لوغاريتم الأرجحية: ركيزة النمذجة الإحصائية النفسية

يقف لوغاريتم الأرجحية في قلب التحليل الكمي والقياس النفسي المعاصر، حيث يمثل الجسر الرياضي الصارم الذي ينقل علم النفس من مجرد الملاحظة السلوكية الوصفية إلى بناء النماذج الإحصائية الاستدلالية الدقيقة. ففي دراسة الظواهر النفسية المعقدة والسمات غير المرئية كالقلق والذكاء والمرونة النفسية، لا يمكن قياس هذه البنى بشكل مباشر، بل يُستدل عليها من خلال استجابات الأفراد القابلة للملاحظة، وهنا تبرز دالة لوغاريتم الأرجحية كأداة لا غنى عنها لتقدير معالم النماذج واختبار الفرضيات النظرية وتحديد مدى توافق النماذج المفترضة مع الواقع الإمبيريقي الخاضع للاختبار.

لوغاريتم الأرجحية في القياس والبحث النفسي

1. التعريف الموجز

يُعرَّف لوغاريتم الأرجحية بأنه التحويل اللوغاريتمي الطبيعي لدالة الإمكان أو الأرجحية، والتي تقيس درجة معقولية أو إمكانية توليد البيانات النفسية الملاحظة استناداً إلى مجموعة محددة من معالم النموذج الإحصائي المفترض. ويُعد هذا المفهوم حجر الزاوية في طريقة التقدير بالإمكان الأعظم، حيث يحوّل حاصل ضرب الاحتمالات المستقلة إلى مجموع حسابي يسهل تحسينه واشتقاقه رياضياً.

وفي سياق القياس النفسي والنمذجة السلوكية، لا يمثل لوغاريتم الأرجحية احتمالية صحة النموذج بحد ذاته، بل يحدد مدى اتساق المعالم المفترضة للسمات الكامنة للأفراد وخصائص أدوات القياس مع الاستجابات الفعلية المرصودة في العينة. وكلما اقتربت القيمة اللوغاريتمية من الصفر (باعتبارها دائماً قيمة سالبة في سياق الاحتمالات المشتركة)، زادت قدرة النموذج النفسي على تفسير البيانات وتوليدها بدقة متناهية.

2. أصل المصطلح والاشتقاق اللغوي

يعود الأصل اللغوي لمفردة "لوغاريتم" إلى اللاتينية الحديثة المأخوذة من الكلمتين اليونانيتين (Logos) وتعني "نسبة" أو "علاقة"، و(Arithmos) وتعني "عدد"، وهو المصطلح الذي صاغه عالم الرياضيات الاسكتلندي جون نابيير في أوائل القرن السابع عشر لتسهيل الحسابات الفلكية المعقدة، وله امتداد تاريخي يرتبط بجهود العالم المسلم محمد بن موسى الخوارزمي في علم الحساب. أما في اللغة العربية، فكلمة "الأرجحية" مشتقة من الجذر اللغوي (ر-ج-ح)، ورجَحَ الشيءُ يرجَحُ رُجوحاً أي ثَقُلَ وفاقَ غيره وزناً وقيمة، والترجيح هو تقديم وجه على وجه أو تغليب احتمال على آخر بناءً على دلالة أو برهان.

وقد دخل المصطلح إلى الأدبيات الإحصائية والنفسية الإنجليزية تحت مسمى (Log-Likelihood) كاشتقاق من مفهوم الأرجحية (Likelihood) الذي وضعه العالم البريطاني رونالد فيشر لتمييزه فلسفياً ومنهجياً عن مفهوم الاحتمال التقليدي (Probability)؛ إذ يعبر الاحتمال عن إمكانية حدوث بيانات مستقبلية بمعرفة المعالم، بينما تعبر الأرجحية عن تفضيل معالم معينة بناءً على بيانات ثابتة تم جمعها بالفعل.

3. النطق والصيغة الصرفية والنحوية

يُنطق المصطلح باللغة العربية الفصحى: "لُوغَارِيتْمُ الأَرْجَحِيَّةِ" أو "لُوغَارِيتْمُ دَالَّةِ الإِمْكَانِ"، وهو تركيب إضافي يتكون من مضاف (لوغاريتم) ومضاف إليه (الأرجحية)، وتُعرب الكلمة حسب موقعها في الجملة الإحصائية؛ فيقال: "حُسِبَ لوغاريتمُ الأرجحيةِ" كفاعل مرفوع، أو "تتأثر قيمةُ لوغاريتمِ الأرجحيةِ بحجم العينة" كمضاف إليه مجرور.

