تحليل التباين للقياسات المتكررة في جداول بيانات جوجل (خطوة بخطوة)

تُعد النماذج التجريبية ذات القياسات المتكررة من الركائز المنهجية الجوهرية في العلوم السلوكية، والعلوم العصبية، والبحوث النفسية والطبية المعاصرة. تتيح هذه التصاميم للباحثين فرصة تتبع التغيرات الديناميكية في استجابات الأفراد عبر نقاط زمنية متعددة، أو رصد التباينات الفسيولوجية والمعرفية تحت تأثير ظروف ومحفزات تجريبية متباينة، مع الحفاظ على ميزة فريدة تتمثل في اعتبار كل مشارك بمثابة ضابط مرجعي لنفسه (Self-Control). ومن خلال هذه البنية الإحصائية، يتسنى للباحث عزل الفروق الفردية الكامنة بين المشاركين وتقليص التباين الخطئي غير المفسر، الأمر الذي يعزز من القوة الإحصائية للاختبارات ويزيد من احتمالية الكشف عن التأثيرات الحقيقية للتدخلات العلاجية والتجريبية بدقة متناهية.

ومع التحول الرقمي المتسارع والاعتماد المتزايد على أدوات العمل السحابية والتشاركية، لم تعد التحليلات الإحصائية المتقدمة حكراً على البرمجيات الإحصائية التجارية التقليدية والمدفوعة مثل SPSS أو SAS أو Stata. فقد أثبتت منصة جداول بيانات جوجل (Google Sheets) كفاءتها الاستثنائية كبيئة بحثية تفاعلية وقوية، قادرة على استيعاب ومعالجة النماذج الإحصائية المعقدة من خلال تكامل دوالها الحسابية المدمجة مع الإضافات الإحصائية المتطورة مثل أداة XLMiner Analysis ToolPak. يتيح هذا التكامل للباحثين والمحللين وطلاب الدراسات العليا تنفيذ إجراءات تحليل التباين للقياسات المتكررة بكفاءة علمية عالية وبصورة سحابية مرنة تعزز من الشفافية الأكاديمية وإمكانية إعادة إنتاج النتائج بسهولة تامة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي عميق لاختبار تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) خطوة بخطوة ضمن بيئة جداول بيانات جوجل. سنستعرض عبر هذا المساق المفاهيم الرياضية الحاكمة، والافتراضات الإحصائية الضرورية، مروراً بهيكلة مصفوفات البيانات، وإجراء التحليل الفعلي، وقراءة الجداول التلخيصية بدقة، واحتساب حجوم الأثر، وتطبيق المقارنات البعدية وتصحيحات الكروية، وصولاً إلى توثيق النتائج وفق المعايير الصارمة للإصدار السابع من دليل جمعية علم النفس الأمريكية (APA Style 7th Edition).

1. مقدمة إلى تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) وأهميته في البحوث النفسية

1.1 المفهوم الإحصائي والتعريف الرياضي لتحليل التباين للقياسات المتكررة

يُعرَّف تحليل التباين للقياسات المتكررة (Repeated Measures Analysis of Variance)، والذي يُصنَّف إحصائياً ضمن تصاميم داخل الأفراد (Within-Subjects Design)، بأنه اختبار إحصائي استدلالي معلمي يُستخدم لمقارنة ثلاثة متوسطات حسابية أو أكثر مرتبطة، يتم قياسها لنفس المجموعة من المشاركين أو المفحوصين تحت شروط تجريبية مختلفة أو عبر نقاط زمنية متتابعة. يكمن الفارق الجوهري بين تحليل التباين الأحادي المستقل (One-Way ANOVA Between-Subjects) وتحليل التباين للقياسات المتكررة في البنية الهيكلية لتقسيم التباين الكلي (Partitioning of Variance)؛ فبينما يفترض النموذج المستقل استقلالية تامة بين عينات المجموعات المقارنة، يتعامل نموذج القياسات المتكررة مع البيانات بوصفها مشاهدات مترابطة ومرتكزة على نفس الوحدات التجريبية.

من الناحية الرياضية، يقوم التحليل بتفكيك مجموع المربعات الكلي ($SS_{Total}$) إلى مكونين أساسيين: التباين بين الأفراد أو المشاركين ($SS_{Between-Subjects}$)، والتباين داخل الأفراد ($SS_{Within-Subjects}$). وبدوره، ينقسم التباين داخل الأفراد إلى التباين المنسوب إلى تأثير المعالجة أو الشروط التجريبية ($SS_{Treatment}$ أو $SS_{Conditions}$)، والتباين الخطئي المتبقي غير المفسر ($SS_{Error}$). إن عملية عزل التباين المنسوب للفروق الفردية الثابتة بين الأشخاص وطرحه من التباين الخطئي العام تؤدي إلى تقليص مقام النسبة الفائية ($F\text{-Ratio}$)، مما يجعل الاختبار أكثر حساسية واقتداراً على رصد الفروق الدقيقة بين المتوسطات مقارنة بالنماذج المستقلة.

تتم صياغة الفرضيات الإحصائية في هذا النموذج على النحو التالي:

• الفرضية الصفرية ($H_0$): تنص على تساوي جميع متوسطات المجتمع تحت جميع الشروط التجريبية أو النقاط الزمنية، أي أن: $\mu_1 = \mu_2 = \mu_3 = dots = \mu_k$، حيث تمثل $\mu$ متوسط المجتمع ويمثل $k$ عدد مستويات المتغير المستقل (الشروط أو الأزمنة).
• الفرضية البديلة ($H_1$): تنص على وجود اختلاف جوهري واحد على الأقل بين متوسطين من متوسطات الشروط التجريبية في المجتمع، أي: يوجد زوج واحد على الأقل $(i, j)$ بحيث يكون $\mu_i \neq \mu_j$.

1.2 دواعي وتطبيقات تحليل القياسات المتكررة في التجارب والبحوث النفسية

تتعدد التطبيقات المنهجية لتحليل القياسات المتكررة في الدراسات النفسية والسلوكية، ويأتي في مقدمتها البحوث الطولية (Longitudinal Studies) التي تهدف إلى رصد المسارات التطورية للاضطرابات النفسية. على سبيل المثال، يلجأ الباحثون إلى هذا التحليل عند دراسة تغير مستويات أعراض الاكتئاب أو القلق لدى مجموعة علاجية واحدة عبر مراحل زمنية متتالية: القياس القبلي (Pre-treatment)، القياس البيني أثناء التدخل العلاجي (Mid-treatment)، القياس البعدي فور انتهاء البرنامج (Post-treatment)، وقياس المتابعة اللاحق بعد ستة أشهر (Follow-up). يسمح هذا التصميم بالتحقق مما إذا كان التحسن الملاحظ مستداماً أم متراجعاً عبر الزمن.

كما يُستخدم النموذج بكثافة في تجارب علم النفس المعرفي والفسيولوجي العصبي (Cognitive & Neuropsychological Experiments)، حيث يخضع المشارك الواحد لعدة مهام إدراكية متتابعة، مثل قياس أوقات رد الفعل (Reaction Times) بالمللي ثانية تحت مستويات مختلفة من الإجهاد الذهني أو التشتيت البصري، أو رصد معدلات ضربات القلب وتغيرات الموصلية الجلدية تحت محفزات عاطفية متعددة. إن هذا النهج يضمن التحكم الصارم في المتغيرات الدخيلة، مثل الذكاء العام، وسرعة المعالجة الفطرية، والسمات الشخصية الثابتة، نظراً لأن كل مشارك يمثل خط الأساس المعياري الخاص به.

من الناحية الاقتصادية واللوجستية، يوفر تصميم القياسات المتكررة كفاءة بالغة من حيث تقليص حجم العينة المطلوب للدراسة. ففي حين يتطلب تصميم المجموعات المستقلة المكون من أربعة شروط تجريبية عينة ضخمة (مثلاً 120 مشاركاً بواقع 30 مشاركاً في كل مجموعة) لتحقيق قوة إحصائية تبلغ 0.80، يمكن لتصميم القياسات المتكررة تحقيق نفس القوة الإحصائية أو أعلى منها باستخدام 30 مشاركاً فقط يمرون بجميع الشروط الأربعة، وهو ما يمثل ميزة حاسمة في الأبحاث الإكلينيكية التي تتعامل مع عينات نادرة يصعب استقطابها مثل المصابين باضطرابات عصبية نادرة.

