كيفية إجراء اختبار نسبة التباين في إكسيل

يحتل مفهوم التشتت الإحصائي مكانة مركزية في بنية الاستدلال الإحصائي والتحليل الكمي، حيث لا تقتصر معالم الظواهر المدروسة على مقاييس النزعة المركزية وحدها كالمتوسط الحسابي، بل تمتد لتشمل مدى تجانس البيانات وتباينها الداخلي. ويُعد اختبار نسبة التباين (Variance Ratio Test)، والمعروف كلاسيكياً باسم اختبار فيشر للتباين (F-Test)، الركيزة المنهجية الأساسية التي يعتمد عليها الباحثون لمقارنة الفروق بين تشتت مجتمعين إحصائيين مستقلين. يتيح هذا الاختبار تقييم مدى اتساق واستقرار الظواهر المقاسة، سواء كان ذلك في إطار تجارب العلوم الطبيعية أو في سياق القياسات النفسية والسلوكية التي تتسم بدرجات متفاوتة من التباين البشري الطبيعي.

في عصر التحول الرقمي وتطور البرمجيات الإحصائية، أضحى تطبيق الاختبارات المعلمية المعقدة متاحاً بدقة وسرعة عبر بيئات الجداول الإلكترونية، وعلى رأسها برنامج مايكروسوفت إكسيل (Microsoft Excel). يوفر إكسيل منظومة متكاملة لحساب إحصائية F وتحديد القيم الاحتمالية والقيم الحرجة، عبر دوال رياضية مباشرة أو من خلال أدوات التحليل المتقدمة المدمجة. إن التمكن من إجراء هذا الاختبار داخل إكسيل يمنح الباحثين والمحللين قدرة فائقة على فحص الفرضيات الإحصائية المتعلقة بالتباين، والتحقق من الشروط المسبقة للاختبارات البارامترية الأخرى، وتفسير البيانات السيكومترية بمنهجية علمية رصينة تتوافق مع المعايير الأكاديمية العالمية.

يهدف هذا الدليل المنهجي الشامل إلى تقديم استعراض معمق ومفصل لكيفية إجراء اختبار نسبة التباين في إكسيل، بدءاً من تفكيك الأسس الرياضية والنظرية لتوزيع F، ومروراً بصياغة الفرضيات وفحص الافتراضات الصارمة، ووصولاً إلى الشرح التطبيقي الدقيق لثلاث طرق مختلفة داخل البرنامج: الدوال الرياضية الكلاسيكية، الدالة المباشرة الفورية، وأداة حزمة تحليل البيانات. كما يستعرض الدليل دراسة حالة تطبيقية في القياس النفسي، ويحلل الأخطاء الشائعة وطرق معالجتها، مع توضيح آليات توثيق النتائج وفق الإصدار السابع من دليل الجمعية الأمريكية لعلم النفس (APA Style).

1. مقدمة منهجية لاختبار نسبة التباين (F-Test)

1.1 المفهوم الرياضي والنظري لاختبار نسبة التباين

يُعرَّف اختبار نسبة التباين بأنه أداة استدلالية إحصائية معلمية تهدف إلى فحص ما إذا كان التباين في مجتمعين إحصائيين مختلفين متساوياً أم أن هناك اختلافاً جوهرياً ذا دلالة إحصائية بينهما. يستند الاختبار إلى مقارنة تبايني عينتين عشوائيتين مستقلتين مسحوبتين من مجتمعين يتبعان التوزيع الطبيعي. وتتمثل الفكرة الجوهرية في حساب النسبة بين تباين العينة الأولى إلى تباين العينة الثانية، مما يولد إحصائية تتبع التوزيع الاحتمالي النظري المعروف باسم توزيع F، والذي سمي تكريماً لعالم الإحصاء الشهير السير رونالد فيشر (Sir Ronald Fisher).

يتميز توزيع F الإحصائي بخصائص توزيعية فريدة تميزه عن التوزيع الطبيعي المعياري أو توزيع t لستيودنت؛ فهو توزيع غير متماثل وموجب الالتواء (Positively Skewed)، ويمتد فقط عبر الأعداد الحقيقية الموجبة من الصفر إلى ما لا نهاية (∞)، نظراً لأن التباين قيمة مربعة لا يمكن أن تكون سالبة. وتتحدد معالم هذا التوزيع بشكل كامل عبر معلمتين أساسيتين هما: درجات حرية البسط (df1) ودرجات حرية المقام (df2). كلما ازدادت درجات الحرية في كلا الطرفين، اقترب توزيع F تدريجياً من التماثل التام وانخفض معامل الالتواء، مما يمنحه مرونة فائقة في التعامل مع مختلف أحجام العينات البحثية.

تنبع الأسس المعرفية لمقارنة التباينات بدلاً من الاكتفاء بمقارنة المتوسطات الحسابية من إدراك حقيقة أن المتوسط يصف مركز الثقل الرياضي للبيانات فقط، بينما يعكس التباين مدى اتساق السلوكيات أو القياسات. إن فهم بنية التشتت يساعد في تفكيك مصادر التباين العشوائي (Random Error Variance) الناتج عن عوامل الصدفة والقياس، والتباين المنتظم (Systematic Variance) المرتبط بالمتغيرات المستقلة والتدخلات التجريبية، وهو ما يمثل جوهر التحليل الإحصائي الرصين.

1.2 أهمية اختبار نسبة التباين في البحوث النفسية والسلوكية

يكتسب اختبار نسبة التباين أهمية استثنائية في مجالات البحوث النفسية، التربوية، والسلوكية، حيث تواجه هذه التخصصات تفاوتاً واسعاً في استجابات الأفراد نتيجة الفروق الفردية والسمات الشخصية المعقدة. يُستخدم هذا الاختبار بشكل محوري للتحقق من تجانس استجابات المفحوصين على مقاييس الشخصية، اختبارات الذكاء، واستبانات الاتجاهات السيكومترية. فعندما يطبق باحث أداة قياس جديدة، يمثل اختبار التباين وسيلة لفحص ما إذا كانت الأداة تسجل تشتتاً متسقاً بين فئات ديموغرافية مختلفة (كالذكور والإناث أو الفئات العمرية المتباينة).

إضافة إلى ذلك، يلعب الاختبار دوراً حاسماً في تقييم استقرار التشتت في استجابات المجموعات التجريبية والضابطة. في الدراسات السريرية والعلاجية، لا يكون الهدف دائماً هو رفع أو خفض متوسط درجات الأعراض النفسية (مثل القلق أو الاكتئاب)، بل قد يستهدف التدخل النفسي تقليل تشتت السلوكيات وتثبيت الحالة المزاجية للأفراد؛ وبالتالي فإن انخفاض التباين لدى المجموعة التجريبية مقارنة بالضابطة يمثل دليلاً علمياً قوياً على فاعلية العلاج السلوكي في تقليص التباين العشوائي للاستجابات الانفعالية الحادة.

كما يُشكل اختبار التباين شرطاً قبلياً (Prerequisite) لا غنى عنه قبل تطبيق العديد من الاختبارات الإحصائية الاستدلالية المعلمية، مثل اختبار t للعينات المستقلة وتحليل التباين الأحادي (ANOVA). التحقق من افتراض تجانس التباين (Homogeneity of Variance) يضمن أن الاستنتاجات المستخلصة حول الفروق بين المتوسطات مبنية على أسس احتمالية صحيحة ولا تعاني من تشوهات ناشئة عن عدم استقرار أخطاء القياس داخل المجموعات.

1.3 الفرق بين تجانس التباين واختبار الفروق بين المتوسطات

من الضروري للباحث التمييز المنهجي الصارم بين فحص مقاييس النزعة المركزية (Central Tendency) ومقاييس التشتت (Dispersion). يقيس المتوسط الحسابي القيمة المركزية التي تتجمع حولها البيانات، بينما يقيس التباين متوسط مربعات انحرافات تلك القيم عن متوسطها الحسابي. قد تتساوى مجموعتان في متوسطهما الحسابي تماماً، ولكنهما تختلفان جذرياً في بنيتهما التوزيعية؛ حيث تكون إحدى المجموعتين شديدة التجانس وتتجمع قيمها بالقرب من المركز، في حين تتسم المجموعة الأخرى بتشتت هائل وتطرف في الاستجابات، وهو ما لا يستطيع اختبار مقارنة المتوسطات كشفه بمفرده.

