التغاير: كيف تفهم علاقة المتغيرات في علم النفس؟

مدرس الدكتور محمد لوتي

المحتويات:

التغاير (Covariance)

المجال(المجالات) التخصصية الأساسية: الإحصاء، نظرية الاحتمالات، المالية الكمية، تعلم الآلة.

1. التعريف الجوهري والمفهوم الإحصائي

يمثل مفهوم التغاير (Covariance) حجر الزاوية في التحليل الإحصائي متعدد المتغيرات، وهو مقياس أساسي يصف العلاقة الخطية بين متغيرين عشوائيين. وبعبارة أدق، يقيس التغاير مدى ميل المتغيرين إلى التغير معًا؛ أي كيف تتجه قيم أحد المتغيرين عندما تتغير قيم المتغير الآخر. إن فهم التغاير ضروري لتحديد ما إذا كانت الزيادة في متغير ما تترافق مع زيادة (علاقة طردية) أو نقصان (علاقة عكسية) في المتغير الثاني، أو إذا كان المتغيران مستقلين عن بعضهما البعض إحصائيًا. يختلف التغاير عن التباين (Variance)، الذي يقيس مدى تشتت متغير واحد حول متوسطه، بينما يركز التغاير حصريًا على العلاقة المشتركة بين متغيرين.

يتم التعبير عن التغاير بوحدة قياس هي نتاج وحدتي قياس المتغيرين المعنيين، مما يجعله مقياسًا يعتمد على المقياس (Scale-dependent)، وهي خاصية تميزه عن مقياس الارتباط (Correlation) الأكثر سهولة في التفسير. ويستخدم التغاير كأداة تشخيصية لتحديد شكل واتجاه العلاقة الخطية المحتملة بين البيانات. فإذا كان التغاير موجبًا، فهذا يشير إلى أن المتغيرين يتحركان في الاتجاه نفسه، وإذا كان سالبًا، فإنهما يتحركان في اتجاهين متعاكسين. أما إذا كان التغاير يساوي صفرًا أو قريبًا منه، فهذا يعني أنه لا توجد علاقة خطية واضحة بينهما.

إن أهمية التغاير تتجاوز مجرد الوصف الإحصائي؛ فهو يلعب دورًا محوريًا في بناء نماذج إحصائية أكثر تعقيدًا، مثل تحليل المكونات الرئيسية (Principal Component Analysis) وفي نظرية المحفظة المالية الحديثة (Modern Portfolio Theory) التي طورها ماركويتز. وفي جوهره، يوفر التغاير الأساس الرياضي لتقييم المخاطر المشتركة وتنوع البيانات، مما يجعله أداة لا غنى عنها في مجالات تتطلب فهمًا عميقًا لكيفية تفاعل المتغيرات مع بعضها البعض في الأنظمة المعقدة.

2. الخلفية الرياضية وصيغة التغاير

يُعرَّف التغاير رياضيًا على أنه القيمة المتوقعة لحاصل ضرب انحرافات المتغيرين العشوائيين عن متوسطاتهما الحسابية. هذه الصيغة الرياضية هي التي تحدد بدقة ميل المتغيرين للابتعاد عن متوسطاتهما بنفس الاتجاه أو باتجاهات معاكسة. بالنسبة لمتغيرين عشوائيين X و Y، يُشار إلى التغاير بينهما بالرمز Cov(X, Y)، وتُعطى الصيغة رياضياً باستخدام مفهوم القيمة المتوقعة (E) على النحو التالي:

Cov(X, Y) = E[ (X – E[X]) (Y – E[Y]) ]

حيث تمثل E[X] و E[Y] المتوسطات الحسابية (القيم المتوقعة) للمتغيرين X و Y على التوالي. ويُظهر هذا التعريف أن التغاير يقيس في الأساس متوسط حاصل ضرب الانحرافات. فإذا كانت معظم الانحرافات موجبة في كلا المتغيرين (أي أن كلا المتغيرين أعلى من متوسطه في نفس الوقت) أو سالبة في كلا المتغيرين (كلاهما أقل من متوسطه في نفس الوقت)، فإن حاصل الضرب سيكون موجبًا، مما يؤدي إلى تغاير موجب كبير. وعلى العكس، إذا كان أحد المتغيرين يميل إلى أن يكون أعلى من متوسطه بينما الآخر أدنى من متوسطه، فإن حاصل الضرب سيكون سالبًا، مما يؤدي إلى تغاير سالب.

