اختبار مربع كاي للاستقلالية مقابل اختبار فيشر الدقيق
تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
معايير التدقيق والاعتماد السريري
يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).
يمثّل تحليل البيانات الفئوية (Categorical Data Analysis) ركيزة جوهرية في ترسانة المنهجيات الإحصائية الموجهة لدراسة الظواهر الاجتماعية، السلوكية، والطبية الحيوية؛ حيث تتخذ المتغيرات في كثير من الأحيان صورة تصنيفات نوعية منفصلة لا تخضع للتدرج الكمي المتصل. وفي خضم هذا الاستدلال، تحتل جداول الاقتران أو التوافق (Contingency Tables) مكانة مركزية باعتبارها القالب الرياضي والمفاهيمي الذي يختزل البنية التكرارية المشتركة لمتغيرين نوعيين أو أكثر. تتيح هذه الجداول للباحثين تفكيك التعقيد الكامن في العلاقات المتبادلة بين المتغيرات الاسمية، وفحص ما إذا كانت الفئات الملاحظة تتوزع وفق نمط عشوائي يتوافق مع فرضية الاستقلالية الإحصائية المطلقة، أم أنها تعكس اقتراناً بنيوياً ذا دلالة يستوجب التفسير العلمي والنظري.
ومع تطور الفكر الإحصائي منذ مطلع القرن العشرين، برز اختباران رئيسيان هيمنا على أدبيات فحص الاستقلالية في جداول الاقتران ثنائية الأبعاد (لا سيما جداول 2×2 والجداول العامة من الرتبة r × c): اختبار مربع كاي للاستقلالية لكارل بيرسون (Pearson’s Chi-Square Test of Independence)، واختبار فيشر الدقيق لرونالد آيلمر فيشر (Fisher’s Exact Test). ورغم أن كلا الاختبارين يشتركان ظاهرياً في اختبار الفرضية الصفرية ذاتها—المتمثلة في انعدام الارتباط بين المتغيرين المصنفين—إلا أن الأسس الفلسفية، الرياضية، والاحتمالية التي يستند إليها كل منهما تختلف اختلافاً جذرياً؛ إذ ينتمي أحدهما إلى عائلة الاختبارات المعلمية التقاربية المعتمدة على تقريب التوزيعات المستمرة لعينات كبيرة، في حين ينتمي الآخر إلى فئة الاختبارات التباديلية الدقيقة التي تستند إلى التوزيع التوافقي المنفصل.
إن هذا التباين البنيوي بين المنطق التقاربي والمنطق الاحتمالي الدقيق ليس مجرد ترف رياضي نظري، بل هو محدد منهجي بالغ الحساسية يؤثر تأثيراً مباشراً على صدق القرارات الإحصائية، ومعدلات الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية الصائبة) والخطأ من النوع الثاني (قبول الفرضية الصفرية الخاطئة). يهدف هذا المقال الموسع إلى تقديم معالجة أكاديمية شاملة ومقارنة معمقة بين اختبار مربع كاي للاستقلالية واختبار فيشر الدقيق، مستعرضاً الأصول التاريخية، الاشتقاقات الرياضية، الشروط الإجرائية، التحديات الحاسوبية، وتطبيقاتهما في البحوث الميدانية المتقدمة، وصولاً إلى بناء نموذج منهجي يوجه الباحث نحو الاختيار الأمثل استناداً إلى خصائص البيانات وطبيعة التصميم التجريبي.
1. مقدمة تأطيرية: تحليل البيانات الفئوية وجداول الاقتران
1.1 سياق الاستدلال الإحصائي للمتغيرات النوعية
يتطلب الاستدلال الإحصائي للمتغيرات النوعية (Qualitative Variables) صياغة مفاهيمية مغايرة لتلك المتبعة في المتغيرات الكمية المتصلة؛ ففي حين تستند الأخيرة إلى حساب مقاييس النزعة المركزية كالمتوسطات والتشتت كالتباينات وتفترض غالباً توزيعاً طبيعياً معلماً، تعتمد المتغيرات الفئوية الاسمية (Nominal Categorical Variables) على حصر التكرارات (Frequencies) وحساب النسب المئوية وتوزيع الأفراد داخل فئات متمايزة كيفياً ولا تفاضل بينها. وتبرز أهمية هذا التحليل في العلوم الطبية عند دراسة العلاقة بين التعرض لعامل خطورة معين والإصابة بمرض ما، وفي علم النفس والاجتماع عند استقصاء الروابط بين الأنماط السلوكية والتصنيفات الديموغرافية أو التشخيصية؛ كدراسة أنماط التعلق العاطفي وعلاقتها بالاضطرابات النفسية في العينات الإكلينيكية (van IJzendoorn & Bakermans‐Kranenburg, 1996)، أو تقييم فعالية التدخلات الأسرية القائمة على التعلق في خفض الأفكار الانتحارية لدى المراهقين عبر تصنيفات الاستجابة للعلاج (Diamond et al., 2010).
تُعد جداول الاقتران (Contingency Tables)، والتي تُعرف أيضاً بجداول التوافق المتقاطع، الأداة الأساسية لتلخيص وتنسيق البيانات النوعية المشتركة. ففي أبسط صورها، يمثل جدول 2×2 توزع أفراد العينة وفق متغيرين ثنائيي التقسيم (Dichotomous Variables)، حيث تشكل خلايا الجدول الأربع تقاطع المستويات المختلفة لكلا المتغيرين. وفي الجداول الأكثر اتساعاً (r × c)، تتوزع الملاحظات عبر r من الصفوف و c من الأعمدة، مشكلة مصفوفة تكرارية تعكس التوزيع المشترك الملاحظ (Observed Joint Distribution). إن التحدي الإحصائي الجوهري هنا يكمن في فك الارتباط بين التباين العشوائي الناتج عن المعاينة الاحتمالية وبين النمط البنيوي الحقيقي في المجتمع؛ إذ يجب تحديد ما إذا كانت التكرارات الملاحظة في الخلايا تتطابق إحصائياً مع ما هو متوقع تحت مظلة الفرضية الصفرية، والتي تفترض أن احتمال وقوع الملاحظة في خلية معينة يساوي تماماً حاصل ضرب احتمالات هوامش الصف والعمود المناظرين.
ولتحقيق هذا الهدف الاستدلالي، تبرز الحاجة الماسة إلى اختبارات الدلالة الإحصائية غير المعلمية (Non-parametric Tests). هذه الاختبارات لا تتطلب افتراضات مسبقة حول معالم المجتمع الأصلي كالتوزيع الغاوسي، بل تركز على مطابقة التوزيع التكراري الملاحظ بالتوزيع الاحتمالي المتوقع في ظل الاستقلالية التامة. ومن هنا، ينبثق التساؤل المنهجي حول طبيعة الأداة الرياضية المستخدمة لحساب هذه الدلالة: هل يتم اللجوء إلى الدوال التقريبية المتصلة المستندة إلى نهايات العينات الكبيرة، أم يجب استدعاء الحساب التبادلي الدقيق الذي يختبر كافة التشكيلات الممكنة للبيانات؟
1.2 دوافع المقارنة والخلط المنهجي الشائع بين الاختبارين
يشترك اختبار مربع كاي للاستقلالية واختبار فيشر الدقيق في الهدف المعرفي الأسمى: اختبار ما إذا كان هناك اقتران إحصائي ذو دلالة بين متغيرين فئويين داخل جدول توافق. غير أن الممارسة البحثية التطبيقية تشهد خلطاً منهجياً متكرراً بين الاختبارين، ينبع في كثير من الأحيان من الاعتماد الأعمى على المخرجات التلقائية للحزم البرمجية الإحصائية دون إدراك عميق للفروق البنيوية في الشروط والافتراضات. يميل العديد من الباحثين إلى التعامل مع الاختبارين كبديلين متكافئين وظيفياً، متناسين أن اختبار مربع كاي هو اختبار تقاربي مقرب (Asymptotic Approximation)، في حين أن اختبار فيشر هو اختبار احتمالي دقيق ومباشر (Exact Permutation Test).
وتتفاقم خطورة هذا الخلط المنهجي عند نقطة التحول الحرجة المتعلقة بحجم العينة والتكرارات المتوقعة داخل الخلايا. ففي الحالات التي تكون فيها العينة الإجمالية صغيرة، أو عندما تكون الظاهرة المدروسة نادرة الحدوث مما يؤدي إلى انخفاض التكرارات المتوقعة إلى ما دون المستويات الحرجة، ينهار التقريب الرياضي المستند إلى منحنى مربع كاي المتصل، وتتحول قيم الدلالة الإحصائية الناتجة عنه إلى قيم مضللة تؤدي إلى تضخيم خطأ الوقوع في النتيجة الإيجابية الزائفة (الخطأ من النوع الأول). وعلى النقيض من ذلك، يتردد باحثون آخرون في تطبيق اختبار فيشر الدقيق على عينات متوسطة أو كبيرة أو جداول تتجاوز أبعادها 2×2، ظناً منهم أنه يقتصر حصراً على الحالات الميكروسكوبية، أو تجنباً للتعقيد الحسابي الذي تفرضه المضروبات التوافقية الكبيرة.