يتجلى دور اختبار F كإجراء تشخيصي واستكشافي أولي يسبق إجراء اختبار t للعينات المستقلة (Independent Samples t-test). إذا أظهر اختبار F أن تبايني المجتمعين متجانسان، يمكن للباحث استخدام صيغة اختبار t القياسية المجمعة للتباين (Pooled-variance t-test). أما في حال رفض فرضية تجانس التباين، فإن استخدام الصيغة القياسية يؤدي إلى انتهاكات جسيمة للنماذج الاحتمالية، مما يدفع الباحث حتماً لاستخدام بدائل معدلة مثل اختبار ويلش (Welch’s t-test).

تكمن خطورة انتهاك فرضية تجانس التباين في تضخيم معدلات الخطأ من النوع الأول (Type I Error Rate)، وهو احتمال رفض الفرضية الصفرية الحقيقية عن طريق الخطأ وزعم وجود فروق جوهرية بين المجموعات لا وجود لها في الواقع. كما يؤدي هذا الانتهاك إلى خفض القوة الإحصائية للاختبار (Statistical Power)، مما يجعل تفسير الفروق الجوهرية بين المجموعات التجريبية والضابطة محفوفاً بالغموض والتضليل المنهجي.

2. الفرضيات الإحصائية لاختبار نسبة التباين

2.1 صياغة الفرضية الصفرية (H0) والفرضية البديلة (HA)

تعتمد المنهجية الاستدلالية لاختبار نسبة التباين على وضع فرضيتين متنافستين تشكلان الإطار الرياضي للقرار الإحصائي. تُصاغ الفرضية الصفرية (Null Hypothesis – H0) لتفترض عدم وجود فرق حقيقي بين تباين المجتمع الأول (σ1²) وتباين المجتمع الثاني (σ2²). ويتم التعبير عنها رياضياً بالصيغة: H0: σ1² = σ2²، أو بصيغة النسبة المتكافئة: H0: σ1² / σ2² = 1. تعكس هذه الفرضية الافتراض المبدئي بأن أي اختلاف ملاحظ بين تباينات العينات المسحوبة يعود فقط إلى الصدفة وأخطاء المعاينة العشوائية.

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – HA) لتقرر وجود فروق دالة إحصائياً بين التباينين في المجتمع الأصلي. في الصيغة العامة غير الموجهة، تأخذ الفرضية البديلة الشكل التالي: HA: σ1² ≠ σ2² (أو HA: σ1² / σ2² ≠ 1). وتحت هذه الفرضية، يُفترض أن التدخل التجريبي أو الخصائص البنيوية للمجموعات قد أحدثت تغييراً حقيقياً في تشتت الظاهرة يتجاوز حدود التباين العشوائي المتوقع.

يرتكز الأساس المنطقي لقبول أو رفض الفرضية الصفرية على مقدار ابتعاد نسبة التباين المحسوبة (F) عن القيمة النظرية المتوقعة تحت الفرضية الصفرية وهي الواحد الصحيح (F = 1). كلما ابتعدت النسبة المحسوبة عن الواحد باتجاه القيم الكبيرة جداً (أو الصغيرة جداً في بعض الصيغ)، تضاءل احتمال حدوث ذلك بالصدفة، مما يوفر دليلاً إحصائياً قوياً يدعو إلى رفض الفرضية الصفرية وتبني الفرضية البديلة.

2.2 الاختبارات أحادية الذيل وثنائية الذيل (One-tailed vs Two-tailed)

يتحدد نوع الاختبار المستخدم بناءً على الأهداف البحثية والأسس النظرية التي ينطلق منها الباحث. يُستخدم الاختبار أحادي الذيل (One-tailed Test) عندما يمتلك الباحث افتراضاً نظرياً مسبقاً وموجهاً يحدد أي المجتمعين سيكون أكبر تبايناً من الآخر. في هذه الحالة، تُصاغ الفرضية البديلة باتجاه محدد مثل: HA: σ1² > σ2² (اختبار الذيل الأيمن) أو HA: σ1² < σ2² (اختبار الذيل الأيسر). تتركز منطقة الرفض الحرجة بالكامل في أحد طرفي منحنى توزيع F، مما يزيد من حساسية الاختبار لرصد الفروق في ذلك الاتجاه المحدد.

على النقيض من ذلك، يتم اللجوء إلى الاختبار ثنائي الذيل (Two-tailed Test) عندما يكون الهدف استكشافياً مجرداً لاكتشاف أي اختلاف في التباين دون افتراض مسبق لاتجاه هذا التباين، كما في صياغة: HA: σ1² ≠ σ2². في هذا السياق، تنقسم منطقة الرفض الإحصائي بالتساوي بين الطرفين الأيمن والأيسر لتوزيع F، مما يتطلب تقسيم مستوى الدلالة المعياري (Alpha/2) لتحديد القيم الحرجة في كلا الذيلين.

في برنامج إكسيل، يجب الانتباه بعناية إلى طبيعة الذيل المستخدم؛ حيث أن دوال إكسيل التوزيعية مثل F.DIST.RT تحسب القيمة الاحتمالية لأحادي الذيل بشكل افتراضي. لاستخراج القيمة الاحتمالية ثنائية الذيل للاختبار، يتوجب على الباحث مضاعفة القيمة الاحتمالية الناتجة (ضربها في 2) إذا تم الحساب يدوياً، بينما تقدم دالة F.TEST مخرجات الاختبار ثنائي الذيل بشكل مباشر وتلقائي، وهو ما يتطلب فهماً تقنياً دقيقاً لضمان سلامة الاستنتاج العلمي.

2.3 مستويات الدلالة الإحصائية (Alpha) وتحديد منطقة الرفض

يمثل مستوى الدلالة الإحصائية (α – Alpha) الحد الأقصى لاحتمال ارتكاب الخطأ من النوع الأول (Type I Error)، وهو احتمال رفض الفرضية الصفرية بينما هي صحيحة في الواقع. يحدد الباحث هذا المستوى مسبقاً قبل جمع البيانات وإجراء التحليل، وتُعد المستويات المعيارية الأكثر شيوعاً في البحوث النفسية والاجتماعية هي: 0.05 (درجة ثقة 95%)، 0.01 (درجة ثقة 99%)، و0.001 في التجارب الطبية والدوائية الدقيقة التي تتطلب أقصى درجات اليقين الإحصائي.

يرتبط بمستوى الدلالة أيضاً مفهوم الخطأ من النوع الثاني (β – Type II Error)، وهو احتمال الفشل في رفض الفرضية الصفرية بينما هي خاطئة في المجتمع، وترتبط القوة الإحصائية للاختبار مباشرة بالقيمة (1 – β). يتطلب التصميم الإحصائي الرصين الموازنة الدقيقة بين تقليل الخطأ من النوع الأول دون الإضرار بالقوة الإحصائية للاختبار للكشف عن الفروق الحقيقية بين التباينات.

تُحدد منطقة الرفض الإحصائي (Rejection Region) عبر القيمة الحرجة لـ F (F Critical Value)، وهي النقطة الفاصلة على منحنى التوزيع التي تعزل المساحة الاحتمالية المحددة بمستوى ألفا. إذا وقعت إحصائية F المحسوبة في منطقة الرفض (أي كانت أكبر من القيمة الحرجة المجدولة في اختبار الذيل الأيمن)، يتم رفض الفرضية الصفرية رسمياً، ويُستنتج وجود فرق جوهري ذي دلالة إحصائية بين تبايني المجموعتين.

3. الافتراضات الإحصائية والشروط المسبقة للاختبار

3.1 شرط التوزيع الطبيعي للبيانات واختباره

يعد افتراض التوزيع الطبيعي (Normality Assumption) الشرط الأشد حساسية وحرجاً عند إجراء اختبار نسبة التباين. يشترط الاختبار أن تكون البيانات في كلا المجتمعين الأصليين مسحوبة من توزيعات تتبع المنحنى الجرسي المعتدل بشكل صارم. على عكس اختبارات مقارنة المتوسطات (مثل اختبار t) التي تتمتع بمرونة نسبية بفضل نظرية النهاية المركزية (Central Limit Theorem)، فإن اختبار F للتباين يتأثر بشدة بأي انحراف عن التوزيع الطبيعي حتى لو كانت العينات كبيرة نسبياً.

