ما هو اختبار كوكران Q؟ (التعريف ومثال)

تُعدّ معالجة البيانات الفئوية في إطار التصاميم التجريبية ذات القياسات المتكررة من أعقد التحديات المنهجية التي واجهت الباحثين عبر تاريخ علم الإحصاء التطبيقي. فعندما تتخذ المتغيرات التابعة طابعاً ثنائي التفرع (Dichotomous Response)، مثل النجاح والفشل، أو القبول والرفض، أو الشفاء والانتكاس، تفقد الأساليب البارامترية التقليدية مثل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA) قدرتها على تقديم استدلالات إحصائية دقيقة نتيجة لانتهاك الفروض الجوهرية المتعلقة بالتوزيع الطبيعي واعتدالية الخطأ وتجانس التباينات المشتركة الكروية (Sphericity).

في هذا السياق المنهجي المعقد، برزت الحاجة الماسة إلى ابتكار أدوات لا معلمية (Non-parametric Tests) قادرة على ضبط التباين داخل المفحوص الواحد (Within-Subject Variance) مع الحفاظ على القوة الإحصائية الكافية لاكتشاف الفروق الحقيقية عبر الظروف التجريبية المتعددة. وهنا يتجلى اختبار كوكران كيو (Cochran’s Q Test) كواحد من أرقى وأدق الحلول الإحصائية التي صُممت خصيصاً للتعامل مع العينات المترابطة التي تتجاوز مجموعتين عندما تكون الاستجابة المقاسة ثنائية القطب.

يقدم هذا الدليل المرجعي الموسع تحليلاً شاملاً وتفصيلياً لاختبار كوكران كيو، بدءاً من أصوله النظرية واشتقاقاته الرياضية، مروراً بافتراضاته الصارمة، وصولاً إلى تطبيقاته العملية والبرمجية وكتابة تقاريره العلمية وفق المعايير الدولية المعاصرة؛ ليكون مرجعاً أكاديمياً متكاملاً لطلاب الدراسات العليا، والباحثين في العلوم السلوكية، وعلم النفس، والطب الحيوي، والعلوم الاجتماعية التطبيقية.

1. مقدمة شاملة حول اختبار كوكران كيو (Cochran’s Q Test) وأهميته الإحصائية

1.1 الخلفية التاريخية وتطور الاختبار الإحصائي

يعود الفضل في صياغة هذا الاختبار الإحصائي المرموق إلى عالم الإحصاء الاسكتلندي البارز ويليام جيميل كوكران (William Gemmell Cochran)، الذي نشره لأول مرة في عام 1950 في ورقته البحثية التأسيسية بعنوان “The Comparison of Percentages in Matched Samples” المنشورة في دورية Biometrika المرموقة. جاء هذا الابتكار استجابة مباشرة لفجوة منهجية واضحة في التحليل الإحصائي الحيوي؛ حيث كانت الأدوات المتوفرة آنذاك، مثل اختبار ماكنيمار (McNemar’s Test) الذي تم تطويره عام 1947، تقتصر فقط على مقارنة عينتين مرتبطتين أو قياسين متكررين قبلي وبعدي لبيانات ثنائية التفرع.

مع تعقد التصاميم التجريبية في أواسط القرن العشرين وتزايد الاعتماد على بروتوكولات البحث الطولية (Longitudinal Designs) وتصاميم الكتل العشوائية الكاملة (Randomized Complete Block Designs)، وجد الباحثون أنفسهم بحاجة إلى أداة تمتد لتشمل ثلاثة شروط تجريبية أو أكثر (k ≥ 3). نجح كوكران في تعميم مبدأ اختبار ماكنيمار، مقدماً إحصائية اختبار تتوزع تقاربياً وفق توزيع مربع كاي (Chi-Square Distribution)، مما مكّن الباحثين من اختبار تجانس النسب عبر ظروف متكررة متعددة دون الوقوع في أخطاء التراكم الإحصائي أو انتهاك شروط النماذج المعلمية.

يحتل اختبار كوكران كيو مكانة محورية داخل شجرة عائلة الاختبارات اللامعلمية، حيث يُمثل البديل المباشر لتحليل التباين للقياسات المتكررة أحادي الاتجاه (One-Way Repeated Measures ANOVA) عندما يكون المتغير التابع مقاساً بمستوى اسمي ثنائي (Nominal/Dichotomous Scale). كما يُعد هذا الاختبار بمثابة حالة خاصة وامتداد مباشر لاختبار فريدمان لتحليل التباين الرتبي (Friedman’s Two-Way ANOVA by Ranks)؛ فبينما يتعامل اختبار فريدمان مع البيانات الترتيبية أو البيانات المستمرة المحولة إلى رتب، يتعامل اختبار كوكران كيو مع البيانات الثنائية المرمزة بالقيمتين (0 و 1)، مما يجعله الأداة القياسية المطلقة في الأدبيات المنهجية لمثل هذا النوع من البنى البيانية.

1.2 المفهوم الجوهري لاختبار كوكران كيو

يرتكز المفهوم الجوهري لاختبار كوكران كيو على تقييم ما إذا كانت نسب النجاح أو الاستجابة الإيجابية الثنائية متطابقة ومتجانسة إحصائياً عبر ثلاثة شروط تجريبية مرتبطة أو أكثر. يُقصد بالبيانات المرتبطة (Related or Matched Samples) أن نفس المفحوصين أو الكتل المتطابقة يخضعون لجميع المعالجات التجريبية، أو يتم قياس استجاباتهم عبر نقاط زمنية متعاقبة. هذا التصميم يولد اعتمادية قوية (Dependency) بين الملاحظات داخل المفحوص الواحد، مما يمنع استخدام اختبارات استقلال مربع كاي التقليدية (Pearson’s Chi-Square Test of Independence).

يتعامل الاختبار حصرياً مع المتغيرات ذات الاستجابة الثنائية القطب، والتي تأخذ صوراً متباينة في الممارسات البحثية، مثل: (نعم / لا)، (صحيح / خطأ)، (شفاء / عدم شفاء)، (ظهور العَرَض / اختفاء العَرَض)، أو (استجابة / عدم استجابة). يتم تمثيل هذه الحالات رياضياً بصفر للأداء السلبي أو غياب الخاصية، وواحد للأداء الإيجابي أو وجود الخاصية المقاسة.

يعتمد الاختبار على مفهوم “المطابقة في الكتل التجريبية” (Matched Block Design)، حيث تُمثل كل وحدة تجريبية (مفحوص أو زوج متطابق من المفحوصين) “كتلة” أو “صفاً” مستقلاً بذاته، بينما تُمثل الشروط أو المعالجات “أعمدة” المصفوفة. من خلال هذه البنية، يستطيع الاختبار عزل الفروق الفردية الكامنة بين المفحوصين والتركيز فقط على التباين المنسوب إلى تأثير المعالجات أو نقاط القياس الزمنية، مما يعزز الحساسية التحليلية للاختبار ويكشف الفروق الدقيقة التي قد تطمسها التباينات البين-فردية.

1.3 الأهمية المنهجية للاختبار في البحث العلمي

تتجلى الأهمية المنهجية لاختبار كوكران كيو في معالجته لإحدى أكبر مشكلات القياس في العلوم السلوكية والطبية، ألا وهي مشكلة الفروق الفردية المسبقة (Individual Baseline Differences). باستخدام نفس الأفراد عبر كافة شروط التجربة، يعمل كل مشارك كشاهد على نفسه (Own Control)، مما يلغي التباين المتبقي غير المفسر (Residual Variance) الناتج عن المتغيرات الديموغرافية أو الجينات أو السمات الشخصية، وهو ما يرفع الكفاءة التصميمية للدراسة بشكل ملحوظ مقارنة بتصاميم المجموعات المستقلة.

علاوة على ذلك، يمتلك الاختبار قدرة فريدة على قياس التغير الطولي (Longitudinal Trajectories) في السمات والظواهر السلوكية الثنائية. فعلى سبيل المثال، عند تتبع استجابة المرضى لبرنامج علاجي عبر مراحل زمنية متتالية (قبل العلاج، منتصف العلاج، نهاية العلاج، والمتابعة البعدية)، يقدم كوكران كيو إجابة حاسمة حول ما إذا كان مسار التحسن الإجمالي يمتلك دلالة إحصائية حقيقية أم أنه مجرد تذبذب عشوائي ناتج عن خطأ المعاينة.

