الوحدة الخامسة: فحص الافتراضات وجودة البيانات (Assumption Checking)
مقدمة: فحص الاعتدالية (Normality) ليس مجرد خطوة شكلية قبل إجراء الاختبار الإحصائي، بل هو جزء أساسي من تقييم جودة البيانات واختيار التحليل المناسب. معظم الاختبارات المعلمية مثل t-test وANOVA والانحدار تعتمد على افتراضات حول شكل البيانات أو بواقي النموذج، ولذلك يجب أن يعرف الباحث متى يكون الانحراف مقبولاً، ومتى يحتاج إلى تحويل، اختبار لامعلمي، أو نموذج مختلف.
في علوم الرياضة تظهر الاعتدالية بدرجات متفاوتة: VO2max والقوة قد تكون قريبة من الطبيعي، بينما أوقات التعافي، عدد الإصابات، الأحمال التدريبية، ومقاييس الألم كثيراً ما تكون منحرفة أو تحتوي قيماً شاذة. الهدف هنا ليس مطاردة توزيع مثالي، بل اتخاذ قرار تحليلي مبرر ومعلن بوضوح.
لماذا تهم الاعتدالية؟
التوزيع الطبيعي (الاعتدالي Normal Distribution) هو أحد الافتراضات المحورية للاختبارات المعلمية (Parametric Tests). عدم استيفاء هذا الافتراض (Violation of Assumptions) قد يضخم خطأ النوع الأول (α)، يقلل القدرة الإحصائية (1−β)، أو يجعل المتوسط والانحراف المعياري غير ممثلين جيداً للبيانات.
لكن العبارة الأدق هي: ما الذي يجب أن يكون طبيعياً؟ في اختبار t للعينة الواحدة أو المزدوجة نهتم بتوزيع القيم أو الفروق. في الانحدار نهتم باعتدالية البواقي لا اعتدالية كل متغير خام. وفي ANOVA نهتم غالباً بالبواقي داخل المجموعات مع تجانس التباين.
اختبارات تستلزم الاعتدالية
- اختبار t للعينة الواحدة والعينتَين المستقلتَين
- تحليل التباين الأحادي والثنائي (ANOVA)
- تحليل التباين المتكرر القياسات
- الانحدار الخطي البسيط والمتعدد
- معامل بيرسون r
اختبارات لا تشترط الاعتدالية
- مان-ويتني U (بديل t المستقل)
- ويلكوكسون للعينات المزدوجة
- كروسكال-واليس (بديل ANOVA)
- فريدمان (بديل القياسات المتكررة)
- معامل سبيرمان ρ
| التحليل | ما الذي نفحص اعتداليته؟ | ملاحظة تطبيقية |
|---|---|---|
| One-sample t-test | توزيع المتغير في العينة | مهم جداً عند n صغير |
| Paired t-test | توزيع الفروق بين القياسين | لا يكفي فحص القياس القبلي والبعدي منفصلين |
| Independent t-test | التوزيع داخل كل مجموعة والبواقي | Welch يساعد في عدم تجانس التباين، لكنه لا يحل القيم الشاذة المؤثرة |
| ANOVA | البواقي داخل المجموعات | يفحص مع تجانس التباين واستقلالية المشاهدات |
| Linear regression | بواقي النموذج | المتغيرات نفسها لا يلزم أن تكون كلها طبيعية |
الاختبارات المعلمية قوية نسبياً أمام حالات عدم استيفاء بسيطة للافتراضات، خاصةً مع أحجام عينة كافية وتصميم متوازن. الفحص مطلوب دائماً، لكن قرار تغيير الأسلوب يعتمد على درجة عدم الاستيفاء، حجم العينة، وجود قيم شاذة مؤثرة، وطبيعة السؤال البحثي، وليس على قيمة p وحدها.
عدم الاعتدالية مشكلة مختلفة عن عدم الاستقلال، عدم تجانس التباين، أخطاء الإدخال، أو وجود مجموعات فرعية مخلوطة. إذا كان توزيع السرعة يبدو ثنائي القمة مثلاً، فقد يكون السبب خلط الذكور والإناث أو مراكز لعب مختلفة، وليس "انحرافاً" يحتاج تحويل فقط.
