المتغير الثنائي: المفهوم الإحصائي وتطبيقاته في القياس والبحث النفسي

يمثل المتغير الثنائي (Binary Variable) حجر الزاوية في بناء النماذج الإحصائية وتصميم المقاييس والاختبارات في شتى فروع العلوم السلوكية والاجتماعية. يجسد هذا المفهوم الرياضي المنهجي البنية الأساسية التي تُترجم عبرها الظواهر النفسية المعقدة إلى قيم رقمية متمايزة وقابلة للقياس الكمي المباشر. ومن خلال اختزال الحالات المتعددة إلى ثنائية قيمية متقابلة، يوفر المتغير الثنائي إطاراً تحليلياً فائق الدقة لدراسة الفروق الفردية، وتحديد المسارات السببية، والتحقق من مصداقية التشخيصات الإكلينيكية.

التحديد المفاهيمي والإبستمولوجي للمتغير الثنائي

يُعرَّف المتغير الثنائي، والذي يُطلق عليه غالباً في الأدبيات المنهجية المتغير التفرعي (Dichotomous Variable)، بأنه ذلك المتغير الإحصائي الذي لا تتجاوز فضاءات عيّنته سوى مستويين أو حالتين نوعيتين متباينتين مانعتين للجمع (Mutually Exclusive) وشاملتين لجميع الحالات الممكنة (Exhaustive). من منظور فلسفة القياس العلمي، يمثل هذا المتغير أدنى مستويات القياس وفق تصنيف ستيفنز (Stevens) لمستويات القياس، حيث يصنف عادة كـ متغير اسمي (Nominal Variable). ورغم بساطته الهيكلية الظاهرة، إلا أنه يختزل في طياته تعقيدات رياضية عميقة تتطلب معالجات تحليلية خاصة تختلف جذرياً عن تلك المستخدمة مع المتغيرات المتصلة.

في السياق السيكولوجي، لا يُنظر إلى المتغير الثنائي بوصفه مجرد شفرة رقمية صامتة، بل كأداة إبستمولوجية حاسمة تُمكّن الباحث من حسم القرارات السلوكية والتشخيصية والارتقائية. فعندما يقيس الاختبار النفسي وجود اضطراب ما من عدمه، أو عندما تسجل تجربة في علم النفس المعرفي استجابة صحيحة مقابل استجابة خاطئة، يتحول هذا المتغير البسيط إلى معيار وجودي يُبنى عليه توصيف الحالة الراهنة للفرد. هذا الانتقال من المستوى المفاهيمي المجرد إلى التجلي الإجرائي هو ما يمنح المتغير الثنائي ثقله الأكاديمي والتطبيقي في البحوث الميدانية المعاصرة.

تاريخياً، ارتبط تطور التعامل مع المتغيرات الثنائية بنشوء نظريات الاحتمالات ونماذج التوزيع البرنولي (Bernoulli Distribution)، حيث تُسند القيمة (1) تقليدياً للدلالة على حدوث الحدث أو توفر الخاصية موضع الاهتمام (وتُسمى حالة النجاح بمفهوم نظرية الاحتمالات)، في حين تُسند القيمة (0) لغياب الخاصية أو فشل وقوع الحدث. هذا التجريد الإحصائي الصارم سمح للباحثين في علم النفس بالانتقال من الوصف اللفظي المقارن إلى النمذجة الجبرية الصارمة للمفاهيم الإنسانية المركبة.

التصنيف المنهجي: الثنائية الطبيعية مقابل الثنائية المصطنعة

يعد التمييز بين الثنائية الطبيعية (Natural or True Dichotomy) والثنائية المصطنعة (Artificial Dichotomy) من أهم الالتزامات المنهجية في القياس النفسي؛ حيث تتحدد طبيعة المعالجة الإحصائية وتفسير النتائج بدقة بناءً على هذا التمايز الجوهري. يُشير مصطلح الثنائية الطبيعية إلى المتغيرات التي توجد في أصل تكوينها الوجودي أو البيولوجي أو المنطقي على نحو ثنائي بحت، بحيث لا يمكن تصور مستويات وسيطة أو أبعاد متصلة تفصل بين فئتيها. من أمثلة ذلك في البحوث النفس-عصبية: الوفاة مقابل البقاء على قيد الحياة في دراسات التلف الدماغي الرضحي، أو تقديم إجابة فعلية مقابل الامتناع التام عن الاستجابة في مهام زمن الرجع البصري.

