ثلاث طرق لإيجاد القيمة الاحتمالية من إحصائية t

يمثل الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها الأبحاث العلمية المعاصرة في شتى الميادين، بدءاً من العلوم الطبية والبيولوجية وصولاً إلى العلوم السلوكية والاجتماعية والاقتصادية. وفي قلب هذه المنظومة الاستدلالية، يبرز اختبار تائي (Student’s t-test) كأحد أكثر الأدوات البارامترية استخداماً لتقييم الفروق الجوهرية بين المتوسطات الحسابية. غير أن حساب قيمة إحصائية t المجردة لا يعدو كونه خطوة وسيطة؛ إذ إن الغاية النهائية تكمن في ترجمة هذه القيمة المعيارية إلى مؤشر كمي يعبر عن مدى توافق البيانات المرصودة مع الفرضية الصفرية، وهو ما يتجسد في مفهوم القيمة الاحتمالية (P-Value).

تُعد القيمة الاحتمالية حجر الزاوية في اتخاذ القرار الإحصائي وفق مدخل اختبار الفرضيات التقليدي. فهي تمد الباحثين بمعيار احتمالي موضوعي يمكن مقارنته بمستوى المعنوية المحدد سلفاً للحكم برفض الفرضية الصفرية أو الإخفاق في رفضها. ورغم مركزية هذا المفهوم، فإن الانتقال الرياضي والتطبيقي من قيمة إحصائية t المحسوبة إلى القيمة الاحتمالية الدقيقة المقابلة لها يشكل تحدياً منهجياً يتطلب فهماً عميقاً لطبيعة التوزيع الاحتمالي، ودرجات الحرية المرتبطة بحجم العينة، والاتجاه الفرضي للاختبار.

يهدف هذا الدليل الشامل والموسع إلى تقديم تفكيك نظري وتطبيقي دقيق للآليات المتبعة لاستخراج القيمة الاحتمالية من إحصائية t عبر ثلاثة مسارات منهجية رئيسية: استخدام الحاسبات الإحصائية الرقمية عبر الإنترنت، والاستعانة بجداول التوزيع التائي التقليدية مع تقنيات الاستيفاء الرياضي، وتوظيف الحزم البرمجية المتقدمة مثل Excel وR وPython وSPSS. كما يقدم المقال رؤية نقدية للمفاهيم المغلوطة، واستعراضاً دقيقاً لقواعد التوثيق والنشر الأكاديمي وفق معايير الجمعية الأمريكية لعلم النفس (APA Style).

1. المفاهيم التأسيسية: العلاقة بين إحصائية t والقيمة الاحتمالية (P-Value)

1.1 تعريف إحصائية t ودورها في الاستدلال الإحصائي

تُعرّف إحصائية t رياضياً بأنها نسبة الفارق الملاحظ بين المتوسطات الحسابية مقسوماً على الخطأ المعياري المقدر لهذا الفارق. تعمل هذه الإحصائية كمعيار قياسي لتقدير مدى ابتعاد النتيجة التجريبية المرصودة عن القيمة المفترضة في المجتمع الإحصائي تحت وطأة تقلبات المعاينة العشوائية. تنبثق أهمية درجات t التاريخية من معالجة المعضلة التي واجهها الإحصائي ويليام سيلي جوسيت (William Sealy Gosset) في مطلع القرن العشرين، حيث تتطلب العينات الصغيرة ذات التباين المجتمعي المجهول تعديلاً لتوزيع Z المعياري لتفادي تضخيم معدلات الخطأ من النوع الأول.

في سياق اختبار الفرضيات، تُعد إحصائية t تجسيداً للتوتر الإحصائي بين الفرضية الصفرية (التي تفترض انعدام التأثير أو الفروق) والفرضية البديلة (التي تفترض وجود تأثير حقيقي). كلما زادت القيمة المطلقة لإحصائية t، دل ذلك على أن الفارق الملاحظ بين العينات يفوق ما يمكن عزوه ببساطة إلى التباين العشوائي أو خطأ المعاينة، مما يمهد الطريق لرفض الفرضية الصفرية والاعتراف بالدلالة الإحصائية للبيانات.

1.2 ماهية القيمة الاحتمالية (P-Value) وتفسيرها الرياضي

تمثل القيمة الاحتمالية (P-Value) الاحتمال الرياضي الشرطي لملاحظة نتيجة إحصائية متطرفة تعادل القيمة المحسوبة أو تفوقها تطرفاً، بافتراض أن الفرضية الصفرية صحيحة تماماً في المجتمع الأصلي. تُعبر هذه القيمة هندسياً عن المساحة التراكمية الواقعة تحت منحنى دالة الكثافة الاحتمالية لتوزيع t عند الذيول المحددة بالقيمة المحسوبة. إنها ليست مقياساً لاحتمالية صحة الفرضية الصفرية ذاتها، بل هي مقياس لتوافق البيانات المجمعة مع تلك الفرضية.

من الضروري الفصل التام بين مفهوم الدلالة الإحصائية والدلالة العملية أو التطبيقية. فالقيمة الاحتمالية المنخفضة جداً تثبت فقط أن النتيجة يصعب تفسيرها بالصدفة العشوائية وحدها، لكنها لا تعكس بالضرورة حجم الأثر أو الأهمية الإكلينيكية والعملية للظاهرة، الأمر الذي يتطلب دائماً الاستعانة بمقاييس مكملة مثل معامل كوهين (Cohen’s d) وفترات الثقة.

1.3 التكامل بين إحصائية t ومستوى المعنوية لاتخاذ القرار

يتطلب اتخاذ القرار الاستدلالي السليم وضع معيار قطعي قبلي يُعرف بمستوى المعنوية ألفا (Alpha Level: α)، والذي يُحدد عادة عند 0.05 أو 0.01 في الأبحاث السلوكية والطبية. يعمل مستوى المعنوية كعتبة مخاطرة مقبولة للوقوع في خطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة). تُحول إحصائية t بعد ذلك إلى قيمة p لتسهيل المقارنة المباشرة: فإذا كانت القيمة الاحتمالية أصغر من أو تساوي ألفا (p ≤ α)، يُتخذ القرار الإحصائي برفض الفرضية الصفرية.

