراب ADHD، مما يبرز التكامل الوظيفي بين قراءة المقياسين معاً لتفسير سلوك المعالجة المعرفية.

9.2 دراسة حالة 2: تقييم مقياس القلق الاجتماعي في عينة مدرسية

طبقت أخصائية نفسية مدرسية مقياس القلق الاجتماعي (المكون من 20 بنداً على تدريج ليكرت الخماسي، والمدى النظري لدرجاته يتراوح بين 20 إلى 100 درجة) على عينة مكونة من 150 طالباً في المرحلة الثانوية، بهدف تقييم حدة الأعراض وتصنيف الطلاب وفق مستويات الرعاية النفسية المطلوبة. أظهرت النتائج الإحصائية الوصفية ما يلي:

المتوسط الحسابي = 52.0 درجة، أدنى درجة مسجلة (Min) = 22 درجة، أعلى درجة مسجلة (Max) = 86 درجة، الانحراف المعياري (s) = 10.0 درجات، والبيانات تتبع توزيعاً طبيعياً معتدلاً.

أتاح استخدام المدى الملاحظ (86 – 22 = 64 درجة) للأخصائية التحقق السريع من كفاءة الأداة وتغطيتها لنطاق واسع جداً من التباين في البيئة المدرسية، مع خلو البيانات من التأثيرات السقفية أو الأرضية؛ إذ لم يتكتل الطلاب عند الحد الأدنى (20) أو الأقصى (100).

أما الانحراف المعياري (s = 10.0)، فقد اعتُمد عليه مباشرة في البناء السيكومتري وتصنيف الطلاب عبر المعايير المعيارية المشتقة من التوزيع الطبيعي:

• القلق المتوسط/الطبيعي: الدرجات الواقعة بين (μ ± 1s) أي من [42 إلى 62 درجة]، وضمت 68% من الطلاب.
• القلق المنخفض: الدرجات الأقل من (μ – 1s) أي دون [42 درجة]، وضمت 16% من الطلاب.
• القلق المرتفع سريرياً: الدرجات الأعلى من (μ + 2s) أي التي تجاوزت [72 درجة]، وضمت 2.5% من العينة (حوالي 4 طلاب)، والذين تم تحويلهم فوراً إلى برامج التدخل العلاجي الفردي.

يبرز هذا التطبيق المدرسي كيف يوفر المدى إطار التحقق من النطاق العام للأداة، بينما يتولى الانحراف المعياري المهمة التشخيصية الدقيقة المبنية على الاحتمالات المعيارية.

9.3 دراسة حالة 3: تقييم فاعلية برنامج علاجي لاضطراب المزاج

في دراسة إكلينيكية لتقييم فاعلية برنامج العلاج المعرفي السلوكي (CBT) الجماعي لتقليل أعراض الاكتئاب المقاسة بمقياس بيك للاكتئاب (BDI-II)، جرى تتبع درجات مجموعة علاجية مكونة من 20 مريضاً قبل بدء البرنامج (القياس القبلي) وبعد 12 أسبوعاً من الجلسات المكثفة (القياس البعدي). جاءت النتائج الإحصائية المقارنة كما هو مبين أدناه:

القياس القبلي (Pre-treatment):
المتوسط (M) = 34.50، الانحراف المعياري (SD) = 6.20، المدى (Range) = (44 – 23) = 21 درجة.
القياس البعدي (Post-treatment):
المتوسط (M) = 14.20، الانحراف المعياري (SD) = 2.10، المدى (Range) = (18 – 10) = 8 درجات.

يكشف التحليل الإحصائي المقارن أن فاعلية البرنامج العلاجي لم تتجلى فقط في الانخفاض الحاد لمتوسط أعراض الاكتئاب من المستوى الشديد (34.50) إلى المستوى الخفيف/الطبيعي (14.20)، بل تجلت أيضاً وبقوة في التغيرات الطارئة على مقاييس التشتت؛ حيث انكمش المدى من 21 إلى 8 درجات، وانخفض الانحراف المعياري بنسبة تقارب 66% (من 6.20 إلى 2.10).