وعند التعامل مع بيانات العينة بدلاً من التوزيعات الاحتمالية الكاملة، يتم تقدير التغاير للعينة (S_xy) باستخدام صيغة قريبة تعتمد على مجموع حاصل ضرب الانحرافات مقسومًا على حجم العينة (n) أو (n-1) للحصول على تقدير غير متحيز (Unbiased estimator):

S_xy = (1 / (n-1)) * Σ [ (x_i – x̄) (y_i – ȳ) ]

حيث x̄ و ȳ هما المتوسطان الحسابيان للعينة، و n هو عدد الأزواج الملاحظة. ويجب التأكيد على أن التغاير هو مقياس ثنائي الأبعاد، أي أنه يتطلب متغيرين على الأقل لإجراء الحساب. وعند توسيع نطاق هذا المفهوم ليشمل أكثر من متغيرين، يتم استخدام مصفوفة التغاير (Covariance Matrix)، والتي تحتوي على التباينات للمتغيرات الفردية على القطر الرئيسي، والتغايرات بين جميع أزواج المتغيرات الأخرى في الأماكن غير القطرية.

3. تفسير قيمة التغاير

إن تفسير قيمة التغاير يتطلب دقة، خاصة فيما يتعلق بمقدار القيمة المطلقة. فكما ذكرنا سابقاً، يمكن استخلاص الاتجاه العام للعلاقة بسهولة: تشير القيمة الموجبة إلى علاقة طردية (تزايد مشترك)، وتشير القيمة السالبة إلى علاقة عكسية (تناقص أحد المتغيرات مع تزايد الآخر)، بينما تشير القيمة الصفرية أو القريبة من الصفر إلى غياب العلاقة الخطية. ومع ذلك، فإن حجم القيمة المطلقة للتغاير لا يقدم معلومات مباشرة وموحدة عن قوة العلاقة.

السبب الرئيسي وراء صعوبة تفسير حجم التغاير هو اعتماده على وحدات قياس المتغيرات. فإذا قمنا بتغيير وحدات قياس أحد المتغيرات (على سبيل المثال، من الدولار إلى السنت، أو من الكيلوغرام إلى الجرام)، فإن قيمة التغاير تتغير بشكل كبير، حتى لو بقيت العلاقة الجوهرية بين المتغيرين كما هي. وهذا يعني أن قيمة تغاير قدرها 100 قد تمثل علاقة قوية جدًا في سياق معين (إذا كانت المتغيرات مقاسة بوحدات صغيرة)، وقد تمثل علاقة ضعيفة جدًا في سياق آخر (إذا كانت المتغيرات مقاسة بوحدات كبيرة).

لذلك، عند استخدام التغاير في التحليل العملي، فإنه غالبًا ما يُستخدم كخطوة وسيطة في حساب مقاييس أخرى قابلة للتفسير، وأبرزها معامل الارتباط (Correlation Coefficient)، والذي يوفر مقياسًا موحدًا لقوة العلاقة. وعلى الرغم من هذه القيود التفسيرية، فإن التغاير يظل حيويًا في تحديد اتجاه العلاقة، وهي معلومة ضرورية لإجراء الاختبارات الإحصائية وبناء النماذج التنبؤية، حيث يحدد ما إذا كنا سنتوقع زيادة أم نقصانًا في متغير ما بناءً على ملاحظة المتغير الآخر.

4. خصائص التغاير الأساسية

للتغاير مجموعة من الخصائص الرياضية الأساسية التي تسهل التعامل معه في العمليات الحسابية المتقدمة ونظرية الاحتمالات. هذه الخصائص تضمن الاتساق الرياضي وتسمح بمعالجة التغاير عند تطبيق التحولات الخطية على المتغيرات العشوائية.