تكمن قوة هذا التحويل في تحييد وحدة القياس الخاصة بالمتغيرات المدروسة، وتحويل القرار إلى مصفوفة احتمالية موحدة قابلة للمقارنة عبر مختلف الدراسات. ومع ذلك، يجب توخي الحذر من النظرة الثنائية الصارمة للقرارات المبنية على عتبات p القطعية، وإدراك الحدود التفسيرية للقيم الاحتمالية التي تحوم حول خط العتبة (مثل p = 0.049 مقابل p = 0.051).

2. الأسس النظرية لتوزيع t ودرجات الحرية واتجاه الاختبار

2.1 خصائص توزيع ستيودنت التائي (Student’s t-Distribution)

يتميز توزيع ستيودنت التائي بكونه توزيعاً احتمالياً مستمراً، متماثلاً وناقوسي الشكل، يشبه في هيئته التوزيع الطبيعي المعياري، ولكنه يتمتع بذيول أكثر اتساعاً وتسطحاً نسبياً (Leptokurtic tails). يعكس هذا الاتساع الإضافي في الذيول حالة عدم اليقين المتزايدة الناتجة عن تقدير الانحراف المعياري للمجتمع باستخدام الانحراف المعياري للعينة، وهو ما يرفع من احتمالية الحصول على قيم متطرفة عند التعامل مع أحجام عينات محدودة.

كلما تزايد حجم العينة واقتربت درجات الحرية من اللانهاية، يقترب توزيع t تدريجياً من التوزيع الطبيعي المعياري Z. وتُعزى هذه الديناميكية إلى مبرهنة النهاية المركزية (Central Limit Theorem) وقانون الأعداد الكبيرة، حيث يصبح الخطأ المعياري للعينة مقدراً متسقاً ودقيقاً لتباين المجتمع الأصلي، مما يجعل الفروق بين التوزيعين شبه منعدمة عند العينات الكبيرة التي تتجاوز 120 مفردة.

2.2 درجات الحرية (Degrees of Freedom) وتأثيرها على شكل التوزيع

تُعرّف درجات الحرية (Degrees of Freedom – df) رياضياً بأنها عدد القيم أو المشاهدات المستقلة التي تمتلك حرية التغير في الحساب الإحصائي النهائي بعد تثبيت مقدّرات المعالم الميدانية (مثل المتوسط الحسابي). وتلعب درجات الحرية دور المعلمة المحددة للشكل الهندسي الدقيق لمنحنى توزيع t؛ فلكل درجة حرية منحنى توزيع تائي خاص ومستقل تتغير معه المساحات الاحتمالية تحت الذيول بصورة جذرية.

تختلف معادلات حساب درجات الحرية باختلاف التصميم التجريبي المستخدم:

• اختبار t للعينة الواحدة (One-Sample t-test): تُحسب درجات الحرية بالصيغة df = n – 1، حيث n هو حجم العينة الكلي.
• اختبار t للعينات المستقلة (Independent Samples t-test): في حالة تجانس التباين، تُحسب بالصيغة df = n₁ + n₂ – 2؛ بينما تخضع لمعادلة تصحيح ولش-ساترثويت المعقدة عند عدم تساوي التباين.
• اختبار t للعينات المترابطة (Paired Samples t-test): تُحسب بالصيغة df = N_pairs – 1، بالاعتماد على عدد أزواج الفروق.

2.3 الفروق الحسابية بين الاختبارات ذات الذيل الواحد والذيلين

يرتبط تحديد اتجاه الاختبار الإحصائي بالصياغة النظرية والمنطقية للفرضية البديلة. في الاختبار أحادي الذيل (One-Tailed Test)، تكون الفرضية موجهة (Directional)، حيث يفترض الباحث وجود تأثير في اتجاه محدد سلفاً (زيادة فقط أو نقصان فقط). في هذه الحالة، تتركز منطقة الرفض الاحتمالية البالغة (α) بالكامل في ذيل واحد من منحنى التوزيع (إما الذيل الأيمن الموجب أو الذيل الأيسر السالب)، وتُعبر قيمة p عن المساحة الواقعة خلف قيمة t في ذلك الذيل حصراً.

أما في الاختبار ثنائي الذيل (Two-Tailed Test)، فتكون الفرضية غير موجهة (Non-directional)، حيث يسعى الباحث لاكتشاف أي فرق جوهري بغض النظر عن اتجاهه. يتم توزيع منطقة الرفض (α) بالتساوي على كلا الذيلين (α/2 في كل ذيل). ورياضياً، لحساب القيمة الاحتمالية للاختبار ثنائي الذيل بناءً على قيمة أحادية الذيل، يتم مضاعفة المساحة المحسوبة (p_two-tailed = 2 × p_one-tailed)، مما يجعل معيار الرفض أكثر صرامة ويتطلب أدلة تجريبية أقوى.

3. الطريقة الأولى: استخدام الآلات الحاسبة الإحصائية عبر الإنترنت

3.1 آلية عمل حواسب تحويل درجة t إلى P-Value عبر الويب

تعتمد الآلات الحاسبة الإحصائية الرقمية المتاحة عبر الويب على خوارزميات برمجية متقدمة تقوم بحل التكامل الرياضي العددي لدالة الكثافة الاحتمالية لتوزيع ستيودنت التائي. تقوم هذه الحاسبات بحساب دالة التوزيع التراكمي (CDF) عبر تقريبات عددية بالغة الدقة (مثل خوارزميات الدوال غير المكتملة وتكاملات جاما)، مما يتيح استخراج المساحة الدقيقة تحت المنحنى المرتبطة بدرجة t المدخلة ودرجات الحرية المحددة في أجزاء من الثانية.

تتطلب هذه الأدوات الرقمية ثلاثة مدخلات رئيسية لمعالجة القيمة: الدرجة المحسوبة لإحصائية t، وقيمة درجات الحرية (df)، ونوع الذيل المطلوب للاختبار (أيمن، أيسر، أو ثنائي). وتتميز هذه الحاسبات بقدرتها على توفير نتائج فورية تتجاوز الدقة المتاحة في أي جدول إحصائي ورقي مطبوع، حيث تقدم قيماً عشرية تصل إلى ست أو ثماني منازل عشرية.