يُفسر التراجع الملحوظ في الانحراف المعياري سيكولوجياً وإكلينيكياً بحدوث “تجانس علاجي” (Treatment Homogeneity)؛ أي أن البرنامج لم يساعد فقط قسماً محدوداً من المرضى وترك الآخرين، بل أدى إلى تقليص الفجوة التباينية وتوحيد مسار التحسن الإيجابي بين كافة المرضى. وفقاً لمعايير دليل النشر لجمعية علم النفس الأمريكية (APA Style 7th ed)، تصاغ النتائج في التقرير النهائي بالصيغة المعيارية الدقيقة التالية:

“أظهرت النتائج انخفاضاً ذا دلالة إحصائية في أعراض الاكتئاب بعد التدخل العلاجي المعرفي السلوكي (M = 14.20, SD = 2.10, Range = 8) مقارنة بالقياس القبلي (M = 34.50, SD = 6.20, Range = 21), t(19) = 14.85, p < .001, d = 3.32، مما يؤكد فاعلية البرنامج في تحسين الأعراض وزيادة تجانس الاستجابة الإكلينيكية بين المفحوصين.”

10. المقاييس المكملة والبديلة للمدى والانحراف المعياري

10.1 المدى الربيعي (IQR) ونصف المدى الربيعي

يعد المدى الربيعي (Interquartile Range – IQR) أحد أبرز مقاييس التشتت المتينة والمصممة خصيصاً لمعالجة أوجه القصور الجوهرية في المدى الكلاسيكي والانحراف المعياري عند وجود قيم شاذة أو التواء بياني حاد. يُعرّف المدى الربيعي رياضياً بأنه المسافة أو الفارق الحسابي بين المئين 75 (الربيع الثالث Q3) والمئين 25 (الربيع الأول Q1) في التوزيع المرتب:

IQR = Q3 – Q1

تكمن العبقرية المنهجية للمدى الربيعي في استبعاده المتعمد لأعلى 25% وأدنى 25% من مصفوفة البيانات؛ أي أنه يقتطع الأطراف كلياً ليركز حصرياً على قياس مدى انتشار “الـ 50% الوسطى” من المشاهدات. هذه الخاصية تمنحه مناعة ومتانة إحصائية فائقة ضد أي تشويه تسببه القيم الشاذة المتطرفة، مهما بلغت قيمتها العددية.

يقترن المدى الربيعي عادة بالوسيط (Median) لوصف التشتت في التوزيعات اللامعلمية والملتوية، ويشكل الأساس الرياضي لرسم المخططات الصندوقية (Boxplots) التي طورها جون توكي (John Tukey)؛ حيث يمثل الصندوق المدى الربيعي وتحدد شواربه (Whiskers) حدود المشاهدات الطبيعية وتكشف بدقة عن مواقع القيم الشاذة، مما يجعله مكملاً أساسياً للتحليلات الإحصائية الوصفية والاستكشافية.

10.2 متوسط الانحراف المطلق (MAD) والانحراف المطلق عن الوسيط

يقوم مقياس متوسط الانحراف المطلق (Mean Absolute Deviation) على فكرة هندسية بديهية وبسيطة لتجاوز معضلة المجموع الصفري للانحرافات دون اللجوء إلى التربيع؛ وذلك بحساب متوسط القيم المطلقة لانحرافات الدرجات عن متوسطها الحسابي: [ Σ|x – x̄| / n ]. يوفر هذا المقياس تقديراً مباشراً لمتوسط المسافة الحقيقية للقيم، غير أن خواصه الجبرية تظل أقل مرونة مقارنة بالانحراف المعياري في التحليلات الاستدلالية المتقدمة.

