في لجنة مناقشة رسالة ماجستير، عرض الباحث جدول مقارنة مدة الإقامة في المستشفى بين مجموعتين علاجيتين باستخدام اختبار ت للعينات المستقلة (Independent t-test)، وكتب في الجدول: “المتوسط الحسابي 6.5 أيام والانحراف المعياري 8.2 أيام”.
استوقفه أحد المناقشين بسؤال مباشر: “إذا كان الانحراف المعياري أكبر من المتوسط الحسابي في متغير لا يمكن أن يأخذ قيمًا سالبة، فهذا يعني أن بياناتك ملتوية بشدة؛ فلماذا استخدمت المتوسط الحسابي واختبار t؟”
الاختيار بين الاختبارات المعلمية (Parametric tests) والاختبارات اللامعلمية (Non-parametric tests) ليس مسألة تفضيل شخصي، بل هو انعكاس صادق لشكل توزيع بياناتك.
ماذا تعني “الافتراضات الإحصائية” (Statistical Assumptions) فعلًا؟
كل اختبار إحصائي مبني على نموذج رياضي لحساب القيمة الاحتمالية (p-value).
- الاختبارات المعلمية (Parametric tests): تفترض أن البيانات مسحوبة من توزيع احتمالي معروف المعالم — وغالبًا ما يكون التوزيع الطبيعي (Normal distribution) — وتعتمد في حساباتها على المتوسط الحسابي (Mean) والانحراف المعياري (SD).
- الاختبارات اللامعلمية (Non-parametric tests): لا تشترط أن يتبع المتغير الأصلي توزيعًا طبيعيًا، بل تحوّل القيم الخام إلى رتب (Ranks) وتقارن توزيع هذه الرتب أو الوسيط (Median) بين المجموعات، مما يجعلها أقل تأثرًا بالقيم المتطرفة والالتواء الشديد (Skewness).
عندما تُكسر افتراضات الاختبار المعلمي كسرًا جوهريًا في عينة صغيرة، فإن القيمة الاحتمالية الناتجة تفقد دقتها: فقد تفوتك علاقة حقيقية بسبب تضخم الانحراف المعياري، أو تحصل على دلالة غير دقيقة.
كيف تفحص التوزيع الطبيعي؟ ولماذا لا يكفي اختبار شابيرو–ويلك وحده؟
يعتمد كثير من الباحثين على قاعدة آلية واحدة: تشغيل اختبار شابيرو–ويلك (Shapiro–Wilk test)، فإذا كانت p > 0.05 اعتبروا التوزيع طبيعيًا، وإذا كانت p < 0.05 تحولوا فورًا إلى الاختبارات اللامعلمية. هذه القاعدة الآلية تغفل قيدين مهمين:
1. في العينات الصغيرة جدًا (n < 15)
تكون القوة الإحصائية لاختبار شابيرو–ويلك منخفضة، فقد لا يكتشف التواءً واضحًا في البيانات ويعطيك p = 0.12 رغم أن التوزيع غير متماثل.
2. في العينات الكبيرة (n > 200)
يصبح الاختبار حساسًا للغاية لأي انحراف طفيف لا قيمة عملية له؛ فقد يرفض فرضية التوزيع الطبيعي (p = 0.01) لمجرد وجود تفلطح بسيط لا يؤثر عمليًا في صحة اختبار t.
الحل المنهجي المتوازن: اجمع دائمًا بين الفحص البصري عبر مخطط الاحتمال الطبيعي (Q-Q plot) والمدرج التكراري (Histogram)، ومقاييس الالتواء (Skewness)، ونتيجة شابيرو–ويلك مع مراعاة حجم العينة. في مخطط Q-Q plot، إذا اصطفت النقاط قريبًا من الخط القطري المستقيم دون تقوس حاد أو انحراف طويل في الأطراف، فالتوزيع قريب من الطبيعي عمليًا.
متى يكون اختبار t متينًا (Robust) بفضل نظرية النهاية المركزية؟
هناك حقيقة إحصائية كثيرًا ما تُغفل: اختبار t وتحليل التباين (ANOVA) لا يهتمان بتوزيع المشاهدات الفردية بقدر اهتمامهما بـ توزيع متوسطات العينات (Sampling distribution of the mean).