ومن حيث البنية الصرفية، فإن "الأرجحية" مصدر صناعي مصوغ من اسم التفضيل "أرجح" بإضافة ياء النسب والتاء المربوطة للدلالة على الصفة الذاتية للمعقولية الإحصائية. ويشيع في بعض المدارس الإحصائية العربية استخدام مصطلحات مترادفة مثل "لوغاريتم الإمكان" أو "لوغاريتم دالة الترجيح"، إلا أن مصطلح "لوغاريتم الأرجحية" و"لوغاريتم دالة الإمكان" هما الأكثر استقراراً وقبولاً في مجلات القياس النفسي والعلوم التربوية.

4. الشرح المفاهيمي المفصل

لفهم دالة لوغاريتم الأرجحية في علم النفس، يجب التمييز أولاً بين دالة الاحتمال ودالة الإمكان. في التجارب السلوكية، عندما نقوم بصياغة نموذج احتمالي، فإننا نفترض معالم محددة للنموذج (مثل متوسط مستوى الاكتئاب والانحراف المعياري في مجتمع ما) ونسعى لحساب احتمالية رصد درجات معينة لدى عينة عشوائية. ولكن في الواقع الإمبيريقي، يواجه الباحث النفسي الموقف المعاكس تماماً: البيانات تم جمعها بالفعل عبر المقاييس والاستبيانات النفسية، والمعالم الحقيقية للمجتمع أو السمات الكامنة للأفراد تظل مجهولة تماماً. تعمل دالة الأرجحية هنا على عكس المنظور الرياضي، حيث تُثبَّت البيانات الملاحظة وتتغير المعالم، لتقييم أي من هذه المعالم يجعل البيانات المرصودة في أقصى درجات احتماليتها.

تتمثل المشكلة الرياضية الكبرى عند حساب دالة الأرجحية للعينات الكبيرة في أن الاحتمالية المشتركة لاستجابات مئات أو آلاف المشاركين تنتج عن ضرب احتمالات الاستجابة الفردية لكل مفردة من مفردات المقياس. ونظراً لأن احتمالية الإجابة عن كل مفردة تقع دائماً بين الصفر والواحد الصحيح، فإن حاصل ضرب مئات أو آلاف الكسور العشرية يؤدي إلى أرقام بالغة الصغر تقترب من الصفر المطلق، مما يسبب ما يُعرف في الحوسبة الإحصائية بـ "الفيضان السفلي الحسابي" (Arithmetic Underflow)، حيث تعجز معالجات الحواسيب عن تمثيل هذه القيم متناهية الصغر وتتعامل معها كأصفار، مما يؤدي إلى فشل التحليل.

يقدم التحويل اللوغاريتمي الطبيعي حلاً رياضياً أنيقاً وجذرياً لهذه العقبة؛ فاللوغاريتم يتمتع بخاصية رياضية فريدة تحوّل حاصل ضرب الحدود إلى مجموع بسيط، مما يعني أن لوغاريتم الأرجحية الإجمالية لعينة الدراسة يساوي ببساطة مجموع لوغاريتمات احتمالات استجابة كل مفردة لدى كل فرد. هذا التحول من الضرب إلى الجمع لا يحمي الحسابات من مشاكل الفيضان الرقمي فحسب، بل يجعل اشتقاق الدوال الرياضية بهدف إيجاد القيم العظمى عملية في غاية السهولة والدقة الحسابية، وهو ما يمثل الأساس لكل برمجيات التحليل النفسي الحديثة.

علاوة على ذلك، تتميز دالة اللوغاريتم الطبيعي بأنها دالة تزايدية مطردة ورتيبة تماماً (Monotonically strictly increasing function). هذا يعني من الناحية الحسابية أن القيمة التي تجعل دالة الأرجحية الأصلية عند حدها الأقصى هي ذاتها القيمة التي تجعل لوغاريتم الأرجحية عند حده الأقصى دون أدنى تغيير في موقع المعالم المقدرة. إن فضاء لوغاريتم الأرجحية يشكل سطحاً رياضياً متعدد الأبعاد يتم البحث فوق قمته عن "مقدر الإمكان الأعظم"، وتعتمد انحناءات هذا السطح وميله على دقة التقدير وكمية المعلومات التي وفرتها البيانات حول الظاهرة النفسية المقاسة.

