جدول التوافق: ركيزة التحليل الفئوي في علم النفس

تُعد جداول التوافق (Contingency Tables) إحدى أرسخ الركائز الإحصائية والمنهجية التي يعتمد عليها الباحثون في العلوم النفسية والسلوكية لتلخيص البيانات الاسمية والفئوية، وفهم طبيعة العلاقات الترابطية بين المتغيرات النوعية المعقدة. تمثل هذه الأداة نقطة انطلاق جوهرية لتحويل الملاحظات والأنماط السلوكية المصنفة نوعياً إلى مؤشرات كمية قابلة للاختبار التجريبي والتحليل الدلالي، مما يمكّن المتخصصين من تقييم الفرضيات النظرية والتشخيصية بدقة متناهية. ومن خلال استكشاف التكرارات المشتركة، تفتح جداول التوافق آفاقاً رحبة لتقييم مصداقية المقاييس، وتشخيص الاضطرابات النفسية، وتحديد مدى فاعلية التدخلات العلاجية المختلفة.

المفهوم الإحصائي لجداول التوافق وتطورها التاريخي

يُعرَّف جدول التوافق—والذي يُطلق عليه أحياناً اسم جدول الاقتران أو التوزيع التكراري المتقاطع—بأنه مصفوفة رياضية تُستخدم لتوزيع الأفراد أو الحالات وفقاً لتصنيفات متغيرين فئويين أو أكثر في وقت واحد. يتيح هذا التمثيل المنظم للباحث السلوكي معاينة كيفية تباين وتوافق فئات متغير معين (مثل: نوع العلاج النفسي المُتلقى) عبر فئات متغير آخر (مثل: التحسن السريري للأعراض الاكتئابية). وتُعرض الخلايا الداخلية لهذه المصفوفة التكرارات الملحوظة الناتجة عن التقاطع المباشر بين مستويات المتغيرات المدروسة، مما يوفر رؤية شمولية لكيفية توزيع العينة ضمن الفضاء التصنيفي المستهدف.

يعود الفضل الأكبر في التنظير الرياضي المنهجي لمفهوم التوافق إلى عالم الإحصاء البريطاني كارل بيرسون (Karl Pearson) في مطلع القرن العشرين، وتحديداً في ورقته التأسيسية الصادرة عام 1904 بعنوان “عن نظرية التوافق وتطبيقها على الوراثة والوراثة المنهجية”. صاغ بيرسون مصطلح “التوافق” (Contingency) ليصف التباين المشترك غير الخطي أو التبعية القائمة بين الخصائص النوعية، مفرداً بذلك فضاءً إحصائياً جديداً يختلف جذرياً عن معامل الارتباط الخطي التناغمي المخصص للمتغيرات الكمية المتصلة. وقد أدى هذا العمل إلى ولادة اختبار مربع كاي لحسن المطابقة والاستقلالية، والذي بات لاحقاً الركيزة الأساسية للتحليل الفئوي.

في الميدان السيكولوجي والسيكومتري، اكتسبت جداول التوافق وزناً متزايداً مع تطور حركة القياس النفسي وتنامي الحاجة إلى تصنيف الحالات السريرية. فمع صدور الدلائل التشخيصية للأمراض النفسية (مثل الدليل التشخيصي والإحصائي للاضطرابات النفسية DSM)، بات لزاماً على علماء النفس والطب النفسي التعامل مع متغيرات ثنائية الفئات (مريض/غير مريض) أو تصنيفات تشخيصية متعددة، مما استدعى ترسيخ استخدام هذه الجداول لدراسة التوافق بين الفاحصين، وحساب المؤشرات التشخيصية الدقيقة، وفحص الفروق بين المجموعات التجريبية والضابطة بصورة موضوعية وصارمة.

