[ § 3.5 · مكوّنات التباين لنماذج أخرى ]

عندما لا يكون
كل شيء عشوائياً

بعض الأوجه ثابتة (n = N) وبعضها عشوائي (N → ∞) — كيف تتغير مكوّنات التباين ومعادلات EMS وتفسير النتائج؟

N→∞
وجه عشوائي
n=N
وجه ثابت
σ²(α|H)
المختلط
k(α|β)
معامل EMS

المفهوم الجوهري

ثلاثة نماذج — كل شيء يتحدد بعلاقة n بـ N

n = حجم العينة في دراسة G · N = حجم الكون الحقيقي — العلاقة بينهما تُحدِّد نوع النموذج

النموذج العشوائي
n < N → ∞
جميع الأوجه لها أكوان لا نهائية — السحب عشوائي من كون ضخم جداً
مثال: أشخاص + فقرات عشوائية
النموذج المختلط
بعضها: n = N < ∞
بعضها: N → ∞
وجه أو أكثر ثابت — يستنفد كامل الكون. أوجه أخرى عشوائية كالمعتاد
مثال: فئات محتوى ثابتة + فقرات عشوائية
الكون المحدود
n < N < ∞
العينة أصغر من الكون لكن الكون محدود — تصحيح مصطلح الجانب المحدود
نادر في نظرية التعميم
🎛️ استكشف العلاقة بين n وN — ماذا يعني ذلك للنموذج؟
n/N = 0% النموذج: عشوائي كامل
N →∞
الدافع

لماذا نهتم بالنماذج المختلطة؟

مكوّنات التباين العشوائية قد تكون مضلِّلة عندما يكون الكون متداخلاً في الحقيقة

⚠️ المشكلة — مثال جدول المواصفات
📋
اختبار بجدول مواصفات محدد
كون الملاحظات: فقرات متداخلة داخل 5 فئات محتوى ثابتة
CR
8 فقرات عشوائية
OK
8 فقرات عشوائية
CE
8 فقرات
H
8 فقرات
GL
8 فقرات
ثابت: n_h = N_h = 5
عشوائي: N_i → ∞
⚠️
إذا حسبنا σ²(h) كنموذج عشوائي ← يكون مضلِّلاً! لأن h لا يُسحب عشوائياً — الفئات الخمس هي الكون كله!
✅ الحل — تثبيت الوجه h

عندما يكون n_h = N_h — أي أن دراسة G تُمثِّل كامل مستويات الكون لـ h — فإن:

σ²(α) النموذج العشوائي
يتجاهل أن h ثابت — يُقدِّر كأن h قد يكون مختلفاً في دراسة D
σ²(α|H) النموذج المختلط
يأخذ في الاعتبار أن h ثابت — أكثر دقة لهذا السياق
💡
الفصل الرابع يستخدم σ²(α) العشوائية فقط. قراءة §3.5 يمكن تأجيلها للفصل الخامس.
§ 3.5.1

تصميم p × (i:h) مع تثبيت h — التفاصيل الدقيقة

N_p → ∞ و N_i → ∞ (عشوائيان) · n_h = N_h < ∞ (h ثابت كلياً)

🎲
النموذج العشوائي (المعتاد)
N_h → ∞
متوسطات الدرجات:
μ = E_p E_i E_h X_pih
μ_p = E_i E_h X_pih
μ_h = E_p E_i X_pih
📌
القيمة المتوقعة E_h تُأخذ على كون لا نهائي من مستويات h
🔒
النموذج المختلط (h ثابت)
n_h = N_h < ∞
متوسطات الدرجات — تتغير!
μ = (1/n_h) Σ_h [E_p E_i X_pih]  (3.29)
μ_p = (1/n_h) Σ_h [E_i X_pih]  (3.30)
μ_h = E_p E_i X_pih  ←  لا تتغير
μ و μ_p يتحولان من توقع E_h إلى متوسط مجموع (1/n_h)Σ_h — الفارق الجوهري!
🔑 لماذا μ_h و μ_ph و μ_i:h تبقى كما هي في النموذج المختلط؟

لأن تعريفها لا يتضمن التوقع عبر h. فمثلاً:
μ_h = E_p E_i X_pih — نأخذ التوقع على p وi فقط، وليس على h.

لذا لا يهم إذا كان h عشوائياً أم ثابتاً في تعريف μ_h. الذي يتغير هو تعريف μ (الذي كان يأخذ توقعاً على h).