على النقيض من ذلك، تُمثل الثنائية المصطنعة عملية تحويل منهجي مقصودة لمتغير متصل في أصله (Continuous Variable) إلى قطبين متمايزين باستخدام نقطة قطع محددة (Cut-off Score). تلجأ الدراسات الإكلينيكية باستمرار إلى هذه الممارسة؛ فعلى سبيل المثال، يُعد الاكتئاب بعداً نفسياً متصلاً يتراوح من المزاج السوي الطبيعي إلى الاكتئاب الجسيم الحاد، إلا أن المقاييس النفسية، كـ مقياس بيك للاكتئاب، تطبق نقاط قطع لتحويل الدرجات التراكمية المستمرة إلى تصنيف ثنائي: “مكتئب إكلينيكياً” مقابل “غير مكتئب”. هذا الإجراء، رغم ضرورته الإجرائية في التشخيص الطبي والممارسات العلاجية، يثير نقاشات مستفيضة حول مدى دقة ومصداقية التقسيم المصطنع للظواهر الإنسانية.

يترتب على التمييز بين هذين النوعين استخدام مقاييس ارتباط متخصصة لحساب العلاقات بين المتغيرات. فإذا كان الباحث يدرس علاقة بين متغير ثنائي طبيعي ومتغير متصل، فإن المعامل المناسب رياضياً هو معامل ارتباط الرتب الثنائية النقطي (Point-Biserial Correlation). أما إذا كان المتغير الثنائي نتاج تقسيم مصطنع لبعد كامن مستمر وموزع طبيعياً، فإن استخدام معامل الارتباط الثنائي النقطي سيؤدي إلى تقدير متحيز وأقل من القيمة الحقيقية للارتباط، مما يفرض حينها استخدام معامل الارتباط ثنائي التسلسل (Biserial Correlation) لاستعادة الارتباط الكامن غير المشوه.

الترميز الإحصائي والمتغيرات الصورية (Dummy Coding)

لكي تصبح البيانات النوعية الثنائية قابلة للإدراج في النماذج الخطية العامة (General Linear Models) مثل تحليل التباين (ANOVA) وتحليل الانحدار المتعدد (Multiple Regression)، لابد من إخضاعها لعملية إعادة ترميز رقمي منهجية تعرف بإنشاء المتغيرات الصورية (Dummy Variables). تقوم هذه العملية على تعيين قيمتين عدديتين، هما عادة الصفر والواحد الصحيح (0 و1)، لتمثيل فئتي المتغير الثنائي، حيث تُخصص القيمة (0) لما يُعرف إحصائياً بـ “المجموعة المرجعية” (Reference Group)، في حين تُمنح القيمة (1) للمجموعة المستهدفة بالدراسة.

يكتسب هذا الترميز الصوري أهمية بنيوية بالغة في تفسير معاملات الانحدار الناتجة. فعندما يُدرج متغير ثنائي مرمز (0، 1) كمتغير مستقل منبئ بمتغير تابع متصل (كتقدير الذات أو الأداء الأكاديمي)، فإن الحد الثابت (Intercept) في معادلة الانحدار يمثل حسابياً المتوسط الحسابي الدقيق للمجموعة المرجعية المقترنة بالقيمة صفر. في الوقت ذاته، يصبح معامل الانحدار الخطي (Beta) الملحق بالمتغير الثنائي ممثلاً للفارق المطلق في المتوسط الحسابي بين المجموعة المرجعية وتلك الحائزة على القيمة واحد، مع ثبات تأثير كافة المتغيرات المستقلة الأخرى في النموذج.