3.2 خطوات الاستخدام العملي لحاسبة إحصائية رقمية

لضمان الحصول على نتائج صحيحة وخالية من الأخطاء المنهجية عند استخدام الحاسبات الإحصائية الرقمية، ينبغي اتباع الخطوات الإجرائية التالية بعناية فائقة:

• إدخال إحصائية t: كتابة القيمة المحسوبة بدقة مع مراعاة الإشارة الجبرية؛ فالإشارة السالبة تعني أن المتوسط الملاحظ يقع أسفل المتوسط المفترض، بينما الموجبة تعني أنه يقع أعلاه.
• تحديد درجات الحرية: إدخال القيمة الصحيحة لدرجات الحرية المقابلة لحجم العينة والتصميم الإحصائي المستخدم وليس حجم العينة الكلي (N).
• اختيار اتجاه الذيل: تحديد ما إذا كان الاختبار يتطلب:
  • Right-tailed: للمساحة فوق القيمة الموجبة (P[T > t]).
  • Left-tailed: للمساحة أسفل القيمة السالبة (P[T < t]).
  • Two-tailed: للمساحة المتطرفة في كلا الاتجاهين (|P[T > |t|] + P[T < -|t|]|).
• قراءة وتوثيق الناتج: استخراج القيمة الاحتمالية الناتجة وقراءتها بالشكل العشري القياسي وتوثيقها بدقة.

3.3 مزايا وتحديات الاعتماد على الحاسبات الإلكترونية

تقدم الحاسبات الإحصائية الإلكترونية عبر الإنترنت ميزة حاسمة تتجلى في سهولة الوصول والسرعة الفائقة وتوفير الوقت، وتخليص الباحث من العمليات الحسابية اليدوية المعقدة والاستيفاء الخطي المرهق. كما أنها تحد من أخطاء التقدير البصري وتوفر دقة رقمية مطلقة تدعم اتخاذ القرارات الدقيقة في الحالات الحدية التي تكون فيها النتائج قريبة جداً من مستوى ألفا.

ومع ذلك، ينطوي الاعتماد غير المنضبط على هذه الأدوات على مخاطر منهجية؛ من أبرزها سهولة ارتكاب أخطاء الإدخال غير المقصودة دون وجود تنبيهات سياقية، وعدم فهم الباحث للميكانيزم الرياضي الداخلي للتوزيع، مما قد يؤدي إلى اعتماد مخرجات خاطئة ناتجة عن تحديد غير ملائم لاتجاه الذيل أو درجات الحرية، بالإضافة إلى احتمالية اعتماد بعض المواقع غير الموثوقة على كود برمجي غير دقيق في معالجة الحالات الطرفية المتطرفة.

4. تطبيق عملي ومثال مفصل باستخدام الحاسبة عبر الإنترنت

4.1 تحديد معطيات المثال التوضيحي التطبيقي

لتوضيح التطبيق العملي الكامل، نفترض أن باحثاً في مجال علم النفس التربوي قام بدراسة لتقييم فاعلية استراتيجية تدريس حديثة في تحسين مهارات القراءة الاستيعابية لدى عينة مكونة من 14 طالباً. صاغ الباحث فرضية بحثية موجهة تتوقع أن الاستراتيجية الجديدة ستؤدي إلى زيادة معنوية في متوسط درجات الطلاب مقارنة بالمتوسط المعياري المعروف مسبقاً.

بعد جمع البيانات وإجراء العمليات الحسابية الأساسية، استخرج الباحث المعطيات الإحصائية التالية:

• قيمة إحصائية t المحسوبة: t = 1.441
• حجم العينة: n = 14
• درجات الحرية: df = n – 1 = 14 – 1 = 13
• طبيعة الفرضية: موجهة نحو الزيادة، مما يقتضي استخدام اختبار أحادي الذيل الأيمن (Right-tailed Test).
• مستوى المعنوية المعتمد للقرار: α = 0.05.

4.2 تسلسل التنفيذ التقني لحساب القيمة الاحتمالية

عند تغذية واجهة الآلة الحاسبة الإحصائية الرقمية بالمعطيات، تم إدخال القيمة 1.441 في حقل إحصائية t، وإدخال القيمة 13 في حقل درجات الحرية (Degrees of Freedom)، وتحديد خيار الذيل الأيمن (Right-tailed / P[T > t]).

أظهرت المعالجة الخوارزمية اللحظية للحاسبة النتيجة الدقيقة التالية: p = 0.08662 (أو ما يقارب 8.66%). تمثل هذه القيمة هندسياً المساحة المظللة الدقيقة تحت منحنى توزيع t لدرجات حرية 13 الممتدة من النقطة t = 1.441 باتجاه اللانهاية الموجبة في الذيل الأيمن للمنحنى.

4.3 تفسير النتيجة في سياق اختبار الفرضيات

لمعالجة القرار الاستدلالي، تتم مقارنة القيمة الاحتمالية المحسوبة بمستوى المعنوية المحدد سلفاً:

• بما أن p = 0.08662 وهي أكبر من α = 0.05، فإن النتيجة تعتبر غير دالة إحصائياً عند هذا المستوى.
• القرار الإحصائي: الإخفاق في رفض الفرضية الصفرية (Fail to reject the null hypothesis).
• التفسير العلمي: تشير البيانات إلى أن الزيادة الملاحظة في متوسط درجات الطلاب قد تعود بنسبة 8.66% إلى الصدفة أو خطأ المعاينة العشوائي، وهي نسبة تتجاوز عتبة المخاطرة المقبولة (5%)، وبالتالي لا توجد أدلة إحصائية كافية لتأكيد فاعلية الاستراتيجية الجديدة بناءً على هذه العينة.