ومن رحم هذا المفهوم، برز مقياس أكثر متانة وقوة في الإحصاء الحديث يُعرف بـ الانحراف المطلق عن الوسيط (Median Absolute Deviation – MAD)، والذي يُحسب بإيجاد وسيط الانحرافات المطلقة لكل قيمة عن وسيط العينة الإجمالي:

MAD = Median( |x_i – Median(X)| )

يتميز مقياس MAD بأعلى نقطة انهيار ممكنة في علم الإحصاء (Breakdown Point = 50%)؛ مما يعني أن نصف بيانات العينة يمكن أن تتحول إلى قيم شاذة وملوثة دون أن يفقد المقياس استقراره أو ينهار رياضياً. ولذلك، يعد MAD البديل المعياري الأقوى للانحراف المعياري الكلاسيكي في الأبحاث السلوكية والتحليلات العصبية الحسابية التي تتسم بارتفاع نسب الشوائب والأخطاء الطرفية في القياس.

10.3 معامل الاختلاف (Coefficient of Variation)

يُعرّف معامل الاختلاف (Coefficient of Variation – CV)، والمعروف أيضاً بنسبة التشتت النسبي، بأنه حاصل قسمة الانحراف المعياري على المتوسط الحسابي، ويُعبر عنه عادة كنسبة مئوية مئوية:

CV = (s / x̄) × 100%

تتمثل الميزة الاستثنائية لمعامل الاختلاف في كونه مقياساً مجرداً وخالياً تماماً من وحدات القياس (Unitless Index). هذا التجرد يمنح الباحثين القدرة على حل معضلة منهجية كبرى: مقارنة تشتت وتباين متغيرين يقاسان بوحدات قياس مختلفة تماماً، أو مقارنة مجموعتين تتفاوتان تفاوتاً هائلاً في مستوى المتوسط الحسابي.

فعلى سبيل المثال، إذا أراد باحث مقارنة استقرار أداء المفحوصين بين اختبار زمن الرجع (المقاس بالمللي ثانية، بمتوسط 250 وSD = 25) واختبار دقة التصويب الحركي (المقاس بعدد النقاط، بمتوسط 10 وSD = 2)، فإن المقارنة المباشرة للانحراف المعياري (25 مقابل 2) تكون مضللة تماماً؛ ولكن بحساب معامل الاختلاف، نجد أن تشتت زمن الرجع هو (25/250 = 10%) بينما تشتت الدقة الحركية هو (2/10 = 20%)، مما يكشف أن الأداء الحركي يعاني من تشتت نسبي مضاعف مقارنة بزمن الرجع.

ومع ذلك، يخضع معامل الاختلاف لقيد منهجي صارم؛ إذ لا يجوز استخدامه إلا مع المتغيرات المقاسة على مقياس النسبة الحقيقي (Ratio Scale) الذي يحتوي على صفر مطلق حقيقي (مثل الزمن والوزن ومعدل النبض)، ويمتنع تطبيقه تماماً على المقاييس الفترية (Interval Scales) مثل درجات الحرارة أو درجات الذكاء واختبارات ليكرت التي تفتقر إلى نقطة الصفر الحقيقي المطلق.

11. الأخطاء الشائعة في حساب وتفسير مقاييس التشتت وكيفية تجنبها

11.1 الخلط المفاهيمي بين الانحراف المعياري والخطأ المعياري

يعد الخلط بين الانحراف المعياري (Standard Deviation – SD) والخطأ المعياري للمتوسط (Standard Error of the Mean – SEM) أحد أكثر الأخطاء المفاهيمية والتطبيقية شيوعاً في الأدبيات العلمية المنشورة. ينبع هذا الخلط من التشابه في التسمية والتقارب في الصيغ الرياضية؛ غير أن الوظيفة الإحصائية لكل منهما مختلفة جذرياً عن الأخرى:

• الانحراف المعياري (SD): مقياس إحصائي وصفي يهدف إلى قياس مقدار تشتت وانتشار البيانات الفردية حول متوسط العينة المدروسة.
• الخطأ المعياري (SEM): مقياس إحصائي استدلالي يهدف إلى تقدير دقة متوسط العينة بوصفه مقدراً لمتوسط المجتمع الحقيقي المجهول، ويحسب بقسمة الانحراف المعياري على الجذر التربيعي لحجم العينة [SEM = s / √n].