1.3 جدوى استخدام جداول بيانات جوجل (Google Sheets) كبديل للحزم الإحصائية التقليدية

شهدت البيئات الأكاديمية والبحثية تحولاً جذرياً نحو تبني الأدوات البرمجية القائمة على الحوسبة السحابية (Cloud-based Tools)، وتبرز منصة جداول بيانات جوجل كواحدة من أكثر هذه الأدوات فاعلية. تتيح المنصة إمكانية التعاون الحي والآني بين أعضاء الفريق البحثي، مما يتيح لعدة باحثين في مواقع جغرافية مختلفة تدقيق البيانات المدخلة، وإجراء التحليلات الإحصائية، ومراجعة النتائج في نفس اللحظة دون الحاجة لتبادل ملفات متباينة أو الخوف من ضياع النسخ المحدثة، وهو ما يعزز مبادئ العلم المفتوح (Open Science) والشفافية المنهجية.

علاوة على ذلك، تزيل جداول بيانات جوجل العوائق المالية التقنية المرتبطة بتراخيص الحزم الإحصائية التجارية الباهظة، حيث توفر واجهة مجانية ومتاحة عبر أي نظام تشغيل دون الحاجة لتثبيت برمجيات محلية معقدة. إن قدرة المنصة على استيعاب الإضافات الخارجية التخصصية مثل XLMiner Analysis ToolPak، إلى جانب مكتبتها الثرية من الدوال الرياضية والإحصائية مثل AVERAGE وVAR.S وT.TEST وF.DIST.RT، تمكن الباحثين من بناء نماذج تحليلية شاملة ومؤتمتة بالكامل، وربطها مباشرة بأنظمة العرض المرئي التفاعلية لتوليد الرسوم البيانية الدقيقة المناسبة للتقارير والأوراق العلمية.

2. الأسس النظرية والافتراضات الإحصائية لتحليل التباين للقياسات المتكررة

2.1 مستوى قياس المتغيرات واستمرارية البيانات

يشترط التحليل المعلمي للقياسات المتكررة أن يكون المتغير التابع (Dependent Variable) مقاساً على مستوى كمي متصل، وهو ما يشمل المقاييس الفترية (Interval Scales) أو المقاييس النسبية (Ratio Scales). في المقاييس الفترية، مثل درجات اختبارات الذكاء القياسية أو مقاييس التقدير النفسي المقننة، تكون المسافات بين الوحدات متساوية ولكن بدون نقطة صفر مطلق حقيقي. أما في المقاييس النسبية، مثل أوقات رد الفعل بالثواني، وعدد الأخطاء المرتكبة، والتركيزات الهرمونية في الدم، فإن الصفر يعبر عن انعدام الخاصية المقاسة بالكامل. إن هذا الشرط ضروري لاشتقاق المتوسطات والانحرافات المعيارية وحساب مجموع المربعات بدقة رياضية سليمة.

أما المتغير المستقل (Independent Variable)، فيجب أن يكون متغيراً نوعياً تصنيفياً (Categorical/Nominal Factor) يتضمن مستويين أو أكثر يمثلان الشروط التجريبية المتباينة، أو التدخلات العلاجية المتزامنة، أو النقاط الزمنية المتتابعة للقياس. في البحوث النفسية والتربوية، يثور التساؤل دائماً حول مدى ملاءمة استخدام مقاييس ليكرت (Likert Scales) كمتغيرات تابعة؛ وفي هذا السياق، يجمع علماء القياس النفسي على أنه عندما يتكون المقياس من بنود متعددة مجمعة ومدمجة تشكل درجة كلية مستمرة ذات توزيع واسع، يمكن معاملتها كبيانات فترية شبه متصلة وتطبيق تحليل التباين للقياسات المتكررة عليها بأمان منهجي.

2.2 افتراض التوزيع الطبيعي (Normality Assumption)

ينص افتراض التوزيع الطبيعي على ضرورة أن تتبع درجات المتغير التابع التوزيع الطبيعي الاعتدالي داخل كل مستوى من مستويات المتغير المستقل، أو بصيغة أكثر دقة في تصاميم القياسات المتكررة، أن تتبع الفروق الزوجية المحسوبة بين الشروط التجريبية توزيعاً طبيعياً معتدلاً. يُعد هذا الافتراض جوهرياً لضمان صحة التوزيع الاحتمالي للنسبة الفائية واستخراج القيم الاحتمالية ($p\text{-values}$) غير المتحيزة.

يمكن التحقق من هذا الافتراض داخل جداول بيانات جوجل عبر فحص المؤشرات الإحصائية الوصفية للالتواء (Skewness) والتفرطح (Kurtosis) باستخدام الدوال المخصصة SKEW وKURT. تشير المعايير المنهجية العامة (Tabachnick & Fidell, 2019) إلى أن قيم الالتواء والتفرطح التي تقع ضمن النطاق المحصور بين $-1.0$ و $+1.0$ تدل على اقتراب ممتاز من الاعتدالية، بينما يُعتبر النطاق بين $-2.0$ و $+2.0$ مقبولاً في معظم الدراسات السلوكية التطبيقية. يتميز تحليل التباين بمتانة إحصائية ملحوظة (Robustness) ضد الانتهاكات الطفيفة أو المعتدلة للتوزيع الطبيعي، لا سيما عندما يكون حجم العينة مناسباً (أكثر من 20 إلى 30 مشاركاً) ولا تحتوي البيانات على قيم متطرفة شاذة تؤثر بشكل حاد على توازن المتوسطات.

2.3 افتراض الكروية (Assumption of Sphericity) ومفهوم مصفوفة التباين المشترك

يُمثل افتراض الكروية (Sphericity) الافتراض الأهم والأكثر حساسية في تحليل التباين للقياسات المتكررة، وهو المكافئ المنطقي لافتراض تجانس التباين (Homogeneity of Variance) المعتمد في اختبارات العينات المستقلة. يفترض هذا المبدأ أن تكون التباينات لجميع الفروق الممكنة بين أزواج الشروط التجريبية متساوية في المجتمع الإحصائي. إذا كان لدينا ثلاثة شروط تجريبية ($A, B, C$)، فإن الكروية تقتضي أن يتساوى تباين الفروق بين الشرطين $A$ و $B$ مع تباين الفروق بين $A$ و $C$، وكذلك مع تباين الفروق بين $B$ و $C$:

$$\text{Var}(X_A – X_B) \approx \text{Var}(X_A – X_C) \approx \text{Var}(X_B – X_C)$$

يرتبط مفهوم الكروية بمصفوفة التباين والتباين المشترك (Variance-Covariance Matrix)؛ حيث تتحقق الكروية تلقائياً عندما يتطابق التباين المشترك بين جميع الأزواج ويتساوى تباين كل شرط على حدة (وهي الحالة الخاصة المعروفة بالتناظر المركب – Compound Symmetry). يُعد افتراض الكروية متحققا دائما وغير ذي موضوع إذا كان المتغير المستقل يضم مستويين اثنين فقط ($k = 2$)؛ نظراً لوجود فرق زوجي وحيد لا يوجد ما يقارن به. غير أنه عندما يزيد عدد الشروط عن اثنين ($k ge 3$)، فإن انتهاك الكروية يؤدي إلى تضخم خطير في معدل الخطأ من النوع الأول (Type I Error Rate)، مما يجعل الباحث يرفض الفرضية الصفرية ويعلن عن وجود فروق دالة إحصائياً بينما هي في الواقع فروق زائفة ناتجة عن عدم استقرار تباينات الفروق.