5. الطريقة الثانية: استخدام جداول توزيع t الإحصائية التقليدية

5.1 بنية وهيكل جدول توزيع t المعياري (t-Distribution Table)

يمثل جدول توزيع t الإحصائي الأداة التاريخية والمعيارية التي اعتمد عليها الإحصائيون لعقود طويلة قبل انتشار الحواسب. يتم تنظيم الجدول في مصفوفة ثنائية الأبعاد تتألف من صفوف وأعمدة ذات دلالات احتمالية محددة بعناية:

• الصفوف الرأسية (Rows): تمثل درجات الحرية المختلفة (df)، وتبدأ عادة من 1 وتتدرج تصاعدياً حتى 30 أو 40، ثم تقفز بقيم متقطعة (مثل 50، 60، 80، 100، 120) وصولاً إلى علامة اللانهاية (∞) التي تمثل توزيع Z المعياري.
• الأعمدة الأفقية (Columns): تمثل المساحات الاحتمالية الشائعة في الذيول المقابلة لمستويات المعنوية المعيارية (مثل 0.10، 0.05، 0.025، 0.01، 0.005 للاختبار أحادي الذيل؛ وما يعادلها 0.20، 0.10، 0.05، 0.02، 0.01 للاختبار ثنائي الذيل).
• خلايا التقاطع (Body Cells): تحتوي على القيم الحرجة (Critical t-values) التي تقطع تلك المساحات الاحتمالية المحددة عند كل درجة حرية معينة.

5.2 استراتيجية تحديد نطاق القيمة الاحتمالية من الجدول اليدوي

نظراً لأن الجداول الإحصائية المطبوعة لا تسرد كافة الاحتمالات الممكنة، فإن الهدف الأساسي من استخدامها لا يتمثل في استخراج قيمة p دقيقة، بل في تحديد النطاق الاحتمالي (Bounding Interval) الذي تقع فيه تلك القيمة. وتتم هذه الاستراتيجية وفق الخطوات التالية:

• الانتقال إلى الصف الأفقي المطابق لدرجات الحرية الخاصة بالدراسة (df).
• التحرك أفقياً عبر قيم t الحرجة المسجلة في ذلك الصف للبحث عن القيمتين الحرجتين المجاورتين اللتين تنحصر بينهما قيمة t المحسوبة فعلياً في التجربة.
• النظر رأسياً إلى أعلى الجدول لقراءة المساحات الاحتمالية المقابلة لهاتين النقطتين الحرجتين، سواء للاختبار أحادي الذيل أو ثنائي الذيل وفق ما يحدده التصميم البحثي.
• استنتاج المتباينة التي تحدد نطاق القيمة الاحتمالية (مثال: 0.05 < p < 0.10).

5.3 تطبيق طريقة الجدول على المثال الرقمي المحدد

بالعودة إلى معطيات مثالنا السابق (قيمة t = 1.441 مع درجات حرية df = 13 واختبار أحادي الذيل الأيمن)، نقوم بتطبيق استراتيجية القراءة الجدولية كالتالي:

1. نحدد الصف رقم 13 في جدول t المعياري المخصص لدرجات الحرية (df = 13).
2. نتتبع القيم الحرجة داخل الصف رقم 13:
   • القيمة الحرجة المقابلة لمساحة ذيل أحادي 0.10 هي 1.350.
   • القيمة الحرجة المقابلة لمساحة ذيل أحادي 0.05 هي 1.771.
3. نلاحظ أن قيمة t المحسوبة (1.441) تقع بدقة بين هاتين القيمتين الحرجتين: 1.350 < 1.441 < 1.771.
4. بناءً عليه، نستنتج فوراً أن القيمة الاحتمالية p للاختبار أحادي الذيل تنحصر في النطاق التالي: 0.05 < p < 0.10.

يتوافق هذا النطاق المستخرج يدوياً بشكل مثالي مع القيمة الدقيقة التي تم الحصول عليها عبر الحاسبة الإلكترونية (p = 0.08662)، وهو نطاق كافٍ تماماً لاتخاذ القرار الإحصائي بعدم رفض الفرضية الصفرية نظراً لأن النطاق بأكمله يقع أعلى مستوى المعنوية 0.05.

6. تقنيات متقدمة في التعامل مع جداول t: الاستيفاء الخطي والتقريب

6.1 مفهوم الاستيفاء الخطي (Linear Interpolation) في الإحصاء

يُعرّف الاستيفاء الخطي (Linear Interpolation) في التحليل الإحصائي والعددي بأنه أسلوب لتقدير قيمة غير معروفة تقع بين نقطتين معلومتين بدقة، بافتراض وجود علاقة خطية موضعية مستقيمة تربط بين المتغيرين على مدار تلك الفترة المحدودة. وعلى الرغم من أن دالة الكثافة الاحتمالية لتوزيع t هي دالة منحنية غير خطية بطبيعتها، فإن تقريب الجزء القصير جداً الواقع بين قيمتين حرجتين متجاورتين إلى خط مستقيم يقدم تقديراً كمياً معقولاً للقيمة الاحتمالية يفوق مجرد حصرها في نطاق عريض.

تستند معادلة الاستيفاء الخطي لتقدير قيمة p المقابلة لقيمة t المحسوبة إلى صيغة التناسب الكلاسيكية:

p ≈ p₁ + [(t – t₁) / (t₂ – t₁)] × (p₂ – p₁)

حيث تمثل (t₁, p₁) و (t₂, p₂) إحداثيات القيمتين الحرجتين المجاورتين المستخرجتين من الجدول الإحصائي.

6.2 خطوات تنفيذ الاستيفاء الخطي لحساب قيمة p تقريبية

لتطبيق الاستيفاء الخطي على بيانات مثالنا السابق:

• النقطة الأولى الأدنى: t₁ = 1.350 وتقابلها مساحة احتمالية p₁ = 0.10.
• النقطة الثانية الأعلى: t₂ = 1.771 وتقابلها مساحة احتمالية p₂ = 0.05.
• قيمة t المحسوبة المراد تقريب احتمالها: t = 1.441.

نقوم أولاً بحساب النسبة التناسبية للمسافة المقطوعة بين النقطتين:

Ratio = (1.441 – 1.350) / (1.771 – 1.350) = 0.091 / 0.421 ≈ 0.21615

ثم نطبق معادلة الاستيفاء لحساب الانخفاض في القيمة الاحتمالية:

p ≈ 0.10 + 0.21615 × (0.05 – 0.10) = 0.10 – 0.01081 = 0.08919

نلاحظ أن القيمة المقدرة بالاستيفاء الخطي (p ≈ 0.0892) قريبة للغاية من القيمة الدقيقة الخوارزمية (0.0866)، حيث لم يتجاوز الخطأ المطلق الناتج عن افتراض الخطية حاجز 0.0026، مما يوضح الكفاءة التقديرية لهذه التقنية في غياب البرمجيات والحواسب.