إن التمييز الدقيق بين متطلبات كلا الاختبارين، وفهم أثر التكرارات المتوقعة المنخفضة وخصائص الهوامش الإحصائية، يمثلان صمام الأمان لمنع الانزلاق نحو استنتاجات زائفة قد تؤثر جذرياً على مخرجات البحوث التطبيقية؛ ولا سيما في السياقات التي تترتب عليها قرارات علاجية حاسمة أو سياسات اجتماعية واقتصادية فارقة كتقييم مستويات القلق والاضطراب النفسي وتمايزها النوعي عبر المقاييس المقننة (Sousa et al., 2015).
2. الإطار النظري والمفاهيمي لاختبار مربع كاي للاستقلالية
2.1 الأسس الرياضية وتوزيع مربع كاي التقاربي
ترجع الأصول الرياضية لاختبار مربع كاي للاستقلالية إلى الورقة التأسيسية التي نشرها عالم الإحصاء البريطاني كارل بيرسون عام 1900، والتي صاغ فيها مقياساً لجودة المطابقة بين التوزيعات التكرارية التجريبية وتوزيعات الاحتمال النظرية. يقوم المنطق البيرسوني على فكرة قياس الفجوة الإجمالية بين ما تمت ملاحظته تجريبياً في الواقع (Observed Frequencies ويرمز لها بالرمز $O_{ij}$) وما كان ينبغي ملاحظته في حال تحقق الاستقلالية التامة رياضياً، وهو ما يُعرف بالتكرارات المتوقعة (Expected Frequencies ويرمز لها بالرمز $E_{ij}$). وتُحسب التكرارات المتوقعة لكل خلية تقع في الصف $i$ والعمود $j$ بناءً على الاحتمال المشترك المستقل المشتق من المجاميع الهامشية للعينة، وفق الصيغة الرياضية التالية:
$$E_{ij} = \frac{R_i \times C_j}{N}$$
حيث يمثل $R_i$ مجموع تكرارات الصف $i$، ويمثل $C_j$ مجموع تكرارات العمود $j$، بينما يمثل $N$ الحجم الكلي للعينة المدروسة. وبمجرد تحديد التكرار المتوقع لكل خلية في المصفوفة، تُحسب إحصائية مربع كاي لبيرسون ($\chi^2$) بتطبيق المعادلة التراكمية الشهيرة:
$$\chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$
تعتمد هذه الإحصائية على تربيع الفروق الملاحظة للتخلص من الإشارات السالبة وضمان تراكم الانحرافات، مع قسمة كل مربع فرق على التكرار المتوقع الخاص بالخلية لتوحيد أوزان الانحرافات نسبةً إلى الحجم المتوقع، مما يمنع هيمنة الخلايا ذات التكرارات المطلقة الكبيرة على قيمة الإحصائية الكلية. ويستند السند النظري لهذا الحساب إلى مبرهنة النهاية المركزية (Central Limit Theorem)؛ فعندما يقترب حجم العينة من اللانهاية، تتقارب الفروق المعيارية $\frac{O_{ij} – E_{ij}}{\sqrt{E_{ij}}}$ نحو التوزيع الطبيعي المعياري، وبالتالي يتقارب مجموع مربعاتها نحو توزيع مربع كاي المتصل.
أما بالنسبة لدرجات الحرية (Degrees of Freedom – $df$) المرتبطة بالاختبار، فقد شهدت سجالاً تاريخياً بين بيرسون ورونالد فيشر، حتى أثبت الأخير في ورقة علمية محورية عام 1922 أن تحديد درجات الحرية في جداول الاقتران يجب أن يأخذ بعين الاعتبار القيود الخطية المفروضة بواسطة الهوامش الثابتة، وتُحدد رياضياً بالصيغة:
$$df = (r – 1) \times (c – 1)$$
حيث يعكس هذا المقدار عدد الخلايا الحرة التي يمكن أن تتغير قيمها بصورة مستقلة تماماً قبل أن تصبح بقية قيم الخلايا محددة حتماً بمجاميع الهوامش الإجمالية المعروفة للصفوف والأعمدة.
2.2 الافتراضات الإحصائية وشروط صحة التطبيق
نظراً لأن اختبار مربع كاي يستند إلى تقريب مستمر لظاهرة تكرارية متقطعة (Multinomial Distribution)، فإن صحة الاستدلال به ومشروعية القيمة الاحتمالية الناتجة ترتهنان باستيفاء حزمة صارمة من الشروط المنهجية والإحصائية. يقع في مقدمة هذه الشروط شرط استقلالية الملاحظات الفردية؛ إذ يجب أن ينتمي كل مفحوص أو وحدة معاينة إلى خلية واحدة فقط من خلايا الجدول دون أي تداخل، مع اشتراط أن يكون جمع البيانات قد تم عبر عينة عشوائية بسيطة مسحوبة من مجتمع الدراسة، مما يستبعد كلياً البيانات الطولية أو القياسات المتكررة على الأفراد أنفسهم من نطاق هذا الاختبار.
أما على الصعيد العددي وتوزيع التكرارات، فقد أرست أعمال الإحصائي ويليام كوكران (William G. Cochran) في عامي 1952 و1954 المعايير القياسية الذهبية الواجب توافرها في جدول التكرارات المتوقعة لضمان عدم انهيار التقريب التقاربي، وتتلخص قاعدة كوكران في نقطتين جوهريتين:
- الحد الأدنى العام: يجب ألا تقل التكرارات المتوقعة ($E_{ij}$) عن 5 في أكثر من 20% من إجمالي خلايا الجدول المتقاطع.
- الحد المطلق الصارم: يجب ألا يقل التكرار المتوقع في أي خلية مفردة إطلاقاً عن 1 ($E_{ij} ge 1$ لجميع الخلايا دون استثناء).
وفي جداول 2×2 تحديداً، يُترجم معيار كوكران إلى ضرورة ألا يقل التكرار المتوقع في أي من الخلايا الأربع عن 5، مع تفضيل بعض المنهجيين ألا يقل حجم العينة الإجمالي ($N$) عن 20 إلى 40 مفحوصاً على الأقل. يؤدي انتهاك هذه المعايير إلى تشوه منحنى التوزيع الاحتمالي؛ حيث يصبح ذيل التوزيع المتقطع الفعلي أكثر سمكاً أو عدم انتظام مقارنة بالذيل النظري لدالة كثافة مربع كاي المستمرة، مما يفضي إلى تقدير زائف لمستوى الدلالة الاحتمالية ($P\text{-value}$).
2.3 مزايا الاختبار ومحدودياته المنهجية
يتمتع اختبار مربع كاي لبيرسون بمزايا منهجية وحوسبية جعلته الاختبار الأكثر شيوعاً في تحليل البيانات الفئوية عبر عقود من الزمن. تبرز في طليعة هذه المزايا المرونة العالية وسهولة التطبيق؛ إذ لا يقتصر الاختبار على الجداول الثنائية البسيطة، بل يتسع بسلاسة رياضية لمعالجة الجداول المصفوفية المعقدة ومتعددة المستويات من الرتبة ($r \times c$) دون الحاجة إلى تعديل الخوارزمية المركزية، ما يجعله أداة استكشافية فائقة الكفاءة لفحص التوافقات في المسوح الاجتماعية والدراسات الوبائية الواسعة. يضاف إلى ذلك بساطة المنطق التفسيري للاختبار؛ حيث يمكن تفكيك مساهمة كل خلية في قيمة $\chi^2$ الكلية عبر فحص البواقي المعيارية (Standardized Residuals)، مما يتيح للباحث تحديد الخلايا المسؤولة فعلياً عن إحداث الانحراف الدال عن الاستقلالية.
وعلى النقيض من هذه القوة، تتجلى محدوديات الاختبار في خاصيتين حرجتين: الحساسية المفرطة لحجم العينة الكبير، والهشاشة التامة أمام العينات الصغيرة. فعندما يتضخم حجم العينة ليبلغ آلاف الحالات، تتزايد القوة الإحصائية بصورة غير متناسبة، مما يجعل أدنى تذبذب أو انحراف طفيف لا وزن له عملياً أو سريرياً يكتسب دلالة إحصائية فائقة ($p < 0.001$). وفي مثل هذه الظروف، يصبح الاختبار مجرداً من القيمة التمييزية الحقيقية ما لم يُقترن بمقاييس كمية لحجم الأثر (Effect Size).