3. إعداد بيئة العمل: تثبيت وتفعيل أداة XLMiner Analysis ToolPak في جداول بيانات جوجل

3.1 الوصول إلى متجر الإضافات والبحث عن أداة XLMiner

توفر شركة جوجل بيئة بيئية متكاملة تتيح توسيع القدرات الوظيفية لجداول البيانات عبر متجر إضافات مساحة العمل (Google Workspace Marketplace). للوصول إلى الأدوات الإحصائية اللازمة لتحليل القياسات المتكررة، يتبع الباحث الخطوات المنهجية التالية:

• فتح جدول بيانات جوجل جديد أو استدعاء الملف الذي يحتوي على مصفوفة البيانات التجريبية المراد معالجتها.
• النقر على قائمة الإضافات (Extensions) أو (Add-ons) الموجودة في شريط القوائم العلوي لواجهة البرنامج.
• تمرير المؤشر واختيار الوظائف الإضافية (Add-ons)، ثم النقر فوق الحصول على وظائف إضافية (Get add-ons) لفتح نافذة المتجر السحابي.
• في مربع البحث العلوي داخل المتجر، تتم كتابة المصطلح الإحصائي: XLMiner Analysis ToolPak ثم الضغط على مفتاح الإدخال (Enter).

3.2 إجراءات التثبيت وإدارة أذونات الأمان

بمجرد ظهور بطاقة إضافة XLMiner Analysis ToolPak (المطورة من قبل Frontline Systems)، يتم النقر عليها للوصول إلى صفحة التفاصيل الفنية وتثبيتها باتباع ما يلي:

• النقر على زر تثبيت (Install) الأزرق لبدء عملية ربط الإضافة بحساب جوجل الخاص بالباحث.
• ستظهر نافذة منبثقة تطلب الإذن بالمتابعة؛ يتم النقر على متابعة (Continue).
• يطلب النظام تحديد حساب جوجل المعني وإظهار قائمة الأذونات الأمنية المطلوبة، والتي تتضمن السماح للإضافة بعرض وتعديل جداول البيانات المنشأة لتتمكن من كتابة مخرجات الجداول الإحصائية وتوليد التحليلات المطلوبة.
• بعد قراءة شروط الخدمة وسياسة الخصوصية، يتم النقر على السماح (Allow).
• تكتمل عملية التثبيت في غضون ثوانٍ، وتظهر رسالة تأكيدية تفيد بنجاح التثبيت وإمكانية استدعاء الأداة من القائمة الرئيسية، ويتم إغلاق النافذة بالنقر على تم (Done).

3.3 تشغيل الأداة وتهيئة الواجهة الجانبية للتحليل الإحصائي

بعد إتمام عملية التثبيت بنجاح، تصبح الأداة جاهزة للاستخدام الدائم داخل بيئة جداول بيانات جوجل. لتشغيل الواجهة الإحصائية:

• العودة إلى شريط القوائم العلوي والنقر على الإضافات (Extensions).
• تمرير المؤشر نحو خيار XLMiner Analysis ToolPak المضاف حديثاً.
• النقر على الأمر بدء (Start) من القائمة الفرعية المنسدلة.

ينبثق شريط جانبي تفاعلي في الجزء الأيمن (أو الأيسر حسب لغة الواجهة) من الشاشة، يعرض قائمة شاملة بالاختبارات الإحصائية المعلمية واللانعلمية المطابقة لتلك المتوفرة في حزمة تحليل البيانات التقليدية في مايكروسوفت إكسل (Analysis ToolPak). من بين هذه الخيارات، يوجه الباحث تركيزه نحو اختبار: Anova: Two-Factor Without Replication (تحليل التباين ثنائي الاتجاه بدون تكرار)، وهو النموذج الرياضي المكافئ المعتمد لتنفيذ تحليل التباين للقياسات المتكررة لمتغير تجريبي واحد داخل الأفراد.

4. تصميم وهيكلة البيانات النفسية في جداول بيانات جوجل لتحليل القياسات المتكررة

4.1 تنسيق البيانات بنظام المصفوفة العريضة (Wide Format Matrix)

تتطلب أداة XLMiner في جداول بيانات جوجل تنظيماً صارماً لمصفوفة البيانات بنظام التنسيق العريض (Wide Format Data) لضمان المعالجة الرياضية السليمة لحسابات القياسات المتكررة. في هذا التنسيق:

• يُمثل كل صف (Row) مشاركاً فردياً واحداً أو مفحوصاً مستقلاً من أفراد العينة؛ بحيث تُرصد كافة استجابات هذا المشارك عبر كافة الشروط في نفس الصف الأفقي.
• يُمثل كل عمود (Column) شرطاً تجريبياً مستقلاً أو نقطة زمنية محددة خضع لها جميع المشاركين.
• يُخصص الصف الأول (Row 1) كلياً لعناوين وتسميات الشروط التجريبية (Headers/Labels)، مع تجنب استخدام المسافات المعقدة أو الرموز الخاصة، واستبدالها بتسميات علمية واضحة ومختصرة (مثل: T0_Baseline, T1_Treatment, T2_PostTest).
• يُفضل تخصيص العمود الأول (العمود A) لتعريف هوية المشاركين بأرقام كودية متسلسلة (مثل: P01, P02, P03) لضمان سهولة تتبع البيانات وتدقيقها.

4.2 التعامل مع القيم المفقودة والشواذ قبل التحليل

يُعد نموذج تحليل التباين للقياسات المتكررة حساساً جداً للبيانات المفقودة (Missing Data)؛ حيث إن غياب استجابة مشارك ما في شرط تجريبي واحد يؤدي برمجياً إلى إفساد حسابات مصفوفة التباين لذلك الصف بأكمله. في حالة وجود خلايا فارغة، يجب على الباحث اتباع إحدى الاستراتيجيات التالية:

• الحذف الكامل للحالة (Listwise Deletion): استبعاد صف المشارك الذي يحتوي على قيمة مفقودة بالكامل، وهو الخيار الأنسب إذا كان معدل الفقد عشوائياً تماماً ولا يتجاوز 5% من العينة.
• التعويض بالمتوسط الحسابي (Mean Imputation): تعويض القيمة المفقودة بمتوسط درجات باقي المشاركين في نفس الشرط، مع مراعاة أن هذا قد يقلل التباين الخطئي بشكل مصطنع.

أما بالنسبة للقيم الشاذة المتطرفة (Outliers)، فيجب فحصها من خلال حساب الدرجات المعيارية ($Z\text{-Scores}$) لكل عمود عبر دالة جداول جوجل:

=(B2 - AVERAGE(B$2:B$21)) / STDEV.S(B$2:B$21)

تُصنف المشاهدة كقيمة شاذة متطرفة إذا تجاوزت قيمتها المطلقة $|Z| ge 3.0$؛ وفي هذه الحالة، يجب تدقيقها للتأكد من عدم وجود أخطاء في الإدخال اليدوي للبيانات، واتخاذ قرار منهجي مبرر إما بتعديلها عبر تقنية التشذيب (Winsorization) أو حذفها من التحليل لضمان عدم تشويه تقديرات التباين ومتوسطات المربعات.

4.3 نموذج تجريبي تطبيقي: أوقات الاستجابة تحت شروط دوائية متعددة

لتوضيح الإجراءات التطبيقية بصورة معيارية، سنعتمد نموذجاً تجريبياً نفسياً عصبياً واقعياً يفحص تأثير أربعة عقاقير مهدئة ومحسنة للمزاج على سرعة الاستجابة الحركية (Psychomotor Reaction Time مقاساً بالمللي ثانية ms) لدى عينة تتألف من 10 مرضى يعانون من اضطراب القلق العام. خضع كل مريض من المرضى العشرة لجميع العقاقير الأربعة ($Drug_A, Drug_B, Drug_C, Drug_D$) في جلسات علاجية منفصلة تفصل بينها فترات غسيل دوائي (Washout Periods) ملائمة لضمان عدم تداخل التأثيرات.

