متى تستخدم ANOVA مقابل Kruskal-Wallis

عندما يكون لديك ثلاث مجموعات مستقلّة أو أكثر ومتغيّر تابع كمّي، يتنافس اختباران أساسيّان على القرار: تحليل التباين الأحادي ANOVA واختبار Kruskal-Wallis. كلاهما يجيب عن سؤال متقارب، لكنّهما يقومان على افتراضات مختلفة تمامًا، واختيار غير المناسب منهما إمّا يهدر قوّة الاختبار أو يعطي قيمة p مضلِّلة. يشرح هذا الدليل بدقّة ما يفعله كلّ اختبار، وما يفترضه، وكيف تختار بينهما، مع مثال تطبيقي كامل.

ماذا يقارن كلّ اختبار فعليًّا؟

يقارن ANOVA بين متوسّطات المجموعات عبر اختبار F. فهو يجزّئ التباين الكلّي إلى مكوّن بين المجموعات ومكوّن داخلها؛ فإذا كان التباين بين المجموعات كبيرًا نسبةً إلى التباين الداخلي، كانت قيمة F كبيرة وp صغيرة. والنتيجة الدالّة تخبرك بأنّ متوسّطًا واحدًا على الأقلّ يختلف، لا أيّ المجموعات تحديدًا.

أمّا Kruskal-Wallis فهو البديل المعتمد على الرُّتب. يستبدل القيم الأصلية برُتبها بعد ترتيب جميع المشاهدات معًا، ثم يختبر ما إذا كانت متوسّطات الرُّتب تختلف. وكثيرًا ما يوصَف بأنّه اختبار للوسيط، لكنّ هذا التفسير لا يصحّ بدقّة إلّا حين تتشارك توزيعات المجموعات الشكل والتشتّت ذاته. فإن اختلفت الأشكال، فإنّ نتيجة Kruskal-Wallis الدالّة تعني أنّ التوزيعات تختلف بطريقة ما (موقعًا أو تشتّتًا أو التواءً)، لا بالضرورة أنّ الوسطاء تختلف. وهذه نقطة يُساء فهمها كثيرًا، فاحرص على صياغة استنتاجك بعناية.

افتراضات ANOVA

تكون قيم p الناتجة عن ANOVA موثوقة حين تتحقّق ثلاثة شروط تقريبًا:

• استقلال المشاهدات (مسألة تصميم لا تُصلَح لاحقًا).
• اعتدالية البواقي تقريبًا؛ فالبواقي (residuals) هي ما يجب أن يقترب من التوزيع الطبيعي، لا القيم الخام. افحصها برسم Q-Q بدلًا من الاعتماد على اختبار واحد. واحذر فخّ العيّنات الكبيرة: مع حجم كبير يَصِم اختبار Shapiro-Wilk انحرافات تافهة غير مؤذية بأنّها «دالّة»، ومع العيّنات الصغيرة تَضعُف قدرته على كشف الانحرافات الحقيقية؛ فدَع الرسم البياني هو الحَكَم. وراجع دليلنا حول فحص الاعتدالية بشكل صحيح.
• تجانس التباين بين المجموعات، ويُقاس باختبار Levene (وهو أمتن من Bartlett حين تكون البيانات غير طبيعية).

وANOVA متين نسبيًّا أمام انحراف بسيط عن الاعتدالية، خصوصًا في التصاميم المتوازنة وأحجام العيّنات المتوسّطة، بفضل مبرهنة الحدّ المركزي التي تعمل على المتوسّطات. لكنّه أقلّ تسامحًا بكثير مع عدم تجانس التباين المقترن باختلاف أحجام المجموعات، حيث قد ينحرف معدّل خطأ النوع الأوّل ابتعادًا واضحًا عن المستوى الاسمي المطلوب.

عند عدم تجانس التباين: Welch's ANOVA

إذا أشار اختبار Levene إلى عدم التجانس، فلا تتخلَّ عن المتوسّطات، بل انتقل إلى Welch's ANOVA الذي يُعدّل درجات الحرّية بتصحيح Welch–Satterthwaite ولا يفترض تساوي التباينات. ويوصي كثير من المنهجيّين باعتماد Welch خيارًا افتراضيًّا منطقيًّا في التصاميم الأحادية، تمامًا كما هو الحال في تفضيل اختبار t من نوع Welch مقابل Student في حالة المجموعتين.

متى تختار Kruskal-Wallis؟

يكون Kruskal-Wallis الخيار الأنسب حين:

• يكون المتغيّر التابع ترتيبيًّا (مثل مقاييس Likert) حيث لا معنى للمتوسّط.
• تكون التوزيعات شديدة الالتواء أو ثقيلة الذيول ويتعذّر تحويلها بشكل معقول.
• توجد قيم متطرّفة مؤثّرة تشوّه المتوسّطات؛ فالرُّتب تخفّف أثرها.
• تكون أحجام العيّنات صغيرة ويتعذّر التحقّق من الاعتدالية أو افتراضها.