أما في الطرف المقابل، أي عند صغر حجم العينة وتناثر البيانات (Data Sparsity)، يفقد الاختبار كفاءته الاستدلالية بصورة درامية؛ حيث يؤدي انخفاض التكرارات المتوقعة إلى تضخيم تباين الإحصائية وتزايد احتمالية الوقوع في الخطأ من النوع الأول، مما يدفع بالباحث نحو استنتاج وجود علاقات غير حقيقية بين المتغيرات ناتجة فقط عن فشل النموذج التقاربي المستمر في محاكاة البنية التوافقية المتناثرة للبيانات الحقيقية.
3. الإطار النظري والمفاهيمي لاختبار فيشر الدقيق
3.1 الأسس الاحتمالية والتوزيع فوق الهندسي
نشأ اختبار فيشر الدقيق (Fisher’s Exact Test) كاستجابة رياضية عبقرية لتجاوز القيود التقاربية لاختبار مربع كاي في العينات المحدودة. طرح رونالد فيشر هذا الاختبار رسمياً في كتابه الرائد “تصميم التجارب” عام 1935، كما طرحه الإحصائي جون أوروين (J. O. Irwin) بشكل مستقل في العام ذاته (ولذا يُعرف أحياناً باختبار فيشر-أوروين). وقد وظف فيشر في تجسيده المفاهيمي الشهير للاختبار تجربة “سيدة تتذوق الشاي” (The Lady Tasting Tea)، حيث ادعت الدكتورة موريل بريستول قدرتها الفائقة على التمييز الحسي بين ما إذا كان الحليب قد سُكب في الفنجان أولاً أم الشاي.
يقوم الاختبار على أساس احتمالي منفصل لا يعتمد إطلاقاً على نهايات العينات الكبيرة أو التقريب التوزيعي المستمر، بل يوظف التوزيع الاحتمالي فوق الهندسي (Hypergeometric Distribution). في إطار جدول اقتران ثنائي الأبعاد (2×2) يحوي الخلايا المتقاطعة $a$ و $b$ و $c$ و $d$:
| المتغير / الفئات | الفئة (1) | الفئة (2) | المجموع الهامشي للصف |
|---|---|---|---|
| المجموعة (1) | $a$ | $b$ | $a + b$ |
| المجموعة (2) | $c$ | $d$ | $c + d$ |
| المجموع الهامشي للعمود | $a + c$ | $b + d$ | $N = a + b + c + d$ |
ينص منطق التوزيع فوق الهندسي على أن احتمال الحصول على تشكيلة محددة من التكرارات داخل هذه الخلايا، بشرط ثبات المجاميع الهامشية لجميع الصفوف والأعمدة، يُحسب مباشرة وبدقة متناهية عبر حاصل ضرب التوافيق الجزئية مقسوماً على التوافيق الكلية للعينة، وتُصاغ المعادلة الاحتمالية الدقيقة على النحو التالي:
$$P = \frac{\binom{a+b}{a}\binom{c+d}{c}}{\binom{N}{a+c}} = \frac{(a+b)! , (c+d)! , (a+c)! , (b+d)!}{a! , b! , c! , d! , N!}$$
حيث ترمز علامة التعجب (!) إلى مضروب العدد (Factorial). ومن خلال هذه الصياغة الأنيقة، لا يقدم فيشر قيمة إحصائية تقريبية تُقارن بمنحنى نظري مسبق الصنع، بل يستخرج الاحتمال الدقيق المباشر لظهور هذا التوزيع التكراري المحدد بالذات بموجب المصادفة المحضة. ثم تتكامل هذه الخطوة بحساب الاحتمالية الصفرية الكلية ($P\text{-value}$) عبر جمع احتمالات الجدول الملاحظ مع احتمالات كافة الجداول التوافقية البديلة الممكنة التي تمتلك نفس الهوامش الثابتة ولكنها تُظهر درجة تطرف تفوق الجدول الملاحظ في اتجاه الانحراف عن الفرضية الصفرية.
3.2 مفهوم الهوامش الثابتة والافتراضات المشروطة
يرتكز الاشتقاق الرياضي لاختبار فيشر الدقيق على افتراض منهجي دقيق يُعرف بافتراض ثبات المجاميع الهامشية المزدوجة (Conditioning on Fixed Marginals). يعني هذا الافتراض إحصائياً أن حسابه يتم باشتراط أن مجاميع الصفوف ($a+b$ و $c+d$) ومجاميع الأعمدة ($a+c$ و $b+d$) هي ثوابت معروفة مسبقاً قبل جمع البيانات وليست متغيرات عشوائية خاضعة للمعاينة؛ ففي تجربة سيدة تتذوق الشاي، قُدمت للسيدة 8 كؤوس (4 صُب الحليب فيها أولاً، و4 صُب الشاي أولاً)، وكان مفروضاً عليها أن تختار بدقة 4 كؤوس تنتمي للفئة الأولى، مما جعل هوامش الصفوف والأعمدة ثابتة بالتصميم التجريبي الحتمي.
غير أن نقل هذا النموذج إلى البحوث الميدانية الاسترجاعية (Observational Studies) يثير معضلة فلسفية وإحصائية عميقة؛ ففي الواقع العلمي، نادراً ما تكون كلا الهوامش ثابتة بالتصميم؛ إذ قد يكون هامش واحد ثابتاً (كما في التجارب السريرية المنضبطة حيث يحدد الباحث مسبقاً عدد أفراد مجموعة العلاج ومجموعة الضابطة، بينما تظل هوامش الاستجابة للمرض عشوائية حرة)، أو قد تكون كلا الهوامش عشوائية تماماً (كما في المسوح العرضية Cross-Sectional Studies حيث تُسحب العينة الإجمالية دون معرفة مسبقة بتوزيع الأفراد على الصفوف أو الأعمدة). ومع ذلك، برهن فيشر والمنظرون الإحصائيون اللاحقون على أن الاستدلال المشروط على الهوامش المحققة يمثل النهج الأكثر أماناً وموثوقية للتخلص من المعالم المزعجة غير المعروفة (Nuisance Parameters)، كاحتمالات الحدوث الأساسية في المجتمع، مما يضفي على الاختبار صلاحية عالمية حتى عند التعامل مع تصاميم لا تكون فيها الهوامش ثابتة بشكل مسبق.
تمنح هذه الخاصية المشروطة اختبار فيشر ملاءمة استثنائية لدراسة الظواهر النادرة (Rare Events) والحالات السريرية الميكروسكوبية؛ كتحليل الطفرات الجينية الفردية، أو المضاعفات الدوائية الحادة غير المتوقعة، أو التقييمات النفسية المعمقة في المجموعات الإكلينيكية المعزولة، حيث يقدم صمام أمان احتمالي يتفادى التشوهات الناتجة عن تباين الهوامش الشديد.
3.3 مزايا الاختبار والتحديات الإجرائية المرتبطة به
تتمثل الميزة الاستراتيجية العظمى لاختبار فيشر الدقيق في قدرته المطلقة على تزويد الباحث بقيمة احتمالية دقيقة تماماً (Exact P-value) معفاة من أي خطأ ناتج عن التقريب الرياضي؛ فلا وجود هنا لمفهوم “التكرار المتوقع المنخفض” الذي يهدد استقرار النتائج، ولا خوف من الخلايا الصفرية (Zero-cell Counts) التي تشل معادلة مربع كاي التقليدية بسبب استحالة القسمة على الصفر. إن الاختبار يحافظ على انضباط الصدق الداخلي للتحليل حتى لو كانت العينة لا تتعدى بضعة أفراد، مما يجعله المعيار الذهبي الموثوق في الدراسات الرائدة والتجريبية المصغرة.
ومع ذلك، يواجه الاختبار تحديين منهجيين وإجرائيين بالغي الأهمية:
- التحفظ الإحصائي الإضافي (Over-conservatism): ينبع هذا التحفظ من الطبيعة المتقطعة الصارمة للتوزيع الاحتمالي فوق الهندسي في فضاءات العينات الصغيرة؛ إذ إن دالة الاحتمال التراكمي لا تتغير بتدرج متصل، بل تقفز عبر كتل احتمالية منفصلة. هذا الانفصال يجعل القيمة الاحتمالية المحسوبة تتجاوز في كثير من الأحيان القيمة الاسمية الحقيقية لمستوى الدلالة، مما يعني أن الاختبار يرفض الفرضية الصفرية بمعدل أقل من مستوى $\alpha$ الاسمي المعتمد (مثلاً 0.05)، مما يقود إلى تراجع طفيف في القوة الإحصائية وميل الاختبار لارتكاب الخطأ من النوع الثاني.