داخل بيئة إكسيل، يمكن للباحثين فحص اعتدالية التوزيع عبر استخراج مؤشرات وصفية متقدمة، أبرزها معاملي الالتواء (Skewness) والتفرطح (Kurtosis). تُستخدم الدالة =SKEW(Range) لقياس عدم التماثل حول المتوسط؛ حيث تشير القيم المحصورة بين -1 و +1 عموماً إلى اعتدالية مقبولة. كما تُستخدم الدالة =KURT(Range) لقياس ذروة التوزيع وثقل الذيول، مع العلم أن قيمة التفرطح القياسية للتوزيع الطبيعي في إكسيل تعاير لتقترب من الصفر (Excess Kurtosis).

إلى جانب الفحص الرقمي، ينبغي للباحث الاستعانة بالتمثيل البصري للبيانات داخل إكسيل عبر إنشاء المدرجات التكرارية (Histograms) ومخططات الصندوق والشاربين (Boxplots). يؤدي وجود الالتواء الشديد أو الذيول الثقيلة (Heavy Tails) في البيانات إلى تشويه توزيع إحصائية F المحسوبة، مما يرفع معدلات الخطأ الحسابي ويجعل القيم الاحتمالية غير دقيقة بصورة قد تضلل القرارات البحثية.

3.2 استقلالية العينات والملاحظات السيكومترية

يقوم اختبار نسبة التباين على فرضية جوهرية تقضي باستقلالية الملاحظات (Independence of Observations) داخل كل عينة وفيما بين العينتين. يعني ذلك رياضياً أن قيمة أي قياس أو استجابة يمثلها مفحوص معين لا تؤثر ولا تتأثر بأي شكل من الأشكال بقيم واستجابات المفحوصين الآخرين، وأن احتمالية اختيار أي فرد في العينة مستقلة تماماً عن اختيار الأفراد الآخرين، وهو ما يتطلب تطبيق أساليب المعاينة العشوائية البسيطة (Simple Random Sampling).

في سياق القياس السيكومتري والتربوي، يجب الحذر الشديد من تأثيرات القياسات المتكررة (Repeated Measures) أو التصاميم المرتبطة (Matched-pairs Designs)، حيث لا يجوز تطبيق اختبار F البسيط للعينات المستقلة في تلك الحالات، بل يجب استخدام اختبارات تباين متخصصة للعينات المترابطة مثل اختبار مورغان-بيت Pitman-Morgan Test. كما يجب ضبط بيئة جمع البيانات؛ فتطبيق الاستبانات في بيئات جماعية تتيح للمفحوصين التواصل وتبادل الآراء ينتهك استقلالية البيانات ويولد ارتباطاً ذاتياً داخل المجموعات.

يضمن الالتزام الصارم بشرط الاستقلالية تجنب الأخطاء النظامية (Systematic Biases) التي تقوض الصدق الداخلي للتصميم التجريبي. إن إخفاق الباحث في ضمان الاستقلالية يؤدي إلى تقليص درجات الحرية الفعلية للتجربة دون علمه، مما يرفع احتمالية رصد دلالة إحصائية زائفة لا تعكس الواقع الحقيقي للمجتمع.

3.3 حساسية اختبار F للانحرافات عن التوزيع الطبيعي والبدائل الممكنة

أكدت الأدبيات الإحصائية الكلاسيكية، ولا سيما دراسات جورج بوكس (Box, 1953)، أن اختبار F لمقارنة التباينات يتسم بحساسية مفرطة وغير متكيفة (Extreme Non-robustness) مع أي انحراف طفيف عن افتراض الاعتدالية. فعندما تكون البيانات مفرطحة بدرجة موجبة (Leptokurtic)، يرفض اختبار F الفرضية الصفرية بمعدلات أعلى بكثير من مستوى ألفا الاسمي؛ بينما يؤدي التفرطح السالب (Platykurtic) إلى انخفاض حاد في حساسية الاختبار، مما يجعله غير موثوق في وجود بيانات ملتوية.

عند مواجهة بيانات تنتهك شرط التوزيع الطبيعي، يوصى باللجوء إلى بدائل اختبارية أكثر متانة، مثل اختبار ليفين (Levene’s Test)، واختبار براون-فورسيث (Brown-Forsythe Test) اللذين يعتمدان على تحليل الانحرافات المطلقة عن المتوسط أو الوسيط، بالإضافة إلى اختبار بارتليت (Bartlett’s Test) للعينات التي تقترب من الاعتدالية. ورغم أن هذه الاختبارات غير مدمجة بشكل مباشر كدوال أحادية في إكسيل، إلا أنه يمكن بناؤها عبر خطوات تحليلية متعاقبة.

كحل منهجي بديل داخل إكسيل، يمكن للباحث تطبيق تحويلات البيانات (Data Transformations)، مثل التحويل اللوغاريتمي =LN(Cell)، أو تحويل الجذر التربيعي =SQRT(Cell)، أو تحويل بوكس-كوكس (Box-Cox Transformation)؛ بهدف تقليص الالتواء وإعادة البيانات إلى نمط التوزيع الطبيعي قبل حساب إحصائية F. كما ينبغي مراعاة الحدود المنهجية لتطبيق الاختبار في العينات شديدة الصغر (أقل من 10 مفردات)، حيث تفقد النتائج استقرارها الإحصائي الموثوق.

4. الصيغة الرياضية لإحصائية F وكيفية حسابها يدويًا

4.1 معادلة إحصائية F وحساب تباين العينة

تعتمد إحصائية F في جوهرها الحسابي على قسمة تباينين تجريبيين. لحساب تباين العينة غير المتحيز (Sample Variance – s²)، نستخدم المعادلة الرياضية المعيارية القائمة على مجموع مربعات انحرافات القيم عن متوسطها الحسابي مقسوماً على درجات الحرية:

s² = ∑(X – X̄)² / (n – 1)

حيث يمثل X كل مفردة من مفردات العينة، وX̄ المتوسط الحسابي للعينة، وn حجم العينة الكلي. تُجرى هذه العملية الحسابية لكل من المجموعتين المستقلتين للحصول على التباين الأول (s1²) والتباين الثاني (s2²).

تُصاغ إحصائية F على النحو التالي:

F = s1² / s2²

في الحسابات اليدوية والمنهجية التقليدية، جرى العرف على وضع التباين العددي الأكبر في البسط والتباين الأصغر في المقام، مما يضمن دائماً أن تكون قيمة F المحسوبة أكبر من أو تساوي الواحد الصحيح (F ≥ 1). يسهل هذا الترتيب المقارنة المباشرة مع جداول توزيع F المعيارية التي تقتصر تقليدياً على قيم الذيل الأيمن للمنحنى الاحتمالي.

4.2 درجات الحرية للبسط والمقام (Degrees of Freedom)

تمثل درجات الحرية (Degrees of Freedom – df) عدد القيم المستقلة القابلة للتغير بحرية في التحليل الإحصائي بعد فرض قيود حسابية معينة (مثل تقدير المتوسط الحسابي). في اختبار نسبة التباين، يرتبط التوزيع الإحصائي بقيمتين مستقلتين لدرجات الحرية:

• درجات حرية البسط (df1 أو df_numerator): وترتبط بالعينة الموضوعة في بسط النسبة، وتُحسب بالمعادلة: df1 = n1 – 1، حيث n1 حجم عينة البسط.
• درجات حرية المقام (df2 أو df_denominator): وترتبط بالعينة الموضوعة في مقام النسبة، وتُحسب بالمعادلة: df2 = n2 – 1، حيث n2 حجم عينة المقام.

تلعب هاتان المعلمتان دوراً تأسيسياً في تحديد الشكل الدقيق لمنحنى توزيع F النظري المطبق على التجربة. فعندما تكون درجات الحرية صغيرة، يكون المنحنى شديد الالتواء نحو اليمين وله ذيل ممتد؛ وكلما زادت درجات الحرية، يتناقص التشتت حول المركز. يؤثر تفاوت أحجام العينات (Unbalanced Sample Sizes) مباشرة على حساب درجات الحرية وشكل التوزيع الاحتمالي؛ مما يتطلب تحديد درجات الحرية بدقة تامة لضمان موثوقية القيم الحرجة المستخرجة.

4.3 العلاقة بين القيمة الحرجة والقيمة المحسوبة

تتم عملية الاستدلال الإحصائي واتخاذ القرار من خلال مقارنة إحصائية F المحسوبة بالقيمة الحرجة المستخرجة من جداول F الإحصائية (F-Distribution Tables) عند مستوى دلالة محدد (مثل α = 0.05) وبناءً على درجات حرية البسط والمقام (df1, df2). تمثل القيمة الحرجة (F_crit) العتبة الرياضية التي تفصل منطقة قبول الفرضية الصفرية عن منطقة رفضها.