6.3 قيود وعيوب استخدام الجداول الورقية في البحث الأكاديمي الحديث

رغم القيمة التعليمية الراسخة للجداول الإحصائية الورقية، فإنها لم تعد مقبولة كأداة وحيدة لاستخراج وتوثيق القيم الاحتمالية في البحوث الأكاديمية المعاصرة المنشورة في المجلات المفهرسة عالمياً، وذلك لعدة اعتبارات جوهرية:

• عجز الدقة المطلقة: تقتصر الجداول على تقديم نطاقات احتمالية عريضة، مما يحجب عن القارئ معرفة الدقة المتناهية للتجربة ومقدار ابتعادها الفعلي عن عتبة المعنوية.
• أخطاء القراءة البصرية: تتسم الجداول بكثافة الأرقام وصغر الخطوط، مما يرفع احتمالية وقوع أخطاء الإجهاد البصري في تتبع الصفوف والأعمدة المناسبة.
• محدودية درجات الحرية للعينات الكبيرة: لا تسرد الجداول درجات الحرية التي تزيد عن 30 إلا بفواصل متباعدة جداً (مثل الانتقال من 40 إلى 60 ثم 120)، مما يفرض إجراء استيفاءات معقدة ومزدوجة تؤدي لتراكم أخطاء التقريب.

7. الطريقة الثالثة: استخدام البرمجيات الإحصائية وحزم التحليل المتقدمة

7.1 حساب القيمة الاحتمالية باستخدام جداول البيانات (Microsoft Excel)

يعد برنامج مايكروسوفت إكسيل (Microsoft Excel) بيئة حسابية واسعة الانتشار توفر مجموعة من الدوال المتخصصة لحساب القيمة الاحتمالية من إحصائية t ودرجات الحرية بكفاءة متناهية. منذ إصدار Excel 2010 والإصدارات الأحدث، تم اعتماد دوال إحصائية حديثة تتطابق مع المعايير القياسية العالمية:

• حساب الذيل الأيمن: تُستخدم الدالة =T.DIST.RT(x, deg_freedom) حيث يمثل x قيمة t المحسوبة الموجبة. عند تطبيقها على مثالنا =T.DIST.RT(1.441, 13)، تُرجع الدالة مباشرة القيمة الدقيقة 0.08662.
• حساب الذيل الأيسر: تُستخدم الدالة =T.DIST(x, deg_freedom, TRUE) لحساب التوزيع التراكمي من أقصى اليسار حتى قيمة t المحددة.
• حساب الاختبار ثنائي الذيل: تُستخدم الدالة =T.DIST.2T(x, deg_freedom) التي تتطلب قيمة موجبة لـ x، وتقوم تلقائياً بمضاعفة المساحة الاحتمالية لطرفي المنحنى.

تسمح هذه الدوال ببناء نماذج إحصائية متكاملة داخل ورقة العمل، بحيث يتم تحديث القيمة الاحتمالية تلقائياً بمجرد تعديل البيانات الخام أو أحجام العينات، مما يقلل احتمالات الخطأ البشري إلى الصفر.

7.2 التطبيق البرمجي بلغة R الإحصائية (R Language)

تُعد لغة R الإحصائية البيئة البرمجية القياسية المعتمدة لدى الأكاديميين وعلماء البيانات في إجراء التحليلات المتقدمة. توفر R الدالة التأسيسية pt() التي تحسب دالة التوزيع التراكمي لتوزيع ستيودنت التائي بدقة فائقة عبر المعاملات المرنة للتحكم في اتجاه الذيل.

لحساب القيمة الاحتمالية للاختبار أحادي الذيل الأيمن في R، يُنفذ الأمر البرمجي التالي:

p_value <- pt(q = 1.441, df = 13, lower.tail = FALSE)

حيث يوجه المعامل lower.tail = FALSE الدالة لحساب المساحة الواقعة في الذيل الأيمن العلوي بدلاً من الذيل الأيسر التراكمي الافتراضي. أما للاختبارات ثنائية الذيل، فيمكن استخدام القيمة المطلقة ومضاعفة الناتج برمجياً عبر الأمر:

p_value_2t <- 2 * pt(q = abs(1.441), df = 13, lower.tail = FALSE)

تتيح لغة R أتمتة هذه العمليات ومعالجة مصفوفات ضخمة تتضمن آلاف الاختبارات الإحصائية المتزامنة في غضون ثوانٍ معدودة، مع إمكانية تصدير النتائج الرسومية والجداول الجاهزة للنشر.

7.3 الحساب البرمجي المتقدم بلغة بايثون (Python / SciPy)

في بيئة تطوير بايثون الموجهة للحوسبة العلمية والتعلم الآلي، توفر مكتبة SciPy وتحديداً الحزمة الفرعية scipy.stats ترسانة شاملة من التوزيعات الاحتمالية المستمرة. يتميز توزيع t في بايثون بكائن stats.t الذي يوفر دوال متعددة للتعامل مع المساحات الاحتمالية:

• دالة البقاء (Survival Function): تُستخدم الدالة stats.t.sf(x, df) لحساب مساحة الذيل الأيمن مباشرة (المقابلة لـ 1 – CDF)، وتُعد الأسلوب الأكثر دقة حسابياً لتجنب أخطاء التقريب البرمجي في الذيول القصوى:
  
  from scipy import stats

p_val = stats.t.sf(1.441, df=13) # يعيد 0.0866209...
• دالة التوزيع التراكمي (CDF): تُستخدم الدالة stats.t.cdf(x, df) لحساب مساحة الذيل الأيسر.
• الاختبار ثنائي الذيل: يُحسب ببساطة عبر:
  
  p_val_2t = 2 * stats.t.sf(abs(1.441), df=13)

يتيح دمج هذه الدوال داخل خطوط معالجة البيانات الكبيرة (Data Pipelines) وتطبيقات التعلم الآلي تقييم الدلالة الإحصائية للمتغيرات المستقلة وأوزان النماذج التنبؤية بصورة آلية ودقيقة.