القيود — ما الذي يتغير؟

قيود النموذج المختلط vs العشوائي

في النموذج المختلط نضيف قيوداً إضافية على الآثار الثابتة — وهي ليست افتراضات بل نتائج حتمية من التعريفات

المعادلة 3.31 — قيود النموذج المختلط p × (i:h) مع تثبيت h
E ν_p = 0
التوقع على جميع الأشخاص
عشوائي
E ν_i:h = 0
التوقع على جميع الفقرات داخل h
عشوائي
E ν_pi:h = 0
التوقع على p و i داخل h
عشوائي
Σ_h ν_h = 0
مجموع آثار الوجه h على مستوياته الـ N_h = صفر
ثابت ← مجموع صفر!
Σ_h ν_ph = 0
لكل شخص p: مجموع التأثيرات ph على مستويات h = صفر
ثابت ← مجموع صفر!
🎯
القيود مجموع الصفر — من أين تأتي؟
هي نتيجة طبيعية من كيفية تعريف متوسطات الدرجات في النموذج المختلط. ليست افتراضات إضافية بل حقائق رياضية مشتقة.
⚠️
تحذير مهم
بعض البرامج الإحصائية لا تستخدم هذه القيود — نتائجها لا تنطبق على نظرية التعميم مع الأوجه الثابتة!
§ 3.5.1 — الجدول 3.6

مكوّنات التباين في النموذج المختلط σ²(α|H)

نفس الأسماء — لكن التعريفات تختلف! القسمة على (N_h−1) للآثار الثابتة والقسمة على N_h للعشوائية داخل الثابت

الجدول 3.6 — تعريفات σ²(α|H) وEMS لتصميم p × (i:h) مع تثبيت h
الأثر α النوع تعريف σ²(α|H) EMS(α|H)
p عشوائي E ν_p² σ²(pi:h|H) + n_i n_h σ²(p|H)
h ثابت = صيغة تربيعية! Σ_h ν_h² / (n_h − 1) σ²(pi:h|H) + n_i σ²(ph|H) + n_p σ²(i:h|H) + n_p n_i σ²(h|H)
i:h عشوائي (داخل الثابت) Σ_h [E ν_i:h²] / n_h σ²(pi:h|H) + n_p σ²(i:h|H)
ph عشوائي Σ_h [E ν_ph²] / (n_h − 1) σ²(pi:h|H) + n_i σ²(ph|H)
pi:h عشوائي Σ_h [E ν_pi:h²] / n_h σ²(pi:h|H)
🔑
الفارق الرئيسي في القسمة
الأثر الثابت h → ÷ (n_h−1) مثل تباين عينة. الأثر العشوائي داخل الثابت (i:h, pi:h) → ÷ n_h. هذا متسق مع درجات الحرية!
📌
σ²(h|H) هي صيغة تربيعية
في الأدبيات التقليدية تُسمى "صيغة تربيعية" لأنها تتعلق بأثر ثابت. نظرية التعميم تُسميها مكوّن تباين لأنها تأخذ شكل تباين.
§ 3.5.2

EMS للنموذج العام M — معامل k(α|β)

المعادلة 3.32 تُعمِّم المعادلة 3.24 لتشمل جميع النماذج — الفرق الوحيد هو معامل k(α|β)

النموذج العشوائي (المعادلة 3.24)
EMS(β) = Σ π(α̂) · σ²(α)
k(α|β) = 1 دائماً لجميع الأوجه العشوائية
النموذج العام M (المعادلة 3.32)
EMS(β) = Σ k(α|β) · π(α̂) · σ²(α|M)
k(α|β) يتغير حسب النموذج!
المعادلة 3.33 — تعريف k(α|β)
k(α|β) = Π (1 − n_j/N_j) للأدلة الرئيسية j في α // الموجودة في α وليست في β
[ k(α|β) = 1 إذا كانت α = β ]
النموذج n/N للأدلة الرئيسية خارج β k(α|β) المعنى
عشوائي كامل n < N → ∞ 1 يساهم كل α بالكامل في EMS(β)
ثابت كامل n = N → (1−n/N) = 0 0 α يُلغى من EMS — h لا يُضيف تقلباً!
مختلط n < N < ∞ (1 − n/N) تصحيح جزئي — كون محدود
💡
نتيجة مباشرة: عندما h ثابت (k=0) تختفي بعض حدود EMS
لأن h ثابت → k(α|β) = (1 − N_h/N_h) = 0 لأي α يحتوي h كدليل خارج β. لذا يُحذف أي حد EMS يتضمن h خارج β!
§ 3.5.3

تحويل σ²(α) → σ²(α|M) — المعادلة 3.34

ميزة رائعة: يمكن حساب مكوّنات أي نموذج انطلاقاً من مكوّنات النموذج العشوائي مباشرةً!