تنعكس هذه الخصائص المنهجية على القوة الإحصائية (Statistical Power) للدراسة؛ إذ إن تصاميم القياسات المتكررة تتطلب أحجام عينات أصغر بكثير مقارنة بالتصاميم المستقلة لتحقيق نفس المستوى من القوة الإحصائية واكتشاف حجوم أثر محددة. كما يوفر الاختبار أماناً منهجياً مطلقاً ضد التشوهات الناجمة عن انتهاك افتراضات التوزيع الطبيعي؛ فالبيانات الاسمية الثنائية بطبيعتها تتبع توزيع برنولي (Bernoulli Distribution) أو التوزيع ثنائي الحدين (Binomial Distribution)، وبالتالي فإن استخدام أسلوب لا معلمي صُمم خصيصاً لهذه التوزيعات يضمن سلامة الاستدلال العلمي ويمنع القرارات الإحصائية المضللة الناتجة عن تضخم الخطأ من النوع الأول (Type I Error).

2. التعريف الرياضي والإحصائي لاختبار كوكران كيو

2.1 طبيعة البيانات المناسبة للاختبار

يتطلب اختبار كوكران كيو توافر بنية بيانية محددة بدقة بالغة. فالمتغير التابع (Dependent Variable) يجب أن يكون متغيراً فئوياً ثنائي التفرع (Dichotomous Categorical Variable)، مقاساً على مستوى اسمي حصري غير قابل للتجزئة. رياضياً، تُسجل استجابة المفحوص (i) في المعالجة (j) كمتغير برنولي عشوائي (X_{ij} in {0, 1})، حيث يرمز الرقم (1) للنجاح أو تحقق الخاصية، بينما يرمز الرقم (0) للفشل أو غياب الخاصية.

في المقابل، يكون المتغير المستقل (Independent Variable) عبارة عن عامل ذي مستويات متعددة مرتبطة (Within-Subjects Factor) يتكون من ثلاثة شروط أو معالجات أو نقاط قياس زمنية كحد أدنى ((k ge 3)). إذا كان (k = 2)، فإن الاختبار يتحول تلقائياً ويصبح مكافئاً تماماً لاختبار ماكنيمار الثنائي المعروف.

تُنظم البيانات الخام في بنية مصفوفية ثنائية ذات بعدين ((b times k))، حيث يمثل (b) عدد الكتل أو الأفراد المفحوصين (الصفوف)، بينما يمثل (k) عدد المعالجات أو الشروط التجريبية (الأعمدة). كل خلية داخل هذه المصفوفة (X_{ij}) تحتوي حصراً على القيمة 0 أو 1. يوضح الجدول التالي البنية الرياضية القياسية لمصفوفة بيانات اختبار كوكران كيو:

المشارك / الكتلة (Block)	المعالجة 1 ((T_1))	المعالجة 2 ((T_2))	…	المعالجة (k) ((T_k))	مجموع الصف ((R_i))
المشارك 1	(X_{11})	(X_{12})	…	(X_{1k})	(R_1 = sum_{j=1}^k X_{1j})
المشارك 2	(X_{21})	(X_{22})	…	(X_{2k})	(R_2 = sum_{j=1}^k X_{2j})
…	…	…	…	…	…
المشارك (b)	(X_{b1})	(X_{b2})	…	(X_{bk})	(R_b = sum_{j=1}^k X_{bj})
مجموع العمود ((C_j))	(C_1 = sum_{i=1}^b X_{i1})	(C_2 = sum_{i=1}^b X_{i2})	…	(C_k = sum_{i=1}^b X_{ik})	المجموع الكلي ((N))

2.2 بنية العينات والتصميم التجريبي

يقوم الأساس المنهجي للاختبار على نموذج “تصميم الكتل العشوائية الكاملة” (Randomized Complete Block Design – RCBD). في هذا التصميم، تُعتبر كل وحدة تجريبية (مفحوص بشري، حيوان تجارب، أو مادة بيولوجية) كتلة متكاملة مستقلة. ومن الضروري منهجياً أن يخضع كل مشارك داخل الكتلة لجميع المعالجات التجريبية المحددة في الدراسة، أو أن يتم قياسه تحت كافة الظروف المقارنة دون استثناء.

تكمن قوة هذا التصميم في معالجة الاعتمادية البينية للملاحظات (Within-Subject Dependencies). فبما أن القياسات المتكررة المأخوذة من نفس الفرد تميل إلى الارتباط الإيجابي القوي نتيجة الخصائص الفردية الثابتة، فإن التحليل يتعامل مع الصفوف بوصفها وحدات مطابقة (Matched Units). يُفترض في هذا الإطار أن التوزيع الشرطي لمجاميع الأعمدة، بالنظر إلى مجاميع الصفوف الثابتة، يعكس التأثير الخالص للمعالجات بعد إزالة التباين الناتج عن اختلاف قدرات أو ميول الأفراد الكامنة.

من الناحية التجريبية، يتطلب هذا التصميم تطبيق مبدأ الترتيب العشوائي (Randomization) أو التوازن الدوري (Counterbalancing) عند تقديم المعالجات للمفحوصين متى ما كان ذلك ممكناً، وذلك لتحييد تأثير الترتيب (Order Effects) وتأثير التعب أو التدريب (Carryover and Fatigue Effects). وفي الدراسات الطولية التي يكون فيها عامل الزمن غير قابل للتدوير العشوائي، يُمثل الاختبار أداة مثالية لرصد مسار الاستجابة المتتابع عبر الزمن للوحدات المترابطة.

3. الافتراضات الإحصائية الأساسية لتطبيق اختبار كوكران كيو

3.1 افتراض الاستجابة الثنائية والمجموعات المرتبطة

لكي يكون تطبيق اختبار كوكران كيو صالحاً من الناحية الإحصائية والرياضية، يجب أن يستوفي التصميم التجريبي والبيانات المستخرجة مجموعة من الافتراضات الصارمة. يتمثل الافتراض الأول في الطبيعة الثنائية التامة للمتغير التابع المقاس. يجب أن تكون كل نتيجة تصنيفاً ثنائياً حصرياً ومتبادلاً (Mutually Exclusive and Exhaustive)؛ أي إن كل خلية في المصفوفة لا تحتمل إلا إحدى قيمتين محددتين سلفاً (0 أو 1). إذا كانت البيانات في أصلها مستمرة أو ترتيبية، فلا يجوز تطبيق الاختبار مباشرة إلا إذا تم تحويلها وفق معيار قاطع ومبرر نظرياً (Dichotomization) إلى فئتين ثنائيتين، مع الإشارة إلى أن التحويل الاصطناعي للمتغيرات المستمرة قد يؤدي إلى فقدان جزء من المعلومات الإحصائية.

الافتراض الملازم هو اشتراط وجود ثلاث مجموعات مرتبطة أو شروط قياس متكررة على الأقل ((k ge 3)). ترتبط الملاحظات داخل كل صف ارتباطاً عضوياً لأنها تعود إلى نفس الكائن الحي أو الوحدة المطابقة. لا يجوز استخدام هذا الاختبار لمقارنة مجموعات مستقلة منفصلة (Independent Groups)؛ إذ إن مثل هذا الاستخدام ينتهك فلسفة الاختبار الأساسية القائمة على مطابقة الأزواج والكتل، ويستوجب بدلاً من ذلك استخدام اختبار كاي تربيع للاستقلال أو نماذج الانحدار اللوجستي المستقلة.

3.2 افتراض العينات العشوائية واستقلالية الكتل

على الرغم من وجود ارتباط داخلي وثيق بين القياسات المتعددة للشخص الواحد (عبر الأعمدة داخل الصف)، فإن الاختبار يفترض استقلالية تامة ومطلقة بين الكتل أو المفحوصين المختلفين (عبر الصفوف). يجب أن يتم سحب عينة المشاركين عشوائياً وبشكل مستقل من مجتمع الدراسة المستهدف، بحيث لا تؤثر استجابة أو وجود أي مشارك في العينة على احتمالية أو طبيعة استجابة مشارك آخر بأي شكل من الأشكال.