بالإضافة إلى الترميز الثنائي الصفري (0, 1)، يلجأ علماء النفس القياسي أحياناً إلى تقنيات ترميز بديلة مثل ترميز الأثر (Effect Coding)، والذي تُسند فيه القيمتان (-1 و +1) للفئتين المتباينتين. يتميز هذا الترميز بجعل الحد الثابت مساوياً للمتوسط العام لكامل العينة (Grand Mean)، مما يسهل كثيراً فك شفرة تأثيرات التفاعل في التصاميم التجريبية المتعامدة، ويوضح بجلاء كيف تنحرف كل فئة فرعية عن المعدل الكلي للمجتمع المدروس، متجاوزاً بذلك الارتهان لتقييد فئة مرجعية بعينها.

المتغيرات الثنائية في نظرية القياس النفسي ونظرية الاستجابة للمفردة

تحتل البيانات الثنائية موقع الريادة في أدبيات بناء وتقنين الاختبارات والمقاييس النفسية، لاسيما عبر المقاربات السيكومترية المتقدمة مثل نظرية الاستجابة للمفردة (Item Response Theory – IRT). في هذه النظريات، يُنظر إلى كل مفردة اختبارية على أنها متغير ثنائي مستقل يستقبل ترميز النجاح (1) أو الفشل (0)، أو الموافقة مقابل عدم الموافقة في استخبارات الشخصية. وتعمل النماذج الرياضية على الربط بين هذا المتغير الثنائي الملاحظ والسمة الكامنة غير المرئية (Latent Trait – Theta) التي يمتلكها المفحوص.

يعد نموذج راش (Rasch Model) ونماذج الاستجابة للمفردة اللوجستية أحادية وثنائية وثلاثية المعلمات من أبرز الأطر الرياضية التي تعتمد كلياً على المتغيرات الثنائية للمفردات. في نموذج المعلمة الواحدة، يُحدد احتمال حصول المفحوص على درجة (1) في مفردة ثنائية بناءً على الفرق الرياضي البسيط بين مستوى قدرته الذاتية ومستوى صعوبة المفردة ذاتها. تتسع هذه النمذجة في النماذج الأكثر تعقيداً لتشمل معاملات التمييز (Discrimination) والتخمين (Guessing)، والتي تعكس سلوك المتغير الثنائي عبر شتى مستويات السمة النفسية المقاسة على المنحنى الخصائصي للمفردة (Item Characteristic Curve).

أما في إطار نظرية الاختبار التقليدية (Classical Test Theory)، فإن المتغير الثنائي يمثل وحدة البناء للمقاييس التجميعية المركبة. فمعامل صعوبة المفردة (p-value) ليس سوى المتوسط الحسابي المباشر لقيم المفردة الثنائية المرمزة بـ (0 و 1)، وهو ما يعكس ببساطة النسبة المئوية للأفراد الذين قدموا إجابة صحيحة. كما يتحدد تباين المفردة الثنائية من خلال حاصل ضرب نسبة النجاح في نسبة الفشل (p × q)، مما يبرز الارتباط الوثيق بين تباين المفردة ومتوسطها، وهي خاصية إحصائية تقتصر حصرياً على المتغيرات التوزيعية ذات الأساس الثنائي البرنولي.

النمذجة الإحصائية المتقدمة للمتغيرات الثنائية كمتغيرات تابعة

عندما ينتقل المتغير الثنائي من موقع المتغير المستقل ليكون هو المتغير التابع موضع التنبؤ أو التفسير، تنهار الافتراضات الأساسية لنماذج الانحدار الخطي العادي بطريقة المربعات الصغرى (OLS). يرجع ذلك إلى أن التوزيع الاحتمالي للخطأ العشوائي لمتغير تابع ثنائي يتبع توزيع ذي الحدين وليس التوزيع الطبيعي، بالإضافة إلى انتهاك مبدأ ثبات تجانس التباين (Homoscedasticity)، حيث يصبح التباين دالة رياضية مرتبطة ارتباطاً خطياً بقيمة المتوسط الحسابي. كما أن استخدام الانحدار الخطي قد يسفر عن التنبؤ باحتمالات مستحيلة تقع خارج النطاق المنطقي المحصور بين الصفر والواحد (مثل احتمالات سالبة أو تتجاوز الواحد الصحيح).