5. التطور التاريخي والمسار الزمني

تعود الجذور الأولى لمفهوم الأرجحية إلى بدايات القرن التاسع عشر في أعمال العالم الألماني كارل فريدريش جاوس في سياق نظرية الأخطاء الفلكية، ولكن لم يتبلور المفهوم بالصيغة الرياضية المنضبطة إلا على يد الإحصائي وعالم الوراثة البريطاني رونالد فيشر في ورقته التأسيسية التاريخية المنشورة عام 1922 بعنوان "حول الأسس الرياضية للإحصاء النظري". في تلك الورقة، وضع فيشر تعريف دالة الأرجحية، وبرهن على الخصائص المثالية لطريقة الإمكان الأعظم، ودعا بقوة إلى استخدام اللوغاريتم الطبيعي لتسهيل العمليات الحسابية والاشتقاقية.

شهد العقد الثالث من القرن العشرين خطوة فارقة عندما قدم الإحصائي الأمريكي صامويل ويلكس عام 1938 ما يُعرف اليوم بـ "مبرهنة ويلكس" (Wilks’ Theorem). أثبتت هذه المبرهنة أن الفرق بين لوغاريتم أرجحية نموذجين متداخلين، عند ضربه في القيمة السالبة للعدد اثنين، يتوزع تقاربياً وفق توزيع مربع كاي (Chi-Square) مع درجات حرية تساوي الفرق بين معالم النموذجين. فتح هذا الاكتشاف الباب على مصراعيه لاختبار جودة المطابقة والمقارنة الإحصائية بين النماذج النظرية المتنافسة في العلوم السلوكية.

في ستينيات وسبعينيات القرن العشرين، اقتحم مفهوم لوغاريتم الأرجحية ميدان القياس النفسي بقوة هائلة بفضل رواد مثل فريدريك لورد في الولايات المتحدة وجورج راش في الدنمارك من خلال تطوير نظرية الاستجابة للمفردة (Item Response Theory)، ثم عالم القياس النفسي السويدي كارل يوريسكوغ الذي طور برنامج (LISREL) لنمذجة المعادلات البنائية. اعتمدت هذه النظريات الحديثة اعتماداً مطلقاً على لوغاريتم الأرجحية لتقدير صعوبة الأسئلة وقدرات المفحوصين وعلاقات المتغيرات الكامنة، مما أحدث ثورة نقلت علم النفس من النظرية الكلاسيكية في القياس إلى النمذجة الرياضية المتقدمة.

6. الأسس النظرية والأطر الفكرية

يرتكز لوغاريتم الأرجحية على أساس إبستيمولوجي عميق يُعرف في فلسفة العلم بـ "مبدأ الأرجحية" (Likelihood Principle). ينص هذا المبدأ على أن كل الأدلة التجريبية التي تحتويها عينة من البيانات الملاحظة بخصوص المعالم المجهولة لنموذج ما تقع بالكامل داخل دالة الأرجحية لتلك البيانات، ولا حاجة لأي معلومات أخرى خارجها لتقييم رجحان الفرضيات. يمثل هذا المنطلق جوهر المدرسة التكرارية في الإحصاء الرياضي، كما يتصل بشكل وثيق بالتحليل البايزي، حيث يشكل لوغاريتم الأرجحية المكون المركزي الذي يُحدّث الاحتمالات القبلية للباحث للوصول إلى التوزيع البعدي للسمات النفسية.

ويرتبط لوغاريتم الأرجحية ارتباطاً وثيقاً بـ نظرية المعلومات (Information Theory)، وتحديداً بمفهوم "تباعد كولباك-ليبلر" (Kullback-Leibler Divergence)، الذي يقيس المسافة المعرفية أو مقدار الفقد المعلوماتي عند استخدام نموذج نفسي تقريبي لتمثيل الواقع النفسي الحقيقي. وتثبت البراهين الرياضية أن تعظيم لوغاريتم الأرجحية يكافئ رياضياً تماماً تقليل هذا الفقد المعلوماتي إلى أدنى حد ممكن، مما يمنح تقديرات النموذج النفسي أساساً متيناً يعزز دقته وقابليته للتعميم.