تتلخص قاعدة القرار الإحصائي في المعادلتين التاليتين:

• إذا كانت F المحسوبة > F الحرجة (F_calc > F_crit)، فإن النتيجة تقع في منطقة الرفض؛ مما يقتضي رفض الفرضية الصفرية (Reject H0) واستنتاج وجود فرق ذي دلالة إحصائية بين تبايني المجتمعين.
• إذا كانت F المحسوبة ≤ F الحرجة (F_calc ≤ F_crit)، فإننا نفشل في رفض الفرضية الصفرية (Fail to Reject H0)؛ مما يعني أن الاختلاف الملاحظ في التباينات يقع ضمن حدود أخطاء المعاينة العشوائية الطبيعية.

بالتوازي مع ذلك، يُحسب المستوى الاحتمالي الدقيق (P-value)، وهو احتمال الحصول على قيمة F مساوية أو أكثر تطرفاً من القيمة المحسوبة إذا كانت الفرضية الصفرية صحيحة تماماً. إذا كانت P-value < α، يُرفض الفرض الصفري، مما يوفر تقييماً مستمراً لقوة الدليل الإحصائي ضد فرضية التساوي.

5. إعداد البيانات وتنظيمها داخل برنامج إكسيل (Excel)

5.1 هيكلة البيانات في أعمدة منفصلة لمجموعات الدراسة

تبدأ المعالجة الإحصائية الدقيقة داخل برنامج إكسيل بالبناء الهيكلي السليم لورقة العمل (Worksheet Architecture). لضمان معالجة برمجية خالية من الأخطاء، يجب ترتيب المتغير التابع لكل مجموعة من مجموعتي الدراسة في عمودين منفصلين ومتجاورين (مثل العمود A للمجموعة التجريبية والعمود B للمجموعة الضابطة). يساعد هذا الترتيب العمودي على تحديد المصفوفات والنطاقات الحسابية بسهولة أثناء كتابة الصيغ أو استخدام الأدوات الجاهزة.

يجب تخصيص الصف الأول (Row 1) دائماً لإدراج تسميات توضيحية واضحة وموجزة لكل عمود (Labels)، مثل: Experimental_Group و Control_Group، أو Pre_Treatment و Post_Treatment. تفيد هذه التسميات في جعل التقارير المولدة آلياً عبر حزم التحليل مفهومة ومنسقة دون الحاجة لإعادة عنونة الجداول يدوياً.

من الأهمية المنهجية تجنب دمج الخلايا (Merged Cells) في أي نطاق يتضمن بيانات رقمية أو رؤوس أعمدة مستهدفة بالتحليل؛ حيث يؤدي دمج الخلايا إلى كسر التماسك المصفوفي للبيانات ويعطل الدوال الإحصائية التلقائية. كما يجب توثيق أرقام العينات وتسجيل المعرفات الفريدة للمفحوصين (Subject IDs) في عمود مستقل لضمان تتبع البيانات وتدقيقها عند الحاجة.

5.2 تنظيف البيانات والتعامل مع القيم المفقودة والشاذة

يعد تنظيف البيانات (Data Cleaning) مرحلة تحضيرية حتمية قبل إجراء أي حسابات تباينية؛ فالتباين مقياس حساس للغاية للقيم المتطرفة أو الشاذة (Outliers)؛ نظراً لاعتماده على تربيع الانحرافات، مما يؤدي إلى تضخيم التباين بصورة مفرطة تشوه حقيقة التوزيع. يمكن فحص القيم الشاذة داخل إكسيل باستخدام الدرجات المعيارية عبر الدالة =STANDARDIZE(Cell, Mean, STDEV.S)، واعتبار أي درجة تتجاوز ±3 قيم متطرفة تستوجب التدقيق والفحص المنهجي.

فيما يخص القيم المفقودة (Missing Data)، يجب التعامل معها بحذر تام. يتعامل إكسيل مع الخلايا الفارغة بتجاهلها في معظم الدوال الإحصائية مثل VAR.S، ولكن إذا احتوت الخلية الفارغة على مسافة بيضاء أو صيغة نصية ترجع فراغاً، فقد تتسبب في أخطاء برمجية. كما يجب تفادي استبدال القيم المفقودة بصفر (0) بصورة آلية؛ لأن ذلك سيحدث تحريفاً كارثياً في حساب المتوسط والتباين والانحراف المعياري.

لضمان سلامة المدخلات، ينبغي تطبيق أداة التحقق من صحة البيانات (Data Validation) في إكسيل لتقييد الإدخال بالأرقام الواقعة ضمن المدى المنطقي للمقياس السيكومتري المستخدم (مثلاً: درجات محصورة بين 1 و 5 في مقاييس ليكرت الخماسية)، مع التأكد من ضبط تنسيق الخلايا على النمط الرقمي (Number Format).

5.3 تطبيق التنسيق المناسب للمتغيرات السيكومترية والقياسية

يساعد التنسيق المنهجي للبيانات على قراءة المؤشرات الإحصائية بدقة ومنع أخطاء التقريب الحسابي. يُوصى بضبط تنسيق خلايا المتغيرات الرقمية في إكسيل لعرض منزلتين إلى أربع منازل عشرية ثابتة، وذلك من خلال النقر بزر الفأرة الأيمن واختيار Format Cells → Number، مما يوفر اتساقاً بصرياً يسهل المقارنة السريعة بين القيم.

يمكن توظيف أداة التنسيق الشرطي (Conditional Formatting) لتمييز الأنماط التوزيعية بصرياً داخل جدول البيانات، كاستخدام تدرجات الألوان (Color Scales) للتعرف على تركز الاستجابات العالية والمنخفضة، أو تحديد القيم التي تبتعد عن المتوسط بأكثر من انحرافين معياريين بلون مميز، مما يعطي الباحث رؤية حدسية أولية حول مدى تشتت كل مجموعة.

كما يُنصح بتأمين أوراق العمل (Protect Sheet) بعد إدخال البيانات الأولية لضمان عدم حدوث تعديل أو مسح غير مقصود للملاحظات الأصلية أثناء إجراء التحليلات المعقدة. ويفضل دائماً تخصيص منطقة محددة ومفصولة في ورقة العمل (مثلاً في الأعمدة المجاورة D و E) لعرض نتائج المعادلات الإحصائية بصورة مستقلة ومرتبة تعزز شفافية التقرير النهائي.

6. الطريقة الأولى: حساب اختبار نسبة التباين باستخدام دوال إكسيل الرياضية

6.1 استخدام دالة التباين VAR.S لحساب تباين كل عينة

تتمثل الخطوة الأولى في الحساب اليدوي المنظم لاختبار نسبة التباين عبر إكسيل في تقدير تباين كل عينة على حدة باستخدام الدالة الرياضية المتخصصة. يوفر إكسيل دالتين رئيسيتين لحساب التباين: دالة VAR.S ودالة VAR.P. في سياق الاستدلال الإحصائي والبحوث العلمية، يتم استخدام دالة VAR.S حصراً؛ لأنها تعتمد على درجات الحرية (n – 1) في المقام، مما يمنح تقديراً غير متحيز لتباين المجتمع الأصلي، في حين تقسم دالة VAR.P على N وتفترض أن البيانات تمثل مجتمع الدراسة الكامل.

لحساب تباين العينة الأولى (المجموعة التجريبية الموجودة في النطاق A2:A16 على سبيل المثال)، نحدد خلية فارغة ونكتب الصيغة التالية:

=VAR.S(A2:A16)

وبالمثل، لحساب تباين العينة الثانية (المجموعة الضابطة الموجودة في النطاق B2:B16)، نكتب في خلية مجاورة:

=VAR.S(B2:B16)

يقوم إكسيل بحساب مجموع مربعات الانحرافات عن المتوسط لكل نطاق وقسمته على حجم العينة منقوصاً منه واحد، مما يعطي قيمة تباين العينة بدقة حسابية متناهية تضمن صحة الخطوات اللاحقة.