البنية الهيكلية لجدول التوافق ومكوناته الأساسية

تتألف البنية المعمارية لجدول التوافق من أبعاد تُحدد بعدد الصفوف (r) والأعمدة (c)، حيث يشير التنسيق الشائع “r × c” إلى عدد الفئات المندرجة تحت كل متغير. في أبسط أشكاله وأكثرها استخداماً في الدراسات النفسية، يظهر جدول 2 × 2 (ثنائي المتغير والثنائيات الفئوية)، مثل مقارنة وجود الاستجابة للصدمة (نعم / لا) بوجود تاريخ سابق للتعرض للعنف (نعم / لا). تتضمن المصفوفة عدداً من العناصر الأساسية التي تشكل عماد البناء التحليلي، وهي الخلايا الفردية، والمجموع الهامشي للصفوف، والمجموع الهامشي للأعمدة، والمجموع الإجمالي لحجم العينة الكلية.

تمثل الخلايا الداخلية في جدول التوافق التكرارات التجريبية أو الملحوظة (Observed Frequencies)، والتي يُرمز لها عادة بالرمز $O_{ij}$، حيث تعكس عدد الأفراد الذين يجمعون بين المستوى $i$ للمتغير الموجود في الصفوف والمستوى $j$ للمتغير الموجود في الأعمدة. أما المجاميع الهامشية (Marginal Totals)، فهي ناتج جمع تكرارات كل صف بمفرده أو كل عمود بمفرده عبر جميع الفئات، وتعكس هذه القيم التوزيع الأحادي المستقل لكل متغير على حدة بمعزل عن تأثير المتغير الآخر، وتشكل المدخل الرياضي الأساسي الذي تُبنى عليه حسابات الاحتمالات المشروطة والاحتمالات الهامشية في التحليل الإحصائي.

انطلاقاً من هذه المجاميع الهامشية، يقوم الباحث باحتساب ما يُعرف باسم “التكرارات المتوقعة” (Expected Frequencies) ويُرمز لها بالرمز $E_{ij}$، والتي تُعرَّف بأنها عدد التكرارات التي يُفترض رياضياً وجودها في الخلية الفردية لو كانت المتغيرات مستقلة استقلالاً تاماً عن بعضها البعض في المجتمع الإحصائي الأصلي. تُحسب القيمة المتوقعة بضرب مجموع الصف الخاص بالخلية في مجموع العمود المقابل لها، وقسمة الناتج على الحجم الكلي للعينة ($E_{ij} = \frac{R_i \times C_j}{N}$). يمثل التباين أو الفرق بين التكرارات الملحوظة والتكرارات المتوقعة جوهر الاستدلال الإحصائي؛ إذ كلما اتسعت الهوة بين ما نلاحظه تجريبياً وما نتوقعه نظرياً في ظل الاستقلالية، ازدادت قوة الدليل لصالح وجود ارتباط حقيقي بين المتغيرات النفسية الخاضعة للدراسة.

الاختبارات الإحصائية المرتبطة بجداول التوافق

لا يقتصر التعامل مع جداول التوافق على الوصف البصري أو التكراري للبيانات الفئوية، بل يمتد إلى تطبيق حزمة من الاختبارات الاستدلالية الدقيقة لتحديد ما إذا كانت العلاقات الملاحظة ذات دلالة إحصائية وليست ناجمة عن المصادفة العشوائية للمعاينة. وتتنوع هذه الاختبارات وفقاً لخصائص العينة، وحجم التكرارات المتوقعة، والتصميم التجريبي المستخدم في جمع البيانات السلوكية.

اختبار مربع كاي للاستقلالية (Chi-Square Test of Independence)

يُعد اختبار مربع كاي للاستقلالية الأداة الاستدلالية القياسية لتقييم الفرضية الصفرية القائلة بأن المتغيرين الفئويين مستقلان تماماً في المجتمع الأصلي. تعتمد صيغة الاختبار على تربيع الفروق بين التكرارات الملحوظة والتكرارات المتوقعة في كل خلية، مقسومة على التكرار المتوقع لتلك الخلية، ومن ثم جمع هذه النواتج عبر جميع خلايا الجدول وفق المعادلة:

$$\chi^2 = \sum \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

تتبع هذه القيمة توزيع مربع كاي بعدد درجات حرية يُحسب وفق المعادلة $(r – 1) \times (c – 1)$. وفي حال تجاوزت القيمة المحسوبة القيمة الحرجة المقابلة لمستوى الدلالة المعياري (غالباً $\alpha = 0.05$)، يرفض الباحث الفرضية الصفرية، مستنتجاً وجود علاقة ارتباطية دالة إحصائياً بين المتغيرين النفسيين. ومع ذلك، يفترض هذا الاختبار شروطاً صارمة تتعلق بحجم العينة والتكرارات المتوقعة لتجنب الأخطاء الإحصائية من النوع الأول أو الثاني.