لتجاوز هذه القيود الرياضية المعقدة، طور الإحصائيون نماذج الانحدار غير الخطي المتخصصة، وعلى رأسها الانحدار اللوجستي الثنائي (Binary Logistic Regression) ونموذج بروبيت (Probit Model). يعتمد الانحدار اللوجستي على تحويل الاحتمال الشرطي غير الخطي لحدوث الحدث إلى مقياس خطي مستمر غير مقيد عبر استخدام دالة تحويل اللوغاريتم الطبيعي لنسبة الأرجحية (Logit of Odds). تتيح هذه الدالة تقييم العلاقة بين متغيرات تفسيرية متعددة واحتمالية حدوث الفئة المستهدفة في المتغير الثنائي، مثل التنبؤ باحتمال حدوث الانتكاسة النفسية بناءً على متغيرات مثل الدعم الاجتماعي ومستوى الالتزام الدوائي.

يُقاس حجم الأثر في هذه النماذج عادة بـ “نسبة الأرجحية” (Odds Ratio – OR). تشير نسبة الأرجحية إلى التغير المضاعف في أرجحية وقوع الحدث المرتبط بزيادة مقدارها وحدة واحدة في المتغير التفسيري. إذا كانت نسبة الأرجحية مساوية للواحد الصحيح، فإنها تعني غياب أي ارتباط بين المتغير المنبئ والمتغير التابع الثنائي؛ في حين تدل القيم التي تتجاوز الواحد على وجود عامل خطورة أو تأثير إيجابي يزيد من احتمال حدوث الظاهرة النفسية المعنية، وتدل القيم دون الواحد على وجود تأثير وقائي يخفض من هذه الاحتمالية بطريقة منتظمة إحصائياً.

المخاطر المنهجية والإحصائية للاختزال الثنائي للمتغيرات المتصلة

يعد الاختزال الثنائي للمتغيرات المتصلة (Dichotomization) عبر وسائل شائعة مثل تقسيم العينة من المنتصف استناداً إلى الوسيط (Median Split) من أكثر الممارسات المنهجية المثيرة للجدل والتحذير في الأوساط الأكاديمية السيكولوجية المعاصرة. ورغم أن الباحثين يبررون هذا التبسيط بالحاجة إلى تسهيل عرض البيانات أو تطبيق تصاميم تحليل التباين العاملي، إلا أن الأدبيات الميثودولوجية الرصينة تشير إلى أن هذا التحويل الاصطناعي يكبد البحث العلمي خسائر فادحة في دقة النتائج وقوتها الاستدلالية.

تتمثل الخسارة الأولى والأكثر خطورة في الهدر الفادح للمعلومات والتباين الإحصائي؛ إذ يُعامل شخصان يقع أحدهما تحت الوسيط مباشرة والآخر في أدنى درجات التوزيع وكأنهما متطابقان تماماً، بينما يُعامل شخصان متقاربان للغاية يقع أحدهما أعلى الوسيط بكسر عشري والآخر أدناه كفئتين متعارضتين جذرياً. يؤدي هذا التشويه للبنية التوزيعية الأصلية إلى خفض ملحوظ في القوة الإحصائية (Statistical Power) للاختبارات؛ حيث تؤكد الدراسات المحاكية أن تحويل متغير متصل إلى متغير ثنائي قد يقلل القدرة على اكتشاف العلاقات الحقيقية بين المتغيرات بما يعادل فقدان ما يتراوح بين ثلث إلى نصف حجم العينة الفعلي.