إن انتهاك افتراض استقلالية الكتل—كالذي يحدث عند جمع البيانات من أفراد داخل نفس الأسرة، أو فصول دراسية يتفاعل طلابها معاً، أو أعشاش حيوانية متقاربة دون ضبط إحصائي—يؤدي إلى تشوه خطير في التوزيع الاحتمالي لإحصائية الاختبار. ينجم عن ذلك تضخم غير منضبط في معدل الخطأ من النوع الأول (Type I Error Rate)، مما يجعل الباحث يرفض الفرضية الصفرية ويدعي وجود فروق معنوية زائفة غير حقيقية في الواقع.

بالإضافة إلى ذلك، ولضمان تقارب إحصائية الاختبار المحسوبة ((Q)) بدقة نحو توزيع مربع كاي النظري، يجب أن يكون حجم العينة (عدد الكتل (b)) كافياً. تشير الأدبيات الإحصائية الكلاسيكية إلى أن عدد الصفوف التي تحتوي على استجابات متغيرة (أي صفوف غير متجانسة لا تتكون كلها من أصفار فقط أو وحدات فقط) يجب ألا يقل عن 20 مفحوصاً ((b ge 20))، أو أن يكون حاصل ضرب عدد الكتل في عدد الشروط كبيراً بدرجة تضمن كفاءة التقارب التقاربي (Asymptotic Convergence).

3.3 معالجة انتهاكات الافتراضات الإحصائية

في الممارسات البحثية الميدانية، غالباً ما يواجه الباحثون انتهاكات للافتراضات المثالية. إحدى أبرز هذه المشكلات هي مشكلة “البيانات المفقودة” (Missing Data) في القياسات المتكررة الطولية. نظراً لأن صيغة كوكران كيو الرياضية تشترط وجود مصفوفة متكاملة تماماً، فإن فقدان أي قياس لأي مفحوص في نقطة زمنية واحدة يؤدي تلقائياً، في البرمجيات القياسية، إلى حذف المفحوص بالكامل من التحليل (Listwise Deletion)، وهو ما يقلل حجم العينة الفعال ويقلص القوة الإحصائية للدراسة، وربما يُدخل تحيزاً في النتائج إذا لم تكن البيانات المفقودة عشوائية تماماً (Missing Completely at Random – MCAR).

تتمثل المشكلة المنهجية الثانية في وجود “الكتل عديمة التباين” (Zero-Variance Blocks). وهي الصفوف التي تكون استجابة المفحوص فيها متطابقة تماماً عبر جميع المعالجات (إما 0 في جميع الشروط، أو 1 في جميع الشروط). من الناحية الرياضية، لا تُسهم هذه الصفوف بأي وزن في حساب إحصائية كوكران كيو، حيث يكون تباينها الداخلي مساوياً للصفر؛ إذ إن مجموع قيم الصف ومربعه يلغيان تأثيرها في بسط ومقام المعادلة. لذلك، فإن وجود عدد كبير من هذه الصفوف يقلل من حجم العينة المفيد الفعلي الذي يرتكز عليه الاختبار.

لمعالجة هذه التحديات في العينات الصغيرة جداً (حيث يكون عدد الكتل الفعالة صغيراً)، يُوصى بالاعتماد على “اختبار كوكران كيو الدقيق” (Exact Cochran’s Q Test) القائم على التباديل والتوافيق الرياضية الكاملة (Permutation Distribution) بدلاً من الاعتماد على التوزيع التقاربي لمربع كاي. كما يجب تنفيذ إجراءات صارمة لتدقيق البيانات وتنظيفها والتأكد من صحة الترميز الثنائي قبل البدء في الحسابات لتجنب الأخطاء الاستدلالية الفادحة.

4. صياغة الفرضيات الإحصائية للاختبار

4.1 الفرضية الصفرية (Null Hypothesis – H0)

تُعد الصياغة الدقيقة للفرضيات الإحصائية الركيزة الموجهة للتحليل الاستدلالي في اختبار كوكران كيو. تنص الفرضية الصفرية ((H_0)) في جوهرها اللفظي على عدم وجود أي فروق ذات دلالة إحصائية بين نسب النجاح أو احتمالات الاستجابة الإيجابية عبر مختلف الشروط والمعالجات التجريبية المقارنة في مجتمع الدراسة.

تُصاغ الفرضية الصفرية رياضياً على النحو التالي:

(H_0: p_1 = p_2 = p_3 = dots = p_k)

حيث يمثل (p_j) احتمال حدوث النجاح أو الاستجابة الإيجابية (الحدث = 1) تحت تأثير المعالجة أو الشرط التجريبي رقم (j)، لجميع قيم (j in {1, 2, dots, k}).

تتضمن الفرضية الصفرية من الناحية النظرية افتراضاً بأن المتغير المستقل (المعالجات التجريبية أو نقاط الزمن) ليس له أي أثر على المتغير التابع؛ وأن أي تباين ملحوظ بين نسب الاستجابة في عينة الدراسة ليس سوى تباين عشوائي ناتج عن خطأ المعاينة والمصادفة البحتة. وبناءً عليه، تفترض الفرضية الصفرية التكافؤ التام والتجانس الشامل في فعالية كافة الشروط المختبرة.

4.2 الفرضية البديلة (Alternative Hypothesis – HA)

تنص الفرضية البديلة ((H_A) أو (H_1)) من الناحية اللفظية على أن نسبة النجاح أو احتمال الاستجابة الإيجابية تختلف في معالجة أو شرط تجريبي واحد على الأقل عن باقي الشروط التجريبية الأخرى. تُعبر الفرضية البديلة عن نفي التساوي الشامل المنصوص عليه في الفرضية الصفرية.

تُصاغ الفرضية البديلة رياضياً بالشكل التالي:

(H_A:) يوجد على الأقل زوج من المعالجات ((j, j’)) بحيث يكون (p_j neq p_{j’})

من الأهمية بمكان إدراك أن اختبار كوكران كيو هو اختبار كلي أو إجمالي (Omnibus Test)، ذو طرفين بطبيعته التقاربية لمربع كاي (Two-tailed Omnibus Test). وهذا يعني أن الفرضية البديلة هي فرضية غير اتجاهية عامة (Non-directional)؛ فهي تقرر فقط وجود اختلاف دال إحصائياً في مكان ما عبر الشروط، لكنها لا تحدد بشكل مسبق أو مباشر أي المعالجات تحديداً تتفوق على الأخرى، ولا تكشف عن عدد الأزواج المختلفة إحصائياً.

لذلك، فإن رفض الفرضية الصفرية لا يعني أن جميع الشروط تختلف عن بعضها البعض بالضرورة، بل يعني فقط أن واحداً منها على الأقل ينحرف عن النمط العام بدرجة لا يمكن عزوها للصدفة. يستلزم هذا الغموض الاستدلالي المتبقي الانتقال الحتمي إلى مرحلة المقارنات الثنائية البَعدية (Post-Hoc Pairwise Comparisons) لتحديد البؤرة الدقيقة للاختلاف بعد ثبوت معنوية الاختبار الإجمالي.

5. المعادلة الرياضية وطريقة حساب إحصائية الاختبار

5.1 تفكيك الرموز والمعاملات في صيغة كوكران كيو

لبناء فهم رياضي متين لاختبار كوكران كيو، يجب تفكيك الرموز والمعاملات التي تتألف منها معادلته الإحصائية القياسية. يتطلب حساب إحصائية الاختبار التعامل مع مصفوفة البيانات المجمعة من (b) من المشاركين و (k) من الشروط، حيث تُعرف الرموز الأساسية كالتالي:

• (k) (عدد المعالجات): يمثل عدد الشروط التجريبية أو مستويات القياس المتكرر المقارنة (عدد الأعمدة في مصفوفة البيانات).
• (b) (حجم العينة / عدد الكتل): يمثل العدد الإجمالي للمفحوصين أو الكتل المتطابقة المشاركة في التحليل (عدد الصفوف في المصفوفة).
• (C_j) أو (X_{cdot j}) (مجموع العمود): يمثل المجموع الكلي للاستجابات الإيجابية (القيم 1) التي سُجلت تحت المعالجة رقم (j) عبر جميع المفحوصين، ويُحسب بالصيغة: (C_j = sum_{i=1}^b X_{ij}).
• (R_i) أو (X_{icdot}) (مجموع الصف): يمثل المجموع الكلي للاستجابات الإيجابية للمفحوص أو الكتلة رقم (i) عبر جميع الشروط، ويُحسب بالصيغة: (R_i = sum_{j=1}^k X_{ij}).
• (N) أو (T) (المجموع العام للوحدات الإيجابية): يمثل إجمالي عدد الاستجابات الإيجابية في المصفوفة بأكملها، حيث يتحقق التساوي دائماً: (N = sum_{j=1}^k C_j = sum_{i=1}^b R_i).