أما من منظور الهندسة الإحصائية، فإن المشتقة الثانية للوغاريتم الأرجحية بالنسبة للمعالم المقدرة تُعرَف بـ "مصفوفة هيسيان" (Hessian Matrix)، وسالب القيمة المتوقعة لهذه المشتقة يمثل "معلومات فيشر" (Fisher Information). تعبر معلومات فيشر عن درجة تقوس وتحدب قمة منحنى لوغاريتم الأرجحية؛ فإذا كان المنحنى شديد الانحدار والتقوس حول القمة، دل ذلك على أن البيانات تقدم قدراً هائلاً من المعلومات الدقيقة حول السمة النفسية المقاسة، وأن الخطأ المعياري للتقدير سيكون صغيراً للغاية، والعكس صحيح إذا كان المنحنى مسطحاً ومترهلاً.

7. المكونات والأنواع والأبعاد الرئيسية

يتخذ لوغاريتم الأرجحية أشكالاً وصيغاً رياضية متعددة تتكيف مع طبيعة النماذج النفسية ومستويات القياس، ومن أبرز هذه الأنواع والأبعاد:

• لوغاريتم الأرجحية التام (Full/Observed Log-Likelihood): الدالة التي تعتمد على جميع المتغيرات الملاحظة مباشرة دون حذف أو استبعاد، وتُستخدم بصورة واسعة في تحليل الانحدار المتعدد والمسار ونماذج المعادلات البنائية ذات التوزيع الطبيعي المتعدد.
• لوغاريتم الأرجحية الهامشي (Marginal Log-Likelihood): يُستخدم عند التعامل مع نماذج تحتوي على متغيرات كامنة غير ملاحظة، كسمة القلق في نظرية الاستجابة للمفردة، حيث يتم تكامل وتصفية توزيع المتغير الكامن رياضياً للوصول إلى أرجحية تعتمد فقط على معالم المفردات الملاحظة.
• لوغاريتم الأرجحية المشروط (Conditional Log-Likelihood): طريقة بارعة للتخلص من المعالم المزعجة (Nuisance Parameters)؛ ففي نموذج راش النفسي، يتم تقدير صعوبة مفردات الاختبار بالاعتماد على الدرجة الكلية للاختبار كإحصاء كافٍ، دون الحاجة للتقدير المتزامن لقدرات الأفراد.
• لوغاريتم الأرجحية الجزئي (Partial Log-Likelihood): صيغة خاصة تُطبق في علم النفس الإكلينيكي ونماذج تحليل البقاء ونماذج كوكس، حيث يُركز الباحث على توقيت وقوع الحدث النفسي (كالانتكاسة بعد العلاج) دون الحاجة لتحديد معالم الدالة الأساسية للمخاطر.
• لوغاريتم الأرجحية المقيد (Restricted Maximum Likelihood – REML): يُستخدم بكثافة في النماذج الخطية متعددة المستويات في علم النفس التعليمي والتنظيمي لتقدير مكونات التباين، حيث يتجنب الانحياز في تقدير التباين في العينات الصغيرة عبر إزالة تأثير المعالم الثابتة.
• دالة الانحراف الإحصائي (Deviance): وتساوي سالباً ضعف لوغاريتم الأرجحية (-2LL)، وتُعد المقياس الأساسي لتناقض النموذج وضعف مطابقته، حيث يعمل الباحث على تصغيرها قدر الإمكان للوصول إلى أفضل مطابقة ممكنة.

8. أمثلة وحالات توضيحية

لتوضيح هذا المفهوم في الممارسة النفسية التطبيقية، دعنا نتأمل ثلاث حالات دراسية متباينة تمثل ميادين علم النفس القياسي والعيادي:

الحالة الأولى: قياس الاكتئاب وفق نظرية الاستجابة للمفردة (IRT): عند تطبيق مقياس يتكون من 20 مفردة ثنائية الاستجابة (نعم/لا) على مريض عيادي، يفترض النموذج ثنائي المعلم (2PL) دالة رياضية تحسب احتمالية استجابة المفحوص بنعم بناءً على قدرته/مستوى اكتئابه، ومعاملي التمييز والصعوبة للفقرة. لحساب مستوى اكتئاب المريض، يضرب الحاسوب احتمالات كل إجابة قدمها المريض، ثم يحوّلها إلى لوغاريتم الأرجحية بجمع لوغاريتمات تلك الاحتمالات. يقوم البرنامج بعد ذلك بتغيير قيمة السمة الكامنة للمريض حتى يصل إلى القيمة الدقيقة التي تجعل دالة لوغاريتم الأرجحية عند أعلى نقطة ممكنة، فتكون تلك القيمة هي الدرجة العيادية المعتمدة لمستوى الاكتئاب لدى المريض، مصحوبة بخطأ معياري مستخرج من تقوس المنحنى.