خاصية التماثل (Symmetry): التغاير بين X و Y هو نفسه التغاير بين Y و X.
Cov(X, Y) = Cov(Y, X)
التغاير مع التباين: التغاير بين متغير عشوائي ونفسه يساوي التباين لذلك المتغير.
Cov(X, X) = Var(X)
التحويلات الخطية (Linear Transformations): إذا كانت a و b ثوابت، فإن التغاير بين المتغير X ومتغير آخر مضروب في ثابت يتم حسابه كالآتي:
Cov(aX, Y) = a Cov(X, Y)
التحويلات الخطية المشتركة: إذا كانت a, b, c, d ثوابت:
Cov(aX + b, cY + d) = ac Cov(X, Y)
وهذه الخاصية مهمة، حيث تظهر أن إضافة ثابت إلى المتغير (b أو d) لا يؤثر على قيمة التغاير، بينما يؤثر ضرب المتغير في ثابت (a أو c) على قيمته ضربًا مباشرًا.
خاصية الجمعية (Additivity): التغاير بين مجموع متغيرين ومتغير ثالث يساوي مجموع التغايرات الفردية.
Cov(X + Z, Y) = Cov(X, Y) + Cov(Z, Y)

تُستخدم هذه الخصائص بشكل مكثف في نظرية الاحتمالات لحساب تباين مجموع أو فرق المتغيرات العشوائية. على سبيل المثال، تباين مجموع متغيرين (X+Y) لا يساوي ببساطة مجموع التباينات (Var(X) + Var(Y)) إلا إذا كان المتغيران مستقلين، ولكنه في الحالة العامة يُحسب على النحو التالي: Var(X + Y) = Var(X) + Var(Y) + 2 Cov(X, Y). وهذا يوضح الدور الحاسم للتغاير في فهم تشتت المحافظ أو المجاميع.

5. التغاير مقابل الارتباط (Correlation)

على الرغم من أن التغاير والارتباط كلاهما يقيسان العلاقة الخطية بين متغيرين، إلا أنهما يختلفان اختلافًا جوهريًا في التفسير والاستخدام. يعد معامل الارتباط (غالباً معامل ارتباط بيرسون، Pearson’s r) نسخة موحدة ومقيسة من التغاير، وقد تم تطويره خصيصًا للتغلب على القصور التفسيري للتغاير فيما يتعلق بالاعتماد على المقياس.

يتم حساب معامل الارتباط بقسمة التغاير بين المتغيرين على حاصل ضرب الانحرافات المعيارية لهذين المتغيرين. تؤدي عملية القسمة هذه إلى “تطبيع” (Normalization) القيمة، مما يجعل الارتباط بلا وحدة قياس ويتراوح دائمًا بين -1 و +1. هذا النطاق المحدود يسمح بتفسير فوري لقوة العلاقة:

قيمة +1: تشير إلى علاقة خطية طردية كاملة.
قيمة -1: تشير إلى علاقة خطية عكسية كاملة.
قيمة 0: تشير إلى غياب العلاقة الخطية.

وبالتالي، بينما يخبرنا التغاير عن اتجاه العلاقة فقط، يخبرنا الارتباط عن كل من الاتجاه والقوة. في معظم التطبيقات التحليلية التي تتطلب مقارنة العلاقات بين أزواج مختلفة من المتغيرات، يفضل استخدام الارتباط لأنه يوفر مقياسًا موحدًا وقابلاً للمقارنة عالميًا. ومع ذلك، يظل التغاير ضروريًا رياضيًا؛ فهو المكون الأساسي الذي يُبنى عليه الارتباط، ولا يمكن حساب الارتباط بدقة دون حساب التغاير أولاً.

6. تطبيقات التغاير العملية

يجد مفهوم التغاير تطبيقات واسعة ومتعددة في مختلف المجالات العلمية والهندسية والمالية، ويرجع ذلك إلى قدرته على تكميم التفاعلات المشتركة بين المتغيرات.