5.2 الصيغة الرياضية القياسية لإحصائية الاختبار (T / Q)

تُحسب إحصائية اختبار كوكران كيو، والتي يُرمز لها عالمياً بالرمز (Q) (وأحياناً بالرمز (T))، باستخدام الصيغة الجبرية الدقيقة التالية:

[Q = frac{(k – 1) left[ k sum_{j=1}^k C_j^2 – left(sum_{j=1}^k C_jright)^2 right]}{k sum_{i=1}^b R_i – sum_{i=1}^b R_i^2}]

يمكن التعبير عن نفس المعادلة بدلالة المجموع العام (N) كالتالي:

[Q = frac{(k – 1) left[ k sum_{j=1}^k C_j^2 – N^2 right]}{k N – sum_{i=1}^b R_i^2}]

يكشف التحليل الرياضي الدقيق لهذه الصيغة عن بنيتها الهيكلية البارعة:

• تحليل البسط: يقيس التشتت والتباين القائم بين مجاميع الأعمدة ((C_j))؛ حيث يعبر المقدار (left[ k sum C_j^2 – (sum C_j)^2 right]) عن مجموع مربعات انحرافات مجاميع المعالجات عن متوسطها العام، مضروباً في ثابت التوسع. كلما تباعدت نسب النجاح بين المعالجات، تضخم البسط، مما يزيد من قيمة (Q).
• تحليل المقام: يقوم بدور معامل التقييس والتعديل وضبط التباين الداخلي؛ حيث يمثل المقدار (left[ k sum R_i – sum R_i^2 right]) مجموع التباينات الداخلية لجميع الكتل. يظهر هنا بوضوح طرح مجموع مربعات الصفوف ((sum R_i^2))، والذي يقوم بتصحيح الارتباط الداخلي الناتج عن تكرار القياس على نفس المفحوصين، مما يضمن أن تعكس إحصائية (Q) تباين المعالجات معزولاً عن الفروق الفردية الأساسية.

5.3 الخطوات الحسابية المنظمة خطوة بخطوة

لإجراء الحساب اليدوي الدقيق لاختبار كوكران كيو دون الوقوع في أخطاء جبرية، يجب اتباع الخطوات الخوارزمية المتسلسلة التالية:

1. حساب مجاميع الصفوف ومربعاتها: يتم جمع قيم كل صف على حدة للحصول على (R_i)، ثم حساب مربع هذا المجموع ((R_i^2)) لكل صف، وأخيراً جمع كافة النواتج للحصول على المجموع الكلي لمربعات الصفوف (sum_{i=1}^b R_i^2).
2. حساب مجاميع الأعمدة ومربعاتها: يتم جمع قيم كل عمود على حدة للحصول على (C_j)، ثم حساب مربع مجموع كل عمود ((C_j^2))، ومن ثم جمع مربعات الأعمدة للحصول على (sum_{j=1}^k C_j^2).
3. حساب المجموع الكلي العام ((N)): يتم جمع مجاميع الأعمدة (sum C_j) أو مجاميع الصفوف (sum R_i) للتأكد من تطابقهما التام للحصول على (N)، ثم حساب مربعه ((N^2)).
4. حساب قيمة البسط: ضرب مجموع مربعات الأعمدة في (k)، ثم طرح (N^2) من الناتج، وضرب الناتج النهائي في ((k – 1)).
5. حساب قيمة المقام: ضرب المجموع العام (N) في (k)، ثم طرح المجموع الكلي لمربعات الصفوف (sum R_i^2) من الناتج.
6. استخراج قيمة (Q): قسمة ناتج البسط على ناتج المقام لاستخراج القيمة المحسوبة النهائية للاختبار.

6. درجات الحرية والتوزيع الاحتمالي للاختبار

6.1 تحديد درجات الحرية (Degrees of Freedom)

ترتبط درجات الحرية (Degrees of Freedom – (df)) في اختبار كوكران كيو بعدد الشروط التجريبية المقارنة حصراً، وتُحسب وفق الصيغة المباشرة التالية:

(df = k – 1)

حيث يمثل (k) عدد المعالجات أو مستويات القياس المتكرر. الملاحظة الجوهرية هنا هي أن درجات الحرية في هذا الاختبار مستقلة تماماً عن عدد المفحوصين أو حجم العينة الكلي ((b)). يعود السبب في ذلك إلى طبيعة الاختبار اللامعلمية التي تقيس درجات الحرية المتاحة لتباين الأعمدة فقط بعد تثبيت وتكييف مجاميع الصفوف، وهو ما يتطابق تماماً مع حساب درجات الحرية في اختبار فريدمان للرتب ((df = k – 1)).

يؤثر عدد المعالجات ((k)) تأثيراً مباشراً على شكل المنحنى الاحتمالي للتوزيع؛ فكلما زاد عدد المعالجات، زادت درجات الحرية، مما يؤدي إلى زحزحة منحنى توزيع مربع كاي نحو اليمين وزيادة اتساعه، وبالتالي ترتفع القيمة الحرجة المجدولة المطلوبة لرفض الفرضية الصفرية عند مستوى دلالة ثابت.

6.2 التوزيع التقاربي لمربع كاي (Chi-Square Distribution)

أثبت ويليام كوكران رياضياً أنه عند توافر حجم عينة كبير نسبياً (حيث يتقارب عدد الصفوف غير المتطابقة نحو المالانهاية، وعملياً عندما يكون (b ge 20))، فإن إحصائية الاختبار (Q) تتبع تقاربياً توزيع مربع كاي بدلالة درجات حرية تساوي ((k – 1)):

(Q sim chi^2(df = k – 1))

تتم عملية اتخاذ القرار الإحصائي باتباع إحدى المنهجيتين المتكاملتين التاليتين:

• منهجية القيمة الحرجة (Critical Value Approach): يتم تحديد مستوى الدلالة المعنوية ((alpha)) مسبقاً (غالباً ما يُحدد عند (alpha = 0.05) أو (alpha = 0.01)). ثم يتم استخراج القيمة الحرجة المجدولة من جداول توزيع مربع كاي (chi^2_{critical}(alpha, df)).
  • إذا كانت قيمة (Q) المحسوبة أكبر من أو تساوي القيمة الحرجة ((Q ge chi^2_{critical}))، فإننا نرفض الفرضية الصفرية ((H_0)) ونقبل الفرضية البديلة ((H_A)).
  • إذا كانت قيمة (Q) المحسوبة أقل من القيمة الحرجة ((Q < chi^2_{critical}))، فإننا نفشل في رفض الفرضية الصفرية.
• منهجية القيمة الاحتمالية (p-value Approach): يتم حساب المساحة تحت منحنى توزيع مربع كاي على يمين قيمة (Q) المحسوبة: (p = P(chi^2 ge Q)). إذا كانت (p le alpha)، يتم رفض الفرضية الصفرية والتأكيد على وجود دلالة إحصائية حقيقية للاختلافات المرصودة.

7. تطبيقات اختبار كوكران كيو في البحوث النفسية والعلوم السلوكية

7.1 تقييم التدخلات والعلاجات النفسية والسلوكية

يُمثل اختبار كوكران كيو أداة لا غنى عنها في أبحاث علم النفس الإكلينيكي والعلاج النفسي التجريبي، وخاصة عند دراسة استجابة المرضى لبروتوكولات علاجية محددة عبر الزمن. ففي التجارب السريرية النفسية، غالباً ما يتم قياس النتيجة العلاجية بصورة ثنائية؛ مثل الوصول إلى مرحلة “الهدأة السريرية” (Clinical Remission) أو “الاستجابة المعيارية للعلاج” (مستجيب = 1، غير مستجيب = 0) وفق مقاييس معتمدة كمعايير الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5).