الفحص البصري
قبل الاختبارات الرسمية، يوفر الفحص البصري صورة أكثر صدقاً من قيمة p وحدها. الرسم الجيد يجيب عن أسئلة عملية: هل هناك ذيل طويل؟ هل توجد قيمة واحدة تسحب المتوسط؟ هل يوجد أكثر من نمط داخل العينة؟ وهل الانحراف صغير يمكن تجاهله أم جوهري يغيّر القرار؟
مخطط Q-Q (Q-Q Plot)
يقارن الكميات المُلاحَظة بالكميات النظرية للتوزيع الطبيعي. التفسير:
- نقاط على الخط المستقيم: توزيع طبيعي ✓
- انحراف منتظم عن الخط: التواء (Skewness)
- انحناء على الطرفَين: تفرطح (Kurtosis)
- نقاط بعيدة: قيم شاذة (Outliers)
الرسم البياني التكراري (Histogram)
الشكل المثالي يشبه الجرس المتماثل. انتبه لـ:
- ذيل طويل لليمين: التواء موجب (الشائع في وقت التعافي والإصابات)
- ذيل طويل لليسار: التواء سالب
- قمة حادة جداً: تفرطح موجب
- قمة مسطحة: تفرطح سالب
يكشف الـ Boxplot عن القيم الشاذة، وهي غالباً السبب العملي لعدم استيفاء الاعتدالية. القاعدة الشائعة تعتبر القيم خارج 1.5×IQR شاذة محتملة، وخارج 3×IQR شاذة متطرفة. حدّد أولاً: هل القيمة خطأ بيانات، قيمة حقيقية نادرة، أم نتيجة لتجميع مجموعات مختلفة؟
| النمط البصري | ما الذي قد يعنيه؟ | القرار المحتمل |
|---|---|---|
| نقاط Q-Q قريبة من الخط مع انحراف بسيط في الأطراف | اعتدالية عملية مقبولة | استمر غالباً مع الاختبار المعلمي، خصوصاً إذا n مناسب |
| ذيل طويل لليمين في histogram | التواء موجب شائع في أوقات التعافي والعدّ | فكر في log أو sqrt أو بديل لامعلمي |
| قيمة واحدة بعيدة جداً في boxplot | خطأ إدخال أو حالة حقيقية مؤثرة | تحقق من المصدر، ثم أجر تحليل حساسية مع/بدون القيمة |
| قمتان واضحتان | خليط مجموعات فرعية | افحص المتغيرات التصنيفية مثل الجنس أو المركز أو المستوى |
إذا كان Q-Q plot لزمن التعافي مستقيماً في المنتصف لكنه يرتفع كثيراً في الطرف الأيمن، فهذا يعني أن أغلب اللاعبين قريبون من النمط المتوقع، لكن هناك حالات تعافٍ طويلة تسحب الذيل. هنا لا يكفي القول "غير طبيعي"؛ يجب ذكر أن المشكلة في الذيل الأيمن وتحديد سببها المحتمل.
الاختبارات الرسمية للاعتدالية
الاختبارات الرسمية تقدم دليلاً إحصائياً على عدم استيفاء الاعتدالية. الفرضية الصفرية فيها هي أن البيانات تتبع التوزيع الطبيعي. لذلك فإن p < 0.05 تعني وجود دليل على عدم الاعتدالية، أما p > 0.05 فلا تثبت أن البيانات طبيعية؛ بل تعني أننا لم نجد دليلاً كافياً على عدم الاستيفاء.
| الاختبار | الإحصاء | متى يُستخدم؟ | القيد |
|---|---|---|---|
| Shapiro-Wilk | W (0 إلى 1) | عينات صغيرة إلى متوسطة — الموصى به غالباً | حساس جداً مع n كبير وقد يرفض فروقاً طفيفة |
| Kolmogorov-Smirnov (Lilliefors) | D | n > 50 — حساس لحجم العينة الكبير | يرفض H₀ بسهولة مع n كبير |
| Anderson-Darling | A² | أكثر قوة في الذيول — حين تهم القيم الطرفية | أقل شيوعاً في SPSS |
| الحالة | النتيجة | التفسير | القرار |
|---|---|---|---|
| n = 24 | W = 0.88, p = 0.009، Q-Q منحرف بوضوح | عدم استيفاء مهم مع عينة صغيرة | تحويل أو اختبار لامعلمي |
| n = 420 | W = 0.98, p = 0.002، Q-Q مقبول وg1 = 0.28 | دلالة إحصائية بسبب الحجم الكبير، أثر عملي صغير | لا تغير التحليل بناءً على p وحدها |
مع n > 200، يرفض Shapiro-Wilk الاعتدالية تقريباً دائماً حتى لو كان الانحراف طفيفاً وغير ذي أهمية عملية. في هذه الحالة: اعتمد على مخطط Q-Q وقيم الالتواء والتفرطح بدلاً من قيمة p وحدها.
