قاس باحث مستوى الكوليسترول الضار (LDL) لدى 30 مريضًا قبل بدء حمية علاجية، ثم أعاد القياس للمرضى الثلاثين أنفسهم بعد شهرين. وعند تحليل البيانات، وضع القراءات الستين في عمود واحد، ووضع متغيرًا فئويًا (قبل = 1، بعد = 2)، ثم شغّل اختبار ت للعينات المستقلة (Independent t-test).
ظهرت القيمة الاحتمالية p = 0.28، فاعتقد الباحث أن الحمية لم تحقق أثرًا يُذكر. وعندما أُعيد تحليل البيانات نفسها باختبار ت للعينات المرتبطة (Paired t-test)، هبطت القيمة الاحتمالية إلى p < 0.001!
استخدام اختبار للعينات المستقلة على بيانات مرتبطة (Paired data) ليس مجرد خطأ شكلي في اسم الاختبار؛ بل هو كسر لافتراض استقلالية المشاهدات يضخّم الخطأ المعياري (Standard error) ويطمس الفروق الحقيقية الموجودة في بياناتك.
كيف تميز بين البيانات المستقلة والبيانات المرتبطة؟
السؤال الجوهري الذي يفصل بين النوعين هو: هل توجد رابطة منهجية تربط كل مشاهدة في المجموعة الأولى بمشاهدة محددة بعينها في المجموعة الثانية؟
1. البيانات المستقلة (Independent Data)
لا توجد أي صلة بين الفرد الأول في المجموعة (أ) وأي فرد بعينه في المجموعة (ب).
- مثال: تجربة عشوائية تضم 50 مريضًا يتلقون الدواء (أ) و50 مريضًا آخرين يتلقون الدواء (ب). معرفة نتيجة المريض رقم 1 في المجموعة الأولى لا تخبرنا بشيء عن المريض رقم 1 في المجموعة الثانية.
2. البيانات المرتبطة أو المزدوجة (Paired / Dependent Data)
تنشأ عندما ترتبط كل قراءة في العمود الأول بقراءة مناظرة لها في العمود الثاني، ويحدث ذلك في أربعة تصاميم شائعة:
- القياس القبلي والبعدي (Before / After): قياس المؤشر الحيوي للمريض نفسه قبل التدخل وبعده.
- التصميم المتقاطع (Crossover design): المريض نفسه يتلقى العلاج (أ) في المرحلة الأولى ثم العلاج (ب) في المرحلة الثانية بعد فترة غسيل دوائي.
- القرينان في الشخص نفسه أو التوائم (Split-body / Twin studies): مقارنة العين اليمنى بالعين اليسرى للمريض نفسه في أبحاث العيون، أو مقارنة جانبي الفك في طب الأسنان.
- المطابقة الفردية (Matched pairs 1:1): إقران كل مريض بمشارك سليم يماثله تمامًا في العمر والجنس ومؤشر كتلة الجسم، ثم تحليل الأزواج المتطابقة.
لماذا يفشل اختبار العينات المستقلة عند تطبيقه على بيانات مرتبطة؟
عندما نقيس ضغط الدم أو الوزن لـ 5 مرضى مختلفين، نجد اختلافًا كبيرًا بين مريض وآخر قبل بدء أي علاج (مثلًا مريض وزنه 65 كغ وآخر وزنه 110 كغ). هذا الاختلاف يُسمى التباين بين الأفراد (Between-subject variability).
- اختبار العينات المستقلة لا يعلم أن القراءة الأولى في “قبل” والقراءة الأولى في “بعد” تعودان للشخص نفسه، فيدمج التباين الهائل بين الأفراد داخل مقام المعادلة (الخطأ المعياري)، فيضيع التغير الصغير المنتظم الذي أحدثه العلاج وسط ضجيج اختلاف أوزان الناس عن بعضهم.
- اختبار العينات المرتبطة (Paired test) يحسب أولًا الفرق لكل مريض على حدة (dᵢ = x_(before) - x_(after))، وبذلك يحذف التباين بين الأفراد تمامًا ولا يُبقي إلا تباين الفروق الفردية.