يوضح الجدول التالي مصفوفة البيانات الرقمية المنظمة في خلايا جداول بيانات جوجل ضمن النطاق A1:E11:

المشارك (Participant)	عقار أ (Drug A)	عقار ب (Drug B)	عقار ج (Drug C)	عقار د (Drug D)
P01	250	265	280	310
P02	240	255	270	295
P03	270	280	300	325
P04	230	245	260	280
P05	260	270	290	315
P06	255	260	275	305
P07	245	250	265	290
P08	265	275	295	320
P09	235	240	255	285
P10	250	260	280	305

5. الخطوات العملية لإجراء تحليل التباين ثنائي الاتجاه بدون تكرار (Two-Factor Without Replication)

5.1 مبررات استخدام اختبار Two-Factor Without Replication كمعادل للقياسات المتكررة

من الناحية الرياضية ونظرية النماذج الخطية العامة (General Linear Models)، يتطابق نموذج تحليل التباين ثنائي الاتجاه بدون تكرار (Two-Factor ANOVA Without Replication) تطابقاً تاماً مع نموذج تحليل التباين للقياسات المتكررة أحادي المتغير داخل الأفراد (One-Way Repeated Measures ANOVA). يكمن التفسير المنهجي لهذا التطابق في بنية التجربة:

• العامل الأول (الصف Rows): يُمثل المشاركين كعامل عشوائي (Random Factor). نظراً لأن كل مشارك يمثل صفاً مستقلاً، فإن التباين بين الصفوف يعكس بدقة الفروق الفردية الأساسية بين أفراد العينة ($SS_{Between-Subjects}$).
• العامل الثاني (الأعمدة Columns): يُمثل الشروط التجريبية أو مستويات المعالجة المتكررة كعامل ثابت (Fixed Factor). ويعكس التباين بين الأعمدة التأثير المباشر للتدخل التجريبي ($SS_{Treatment}$).
• التباين المتبقي (الخطأ Error): نظراً لوجود مشاهدة واحدة فقط لكل خلية (مشارك واحد في شرط واحد، أي بدون تكرار في الخلية نفسها)، فإن التفاعل بين الأفراد والشروط يندمج رياضياً ليمثل التباين الخطئي العشوائي غير المفسر ($SS_{Error}$).

تسمح هذه المعادلة الرياضية بعزل التباين بين الصفوف تماماً من حسابات الخطأ، مما يجعل النسبة الفائية المحسوبة لتأثير الأعمدة ($F = MS_{Columns} / MS_{Error}$) هي الاختبار الدقيق والصحيح لفرضية القياسات المتكررة.

5.2 تحديد نطاق الإدخال وخيارات التحليل في XLMiner

لتنفيذ الاختبار الإحصائي عملياً عبر الإضافة في جداول بيانات جوجل، تُتبع الخطوات التفصيلية التالية بدقة متناهية:

• من الشريط الجانبي لأداة XLMiner Analysis ToolPak، يتم النقر فوق الخيار Anova: Two-Factor Without Replication لفتح لوحة المدخلات التفاعلية الخاصة به.
• في حقل نطاق الإدخال (Input Range)، يتم تحديد النطاق الكامل الذي يحتوي على مصفوفة البيانات التجريبية متضمنة تسميات الصفوف والأعمدة. في مثالنا التطبيقي، نحدد النطاق: A1:E11.
• تحديد وتفعيل مربع الاختيار Labels (التسميات)؛ يُعد هذا الإجراء في غاية الأهمية ليخبر البرنامج أن الصف الأول يحتوي على أسماء الشروط والعمود الأول يحتوي على كود المشاركين، مما يمنع إدراج النصوص ضمن العمليات الحسابية للأرقام.
• في حقل ألفا (Alpha)، يتم ضبط مستوى الدلالة الإحصائية المطلوب؛ القيمة الافتراضية القياسية في معظم الأبحاث النفسية هي 0.05، والتي تضمن هامش خطأ لا يتجاوز 5% لرفض الفرضية الصفرية.

5.3 تحديد نطاق الإخراج وبدء عملية المعالجة الإحصائية

بعد ضبط محددات الإدخال، ننتقل إلى تهيئة وجهة المخرجات الإحصائية:

• في حقل نطاق الإخراج (Output Range)، يتم إدخال مرجع الخلية العليا الأولى التي سيبدأ توليد النتائج منها في نفس ورقة العمل (مثال: G1)، أو يمكن إنشاء ورقة عمل جديدة بالكامل وتحديد الخلية A1 فيها لتفادي أي تداخل غير مقصود قد يكتب فوق البيانات الأصلية.
• مراجعة كافة المعاملات للتأكد من خلو النطاق من أي خلايا نصية غير معرفة ضمن مصفوفة الأرقام.
• النقر على زر موافق (OK) الأخضر في أسفل لوحة التحكم لتنفيذ المعالجة الحسابية الفورية.
• في غضون لحظات، تقوم الإضافة بتوليد جدولين إحصائيين متكاملين: جدول ملخص الإحصاء الوصفي (SUMMARY Table) وجدول تحليل التباين النهائي (ANOVA Table).

6. قراءة وفهم جدول مخرجات تحليل التباين (ANOVA Summary Table)

6.1 تفكيك مكونات جدول الإحصاء الوصفي (Summary Table)

يقدم الجدول الأول، المعنون بـ SUMMARY، تحليلاً وصفياً دقيقاً لكل صف (مشارك) ولكل عمود (شرط تجريبي). يشتمل الجدول على الأعمدة القياسية التالية: العدد (Count)، المجموع (Sum)، المتوسط الحسابي (Average)، والتباين (Variance).

المجموعة / الشرط	العدد (Count)	المجموع (Sum)	المتوسط (Average)	التباين (Variance)
P01 إلى P10 (الصفوف)	4	تباين فردي	متوسط كل مشارك	تباين استجابة الفرد
عقار أ (Drug A)	10	2500	250.0	155.56
عقار ب (Drug B)	10	2600	260.0	166.67
عقار ج (Drug C)	10	2780	278.0	195.56
عقار د (Drug D)	10	3030	303.0	190.00

يُظهر استقراء المتوسطات الحسابية للشروط اتجاهاً تصاعدياً واضحاً في أوقات رد الفعل الحركي؛ حيث حقق العقار (أ) أسرع متوسط استجابة ($M = 250.0\text{ ms}$)، تلاه العقار (ب) ($M = 260.0\text{ ms}$)، ثم العقار (ج) ($M = 278.0\text{ ms}$)، بينما تسبب العقار (د) في أبطأ سرعة استجابة على الإطلاق ($M = 303.0\text{ ms}$). كما تكشف قيم التباين داخل كل عمود عن تقارب نسبي ممتاز وتجانس ملحوظ في تشتت الدرجات حول المتوسطات عبر جميع الشروط الدوائية.

6.2 تحليل مصادر التباين ومجموع المربعات (Sums of Squares – SS)

يُفكك جدول تحليل التباين الرئيسي (ANOVA) التشتت الإجمالي للدرجات إلى مصادر التباين المكونة له وفق النموذج الرياضي:

مصدر التباين (Source of Variation)	مجموع المربعات ($SS$)	درجات الحرية ($df$)	متوسط المربعات ($MS$)	قيمة $F$ المحسوبة	القيمة الاحتمالية ($p\text{-value}$)	القيمة الحرجة ($F\text{ crit}$)
الصفوف / الأفراد (Rows)	6847.50	9	760.83	35.59	1.24E-12	2.25
الأعمدة / الشروط (Columns)	15770.00	3	5256.67	245.92	4.82E-20	2.96
الخطأ التجريبي (Error)	577.50	27	21.39	–	–	–
المجموع الكلي (Total)	23195.00	39	–	–	–	–

تتكامل هذه المكونات على النحو التالي:

• مجموع مربعات الصفوف ($SS_{Rows} = 6847.50$): يُمثل مقدار التباين المنسوب إلى الفروق الفردية الثابتة بين المرضى العشرة. إن عزل هذا المقدار الكبير من شأنه تنقية التباين الخطئي بصورة جذرية.
• مجموع مربعات الأعمدة ($SS_{Columns} = 15770.00$): يُمثل تباين تأثير المعالجة الدوائية المباشرة (Treatment Effect)، وهو الجزء الأكبر من التباين الكلي، مما يشير نظرياً إلى تأثير قوي للعقاقير.
• مجموع مربعات الخطأ ($SS_{Error} = 577.50$): يُمثل التباين العشوائي المتبقي غير المفسر بعد استبعاد تأثير الأفراد وتأثير الأدوية.
• المجموع الكلي للمربعات ($SS_{Total} = 23195.00$): وهو الحاصل التراكمي لجمع المركبات الثلاث: $SS_{Total} = SS_{Rows} + SS_{Columns} + SS_{Error}$.

