المحتويات:
التكرار المتوقع (Expected Frequency)
المجالات التأديبية الأساسية: الإحصاء، نظرية الاحتمالات، اختبار الفرضيات
1. التعريف الأساسي والمفهوم
يمثل مفهوم التكرار المتوقع (Expected Frequency) حجر الزاوية في الإحصاء الاستدلالي، لا سيما ضمن سياق اختبارات الفرضيات اللامعلمية. يُعرف التكرار المتوقع بأنه القيمة النظرية أو العدد المتوقع للملاحظات التي تقع ضمن فئة معينة، بافتراض أن الفرضية الصفرية (Null Hypothesis) صحيحة. بعبارة أخرى، هو التوزيع العددي الذي كنا سنتوقعه لو كانت هناك استقلالية كاملة بين المتغيرات أو لو كان التوزيع الفعلي يتبع توزيعاً نظرياً محدداً بدقة. يتميز التكرار المتوقع بأنه ليس بالضرورة أن يكون عدداً صحيحاً، على عكس التكرار المشاهَد (Observed Frequency)، لأنه يمثل متوسطاً رياضياً أو قيمة محسوبة بناءً على الاحتمالات الهامشية الكلية. إن فهم التمييز بين التكرار المشاهد، وهو ما تم جمعه فعلياً من البيانات، والتكرار المتوقع، وهو النموذج النظري، أمر بالغ الأهمية لتطبيق الإحصاء التطبيقي.
يتم حساب التكرار المتوقع عادةً من خلال تطبيق قواعد الاحتمال على إجمالي حجم العينة والتوزيعات الهامشية. في أبسط صوره، إذا كان لدينا احتمال نظري P لفئة معينة وحجم عينة إجمالي N، فإن التكرار المتوقع E لتلك الفئة يُعطى بالصيغة E = N * P. هذا المفهوم يشكل أساس اختبارات المطابقة (Goodness-of-Fit) حيث نقارن مدى ملاءمة البيانات المشاهدة لتوزيع احتمالي مفترض (مثل التوزيع الطبيعي أو توزيع بواسون). في تحليل جداول التوافق (Contingency Tables)، يمثل التكرار المتوقع العدد الذي كنا سنتوقعه في كل خلية إذا لم تكن هناك علاقة ارتباط أو تبعية بين متغيري الصف والعمود، أي إذا كان المتغيران مستقلين إحصائياً.
تكمن الأهمية الجوهرية للتكرار المتوقع في قدرته على توفير معيار للمقارنة. عندما يقوم الباحث بإجراء دراسة، فإنه يجمع البيانات ويحصل على التكرارات المشاهدة. إذا كانت الفرضية الصفرية صحيحة (أي لا يوجد تأثير أو لا توجد علاقة)، فإن التكرارات المشاهدة يجب أن تكون قريبة جداً من التكرارات المتوقعة. كلما زاد التباين أو الاختلاف بين التكرار المشاهد والتكرار المتوقع، زادت الأدلة الإحصائية ضد الفرضية الصفرية، مما يقود في النهاية إلى رفضها. وبالتالي، فإن التكرار المتوقع ليس مجرد قيمة حسابية، بل هو تجسيد رياضي للافتراض القائل بالصدفة أو الاستقلالية أو التوزيع النظري المثالي الذي يتم اختباره.
2. الأساس النظري والاحتمالي
يعتمد الأساس النظري لحساب التكرار المتوقع بشكل أساسي على قواعد الاحتمال المشترك والاستقلالية. ففي سياق جداول التوافق ذات البعدين (R x C)، حيث نقوم بتحليل العلاقة بين متغيرين فئويين، يُفترض في ظل الفرضية الصفرية أن وقوع حدث في الصف مستقل عن وقوع حدث في العمود. إذا كان المتغيران مستقلين، فإن احتمال وقوعهما معاً (الاحتمال المشترك) يساوي حاصل ضرب احتماليهما الهامشيَّين. رياضياً، P(A و B) = P(A) * P(B).