الحالة الثانية: نمذجة المعادلات البنائية للمرونة النفسية (SEM): يدرس باحث نفسي فرضية تقترح أن الدعم الاجتماعي واليقظة الذهنية يتنبآن بالمرونة النفسية التي تقلل بدورها من الإجهاد النفسي لدى الأطباء. يجمع الباحث استجابات 500 طبيب، ويقارن مصفوفة التغاير التجريبية الملاحظة بمصفوفة التغاير التي يتنبأ بها نموذجه النظري. هنا، يتم حساب لوغاريتم الأرجحية للنموذج المقترح؛ فإذا أضاف الباحث مساراً جديداً يربط اليقظة بالإجهاد مباشرة، يتم حساب لوغاريتم الأرجحية للنموذج الجديد. إن زيادة قيمة لوغاريتم الأرجحية تدل على أن إضافة هذا المسار حسّنت بشكل دال قدرة النموذج على تفسير البنية النفسية للأطباء الخاضعين للدراسة.

الحالة الثالثة: التنبؤ بالانتكاسة السلوكية عبر الانحدار اللوجستي: في دراسة إكلينيكية حول علاج الإدمان، يحاول المعالج التنبؤ باحتمال انتكاسة المريض (1 = انتكس، 0 = لم ينتكس) استناداً إلى متغيرات مثل شدة الرغبة الملحة وعدد ساعات النوم ومستوى القلق. يتم صياغة لوغاريتم الأرجحية لبيانات المرضى؛ حيث يحدد المعالج معاملات الانحدار التي تعظم مجموع لوغاريتمات احتمالات النتائج الفعلية للمرضى، مما يسمح بحساب نسب الأرجحية وفهم العوامل النفسية الأشد خطورة في تحفيز الانتكاسة.

9. القياس والتقييم الإحصائي

يُقاس لوغاريتم الأرجحية كمياً من خلال خوارزميات التحسين الحسابية المتكررة، مثل خوارزمية نيوتن-رافسون (Newton-Raphson)، وطريقة فيشر لتسجيل النقاط (Fisher Scoring)، وخوارزمية تعظيم التوقع (EM Algorithm). تبدأ هذه الخوارزميات بقيم أولية تقريبية للمعالم، ثم تتحرك خطوة بخطوة عبر فضاء المعالم في الاتجاه الذي يرفع قيمة لوغاريتم الأرجحية حتى تستقر على القمة المنشودة ويحدث التقارب الحسابي (Convergence).

وعلى الرغم من أن القيمة المطلقة للوغاريتم الأرجحية لا تعطي وحدها حكماً قاطعاً على جودة النموذج (لأنها تتأثر طردياً بحجم العينة وعدد المتغيرات ومقياس القياس)، فإنها تمثل المادة الخام لإنتاج أهم معايير جودة المطابقة والمقارنة بين النماذج في علم النفس، ومن أبرزها:

• اختبار نسبة الأرجحية (Likelihood Ratio Test – LRT): يُستخدم لمقارنة نموذجين متداخلين؛ النموذج المقيد بنظريات معينة والنموذج الأوسع. وتُحسب إحصائية الاختبار بطرح لوغاريتم أرجحية النموذج المقيد من لوغاريتم أرجحية النموذج الأوسع وضرب الناتج في 2، ويُختبر الفارق دلالياً باستخدام جدول توزيع كاي تربيع.
• معيار أكايكي للمعلومات (Akaike Information Criterion – AIC): صاغه هيروتوجو أكايكي بالمعادلة ($2k – 2ln(L)$)، حيث $k$ يمثل عدد المعالم و$ln(L)$ هو لوغاريتم الأرجحية الأعظم؛ يفرض هذا المعيار عقوبة على النماذج المعقدة التي تضيف معالم دون داعٍ، ويفضل النموذج صاحب القيمة الأقل.
• معيار المعاينة البايزي (Bayesian Information Criterion – BIC): صيغته ($kln(n) – 2ln(L)$)، حيث يدخل حجم العينة ($n$) كعامل إضافي في العقوبة؛ ويُعتبر معياراً أكثر صرامة من AIC في تفضيل النماذج البسيطة والاقتصادية (Parsimonious Models) في البحوث النفسية.
• اختبار فالد واختبار لاغرانج: يُشتق كلاهما مباشرة من تفاضلات دالة لوغاريتم الأرجحية لاختبار ما إذا كانت معلمة سيكومترية معينة تختلف بصورة دالة إحصائياً عن الصفر دون الحاجة لإعادة تقدير النموذج كاملاً.