6.3 فهم درجات الحرية (Degrees of Freedom – df) ومتوسط المربعات (Mean Squares – MS)

تُعبر درجات الحرية ($df$) عن عدد القيم المستقلة الحرة للتباين في التحليل، وتُحسب رياضياً كما يلي:

• درجات حرية الأفراد ($df_{Rows}$): تُحسب بالمعادلة $n – 1$، حيث $n$ يمثل عدد المشاركين. وفي مثالنا: $10 – 1 = 9$.
• درجات حرية الشروط ($df_{Columns}$): تُحسب بالمعادلة $k – 1$، حيث $k$ يمثل عدد الشروط التجريبية. وفي مثالنا: $4 – 1 = 3$.
• درجات حرية الخطأ ($df_{Error}$): تمثل حاصل ضرب درجات حرية الأفراد في درجات حرية الشروط: $(n – 1)(k – 1) = 9 \times 3 = 27$.
• درجات الحرية الكلية ($df_{Total}$): تُحسب بالمعادلة $N – 1$ (حيث $N = n \times k = 40$)، أي $40 – 1 = 39$.

يتم استخراج متوسط المربعات ($MS$) بقسمة مجموع المربعات الخاص بكل مصدر على درجات الحرية المقابلة له:

$$MS_{Columns} = \frac{SS_{Columns}}{df_{Columns}} = \frac{15770.00}{3} = 5256.67$$

$$MS_{Error} = \frac{SS_{Error}}{df_{Error}} = \frac{577.50}{27} = 21.39$$

6.4 تفسير النسبة الحرجة F والقيمة الاحتمالية (p-value)

تُحسب النسبة الفائية للتأثير التجريبي ($F\text{-ratio}$) بقسمة متوسط مربعات الشروط على متوسط مربعات الخطأ التجريبي المتبقي:

$$F = \frac{MS_{Columns}}{MS_{Error}} = \frac{5256.67}{21.39} = 245.75 \approx 245.92$$

لمعرفة ما إذا كانت هذه النسبة دالة إحصائياً، نقارن قيمة $F$ المحسوبة ($245.92$) بالقيمة الحرجة المجدولة ($F_{crit} = 2.96$) عند درجات حرية $(3, 27)$ ومستوى دلالة $\alpha = 0.05$. نلاحظ بوضوح أن القيمة المحسوبة تتجاوز القيمة الحرجة بأضعاف مضاعفة ($245.92 > 2.96$).

يتأكد هذا الاستنتاج بشكل قاطع بالنظر إلى القيمة الاحتمالية ($p\text{-value}$)، والتي ظهرت في المخرجات بصيغة الترميز العلمي: 4.82E-20، وهي تكافئ رياضياً: $0.0000000000000000000482$. نظراً لأن هذه القيمة أصغر بكثير من مستوى ألفا المعياري ($p < 0.001$)، فإننا نصل إلى استنتاج إحصائي قطعي بوجود فروق جوهرية ذات دلالة إحصائية عالية بين متوسطات سرعة الاستجابة تحت الشروط الدوائية الأربعة.

7. التفسير الإحصائي والنفسي للنتائج واتخاذ القرارات بشأن الفرضيات

7.1 اتخاذ القرار الإحصائي بقبول أو رفض الفرضية الصفرية

بناءً على القاعدة الإحصائية الصارمة: “إذا كانت القيمة الاحتمالية أقل من أو تساوي مستوى الدلالة المحدد ($p le \alpha$)، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة”، نعلن رسمياً رفض الفرضية الصفرية ($H_0$) التي تفترض عدم وجود فروق بين العقاقير الأربعة في تأثيرها على سرعة الاستجابة الحركية. يعني هذا القرار الإحصائي أن التغيرات الملاحظة في أوقات رد الفعل عبر جلسات التقييم ليست وليدة الصدفة العشوائية أو خطأ المعاينة، بل تعكس تبايناً حقيقياً مرتبطاً بنوع العقار المهدئ الممنوح للمرضى.

مع ذلك، يجب على الباحث النفسي عدم الخلط بين الدلالة الإحصائية (Statistical Significance) والدلالة الإكلينيكية التطبيقية (Clinical/Practical Significance). فبينما تخبرنا الدلالة الإحصائية باحتمالية وجود أثر حقيقي غير عشوائي، فإن الحكم على الأهمية الإكلينيكية يتطلب تقييم الفروق المطلقة في زمن الاستجابة وما إذا كان الفارق الزمني (الذي تجاوز 53 مللي ثانية بين العقار أ والعقار د) يؤثر بصورة ملموسة على كفاءة المريض اليومية وقدرته على قيادة السيارات أو أداء المهام التي تتطلب يقظة حركية سريعة.

7.2 الربط المنهجي بين النتائج الإحصائية والظواهر النفسية والسلوكية

في السياق النظري لعلم الأدوية النفسي (Psychopharmacology)، تُفسر هذه النتائج في ضوء الآليات الحيوية للمستقبلات العصبية. فالعقار (أ) الذي أظهر أدنى وقت استجابة ($M = 250.0\text{ ms}$) يتميز على الأرجح بكونه مهدئاً نوعياً لا يُحدث تثبيطاً واسعاً للجهاز العصبي المركزي، مما يحافظ على سرعة الإشارات الحركية للمرضى. في المقابل، يُعزى التباطؤ الحركي الحاد الملاحظ مع العقار (د) ($M = 303.0\text{ ms}$) إلى تأثيراته المهدئة العميقة وارتفاع قابليته للارتباط بمستقبلات حمض الغاما-أمينوبيوتيريك (GABA Receptors)، مما يُسفر عن استرخاء عضلي ملحوظ وتأخر زمني في المعالجة الحسية الحركية.

كما يراعي التحليل المنهجي استبعاد أي تأثيرات دخيلة محتملة، مثل التأثيرات المتبقية (Carryover Effects) أو التأثيرات الترتيبية (Order/Practice Effects)، من خلال التأكد من تطبيق التوزيع العشوائي المتوازن لترتيب الجلسات (Counterbalancing عبر مربع لاتيني – Latin Square Design) والتأكد من كفاية الفترات الفاصلة بين الجرعات لضمان زوال أي أثر بيولوجي سابق للعقاقير.

8. التحقق من افتراض الكروية (Sphericity) والتعامل مع انتهاكاته في جداول بيانات جوجل

8.1 مفهوم اختبار موشلي للكروية (Mauchly’s Test of Sphericity)

يُعد اختبار موشلي (Mauchly’s Test of Sphericity) الإجراء المعياري المعتمد لاختبار الفرضية الصفرية القائلة بأن مصفوفة التباين والتباين المشترك للفروق بين الشروط التجريبية متطابقة وتتبع نمط الكروية التامة. إذا كانت القيمة الاحتمالية لاختبار موشلي أكبر من 0.05 ($p > 0.05$)، فإننا نفشل في رفض الفرضية الصفرية ونفترض تحقق الكروية؛ أما إذا كانت $p < 0.05$، فإن الافتراض يُعتبر منتهكاً، مما يستلزم تعديل درجات الحرية لتجنب تضخم أخطاء النوع الأول.

نظراً لأن إضافة XLMiner في جداول بيانات جوجل لا توفر اختبار موشلي بصورة آلية مباشرة، فإن الباحثين يستدلون على الكروية إما بحساب مصفوفة تباينات الفروق يدوياً عبر طرح الأعمدة من بعضها واحتساب دالة VAR.S لكل عمود فرق، أو بالاعتماد على التقديرات التصحيحية التحفظية التي تُعدل درجات الحرية تلقائياً كما سنفصل في الجزء التالي.