لترجمة هذا الاحتمال إلى تكرار متوقع، يجب ضرب الاحتمال المشترك في إجمالي حجم العينة (N). لنفترض أننا في خلية محددة (i, j)، حيث يمثل i الصف و j العمود. الاحتمال الهامشي للصف i هو (مجموع الصف i) / N، والاحتمال الهامشي للعمود j هو (مجموع العمود j) / N. وبافتراض الاستقلالية، يصبح التكرار المتوقع E(i, j) مساوياً لـ:
E(i, j) = (مجموع الصف i * مجموع العمود j) / N
هذه الصيغة البسيطة هي تجسيد مباشر لمبدأ الاستقلالية الإحصائية. إذا كانت التكرارات المشاهدة قريبة من هذه القيمة المحسوبة، فإننا نستنتج أن البيانات تدعم فرضية عدم وجود ارتباط. على العكس من ذلك، إذا كانت التكرارات المشاهدة أعلى بكثير أو أقل بكثير من التكرارات المتوقعة، فإن هذا يشير إلى أن المتغيرات ليست مستقلة، وأن هناك تأثيراً منظماً أو ارتباطاً يستحق الدراسة.
بالإضافة إلى مبدأ الاستقلالية، يرتبط التكرار المتوقع ارتباطاً وثيقاً بـ نظرية النهاية المركزية (Central Limit Theorem) عندما يتم استخدامه في اختبار مربع كاي. فإذا كانت التكرارات المتوقعة كبيرة بما فيه الكفاية، فإن توزيع إحصائية الاختبار يقترب بشكل جيد من توزيع مربع كاي، مما يسمح لنا باستخدام هذا التوزيع لتقدير القيمة الاحتمالية (P-value) واتخاذ قرار بشأن الفرضية الصفرية. هذا الانتقال من البيانات الفئوية إلى استخدام توزيع نظري مستمر يعتمد بشكل حاسم على صحة وقيمة التكرارات المتوقعة المحسوبة.
3. السياق التاريخي والتطور
اكتسب مفهوم التكرار المتوقع أهميته الإحصائية المركزية في أواخر القرن التاسع عشر وأوائل القرن العشرين، بفضل أعمال عالم الإحصاء البريطاني البارز كارل بيرسون (Karl Pearson). قبل عمل بيرسون، كانت المقارنات بين البيانات المشاهدة والنظريات الاحتمالية تتم غالباً بطرق وصفية أو غير موحدة. كان الإنجاز العظيم لبيرسون هو تطوير اختبار مربع كاي (Chi-Squared Test) في عام 1900، والذي قدم طريقة كمية وموحدة لقياس مدى التباعد بين البيانات المرصودة وما هو متوقع نظرياً.
كان التكرار المتوقع هو المكون الأساسي الذي سمح لبيرسون بتأسيس إحصائية الاختبار. فصيغة مربع كاي، التي تقيس مجموع الفروق المربعة بين التكرارات المشاهدة والمتوقعة مقسوماً على التكرار المتوقع، تعتمد بشكل كامل على وجود هذه القيمة النظرية كـ “قاعدة” أو “مقام”. هذا الابتكار أحدث ثورة في مجال الإحصاء، حيث وفر أداة قوية لاختبار فرضيات التوزيعات الاحتمالية (اختبار المطابقة) واختبار فرضيات الاستقلالية (اختبار الاستقلال). قبل ذلك، كانت فكرة اختبار مدى “جودة” نموذج نظري في تفسير البيانات التجريبية تفتقر إلى الأساس الرياضي الصارم الذي قدمه التكرار المتوقع.
ومع تطور الإحصاء في منتصف القرن العشرين، خاصة مع أعمال رونالد فيشر (Ronald Fisher)، تم تحديد القيود المتعلقة باستخدام التكرار المتوقع، لا سيما في حالات العينات الصغيرة. فقد أكد فيشر وغيره على أهمية أن تكون التكرارات المتوقعة في كل خلية كافية (عادةً E ≥ 5)، لضمان تقريب توزيع مربع كاي بشكل صحيح. هذه الملاحظات لم تقلل من أهمية المفهوم، بل عززت من دقة تطبيقه، مما أدى إلى ظهور تعديلات إحصائية مثل تصحيح ييتس للاستمرارية (Yates’s correction) أو استخدام اختبار فيشر الدقيق في الجداول ذات التكرارات المتوقعة المنخفضة جداً.