يرتكب بعض الباحثين خطأً منهجياً (ينطوي أحياناً على تضليل غير مقصود) باستبدال الانحراف المعياري بالخطأ المعياري في الجداول والرسوم البيانية دون توضيح؛ والسبب في ذلك أن الخطأ المعياري يكون دائماً أصغر بكثير من الانحراف المعياري بحكم قسمته على (√n)، مما يعطي انطباعاً بصرياً زائفاً بأن البيانات تتمتع بتجانس شديد ودقة متناهية. إن زيادة حجم العينة تؤدي إلى انكماش الخطأ المعياري واقترابه من الصفر، في حين يظل الانحراف المعياري ثابتاً ومستقراً ليعكس التشتت الطبيعي للمجتمع.

تفرض إرشادات دليل النشر العلمي لجمعية علم النفس الأمريكية (APA Style 7th ed) الشفافية المطلقة في كتابة الرموز؛ حيث يتعين كتابة (SD) صراحة عند وصف تباين العينات، وكتابة (SE) عند تقديم فترات الثقة والاستدلالات، مع توضيح ماهية أشرطة الخطأ (Error Bars) في كافة الأشكال التوضيحية.

11.2 الاستخدام الخاطئ لمعادلة المجتمع بدلاً من العينة

من الأخطاء الحسابية المتكررة في الأبحاث والرسائل العلمية استخدام معادلة الانحراف المعياري للمجتمع (القسمة على N) عند معالجة بيانات مسحوبة من عينة تجريبية، وإغفال استخدام درجات الحرية وتصحيح بيسل (القسمة على n – 1). تقع هذه المشكلة غالباً نتيجة لعدم إلمام الباحث بالإعدادات البرمجية الدقيقة داخل البرامج الإحصائية وجداول البيانات.

على سبيل المثال، في برنامج Microsoft Excel، تؤدي الدالة STDEV.P إلى حساب انحراف المجتمع بالقسمة على (N)، بينما تتولى الدالة STDEV.S حساب انحراف العينة بتطبيق تصحيح (n – 1). إذا اختار الباحث الدالة الأولى دون وعي، فإن القيمة الناتجة للانحراف المعياري والتباين ستكون أصغر من قيمتها الحقيقية الواجبة.

يترتب على هذا الخطأ الحسابي عواقب استدلالية وخيمة؛ فالتقليل غير المبرر من تشتت العينة يؤدي إلى تضخيم اصطناعي لقيم اختبارات “ت” (t-values) واختبارات “ف” (F-values)، مما يرفع بصورة خطيرة من معدل الوقوع في الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية الصائبة والادعاء الزائف بوجود فروق أو تأثيرات علاجية دالة إحصائياً وهي في الواقع مجرد وهم حسابي.

11.3 تجاهل مقاييس التشتت عند مقارنة المجموعات التجريبية

ينجرف الكثير من الباحثين وراء المقارنة الحصرية للمتوسطات الحسابية بين المجموعات التجريبية والضابطة، متناسين أن الفروق في التشتت والتباين تمثل ظاهرة إحصائية وسلوكية مستقلة بذاتها تستحق الدراسة المتعمقة. إن الاكتفاء باختبار الفروق بين المتوسطات مع إهمال فحص تباين المجموعات يمثل قصوراً منهجياً فادحاً.

يتجلى هذا القصور في إغفال فحص افتراض “تجانس التباين” (Homoscedasticity)، وهو الشرط الأساسي لصحة تطبيق الاختبارات المعلمية مثل تحليل التباين (ANOVA). إذا أظهرت اختبارات التجانس (مثل اختبار ليفين Levene’s Test) اختلافاً جوهرياً في الانحرافات المعيارية بين المجموعات، فإن النتائج الناتجة عن تحليل التباين الكلاسيكي تفقد مصداقيتها وتصبح مضللة، مما يفرض التحول إلى اختبارات مصححة مثل اختبار ويلش (Welch’s ANOVA).