لا تستخدم اختباراً رسمياً واحداً كحكم نهائي. القرار الأقوى يجمع بين: Shapiro-Wilk أو Kolmogorov-Smirnov، Q-Q plot، histogram، boxplot، الالتواء والتفرطح، ومعرفة طبيعة المتغير في المجال الرياضي.
الالتواء والتفرطح كمقياس للاعتدالية
قيم الالتواء (g1) والتفرطح (g2) تقدم قياساً كمياً لشكل التوزيع. الالتواء يصف عدم التماثل، والتفرطح يصف ثقل الذيول أو حدة القمة. هذه القيم مفيدة لأنها تكمل الرسوم والاختبارات الرسمية، لكنها لا تغني عنها.
الالتواء (Skewness — g₁)
| قيمة g₁ | التفسير |
|---|---|
| −0.5 إلى +0.5 | اعتدالي عملياً |
| −1.0 إلى −0.5 أو +0.5 إلى +1.0 | التواء معتدل |
| |g₁| > 1.0 | التواء حاد |
| |g₁| > 2.0 | عدم استيفاء الاعتدالية |
التفرطح (Kurtosis — g₂)
| قيمة g₂ (excess) | التفسير |
|---|---|
| −1.0 إلى +1.0 | اعتدالي عملياً |
| +1.0 إلى +3.0 | قمة حادة (Leptokurtic) |
| −3.0 إلى −1.0 | قمة مسطحة (Platykurtic) |
| |g₂| > 7.0 | عدم استيفاء جوهري |
المعيار المستخدم كثيراً في علوم الرياضة: |g1| ≤ 2.0 و|g2| ≤ 7.0 يعدان مقبولين للاختبارات المعلمية للعينات المتوسطة والكبيرة (n > 50). يُنصح بحدود أكثر تحفظاً للعينات الصغيرة: |g1| ≤ 1.0 و|g2| ≤ 3.0.
بيانات زمن التعافي لعدد 32 لاعباً أعطت g1 = 1.6 وg2 = 2.4. هذا يشير إلى التواء موجب واضح وذيول أثقل من الطبيعي، لكنه ضمن حدود مقبولة نسبياً حسب معيار |g1| ≤ 2 و|g2| ≤ 7. القرار لا يكون آلياً: افحص Q-Q وboxplot. إذا كانت المشكلة بسبب لاعبين اثنين فقط بتعافٍ طويل، أبلغ عن تحليل حساسية أو استخدم تحويل log.
| القيمة | ماذا أكتب في التقرير؟ |
|---|---|
| g1 قريب من 0 وg2 قريب من 0 | كان التوزيع قريباً من الاعتدالية من حيث الالتواء والتفرطح. |
| g1 موجب | أظهر المتغير التواءً موجباً، أي وجود ذيل أطول باتجاه القيم المرتفعة. |
| g1 سالب | أظهر المتغير التواءً سالباً، أي وجود ذيل أطول باتجاه القيم المنخفضة. |
| g2 مرتفع | أظهر التوزيع ذيولاً أثقل أو قمة أكثر حدة من التوزيع الطبيعي. |
بعض البرامج تعرض kurtosis العادي حيث الطبيعي = 3، وبعضها يعرض excess kurtosis حيث الطبيعي = 0. في SPSS غالباً تقرأ القيمة بوصفها excess kurtosis؛ لذلك تأكد من تعريف البرنامج قبل تفسير الرقم.
تحويلات البيانات (Data Transformations)
حين لا تستوفي البيانات الاعتدالية استيفاءً جوهرياً، يمكن تحويلها رياضياً لتقريب توزيعها من الطبيعي أو لتقليل تأثير القيم الطرفية. التحويل ليس تجميلاً للنتائج، بل طريقة لتغيير المقياس بحيث يصبح النموذج الإحصائي أكثر ملاءمة للبيانات.