تنص نظرية النهاية المركزية (Central Limit Theorem — CLT) على أنه كلما كبر حجم العينة (وعادة يُشار إلى n ≥ 30 أو n ≥ 50 في كل مجموعة كعتبة استرشادية عند غياب الالتواء الشديد)، يقترب توزيع متوسطات العينات من التوزيع الطبيعي حتى لو كانت البيانات الفردية غير طبيعية التوزيع إلى حد معتدل.
مع ذلك، يسقط هذا الاعتماد في حالتين:
- عندما يكون المتغير شديد الالتواء (مثل تكاليف العلاج، أو مدة البقاء في العناية المركزة، أو تراكيز بعض الواسمات الحيوية) مع وجود قيم متطرفة تسحب المتوسط الحسابي بعيدًا عن مركز البيانات الحقيقي؛ فحينها يصبح المتوسط نفسه مقياسًا غير معبر عن المريض المعتاد، ويفضل الانتقال إلى الوسيط والاختبار اللامعلمي.
- عندما يكون المتغير ترتيبيًا بطبيعته (Ordinal scale) مثل مقياس ألم من 1 إلى 5.
جدول الأزواج المتقابلة: لكل اختبار معلمي بديل لامعلمي
لتسهيل القرار، إليك المقابلة المباشرة بين العائلتين:
| هدف المقارنة | الاختبار المعلمي (Parametric) | البديل اللامعلمي (Non-Parametric) |
|---|---|---|
| مقارنة مجموعتين مستقلتين | اختبار ت للعينات المستقلة (Independent t-test) | اختبار مان–ويتني (Mann–Whitney U test) |
| مقارنة قياسين لنفس الأفراد (قبل/بعد) | اختبار ت للعينات المرتبطة (Paired t-test) | اختبار ويلكوكسون (Wilcoxon signed-rank test) |
| مقارنة 3 مجموعات مستقلة فأكثر | تحليل التباين الأحادي (One-way ANOVA) | اختبار كروسكال–واليس (Kruskal–Wallis test) |
| مقارنة 3 قياسات متكررة فأكثر لنفس الأفراد | تحليل التباين للقياسات المتكررة (Repeated-measures ANOVA) | اختبار فريدمان (Friedman test) |
| قياس الارتباط بين متغيرين | معامل ارتباط بيرسون (Pearson’s r) | معامل ارتباط سبيرمان للرتب (Spearman’s ρ) |
مثال رقمي تطبيقي: لماذا يضللك المتوسط الحسابي عند التواء البيانات؟
لنفترض أننا سجلنا مدة الإقامة في المستشفى (بالأيام) لسبعة مرضى بعد إجراء جراحي معين، وكانت القيم مرتبة تصاعديًا كما يلي: 2، 3، 3، 4، 4، 5، 28 (المريض السابع حدثت له مضاعفات استدعت بقاءه 28 يومًا).
أولًا: الحساب بالطريقة المعلمية — المتوسط الحسابي (Mean) والانحراف المعياري (SD)
- مجموع القيم: 2 + 3 + 3 + 4 + 4 + 5 + 28 = 49.
- المتوسط الحسابي (x̄): 49 / 7 = 7.0 أيام.
- انحرافات القيم عن المتوسط (xᵢ - 7): هي -5، -4، -4، -3، -3، -2، +21.
- مربعات الانحرافات: 25، 16، 16، 9، 9، 4، 441.
- مجموع مربعات الانحرافات: 25 + 16 + 16 + 9 + 9 + 4 + 441 = 520.
- تباين العينة (s² = 520/(7 - 1) = 520/6 ≈ 86.67).
- الانحراف المعياري (s = √(86.67) ≈ 9.31 أيام).
لو كتبت في بحثك أن مدة الإقامة كانت 7.0 ± 9.31 أيام، فسيبدو أن المريض المعتاد يقيم أسبوعًا، مع أن 6 من أصل 7 مرضى خرجوا خلال 5 أيام أو أقل!