8.2 تطبيق تعديلات درجات الحرية: تصحيحات Greenhouse-Geisser و Huynh-Feldt

عند الشك في انتهاك الكروية، يُقاس مدى الانحراف عنها بواسطة معامل إبسيلون ($epsilon$ – Epsilon)، والذي تتراوح قيمته النظرية بين حد أدنى يُعبر عن أقصى درجات الانتهاك ($\epsilon_{lower} = \frac{1}{k – 1} = \frac{1}{4 – 1} = 0.33$) وحد أقصى يُعبر عن الكروية المثالية ($epsilon = 1.0$).

تتوفر طريقتان رئيستان لتعديل درجات الحرية باستخدام معامل إبسيلون:

• تصحيح جرينهاوس-جيسر (Greenhouse-Geisser Correction – $\epsilon_{GG}$): يُعد التصحيح الأكثر تحفظاً، ويُنصح باستخدامه بصورة أساسية عندما تكون قيمة إبسيلون المقدرة أقل من 0.75 ($epsilon < 0.75$)، أو كإجراء وقائي عند تعذر حساب موشلي في جداول جوجل.
• تصحيح هيونه-فيلدت (Huynh-Feldt Correction – $\epsilon_{HF}$): يُعد تصحيحاً أقل تحفظاً، ويُفضل تطبيقه عندما تقترب قيمة إبسيلون من 0.75 أو تتجاوزها.

يتم تطبيق التصحيح بضرب معامل إبسيلون في كل من درجات حرية الشروط ($df_{Columns}$) ودرجات حرية الخطأ ($df_{Error}$):

$$df_{Columns(adj)} = \epsilon \times (k – 1)$$

$$df_{Error(adj)} = \epsilon \times (n – 1)(k – 1)$$

إذا افترضنا سيناريو الانتهاك الأقصى (Lower Bound) في مثالنا ($epsilon = 0.333$):

$$df_{Columns(adj)} = 0.333 \times 3 = 1.0$$

$$df_{Error(adj)} = 0.333 \times 27 = 9.0$$

يمكننا بعد ذلك حساب القيمة الاحتمالية المعدلة مباشرة في جداول بيانات جوجل عبر دالة التوزيع الفائي للذيل الأيمن:

=F.DIST.RT(245.92, 1.0, 9.0)

تُرجع هذه الصيغة قيمة احتمالية معدلة تبلغ $p = 8.16 \times 10^{-8}$، وهي لا تزال أصغر بكثير من 0.05، مما يثبت بشكل حاسم أن الفروق بين العقاقير تظل دالة إحصائياً حتى تحت أقصى شروط انتهاك الكروية الممكنة رياضياً.

9. المقارنات البعدية وحساب الفروق الفردية البينية (Post-Hoc Tests)

9.1 أهمية الاختبارات البعدية بعد الحصول على قيمة F ذات دلالة إحصائية

يُخبرنا اختبار $F$ الإجمالي في تحليل التباين بوجود فرق جوهري عام بين المتوسطات، لكنه لا يحدد بدقة أي الأزواج من الشروط تختلف عن بعضها البعض. هل يختلف العقار (أ) عن العقار (ب) دلالياً؟ أم أن الدلالة ناتجة فقط عن الفارق الكبير بين العقار (أ) والعقار (د)؟ للإجابة عن هذا التساؤل المنهجي، لابد من الانتقال إلى مرحلة المقارنات الثنائية البعدية (Pairwise Post-Hoc Comparisons).

تكمن المعضلة الإحصائية في إجراء اختبارات $t$ متعددة في تضخم معدل الخطأ التراكمي لجميع المقارنات (Family-wise Error Rate – FWER)، والذي يُحسب بالمعادلة: $\alpha_{FW} = 1 – (1 – \alpha)^c$، حيث $c$ يمثل عدد المقارنات الثنائية المحتملة ($c = \frac{k(k-1)}{2} = \frac{4 \times 3}{2} = 6$ مقارنات). فإذا أجرينا 6 مقارنات بمستوى دلالة $\alpha = 0.05$ بدون تعديل، فإن احتمال ارتكاب خطأ من النوع الأول يرتفع إلى $1 – (1 – 0.05)^6 \approx 0.265$ (أي 26.5% خطر إعلان فروق زائفة)، مما يحتم استخدام تقنيات الضبط الإحصائي.

9.2 تطبيق تصحيح بونفيروني (Bonferroni Correction) باستخدام دوال جداول جوجل

يُعد تصحيح بونفيروني (Bonferroni Correction) من أكثر الطرق الكلاسيكية أماناً وموثوقية لضبط تضخم الخطأ. يقوم المبدأ على تعديل مستوى ألفا المستهدف ($\alpha_{altered}$) بقسمة مستوى الدلالة الأصلي على عدد المقارنات الكلية:

$$\alpha_{altered} = \frac{\alpha}{c} = \frac{0.05}{6} = 0.00833$$

تُنفذ اختبارات $t$ للعينات المزدوجة (Paired-Samples t-tests) بين جميع الأزواج مباشرة في جداول بيانات جوجل باستخدام دالة T.TEST، والتي تأخذ المعاملات التالية: (النطاق الأول, النطاق الثاني, الذيول, نوع الاختبار). نستخدم القيمة 2 للذيول (اختبار ثنائي الذيل Two-tailed) والقيمة 1 لنوع الاختبار للدلالة على أنه اختبار مزدوج (Paired Test).

المقارنة الثنائية	الصيغة في جداول بيانات جوجل	القيمة الاحتمالية ($p\text{-value}$)	مستوى ألفا المعدل	القرار الإحصائي
Drug A vs. Drug B	=T.TEST(B2:B11, C2:C11, 2, 1)	0.00000003	0.00833	دال إحصائياً ($p < \alpha_{adj}$)
Drug A vs. Drug C	=T.TEST(B2:B11, D2:D11, 2, 1)	0.00000001	0.00833	دال إحصائياً ($p < \alpha_{adj}$)
Drug A vs. Drug D	=T.TEST(B2:B11, E2:E11, 2, 1)	0.0000000001	0.00833	دال إحصائياً ($p < \alpha_{adj}$)
Drug B vs. Drug C	=T.TEST(C2:C11, D2:D11, 2, 1)	0.00000002	0.00833	دال إحصائياً ($p < \alpha_{adj}$)
Drug B vs. Drug D	=T.TEST(C2:C11, E2:E11, 2, 1)	0.0000000002	0.00833	دال إحصائياً ($p < \alpha_{adj}$)
Drug C vs. Drug D	=T.TEST(D2:D11, E2:E11, 2, 1)	0.00000001	0.00833	دال إحصائياً ($p < \alpha_{adj}$)

تُظهر جميع المقارنات قيماً احتمالية متناهية في الصغر وأقل بكثير من عتبة بونفيروني المعدلة ($0.00833$)، مما يؤكد أن كل عقار يختلف اختلافاً جوهرياً ودالاً عن سائر العقاقير الأخرى في سرعة الاستجابة الحركية.

9.3 حساب الفرق الأقل دلالة (Fisher’s LSD / Tukey’s HSD) يدوياً في جداول البيانات

يمكن أيضاً تطبيق اختبار توكي للفرق ذي الدلالة الحقيقية (Tukey’s Honestly Significant Difference – HSD) داخل جداول بيانات جوجل لاحتساب الحد الأدنى من الفارق العددي المطلوب بين أي متوسطين ليكون الفارق دالاً عند مستوى $\alpha = 0.05$ وفق المعادلة:

$$HSD = q \times \sqrt{\frac{MS_{Error}}{n}}$$

حيث:

• $q$: القيمة الحرجة المستخرجة من جدول المدى المبوب لستودنت (Studentized Range Distribution) عند $k = 4$ و $df_{Error} = 27$ ومستوى $\alpha = 0.05$، وتبلغ تقريباً $q = 3.86$.
• $MS_{Error}$: متوسط مربعات الخطأ المستخرج من جدول ANOVA في جداول جوجل ($21.39$).
• $n$: حجم العينة من المشاركين ($10$).