علاوة على ذلك، قد يكون تباين الاستجابات هو النتيجة الأهم في التجربة برمتها؛ ففي التجارب السلوكية، قد يؤدي تدخل تدريبي معين إلى الحفاظ على نفس المتوسط العام للأداء، ولكنه ينجح في تقليص الانحراف المعياري تقليصاً كبيراً عبر رفع أداء الفئات الضعيفة وتثبيت أداء الفئات القوية، وهو إنجاز علمي وتطبيقي هائل لا يمكن إبرازه إلا بتقديم تقرير بصري ورقمي متكامل يجمع بين مقاييس النزعة والتشتت جنباً إلى جنب.

12. دليل إرشادي لاتخاذ القرار الإحصائي: مصفوفة اختيار المقياس الأمثل

12.1 شجرة القرار المنهجية لاختيار مقياس التشتت المناسب

لمساعدة الباحثين والدارسين في حسم الاختيار المنهجي بين مقاييس التشتت المختلفة، نوضح الخطوات المتسلسلة وفق شجرة قرار منهجية مبسطة:

• الخطوة الأولى: تحديد مستوى قياس المتغير (Level of Measurement):
  • إذا كانت البيانات مقاسة بمستوى أسمي (Nominal): لا يُستخدم المدى ولا الانحراف المعياري (يُعتمد على نسب التكرارات وفئات التباين الكيفي).
  • إذا كانت البيانات مقاسة بمستوى ترتيبي (Ordinal): يُستخدم المدى (Range) كخيار أولي سريع، أو يُفضل المدى الربيعي (IQR) بوصفه الخيار الأدق.
  • إذا كانت البيانات فترية (Interval) أو نسبية (Ratio): ننتقل للخطوة التالية.
• الخطوة الثانية: فحص شكل التوزيع واختبارات التوزيع الطبيعي (Normality Testing):
  • نقوم بتطبيق الاختبارات الإحصائية المعيارية (مثل اختبار Shapiro-Wilk أو Kolmogorov-Smirnov) وفحص معاملات الالتواء والتفرطح.
  • إذا كان التوزيع طبيعياً أو قريباً من التماثل: ننتقل للخطوة الثالثة.
  • إذا كان التوزيع ملتوياً التواءً حاداً أو متعدد القمم: يُفضل استخدام المدى الربيعي (IQR) أو الانحراف المطلق عن الوسيط (MAD) مع إمكانية عرض المدى العام كمعلومة وصفية إضافية.
• الخطوة الثالثة: فحص وجود وحجم تأثير القيم المتطرفة (Outliers):
  • إذا كانت البيانات خالية من القيم الشاذة، أو تم تصحيح الشذوذ بصورة علمية: يُعتمد الانحراف المعياري (SD).
  • إذا كانت البيانات ملوثة بقيم شاذة حقيقية لا يمكن معالجتها: يُستبعد المدى تماماً ويُستبدل الانحراف المعياري بـ المدى الربيعي (IQR) أو MAD.
• الخطوة الرابعة: تحديد الهدف البحثي النهائي:
  • إذا كان الهدف استكشافياً لحظياً أو تدقيقاً للبيانات أو وضع نطاقات أمان إكلينيكية سريعة: يُستخدم المدى (Range).
  • إذا كان الهدف استدلالياً، تقنينياً، حساباً لحجوم التأثير، أو نمذجة متقدمة: يُستخدم الانحراف المعياري (SD) حصراً.