| نوع التحويل | الصيغة | يُناسب | مثال رياضي |
|---|---|---|---|
| لوغاريتمي | X' = log(X) أو ln(X) | التواء موجب حاد، تباين متزايد مع المتوسط | زمن التعافي، مستوى اللاكتات بعد الجهد المكثف |
| الجذر التربيعي | X' = √X | التواء الموجب المعتدل، بيانات العد | عدد الإصابات، تكرار الفعاليات التقنية |
| المعكوس (قلب) | X' = 1/X | التواء الموجب الشديد جداً | أوقات سباق السرعة (العكس = السرعة) |
| جذر مكعب | X' = X^(1/3) | التواء الموجب الشديد مع قيم صفرية | حجم الأورام الرياضية، سماكة الجلد |
- القيم الصفرية مع اللوغاريتم: أضف ثابتاً (مثلاً X' = log(X+1)) إذا وُجدت أصفار
- القيم السالبة: أضف ثابتاً ليصبح أصغر قيمة > 0 قبل التحويل
- التفسير: النتائج بعد التحويل تعود إلى الوحدة الأصلية بالتحويل العكسي (antilog للوغاريتم)
- الإبلاغ: أفصح دائماً عن أي تحويل أُجري وسبب استخدامه
ابدأ من سبب المشكلة: إذا كان الذيل الأيمن طويلاً والتباين يزيد مع المتوسط، جرّب log. إذا كانت البيانات عدّاً وتحتوي أصفاراً كثيرة، فكر في sqrt أو نموذج عدّ مثل Poisson بدلاً من تحويل قسري. إذا كانت القيم سالبة أو صفرية، لا تستخدم log مباشرة قبل معالجة المقياس.
إذا أخفق التحويل أو كانت الأحجام صغيرة جداً، انتقل إلى البديل اللامعلمي المناسب. لا تصف الاختبار اللامعلمي كأنه اعتذار أو خيار ضعيف دائماً؛ فهو الاختيار الصحيح للبيانات الترتيبية أو المنحرفة بشدة. أما عندما يكون الهدف تفسير المتوسط بوحدته الأصلية، فقد تكون التحويلات أو bootstrap أكثر فائدة.
| بعد التحويل | ما الذي يجب فعله؟ |
|---|---|
| أصبح Q-Q مقبولاً وg1/g2 ضمن الحدود | استخدم التحليل المعلمي على القيم المحولة وأبلغ سبب التحويل. |
| تحسنت الاعتدالية لكن التفسير أصبح صعباً | اعرض النتائج المحولة مع تحويل عكسي للمتوسطات أو الفروق عند الإمكان. |
| لم يتحسن التوزيع | استخدم اختباراً لامعلمياً، bootstrap، أو نموذجاً يناسب نوع البيانات. |
| تغيرت النتيجة كثيراً بعد التحويل | أبلغ ذلك كتحليل حساسية وناقش سبب اختلاف الاستنتاج. |
نظراً لوجود التواء موجب في زمن التعافي، تم تطبيق تحويل لوغاريتمي طبيعي. بعد التحويل أصبحت الرسوم التشخيصية وقيم الالتواء مقبولة، ولذلك أجري اختبار t على القيم المحولة. عُرضت المتوسطات المحولة عكسياً لتسهيل التفسير بالثواني.
دليل اختبار الاعتدالية في SPSS
| حقل SPSS | المعنى | قاعدة القرار |
|---|---|---|
| Statistic (SW) | قيمة W لـ Shapiro-Wilk (0 إلى 1) | كلما اقتربت من 1 كان التوزيع أكثر اعتدالاً |
| Sig. (p) | مستوى الدلالة للاختبار | p > 0.05 → لا ترفض H₀ → اعتدالية مقبولة |
| Skewness / Std. Error | نسبة الالتواء إلى خطئه المعياري | النسبة خارج ±2 → التواء دال إحصائياً |
- قيمة Shapiro-Wilk W وقيمة Sig. لكل مجموعة أو لكل متغير حسب التصميم.
- قيم Skewness وKurtosis وأخطائهما المعيارية من جدول Descriptives.
- ملاحظة مختصرة عن Q-Q plot وboxplot، خصوصاً إذا كانت قيمة p متعارضة مع الرسم.
- قرارك النهائي: تحليل معلمي، تحويل، اختبار لامعلمي، أو تحليل حساسية.
تم فحص الاعتدالية باستخدام Shapiro-Wilk ومخططات Q-Q وقيم الالتواء والتفرطح. لم تظهر بيانات VO2max انحرافاً جوهرياً عن الاعتدالية، W = 0.96, p = 0.41، وكانت قيم الالتواء والتفرطح ضمن الحدود المقبولة. لذلك استُخدم الاختبار المعلمي المخطط له.
صياغة بديلة عند عدم الاستيفاء: أظهر زمن التعافي التواءً موجباً واضحاً، W = 0.82, p = 0.003, g1 = 2.8. بعد التحويل اللوغاريتمي تحسنت الاعتدالية، ولذلك أُجري التحليل على القيم المحولة مع عرض النتائج المحولة عكسياً للتفسير.