اختبار فيشر الدقيق (Fisher’s Exact Test)

عندما تكون العينات السريرية صغيرة للغاية، أو عندما تتضمن الجداول خلايا تنخفض فيها التكرارات المتوقعة عن 5 حالات، يفقد اختبار مربع كاي تقريبه التقاربي وتصبح نتائجه غير موثوقة. في هذه الحالة، يلجأ الباحث إلى اختبار فيشر الدقيق الذي ابتكره عالم الإحصاء رونالد فيشر. يقوم هذا الاختبار بحساب الاحتمال الرياضي المباشر الدقيق للحصول على التوزيع الملحوظ للخلايا (أو توزيعات أكثر تطرفاً منه)، بالاعتماد على التوزيع فوق الهندسي مع افتراض ثبات المجاميع الهامشية. يمثل هذا الاختبار حلاً مثالياً في دراسات الحالات النادرة في علم النفس المرضي والعيادي، حيث يتعذر جمع عينات كبيرة من المشاركين.

اختبار ماكنيمار للعينات المترابطة (McNemar’s Test)

في التصاميم النفسية التجريبية التي تتطلب قياسات متكررة (مثل القياس القبلي والبعدي للأعراض النفسية لنفس المجموعة)، لا تكون الملاحظات مستقلة، مما يجعل اختبار مربع كاي التقليدي غير صالح للاستخدام. يُستخدم اختبار ماكنيمار خصيصاً لجداول التوافق 2 × 2 المرتبطة أو المزدوجة. يركز الاختبار حصرياً على “الخلايا غير المتوافقة” (Discordant Cells)، أي الحالات التي طرأ عليها تغير في التصنيف بين القياسين (مثل التحول من حالة الاكتئاب إلى غياب الاكتئاب بعد العلاج، والعكس)، متجاهلاً الحالات التي بقيت ثابتة، مما يجعله أداة دقيقة لتقييم كفاءة التغير السلوكي والمعرفي عبر الزمن.

مقاييس الارتباط وحجم الأثر في البيانات الفئوية

إن إثبات الدلالة الإحصائية لاختبار الاستقلالية عبر مربع كاي يخبرنا فقط باحتمالية أن العلاقة ليست وليدة الصدفة، لكنه لا يقدم أي معلومة حول قوة هذا الارتباط أو أثره العملي في الواقع السريري. لهذا السبب، يفرض الدليل الإحصائي الحديث لعلم النفس تضمين مقاييس دقيقة لحجم الأثر وشدة الارتباط، والتي تُستمد مباشرة من حسابات جداول التوافق لتفسير الظواهر الإنسانية بصورة أكثر واقعية.