مثال رقمي بالحساب الكامل: شاهد الفرق بنفسك
لنفترض أننا قسنا مستوى ألم المفاصل (على مقياس رقمي من 0 إلى 100) لخمسة مرضى قبل جلسة علاج طبيعي وبعدها:
| المريض | القياس القبلي (X₁) | القياس البعدي (X₂) | الفرق الفردي (dᵢ = X₁ - X₂) |
|---|---|---|---|
| المريض 1 | 50 | 44 | +6 |
| المريض 2 | 60 | 52 | +8 |
| المريض 3 | 70 | 64 | +6 |
| المريض 4 | 80 | 70 | +10 |
| المريض 5 | 90 | 80 | +10 |
| المتوسط الحسابي | X̄₁ = 70.0 | X̄₂ = 62.0 | d̄ = +8.0 |
لاحظ أن كل مريض على حدة تحسّن بمقدار 6 إلى 10 درجات دون استثناء! لنرَ كيف يتعامل الاختباران مع هذه الأرقام:
أولًا: الحساب الصحيح باختبار ت للعينات المرتبطة (Paired t-test)
نتعامل فقط مع عمود الفروق الفردية الخمسة (dᵢ): 6، 8، 6، 10، 10.
- متوسط الفروق (d̄):
d̄ = (6 + 8 + 6 + 10 + 10)/5 = 40/5 = 8.0
انحرافات الفروق عن متوسطها (dᵢ - 8): هي: -2، 0، -2، +2، +2.
مجموع مربعات انحرافات الفروق:
(-2)² + 0² + (-2)² + (+2)² + (+2)² = 4 + 0 + 4 + 4 + 4 = 16
- تباين الفروق (s_(d)²) وانحرافها المعياري (s_(d)):
s_(d)² = 16/(n - 1) = 16/4 = 4.0 ⇒ s_(d) = √(4.0) = 2.0
- الخطأ المعياري لمتوسط الفروق (SE_(d̄)):
SE_(d̄) = (s_(d))/(√(n)) = 2.0/(√(5)) = 2.0/2.2361 ≈ 0.8944
- قيمة إحصاء الاختبار (t_(paired)) بدرجات حرية df = 4:
t = (d̄)/(SE_(d̄)) = 8.0/0.8944 ≈ 8.94
هذه القيمة (t = 8.94 عند df = 4) تعطي قيمة احتمالية دالة بقوة (p < 0.001).
ثانيًا: ماذا لو أخطأنا واستخدمنا اختبار العينات المستقلة (Independent t-test)؟
لو تجاهلنا الارتباط وحسبنا التباين داخل كل عمود على حدة:
- في العمود القبلي (50، 60، 70، 80، 90): المتوسط 70، ومجموع مربعات الانحرافات (-20)² + (-10)² + 0 + 10² + 20² = 1000، فتباينه s₁² = 1000 / 4 = 250.
- في العمود البعدي (44، 52، 64، 70، 80): المتوسط 62، وانحرافاته عن 62 هي (-18، -10، +2، +8، +18)، ومجموع مربعاتها 324 + 100 + 4 + 64 + 324 = 816، فتباينه s₂² = 816 / 4 = 204.
- الخطأ المعياري المستقل للفرق بين المتوسطين:
SE_(ind) = √(s₁²/n₁ + s₂²/n₂) = √(250/5 + 204/5) = √(50 + 40.8) = √(90.8) ≈ 9.5289
- قيمة t المستقلة الخاطئة (df = 8):
t_(ind) = (70.0 - 62.0)/9.5289 = 8.0/9.5289 ≈ 0.84
قيمة t = 0.84 تعطي p = 0.425 (غير دالة إحصائيًا إطلاقًا!).
قارن الرقمين: الخطأ المعياري في الاختبار المستقل الخاطئ (9.53) أكبر بأكثر من عشر مرات من الخطأ المعياري الصحيح في الاختبار المرتبط (0.89)، مما أطاح بقيمة t من 8.94 إلى 0.84.