12.2 قائمة التحقق المنهجية للباحث النفسي والإحصائي

قبل اعتماد ونشر التحليلات الإحصائية الوصفية والاستدلالية في الأبحاث والرسائل الأكاديمية، يتعين على الباحث مراجعة قائمة التحقق المنهجية التالية لضمان أعلى معايير الجودة والموثوقية العلمية:

• [ ] ملاءمة المقياس للفرضيات: هل المقياس المختار للتشتت يتناغم مع الفرضيات الإحصائية المطروحة ونوع النمذجة المعتمدة في خطة البحث؟
• [ ] فحص المتطلبات المسبقة: هل تم التحقق من اعتدالية التوزيع وخلو المتغيرات من القيود السقفية والأرضية قبل حساب الانحراف المعياري؟
• [ ] التحقق البرمجي للمعادلات: هل تم التأكد من استخدام صيغة تصحيح العينة (n – 1) في البرمجيات الإحصائية بدلاً من صيغة المجتمع الكلي (N)؟
• [ ] التوثيق وفق معايير APA: هل تم توثيق المتوسطات والانحرافات المعيارية والمدى وفق دليل النشر العلمي المعاصر بوضوح وتحديد دقيق للرموز؟
• [ ] التكامل البصري والوصفي: هل تم دمج التقارير الرقمية مع تمثيلات بيانية واضحة (مثل Boxplots وHistograms) لعكس النسيج الحقيقي للتشتت؟
• [ ] عزل الشوائب البيانية: هل جرى فحص مصفوفة البيانات بدقة عبر المدى للتأكد التام من خلوها من أخطاء الإدخال المادية والتقنية؟

12.3 خلاصة وتوصيات مستقبلية في ممارسات القياس والتحليل

في الختام، يتضح بجلاء أن المفاضلة بين المدى والانحراف المعياري ليست مفاضلة تفضيل مطلق، بل هي مسألة “ملاءمة سياقية ووظيفية”. يمثل المدى المنظار الاستكشافي الأولي الذي يرسم الحدود الخارجية لحركة الظاهرة ويوفر مراقبة سريعة للأطر القصوى، بينما يمثل الانحراف المعياري المجهر الرياضي الدقيق الذي يغوص في النسيج الداخلي لمصفوفة المشاهدات ليقيس نبض التباعد المعياري حول مركز الثقل.

تقتضي الممارسة المنهجية الرصينة في العلوم السلوكية المعاصرة تبني مبدأ “التكامل المنهجي” بدلاً من الإقصاء المتبادل؛ حيث يُنصح الباحثون دائماً بعرض المدى جنباً إلى جنب مع المتوسط والانحراف المعياري في الجداول الوصفية الأولية لتوفير رؤية بانورامية شاملة تغطي الأطراف والمركز معاً. كما تدعو المنهجيات الحديثة إلى تعزيز الشفافية الإحصائية والتحول نحو المقاييس المتينة (Robust Measures) عند تعقد الظواهر النفسية أو التواء بياناتها.

إن الاستفادة من الثورة البرمجية الحالية في الحوسبة الإحصائية تتيح للباحثين الجمع السلس بين الدقة الحسابية للانحراف المعياري، وسرعة كشف الحدود عبر المدى، ومتانة المقاييس الحديثة، مما يسهم في الارتقاء بجودة القياس النفسي ودقة التفسير الإكلينيكي والسلوكي بما يخدم المعرفة العلمية ويوجه التدخلات التطبيقية نحو أقصى درجات الصدق والموثوقية.

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.
• Galton, F. (1889). Natural inheritance. Macmillan and Co. https://doi.org/10.1037/11698-000
• Gravetter, F. J., & Wallnau, L. B. (2017). Statistics for the behavioral sciences (10th ed.). Cengage Learning.
• Howell, D. C. (2013). Statistical methods for psychology (8th ed.). Wadsworth, Cengage Learning.
• Pearson, K. (1894). Contributions to the mathematical theory of evolution. Philosophical Transactions of the Royal Society of London. A, 185, 71–110. https://doi.org/10.1098/rsta.1894.0003
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press. https://doi.org/10.1016/C2015-0-02293-6