4. الدور في اختبارات مربع كاي
يلعب التكرار المتوقع دوراً محورياً لا غنى عنه في صياغة وإجراء اختبار مربع كاي، سواء كان ذلك لاختبار الاستقلالية (لجداول التوافق) أو لاختبار المطابقة (لتوزيع فئوي واحد). الإحصائية الرياضية لمربع كاي (χ²) مصممة لقياس التباعد القياسي بين ما لاحظناه وما كنا سنتوقعه لو كانت الفرضية الصفرية صحيحة. الصيغة الأساسية هي:
حيث Oᵢ هو التكرار المشاهَد في الخلية i، و Eᵢ هو التكرار المتوقع لنفس الخلية. ويتبين من هذه المعادلة أن التكرار المتوقع يؤدي وظيفتين حاسمتين: أولاً، هو المرجع الذي يقاس بالنسبة إليه الانحراف (Oᵢ – Eᵢ). وثانياً، هو المقام الذي يقوم بتطبيع هذا الانحراف.
تعمل عملية التطبيع (القسمة على Eᵢ) على منح وزن أكبر للفروق التي تحدث في الخلايا ذات التكرارات المتوقعة المنخفضة. فإذا كان هناك فرق صغير بين المشاهد والمتوقع في خلية كان من المتوقع أن تحتوي على عدد قليل جداً من الملاحظات (Eᵢ صغير)، فإن هذا الفرق يُعتبر ذا أهمية إحصائية أكبر بكثير مما لو حدث نفس الفرق في خلية ذات تكرار متوقع عالٍ جداً. وهذا يضمن أن اختبار مربع كاي حساس للاختلافات النسبية، وليس فقط المطلقة، في التوزيع.
وبالتالي، فإن التكرار المتوقع هو الأساس الذي يحدد القيمة الإحصائية للاختبار. إذا كانت القيمة المحسوبة لـ χ² مرتفعة جداً، فهذا يعني أن التكرارات المشاهدة تختلف بشكل كبير عن التكرارات المتوقعة، مما يشير إلى أن الفرضية الصفرية (التي أنتجت هذه التكرارات المتوقعة) يجب أن تُرفض. إن دقة حساب التكرار المتوقع هي المفتاح لضمان صحة قرار رفض أو قبول الفرضية الصفرية في اختبارات مربع كاي.
5. خصائص حساب التكرار المتوقع
تتميز عملية حساب التكرار المتوقع بعدد من الخصائص الإحصائية الهامة التي يجب على الباحثين مراعاتها. إحدى أهم هذه الخصائص هي أن التكرار المتوقع ليس بالضرورة أن يكون عدداً صحيحاً. على الرغم من أن التكرارات المشاهدة (الأعداد الفعلية للأفراد أو الملاحظات) تكون دائماً أعداداً صحيحة، فإن التكرار المتوقع هو قيمة نظرية تعكس المتوسط الاحتمالي، ويمكن أن يكون كسراً أو عدداً عشرياً، مما يعكس طبيعته كتقدير رياضي مستمر، وليس كعد حقيقي.
خاصية أخرى حاسمة تتعلق بـ المجاميع الهامشية (Marginal Totals). في جدول التوافق، يجب أن يكون مجموع التكرارات المتوقعة في أي صف معيّن مساوياً تماماً لمجموع التكرارات المشاهدة لذلك الصف (المجموع الهامشي للصف). وبالمثل، يجب أن يكون مجموع التكرارات المتوقعة في أي عمود مساوياً لمجموع التكرارات المشاهدة للعمود. هذه الخاصية تضمن أن حساب التكرار المتوقع يحافظ على الهيكلية الأساسية لحجم العينة والتوزيعات الهامشية، مع تغيير التوزيع الداخلي للخلايا فقط ليعكس افتراض الاستقلالية.
علاوة على ذلك، يتطلب حساب التكرار المتوقع افتراضاً جوهرياً هو الاستقلالية الإحصائية بين المتغيرات. إن أي انحراف عن هذا الافتراض هو بالضبط ما يسعى اختبار مربع كاي إلى اكتشافه. إن إجمالي التكرارات المتوقعة في الجدول بأكمله يجب أن يساوي دائماً إجمالي حجم العينة (N)، مما يؤكد أن التكرارات المتوقعة توزع حجم العينة على الخلايا بطريقة تتفق مع النموذج النظري المفترض.
6. التطبيقات العملية والأمثلة
يجد مفهوم التكرار المتوقع تطبيقات واسعة النطاق في مجموعة متنوعة من المجالات البحثية والعلمية، حيثما تتطلب المقارنة بين التوزيعات الفعلية والتوزيعات النظرية. أحد أبرز تطبيقاته هو في علم الوراثة، حيث يستخدم اختبار مربع كاي والتكرار المتوقع لاختبار ما إذا كانت نتائج التهجين تتوافق مع النسب المندلية المتوقعة (مثل نسبة 3:1 أو 9:3:3:1). في هذه الحالة، يتم حساب التكرارات المتوقعة بناءً على الاحتمالات التي تنص عليها قوانين مندل، ثم يتم مقارنتها بالتكرارات المشاهدة من التجارب المعملية.