ثانيًا: الحساب بالطريقة اللامعلمية — الوسيط (Median) والمدى الربيعي (IQR)
البيانات المرتبة (n = 7): 2، 3، 3، 4، 4، 5، 28.
- ترتيب الوسيط: المشاهدة رقم (7 + 1) / 2 = 4، وقيمتها هي 4 أيام.
- الربيعيات: باستبعاد الوسيط من النصفين (وهي النتيجة نفسها التي تعطيها الطريقة الافتراضية في SPSS هنا)، النصف الأدنى هو (2، 3، 3) وأوسطه الربيع الأول Q₁ = 3 أيام. (تنبيه: البرامج تختلف في طريقة حساب الربيعيات؛ فالطريقة الافتراضية في R مثلًا تعطي Q₃ = 4.5 لهذه البيانات، لذا اذكر البرنامج المستخدم.)
- النصف الأعلى من البيانات فوق الوسيط هو (4، 5، 28) وأوسطها الربيع الثالث Q₃ = 5 أيام.
- المدى الربيعي (IQR = Q₃ - Q₁ = 5 - 3 = 2 أيام).
عند الإبلاغ عن النتيجة بصيغة الوسيط والمدى الربيعي: 4.0 أيام (IQR: 3.0–5.0)، يقرأ الطبيب والباحث صورة حقيقية دقيقة عن المريض النموذجي في هذه العينة دون أن تطمسها الحالة الواحدة المتطرفة.
قاعدة الاتساق الذهبية في الجداول العلمية
من الأخطاء المتكررة في الرسائل العلمية الخلط بين المدرستين في السطر نفسه: كأن يجري الباحث اختبار مان–ويتني (Mann–Whitney U) لأن البيانات غير طبيعية، ثم يضع في الجدول المتوسط الحسابي والانحراف المعياري!
- إذا استخدمت اختبارًا معلميًا (مثل t-test أو ANOVA) ← اعرض المتوسط الحسابي والانحراف المعياري (Mean ± SD).
- إذا استخدمت اختبارًا لامعلميًا (مثل Mann–Whitney أو Kruskal–Wallis) ← اعرض الوسيط والمدى الربيعي Median (IQR)، سواء بكتابة حدود الربيعين (Q1–Q3) أو قيمة الفرق بينهما مع توضيح الطريقة في حاشية الجدول.
كيف تكتبها في بحثك
يمكنك صياغة قرارك في قسم الطرق الإحصائية والنتائج بالصورة التالية:
نموذج عربي:
“فُحص اعتدال توزيع المتغيرات المستمرة باستخدام اختبار شابيرو–ويلك (Shapiro–Wilk test) ومخططات الاحتمال الطبيعي (Q-Q plots). عُبّر عن المتغيرات ذات التوزيع الطبيعي بالمتوسط الحسابي والانحراف المعياري وقورنت باختبار ت للعينات المستقلة (Independent t-test)، بينما عُبّر عن المتغيرات غير خاضعة للتوزيع الطبيعي بالوسيط والمدى الربيعي (IQR) وقورنت باستخدام اختبار مان–ويتني (Mann–Whitney U test). أظهرت النتائج أن مدة الإقامة في المستشفى كانت أقصر دلاليًا في مجموعة التدخل (الوسيط 4.0 أيام، المدى الربيعي: 3.0–5.0) مقارنة بالمجموعة الضابطة (الوسيط 6.0 أيام، المدى الربيعي: 4.5–8.0؛ U = 842.5، p = 0.008).”
نموذج إنجليزي (APA 7th edition style):
“Normality of continuous variables was assessed using the Shapiro–Wilk test and visual inspection of Q-Q plots. Normally distributed variables were summarized as mean ± standard deviation (SD) and compared using the independent-samples t-test, whereas non-normally distributed variables were reported as median and interquartile range (IQR; Q1–Q3) and compared using the Mann–Whitney U test. Length of hospital stay was significantly shorter in the intervention group (median = 4.0 days, IQR: 3.0–5.0) than in the control group (median = 6.0 days, IQR: 4.5–8.0; U = 842.5, p = .008).”
وإذا أردت أن تطبّق هذا على بياناتك، جرّبه على analysez.ai.