• معامل فاي (Phi Coefficient – $phi$): يُعد مقياساً لقوة الارتباط مخصصاً لجداول التوافق ذات البعد 2 × 2 حصراً. يُحسب بقسمة الجذر التربيعي لقيمة مربع كاي المحسوبة على إجمالي حجم العينة ($\phi = \sqrt{\chi^2 / N}$). تتراوح قيمته بين 0 (انعدام الارتباط) و1 (ارتباط تام)، ويُعامل بنفس التفسير النظري لمعامل ارتباط بيرسون، مما يوفر للباحث مؤشراً واضحاً على مدى اقتران السمتين النفسيتين.
• معامل كرامر الخامس (Cramér’s V): يمثل تعميماً رياضياً لمعامل فاي ليتناسب مع جداول التوافق ذات الأبعاد الأكبر ($r \times c$). يُحسب بأخذ الجذر التربيعي لقيمة مربع كاي مقسومة على حاصل ضرب حجم العينة في أصغر بُعد من درجات الحرية مطروحاً منه واحد ($V = \sqrt{\frac{\chi^2}{N \times \min(r-1, c-1)}}$). يُستخدم هذا المعامل بكثافة في الدراسات السوسيولوجية والنفسية المقارنة لتحديد حجم الأثر بين تصنيفات الشخصية المتعددة ومستويات الاستجابة المتنوعة.
• نسبة الأرجحية (Odds Ratio – OR): مقياس وبائي وسريري متقدم يُستخدم في جداول 2 × 2، ويعبر عن النسبة بين أرجحية حدوث نتيجة معينة (مثل الإصابة باضطراب الهلع) لدى مجموعة معرّضة لعامل خطر معين (مثل التوتر المزمن) مقارنة بأرجحية حدوثها لدى مجموعة غير معرّضة. إذا كانت نسبة الأرجحية تساوي 1، دل ذلك على غياب أي أثر، في حين تشير القيم التي تتجاوز الواحد إلى زيادة احتمالية الخطر النفسي، مما يمنح الممارس الإكلينيكي دلالة مفهومية قابلة للتطبيق العلاجي المباشر.
• الخطر النسبي (Relative Risk – RR): يعبر عن نسبة احتمالية حدوث النتيجة السلوكية في المجموعة المعرضة إلى احتمالية حدوثها في المجموعة غير المعرضة. وعلى الرغم من تقاربه المفاهيمي مع نسبة الأرجحية، إلا أنه يتطلب تصاميم دراسات أترابية استطلاعية تتبع الحالات عبر الزمن لضمان الحساب الدقيق لمعدلات الحدوث.

التطبيقات السيكومترية والإكلينيكية في علم النفس

تلعب جداول التوافق دوراً محورياً في بناء وتطوير الأدوات السيكومترية، وفي الفحص الإكلينيكي القائم على الأدلة. فمن دون تنظيم البيانات في جداول تقاطع محكمة، يصعب للغاية التحقق من مصداقية التشخيص أو معايرة الاختبارات السريرية التي تعتمد على التصنيف الفئوي للأفراد، ومن أبرز هذه التطبيقات:

تقييم الصدق التشخيصي (Diagnostic Validity)

عند تقييم مقياس نفسي تشخيصي جديد لمقارنة نتائجه مع “المعيار الذهبي” (Gold Standard) في التشخيص الإكلينيكي، يُبنى جدول توافق 2 × 2 يتقاطع فيه تصنيف الاختبار الجديد (إيجابي / سلبي) مع الحالة السريرية الحقيقية (مريض / سليم). يُنتج هذا الجدول أربع فئات تشخيصية محورية: الإيجابي الحقيقي (True Positive)، والسلبي الحقيقي (True Negative)، والإيجابي الكاذب (False Positive)، والسلبي الكاذب (False Negative). ومن خلال هذه الفئات تُستخرج المؤشرات التالية:

• الحساسية (Sensitivity): قدرة الاختبار على التعرف بدقة على المرضى الحقيقيين، وتُحسب بقسمة الإيجابي الحقيقي على إجمالي المرضى الفعليين.
• النوعية (Specificity): قدرة الاختبار على استبعاد الأفراد الأصحاء، وتُحسب بقسمة السلبي الحقيقي على إجمالي غير المرضى.
• القيمة التنبؤية الإيجابية (Positive Predictive Value): احتمالية أن يكون المفحوص مريضاً بالفعل إذا كانت نتيجة اختباره إيجابية.
• القيمة التنبؤية السلبية (Negative Predictive Value): احتمالية أن يكون المفحوص سليماً بالفعل إذا كانت نتيجة اختباره سلبية.