8. تطبيقات الحزم الإحصائية الجاهزة: SPSS وتفسير المخرجات

8.1 توليد قيم t و p عبر اختبارات العينات في برنامج SPSS

يُعد برنامج IBM SPSS Statistics البرنامج الأكثر انتشاراً في أبحاث العلوم الاجتماعية والسلوكية. عند إجراء اختبارات t بمختلف أنواعها (العينة الواحدة، العينات المستقلة، أو العينات المزدوجة)، يقوم البرنامج بإنشاء جداول مخرجات قياسية تحتوي على ملخص تحليلي كامل يشمل: قيمة إحصائية t، ودرجات الحرية (df)، وعمود الدلالة المعنوية الذي يُرمز له عادة بالاختصار (.Sig) والممثل للقيمة الاحتمالية.

في الإصدارات التقليدية من SPSS، تُعرض القيمة الاحتمالية بشكل افتراضي بصيغة Sig. (2-tailed). فإذا كان الباحث يختبر فرضية موجهة أحادية الذيل، يتوجب عليه تحويل القيمة يدوياً من خلال تقسيم القيمة المعروضة في عمود Sig على 2 (شريطة أن تكون إشارة t متوافقة مع اتجاه الفرضية الموجهة). أما في الإصدارات الحديثة (مثل SPSS 28 وما بعدها)، فقد أضاف البرنامج أعمدة مخصصة تفصل بوضوح بين One-Sided p و Two-Sided p لتجنب أي التباس تحليلي.

8.2 التعامل مع القيم المقربة مثل Sig = .000 في البرمجيات

من أكثر الأخطاء الشائعة بين المبتدئين في التحليل الإحصائي نقل القيمة الاحتمالية من مخرجات البرمجيات كما تظهر أحياناً: Sig. = .000، وكتابة عبارات خاطئة علمياً مثل “p = 0” في التقارير الأكاديمية. من المنظور الرياضي النظري، لا يمكن لدالة الكثافة الاحتمالية لتوزيع مستمر أن تصل مساحتها تحت الذيل إلى الصفر المطلق عند أي قيمة منتهية لإحصائية t؛ فالمنحنى يقترب مقارباً من المحور الأفقي دون أن يمسه أبداً.

إن ظهور .000 في البرمجيات يعني فقط أن القيمة الاحتمالية متناهية الصغر إلى درجة أنها أصبحت أقل من أصغر منزلة عشرية يعرضها الجدول الافتراضي (أي أنها أقل من 0.0005). وعند النقر المزدوج داخل خلية الجدول في SPSS، يمكن للباحث رؤية الرقم الحقيقي الدقيق ممتداً لعدة منازل عشرية. وفي التوثيق العلمي القياسي، تُكتب هذه النتيجة دائماً بصيغة متباينة: p < .001، ولا يُكتب أبداً أن p تساوي صفراً.

8.3 التكامل بين مخرجات البرمجيات والتحقق اليدوي

رغم الكفاءة الهائلة للحزم البرمجية الجاهزة، فإن الباحث الحصيف لا يقبل المخرجات الحاسوبية بصورة عمياء دون تطبيق آليات التحقق المتقاطع (Cross-Validation). تكمن فائدة معرفة الطرق اليدوية والجداول والحسابات المباشرة في تمكين الباحث من اكتشاف أخطاء الإدخال الكارثية، مثل إدخال ترميز المجموعات كبيانات متصلة، أو اختيار اختبار غير ملائم لطبيعة العينات، أو الخلط بين أعمدة تجانس التباين في اختبار ليفين (Levene’s Test).

إن إجراء تقدير تقريبي سريع لقيمة t المتوقعة ومقارنتها بنطاق جدول t يمنح الباحث حساً إحصائياً نقدياً يضمن سلامة النتائج وموثوقيتها قبل تضمينها في الأطروحات العلمية والتقارير البحثية النهائية.

9. مقارنة منهجية شاملة بين الطرق الثلاث لحساب P-Value

9.1 المقارنة من حيث مستوى الدقة الرياضية (Mathematical Precision)

تتفاوت الطرق الثلاث تفاوتاً جذرياً في مستوى الدقة الحسابية التي تقدمها للمحلل الإحصائي:

• البرمجيات الإحصائية وحزم التحليل (R, Python, Excel, SPSS): تتربع على قمة الدقة الرياضية، حيث تستخدم خوارزميات تكامل عددي فائقة التطور توفر دقة تصل إلى 15 منزلة عشرية، مما يلغي أي هامش للخطأ التقريبي.
• الحاسبات الإحصائية الرقمية عبر الإنترنت: تقدم مستوى دقة بالغ الارتفاع (عادة بين 4 إلى 8 منازل عشرية)، وهو ما يفوق الاحتياجات العملية لأي بحث علمي وتطبيقي.
• جداول t الإحصائية التقليدية: تُعد الأقل دقة، حيث تقدم فقط نقاطاً حرجة محددة مسبقاً، مما يحصر الناتج في نطاقات احتمالية غير محددة (مثل 0.01 < p < 0.05). وحتى مع استخدام الاستيفاء الخطي، تبقى النتيجة تقديرية مشوبة بخطأ انحناء الدالة.

9.2 المقارنة من حيث السرعة والكفاءة وسهولة الاستخدام

من منظور الكفاءة التشغيلية وسرعة الوصول:

• الحاسبات عبر الإنترنت: تتفوق في السرعة وسهولة الاستخدام الفوري للحسابات المنفردة، حيث لا تتطلب تثبيت برمجيات أو كتابة أسطر برمجية؛ فبمجرد إدخال الأرقام تظهر النتيجة فوراً.
• البرمجيات الإحصائية: تتفوق تفوقاً ساحقاً في كفاءة معالجة البيانات المجمعة والمصفوفات الكبيرة والتحليلات الآلية المتكررة، بالرغم من حاجتها لمنحنى تعلم أولي وإعداد مسبق للأكواد.
• الجداول الإحصائية: هي الأبطأ وتتطلب وقتاً وجهداً ذهنياً وتدقيقاً بصرياً يدوياً، مما يجعلها غير عملية إطلاقاً في بيئات التحليل الحديثة والمشاريع الكبرى.