المعادلة 3.34 — القانون الذهبي للتحويل
σ²(α|M) = Σ [ σ²(β) / Π(β|α) ]
// المجموع على جميع β التي تحتوي كل أدلة α على الأقل
تعريف Π(β|α) — المعادلة 3.35
Π(β|α) = حاصل ضرب N_j لجميع الأدلة في β وليست في α
[Π(β|α) = 1 إذا كانت α = β]
📐 تطبيق: حساب σ²(p|H) من σ²(α) في p × (i:h) مع N_h=5
β (يحتوي α=p) σ²(β) العشوائي Π(β|α) = N للأدلة في β\α σ²(β)/Π(β|α)
pσ²(p)1 (β=α)σ²(p)
phσ²(ph)N_h = 5σ²(ph)/5
pi:hσ²(pi:h)N_i × N_h → ∞≈ 0 (N_i→∞)
النتيجة:
σ²(p|H) = σ²(p) + [σ²(ph) / N_h] + [σ²(pi:h) / (N_i × N_h)]
= σ²(p) + [σ²(ph) / n_h]
لأن N_h = n_h و N_i → ∞ فيُلغي الحد الأخير
الفائدة العملية من المعادلة 3.34
بدلاً من حل نظام معادلات EMS في النموذج M — يكفي حساب مكوّنات النموذج العشوائي ثم تطبيق المعادلة 3.34 مباشرةً. أبسط وأكثر شفافية!
§ 3.5.4 — مثال واقعي

برنامج APL — جدول مواصفات حقيقي

608 مفحوصاً · 5 مجالات ثابتة · 8 فقرات عشوائية في كل مجال — نموذج مختلط مثالي

🏛️
مسح الكفاية الوظيفية APL
Adult Performance Level — المنطقة الجنوبية 1977
CR
موارد المجتمع
8 فقرات
OK
المعرفة المهنية
8 فقرات
CE
الاقتصاد
8 فقرات
H
الصحة
8 فقرات
GL
الحكومة والقانون
8 فقرات
nh = Nh = 5 (ثابت) · ni = 8 < Ni→∞ (عشوائي) · np = 608
X̄(CR)=.75 X̄(OK)=.64 X̄(CE)=.63 X̄(H)=.67 X̄(GL)=.57
الجدول 3.7 — دراسة G لمسح APL (المنطقة الجنوبية)
الأثرdfπ(ᾰ)SSMSσ̂²(α|H)
p — أشخاص607401014.461.6713.0378
h — مجالات (ثابت) ᵃ4486488.2822.069.0013
i:h — فقرات|مجال35608556.0115.886.0259
ph — شخص×مجال24288484.32.1995.0051
pi:h — شخص×فقرة|مجال2124513375.24.1589.1589
ᵃ σ̂²(h|H) بالمعنى الدقيق صيغة تربيعية، ليس مكوّن تباين
📊 مقارنة المكوّنات بصرياً
σ²(p|H)
.0378
.0378
الأكبر ← جيد!
σ²(h|H)
.0013
.0013
صغير جداً ← المجالات متشابهة الصعوبة
σ²(i:h|H)
.0259
.0259
صعوبة الفقرات تتفاوت
σ²(ph|H)
.0051
.0051
تفاعل محدود ← الأشخاص متسقون عبر المجالات
σ²(pi:h|H)
.1589
.1589
الأكبر! ← خطأ متبقٍّ + تفاعل شخص×فقرة
✅ التحقق من σ̂²(p|H) بطريقتين
طريقة EMS مباشرةً:
σ̂²(p|H) = [MS(p) − MS(pi:h)] / (nᵢ·nₕ)
= [1.6713 − .1589] / (8 × 5)
= 1.5124 / 40 = .0378
طريقة التحويل (المعادلة 3.34):
σ̂²(p|H) = σ̂²(p) + σ̂²(ph)/nₕ
= .0368 + .0051/5
= .0368 + .0010 = .0378 ✓
📖
قراءة النتائج — ماذا يعني كل رقم؟
σ̂²(p|H)=.0378 > σ̂²(i:h|H)=.0259 ← قدرة الأشخاص تتفاوت أكثر من صعوبة الفقرات. σ̂²(h|H)=.0013 صغير جداً ← المجالات الخمسة متشابهة الصعوبة (متوسطاتها .57–.75). σ̂²(ph|H)=.0051 صغير ← الأشخاص المتميزون في مجال يتميزون عادةً في المجالات الأخرى أيضاً!
§ 3.6 — التدريبات المختارة