10. التطبيقات والأهمية العملية في علم النفس

يمتد الأثر التطبيقي للوغاريتم الأرجحية إلى كافة الفروع التخصصية للعلوم النفسية والسلوكية المعاصرة:

ففي ميدان القياس النفسي وتطوير الاختبارات، يُعد لوغاريتم الأرجحية المحرك الأساسي للاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT). فعندما يجيب المفحوص عن سؤال في اختبار الذكاء أو الكفاءة اللغوية، يُحدّث النظام الحاسوبي دالة لوغاريتم الأرجحية لقدرة المفحوص آنياً بعد كل إجابة، ويختار السؤال التالي الذي يحقق أقصى انحدار في مشتقة اللوغاريتم لتقديم أعلى مستوى من الدقة بأقل عدد ممكن من الأسئلة.

وفي علم النفس العيادي والطب النفسي، تعتمد نماذج التشخيص متعددة الفئات والتحليلات الطبقية الكامنة (Latent Class Analysis) على لوغاريتم الأرجحية لتصنيف المرضى إلى مجموعات فرعية متميزة وفقاً لأنماط الأعراض المشتركة، مثل تمييز الأنماط الفرعية للاضطراب ثنائي القطب أو تصنيف مستويات مقاومة العلاج لدى مرضى الاكتئاب، مما يسهم في تطوير خطط علاجية مشخصنة وعالية الفعالية.

وفي علم النفس المعرفي، تعتمد النماذج الحسابية لصنع القرار والتعلم الإدراكي، مثل "نماذج انتشار الانجراف" (Drift-Diffusion Models)، على تعظيم لوغاريتم الأرجحية لتقدير سرعة معالجة الدماغ للمعلومات والحدود العتبية للقرارات الحسية من خلال أزمنة الرجع والنسب المئوية للأخطاء في المهام التجريبية المعملية.

11. البحث العلمي والأدلة التجريبية

تزخر الأدبيات السيكومترية بآلاف الدراسات الإمبيريقية وأبحاث المحاكاة الرقمية (Monte Carlo Simulations) التي تفحص سلوك لوغاريتم الأرجحية في ظل ظروف جمع البيانات المختلفة. وقد كشفت أبحاث رائدة أجراها علماء مثل ألبرت بورس ودفيد ثيسن أن تقديرات لوغاريتم الأرجحية تتسم بخصائص إحصائية مثالية تشمل الاتساق والكفاءة والاعتدالية التقاربية في العينات التي تتجاوز 500 مفحوص في نماذج الاستجابة للمفردات متعددة المعالم.

كما أظهرت دراسات بيتر بنتلر وبيرت ساتورا حول نماذج المعادلات البنائية أن لوغاريتم الأرجحية التقليدي المستند إلى افتراض التوزيع الطبيعي المتعدد يعاني من تضخيم قيمة إحصائية المطابقة وتصغير الأخطاء المعيارية للمعالم عندما تتسم البيانات النفسية بالالتواء الحاد والتفرطح الشديد، وهي سمة شائعة في دراسات اضطرابات الشخصية والسلوك العدواني. أدى هذا الاكتشاف التجريبي إلى ابتكار "لوغاريتم الأرجحية القوي" (Robust Maximum Likelihood – MLR) وتصحيحات ساتورا-بنتلر التي تضبط قيمة اللوغاريتم ومصفوفة المعلومات لتلائم البيانات غير السوية.

وفي سياق البيانات المفقودة، أثبتت الدراسات التجريبية المقارنة أن استخدام دالة لوغاريتم الأرجحية الكاملة للبيانات المتاحة (Full Information Maximum Likelihood – FIML) يتفوق بصورة حاسمة على الطرق التقليدية مثل الحذف بالحذف أو التعويض بالمتوسط، حيث يستغل لوغاريتم الأرجحية كل نقطة بيانات جزئية متاحة دون تحيز، شريطة أن يكون نمط الفقد عشوائياً (Missing at Random – MAR).