6.2 حساب إحصائية F عبر قسمة التباينات مباشرة

بعد استخراج تباين كل عينة، يتم حساب إحصائية F المحسوبة من خلال كتابة صيغة القسمة الرياضية المباشرة في خلية جديدة مخصصة لإحصائية الاختبار. لاتباع التقليد الإحصائي الذي يجعل قيمة F أكبر من الواحد الصحيح (F ≥ 1)، يتم وضع التباين ذي القيمة الرقمية الأعلى في البسط والتباين الأصغر في المقام.

إذا كان تباين المجموعة الأولى في الخلية D2 وتبلغ قيمته 15.4، وتباين المجموعة الثانية في الخلية D3 وتبلغ قيمته 6.8، فإن صيغة حساب إحصائية F تكون:

=D2/D3

أو يمكن دمج الدوال في خطوة واحدة متكاملة كالتالي:

=VAR.S(A2:A16)/VAR.S(B2:B16)

يُنصح بضبط تنسيق الخلية الناتجة لعرض أربع منازل عشرية على الأقل لضمان الدقة في المقارنات اللاحقة. إن قراءة النتيجة الأولية توضح مقدار تضاعف تشتت المجموعة الأولى مقارنة بالمجموعة الثانية؛ فإذا كانت قيمة F تساوي 2.2647، فهذا يعني أن تباين المجموعة التجريبية يعادل أكثر من ضعفي تباين المجموعة الضابطة.

6.3 استخراج القيمة الاحتمالية p-value باستخدام دالتي F.DIST و F.DIST.RT

لتحديد ما إذا كانت إحصائية F المحسوبة دالة إحصائياً، نحتاج إلى حساب القيمة الاحتمالية الدقيقة (P-value) باستخدام دوال التوزيع الاحتمالي في إكسيل. لحساب القيمة الاحتمالية للاختبار أحادي الذيل الأيمن، تُستخدم دالة F.DIST.RT (Right-Tailed F Distribution) وفق الصيغة العامة:

=F.DIST.RT(x, deg_freedom1, deg_freedom2)

حيث يمثل x إحصائية F المحسوبة، وdeg_freedom1 درجات حرية البسط (n1 – 1)، وdeg_freedom2 درجات حرية المقام (n2 – 1). إذا كانت إحصائية F في الخلية D4، وحجم العينة الأولى 15 (df1 = 14) وحجم العينة الثانية 15 (df2 = 14)، تُكتب الصيغة:

=F.DIST.RT(D4, 14, 14)

أما إذا كان الاختبار ثنائي الذيل (Two-tailed) دون اتجاه محدد مسبقاً، يتم مضاعفة قيمة الذيل الأيمن لحساب الاحتمال الكلي عبر ضرب الدالة في 2:

=2 * F.DIST.RT(D4, 14, 14)

تتم مقارنة هذه القيمة الاحتمالية الناتجة بمستوى الدلالة المعياري α = 0.05. إذا كانت القيمة الاحتمالية أقل من 0.05، يُرفض الفرض الصفري وتثبت دلالة الفروق بين التباينات.

7. الطريقة الثانية: استخدام الدالة المباشرة F.TEST في إكسيل

7.1 بناء جملة دالة F.TEST ومعاملاتها (Array1, Array2)

يقدم برنامج إكسيل طريقة آلية فائقة السرعة لاختبار تجانس التباين دون الحاجة للمرور بالخطوات الحسابية الوسيطة، وذلك من خلال استخدام الدالة الإحصائية المباشرة F.TEST. تقوم هذه الدالة بأخذ مصفوفتين من البيانات الخام، وحساب التباينات ودرجات الحرية داخلياً، ثم إرجاع القيمة الاحتمالية الإجمالية الناتجة عن اختبار نسبة التباين مباشرة في خلية واحدة.

تأخذ جملة الدالة (Syntax) الصيغة القياسية التالية:

=F.TEST(array1, array2)

حيث تمثل المعاملات ما يلي:

• array1: النطاق الرقمي الأول الذي يحتوي على قيم واستجابات المجموعة الأولى (مثلاً: A2:A16).
• array2: النطاق الرقمي الثاني الذي يحتوي على قيم واستجابات المجموعة الثانية (مثلاً: B2:B16).

تتميز دالة F.TEST بمرونتها البرمجية؛ إذ لا تشترط أن تكون أحجام النطاقين متساوية، وتتولى خوارزمية الدالة مطابقة درجات الحرية تلقائياً لكل مصفوفة وإجراء العمليات الحسابية بكفاءة برمجية عالية.

7.2 تفسير مخرجات دالة F.TEST ونوع الاختبار الناتج

من الضروري إدراك طبيعة المخرج الذي ترجعه دالة F.TEST؛ حيث أن الرقم الظاهر في الخلية يمثل القيمة الاحتمالية ثنائية الذيل (Two-tailed P-value) حصراً، وليس قيمة إحصائية F المحسوبة. هذه نقطة يقع فيها الكثير من المبتدئين في التحليل الإحصائي، حيث يخلطون بين قيمة F وقيمتها الاحتمالية.

تُفسر نتيجة الدالة بشكل مباشر وفق قواعد اتخاذ القرار المقارنة مع مستوى الدلالة المعياري (α):

• إذا كان ناتج =F.TEST(A2:A16, B2:B16) < 0.05: يُرفض الفرض الصفري، مما يعني وجود اختلاف جوهري ودال إحصائياً بين تباين المجموعتين (Heteroscedasticity).
• إذا كان ناتج =F.TEST(A2:A16, B2:B16) ≥ 0.05: نفشل في رفض الفرض الصفري، مما يعني تجانس التباين وتكافؤ التشتت بين المجموعتين (Homoscedasticity).

على الرغم من سرعة هذه الدالة، فإن قصورها المنهجي يكمن في عدم عرضها لقيمة F المحسوبة أو درجات الحرية في ورقة العمل؛ لذا يفضل في التوثيق الأكاديمي المتقدم دمج مخرجات F.TEST مع حساب قيم التباين الفردية لصياغة تقرير إحصائي متكامل.

7.3 المقارنة بين دالة FTEST القديمة ودالة F.TEST الحديثة

بدءاً من إصدار Excel 2010 وما تلاه من إصدارات Microsoft 365 الحديثة، قامت شركة مايكروسوفت بإعادة هيكلة شاملة لمنظومة الدوال الإحصائية عبر إدخال الدوال ذات التسميات النقطية (Dot-syntax Functions)، ومن بينها استبدال الدالة التقليدية FTEST بالدالة الحديثة F.TEST.

تهدف هذه الترقية البرمجية إلى تحسين دقة الخوارزميات الحسابية، لا سيما عند التعامل مع الذيول الاحتمالية المتطرفة والأرقام العشرية المتناهية في الصغر، وتوحيد التسميات الإحصائية لتتوافق مع المعايير البرمجية الدولية. لا تزال الدالة القديمة FTEST متوفرة في إكسيل تحت فئة دالات التوافق (Compatibility Functions) لضمان تشغيل ملفات العمل المنشأة بإصدارات قديمة، إلا أن استخدامها في الأبحاث المعاصرة غير مستحسن منهجياً.

يوضح الجدول التالي المقارنة بين الدالتين:

وجه المقارنة	الدالة الحديثة (F.TEST)	الدالة القديمة (FTEST)
سنة الاعتماد	Excel 2010 والإصدارات اللاحقة	Excel 2007 والإصدارات السابقة
الدقة الرياضية	خوارزميات حسابية محسنة وعالية الاستقرار	خوارزميات تقليدية قد تفقد الدقة في الأطراف
التصنيف في إكسيل	دوال إحصائية معيارية (Statistical)	دوال التوافق الرجعي (Compatibility)

8. الطريقة الثالثة: استخدام حزمة تحليل البيانات (Data Analysis Toolpak)

8.1 تفعيل أداة Data Analysis في إكسيل خطوة بخطوة

تُعد حزمة أدوات تحليل البيانات (Data Analysis ToolPak) البيئة الأكثر شمولية واحترافية لإجراء التحليلات الإحصائية المتقدمة داخل إكسيل. تأتي هذه الحزمة كإضافة برمجية مدمجة مجاناً ضمن إكسيل ولكنها تتطلب تفعيلاً أولياً لتظهر ضمن شريط الأدوات الرئيسي. لتفعيل الحزمة، يتم اتباع الخطوات المنهجية التالية:

1. النقر على تبويب ملف (File) في الزاوية العلوية ثم اختيار خيارات (Options).
2. من النافذة المنبثقة، يتم النقر على قسم الوظائف الإضافية (Add-Ins) من القائمة الجانبية.
3. في أسفل النافذة، عند حقل إدارة (Manage)، يتم التأكد من اختيار وظائف Excel الإضافية (Excel Add-ins) ثم النقر على زر انتقال (Go…).
4. في المربع الحواري الجديد، يتم تفعيل مربع الاختيار بجوار Analysis ToolPak، ثم الضغط على موافق (OK).