- التعقيد الحسابي المتصاعد أسياً (Combinatorial Explosion): يعتمد حساب فيشر على مضروب الأعداد الكبيرة ($N!$). ومع تزايد حجم العينة، تتضخم هذه القيم الرياضية لتصل إلى أرقام فلكية تتجاوز سعة مسجلات الحوسبة القياسية. ويتضاعف هذا العبء الهندسي بصورة كارثية عند الانتقال من جداول 2×2 البسيطة إلى جداول أوسع من الرتبة $r \times c$، حيث يتطلب امتداد الاختبار (المعروف باختبار فيشر-فريمان-هالتون) فرز وتقييم ملايين المصفوفات التوافقية الممكنة لتحديد الجداول الأكثر تطرفاً، وهو ما كان يشكل تاريخياً مانعاً حاسوبياً مطلقاً قبل بزوغ الخوارزميات الشبكية المتقدمة.
4. الفروق الجوهرية بين اختبار مربع كاي واختبار فيشر الدقيق
تتطلب المقارنة العميقة بين الاختبارين وضع المحددات النظرية والتشغيلية في مواجهة مباشرة عبر المحاور الإحصائية الفارقة. يلخص الجدول التحليلي التالي أبرز أبعاد المقارنة بين اختبار مربع كاي للاستقلالية واختبار فيشر الدقيق:
| وجه المقارنة | اختبار مربع كاي للاستقلالية ($\chi^2$) | اختبار فيشر الدقيق (Fisher’s Exact) |
|---|---|---|
| الأساس الرياضي | استدلال تقاربي مستمر يعتمد على مبرهنة النهاية المركزية ودالة توزيع مربع كاي. | استدلال تباديلي دقيق يعتمد على التوزيع الاحتمالي المنفصل فوق الهندسي ومضروبات الأعداد. |
| شروط التكرارات المتوقعة | تستلزم قاعدة كوكران: ألا تقل عن 5 في 80% من الخلايا، ولا تقل إطلاقاً عن 1 في أي خلية. | لا توجد قيود على التكرارات المتوقعة؛ يعمل بكفاءة تامة مع التكرارات المنخفضة والخلايا الصفرية. |
| حجم العينة الأمثل | العينات الكبيرة والمتوسطة ($N > 40$ عموماً، وتكرارات وفيرة). | العينات الصغيرة والمحدودة والظواهر النادرة (ويمكن تطبيقه على العينات الكبيرة خوارزمياً). |
| افتراض الهوامش | لا يشترط ثبات المجاميع الهامشية مسبقاً، بل يعاملها كمقدرات مشتقة من العينة. | يشترط استدلالياً ثبات الهوامش المزدوجة (الصفوف والأعمدة) لحساب التباديل. |
| طبيعة القيمة الاحتمالية | قيمة احتمالية تقريبية مستمرة ($Asymptotic P\text{-value}$). | قيمة احتمالية دقيقة مطلقة ومباشرة ($Exact P\text{-value}$). |
| سلوك الخطأ الإحصائي | يميل لتضخيم الخطأ من النوع الأول ($\alpha$) عند انتهاك شروط العينات الصغيرة. | محافظ إحصائياً، يضمن ضبط الخطأ من النوع الأول ولكنه قد يرفع هامشياً الخطأ من النوع الثاني ($\beta$). |
| التوسع للجداول الأكبر ($r \times c$) | سلس جداً وسريع حسابياً دون قيود حاسوبية بمجرد توسيع درجات الحرية $(r-1)(c-1)$. | معقد حسابياً ويتصاعد أسياً؛ يتطلب خوارزمية فيشر-فريمان-هالتون أو محاكاة مونت كارلو. |
| الحساسية للاختلال التكراري | يتأثر بشدة بالاختلالات الهامشية الحادة التي تولد خلايا متوقعة شبه منعدمة. | يتمتع بمناعة تامة واستقرار احتمالي كامل أمام التوزيعات غير المتوازنة بشدة بين الفئات. |
4.1 المنطق الحسابي: الاستدلال التقاربي مقابل الحساب الاحتمالي المباشر
ينبع التمايز الفلسفي والرياضي بين الاختبارين من الكيفية التي ينظر بها كل منهما إلى الفضاء الاحتمالي للبيانات. يعتمد اختبار مربع كاي لبيرسون على منطق التقريب التوزيعي المستمر؛ فهو يفترض مسبقاً أن الفروق بين الواقع المشاهد والمتوقع النظري تتوزع، عند تراكمها، وفق دالة كثافة احتمالية مستمرة وناعمة تتحدد بدقة عبر معيار درجات الحرية. هذا المنطق يتجاهل في جوهره الطبيعة الحبيبية المتقطعة لبيانات التعداد البشري، معتبراً أن حجم العينة الضخم كفيل بردم الهوة بين الانفصال الواقعي والاتصال الرياضي. وبناءً على هذا الافتراض، تُقاس القيمة الاحتمالية بالمساحة الواقعة تحت منحنى مربع كاي عند النقطة المحسوبة فأعلى في اتجاه الذيل الأيمن.
في المقابل، يرفض اختبار فيشر الدقيق هذا الإسقاط المستمر ويوظف المنطق التوافقي التبادلي الصرف؛ فالبيانات الفئوية في نظره تمثل كيانات منفصلة لا يجوز تقريبها بمنحنيات وهمية. يقوم فيشر بتثبيت هوامش الجدول كما لو كانت قوالب حتمية، ثم يطرح السؤال الاحتمالي الأساسي: ما هو العدد الدقيق للتشكيلات التوافقية المختلفة التي يمكن أن تتوزع بها هذه الحالات المعينة داخل الخلايا؟ ومن خلال حساب مضروب الأعداد لكافة المسارات التبادلية، يستخرج الاختبار احتمالية كل جدول ممكن ككسر احتمالي نقي. وعندما يتعلق الأمر باتخاذ القرار الإحصائي في جداول 2×2، لا يكتفي فيشر بتقدير الاحتمال، بل يعيد فرز كافة الجداول المحتملة، ويجمع الاحتمالات الدقيقة لتلك الجداول التي تمتلك احتمالية حدوث مساوية أو أقل من احتمالية الجدول الذي رصده الباحث بالفعل.
تتجلى هذه الفجوة المنطقية بوضوح متناهٍ عند الاقتراب من العتبات الحرجة للدلالة الإحصائية التقليدية ($\alpha = 0.05$). ففي العينات المتوسطة المتأرجحة، قد يمنح اختبار مربع كاي قيمة $p = 0.048$، دافعاً الباحث نحو إعلان كشف علمي دال، بينما يكشف اختبار فيشر الدقيق لنفس البيانات بدقة أن القيمة الحقيقية هي $p = 0.057$؛ حيث يرجع هذا الفارق إلى التشوه الذي يفرضه التقريب المستمر على نهايات الذيول التوزيعية حيث تكون المساحات فائقة الحساسية لأي خطأ تقديري طفيف.
4.2 متطلبات حجم العينة والتكرارات المتوقعة
يمثل حجم العينة الإجمالي، والتوزيع الداخلي للتكرارات عبر الخلايا، الميدان التطبيقي الذي يحسم النزاع بين الاختبارين. يتفوق اختبار مربع كاي للاستقلالية بجدارة في البيئات البحثية التي تتعامل مع عينات ضخمة وتوزيعات متوازنة؛ حيث تتوافر تكرارات متوقعة وفيرة في جميع الخلايا تفوق بكثير عتبة كوكران البالغة 5 تكرارات. وفي هذه السياقات، تكون قوة التقريب التقاربي في ذروتها، وتتطابق نتائجه كلياً مع أي حساب دقيق بديل، ولكن بسرعة معالجة لحظية وخفة حوسبية مطلقة.
وعلى النقيض من ذلك، ينهار صرح اختبار مربع كاي تماماً بمجرد ظهور “البيانات المتناثرة” (Sparse Data)، وهو سيناريو متكرر الحدوث في الدراسات الإكلينيكية المعاصرة التي تركز على الأمراض النادرة، أو الآثار الجانبية غير المألوفة للعقاقير، أو التوصيفات الوراثية الدقيقة. ففي هذه الحالات، كثيراً ما تنحدر التكرارات المتوقعة في بعض الخلايا إلى ما دون 5، وقد تصل إلى الصفر المطلق في التكرارات الملاحظة. وعندما تنخفض التكرارات المتوقعة، تتضخم قيمة الكسر $\frac{(O_{ij}-E_{ij})^2}{E_{ij}}$ بشكل مصطنع نتيجة صغر المقام، مما يضخم إحصائية $\chi^2$ الكلية بصورة وهمية تضلل الباحث بقيمة دلالة متفائلة زائفاً.
وهنا تبرز إلزامية اختبار فيشر الدقيق كخيار وحيد لا مناص منه علمياً؛ إذ يمتلك الاختبار مناعة فطرية ضد تداعيات الخلايا الصفرية أو التكرارات المتوقعة الضئيلة. وبما أن صيغة التوزيع فوق الهندسي تعتمد على مضروبات التكرارات الكلية والهامشية ($0! = 1$ اصطلاحاً ورياضياً)، فإن وجود تكرار ملاحظ مقداره صفر لا يعطل الحساب الاحتمالي إطلاقاً، بل يدخل في صلب الحساب التبادلي كأحد التكوينات المنطقية الحتمية للجدول، مما يضمن استقرار القيمة الاحتمالية حتى في أقسى درجات التشتت وعدم التوازن الهامشي.