علاوة على ذلك، أثبتت الدراسات الرياضية المتخصصة أن تحويل متغيرين متصلين إلى متغيرات ثنائية مصطنعة في نموذج واحد قد يؤدي إلى إنتاج تفاعلات إحصائية زائفة أو علاقات ارتباطية وهمية (Spurious Correlations) لم تكن موجودة في البيانات الخام الأصلية، أو قد يمحو تماماً تأثيرات حقيقية قائمة بالفعل، وهي الظاهرة الشبيهة بمفارقة سيمبسون الإحصائية. ولذلك، تجمع الإرشادات الحديثة لجمعية علم النفس الأمريكية (APA) على ضرورة الإبقاء على المتغيرات المستمرة في صيغتها الأصلية واستخدام تقنيات النمذجة المتقدمة، مثل الانحدار المتعدد والنمذجة البنائية، لتجنب التحريف المنهجي المصاحب للثنائية المصطنعة.

الارتباطات المتخصصة للمتغيرات الثنائية

يتطلب تحليل العلاقات الارتباطية التي تنطوي على متغيرات ثنائية مصفوفة متكاملة من المعاملات الإحصائية المعدلة التي تتطابق بدقة مع طبيعة المتغيرات المقترنة وتوزيعاتها الكامنة. ففي الحالة التي يرغب فيها الباحث في قياس الارتباط بين متغيرين ثنائيين كلاهما طبيعي حقيقي (مثل الجنس البيولوجي وتوارث جين وراثي معين)، يُستخدم معامل فاي (Phi Coefficient). يُعد معامل فاي رياضياً حالة خاصة ومتطابقة تماماً مع معامل ارتباط بيرسون لدرجات العزم المحسوبة على بيانات مرمزة بـ (0 و 1)، ويرتبط ارتباطاً وثيقاً بقيمة اختبار كاي-تربيعي (Chi-Square) للاستقلال.

على الجانب الآخر، إذا كان كلا المتغيرين الثنائيين مشتقين اصطناعياً من أبعاد متصلة تفترض لها النظرية السيكولوجية توزيعاً طبيعياً ثنائياً كامناً (Bivariate Normal Distribution)، فإن معامل فاي يفشل في التعبير عن حجم الارتباط الفعلي ويعاني من قيود حسابية تقيد قيمته القصوى بأقل بكثير من الواحد الصحيح. في مثل هذه الظروف، يُعد معامل الارتباط التتراكوري (Tetrachoric Correlation) البديل المنهجي الواجب اعتماده، حيث يهدف هذا المعامل المتقدم إلى تقدير قوة الارتباط الخطي الكامن بين المتغيرين الافتراضيين المستمرين قبل إخضاعهما لعملية الشطر الثنائي.

تكتسب هذه الارتباطات أهمية كبرى عند إجراء التحليل العاملي (Factor Analysis) لمفردات الاختبارات النفسية ذات الاستجابة الثنائية (صح / خطأ، نعم / لا). إن تطبيق التحليل العاملي الكلاسيكي المستند إلى مصفوفة معاملات بيرسون أو فاي يؤدي إلى ظهور عوامل زائفة غير ذات دلالة نفسية تُعرف بعوامل الصعوبة (Difficulty Factors). ولتفادي هذه التشوهات العاملية، بات من المعايير المنهجية الصارمة تأسيس التحليل العاملي الاستكشافي والتوكيدي الموجه للمفردات الثنائية على مصفوفات الارتباط التتراكوري أو استخدام خوارزميات التقدير ذات المربعات الصغرى المرجحة قطرياً (WLSMV) المصممة خصيصاً للمتغيرات الفئوية.

التطبيقات الإكلينيكية والتشخيصية للمتغيرات الثنائية

في الفضاء الإكلينيكي والطب النفسي، يتحول المتغير الثنائي إلى أداة قرار عملية لا غنى عنها في إدارة وتقييم الحالات المرضية وصياغة الخطط العلاجية. تتجلى هذه الوظيفة بوضوح في بنية الأدلة التشخيصية الكبرى، مثل الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5) والتصنيف الدولي للأمراض (ICD-11)، حيث يتم التعامل مع كل معيار تشخيصي على أنه متغير ثنائي يستلزم الحسم بوجوده التام أو غيابه المطلق لدى المريض خلال فترة زمنية محددة سلفاً.