9.3 معايير اختيار الطريقة الأنسب لكل سياق أكاديمي وبحثي

يعتمد اختيار الأداة المثلى لحساب القيمة الاحتمالية على السياق الميداني والأكاديمي الخاص بالمستخدم:

• السياق التعليمي والتدريسي: تُعد الجداول الإحصائية التقليدية الخيار الأمثل للطلاب في بداية تعلم الإحصاء، نظراً لأنها تجبر الطالب على التفكير المفاهيمي في درجات الحرية والمناطق الحرجة والمساحات الاحتمالية تحت المنحنى بدلاً من التعامل مع الإحصاء كصندوق أسود.
• التدقيق السريع والمراجعة الميدانية: تمثل الحاسبات الإلكترونية عبر الويب الأداة الأفضل للمراجعين والمشرفين للتحقق اللحظي من صحة الحسابات الفردية الواردة في الأوراق البحثية.
• البحث الأكاديمي والنشر العلمي: يُعد استخدام البرمجيات الإحصائية المتخصصة (R, SPSS, Python) متطلباً إلزامياً لا غنى عنه لإجراء التحليلات المعقدة وتوثيق القيم الدقيقة وتجهيز الرسوم البيانية المتطورة وفق المعايير العالمية.

10. الأخطاء الشائعة والمنزلقات المنهجية في حساب وتفسير P-Value

10.1 أخطاء في تحديد درجات الحرية وتوجيه الاختبار

يقع عدد كبير من الباحثين في منزلقات حسابية نتيجة الخلط في تحديد درجات الحرية الملائمة؛ ومن أبرز هذه الأخطاء استخدام درجات حرية العينة الواحدة (n – 1) في سياق اختبار العينات المستقلة الذي يتطلب (n₁ + n₂ – 2)، أو إهمال فحص افتراض تجانس التباين في اختبار العينات المستقلة وتجاهل درجات حرية ولش المصححة (Welch’s df) التي تنتج قيماً كسرية غير صحيحة عند عدم تحقق التجانس.

كما يبرز خطأ جسيم آخر يتمثل في اللجوء المتعمد إلى تطبيق صيغة الاختبار أحادي الذيل على فرضيات صيغت في الأصل كفرضيات غير موجهة، وذلك لخفض القيمة الاحتمالية إلى النصف بهدف الوصول المصطنع إلى حاجز المعنوية (p < 0.05)، وهو ما يُعد انتهاكاً منهجياً صارخاً يضخم احتمالية ارتكاب الخطأ من النوع الأول ويفقد النتائج مصداقيتها العلمية.

10.2 المفاهيم الخاطئة حول معنى القيمة الاحتمالية

تمتلئ الأدبيات البحثية بمفاهيم مغلوطة حول التفسير الدقيق للقيمة الاحتمالية، وقد أصدرت الرابطة الأمريكية للإحصاء (ASA) بياناً تحذيرياً لتصحيح هذه المفاهيم، ومن أهمها:

• الخلط بين احتمالية البيانات واحتمالية الفرضية: القيمة الاحتمالية ليست مقياساً لاحتمالية صحة الفرضية الصفرية P(H₀|Data)، بل هي احتمالية ملاحظة البيانات بافتراض صحة الفرضية P(Data|H₀).
• الخلط بين الدلالة الإحصائية وحجم الأثر: القيمة الاحتمالية المنخفضة جداً (مثل p = 0.0001) لا تعني إطلاقاً أن التأثير التجريبي ضخم أو مهم، فقد تنتج هذه القيمة عن تأثير ضئيل جداً لا قيمة له عملياً إذا كان حجم العينة كبيراً جداً.
• صيد الدلالة الإحصائية (p-hacking): التلاعب بحجم العينات أو استبعاد المشاهدات المتطرفة بشكل انتقائي أو تجربة اختبارات متعددة حتى الوصول إلى قيمة p < 0.05 ونشرها وحدها، مما يشوه النزاهة العلمية ويعيق إمكانية تكرار النتائج.

10.3 استراتيجيات الوقاية وضمان النزاهة العلمية في الحسابات الإحصائية

لضمان أعلى درجات النزاهة العلمية والموثوقية في التحليلات الإحصائية، يُوصى باتباع الممارسات المنهجية المتقدمة التالية:

• التسجيل المسبق للفرضيات (Preregistration): توثيق خطة التحليل الإحصائي والفرضيات واتجاه الذيول ومستوى ألفا على منصات مفتوحة (مثل Open Science Framework) قبل البدء في جمع البيانات لمنع أي تحيز لاحق.
• التقرير المتكامل للنتائج: الالتزام بعدم تقرير قيمة p بمعزل عن السياق، ودمجها دائماً مع أحجام الأثر (مثل Cohen’s d أو Eta-squared) وفترات الثقة (Confidence Intervals) المحيطة بالفروق.
• الشفافية البرمجية: إتاحة الأكواد البرمجية والبيانات الخام المستخدمة في الحسابات لتمكين المجتمع العلمي من التدقيق المستقل والتحقق من صحة النتائج وقابليتها لإعادة التوليد.

11. كتابة وتوثيق نتائج اختبار t وقيمة p وفق دليل الجمعية الأمريكية لعلم النفس (APA)

11.1 قواعد التنسيق الشكلي وكتابة الرموز الإحصائية حسب APA 7

يضع دليل الجمعية الأمريكية لعلم النفس في إصداره السابع (APA 7th Edition) معايير دقيقة وصارمة لكيفية كتابة وتوثيق الرموز الإحصائية في المتن والجداول:

• التنسيق المائل للرموز (Italicization): يجب كتابة جميع الرموز الإحصائية اللاتينية بحروف مائلة (مثل: t, p, df, M, SD, N)، بينما تُكتب الرموز الإغريقية (مثل α و β) بالحروف العادية غير المائلة.
• توثيق المنازل العشرية: تُقرب قيمة إحصائية t ومتوسطات المجموعات والانحرافات المعيارية إلى منزلتين عشريتين (مثال: t = 1.44)، بينما تُوثق القيمة الاحتمالية p بدقة ثلاث منازل عشرية (مثال: p = .087).
• حذف الصفر القيادي قبل الفاصلة: وفقاً لقواعد APA، يتم حذف الصفر الذي يسبق الفاصلة العشرية لجميع المؤشرات الإحصائية التي لا يمكن نظرياً أن تتجاوز الواحد الصحيح، وينطبق هذا حصراً على القيمة الاحتمالية ومعاملات الارتباط (تُكتب p = .032 وليس p = 0.032).