4.3 قابلية التوسع والتعقيد في الجداول متعددة الرتب (r × c)
تبرز الفروق المنهجية بين الاختبارين بأجلى صورها عند كسر حاجز الثنائية والانتقال من جداول 2×2 إلى جداول التوافق العامة من الرتبة $r \times c$ (كأن يتم فحص العلاقة بين أربعة أنماط للتعلق وثلاث فئات للاضطرابات الوجدانية). في هذا السياق، يبدي اختبار مربع كاي قابلية توسع هندسية سلسة للغاية؛ إذ تظل الخوارزمية البيرسونية ثابتة لا تتغير، وتقتصر العملية على زيادة عدد الحدود المجمعة وتعديل درجات الحرية وفق الصيغة $(r-1)(c-1)$. ولا يفرض هذا التوسع أي عبء إضافي على المعالجة الحاسوبية، حيث تظل العمليات الحسابية خطية وتستغرق أجزاءً من الثانية حتى مع الجداول الضخمة التي تحوي عشرات الصفوف والأعمدة.
أما اختبار فيشر الدقيق، فيواجه عند هذه النقطة تحدياً خوارزمياً هائلاً. إن امتداد فيشر للجداول متعددة الفئات، والذي صاغه الإحصائيان فريمان وهالتون عام 1951 (Freeman & Halton, 1951) تحت مسمى اختبار فيشر-فريمان-هالتون (Fisher-Freeman-Halton Test)، يستلزم استخدام التوزيع الاحتمالي متعدد الحدود فوق الهندسي (Multivariate Hypergeometric Distribution)، وتُصاغ دالته الاحتمالية المشروطة بالهوامش الثابتة للجداول العامة كالآتي:
$$P = \frac{\prod_{i=1}^{r} R_i! , \prod_{j=1}^{c} C_j!}{N! , \prod_{i=1}^{r}\prod_{j=1}^{c} O_{ij}!}$$
تكمن المعضلة الحاسوبية في أن حساب القيمة الاحتمالية الإجمالية ($P\text{-value}$) يتطلب جمع احتمالات كافة المصفوفات البديلة التي يمكن تشكيلها من نفس الهوامش المحددة، والتي تمتلك احتمالية أقل من أو مساوية لاحتمالية المصفوفة المشاهدة. يتزايد عدد هذه المصفوفات التوافقية البديلة بمعدل أسي انفجاري يتجاوز قدرة الحواسب التقليدية مع اتساع أبعاد الجدول وحجم العينة. وقد شكل هذا “الجمود الحسابي” عائقاً تاريخياً أمام استخدام الاختبار الموسع، إلى أن ابتكر الإحصائيان كيروس ميهتا ونيتين باتيل (Mehta & Patel) في ثمانينيات القرن العشرين “الخوارزمية الشبكية” (Network Algorithm) السريعة التي قلصت زمن الفرز التوافقي بصورة جذرية ودُمجت لاحقاً في حزم البرمجيات الكبرى كـ SPSS و R.
وحتى مع وجود هذه الخوارزميات، قد تعجز الذاكرة الحوسبية عن إيجاد الحل الدقيق المطلق للجداول الكبيرة شديدة التناثر؛ وهنا تبرز طريقة محاكاة مونت كارلو (Monte Carlo Simulation) كحل وسط منهجي رصين؛ حيث يتم سحب عينات عشوائية ضخمة من فضاء التباديل الممكنة للجداول ذات الهوامش الثابتة (مثلاً 100,000 جدول عشوائي)، لتقدير القيمة الاحتمالية الدقيقة لفيشر-فريمان-هالتون مع توفير فترات ثقة ضيقة جداً (99% CI) لتلك القيمة، مما يجمع بين دقة المنطق التبادلي والواقعية الحوسبية.
4.4 القوة الإحصائية ومعدلات الخطأ من النوع الأول والثاني
تشكل الموازنة بين الخطأ من النوع الأول ($\alpha$ – احتمال رفض الفرضية الصفرية وهي صحيحة في الواقع) والخطأ من النوع الثاني ($\beta$ – احتمال الفشل في رصد الأثر الحقيقي وقبول الفرضية الصفرية الخاطئة) جوهر المقارنة النظرية بين الاختبارين. يتصف اختبار مربع كاي غير المصحح في بيئات العينات الصغيرة بسلوك “تفاؤلي متحرر” (Liberal)؛ حيث ينزع نحو رفض الفرضية الصفرية بمعدلات تتجاوز المستوى الاسمي المقرر ($\alpha > 0.05$). ويعزى هذا التضخيم في الخطأ من النوع الأول إلى أن ذيل توزيع كاي المستمر يقلل من تقدير الاحتمالات الفعلية في الذيول المنفصلة للبيانات المتناثرة، مما يمنح الباحث ثقة زائفة بوجود دلالة إحصائية هي في واقع الأمر مجرد تشوه ناتج عن خطأ التقريب.
وفي الطرف النقيض، يتسم اختبار فيشر الدقيق بسلوك “محافظ” (Conservative) نابع من البنية المنفصلة تماماً للتوزيع فوق الهندسي، لا سيما في الجداول ثنائية الأبعاد الصغيرة جداً. وبسبب عدم استمرارية دالة التوزيع، فإن المستوى الفعلي لاحتمالية الخطأ من النوع الأول غالباً ما يكون أقل بكثير من المستوى الاسمي المستهدف (مثلاً قد يكون المستوى الحقيقي للاختبار 0.025 بدلاً من 0.05). هذا التحفظ الشديد يحمي الباحث تماماً من الاستنتاجات الإيجابية الكاذبة، إلا أنه يفرض ثمناً منهجياً يتمثل في انخفاض القوة الإحصائية (Statistical Power: $1 – beta$)، مما يرفع احتمالية الوقوع في الخطأ من النوع الثاني؛ حيث قد يعجز الاختبار عن رصد اقتران سريري أو تجريبي حقيقي بين المتغيرين ويفشل في إثبات دلالته لمجرد أن القفزات الاحتمالية المتقطعة تتطلب أدلة تجريبية بالغة الشدة لتجاوز عتبة الرفض.
ولردم هذه الفجوة بين تحرر مربع كاي وتحفظ فيشر، اقترح الإحصائي فرانك ييتس عام 1934 إدخال تعديل رياضي على إحصائية كاي لتقريبها من سلوك فيشر المنفصل في جداول 2×2، وهو ما يُعرف بـ تصحيح ييتس للاستمرارية (Yates’ Correction for Continuity). يعتمد هذا التعديل على خصم نصف وحدة تكرارية (0.5) من القيمة المطلقة للفارق بين التكرار الملاحظ والمتوقع في كل خلية قبل التربيع، وفق الصيغة:
$$\chi_{\text{Yates}}^2 = \sum \frac{(|O_{ij} – E_{ij}| – 0.5)^2}{E_{ij}}$$
نجح تصحيح ييتس بالفعل في كبح الخطأ من النوع الأول لاختبار مربع كاي وتقريب قيمته الاحتمالية من قيمة فيشر الدقيقة، إلا أنه سرعان ما واجه انتقادات منهجية لاذعة من مجاميع الإحصائيين اللاحقين؛ حيث ثبت أنه يبالغ بدوره في تصحيح المسار ويجعل الاختبار شديد التحفظ وقليل القوة، مما أثار جدلية مستمرة حول جدوى الترقيع التقريبي في ظل التوفر الحديث للحوسبة الدقيقة المباشرة.
5. أوجه التشابه والتقاطع الإحصائي
5.1 وحدة الهدف البحثي وطبيعة المتغيرات
على الرغم من التباين في البنية الرياضية بين الاختبارين، إلا أنهما يشتركان في منظومة استدلالية متطابقة من حيث الأهداف وطبيعة البيانات المعالجة. يركز كلا الاختبارين حصرياً على فحص دلالة الارتباط والاقتران التوافقي بين متغيرين تصنيفيين نوعيين لا يفترضان ترتيباً رتبياً حتمياً (Nominal Variables)، كما يمكن تطبيقهما على المتغيرات الرتبية (Ordinal) عندما يتعامل التحليل معها كفئات متمايزة دون إدخال أوزان المسافات الرتبية في الحساب.
وتتطابق الفرضيات الإحصائية المصاغة في كلا الاختبارين بشكل مطلق؛ إذ تتحدد الفرضية الصفرية ($H_0$) والفرضية البديلة ($H_1$) بالصيغ المعيارية التالية:
- الفرضية الصفرية ($H_0$): المتغير الأول مستقل تماماً عن المتغير الثاني؛ أي أن التوزيع النسبي لتكرارات أحد المتغيرين لا يختلف باختلاف مستويات المتغير الآخر في المجتمع الأصلي ($P(A \cap B) = P(A) \times P(B)$).