ثبات التوافق بين الملاحظين: معامل كابا كوهين (Cohen’s Kappa)

في الملاحظة السلوكية والمقابلات الإكلينيكية المشتركة، يُعد اتفاق الفاحصين مؤشراً حاسماً على ثبات القياس النفسي. لا يكفي هنا مجرد حساب نسبة الاتفاق الخام البسيطة بين فاحصين اثنين، نظراً لأن جزءاً من هذا الاتفاق قد يحدث بمحض الصدفة العشوائية. قام جيكوب كوهين (Jacob Cohen) عام 1960 بتطوير معامل كابا ($kappa$) القائم هيكلياً على مصفوفة جدول التوافق المربع، حيث يعزل الاتفاق المتوقع بموجب الصدفة من الاتفاق الفعلي الملاحظ وفق المعادلة:

$$\kappa = \frac{P_o – P_e}{1 – P_e}$$

حيث يمثل $P_o$ نسبة الاتفاق الملاحظة و$P_e$ نسبة الاتفاق المتوقعة بالصدفة المستخرجة من المجاميع الهامشية. يتيح معامل كابا للمختصين تقييم الدقة الموضوعية للأدلة التشخيصية، وضمان خلو المقابلات النفسية من التحيزات الفردية للمقيّمين.

الافتراضات الإحصائية والمحددات المنهجية

على الرغم من المرونة الواسعة التي توفرها جداول التوافق في تحليل المتغيرات النوعية، إلا أن صحة الاستنتاجات العلمية المشتقة منها تظل مشروطة بالامتثال الصارم لافتراضات إحصائية ومحددات منهجية محددة. يؤدي إغفال هذه الشروط إلى تشويه المعالم الإحصائية واستخلاص نتائج مضللة قد تؤثر سلباً على الممارسات السريرية والقرارات العلاجية.

يشترط اختبار الاستقلالية المعتمد على جداول التوافق استقلالية المشاهدات الفردية؛ بمعنى أن ينتمي كل مشارك في العينة إلى خلية واحدة فقط من خلايا الجدول دون أي تكرار أو قياس مقترن زمنياً (ما لم يُستخدم اختبار ماكنيمار المصمم لذلك). كما يُشترط ألا تقل التكرارات المتوقعة في أي خلية عن 1 في الجداول الأكبر من 2 × 2، وألا تزيد نسبة الخلايا التي تحتوي على تكرارات متوقعة أقل من 5 عن 20% من إجمالي الخلايا، وفي حال انتهاك هذا الافتراض، تنحرف حسابات الدلالة التقاربية لمربع كاي انحرافاً حاداً.

تتمثل إحدى أهم العقبات المنهجية المتربصة بالباحثين في ظاهرة تُعرف باسم مفارقة سيمبسون (Simpson’s Paradox). تحدث هذه المفارقة الإحصائية عندما يظهر اتجاه أو ارتباط معين بين متغيرين فئويين داخل جدول توافق تجميعي عام، لكن هذا الاتجاه ينعكس أو يختفي كلياً عند تقسيم البيانات وتوزيعها عبر جدول فرعي استناداً إلى متغير ثالث خفي أو وسيط (مثل الجنس، أو العمر، أو المستوى الاجتماعي). تؤكد هذه الظاهرة خطورة الاعتماد الساذج على جداول التوافق البسيطة دون التحكم في المتغيرات الدخيلة والمربكة المحتملة في التصميم التجريبي.

النمذجة المتقدمة للبيانات الفئوية المتعددة

عندما تتسع رقعة البحث النفسي لتشمل تفاعلات بين ثلاثة متغيرات فئوية أو أكثر، تصبح جداول التوافق الثنائية البسيطة غير كافية لنمذجة الشبكة السببية المعقدة للظاهرة السلوكية. ولمعالجة هذه التعقيدات، طوّر الإحصائيون أدوات رياضية متعددة المتغيرات ترتكز هيكلياً على مفهوم جداول التوافق متعددة الأبعاد.

تأتي النماذج اللوغاريتمية الخطية (Log-Linear Models) في طليعة هذه الأساليب المتقدمة؛ حيث تسمح للباحث النفسي بفحص التأثيرات الرئيسية والتفاعلات متعددة المستويات بين المتغيرات الفئوية دون الحاجة إلى تحديد متغير تابع مستقل سلفاً. تحول هذه النماذج التكرارات المتوقعة في خلايا جدول التوافق متعدد الأبعاد إلى صيغة لوغاريتمية خطية، مما يجعلها تشبه نماذج تحليل التباين (ANOVA)، وتمكن الباحثين من استكشاف الفروق المعقدة والتداخلات الثلاثية والرباعية بين العوامل النفسية والبيئية والوراثية في تصنيف واحد شامل وموحد.