11.2 صياغة الجمل الإحصائية المعيارية للنتائج الدالة وغير الدالة

تتبع صياغة نتائج اختبار t في الأوراق الأكاديمية قالباً لغوياً وإحصائياً موحداً يجمع بين البيانات الوصفية والاستدلالية بدقة متناهية:

نموذج توثيق نتيجة دالة إحصائياً (Significant Result):

“أظهر اختبار t للعينات المستقلة وجود فروق ذات دلالة إحصائية بين متوسط درجات المجموعة التجريبية (M = 85.40, SD = 6.25) والمجموعة الضابطة (M = 78.10, SD = 7.15)، حيث بلغت قيمة t المحسوبة t(38) = 3.44, p = .001, d = 1.09, 95% CI [3.01, 11.59].”

نموذج توثيق نتيجة غير دالة إحصائياً (Non-significant Result) بناءً على مثالنا السابق:

“أشارت نتائج اختبار t للعينة الواحدة إلى عدم وجود زيادة دالة إحصائياً في متوسط درجات الاستيعاب القرائي للطلاب مقارنة بالمعيار المفترض، t(13) = 1.44, p = .087, d = 0.38, 95% CI [-0.85, 11.45].”

نموذج توثيق القيم الاحتمالية المتطرفة جداً:

“أظهرت النتائج تفوقاً كبيراً ذا دلالة إحصائية بالغة، t(58) = 6.82, p < .001.” (مع مراعاة استخدام علامة الأصغر من بدلاً من كتابة p = .000).

11.3 الربط بين التقرير الإحصائي والتفسير السيكولوجي والتطبيقي

لا ينتهي دور الباحث عند حدود سرد الأرقام والمعادلات الإحصائية المجردة؛ بل يجب أن تتلو الفقرة الإحصائية مناقشة سياقية تربط هذه الدلالات بالظاهرة النفسية أو التربوية أو الاجتماعية قيد الدراسة. يتطلب ذلك تفكيك معنى عدم الدلالة الإحصائية: هل يعود إلى ضعف حقيقي في المعالجة التجريبية، أم إلى محدودية القدرة الإحصائية (Statistical Power) الناتجة عن صغر حجم العينة؟

كما ينبغي ربط فترات الثقة وحجم الأثر بالتطبيقات الميدانية، لتقديم توصيات واقعية تستند إلى براهين علمية متينة وتحدد اتجاهات البحوث المستقبلية اللازمة لتطوير المجال.

12. الخلاصة وأفضل الممارسات في الانتقال من إحصائية t إلى القرار العلمي

12.1 موجز شامل للتقنيات الثلاث وأوجه تكاملها

استعرض هذا الدليل الموسع ثلاثة مسارات منهجية متكاملة للانتقال من إحصائية t إلى القيمة الاحتمالية الدقيقة؛ بدءاً من جداول توزيع t التقليدية التي توفر الأساس التصوري لهندسة التوزيع والمناطق الحرجة وتصلح كأداة تعليمية وتدقيقية تقديرية، مروراً بـ الحاسبات الإحصائية الرقمية عبر الإنترنت التي تمنح الباحثين سرعة فائقة ودقة رقمية عالية للحسابات الفردية دون تعقيد برمجي، ووصولاً إلى البرمجيات الإحصائية المتقدمة (Excel, R, Python, SPSS) التي تشكل العمود الفقري للبحث العلمي الحديث والمعالجة الشاملة للمصفوفات الضخمة.

تتكامل هذه الوسائل فيما بينها؛ حيث يُمكّن الفهم العميق لآلية الجداول اليدوية الباحث من السيطرة الكاملة على مخرجات البرمجيات الحديثة وفلترة أي أخطاء إدخال قد تشوب العمليات الرقمية.

12.2 قائمة التحقق الإحصائي المنهجي قبل اعتماد قيمة P-Value

قبل اعتماد القيمة الاحتمالية النهائية واتخاذ القرار الاستدلالي بالرفض أو القبول، يُنصح كل باحث بمراجعة قائمة التحقق الإجرائية التالية:

• هل تم التحقق من افتراضات الاختبار البارامتري (مثل التوزيع الطبيعي للبيانات وتجانس التباين)؟
• هل تم حساب درجات الحرية (df) بصورة صحيحة ومتطابقة تماماً مع التصميم التجريبي المستخدم؟
• هل يتطابق نوع الذيل المحسوب (أحادي أو ثنائي) مع منطق صياغة الفرضيات المسبقة قبل جمع البيانات؟
• هل تم التعامل الصحيح مع القيم المقربة برمجياً وتوثيق p < .001 بدلاً من p = .000؟
• هل تم دمج تقرير القيمة الاحتمالية مع حجم الأثر وفترات الثقة بنسبة 95%؟
• هل تم تطبيق قواعد دليل APA 7 بدقة في كتابة الرموز المائلة وحذف الصفر القياسي؟

12.3 مستقبل التحليل الإحصائي: التوجه نحو فترات الثقة والاستدلال البايزي

يشهد التحليل الإحصائي المعاصر في الأوساط الأكاديمية العالمية تحولاً تدريجياً يتجاوز الاعتماد الحصري على القيم الاحتمالية التقليدية واختبار الفرضيات الصفرية الصارم (NHST). ويتجه المجتمع العلمي نحو تبني إحصاء التقدير (Estimation Statistics) القائم على التركيز على أحجام الأثر وفترات الثقة باعتبارها تقدم معلومات كمية واضحة حول مقدار التأثير ودقة التقدير في آن واحد.

بالإضافة إلى ذلك، يتزايد الإقبال على الاستدلال البايزي (Bayesian Inference) كبديل فلسفي ومنهجي متين، يتم فيه حساب عامل بايز (Bayes Factor) لمقارنة الأدلة النسبية الداعمة للفرضية البديلة في مقابل الفرضية الصفرية بصورة أكثر مرونة ومباشرة. ومع ذلك، يظل اختبار t وقيمته الاحتمالية الركيزة التأسيسية التي لا غنى عنها لأي باحث يسعى لامتلاك أدوات التفكير العلمي الرصين واستيعاب تراث المعرفة الإحصائية وتطبيقاتها الحديثة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Gosset, W. S. [Student]. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.1093/biomet/6.1.1
• National Institute of Standards and Technology. (2021). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://www.itl.nist.gov/div898/handbook/
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108