- الفرضية البديلة ($H_1$): المتغيران غير مستقلين ومقترنان إحصائياً؛ أي أن التوزيع الاحتمالي لفئات أحد المتغيرين يعتمد بصورة دالة على مستويات وفئات المتغير الآخر داخل المجتمع.
علاوة على ذلك، يتشارك الاختباران في اعتمادهما الكامل على مصفوفة التكرارات المشاهدة المشتركة داخل جدول الاقتران كنقطة انطلاق وحيدة للتحليل؛ حيث يتم اختزال السجلات الفردية للمفحوصين في تكرارات إجمالية مجمعة تعبر عن التقاطعات الفئوية، مما يجعلهما ينتميان إلى نفس المستوى من معالجة البيانات الإجمالية (Aggregated Frequency Data) التي تتجرد من الخصائص الفردية المعزولة لتركز على النمط التوزيعي الجماعي.
5.2 التطابق النظري عند العينات الكبيرة
يمثل اختبار مربع كاي لبيرسون، في واقعه الرياضي العميق، الحالة الحدية التقاربية (Asymptotic Limit) لاختبار فيشر الدقيق عندما يقترب حجم العينة الإجمالي من اللانهاية ($N to \infty$). فعندما تتضخم العينة، تتضاعف التكرارات الملاحظة والمتوقعة داخل كافة الخلايا، وتتحول دالة التوزيع الاحتمالي فوق الهندسي المنفصل تدريجياً وبسلاسة مطلقة نحو شكل المنحنى المتصل المميز لتوزيع مربع كاي التقاربي، عملاً بمبرهنة النهاية المركزية وقوانين الأعداد الكبيرة.
ويترتب على هذا التقارب البنيوي تماثل عملي ملموس في القرارات الاستدلالية؛ فعندما تُجرى المقارنة بين الاختبارين على مجموعة بيانات ضخمة ومستوفية لشروط كوكران بكفاءة، تتقارب القيمة الاحتمالية الدقيقة المستخرجة من معادلة فيشر فوق الهندسية ($P_{\text{Fisher}}$) مع القيمة الاحتمالية التقاربية المشتقة من إحصائية مربع كاي البيرسونية ($P_{\chi^2}$) إلى مراتب عشرية متقدمة التطابق. وفي هذه الحالة، تصبح الفروق العددية بين الاختبارين مهملة تماماً، وتصل النتائج إلى نفس القرار الحاسم بخصوص رفض أو قبول الفرضية الصفرية، مما يؤكد أن اختبار مربع كاي لم يكن تاريخياً بديلاً مناقضاً لفيشر، بل كان وما يزال صياغة حسابية تقريبية بالغة التوفيق والذكاء الرياضي، صُممت لتحاكي النتائج الدقيقة لفيشر في زمن كانت الحسابات التوافقية اليدوية للمجاميع الكبيرة ضرباً من المستحيل المطبق.
6. معايير المفاضلة والتطبيق العملي في البحوث الميدانية
6.1 شجرة القرار المنهجي لاختيار الاختبار الأنسب
لتفادي العشوائية والالتباس المنهجي في البيئات البحثية، يجب على الباحث أو محلل البيانات إخضاع مصفوفة البيانات لبروتوكول فرز صارم ومنطقي يتخذ شكل شجرة قرار واضحة المعالم، تستند إلى الخصائص الهيكلية والتوزيعية لجدول التوافق، كما يوضح المخطط الإجرائي التالي:
- الخطوة الأولى: فحص طبيعة التصميم وأبعاد الجدول:
- هل البيانات عبارة عن عينات مستقلة بالكامل؟ (إذا كانت مقترنة أو قياسات قبلية-بعدية، يُستبعد كلا الاختبارين فوراً ويُوجه التحليل نحو اختبار ماكنيمار).
- تحديد أبعاد الجدول: هل هو جدول ثنائي بسيط (2×2) أم جدول عام متعدد الخلايا ($r \times c$)؟
- الخطوة الثانية: حساب مصفوفة التكرارات المتوقعة ($E_{ij}$):
- تطبيق المعادلة: $E_{ij} = (R_i \times C_j) / N$ لجميع خلايا الجدول دون استثناء، وتوليد جدول التكرارات المتوقعة بمعزل عن التكرارات المشاهدة.
- الخطوة الثالثة: تطبيق محكات كوكران الصارمة:
- في جداول 2×2: هل جميع التكرارات المتوقعة في الخلايا الأربع تساوي 5 أو أكثر ($E_{ij} ge 5$)؟
- نعم: يمكن استخدام اختبار مربع كاي لبيرسون بأمان تام، مع استعراض اختبار فيشر الدقيق كإجراء توثيقي تعزيزي.
- لا (أي خلية يقل تكرارها المتوقع عن 5): يُحظر استخدام اختبار مربع كاي القياسي، ويصبح اختبار فيشر الدقيق إلزامياً بصورة قطعية.
- في جداول $r \times c$: هل تقل التكرارات المتوقعة عن 5 في أكثر من 20% من الخلايا، أو هل توجد أي خلية يقل تكرارها المتوقع عن 1؟
- لا (الشروط مستوفاة بالكامل): يُعتمد اختبار مربع كاي للاستقلالية بكفاءة مطلقة وقوة استدلالية عالية.
- نعم (انتهاك لشروط كوكران): يجب الانتقال إلى امتداد اختبار فيشر الدقيق (Fisher-Freeman-Halton)، أو اللجوء إلى خوارزمية محاكاة مونت كارلو التباديلية إذا كانت أبعاد الجدول وحجم العينة تفرضان عبئاً حوسبياً يعيق الحساب الدقيق المطلق.
- في جداول 2×2: هل جميع التكرارات المتوقعة في الخلايا الأربع تساوي 5 أو أكثر ($E_{ij} ge 5$)؟
- الخطوة الرابعة: السياقات الخاصة ذات الأولوية التلقائية:
- في التجارب الطبية الحرجة، ودراسات السمية الدوائية، والبحوث النفسية العيادية التي تتعامل مع عينات نادرة الحدوث وحرجة القرار، يُفضل اعتماد اختبار فيشر الدقيق تلقائياً في جداول 2×2 حتى لو استوفت تكرارات كوكران، توخياً لأقصى درجات الصرامة وضماناً لعدم تسرب الخطأ من النوع الأول الناجم عن أدنى تقريب.
6.2 بدائل تصحيحية وسيطة: تصحيح ييتس واختبار نسبة الاحتمال
في المنطقة الرمادية الواقعة بين شروط مربع كاي الصارمة والتعقيد الحسابي لاختبار فيشر، تبرز حلول إحصائية وسيطة سعت عبر العقود إلى معالجة أوجه القصور في كلا الطرفين. يمثل تصحيح ييتس للاستمرارية (Yates’ Correction for Continuity) أشهر هذه البدائل التاريخية في جداول 2×2. يهدف هذا التصحيح إلى تضييق الفجوة الناتجة عن محاكاة توزيع منفصل بآخر متصل عبر طرح ثابت مقداره 0.5 من انحرافات الخلايا. ورغم أن هذا التصحيح كان يمثل ضرورة براغماتية ملحة في حقبة الحساب اليدوي لتجنب تضخم الخطأ من النوع الأول عند تأرجح التكرارات المتوقعة بين 3 و5، إلا أن الأدبيات الإحصائية الحديثة أجمعت على عدم التوصية باعتماده كإجراء روتيني؛ نظراً لفرط تحفظه وانخفاض قوته الإحصائية بصورة مفرطة، لا سيما مع توافر القدرة البرمجية اليوم لتنفيذ اختبار فيشر الدقيق المباشر بضغطة زر واحدة دون الحاجة لتصحيحات تقريبية معيبة.
وعلى صعيد موازٍ، يبرز اختبار نسبة الاحتمال لمربع كاي (Likelihood Ratio Chi-Square)، والمعروف في أدبيات القياس المتقدمة باختبار $G^2$ أو (G-Test). يستند هذا الاختبار إلى نظرية التقدير الأرجح (Maximum Likelihood Estimation)، ويُحسب عبر الصيغة اللوغاريتمية التالية:
$$G^2 = 2 \sum_{i=1}^{r} \sum_{j=1}^{c} O_{ij} \ln\left(\frac{O_{ij}}{E_{ij}}\right)$$
يمتلك اختبار $G^2$ توزيعاً تقاربياً يتبع أيضاً توزيع مربع كاي بنفس درجات الحرية $(r-1)(c-1)$، إلا أنه يتميز بخصائص رياضية فريدة تجعله متفوقاً في النمذجة المتقدمة؛ حيث يتميز بخاصية الجمعية (Additivity) التي تسمح بتفكيك التباين الإجمالي إلى مكونات فرعية مستقلة، وهو ما يجعله الأساس النظري المعتمد في النماذج اللوغاريتمية الخطية (Log-linear Models) وتحليل الانحدار اللوجستي للبيانات الفئوية متعددة الأبعاد. ومع ذلك، يظل اختبار $G^2$ اختباراً تقاربياً ينهار أمام العينات الصغيرة والبيانات المتناثرة بنفس الحدة التي ينهار بها اختبار مربع كاي لبيرسون، بل قد يبدي انحيازاً أشد تفاؤلاً في العينات الدقيقة جداً، مما يبقي اختبار فيشر متربعاً على قمة الموثوقية في بيئات البيانات النادرة.