يتيح هذا التكوين الثنائي حساب مقاييس الصدق التشخيصي التي تعد ركيزة الطب النفسي المبني على الدليل. وتشمل هذه المقاييس:

• الحساسية (Sensitivity): وتعرف بأنها الاحتمال الشرطي للمتغير التشخيصي الثنائي بأن يصنف الفرد تصنيفاً إيجابياً دقيقاً في حال كونه مصاباً بالاضطراب النفسي بالفعل وفق الفحص المرجعي المعياري.
• النوعية (Specificity): وهي الاحتمال المقابل الذي يحدد قدرة الأداة الثنائية على استبعاد الأفراد الأسوياء غير المصابين وتصنيفهم كفئات سلبية خالية من الاضطراب بصورة صحيحة ومنتظمة.
• القيمة التنبؤية الإيجابية (Positive Predictive Value – PPV): وهي احتمالية أن يكون المريض مصاباً بالمرض فعلياً في حال أسفر الفحص النفسي عن تصنيف ثنائي إيجابي.
• القيمة التنبؤية السلبية (Negative Predictive Value – NPV): وهي احتمالية سلامة الفرد تماماً وخلوه من المرض إذا جاءت نتيجة تقييمه سالبة عند تطبيق نقطة القطع المعتمدة.

تتفاعل هذه المؤشرات التشخيصية الثنائية مع المتغيرات الوبائية المحيطة، ولاسيما معدل انتشار الاضطراب (Prevalence Rate) في المجتمع المستهدف، مما يعني أن الكفاءة التنبؤية العملية لأي أداة ثنائية لا تنبع فقط من خصائصها السيكومترية الذاتية، بل ترتبط بعمق بالخصائص الإحصائية للسياق الميداني الذي تُطبق فيه.

الاعتبارات الأخلاقية والتحليلية في بحوث القياس الحديثة

تفرض التطورات المتسارعة في علم البيانات السلوكية والأخلاقيات البحثية إعادة تقييم مستمرة لكيفية استخدام المتغيرات الثنائية وتمثيلها للأفراد. يبرز هذا التحدي بصورة ملحة في دراسات الهوية، والنوع الاجتماعي، والانتماءات الثقافية والعرقية؛ حيث كان الاستخدام التقليدي للمتغيرات الثنائية الحصرية يسهم في تهميش الفئات الفرعية وتسطيح التنوع البشري عبر إجبار المبحوثين على الاندراج ضمن قطبين جامدين لا يعكسان حقيقة هوياتهم الذاتية.

من الناحية التحليلية، يلتزم الباحثون في القياس النفسي المتقدم بضرورة التحقق من ثبات ودقة قياس المتغيرات الثنائية قبل دمجها في التحليلات الختامية. ويشمل ذلك فحص الأداء التفاضلي للمفردات الثنائية (Differential Item Functioning – DIF) عبر مختلف المجموعات الديموغرافية لضمان عدم وجود تحيز منهجي خفي يجعل المتغير الثنائي يقيس سمة أخرى غير السمة المستهدفة تبعاً لاختلاف ثقافة العينة أو جنسها، وهو ما يضمن تحقيق العدالة التقييمية وموثوقية الأحكام المستندة إلى النتائج الرقمية.

خلاصة القول، يظل المتغير الثنائي أداة إحصائية وتحليلية مركزية لا غنى عنها في المنظومة العلمية لعلم النفس والقياس النفسي، تجمع بين بساطة الترميز الرياضي وعمق الدلالة التفسيرية، شريطة أن يمتلك الباحث وعياً نقدياً بحدودها المنهجية، والمخاطر المترتبة على اختزال الظواهر المستمرة، والالتزام بالقواعد الإحصائية الرصينة للنمذجة والتعميم العلمي.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association.
• Cohen, J. (1983). The cost of dichotomization. Applied Psychological Measurement, 7(3), 249–253.
• Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum Associates Publishers.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons.
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19–40.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.