أي اختبار مرتبط تختار حسب نوع متغيرك؟
| نوع المتغير الناتج (Outcome) | قياسان مرتبطان (وقتان: قبل / بعد) | 3 قياسات مرتبطة فأكثر (أوقات متعددة) |
|---|---|---|
| مستمر — توزيع الفروق طبيعي | اختبار ت للعينات المرتبطة (Paired t-test) | تحليل التباين للقياسات المتكررة (Repeated-measures ANOVA) أو النماذج الخطية المختلطة (Linear Mixed Models) |
| مستمر غير طبيعي أو ترتيبي | اختبار ويلكوكسون لرتب الإشارات (Wilcoxon signed-rank test) | اختبار فريدمان (Friedman test) |
| ثنائي (نعم / لا، إيجابي / سلبي) | اختبار ماكنيمار (McNemar’s test) | اختبار كوكران كيو (Cochran’s Q test) أو معادلات التقدير المعممة (GEE) |
تنبيه مهم حول المتغير الثنائي: اختبار ماكنيمار (McNemar’s Test)
عندما تقيس متغيرًا ثنائيًا لنفس الأفراد قبل التدخل وبعده (مثلًا: مدخن / غير مدخن قبل البرنامج التوعوي وبعده)، لا تستخدم اختبار مربع كاي للاستقلالية (Pearson’s Chi-square)؛ لأن مربع كاي يفترض أن المجموعتين مستقلتان. البديل الصحيح هو اختبار ماكنيمار (McNemar’s test)، الذي يركز على الأزواج المتخالفة (Discordant pairs): كم شخصًا كان مدخنًا وأقلع، مقابل كم شخصًا كان غير مدخن وبدأ التدخين.
ماذا لو كان لديك 3 نقاط زمنية أو أكثر مع قيم مفقودة؟
عند قياس المرضى في (الأسبوع 0، والأسبوع 4، والأسبوع 12)، يُستخدم تقليديًا تحليل التباين للقياسات المتكررة (Repeated-measures ANOVA)، بشرط تحقق افتراض الكروية (Sphericity — ويُفحص باختبار ماوشلي Mauchly’s test مع تصحيح غرينهاوس–غايسر Greenhouse–Geisser عند الحاجة). غير أن هذا الاختبار يحذف المريض بالكامل إذا غابت عنه زيارة واحدة فقط؛ لذلك يفضل الإحصائيون المعاصرون النماذج الخطية المختلطة (Linear Mixed-Effects Models — LMM) التي تستفيد من جميع الزيارات المتاحة لكل مريض وتتعامل بمرونة مع تفاوت الفواصل الزمنية.
كيف تكتبها في بحثك
في قسم النتائج، لا تكتفِ بذكر متوسط “قبل” ومتوسط “بعد” منفصلين، بل اذكر متوسط الفرق (Mean difference) مع فاصل الثقة 95% له:
نموذج عربي:
“قورنت قياسات مستوى الألم قبل جلسات العلاج الطبيعي وبعدها لدى المجموعة نفسها باستخدام اختبار ت للعينات المرتبطة (Paired t-test) بعد التحقق من اعتدال توزيع الفروق الفردية. انخفض متوسط درجة الألم من 70.0 ± 15.8 قبل التدخل إلى 62.0 ± 14.3 بعد التدخل، بمتوسط انخفاض قدره 8.0 درجات (فاصل الثقة 95%: 5.5–10.5، t(4) = 8.94، p < 0.001).”
نموذج إنجليزي (APA 7th edition style):
“Pre- and post-intervention pain scores within the same participants were compared using a paired-samples t-test after confirming the normality of paired differences. Mean pain scores decreased from 70.0 ± 15.8 at baseline to 62.0 ± 14.3 post-intervention, representing a statistically significant mean reduction of 8.0 points (95% CI [5.5, 10.5], t(4) = 8.94, p < .001).”
وإذا أردت أن تطبّق هذا على بياناتك، جرّبه على analysez.ai.