6.3 إجراءات التطبيق وتفسير المخرجات في البرمجيات الإحصائية
تتكامل المنهجية النظرية مع الواقع التطبيقي عبر كيفية استدعاء وتفسير نتائج الاختبارين في أشهر البيئات والبرمجيات الإحصائية المعاصرة. تتيح الحزم الإحصائية المتقدمة للباحث استخراج كلا الاختبارين في آن واحد، ولكن تكمن المسؤولية في القراءة النقدية للنتائج.
أولاً: بيئة الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS):
يتم تنفيذ التحليل عبر مسار القوائم: Analyze -> Descriptive Statistics -> Crosstabs. وبمجرد نقل المتغيرين إلى مربعي الصفوف (Rows) والأعمدة (Columns)، يضغط الباحث على زر Statistics لتفعيل خيار Chi-square. في المخرجات الناتجة تحت عنوان Chi-Square Tests، يولد البرنامج جدولاً متكاملاً يتضمن عدة أسطر حاسمة:
- سطر Pearson Chi-Square: يعرض قيمة الإحصائية، درجات الحرية ($df$)، والقيمة الاحتمالية التقاربية ثنائية الذيل (Asymptotic Significance 2-sided).
- سطر Continuity Correction: يعرض نتائج تصحيح ييتس لجداول 2×2 حصراً.
- سطر Fisher’s Exact Test: يُعرض تلقائياً لجداول 2×2 متضمناً القيمة الاحتمالية الدقيقة ثنائية الذيل (Exact Sig. 2-sided) وأحادية الذيل (Exact Sig. 1-sided).
- الحاشية التفسيرية التحذيرية أسفل الجدول: يطبع برنامج SPSS ملاحظة جوهرية تخبر الباحث بعدد الخلايا التي تمتلك تكراراً متوقعاً يقل عن 5 ونسبتها المئوية من إجمالي الخلايا، بالإضافة إلى أقل قيمة تكرار متوقع مسجلة في الجدول. إذا تجاوزت هذه النسبة 20%، يجب على الباحث منهجياً تجاهل سطر بيرسون بالكامل وتثبيت قراءة سطر اختبار فيشر الدقيق حصراً.
- أما في الجداول الأكبر من 2×2 ($r \times c$) التي تنتهك شروط كوكران، فيجب على المستخدم الاستعانة بزر
ExactواختيارExactأوMonte Carloلتفعيل امتداد فيشر-فريمان-هالتون.
ثانياً: البيئة الإحصائية للغة R:
توفر لغة R مرونة برمجية فائقة عبر دوالها الأساسية. يُستدعى اختبار مربع كاي عبر الدالة القياسية:
chisq.test(table_data, correct = FALSE)
حيث يؤدي ضبط الوسيط correct = TRUE إلى تطبيق تصحيح ييتس تلقائياً. وإذا احتوت البيانات على خلايا متوقعة منخفضة، تصدر البيئة تلقائياً تحذيراً صريحاً نصه: “Chi-squared approximation may be incorrect”، وهي الإشارة المنهجية الحاسمة للتحول فوراً نحو اختبار فيشر عبر الدالة المباشرة:
fisher.test(table_data)
تقوم هذه الدالة بحساب القيمة الاحتمالية الدقيقة وتوفر نسبة الأرجحية (Odds Ratio) مع فترة ثقة دقيقة بنسبة 95% في جداول 2×2. أما في الجداول متعددة الرتب ($r \times c$)، فإن نفس الدالة fisher.test() تستدعي خوارزمية فيشر-فريمان-هالتون، مع إمكانية تمرير الوسيط الحسابي لمونت كارلو لضبط التعقيد: simulate.p.value = TRUE, B = 100000 لتقدير القيمة الدقيقة عبر مئة ألف توليفة تبادلية بموثوقية كاملة.
ثالثاً: بيئة لغة بايثون (Python):
في بيئة بايثون، يُنفذ التحليل بالاعتماد على المكتبة العلمية scipy.stats. يُحسب اختبار مربع كاي عبر الدالة:
from scipy.stats import chi2_contingency
chi2, p, dof, expected = chi2_contingency(table_data, correction=False)
حيث تُرجع هذه الدالة قيمة مربع كاي، القيمة الاحتمالية، درجات الحرية، ومصفوفة التكرارات المتوقعة بالكامل، مما يتيح فحص معيار كوكران برمجياً. وفي حال استلزم الأمر استخدام اختبار فيشر، يُستدعى التابع المخصص لجداول 2×2:
from scipy.stats import fisher_exact
odds_ratio, p_value = fisher_exact(table_data, alternative=’two-sided’)
تضمن هذه الحزم البرمجية استخراجاً فائق الدقة، شريطة أن يدرك المحلل دلالة المعطيات الإحصائية ولا يكتفي بنسخ الرقم الأول الذي يظهر على الشاشة دون تقييم استيفاء شروط النمذجة.
7. الأسئلة الشائعة حول الاختبارين
7.1 هل يصح استخدام اختبار فيشر الدقيق للعينات الكبيرة دائماً تجنباً للأخطاء؟
من الناحية النظرية الصرفة، نعم؛ فاختبار فيشر الدقيق يقدم حساباً احتمالياً حقيقياً لا غبار عليه أياً كان حجم العينة، ولا يوجد أي مانع رياضي يمنع تطبيقه على عينة قوامها مئات الآلاف من الحالات؛ فالاحتمال الدقيق يظل دقيقاً دائماً. ومع ذلك، تقف العوائق الحسابية ومبدأ الكفاءة الإجرائية حائلاً دون تطبيق هذا التوجه كقاعدة عامة؛ إذ إن حساب مضروبات الأعداد الفلكية ($N!$) في العينات الضخمة يستهلك طاقة معالجة وذاكرة نظام هائلة دون أي عائد منهجي إضافي.
فعندما تكون العينة كبيرة ومستوفية لشروط كوكران، تتطابق القيمة الاحتمالية لاختبار مربع كاي مع قيمة اختبار فيشر إلى ما بعد الفاصلة العشرية بعدة خانات. وبالتالي، لا يمنح اختبار فيشر أي ميزة تفسيرية أو استدلالية إضافية في هذا النطاق، بل يتحول إلى هدر للموارد الحوسبية، مما يجعل اختبار مربع كاي هو الخيار الراسخ والأكثر كفاءة وأناقة رياضية في العينات الكبيرة والمتوسطة.
7.2 متى يصبح تصحيح ييتس كافياً للاستغناء عن اختبار فيشر؟
كان يُنظر إلى تصحيح ييتس للاستمرارية في العقود السابقة كحل عملي كافٍ للاستغناء عن اختبار فيشر في جداول 2×2 ذات العينات المتوسطة (مثلاً عندما يتراوح الحجم الكلي للعينة بين 20 و40 فرداً وتتأرجح بعض التكرارات المتوقعة قريباً من عتبة 5 دون أن تنحدر بشدة). والدافع الأساسي لذلك كان تجنب العمليات الحسابية اليدوية المرهقة لمضروبات الأعداد في اختبار فيشر.
أما في المشهد الإحصائي والبرمجي المعاصر، فلم يعد لتصحيح ييتس أي مبرر علمي قوي للاستغناء عن فيشر؛ فالانتقادات الواسعة التي وجهها كبار الإحصائيين لهذا التصحيح—لكونه يبالغ في التحفظ ويهدر القوة الإحصائية بصورة عشوائية تؤدي إلى ضياع فروق حقيقية—جعلت الاتجاه المنهجي الحديث يتجاوزه تماماً. وبما أن البرمجيات المعاصرة تنفذ اختبار فيشر الدقيق في أجزاء من الثانية، فإن الموقف الأكاديمي الرصين يملي اللجوء المباشر إلى اختبار فيشر الدقيق متى ما اهتزت ثقة الباحث في شروط مربع كاي، متجاوزاً الحلول الترقيعية شبه التقاربية كتصحيح ييتس.