نكتب صيغة الحساب في خلية فارغة في جداول جوجل على النحو التالي:

=3.86 * SQRT(21.39 / 10)

تُعطي هذه الصيغة قيمة فارق حرج تبلغ: $HSD \approx 5.64\text{ ms}$. وبمقارنة الفروق الفعلية المطلقة بين متوسطات الشروط التجريبية ($|\bar{X}_B – \bar{X}_A| = 10\text{ ms}$، $|\bar{X}_C – \bar{X}_B| = 18\text{ ms}$، $|\bar{X}_D – \bar{X}_C| = 25\text{ ms}$)، نجد أن جميع الفروق تتجاوز القيمة الحرجة ($5.64\text{ ms}$) بوضوح تام، وهو ما يتطابق كلياً مع نتائج بونفيروني.

10. حساب وتفسير حجم الأثر الإحصائي (Effect Size) وقوة الاختبار

10.1 حساب مربع إيتا الجزئي (Partial Eta Squared – η²p)

لا يكتمل التقرير الإحصائي الرصين دون الإفصاح عن حجم الأثر الإحصائي (Effect Size)، والذي يعبر عن المقدار الكمي للتباين المفسر بالمتغير المستقل في العينة بعد استبعاد التباين الناشئ عن الفروق الفردية للمشاركين. يُعد مربع إيتا الجزئي ($\eta_p^2$) المقياس القياسي الأكثر انتشاراً في تقارير القياسات المتكررة، ويُحسب بالمعادلة الرياضية التالية:

$$\eta_p^2 = \frac{SS_{Columns}}{SS_{Columns} + SS_{Error}}$$

يمكن حساب هذه القيمة بدقة فورية في جداول بيانات جوجل بربط خلايا جدول تحليل التباين الناتج. فإذا كانت خلية $SS_{Columns}$ تقع في المرجع I13 وخلية $SS_{Error}$ في المرجع I14، نكتب الصيغة:

=I13 / (I13 + I14)

بالتطبيق على أرقام نموذجنا:

$$\eta_p^2 = \frac{15770.00}{15770.00 + 577.50} = \frac{15770.00}{16347.50} \approx 0.965$$

استناداً إلى معايير كوهين المرجعية المعيارية (Cohen, 1988):

• أثر صغير (Small Effect): $\eta_p^2 = 0.01$ (يفسر 1% من التباين).
• أثر متوسط (Medium Effect): $\eta_p^2 = 0.06$ (يفسر 6% من التباين).
• أثر كبير (Large Effect): $\eta_p^2 = 0.14$ فأكثر (يفسر 14% أو أكثر من التباين).

تشير النتيجة المستخرجة ($\eta_p^2 = 0.965$) إلى حجم أثر استثنائي وشديد الضخامة؛ حيث إن 96.5% من التباين المتبقي في سرعة الاستجابة الحركية يُعزى مباشرة إلى الفروق بين التأثيرات الدوائية بعد تحييد الفروق الفردية بين المرضى.

10.2 حساب مقياس أوميجا الجزئي المربع (Partial Omega Squared – ω²p)

على الرغم من شيوع مربع إيتا الجزئي، إلا أنه يُعد تقديراً متحيزاً تصاعدياً لحجم الأثر في المجتمع، لا سيما في العينات الصغيرة. لذلك، يوصي الإحصائيون المتقدمون بحساب مقياس أوميجا الجزئي المربع ($\omega_p^2$) بوصفه تقديراً غير متحيز يستند إلى متوسطات المربعات ودرجات الحرية وفق المعادلة:

$$\omega_p^2 = \frac{df_{Columns} \times (MS_{Columns} – MS_{Error})}{df_{Columns} \times MS_{Columns} + (N – df_{Columns}) \times MS_{Error}}$$

حيث $N$ هو إجمالي عدد المشاهدات الكلية ($N = n \times k = 10 \times 4 = 40$).

بالتطبيق على بياناتنا:

$$\omega_p^2 = \frac{3 \times (5256.67 – 21.39)}{3 \times 5256.67 + (40 – 3) \times 21.39} = \frac{3 \times 5235.28}{15770.01 + 791.43} = \frac{15705.84}{16561.44} \approx 0.948$$

تؤكد هذه القيمة غير المتحيزة ($\omega_p^2 = 0.948$) متانة الأثر التجريبي وتفوقه الساحق في تفسير التباين السلوكي للمرضى.

10.3 التحليل البعدي لقوة الاختبار الإحصائي (Post-Hoc Power Analysis)

تُمثل القوة الإحصائية (Statistical Power – $1 – \beta$) احتمالية نجاح الاختبار في رفض الفرضية الصفرية عندما تكون الفرضية البديلة صحيحة بالفعل في المجتمع. وتتحدد القوة الإحصائية بأربعة عوامل متداخلة: حجم العينة ($n$)، مستوى الدلالة المعياري ($\alpha$)، حجم الأثر الفعلي في المجتمع، والتصميم التجريبي المعتمد.

في تصاميم القياسات المتكررة، يرتفع معامل القوة الإحصائية بصورة مضاعفة نظراً لارتفاع معامل الارتباط بين القياسات المتكررة وتقليص التباين الخطئي. مع حجم أثر هائل كالمتحقق في دراستنا ($\eta_p^2 = 0.965$) وعينة قوامها 10 مشاركين مقاسين أربع مرات، تتجاوز القوة الإحصائية للاختبار حاجز $0.999$ ($Power > 99.9%$) عند مستوى $\alpha = 0.05$، مما يضمن انعدام خطر ارتكاب خطأ من النوع الثاني (Type II Error – الفشل في اكتشاف الأثر الحقيقي) في هذه التجربة.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها أثناء التحليل في جداول بيانات جوجل

11.1 الأخطاء المنهجية في إدخال وتحديد نطاقات البيانات

يواجه الباحثون في جداول بيانات جوجل مجموعة من الأخطاء التشغيلية الشائعة أثناء تحديد مصفوفات الإدخال، ويمكن تلخيص أبرزها وحلولها فيما يلي:

• احتواء الخلايا على نصوص مخفية أو مسافات فارغة (Hidden Text/Spaces): يؤدي وجود مسافات نصية فارغة في خلايا الأرقام إلى تعامل أداة XLMiner معها كنصوص، مما يولد رسائل خطأ برمجية أو استبعاداً غير مقصود للصفوف. الحل: استخدام دالة التنظيف TRIM و VALUE للتحقق من تحويل كافة المدخلات إلى أرقام نقية.
• عدم تفعيل خيار Labels (التسميات): إذا نسي الباحث تفعيل هذا الخيار وحدد النطاق مشتملاً على الصف الأول، ستتعامل الأداة مع عناوين الأعمدة كقيم رقمية، مما يؤدي إلى فشل التحليل فوراً وظهور رسالة “Input range contains non-numeric data”.
• تداخل نطاق الإخراج (Output Overlap): تحديد خلية بداية الإخراج في موقع قريب جداً من مصفوفة البيانات الأصلية، مما يتسبب في مسح البيانات الأولية واستبدالها بجداول المخرجات. الحل: ترك 3 أعمدة فارغة على الأقل بين البيانات والمخرجات، أو توجيه المخرجات دائماً إلى ورقة عمل جديدة (New Sheet).

11.2 الخلط بين نماذج ANOVA المختلفة وعدم ملاءمة الاختبار

من الأخطاء المفاهيمية الجسيمة في الممارسات البحثية التطبيقية الخلط بين نماذج تحليل التباين المتعددة:

• تطبيق Anova: Single Factor بدلاً من القياسات المتكررة: يؤدي استخدام تحليل التباين الأحادي المستقل على بيانات القياسات المتكررة إلى دمج تباين الأفراد مع التباين الخطئي، مما يضخم مقام النسبة الفائية بصورة غير مبررة ويسفر عن قيمة $F$ منخفضة للغاية وقيمة $p$ غير دالة، مما يضيع على الباحث فرصة اكتشاف الأثر الحقيقي.
• تطبيق Two-Factor With Replication بدلاً من Without Replication: يُستخدم نموذج “مع التكرار” فقط عندما تكون هناك مجموعات متعددة من المشاركين داخل كل خلية، بينما تقتضي تجارب القياسات المتكررة لعينة واحدة استخدام نموذج “بدون تكرار” حصراً.
• إهمال التأثيرات الترتيبية: تطبيق الشروط التجريبية بنفس الترتيب الزمني الثابت لجميع المشاركين دون موازنة (Counterbalancing)، مما يجعل نتائج القياسات اللاحقة ملوثة بتأثيرات الإرهاق (Fatigue) أو التعلم والتدريب (Practice Effect).