في البحوث الطبية والوبائية، يُستخدم التكرار المتوقع بشكل متكرر في تحليل الدراسات التي تستخدم جداول التوافق (2×2 أو أكبر) لتحديد ما إذا كان هناك ارتباط بين متغيرين فئويين، مثل التعرض لعامل خطر معين (نعم/لا) والإصابة بمرض (نعم/لا). هنا، تمثل التكرارات المتوقعة الوضع الذي لا يوجد فيه ارتباط بين عامل الخطر والمرض. إذا كانت التكرارات المشاهدة في الخلايا التي تمثل التعرض والإصابة أعلى بكثير من المتوقع، فهذا يشير إلى وجود ارتباط إحصائي (وليس بالضرورة سببي).
كما يمتد التطبيق إلى العلوم الاجتماعية، مثل علم النفس وعلم الاجتماع، لاختبار الفرضيات المتعلقة بالاستقلالية بين المتغيرات الديموغرافية والسلوكيات أو الآراء. على سبيل المثال، قد يرغب الباحث في اختبار ما إذا كانت الخلفية التعليمية (متغير الصف) مستقلة عن الميل السياسي (متغير العمود). يتم حساب التكرارات المتوقعة بناءً على افتراض أن هذين المتغيرين ليسا مرتبطين. إن أي تباين كبير بين التكرار المشاهد والمتوقع يوفر دليلاً على وجود ارتباط ذي دلالة إحصائية، مما يشكل أساساً للاستنتاجات النظرية حول العلاقات الاجتماعية.
7. القيود والافتراضات
على الرغم من الأهمية الكبيرة لمفهوم التكرار المتوقع في الإحصاء اللامعلمي، فإن استخدامه الفعال، لا سيما ضمن اختبار مربع كاي، يخضع لعدد من القيود والافتراضات الصارمة. أهم هذه الافتراضات هو اشتراط الحد الأدنى لحجم التكرار المتوقع في كل خلية. لكي يقترب توزيع إحصائية مربع كاي المحسوبة بشكل كافٍ من التوزيع النظري لمربع كاي، يجب أن تكون التكرارات المتوقعة كافية. القاعدة العامة المقبولة على نطاق واسع تنص على أنه يجب أن يكون التكرار المتوقع E ≥ 5 في 80% على الأقل من الخلايا، ويجب ألا يقل عن 1 في أي خلية على الإطلاق.
إذا تم انتهاك هذا الافتراض، فإن إحصائية مربع كاي تصبح غير موثوقة، وقد تؤدي إلى استنتاجات خاطئة (مثل رفض الفرضية الصفرية عندما تكون صحيحة، أو العكس). تنشأ هذه المشكلة بشكل خاص في الدراسات التي تعتمد على عينات صغيرة أو تلك التي تحتوي على عدد كبير من الفئات (جداول كبيرة)، مما يؤدي إلى “تخفيف” التكرارات عبر الخلايا. لمعالجة مشكلة التكرارات المتوقعة المنخفضة، قد يلجأ الإحصائيون إلى دمج الفئات المتجاورة (Pooling) لزيادة قيم E، أو استخدام اختبارات بديلة لا تعتمد على التقريب التوزيعي لمربع كاي، مثل اختبار فيشر الدقيق (Fisher’s Exact Test)، والذي يستخدم بشكل خاص لجداول 2×2 عندما تكون التكرارات المتوقعة منخفضة.
هناك قيود أخرى مرتبطة بالافتراض الأساسي بأن البيانات يجب أن تكون عينة عشوائية مستقلة. إذا كانت الملاحظات غير مستقلة (أي أن استجابة فرد تؤثر على استجابة فرد آخر)، فإن حساب التكرار المتوقع واختبار مربع كاي اللاحق قد يكونان غير مناسبين. بالإضافة إلى ذلك، يعتمد التكرار المتوقع على البيانات الفئوية (Categorical Data)؛ ولا يمكن تطبيقه بشكل مباشر على البيانات الكمية (Quantitative Data) دون تحويلها إلى فئات. إن الالتزام بهذه القيود يضمن أن يكون التكرار المتوقع أداة قوية وشرعية لتقييم الفرضيات الإحصائية.