على سبيل المثال، عند إجراء دراسة لمقارنة فعالية ثلاثة بروتوكولات مختلفة من العلاج المعرفي السلوكي (CBT) على عينة من مرضى الرهاب الاجتماعي عبر ثلاث مراحل (ما قبل العلاج، بعد 8 أسابيع من العلاج، وبعد 6 أشهر للمتابعة)، يُمكن للاختبار تحديد ما إذا كان التغير في نسب المتعافين يعكس تطوراً علاجياً دالاً إحصائياً عبر هذه المحطات الزمنية الثلاث.

كذلك يُستخدم الاختبار بكفاءة عالية في أبحاث علاج الإدمان والطب السلوكي، لتتبع مؤشرات الامتناع عن التعاطي (انتكاسة = 0 / امتناع = 1) عبر جلسات الإرشاد المتتابعة، أو في تقييم اختفاء نوبات الهلع (Panic Attacks) لدى مرضى اضطراب الهلع عند تعريضهم لتقنيات مختلفة من العلاج بالتعرض التدريجي (Exposure Therapy).

7.2 القياس والتقويم النفسي وتطوير الاختبارات

في ميدان القياس النفسي (Psychometrics) وعلم النفس التربوي، يبرز اختبار كوكران كيو كأداة قوية لتحليل خصائص بنود المقاييس والاختبارات النفسية والتحصيلية ذات التصحيح الثنائي (صحيح = 1 / خطأ = 0). يُمكن للباحث استخدام الاختبار للتحقق من “تجانس صعوبة الفقرات” (Item Difficulty Homogeneity) عبر عدة نماذج امتحانية متكافئة تم تطبيقها على نفس المجموعة من المفحوصين.

كما يُستخدم الاختبار في فحص استقرار واتساق إجابات المفحوصين على بطاريات الاختبارات النفسية التشخيصية ذات الخيارات الثنائية (نعم / لا) المصممة لقياس أعراض اضطرابات الشخصية، حيث يساعد الاختبار في التحقق مما إذا كانت نسب الموافقة على عبارات محددة متطابقة عبر ظروف اختبارية مختلفة (مثل: الاختبار الحضوري مقابل الاختبار الإلكتروني مقابل الاختبار الذاتي الموجه).

7.3 علم النفس التجريبي وأبحاث الإدراك والتعلم

يحتل الاختبار موقع الصدارة في تجارب علم النفس المعرفي والإدراك الحسي؛ حيث تكون المتغيرات التابعة معتمدة على دقة التعرف أو النجاح في إنجاز المهمة الإدراكية (إدراك الهدف بنجاح = 1 / الفشل في الإدراك = 0). ومن الأمثلة النموذجية تصميم تجربة لاختبار دقة التعرف البصري على الوجوه تحت ثلاثة مستويات من التشويش البصري (تشويش منخفض، تشويش متوسط، تشويش مرتفع) مطبقة على نفس العينة من المفحوصين.

كذلك يمتد تطبيقه إلى دراسات الذاكرة والتعلم؛ مثل مقارنة كفاءة ثلاث استراتيجيات مختلفة للحفظ والاسترجاع (طريقة التكرار الصوتي، طريقة الربط الدلالي، وطريقة التخيل البصري) من خلال قياس قدرة الطالب على استرجاع الكلمات المستهدفة بدقة ضمن نافذة زمنية محددة، حيث يتيح الاختبار للباحث الإجابة عما إذا كانت هناك استراتيجية معرفية تتفوق نوعياً في توليد استجابات صحيحة لدى نفس العينة من الطلاب.

8. مثال تطبيقي عملي شامل مع خطوات الحل اليدوي

8.1 سيناريو الدراسة النفسية وبيانات العينة

لإيضاح التطبيق الحسابي والمنهجي الدقيق لاختبار كوكران كيو، نفترض إجراء دراسة في علم النفس التربوي تهدف إلى مقارنة فاعلية ثلاث تقنيات مختلفة للتدخل السلوكي السريع بهدف خفض قلق الاختبار ومساعدة الطلاب على اجتياز المهام الأكاديمية تحت الضغط. التقنيات الثلاث المختبرة هي:

• التقنية الأولى (A): تمارين التنفس البطني العميق (Diaphragmatic Breathing).
• التقنية الثانية (B): إعادة الهيكلة المعرفية السريعة (Cognitive Reframing).
• التقنية الثالثة (C): تقنية التفريغ الكتابي للقلق قبل الاختبار (Expressive Writing).

تم تطبيق التقنيات الثلاث على عينة مكونة من (b = 12) طالباً جامعياً يعانون من قلق الاختبار الشديد، في تصميم قياسات متكررة كامل. تم تسجيل أداء كل طالب في المهمة المعرفية عقب تطبيق كل تقنية، حيث سُجلت النتيجة كمتغير ثنائي: (1 = اجتياز بنجاح وثبات، 0 = رسوب أو تعثر نتيجة القلق). يوضح الجدول التالي مصفوفة البيانات الخام الكاملة مع مجاميع الصفوف ومربعاتها ومجاميع الأعمدة:

المشارك (الطالب)	التقنية A ((T_1))	التقنية B ((T_2))	التقنية C ((T_3))	مجموع الصف ((R_i))	مربع مجموع الصف ((R_i^2))
الطالب 1	0	1	1	2	4
الطالب 2	1	1	1	3	9
الطالب 3	0	0	1	1	1
الطالب 4	0	1	1	2	4
الطالب 5	0	0	0	0	0
الطالب 6	1	1	1	3	9
الطالب 7	0	1	1	2	4
الطالب 8	0	0	1	1	1
الطالب 9	1	0	1	2	4
الطالب 10	0	1	1	2	4
الطالب 11	0	1	1	2	4
الطالب 12	1	1	1	3	9
مجموع العمود ((C_j))	(C_1 = 4)	(C_2 = 8)	(C_3 = 11)	(N = sum R_i = 23)	(sum R_i^2 = 53)
مربع مجموع العمود ((C_j^2))	(4^2 = 16)	(8^2 = 64)	(11^2 = 121)	(sum C_j^2 = 201)	–

8.2 العمليات الحسابية التفصيلية وحساب إحصائية Q

بناءً على البيانات السابقة، نقوم بتنفيذ العمليات الحسابية خطوة بخطوة بالتعويض المباشر في صيغة كوكران كيو:

• عدد المعالجات: (k = 3)
• عدد المشاركين: (b = 12)
• مجموع الاستجابات الإيجابية الكلي: (N = sum C_j = 4 + 8 + 11 = 23)
• مجموع مربعات الأعمدة: (sum_{j=1}^3 C_j^2 = 4^2 + 8^2 + 11^2 = 16 + 64 + 121 = 201)
• مربع المجموع الكلي: (N^2 = 23^2 = 529)
• مجموع مربعات الصفوف: (sum_{i=1}^{12} R_i^2 = 4 + 9 + 1 + 4 + 0 + 9 + 4 + 1 + 4 + 4 + 4 + 9 = 53)

أولاً: حساب البسط (Numerator):

[text{Numerator} = (k – 1) cdot left[ k sum_{j=1}^k C_j^2 – N^2 right]]
[text{Numerator} = (3 – 1) cdot left[ 3 cdot (201) – 529 right]]
[text{Numerator} = 2 cdot left[ 603 – 529 right] = 2 cdot [74] = 148]

ثانياً: حساب المقام (Denominator):

[text{Denominator} = k N – sum_{i=1}^b R_i^2]
[text{Denominator} = (3 cdot 23) – 53 = 69 – 53 = 16]

ثالثاً: حساب إحصائية الاختبار المحسوبة ((Q)):

[Q = frac{text{Numerator}}{text{Denominator}} = frac{148}{16} = 9.25]

رابعاً: حساب درجات الحرية ((df)):

[df = k – 1 = 3 – 1 = 2]

8.3 استخراج القيمة الحرجة وتفسير النتيجة الإحصائية

لاتخاذ القرار الإحصائي العلمي، نرجع إلى جدول التوزيع الاحتمالي لمربع كاي ((chi^2)) عند درجات حرية (df = 2) ومستوى دلالة معنوية (alpha = 0.05):

[chi^2_{text{critical}}(0.05, 2) = 5.991]

بإجراء المقارنة بين القيمة المحسوبة والقيمة الحرجة المجدولة:

[Q_{text{calculated}} = 9.25 > chi^2_{text{critical}} = 5.991]

وعند حساب القيمة الاحتمالية الدقيقة (p-value) المقابلة لقيمة (Q = 9.25) بدرجتي حرية، نجد أن:

[ptext{-value} = 0.0098]

القرار والاستنتاج الإحصائي: بما أن القيمة المحسوبة لاختبار كوكران كيو ((Q = 9.25)) أكبر من القيمة الحرجة المجدولة ((5.991))، وبما أن القيمة الاحتمالية ((p = 0.0098)) أصغر بكثير من مستوى الدلالة المعتمد ((alpha = 0.05))، فإننا نرفض الفرضية الصفرية ((H_0)) ونقبل الفرضية البديلة ((H_A)).