بمجرد اكتمال هذه الخطوات، سيظهر زر جديد يحمل اسم Data Analysis (تحليل البيانات) في أقصى اليمين ضمن تبويب بيانات (Data) في الشريط العلوي لإكسيل، ليكون جاهزاً للاستخدام الفوري.

8.2 تطبيق أداة “F-Test Two-Sample for Variances”

لإجراء اختبار نسبة التباين عبر الحزمة الإحصائية، يتم النقر على تبويب Data ثم اختيار أداة Data Analysis. ستفتح قائمة تضم مجموعة واسعة من الاختبارات الإحصائية؛ يتم التمرير لأسفل واختيار الأداة المتخصصة: F-Test Two-Sample for Variances ثم الضغط على OK.

ستظهر نافذة الإعدادات الخاصة باختبار F، والتي تتطلب ملء الحقول الإحصائية بدقة كالتالي:

• Variable 1 Range (نطاق المتغير الأول): يتم تحديد نطاق خلايا المجموعة الأولى شاملاً عنوان العمود (مثلاً: $A$1:$A$16).
• Variable 2 Range (نطاق المتغير الثاني): يتم تحديد نطاق خلايا المجموعة الثانية شاملاً عنوان العمود (مثلاً: $B$1:$B$16).
• Labels (التسميات): يتم وضع علامة صح (&check;) في هذا المربع إذا تم تضمين الصف الأول من النطاقات كرؤوس للأعمدة، وهو إجراء يضمن ظهور الأسماء الصحيحة في جدول النتائج.
• Alpha (مستوى الدلالة): يتم إدخال مستوى الدلالة المطلوب (القيمة الافتراضية هي 0.05).
• Output options (خيارات الإخراج): يتيح إكسيل تحديد مكان عرض النتائج، سواء في نطاق خلايا محدد في نفس الورقة (Output Range)، أو في ورقة عمل جديدة (New Worksheet Ply)، أو في مصنف عمل مستقل (New Workbook).

8.3 ضبط نطاقات الإدخال، والتسميات، وقيمة ألفا المحددة

من النصائح المنهجية المتقدمة عند استخدام أداة F-Test Two-Sample for Variances هو تحديد المجموعة ذات التباين الأكبر كـ Variable 1 Range والمجموعة ذات التباين الأصغر كـ Variable 2 Range. على الرغم من أن إكسيل سينفذ الحسابات في كلا الحالتين، إلا أن جعل النطاق الأول هو الأكبر يضمن توليد قيمة F محسوبة أكبر من الواحد (F > 1)، مما يجعل مقارنة إحصائية F المحسوبة بالقيمة الحرجة المعروضة في التقرير واضحة ومباشرة ولا تتطلب تحويلات مقلوبة.

يجب التأكد التام من خلو النطاقات المحددة من أي خلايا نصية فارغة متقطعة أو قيم غير رقمية خارج رؤوس الأعمدة؛ تجنباً لظهور رسائل الخطأ البرمجية. بعد مراجعة كافة المدخلات والتحقق من تحديد مستوى ألفا المناسب للبحث، يتم الضغط على زر OK ليقوم إكسيل بإنشاء وتنسيق جدول إحصائي شامل يحتوي على ملخص وصفي واستدلالي دقيق لكلا المجموعتين.

9. القراءة التفسيرية لجدول مخرجات تحليل التباين في إكسيل

9.1 تفسير المتوسط والتباين ودرجات الحرية في التقرير

عند اكتمال تشغيل أداة F-Test Two-Sample for Variances، يولد إكسيل جدولاً إحصائياً منظماً يحتوي على المقاييس الوصفية الأساسية لكل من المتغيرين إلى جانب المؤشرات الاستدلالية. تبدأ قراءة الجدول بفحص الجزء الوصفي الذي يشمل المؤشرات التالية:

• Mean (المتوسط الحسابي): يوضح المركز الرقمي لكل مجموعة؛ مما يتيح للباحث معاينة الفروق المبدئية بين أداء واستجابات العينتين.
• Variance (التباين): يعرض تباين كل عينة محسوباً بدقة (s²)؛ مما يسمح بالمقارنة البصرية المباشرة لمقدار التشتت والتباعد في درجات كل مجموعة حول متوسطها.
• Observations (حجم العينة): يوثق عدد الملاحظات الصالحة والمدرجة فعلياً في التحليل لكل متغير (n1 و n2)؛ للتأكد من عدم سقوط أي بيانات أثناء التحديد.
• df (درجات الحرية): يعرض درجات حرية البسط والمقام المحسوبة بالمعادلة n – 1 لكل متغير على حدة.

يُعد تدقيق هذه المؤشرات الوصفية خطوة تحقق بالغة الأهمية للتأكد من خلو البيانات من أي تشوهات إدخال أساسية قبل الانتقال لتفسير الاختبار الاستدلالي.

9.2 قراءة إحصائية F المحسوبة ومقارنتها بـ F الحرجة (F Critical)

يتضمن النصف الثاني من جدول مخرجات إكسيل المؤشرات الاستدلالية الحاسمة لاتخاذ القرار المنهجي. يتمثل المؤشر الأول في إحصائية F المحسوبة (F)، وهي ناتج قسمة تباين المتغير الأول على تباين المتغير الثاني. يقابلها في أسفل الجدول مؤشر F Critical one-tail (قيمة F الحرجة لأحادي الذيل)، والتي تمثل العتبة المجدولة المحسوبة عند مستوى ألفا المختار ودرجات الحرية المحددة.

تتم عملية اتخاذ القرار بمقارنة القيمتين كالتالي:

إذا كانت F > F Critical one-tail، فإن الاختبار دال إحصائياً؛ مما يعني أن النسبة الملاحظة بين التباينين أكبر مما يمكن عزوه للصدفة وحدها، ويتم بالتالي رفض الفرضية الصفرية القائلة بتساوي التباينين. أما إذا كانت F ≤ F Critical one-tail، فإننا نعجز عن رفض الفرضية الصفرية، مما يشير إلى أن تباين المجموعتين متجانس إحصائياً ولا توجد فروق جوهرية بين تشتت استجاباتهما.

9.3 قراءة الدلالة الإحصائية P(F<=f) واتخاذ القرار المنهجي

يقدم جدول إكسيل القيمة الاحتمالية المباشرة للاختبار تحت التسمية P(F<=f) one-tail. تمثل هذه القيمة الاحتمال الدقيق لحدوث قيمة F المحسوبة أو قيمة أكثر تطرفاً منها تحت افتراض صحة الفرض الصفري. تُعد قراءة القيمة الاحتمالية المعيار الأكثر دقة وقبولاً في النشر الأكاديمي الدولي لاتخاذ القرار الإحصائي:

• إذا كانت P(F<=f) < 0.05: تدل على وجود فرق دال إحصائياً في التباين بين المجموعتين عند مستوى ثقة 95%؛ مما يستوجب رفض الفرضية الصفرية.
• إذا كانت P(F<=f) ≥ 0.05: تدل على عدم وجود فرق دال إحصائياً؛ مما يقود إلى قبول فرضية تجانس التباين (Homogeneity of Variance).

إذا كان الباحث يطبق اختباراً ثنائي الذيل (Two-tailed test)، فيجب عليه مضاعفة القيمة الاحتمالية المعروضة يدوياً (ضرب قيمة P(F<=f) one-tail في 2) ومقارنة الناتج بمستوى الدلالة 0.05، وهو ما يضمن التطابق التام مع معايير الاستدلال الإحصائي ثنائي الاتجاه.