ولأنّه يعتمد على الرُّتب، فإنّ Kruskal-Wallis يخسر قدرًا يسيرًا من القوّة حين تتحقّق افتراضات ANOVA فعلًا (كفاءته النسبية المقاربة نحو 0.95 في ظلّ الاعتدالية)، لكنّه متين إلى حدّ لافت أمام عدم الاعتدالية والقيم المتطرّفة. ومع ذلك تنبّه: Kruskal-Wallis ليس علاجًا لعدم تجانس التباين؛ فهو، شأنه شأن ANOVA، قد يتأثّر حين تتباين تشتّتات المجموعات تباينًا كبيرًا، فلا يكون اختلاف التشتّت وحده مبرّرًا للانتقال إليه.

مقارنة سريعة

حجم الأثر — لا تُغفله أبدًا

تخبرك قيمة p بوجود الأثر من عدمه، لا بحجمه. في ANOVA أبلِغ عن إيتا التربيعية (η²)، أي نسبة التباين المُفسَّر، أو الأقلّ تحيّزًا أوميغا التربيعية (ω²) المفضَّلة في العيّنات الصغيرة. وفي Kruskal-Wallis أبلِغ عن إبسيلون التربيعية (ε²) أو إيتا التربيعية المبنية على إحصاءة H ‏(η²_H). والمعايير المعتادة (صغير ≈ 0.01، متوسّط ≈ 0.06، كبير ≈ 0.14) نقاط انطلاق لا قواعد صارمة.

المقارنات البعدية

الاختبار الشامل الدالّ يقول فقط إنّ هناك فرقًا في مكانٍ ما. ولتحديد مواضع الفروق، أتبِع ANOVA باختبار Tukey HSD الذي يضبط معدّل الخطأ على مستوى العائلة عبر جميع المقارنات الثنائية. وبعد Kruskal-Wallis استخدم اختبار Dunn مع تصحيح مثل Holm أو Benjamini-Hochberg. ويضبط Holm معدّل الخطأ على مستوى العائلة نفسه الذي يضبطه Bonferroni لكنّه أقوى منه دائمًا، بينما يضبط Benjamini-Hochberg معدّل الاكتشاف الخاطئ (FDR) — وهو معيار أقلّ صرامة يمنحك قوّة أكبر حين تكثر المقارنات. وفي الحالتين لا بدّ من تصحيح التعدّدية، وراجع تصحيح المقارنات المتعدّدة.

مثال تطبيقي على القرار

لنفترض أنّك تقارن زمن التعافي (بالأيّام) بين ثلاثة بروتوكولات إعادة تأهيل، بحجم n = 12 لكلّ مجموعة. ترسم البواقي فتجد المجموعة C ملتوية نحو اليمين مع قيمتين متطرّفتين طويلتي التعافي، ويعطي اختبار Levene قيمة p = 0.03 تشير إلى عدم تجانس التباين. اهتزّ افتراضان في آنٍ واحد.

شجرة القرار: البواقي غير طبيعية بوضوح ومتأثّرة بالقيم المتطرّفة، فتطبيق ANOVA على المتوسّطات محفوف بالمخاطر. أمامك مساران مبرَّران. إن بقي اهتمامك بالمتوسّطات وكان الالتواء معتدلًا، فإنّ Welch's ANOVA يعالج عدم تجانس التباين وقد يكفي مع فحص متين. لكن نظرًا للقيم المتطرّفة والالتواء، يكون الخيار الأنظف هو Kruskal-Wallis. وبتطبيقه نحصل على H(2) = 9.84 وp = 0.007 و‏ε² = 0.28 (أثر كبير). ولأنّ التوزيعات الثلاثة مختلفة الأشكال بوضوح، تُبلِغ عن النتيجة بأنّ «البروتوكولات تختلف في توزيع زمن التعافي»، لا «في الوسيط» حصرًا. ثم يُظهر اختبار Dunn مع تصحيح Holm أنّ البروتوكول C يختلف دلاليًّا عن A وB، بينما لا يختلف A عن B.

يمكنك إجراء ذلك كلّه — اختبار Levene، وWelch's ANOVA، وKruskal-Wallis، واختبار Dunn البعدي مع التصحيح — مباشرةً داخل MindStat، ومقارنة المخرجات جنبًا إلى جنب قبل الالتزام بتحليل واحد.

الخلاصة

• افحص الافتراضات أوّلًا: رسم Q-Q للبواقي مع اختبار Levene، لا اختيار تلقائي.
• طبيعي تقريبًا وتباين متساوٍ ← ANOVA الأحادي على المتوسّطات.
• طبيعي لكن تباين غير متساوٍ ← Welch's ANOVA.
• ملتوٍ أو ترتيبي أو قيم متطرّفة أو n صغير جدًّا ← Kruskal-Wallis.
• فسّر Kruskal-Wallis بعناية: «الوسطاء تختلف» فقط إذا تطابقت الأشكال، وإلّا فـ«التوزيعات تختلف».
• أبلِغ دائمًا عن حجم الأثر، وأتبِع الاختبار الشامل الدالّ بمقارنات بعدية مصحَّحة (Tukey HSD أو Dunn).