يدل هذا الاستنتاج العلمي القاطع على وجود فروق ذات دلالة إحصائية بين نسب نجاح الطلاب في تجاوز قلق الاختبار عبر التقنيات السلوكية الثلاث المطبقة؛ حيث يتضح من النسب الوصفية أن التقنية C (التفريغ الكتابي) حققت أعلى نسبة نجاح بواقع (91.7%)، تليها التقنية B (إعادة الهيكلة المعرفية) بنسبة (66.7%)، بينما حققت التقنية A (التنفس العميق) أدنى نسبة نجاح بواقع (33.3%).

9. تنفيذ اختبار كوكران كيو باستخدام البرمجيات الإحصائية الحديثة

9.1 التطبيق العملي عبر برنامج SPSS

يُعد برنامج IBM SPSS Statistics من أكثر البرمجيات استخداماً في تحليل البيانات السلوكية. لإجراء اختبار كوكران كيو في الإصدارات الحديثة، يتم اتباع الخطوات القياسية التالية:

1. إدخال البيانات: يتم تنظيم البيانات في “عرض المتغيرات” (Variable View) بحيث يمثل كل شرط تجريبي عموداً مستقلاً (مثل: Tech_A، Tech_B، Tech_C) بنوع رقمي (Numeric) ومستوى قياس اسمي (Nominal)، مع ترميز الاستجابات بـ 0 و 1. كل صف في شاشة “عرض البيانات” (Data View) يمثل مشاركاً مستقلاً.
2. الوصول إلى مربع الحوار: من القائمة العلوية الرئيسية، يتم التوجه إلى المسار التالي:
   
   Analyze > Nonparametric Tests > Legacy Dialogs > K Related Samples...
   
   (أو عبر مسار Nonparametric Tests > Related Samples التفاعلي الحديث).
3. تحديد المتغيرات وتفعيل الاختبار: في نافذة Tests for Several Related Samples، يتم نقل المتغيرات الثلاثة إلى مربع Test Variables. بعد ذلك، في قسم Test Type، يتم إلغاء تحديد اختبار فريدمان (Friedman) وتحديد خيار Cochran’s Q حصراً.
4. تنفيذ الاختبار: الضغط على زر OK لإنشاء المخرجات في نافذة تقرير النتائج.

تتضمن مخرجات SPSS جدولين رئيسيين: جدول الترددات (Frequencies) الذي يوضح عدد وتكرارات النجاح والفشل لكل معالجة، وجدول إحصائيات الاختبار (Test Statistics) الذي يعرض حجم العينة الإجمالي ((N))، وقيمة كوكران كيو المحسوبة ((text{Cochran’s } Q))، ودرجات الحرية ((df))، ومستوى الدلالة التقاربي ذي الطرفين (Asymp. Sig.).

9.2 التطبيق البرمجي باستخدام لغة R

توفر البيئة البرمجية الإحصائية المفتوحة R مرونة فائقة ودقة عالية في تنفيذ اختبار كوكران كيو والاختبارات البعدية التابعة له عبر حزم متخصصة مثل RVAideMemoire أو DescTools. يوضح الكود القياسي التالي خطوات إدخال البيانات وتشغيل الاختبار واستخراج النتائج بدقة:

كود لغة R الكامل لتحليل بيانات المثال:

# تثبيت واستدعاء الحزمة الإحصائية المتخصصة
install.packages("RVAideMemoire")
library(RVAideMemoire)

# إنشاء إطار البيانات بتنسيق عريض (Wide Format)
study_data <- data.frame(
  Student = factor(1:12),
  Tech_A = c(0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1),
  Tech_B = c(1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 1),
  Tech_C = c(1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1)
)

# تحويل البيانات إلى مصفوفة ثنائية للاختبار
response_matrix <- as.matrix(study_data[, c("Tech_A", "Tech_B", "Tech_C")])

# تشغيل اختبار كوكران كيو
q_test_result <- cochran.qtest(response_matrix)
print(q_test_result)

# إجراء المقارنات الثنائية البعدية المصححة بتعديل بونفيروني
pairwise.mcnemar.test(response_matrix, p.adjust.method = "bonferroni")

يُظهر تنفيذ هذا الكود في بيئة R مخرجات إحصائية متكاملة تتضمن قيمة (Q)، ودرجات الحرية، وقيمة (p)-value الدقيقة، بالإضافة إلى مصفوفة احتمالات المقارنات البينية المزدوجة المعدلة إحصائياً.

9.3 التطبيق البرمجي باستخدام لغة بايثون (Python)

في بيئة بايثون لتحليل البيانات وعلم البيانات، يتم تنفيذ اختبار كوكران كيو بكفاءة بالغة باستخدام مكتبة statsmodels المرموقة، وتحديداً من خلال دالة cochrans_q المتواجدة ضمن وحدة جداول التوافق (Contingency Tables). يوضح الكود البرمجي التالي كيفية استيراد المكتبات، وهيكلة مصفوفة الاستجابات الثنائية، وحساب الاختبار، واتخاذ القرار البرمجي المؤتمت:

كود بايثون القياسي للتنفيذ:

import numpy as np
import pandas as pd
from statsmodels.stats.contingency_tables import cochrans_q

# بناء مصفوفة البيانات الثنائية (المشاركون في الصفوف والمعالجات في الأعمدة)
data_array = np.array([
    [0, 1, 1],
    [1, 1, 1],
    [0, 0, 1],
    [0, 1, 1],
    [0, 0, 0],
    [1, 1, 1],
    [0, 1, 1],
    [0, 0, 1],
    [1, 0, 1],
    [0, 1, 1],
    [0, 1, 1],
    [1, 1, 1]
])

# تنفيذ اختبار كوكران كيو
result = cochrans_q(data_array)

# طباعة النتائج الإحصائية الدقيقة
print(f"Cochran's Q Statistic: {result.statistic:.4f}")
print(f"Degrees of Freedom: {result.df}")
print(f"p-value: {result.pvalue:.4f}")

# اتخاذ القرار الإحصائي البرمجي المؤتمت
alpha = 0.05
if result.pvalue < alpha:
    print("القرار: رفض الفرضية الصفرية؛ توجد فروق ذات دلالة إحصائية بين المعالجات.")
else:
    print("القرار: الفشل في رفض الفرضية الصفرية؛ لا توجد فروق دالة إحصائياً.")

10. تفسير النتائج وكتابة التقرير وفق معايير APA

10.1 قواعد التفسير الإحصائي الدقيق

يتطلب التفسير العلمي السليم لمخرجات اختبار كوكران كيو فهماً عميقاً للفصل بين “الدلالة الإحصائية” (Statistical Significance) و”الدلالة العملية أو السريرية” (Clinical or Practical Significance). فالحصول على قيمة احتمال دالة ((p < 0.05)) يثبت فقط أن الفروق الملاحظة في نسب النجاح بين الشروط لا ترجع للمصادفة، لكنه لا يثبت بحد ذاته أن هذا التدخل يحدث تأثيراً جذرياً ذا قيمة علاجية في الواقع ما لم يدعمه حجم أثر مرتفع ومردود سلوكي ملموس.

ينبغي للباحث دائماً تضمين النسب المئوية الوصفية للنجاح أو الاستجابة الإيجابية لكل معالجة بالتوازي مع التقرير الاستدلالي، وذلك لتوضيح اتجاه الفروق الفعلي ومسار التغير الإيجابي أو السلبي. وفي الحالات التي تظهر فيها النتائج غير دالة إحصائياً ((p > 0.05))، يجب على الباحث فحص ما إذا كان سبب غياب الدلالة يعود حقاً إلى تكافؤ المعالجات، أم أنه ناتج عن ضعف القوة الإحصائية للدراسة بسبب صغر حجم العينة الفعال أو كثرة الصفوف عديمة التباين.