7.3 كيف يُطبَّق اختبار فيشر عند تجاوز أبعاد الجدول نطاق 2×2؟
عندما تتسع مصفوفة البيانات لتشكل جداول من الرتبة $r \times c$، لا يعود بالإمكان تطبيق صيغة فيشر البسيطة القائمة على أربع خلايا فقط، بل يتم الانتقال المنهجي إلى خوارزمية فيشر-فريمان-هالتون (Fisher-Freeman-Halton Test). تعتمد هذه الخوارزمية على التوزيع متعدد الحدود فوق الهندسي لتقييم الاحتمال المشترك لجميع الخلايا في المصفوفة مع تثبيت هوامش الصفوف والأعمدة.
وإذا أدى هذا التوسع إلى تعقيد حسابي يعجز البرنامج عن حله بدقة كاملة، يُطبق إجراءان بديلان:
- محاكاة مونت كارلو التباديلية (Monte Carlo Exact Test): حيث يتم أخذ عدد ضخم من التباديل العشوائية المنتظمة (100,000 تكرار فأكثر) لتقدير القيمة الاحتمالية بدقة بالغة وبفواصل ثقة تصل إلى 99%، وهو الحل المعتمد في معظم البحوث التطبيقية الكبرى.
- إعادة التصنيف والدمج المنطقي للفئات (Collapsing Categories): إذا كانت هناك مبررات نظرية وسريرية تسمح بذلك، يمكن للباحث دمج الفئات المتقاربة أو غير النشطة لتقليص أبعاد الجدول (مثلاً تحويل جدول 3×4 إلى 2×2 عبر دمج الاستجابات الفرعية)، مما يرفع التكرارات المتوقعة في الخلايا المتبقية ويتيح العودة إما لاستخدام مربع كاي القياسي أو تطبيق فيشر الدقيق الكلاسيكي دون عوائق خوارزمية.
7.4 ما مدى تأثر الاختبارين بالعينات غير المستقلة أو المقترنة؟
يواجه كلا الاختبارين—مربع كاي للاستقلالية وفيشر الدقيق—فشلاً منهجياً مطلقاً إذا طُبقا على بيانات تفتقر إلى الاستقلالية؛ فالافتراض الحاسم الذي لا تنازل عنه في كلا الاختبارين هو أن كل وحدة تجريبية (مفحوص) تسهم بتكرار واحد فقط في خلية واحدة وواحدة فقط من خلايا الجدول. فإذا كانت البيانات مستمدة من تصميم أزواج متطابقة (Matched-pairs)، أو دراسات مسحية قبلية-بعدية لنفس الأفراد (Pretest-Posttest Designs)، أو عينات مقترنة كالتوائم أو الزوجين، فإن كلا الاختبارين يصبحان غير صالحين تماماً وتتحول نتائجهما إلى نتائج باطلة منهجياً.
وفي مثل هذه الحالات المقترنة ذات البيانات الفئوية ثنائية التقسيم (2×2)، يُعد اختبار ماكنيمار (McNemar’s Test) هو البديل المنهجي المصمم خصيصاً لاختبار التغير في النسب المقترنة، حيث يركز على الخلايا المتنافرة غير المتوافقة فقط (Discordant Pairs) ويتجاهل الخلايا المتوافقة. أما إذا كانت التصاميم المقترنة أكثر تعقيداً وتشمل قياسات متكررة متعددة أو مستويات هرمية، فيتعين على الباحث مغادرة نطاق الجداول البسيطة كلياً والانتقال إلى نماذج المعادلات التقديرية المعممة (Generalized Estimating Equations – GEE) أو نماذج التأثيرات المختلطة للبيانات الفئوية (Categorical Mixed-Effects Models).
8. الخاتمة: رؤية منهجية متوازنة في الاختيار والتحليل
8.1 موجز الموازنة بين الصرامة النظرية والكفاءة الحسابية
إن التحليل المقارن العميق بين اختبار مربع كاي للاستقلالية واختبار فيشر الدقيق يكشف بوضوح عن طبيعة التكامل المعرفي في الفكر الإحصائي؛ فهما ليسا أداتين متنافستين في مسار إقصائي، بل هما وجهان لحقيقة رياضية واحدة تتجلى تارة عبر المنطق التوافقي المنفصل وتارة عبر التقريب التوزيعي المستمر. لقد شيد كارل بيرسون صرح اختبار مربع كاي ليمنح البشرية أداة قياس عملية قادرة على تلخيص الانتظام في العينات الواسعة دون الغرق في حسابات لا نهائية، في حين وضع رونالد فيشر بصمته الصارمة ليحمي النزاهة العلمية للاستدلال من الانحياز والزيف عندما تكون المعطيات شحيحة والملاحظات بالغة الندرة.
تتمثل الكفاءة البحثية في إدراك موضع كل أداة في مكانها الصحيح؛ فاختبار مربع كاي يظل الحصان الرابح في المسوح السكانية والدراسات الميدانية الكبرى ذات التكرارات الوفيرة بفضل خفته الحوسبية وسهولة تفسيره وتوسعه غير المحدود في الجداول المعقدة ($r \times c$). وعلى الجانب الآخر، يظل اختبار فيشر الدقيق صمام الأمان المنهجي الذي لا غنى عنه في الدراسات المعملية الدقيقة، والأبحاث الطبية الاستكشافية، وتجارب العلوم السلوكية المحدودة؛ إذ يضمن عدم انزلاق الباحث نحو أوهام الدلالة الزائفة عندما تتناثر البيانات داخل الجداول.
8.2 توصيات إرشادية نهائية للباحثين ومحللي البيانات
بناءً على التقييم المنهجي والإحصائي المقارن، نضع بين يدي الباحثين ومحللي البيانات جملة من التوصيات الإرشادية لضمان أعلى معايير الصدق الإحصائي في معالجة البيانات الفئوية:
- الفحص الاستكشافي المسبق للتكرارات المتوقعة: يجب ألا يُعلن عن تبني أي من الاختبارين في خطة البحث بصورة مسبقة وجامدة قبل فحص مصفوفة التكرارات المتوقعة ($E_{ij}$)؛ فالبيانات الميدانية الفعلية هي التي تفرض الاختبار المناسب بموجب قواعد كوكران وليس الرغبة الشخصية للباحث.
- الشفافية الكاملة في التوثيق الأكاديمي: يجب على الباحث عند كتابة تقرير النتائج أن يوضح بدقة اسم الاختبار المستخدم (مثلاً: “اختبار فيشر الدقيق ثنائي الذيل” أو “اختبار مربع كاي للاستقلالية مع استيفاء شروط كوكران”)، مع ذكر قيم المعالم المرافقة كقيمة الإحصائية المحسوبة، درجات الحرية ($df$)، والقيمة الاحتمالية الدقيقة بدلاً من الاكتفاء بعبارات مبهمة مثل ($p < 0.05$).
- تضمين مقاييس حجم الأثر (Effect Size): إن الدلالة الإحصائية لا تعني بالضرورة الأهمية العملية أو السريرية؛ لذا يتعين على الباحثين إرفاق القيمة الاحتمالية بمقياس مناسب لحجم الأثر الفئوي؛ كاستخدام معامل فاي ($phi$) في جداول 2×2، أو معامل كرامر ($Cramacute{e}r’s V$) في الجداول العامة الأكبر ($r \times c$)، أو نسبة الأرجحية (Odds Ratio) مع فترات ثقتها (95% CI) لتقديم دلالة عملية تقيس قوة الاقتران الفعلي بعيداً عن تضخم العينات أو انكماشها.
- توخي الحذر من النقل الآلي للمخرجات: يجب على المحلل البرمجي في بيئات مثل SPSS أو R قراءة التنبيهات النصية والرموز المرافقة للجداول بعناية فائقة، وتجنب الخلط بين قيم الدلالة التقاربية (Asymptotic) والدلالة الدقيقة (Exact)، لا سيما عند معالجة الظواهر الإكلينيكية الحساسة المعرضة للبيانات المتناثرة.
المراجع
Diamond, G. S., Wintersteen, M. B., Brown, G. K., Diamond, G. M., Gallop, R., Shelef, K., & Levy, S. (2010). Attachment-Based Family Therapy for Adolescents with Suicidal Ideation: A Randomized Controlled Trial. Journal of the American Academy of Child & Adolescent Psychiatry, 49(2), 122–131. https://doi.org/10.1016/j.jaac.2009.11.002
Sousa, T. V., Viveiros, V., Chai, M. V., Vicente, F. L., Jesus, G. N., Carnot, M. J., … & Ferreira, P. L. (2015). Reliability and validity of the Portuguese version of the Generalized Anxiety Disorder (GAD-7) scale. Health and Quality of Life Outcomes, 13(1), 1–8. https://doi.org/10.1186/s12955-015-0244-2
van IJzendoorn, M. H., & Bakermans‐Kranenburg, M. J. (1996). Attachment representations in mothers, fathers, adolescents, and clinical groups: A meta-analytic search for normative data. Journal of Consulting and Clinical Psychology, 64(1), 8–21. https://doi.org/10.1037/0022-006x.64.1.8