12. الاعتبارات الثقافية والسياقية

عند نقل أدوات التقييم النفسي عبر الثقافات واللغات المختلفة، يبرز لوغاريتم الأرجحية كأداة لا غنى عنها لفحص التحيز والعدالة القياسية من خلال فحص "التكافؤ القياسي" (Measurement Invariance) وتحليل "الأداء التفاضلي للمفردة" (Differential Item Functioning – DIF).

يستخدم الباحثون في الدراسات عبر الثقافية اختبار نسبة لوغاريتم الأرجحية للمقارنة الصارمة بين نموذج يفترض تساوي أوزان المفردات وعتباتها بين ثقافة المنشأ والثقافة المستقبلة، ونموذج آخر يسمح باختلاف هذه المعالم حريةً عبر الثقافات. فإذا أدى تقييد المعالم بالتساوي إلى انخفاض دال وكبير في قيمة لوغاريتم الأرجحية، يستنتج الباحث النفسي فوراً أن الأداة النفسية لا تقيس السمة بنفس المعنى والدقة عبر المجموعتين الثقافيتين، مما يشير إلى وجود انحياز ترجمي أو تشويه دلالي يتطلب تعديل الصياغة لتناسب السياق الثقافي المحلي.

علاوة على ذلك، في المجتمعات النامية أو بيئات الأقليات حيث قد تكون العينات المتاحة محدودة الحجم، يجب على الباحثين الحذر الشديد عند تفسير لوغاريتم الأرجحية؛ إذ تثبت الدراسات أن معايير المقارنة المعتمدة على اللوغاريتم قد تفقد كفاءتها ودقتها في العينات الصغيرة غير الممثلة ثقافياً، مما يوجب استخدام طرائق إعادة المعاينة (Bootstrapping) لتصحيح التقديرات اللوغاريتمية.

13. الانتقادات والمناقشات والحدود المنهجية

رغم مكانته المركزية، أثار الاعتماد المطلق على دالة لوغاريتم الأرجحية في البحث النفسي نقاشات منهجية وانتقادات متعددة:

أول هذه الانتقادات يتعلق بظاهرة "القمم المحلية" (Local Maxima) في النماذج المعقدة؛ ففي نماذج النماذج المزيجة والتحليل البنائي عالي الأبعاد، قد يحتوي سطح لوغاريتم الأرجحية على تعرجات وقمم ثانوية متعددة بدلاً من قمة واحدة عامة (Global Maximum). وإذا بدأت خوارزمية البحث الحسابي بالقرب من قمة محلية زائفة، فقد تستقر عليها البرمجيات الإحصائية وتصدر تقريراً كاذباً بالوصول إلى أفضل نموذج، مما يضلل الباحثين إذا لم يُجروا فحوصات دقيقة لنقاط البدء العشوائية المتعددة.

وثاني الانتقادات يرتبط بحساسية اختبارات نسبة لوغاريتم الأرجحية المفرطة لحجم العينة الكبير؛ فعند دراسة عينات ضخمة تتجاوز آلاف المشاركين (كما في البيانات النفسية الضخمة)، يميل الفارق بين لوغاريتمات الأرجحية للنماذج إلى إظهار فروق ذات دلالة إحصائية فائقة ($p < .001$) حتى وإن كانت الفروق النظرية والميدانية تافهة ولا قيمة عملية لها، مما يدفع بعض الباحثين إلى رفض نماذج نفسية صالحة تماماً لمجرد عدم مطابقتها التامة رياضياً.

وثالثاً، تشهد الساحة الإحصائية النفسية مناظرة حامية بين أنصار التقدير بالإمكان الأعظم المستند إلى لوغاريتم الأرجحية وأنصار المدرسة البايزية الحديثة التي تستخدم سلاسل ماركوف مونت كارلو (MCMC). يجادل البايزيون بأن الاعتماد الحصري على نقطة قمة لوغاريتم الأرجحية يتجاهل الشك المحيط بالمعالم في العينات الواقعية الصغيرة والمتوسطة، بينما يتيح التوزيع البعدي البايزي تمثيلاً أشمل وأكثر واقعية للظاهرة النفسية المعقدة.