10.2 صياغة التقرير وفق دليل الرابطة الأمريكية لعلم النفس (APA Style)

وفقاً لأحدث معايير التوثيق الصادرة عن الرابطة الأمريكية لعلم النفس (دليل APA، الإصدار السابع)، يتم تدوين نتائج اختبار كوكران كيو في المتن الأكاديمي باتباع نسق كتابي محدد بدقة، يتضمن الرمز الإحصائي المائل، ودرجات الحرية بين قوسين، وقيمة الاختبار المحسوبة، والقيمة الاحتمالية الدقيقة، ومؤشر حجم الأثر.

النموذج القياسي لصياغة الفقرة في متن البحث:

“أُجري اختبار كوكران كيو لتقييم ما إذا كانت نسب اجتياز اختبار القلق المعرفي تختلف عبر التقنيات السلوكية الثلاث (التنفس العميق، إعادة الهيكلة المعرفية، والتفريغ الكتابي) لدى نفس العينة من الطلاب ((N = 12)). أظهرت النتائج وجود فروق ذات دلالة إحصائية بين التقنيات الثلاث في نسب النجاح، (Q(2) = 9.25)، (p = .010)، مع حجم أثر كبير (معامل إيتا لفريدمان (eta^2_Q = .42)). حيث حققت تقنية التفريغ الكتابي أعلى نسبة اجتياز بلغت 91.7% ((n = 11))، تلتها تقنية إعادة الهيكلة المعرفية بنسبة 66.7% ((n = 8))، في حين سجلت تقنية التنفس العميق أدنى نسبة اجتياز بلغت 33.3% ((n = 4)).”

جدول تلخيصي للنتائج وفق متطلبات APA 7th Edition:

الشرط التجريبي (المعالجة)	العدد الإجمالي ((N))	تكرار النجاح ((n))	نسبة النجاح (%)	قيمة (Q)	درجات الحرية ((df))	مستوى الدلالة ((p))
التنفس العميق (A)	12	4	33.3%	9.25	2	.010
إعادة الهيكلة المعرفية (B)	12	8	66.7%
التفريغ الكتابي (C)	12	11	91.7%

11. الاختبارات البَعدية والمقارنات المتعددة بعد كوكران كيو

11.1 ضرورة الاختبارات البَعدية (Post-Hoc Tests)

يقتصر الدور الاستدلالي لاختبار كوكران كيو الكلي (Omnibus Test) على إثبات أو نفي التكافؤ العام بين جميع الشروط التجريبية مجتمعة دون القدرة على تعيين موضع الفروق الزوجية المحددة. فعندما نصل إلى قرار برفض الفرضية الصفرية العامة، يبرز السؤال الجوهري: هل تختلف جميع المعالجات عن بعضها البعض؟ أم أن التفوق محصور بين المعالجة الأولى والثالثة فقط؟

من الناحية المنهجية، يُحظر تماماً الانتقال إلى إجراء المقارنات البعدية ما لم تكن نتيجة اختبار كوكران كيو الكلي دالة إحصائياً عند مستوى المعنوية المعتمد ((p le alpha)). وعند تحقق هذا الشرط، تُجرى مقارنات ثنائية زوجية متعددة (Pairwise Comparisons) لاستكشاف التباينات التفصيلية بين كل شرطين على حدة.

غير أن إجراء مقارنات زوجية متعددة على نفس البيانات يولد خطراً إحصائياً جسيماً يُعرف باسم “تراكم الخطأ العائلي من النوع الأول” (Familywise Error Rate Inflation). فإذا أجرى الباحث 3 مقارنات ثنائية مستقلة عند مستوى معنوية (alpha = 0.05)، فإن الاحتمال الكلي لارتكاب خطأ من النوع الأول على الأقل يرتفع إلى:

[alpha_{text{familywise}} = 1 – (1 – alpha)^c = 1 – (1 – 0.05)^3 = 1 – (0.95)^3 approx 0.1426 quad (14.26%)]

مما يفرض منهجياً استخدام أساليب التصحيح والتعديل الإحصائي لمستوى ألفا لضبط هذا التضخم وحماية موثوقية القرارات المستخلصة.

11.2 اختبار ماكنيمار الثنائي كاختبار بَعدي (Pairwise McNemar Test)

يُعتبر اختبار ماكنيمار الثنائي (Pairwise McNemar’s Test) الأداة القياسية البعدية الأكثر اتساقاً وملاءمة بعد اختبار كوكران كيو؛ إذ إنه يمثل النظير الرياضي الطبيعي له للتعامل مع عينتين مرتبطتين لبيانات ثنائية. يتم تطبيق اختبار ماكنيمار بصورة منفصلة على كل زوج من الشروط التجريبية الممكنة، والتي يبلغ عددها الإجمالي (c = frac{k(k – 1)}{2}) مقارنة (في مثالنا: (c = frac{3(2)}{2} = 3) مقارنات).

لضبط معدل الخطأ العائلي، يتم تطبيق إحدى منهجيات التصحيح التالية:

• تصحيح بونفيروني الصارم (Bonferroni Correction): يتم تقسيم مستوى الدلالة الاسمي ((alpha)) على عدد المقارنات البينية الكلية ((c))؛ ليصبح مستوى ألفا المعدل المطلوب لتحقيق الدلالة في كل اختبار فرعي هو:
  
  

  [alpha_{text{adjusted}} = frac{alpha}{c} = frac{0.05}{3} approx 0.0167]

  لا تُعتبر المقارنة الثنائية دالة إحصائياً إلا إذا كانت القيمة الاحتمالية لاختبار ماكنيمار المقابل أصغر من (0.0167).

• أسلوب هولم-بونفيروني المتتابع (Holm-Bonferroni Method): يُعد بديلاً أكثر قوة إحصائية وأقل تشدداً من تصحيح بونفيروني التقليدي. يقوم هذا الأسلوب بترتيب القيم الاحتمالية للمقارنات الثنائية تصاعدياً ((p_{(1)} le p_{(2)} le dots le p_{(c)}))، ثم مقارنة أصغر قيمة باحتمال معدل (frac{alpha}{c})، والثانية بـ (frac{alpha}{c – 1})، وهكذا بالتتابع التنازلي للمقامات، مما يوفر قدرة أكبر على اكتشاف الفروق الحقيقية دون التضحية بضبط الخطأ العائلي.

11.3 حساب حجم الأثر للاختبار البَعدي والإجمالي

أصبح الإبلاغ عن مقاييس حجم الأثر (Effect Size) متطلباً إلزامياً لا غنى عنه في الكتابة السيكولوجية والطبية المعاصرة وفق توصيات الهيئات الأكاديمية العالمية. في اختبار كوكران كيو، يُمكن حساب حجم الأثر الإجمالي المستند إلى معامل إيتا لفريدمان المعدل لبيانات كوكران ((eta^2_Q)) باستخدام الصيغة التالية:

[eta^2_Q = frac{Q}{b(k – 1)}]

بالتطبيق على بيانات مثالنا السابق ((Q = 9.25)، (b = 12)، (k = 3)):

[eta^2_Q = frac{9.25}{12 cdot (3 – 1)} = frac{9.25}{24} approx 0.3854 quad (38.54%)]

تُفسر هذه القيمة المعيارية وفق محكات كوهين العامة لحجوم الأثر كالتالي:

• أثر صغير: (eta^2 < 0.06)
• أثر متوسط: (0.06 le eta^2 < 0.14)
• أثر كبير: (eta^2 ge 0.14) (القيمة المحسوبة (0.385) تُمثل أثراً كبيراً وبارزاً جداً).

أما بالنسبة للمقارنات الثنائية البعدية لاختبار ماكنيمار، فيُحسب حجم الأثر باستخدام “نسبة الأرجحية المزدوجة” (Odds Ratio – (OR)) للخلايا المتعارضة غير المتطابقة في جدول التوافق ((b) و (c)) بالمعادلة: (OR = frac{b}{c})، أو من خلال حساب معامل ارتباط فاي للفروق المزدوجة ((phi)).