تدريبات مُختارة مع التوجيه

النجمة (*) تشير إلى إجابات في ملحق الكتاب — ركّز على فهم بنية التصميم أولاً

3.1 ★
10 فقرات جمع + 10 فقرات طرح × 25 طفلاً × 3 صفوف. قدِّم الرمز، مخطط فن، والنموذج الخطي.
💡 الأطفال متداخلون داخل الصفوف: (p:c) × i. صف مخطط فن: دائرة i تتقاطع مع دائرة c التي تحتوي دائرة p.
3.2 ★
30 طالباً × 3 نصوص × فقرات حقائق وفقرات استدلال لكل نص. ما التمثيل الرمزي؟
💡 الفقرات متداخلة داخل نوع السؤال (f,r) داخل النص (t): p × ((i:(f,r)):t) — تصميم متداخل من مستويين!
3.4 ★
باستخدام الخوارزمية (§3.4.4) حدِّد مقدِّرات σ²(p) وσ²(h) لتصميم p × (i:h).
💡 σ²(p): A={h} فقط → σ̂²(p)=[MS(p)−MS(ph)] / nᵢnₕ. σ²(h): A={p} فقط → σ̂²(h)=[MS(h)−MS(ph)] / nₚnᵢ.
3.5 ★
14 طالباً داخل صفّين داخل 42 معلماً × 11 فقرة. تصميم: (p:c:t) × i. قدِّم ANOVA الكامل.
💡 ابدأ بحساب T(μ) = n_total × X̄². ثم حاسب T لكل مكوّن باستخدام المتوسطات المعطاة. df للمكوّنات المتداخلة: (n_أولي−1)×n_تداخل.
3.7 ★
في p × (i:h) مع n_p<N_p<∞، n_i<N_i<∞، n_h<N_h<∞. (أ) EMS لـ p وph وpi:h؟ (ب) σ²(ph|M)؟
💡 k(α|β) = (1−n_j/N_j) لكل دليل رئيسي خارج β. لـ EMS(p): k(ph|p) = (1−n_h/N_h). ثم σ²(ph|M) = σ²(ph) + σ²(pi:h)/N_i.
3.8
البيانات رقم 1 مع افتراض أشخاص 1–5 في صف 1 وأشخاص 6–10 في صف 2. ما التصميم؟ احسب ANOVA.
💡 التصميم: (p:c) × i — أشخاص متداخلون داخل صفوف، مع 12 فقرة متقاطعة. df(c)=1، df(p:c)=8، df(i)=11، df(ci)=11، df(pi:c)=88.
خلاصة §3.5

خمسة مبادئ جوهرية عن النماذج المختلطة

n = N → الوجه ثابت → k = 0

عندما تستنفد دراسة G جميع مستويات الكون لوجه ما — لا تقلب إضافي → معامله في EMS يُصبح صفراً

Σ_h ν_h = 0 — القيد الجوهري

مجموع آثار الوجه الثابت = صفر. ليس افتراضاً — نتيجة حتمية من كيفية تعريف متوسطات الدرجات في النموذج المختلط

σ²(α|H) ≠ σ²(α) — تعريفات مختلفة

الأثر الثابت: ÷(N_h−1). العشوائي داخل الثابت: ÷N_h. هذا متسق مع قواعد درجات الحرية المقابلة

σ²(α|M) = Σ σ²(β)/Π(β|α) — التحويل

من أي نموذج عشوائي → أي نموذج M. يكفي حساب النموذج العشوائي ثم التحويل بالمعادلة 3.34

⚠️ تحذير: بعض البرامج الإحصائية لا تدعم نظرية التعميم مع الأوجه الثابتة

البرامج التي لا تستخدم قيود مجموع الصفر للآثار الثابتة تُعطي نتائج مختلفة غير متوافقة مع نظرية التعميم. تأكد دائماً من أن البرنامج يستخدم نفس الإطار!