10. دراسة حالة تطبيقية: مقارنة تشتت الاستجابات في مقياس نفسي

10.1 سياق التجربة النفسية وتوصيف مجموعتي المقارنة

لتوضيح التطبيق العملي لاختبار نسبة التباين في إكسيل، نفترض دراسة سيكومترية مقارنة استهدفت تقييم تشتت درجات القلق النفسي لدى مجموعتين من المرضى الخاضعين لبرنامجين علاجيين مختلفين. تألفت العينة من 30 مريضاً تم توزيعهم عشوائياً وبشكل متكافئ إلى مجموعتين مستقلتين (15 مريضاً في كل مجموعة):

• المجموعة الأولى (العلاج السلوكي المعرفي – CBT): طبقت برنامجاً علاجياً مكثفاً يهدف إلى ضبط نوبات القلق وإعادة الهيكلة المعرفية.
• المجموعة الثانية (العلاج الدوائي التقليدي – Pharmacotherapy): تلقت بروتوكولاً دوائياً قياسياً لخفض أعراض القلق.

تم قياس درجات القلق البعدية باستخدام مقياس بيك للقلق (Beck Anxiety Inventory – BAI)، حيث تراوحت الدرجات على متصل كمي مستمر. تهدف الدراسة إلى فحص ما إذا كان العلاج السلوكي المعرفي يسهم في تحقيق تجانس واستقرار أكبر في مستويات القلق لدى المرضى مقارنة بالعلاج الدوائي؛ مما تطلب صياغة الفرضيات الإحصائية لفحص تكافؤ التباين بين المجموعتين عند مستوى دلالة α = 0.05.

10.2 الخطوات الإجرائية التفصيلية المدعومة بالمعادلات داخل إكسيل

تم إدخال البيانات الرقمية لدرجات المرضى في ورقة عمل إكسيل في العمودين A و B على النحو التالي:

• العمود A (CBT_Group): [18, 20, 19, 22, 21, 17, 23, 20, 19, 18, 22, 21, 20, 19, 21]
• العمود B (Pharm_Group): [15, 28, 12, 32, 25, 10, 30, 22, 14, 29, 35, 18, 26, 11, 33]

تم تطبيق الخطوات الحسابية في إكسيل وفق الطرق الثلاث الموضحة سابقاً:

1. حساب تباين المجموعة الأولى في الخلية D2 عبر الصيغة =VAR.S(A2:A16) فأعطت النتيجة: 2.6952.
2. حساب تباين المجموعة الثانية في الخلية D3 عبر الصيغة =VAR.S(B2:B16) فأعطت النتيجة: 76.4095.
3. حساب إحصائية F في الخلية D4 عبر قسمة التباين الأكبر (المجموعة الثانية) على التباين الأصغر (المجموعة الأولى): =VAR.S(B2:B16)/VAR.S(A2:A16) فكانت قيمة F المحسوبة: 28.3499.
4. حساب القيمة الاحتمالية لأحادي الذيل عبر الصيغة =F.DIST.RT(D4, 14, 14)، فكانت النتيجة الدقيقة: 0.00000021 (أي 2.1 × 10^-7).
5. تطبيق دالة =F.TEST(A2:A16, B2:B16) لاستخراج القيمة الاحتمالية ثنائية الذيل المباشرة، فكانت النتيجة: 0.00000042.

كما تم تأكيد النتائج من خلال تشغيل أداة Data Analysis ToolPak، حيث ولد البرنامج جدول مخرجات متطابق تماماً، مبيناً أن قيمة F الحرجة لأحادي الذيل عند مستوى ألفا 0.05 ودرجات حرية (14, 14) هي 2.4837.

10.3 استخلاص النتائج الإحصائية وصياغة الاستنتاج السيكولوجي

أظهرت النتائج المستخلصة من التحليل أن إحصائية F المحسوبة (F = 28.35) تفوق بمراحل القيمة الحرجة المجدولة (F_crit = 2.48)، كما أن القيمة الاحتمالية الناتجة (p < 0.001) تقل بصورة قطعية عن مستوى الدلالة المعتمد α = 0.05. بناءً على هذه الأدلة الإحصائية القاطعة، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة القائلة بوجود فرق ذي دلالة إحصائية جوهرية بين تبايني المجموعتين.

من المنظور السيكولوجي والتطبيقي، يُفسر هذا الفرق التبايني الكبير بأن التدخل القائم على العلاج السلوكي المعرفي (CBT) قد نجح في خفض تشتت استجابات المرضى وتحقيق استقرار وتجانس انفعالي عالٍ جداً (تباين = 2.70)، في حين أظهرت مجموعة العلاج الدوائي تفاوتاً واسعاً وتشتتاً كبيراً في استجابات الأفراد لأعراض القلق (تباين = 76.41).

يقود هذا الاستنتاج إلى توصية إكلينيكية مفادها أن العلاج السلوكي المعرفي يوفر نتائج علاجية أكثر اتساقاً وموثوقية في تقليص التباين الفردي الحاد، كما يترتب على هذه النتيجة الإحصائية عدم جواز استخدام اختبار t القياسي للعينات المستقلة لمقارنة متوسطات المجموعتين لاحقاً، وضرورة اللجوء لاختبار ويلش المعدل نظراً لانتهاك افتراض تجانس التباين.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها في إكسيل

11.1 خطأ ترتيب التباينات في البسط والمقام وأثره على الاختبار

يعد الخطأ في ترتيب التباينات عند حساب إحصائية F من أكثر المزالق المنهجية شيوعاً بين المحللين. إذا قام الباحث بوضع التباين الأصغر في البسط والتباين الأكبر في المقام، ستكون إحصائية F المحسوبة الناتجة أقل من الواحد الصحيح (F < 1). في مثالنا السابق، إذا قسمنا تباين مجموعة CBT (2.70) على تباين مجموعة الدواء (76.41)، فستكون قيمة F المحسوبة مساوية 0.0353.

تكمن خطورة هذا الترتيب العكسي في أن جداول F الإحصائية التقليدية ودوال القيمة الحرجة المباشرة في إكسيل (مثل F.INV.RT) مصممة لحساب قيم الذيل الأيمن التي تفترض أن F > 1. إذا قارن الباحث القيمة (0.0353) بالقيمة الحرجة (2.48)، فقد يستنتج خطأً أن F المحسوبة أصغر من الحرجة ويفشل في رفض الفرض الصفري، وهو قرار إحصائي خاطئ تماماً ناتج عن سوء فهم المنهجية التوزيعية.

لتصحيح هذا الخطأ عند الحصول على قيمة F < 1، يمكن استخدام خاصية مقلوب النسبة عبر حساب =1/F وعكس درجات الحرية (جعل درجات حرية المقام بسطاً والبسط مقاماً)، أو الالتزام الدائم بوضع التباين الأكبر في البسط لتفادي هذا الالتباس التفسيري.

11.2 أخطاء صيغ إكسيل البرمجية (#DIV/0!, #VALUE!, #NUM!)

أثناء كتابة الصيغ الإحصائية في إكسيل، قد تظهر بعض رسائل الأخطاء البرمجية الشهيرة التي تعطل التحليل. يوضح التحليل التالي أسباب هذه الأخطاء وكيفية معالجتها:

• خطأ القسمة على صفر (#DIV/0!): يظهر هذا الخطأ عادة عند حساب التباين لمجموعة تتطابق فيها جميع الدرجات تماماً (مما يجعل تباين المقام مساوياً للصفر)، أو عند الإشارة إلى خلايا فارغة في المقام. يُعالج هذا الخطأ بالتحقق من وجود تباين فعلي في البيانات والتأكد من صحة النطاق المحدد.
• خطأ القيمة (#VALUE!): يحدث عندما يحتوي نطاق البيانات المحدد داخل دالة التباين أو دالة F على نصوص، أو مسافات مخفية، أو أحرف غير رقمية تم إدخالها بالخطأ كدرجات استجابة. يُعالج بتنظيف النطاق وضبط التنسيق على الوضع الرقمي.
• خطأ الرقم (#NUM!): يظهر عند إدخال معلمات غير صالحة رياضياً في دوال التوزيع (مثل إدخال درجات حرية سالبة أو مساوية للصفر، أو إدخال قيمة F سالبة). يُعالج بالتأكد من أن درجات الحرية أعداد صحيحة موجبة (df ≥ 1).

يمكن الاستعانة بأداة تدقيق الصيغ (Formula Auditing) في إكسيل عبر تبويب Formulas → Trace Precedents لتتبع الخلايا المغذية للمعادلة ورصد مصدر الخطأ البرمجي وإصلاحه فوراً.