14. المصطلحات ذات الصلة والفروق الجوهرية

لتجنب اللبس والخلط المفاهيمي الشائع في الأدبيات العربية المترجمة، ينبغي التمييز الدقيق بين لوغاريتم الأرجحية ومجموعة من المصطلحات السيكومترية المجاورة:

• الاحتمال (Probability): دالة تعبر عن إمكانية تحقق استجابات مستقبلية معينة بافتراض ثبات معالم النموذج النفسي، وتتراوح قيمتها دائماً بين 0 و1، بينما تمثل الأرجحية معقولية المعالم استناداً إلى بيانات تم رصدها بالفعل، ولوغاريتمها يتراوح في العادة بين الصفر والقيم السالبة اللانهائية.
• نسبة الأرجحية (Odds Ratio): مقياس لعلاقة الترابط بين متغيرين ثنائيين (مثل التدخين وحدوث الاكتئاب) عبر قسمة أرجحية وقوع الحدث في مجموعة ما على أرجحية وقوعه في مجموعة أخرى، وهو مقياس مستقل تماماً عن دالة لوغاريتم الأرجحية الشاملة للنموذج.
• دالة الانحراف (Deviance): مقياس لسوء المطابقة يُحسب بضرب لوغاريتم أرجحية النموذج في -2، وبالتالي فهو تحويل خطي مباشر وسالب للوغاريتم الأرجحية ويسعى الباحث لتقليله، بينما يسعى لتعظيم لوغاريتم الأرجحية.
• دالة الخسارة (Loss Function): مفهوم شائع في تعلم الآلة والنمذجة العصبية المعرفية يقيس مقدار الخطأ في التنبؤ، ويمثل سالب لوغاريتم الأرجحية (Negative Log-Likelihood) إحدى أشهر صيغ دوال الخسارة المطبقة في تصنيف السلوكيات.
• التقدير بالإمكان الأعظم (Maximum Likelihood Estimation – MLE): هو المنهجية أو الإجراء الإحصائي بأكمله، بينما لوغاريتم الأرجحية هو الدالة الرياضية الموضوعية التي يتم تعظيمها داخل هذا الإجراء.

15. الخلاصة والنتائج الجوهرية

يظل لوغاريتم الأرجحية المحرك الرياضي والمفهومي الأبرز للاستدلال السيكومتري الحديث، وتتلخص أهم حقائقه في النقاط المكثفة الآتية:

• يمثل لوغاريتم الأرجحية التحويل الطبيعي لدالة الإمكان، ويحول ضرب الاحتمالات المعقد إلى جمع جبري يحمي من أخطاء الفيضان الحسابي الرقمي.
• تتميز دالة اللوغاريتم بأنها دالة تزايدية مطردة، مما يضمن أن تعظيم اللوغاريتم يحقق تلقائياً ودقيقاً تعظيم الأرجحية الأصلية للبيانات النفسية.
• يقف لوغاريتم الأرجحية وراء كافة أدوات التحليل البنائي المعاصر، بما في ذلك نظرية الاستجابة للمفردة، ونمذجة المعادلات البنائية، ونماذج التراكيب الكامنة.
• تعتمد المقارنة المنهجية بين الفرضيات النفسية على الفارق بين لوغاريتمات الأرجحية، وهو الأساس لاختبار نسبة الأرجحية ومعايير AIC وBIC والانحراف.
• يشكل انحناء سطح لوغاريتم الأرجحية المعكوس لمصفوفة المعلومات، وهو المسؤول المباشر عن تحديد الأخطاء المعيارية ومجالات الثقة لدرجات السمات المقاسة.

وفي الختام، يتبين أن فهم لوغاريتم الأرجحية يتجاوز مجرد العمليات الرياضية المجردة؛ إنه الإطار المنهجي الذي يتيح لعلماء النفس اختبار مدى ملامسة أفكارهم ونظرياتهم التجريدية للواقع الإنساني الملاحظ بدقة متناهية، وبدونه تفقد النمذجة النفسية المعاصرة صرامتها التجريبية وقدرتها التنبؤية الفذة.

المراجع

• Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, 222(594-604), 309–368. https://doi.org/10.1098/rsta.1922.0009
• Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 57(2), 239–251. https://doi.org/10.1093/biomet/57.2.239
• Lord, F. M. (1980). Applications of item response theory to practical testing problems. Routledge. https://www.routledge.com/
• Wilks, S. S. (1938). The large-sample distribution of the likelihood ratio for testing composite hypotheses. The Annals of Mathematical Statistics, 9(1), 60–62. https://doi.org/10.1214/aoms/1177732360