12. مقارنة نقدية بين اختبار كوكران كيو والاختبارات الإحصائية الأخرى والحدود المنهجية

12.1 المقارنة مع اختبار فريدمان واختبار ماكنيمار

ترتبط الاختبارات اللامعلمية للقياسات المتكررة بروابط رياضية ومنهجية وثيقة، حيث يُمكن النظر إلى هذه الأدوات كمنظومة استدلالية متكاملة تتفاوت وفق مستويات القياس وعدد المجموعات. يوضح الجدول المقارن التالي موقع اختبار كوكران كيو بين الاختبارات الشبيهة:

وجه المقارنة	اختبار ماكنيمار (McNemar)	اختبار كوكران كيو (Cochran’s Q)	اختبار فريدمان (Friedman)	تحليل التباين للقياسات المتكررة (RM-ANOVA)
مستوى قياس المتغير التابع	اسمي ثنائي (0 أو 1)	اسمي ثنائي (0 أو 1)	ترتيبي (Ordinal) أو مستمر محول لرتب	فئوي / نسبي مستمر (Continuous Interval/Ratio)
عدد الشروط التجريبية ((k))	مجموعتان فقط ((k = 2))	ثلاث مجموعات فأكثر ((k ge 3))	ثلاث مجموعات فأكثر ((k ge 3))	مجموعتان فأكثر ((k ge 2))
طبيعة التصميم التجريبي	عينات مرتبطة / أزواج متطابقة	كتل كاملة عشوائية / قياسات متكررة	كتل كاملة عشوائية / قياسات متكررة	قياسات متكررة كروية / خلط تام
النموذج الإحصائي	لا معلمي (مربع كاي بدرجة حرية 1)	لا معلمي (تقاربي مربع كاي (k-1))	لا معلمي (تقاربي مربع كاي للرتب)	معلمي بارامتري (توزيع (F))
الافتراضات التوزيعية	لا يشترط التوزيع الطبيعي	لا يشترط التوزيع الطبيعي	لا يشترط التوزيع الطبيعي	يشترط التوزيع الطبيعي والاعتدالية والكروية

تثبت هذه المقارنة أن اختبار ماكنيمار ليس سوى الحالة الخاصة لكوكران كيو عندما يكون (k = 2)، في حين أن اختبار كوكران كيو هو الحالة الخاصة لاختبار فريدمان عندما تقتصر رتب البيانات على رتبتين ثنائيتين فقط (0 و 1).

12.2 المقارنة مع النماذج الخطية المعممة المختلطة (GLMM)

مع التطور الهائل في القدرات الحاسوبية وخوارزميات النمذجة الرياضية المتقدمة، شهد العقدان الأخيران صعوداً قوياً لـ النماذج الخطية المعممة المختلطة (Generalized Linear Mixed Models – GLMM)، وتحديداً النموذج اللوجستي المختلط الثنائي (Binary Logistic GLMM)، كبديل متقدم لتحليل القياسات المتكررة الثنائية.

تتفوق نماذج GLMM على اختبار كوكران كيو التقليدي في عدة جوانب منهجية حاسمة:

• المرونة في التعامل مع البيانات المفقودة: تستخدم نماذج GLMM تقديرات الإمكانية العظمى المقيدة (Full Information Maximum Likelihood)، مما يسمح بالاحتفاظ بجميع المشاركين في التحليل حتى لو فُقدت استجاباتهم في بعض الجلسات، بدلاً من الحذف الكلي الإجباري للمفحوص في كوكران كيو.
• إدراج المتغيرات التفسيرية والوسيطة: تتيح GLMM إضافة متغيرات مستقلة مستمرة (مثل العمر وسنوات التعليم) وتفاعلات معقدة بين العوامل البين-فردية والداخل-فردية (Between-Within Interactions)، وهو ما يعجز عنه اختبار كوكران كيو الذي يقتصر على عامل وحيد متكرر.

ومع ذلك، يظل لاختبار كوكران كيو تفوقه المطلق في السيناريوهات التي يكون فيها حجم العينة صغيراً نسبياً، وحيث تكون البساطة التحليلية والوضوح الاستدلالي مطلوبين دون الحاجة إلى تعقيدات تقدير معلمات النماذج اللوجستية التي قد تفشل في التقارب البرمجي (Convergence Failure) في العينات المحدودة.

12.3 نقاط القوة والمحددات المنهجية للاختبار

يمتلك اختبار كوكران كيو حزمة من نقاط القوة الإحصائية الفريدة، لكنه يواجه في الوقت ذاته محددات منهجية يجب أن يدركها الباحث بدقة:

أبرز نقاط القوة:

• الحصانة ضد انتهاكات التوزيع: لا يفرض أي شروط حول شكل التوزيع السكاني أو اعتدالية درجات الخطأ، مما يجعله أمناً مطلقاً للبيانات الاسمية.
• عزل الفروق الفردية: يوفر تصميمه القائم على الكتل تحكماً تاماً في التباينات البين-فردية، مما يعزز الحساسية لاكتشاف تأثير المعالجات.
• البساطة والوضوح: سهولة حسابه يدوياً وبرمجياً وسرعة تفسير نتائجه وتقديمها للأوساط العلمية.

أبرز المحددات والقيود:

• عدم حساسية الصفوف المتطابقة: يتم إهمال المشاركين الذين يحققون استجابات موحدة بالكامل (كلها أصفار أو كلها وحدات) في تقدير إحصائية (Q)، مما يقلل من حجم العينة الفعال ويحد من تعميم النتيجة على هذه الفئات.
• الحساسية للبيانات المفقودة: يتطلب مصفوفة متكاملة تماماً، ويؤدي غياب نقطة واحدة إلى حذف السلسلة الزمنية للمفحوص بالكامل.
• طبيعة الاختبار الكلية غير الاتجاهية: لا يحدد بذاته اتجاه الفروق الفردية بين المعالجات ويستلزم دائماً تحليلات بعدية إضافية.

خاتمة شاملة وتوصيات منهجية للباحثين

يُمثل اختبار كوكران كيو (Cochran’s Q Test) علامة فارقة في تاريخ الإحصاء الاستدلالي اللامعلمي، وأداة منهجية متقدمة وراسخة لتحليل التصاميم التجريبية ذات القياسات المتكررة والكتل المتطابقة عندما تكون الاستجابات المقاسة ثنائية القطب. ومن خلال بنيته الرياضية القائمة على تقييم تباين الأعمدة بعد تحييد فروق الصفوف، يمنح الاختبار الباحثين قدرة استثنائية على فحص التغيرات السلوكية والطبية والمعرفية دون الوقوع في أخطاء النماذج المعلمية.

ولضمان الاستخدام الأكاديمي الأمثل لهذا الاختبار، نوصي الباحثين بالالتزام بالممارسات العلمية الفضلى التالية:

1. التحقق الصارم من استيفاء التصميم لشروط الكتل العشوائية واستقلالية المفحوصين عن بعضهم البعض قبل إجراء التحليل.
2. التأكد من كفاية حجم العينة الفعالة واستبعاد أثر الصفوف عديمة التباين، واللجوء للاختبار الدقيق (Exact Test) في العينات الصغيرة.
3. عدم الاكتفاء بالإبلاغ عن القيمة الاحتمالية ((p)-value) عند تحقق الدلالة، بل يجب تدعيم التقرير بالنسب المئوية الوصفية وحساب حجم الأثر المعياري ((eta^2_Q)).
4. إجراء المقارنات الثنائية البعدية عبر اختبار ماكنيمار حصراً مع الالتزام التام بتصحيح مستويات الدلالة بواسطة أساليب بونفيروني أو هولم-بونفيروني لحماية البحث من تراكم الخطأ من النوع الأول.

References

• Cochran, W. G. (1950). The comparison of percentages in matched samples. Biometrika, 37(3/4), 256–266. https://doi.org/10.2307/2332378
• Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons.
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522
• McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153–157. https://doi.org/10.1007/BF02295996
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Seabold, S., & Perktold, J. (2010). statsmodels: Econometric and statistical modeling with Python. In Proceedings of the 9th Python in Science Conference (Vol. 57, pp. 61–65). https://doi.org/10.25080/Majora-92bf1922-011
• Siegel, S., & Castellan, N. J. (1988). Nonparametric Statistics for the Behavioral Sciences (2nd ed.). McGraw-Hill.
• Sheskin, D. J. (2020). Handbook of Parametric and Nonparametric Statistical Procedures (5th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429186196