نظرية المحفظة المالية (Portfolio Theory): يُعد التغاير بين عوائد الأصول المختلفة هو المقياس الأكثر أهمية في نموذج ماركويتز لإدارة المحافظ. يستخدم المستثمرون التغاير لتحديد كيف يمكن لمزيج من الأصول أن يقلل من المخاطر الإجمالية للمحفظة. فمن خلال اختيار الأصول التي لديها تغاير سالب أو منخفض (أي التي لا ترتفع وتنخفض في نفس الوقت)، يمكن للمستثمر تحقيق ما يسمى بـ التنويع (Diversification)، مما يحسن نسبة العائد إلى المخاطر.
تحليل المكونات الرئيسية (PCA): في مجال تعلم الآلة وتحليل البيانات، يُستخدم PCA لتقليل أبعاد البيانات عن طريق تحويل مجموعة من المتغيرات المترابطة إلى مجموعة أصغر من المتغيرات غير المترابطة تسمى المكونات الرئيسية. تبدأ هذه العملية دائمًا بحساب مصفوفة التغاير، حيث تحدد هذه المصفوفة اتجاهات التباين الأقصى في البيانات، مما يسمح للمحلل بتحديد أهم الأبعاد التي تصف التشتت الكلي.
معالجة الإشارات والاستشعار عن بعد: في هذه المجالات، يتم استخدام دالة التغاير المشترك (Cross-covariance function) لتقييم التشابه بين إشارتين زمنيتين مختلفتين كدالة لتأخير الوقت. وهذا يسمح بالكشف عن الإشارات المتكررة أو تحديد التأخير الزمني بين البيانات الملتقطة من مستشعرات مختلفة.
النمذجة الاقتصادية والاجتماعية: في الاقتصاد القياسي، يتم استخدام التغاير لتقدير العلاقات بين المتغيرات الاقتصادية الكلية (مثل التضخم ونمو الناتج المحلي الإجمالي)، ويساعد في اختبار الفرضيات حول سلوك المستهلكين والأسواق.

هذه التطبيقات تؤكد أن التغاير ليس مجرد مفهوم نظري، بل هو أداة حسابية عملية تساهم في اتخاذ القرارات وتحسين النماذج في سياقات تتسم بالتعقيد وعدم اليقين.

7. القيود والانتقادات

على الرغم من أهميته البالغة، يعاني مفهوم التغاير من عدة قيود يجب أخذها في الاعتبار عند استخدامه في التحليل الإحصائي:

قياس العلاقة الخطية فقط: القيد الأبرز للتغاير هو أنه مصمم للكشف عن العلاقات الخطية بين المتغيرات فقط. إذا كانت العلاقة بين X و Y غير خطية (مثل علاقة تربيعية أو أسية)، فقد تكون قيمة التغاير قريبة من الصفر، مما يوحي بالخطأ بعدم وجود علاقة، بينما في الواقع قد تكون هناك علاقة قوية جدًا ولكنها غير خطية.
الاعتماد على المقياس (Scale Dependency): كما نوقش سابقًا، تعتمد قيمة التغاير المطلقة على وحدات قياس المتغيرات. هذا يجعل من المستحيل تقريبًا مقارنة قوة التغاير بين مجموعات مختلفة من المتغيرات (مثلاً، التغاير بين الطول والوزن مقارنة بالتغاير بين الدخل والإنفاق).
الحساسية للقيم المتطرفة (Outliers): نظرًا لأن حساب التغاير يتضمن تربيع الانحرافات عن المتوسط (ضمنياً في حاصل ضرب الانحرافات)، فإن القيم المتطرفة يمكن أن تضخم بشكل كبير قيمة التغاير، مما يؤدي إلى استنتاجات مضللة حول قوة أو اتجاه العلاقة المشتركة.
لا يعني السببية: إحصائيًا، وجود تغاير موجب أو سالب كبير لا يعني أبدًا أن أحد المتغيرات يسبب الآخر. التغاير يشير فقط إلى وجود ارتباط أو مصاحبة مشتركة في التغير.