11.3 مشكلات الإضافات والأداء الفني لأداة XLMiner

قد تتعرض إضافة XLMiner لبعض الأعطال التقنية العارضة في بيئة المتصفح، ويمكن معالجتها عبر الإجراءات التالية:

• فشل تحميل الشريط الجانبي (Side Panel Freezing): يحدث هذا عادة بسبب تراكم ملفات تعريف الارتباط أو استخدام حسابات جوجل متعددة في نفس المتصفح. الحل: تسجيل الخروج من كافة الحسابات واستخدام نافذة التصفح المتخفي (Incognito Window) بحساب واحد فقط، أو مسح ذاكرة التخزين المؤقت (Cache).
• التعامل مع مجموعات البيانات الضخمة (Large Datasets): قد تستغرق الإضافة وقتاً طويلاً أو تتوقف عند معالجة مصفوفات تحتوي على آلاف الصفوف. الحل: في مثل هذه الحالات المتقدمة، يُنصح بتنفيذ المعادلات الإحصائية عبر دوال جداول جوجل المدمجة مباشرة أو استخدام نصوص برمجة التطبيقات (Google Apps Script) المؤتمتة لمعالجة المصفوفات بكفاءة وسرعة فائقة.

12. توثيق وكتابة تقرير النتائج وفق معايير جمعية علم النفس الأمريكية (APA Style 7th Edition)

12.1 الصياغة النصية القياسية لنتائج تحليل التباين للقياسات المتكررة

يفرض دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية (APA 7th Edition) قواعد توثيق دقيقة وصارمة تشمل ذكر الإحصاءات الوصفية، والنسبة الفائية مع درجات الحرية، والقيمة الاحتمالية الدقيقة، ومقياس حجم الأثر.

تتم الصياغة الرياضية للعبارة الإحصائية بالصيغة القياسية التالية:

F(df_treatment, df_error) = [F-value], p = [p-value], η²p = [effect-size]

نموذج التقرير باللغة العربية:

“أُجري تحليل التباين للقياسات المتكررة داخل الأفراد (Repeated Measures ANOVA) لتقييم أثر أنواع العقاقير المهدئة على سرعة الاستجابة الحركية للمرضى عبر أربعة شروط تجريبية (عقار أ، عقار ب، عقار ج، عقار د). أظهرت النتائج وجود تأثير رئيسي دال إحصائياً وبدرجة فائقة لنوع العقار على زمن الاستجابة، F(3, 27) = 245.92، p < .001، η²p = .96. ارتبط العقار أ بأسرع متوسط زمن استجابة (M = 250.00 ms, SD = 12.47)، تلاه العقار ب (M = 260.00 ms, SD = 12.91)، ثم العقار ج (M = 278.00 ms, SD = 13.98)، في حين أدى العقار د إلى أبطأ سرعة استجابة (M = 303.00 ms, SD = 13.78). وقد أكدت المقارنات البعدية المصححة وفق طريقة بونفيروني وجود فروق ذات دلالة إحصائية بين جميع الأزواج المقارنة عند مستوى دلالة p < .0083.”

نموذج التقرير باللغة الإنجليزية:

“A one-way repeated measures ANOVA was conducted to determine the effect of four sedative drugs on psychomotor reaction time (ms). The results indicated a statistically significant and large main effect of drug condition on reaction time, F(3, 27) = 245.92, p < .001, η²p = .96. Post-hoc pairwise comparisons with Bonferroni correction revealed that all conditions differed significantly from each other (p < .0083), with Drug A yielding the fastest reaction time (M = 250.00, SD = 12.47) and Drug D yielding the slowest (M = 303.00, SD = 13.78).”

12.2 تصميم الجداول الإحصائية المعتمدة وفق نسق APA 7

تشترط معايير APA 7th Edition في تصميم الجداول استبعاد كافة الخطوط الرأسية والاعتماد الحصري على ثلاثة خطوط أفقية رئيسية: خط أعلى ترويسة الجدول، وخط أسفل ترويسة المتغيرات، وخط ختامي أسفل الجدول، مع وضع عنوان مائل وتوضيح الهوامش السفلية:

Table 1
One-Way Repeated Measures ANOVA Summary for Psychomotor Reaction Time Across Drug Conditions

Source	SS	df	MS	F	p	η²p
Between-Subjects (Rows)	6847.50	9	760.83	35.59	< .001	.92
Treatment Conditions (Columns)	15770.00	3	5256.67	245.92	< .001	.96
Error (Residual)	577.50	27	21.39
Total	23195.00	39

Note. N = 10 participants measured across k = 4 drug conditions. SS = sum of squares; df = degrees of freedom; MS = mean square; η²p = partial eta squared. *** p < .001.

12.3 بناء الرسوم البيانية والأشرطة الخطية في جداول بيانات جوجل لتمثيل القياسات المتكررة

يُعد التمثيل المرئي للبيانات خطوة أساسية لتعزيز وضوح النتائج في الأوراق العلمية. لتصميم مخطط خطي تفاعلي يطابق شروط النشر العلمي في جداول بيانات جوجل:

• تجهيز جدول مصغر يتضمن أسماء الشروط التجريبية في العمود الأول والمتوسطات الحسابية المقابلة في العمود الثاني والانحرافات المعيارية في العمود الثالث.
• تحديد جدول المتوسطات والنقر على قائمة إدراج (Insert) ثم اختيار مخطط (Chart).
• في محرر المخططات (Chart Editor)، يتم ضبط نوع المخطط على مخطط خطي بنقاط بيانية (Line Chart with Markers) لإبراز المسار التطوري لتغير الاستجابة.
• تسمية المحور الأفقي ($X\text{-axis}$) بدقة: “الشروط الدوائية التجريبية (Drug Conditions)”، وتسمية المحور الرأسي ($Y\text{-axis}$): “متوسط زمن الاستجابة بالمللي ثانية (Mean Reaction Time in ms)”.
• تخصيص المظهر باختيار ألوان أحادية أو تدرجات رمادية واضحة تتماشى مع متطلبات المجلات المطبوعة، وضبط خطوط الشبكة لتكون خفيفة وبسيطة.
• إضافة أشرطة الخطأ (Error Bars) من تبويب تخصيص (Customize) > السلسلة (Series) واختيار القيمة كنسبة مئوية أو قيمة ثابتة تعبر عن الخطأ المعياري للمتوسط ($SE = \frac{SD}{\sqrt{n}}$)، وهو ما يمنح القارئ انطباعاً بصرياً فورياً عن دقة التقديرات وتجانس التشتت.

خاتمة

قدم هذا الدليل التطبيقي المتكامل مساراً علمياً شاملاً لتنفيذ تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) من خلال بيئة جداول بيانات جوجل السحابية بالاستعانة بأداة XLMiner Analysis ToolPak. لقد برهن النموذج الرياضي كيف يساهم تصميم القياسات المتكررة في تقليص التباين الخطئي وعزل الفروق الفردية للمشاركين، مما يعزز الحساسية الإحصائية للاختبارات ويوفر كفاءة منهجية واقتصادية بالغة للباحثين في العلوم النفسية والسلوكية والطبية.

إن إتقان الباحث لخطوات تهيئة المصفوفات العريضة، واستيعاب الافتراضات الإحصائية الحاكمة كالتوزيع الطبيعي والكروية وتعديلاتها، إلى جانب تطبيق المقارنات البعدية المصححة واحتساب حجوم الأثر المعيارية مثل مربع إيتا الجزئي ومربع أوميجا الجزئي، يضمن تقديم تحليلات رصينة تلبي أعلى معايير النشر العلمي العالمي وفق نمط APA 7th Edition، مع الاستفادة الكاملة من مرونة وأمان الحوسبة السحابية المعاصرة.

المراجع (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. https://www.sciencedirect.com/book/9780121790608/statistical-power-analysis-for-the-behavioral-sciences
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• 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/10.2307/1164736
• 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
• Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.