دراسة حالة تطبيقية في علم النفس الإكلينيكي

لتوضيح التطبيق العملي لجدول التوافق في السياق السريري، نفترض دراسة استقصائية هدفت إلى فحص أثر أسلوبين من التدخل النفسي على مرضى يعانون من اضطراب القلق العام: العلاج المعرفي السلوكي (CBT) مقابل العلاج باليقظة الذهنية (Mindfulness). تم تصنيف 200 مريض عشوائياً بين المجموعتين، وسُجلت استجابتهم بعد 12 أسبوعاً إلى فئتين: “تحسن سريري ملحوظ” و”عدم استجابة سريرية”. تم تنظيم النتائج في جدول توافق 2 × 2 على النحو التالي:

• مجموعة العلاج المعرفي السلوكي (100 مريض): 70 مريضاً أظهروا تحسناً ملحوظاً، و30 مريضاً لم يستجيبوا للعلاج.
• مجموعة العلاج باليقظة الذهنية (100 مريض): 50 مريضاً أظهروا تحسناً ملحوظاً، و50 مريضاً لم يستجيبوا للعلاج.
• المجاميع الهامشية: إجمالي المتحسنين = 120، إجمالي غير المستجيبين = 80، إجمالي العينة الكلية = 200.

باستخدام الصيغ الرياضية لحساب التكرارات المتوقعة، نجد أن القيمة المتوقعة لخلية التحسن في مجموعة العلاج المعرفي السلوكي هي $(100 \times 120) / 200 = 60$. بمقارنة التكرارات الملحوظة (70) بالتكرار المتوقع (60)، ومتابعة الحساب عبر جميع الخلايا، تبلغ قيمة اختبار مربع كاي المحسوبة $\chi^2 = 8.33$. وبما أن القيمة الحرجة عند درجات حرية 1 ومستوى دلالة $\alpha = 0.05$ تساوي 3.84، فإننا نرفض الفرضية الصفرية ونستنتج وجود علاقة ذات دلالة إحصائية بين نوع التدخل العلاجي والتحسن السريري.

وعند الانتقال إلى حساب نسبة الأرجحية (Odds Ratio)، نجد أن أرجحية التحسن في مجموعة العلاج المعرفي السلوكي هي $70 / 30 = 2.33$، بينما أرجحية التحسن في مجموعة اليقظة الذهنية هي $50 / 50 = 1.0$. بالتالي، تكون نسبة الأرجحية $2.33 / 1.0 = 2.33$. يُترجم هذا المؤشر إكلينيكياً بأن فرص تحقيق تحسن ملحوظ لدى مرضى القلق العام الخاضعين للعلاج المعرفي السلوكي تزيد بمقدار 2.33 ضعفاً مقارنة بنظرائهم الخاضعين للعلاج باليقظة الذهنية، وهو ما يجسد قوة جدول التوافق في تقديم رؤى علاجية واضحة ومباشرة لصناع القرار السريري.

خاتمة وتطلعات مستقبلية

تثبت جداول التوافق عبر مسيرتها التاريخية والتطبيقية أنها أداة تحليلية لا غنى عنها في بنية البحث النفسي والقياس السلوكي المعاصر. فمن تمثيل العلاقات النوعية المباشرة إلى دعم القرارات التشخيصية الدقيقة وتقييم موثوقية المقاييس السيكومترية، توفر هذه الجداول جسراً متيناً يربط بين التصنيفات الوصفية للظواهر النفسية والاستدلال الرياضي الرصين. إن الاستيعاب العميق لبنيتها الهيكلية، واختباراتها الإحصائية المرافقة، واشتراطاتها المنهجية، يُمكّن الباحثين والممارسين الإكلينيكيين من معالجة البيانات الفئوية بأعلى درجات الكفاءة العلمية، مما يسهم في تطوير الممارسات النفسية المستندة إلى البراهين.

المراجع

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons.
• Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi.org/10.1177/001316446002000104
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons.
• Pearson, K. (1904). Mathematical contributions to the theory of evolution: XIII. On the theory of contingency and its relation to association and normal correlation. Dulau and Co.
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.