11.3 الخلط بين التباين للعينة VAR.S وتباين المجتمع VAR.P

يمثل الخلط بين مفهومي تباين العينة وتباين المجتمع خطأً مفاهيمياً يمتد أثره مباشرة إلى دقة الاستدلال الإحصائي. تقسم دالة VAR.P مجموع مربعات الانحرافات على الحجم الكلي للمجتمع N، وهو ما يصلح فقط في حال كان الباحث يمتلك بيانات المجتمع الإحصائي بأكمله دون وجود معاينة عشوائية. أما دالة VAR.S فتقسم على (n – 1) لتطبيق تصحيح بيسل (Bessel’s Correction) الذي يعوض عن التحيز الإحصائي في تقدير تباين المجتمع من عينة محدودة.

يؤدي استخدام دالة VAR.P بالخطأ في دراسات العينات إلى تقليص قيمة التباين المحسوب، مما يؤثر على النسبة النهائية لإحصائية F ويحدث انحيازاً في تقييم الدلالة الإحصائية. يجب التقيد الصارم باستخدام دالة VAR.S في كافة التطبيقات والبحوث الاستدلالية التي تعتمد على سحب عينات لتمثيل المجتمعات الأصلية، ومراجعة كافة الصيغ للتأكد من عدم استخدام الدوال القديمة أو غير المناسبة.

12. توثيق النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA) والخطوات اللاحقة

12.1 صياغة وكتابة نتائج اختبار F وفق معايير APA (الإصدار السابع)

يتطلب توثيق النتائج الإحصائية في المجلات العلمية والرسائل الأكاديمية اتباع المعايير الدقيقة التي حددها الإصدار السابع من دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition). يتضمن التوثيق النموذجي لاختبار نسبة التباين إبراز الحرف F مائلاً، متبوعاً بدرجات حرية البسط والمقام بين قوسين، ثم قيمة إحصائية F المحسوبة مقربة إلى منزلتين أو ثلاث منازل عشرية، وأخيراً القيمة الاحتمالية الدقيقة (p-value).

يأخذ القالب القياسي للتوثيق الشكل التالي:

F(df_numerator, df_denominator) = F_value, p = p_value

عند صياغة النتائج بناءً على دراسة الحالة السابقة، يُكتب التقرير الأكاديمي على النحو التالي:

“أظهر اختبار نسبة التباين وجود فرق دال إحصائياً في تشتت درجات القلق بين المجموعتين، F(14, 14) = 28.35, p < .001. حيث أظهرت مجموعة العلاج السلوكي المعرفي تجانساً واستقراراً أعلى في الاستجابات (M = 20.07, SD = 1.64) مقارنة بمجموعة العلاج الدوائي التي سجلت تبايناً وتشتتاً مرتفعاً (M = 23.20, SD = 8.74).”

كما يجب الحرص على عدم وضع صفر قبل الفاصلة العشرية في القيمة الاحتمالية (كتابة p < .001 بدلاً من p < 0.001)؛ نظراً لأن القيمة الاحتمالية لا يمكن أن تتجاوز الواحد الصحيح وفق قواعد APA.

12.2 استخدام النتائج لتحديد نوع اختبار t المناسب

تمثل النتيجة المستخلصة من اختبار نسبة التباين الموجه الأساسي للمحلل الإحصائي لتحديد المسار المنهجي التالي في مقارنة المتوسطات الحسابية. يوضح الشكل التالي شجرة اتخاذ القرار بناءً على مخرجات اختبار F:

• في حال عدم رفض الفرض الصفري (p ≥ .05 – تجانس التباين): يتم استخدام اختبار t للعينات المستقلة بافتراض تساوي التباين (Two-Sample Assuming Equal Variances). في هذا المسار، يتم دمج تباين المجموعتين لحساب الخطأ المعياري المشترك.
• في حال رفض الفرض الصفري (p < .05 – عدم تجانس التباين): يتم التحول مباشرة إلى اختبار ويلش t للعينات المستقلة بافتراض عدم تساوي التباين (Two-Sample Assuming Unequal Variances). يقوم هذا الاختبار بتعديل درجات الحرية تلقائياً للتحكم في معدلات الخطأ من النوع الأول.

يوفر إكسيل كلا الاختبارين ضمن حزمة Data Analysis ToolPak تحت الاسمين: t-Test: Two-Sample Assuming Equal Variances و t-Test: Two-Sample Assuming Unequal Variances؛ مما يجعل الانتقال بين الاختبارين بناءً على مخرجات اختبار F أمراً سلساً ومحكماً برمجياً يحمي التصميم التجريبي من الانحيازات الاستدلالية.

12.3 التوصيات المنهجية لتعزيز قوة الاختبار والدقة التفسيرية

لتعظيم الفائدة العلمية من تطبيق اختبار نسبة التباين وضمان رصانة النتائج المستخلصة، يُوصى بالالتزام بمجموعة من الممارسات المنهجية المتقدمة:

• زيادة حجم العينات (Sample Size Planning): تسهم العينات الكبيرة (n ≥ 30 لكل مجموعة) في تعزيز القوة الإحصائية للاختبار وتحسين القدرة على كشف الفروق الحقيقية في التباين، فضلاً عن تقليل حساسية الاختبار للانحرافات الطفيفة عن التوزيع الطبيعي.
• الجمع بين التحليل الكمي والبصري: ينبغي دائماً تدعيم اختبار F بتمثيلات بيانية واضحة، مثل المخططات الصندوقية (Boxplots) ومخططات التشتت (Scatter Plots)، والتي توفر للمتلقي رؤية بصرية واضحة لمواضع القيم المتطرفة وشكل الانتشار الفعلي للبيانات.
• حساب وتوثيق حجم الأثر (Effect Size): لا ينبغي الاكتفاء بالدلالة الإحصائية المجردة (P-value)، بل يفضل حساب مؤشرات حجم الأثر للتباينات مثل نسبة التباين المفسر لتوضيح الأهمية العملية والتطبيقية للفروق الملاحظة.
• النزاهة العلمية وتدقيق البيانات: يجب الامتناع التام عن حذف القيم المتطرفة أو تعديل البيانات بشكل تعسفي للوصول إلى دلالة إحصائية منشودة، وتوثيق كافة خطوات المعالجة والتحويلات الرياضية المطبقة بشفافية تامة وفق أعلى معايير الأخلاقيات الأكاديمية.

خاتمة تحليلية شاملة

يُشكل اختبار نسبة التباين (F-Test) حجر الزاوية في بنية الاستدلال الإحصائي المعلمي، إذ يوفر الأداة المنهجية الصارمة لتقييم تجانس البيانات وتشتتها الداخلي قبل وأثناء فحص الفرضيات العلمية المعقدة. ويوفر برنامج مايكروسوفت إكسيل، بفضل مرونته الحسابية وأدواته التحليلية المتطورة، بيئة برمجية شاملة تتيح للباحثين والمحللين تطبيق هذا الاختبار بكفاءة متناهية، سواء عبر كتابة الصيغ الرياضية المفصلة، أو توظيف الدوال الإحصائية المباشرة، أو توليد التقارير الشاملة عبر حزمة تحليل البيانات.

إن الاستخدام الرشيد لاختبار نسبة التباين يتطلب فهماً عميقاً لافتراضاته الأساسية، وعلى رأسها شرط الاعتدالية والاستقلالية، وإدراكاً واعياً لكيفية قراءة وتفسير مخرجاته الاحتمالية والمجدولة. كما أن ربط نتائج هذا الاختبار بالقرارات المنهجية اللاحقة، مثل تحديد الصيغة المناسبة لاختبارات الفروق وتوثيق النتائج وفق المعايير الأكاديمية المعتمدة (APA)، يضمن للباحثين تقديم دراسات علمية رصينة تتسم بالدقة، الشفافية، والموثوقية الاستدلالية العالية في مختلف مجالات العلوم النفسية، الاجتماعية، والتطبيقية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Box, G. E. P. (1953). Non-normality and tests on variances. Biometrika, 40(3/4), 318–335. https://doi.org/10.2307/2333350
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Microsoft Corporation. (2024). F.TEST function – Microsoft Support. Microsoft. https://support.microsoft.com/en-us/office/f-test-function-10049512-3c2d-4530-80a5-2964a273b537
• National Institute of Standards and Technology. (2023). F-Test for equality of two variances. NIST/SEMATECH e-Handbook of Statistical Methods. https://www.itl.nist.gov/div898/handbook/eda/section3/eda359.htm
• Snedecor, G. W., & Cochran, W. G. (1989). Statistical methods (8th ed.). Iowa State University Press.
• Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510