الإحصاء الحيوي, البرمجة بلغة R, مناهج البحث في علم النفس

كيفية حساب نسب الأرجحية في R (مع مثال)

/ / 58 دقائق للقراءة

تُعد نسبة الأرجحية (Odds Ratio – OR) إحدى الركائز الأساسية في التحليل الإحصائي الاستدلالي والنماذج الخطية المعممة، حيث تمثل مقياساً جوهرياً لحجم التأثير (Effect Size) عند دراسة العلاقات والارتباطات بين المتغيرات الثنائية (Binary Variables). تكمن الأهمية القصوى لهذا المقياس في قدرته على قياس شدة واتجاه الارتباط بين عامل محدد (سواء كان تدخلاً علاجياً، أو عاملاً سلوكياً، أو تعرضاً لمتغير بيئي) وبين حدوث نتيجة معينة ذات شقين (مثل النجاح مقابل الإخفاق، أو الشفاء مقابل استمرار المرض). وفي ظل التطور الرقمي والبياني الهائل في ميادين القياس النفسي، والوبائيات، والعلوم السلوكية والطبية، برزت بيئة البرمجة الإحصائية R Project for Statistical Computing كأداة لا غنى عنها للباحثين والمحللين، بما توفره من بيئة مفتوحة المصدر وغنية بالحزم البرمجية المتخصصة لتنفيذ الحسابات الدقيقة واختبار الفرضيات المعقدة بكفاءة وموثوقية بالغة.

يتطلب التطبيق السليم لنسبة الأرجحية فهماً رياضياً وإبستمولوجياً عميقاً للمفاهيم الإحصائية التي تستند إليها، بدءاً من التمييز الدقيق بين مفهوم الاحتمال البسيط (Probability) ومفهوم الأرجحية (Odds)، وصولاً إلى استيعاب التحويلات اللوغاريتمية وطرق بناء فترات الثقة (Confidence Intervals) المحيطة بالتقدير النقطي. إن الوقوع في أخطاء التفسير اللفظي، مثل الخلط الشائع بين نسبة الأرجحية والخطر النسبي (Relative Risk)، قد يؤدي إلى استنتاجات مضللة قد تنعكس سلباً على القرارات السريرية أو السياسات السلوكية والتنموية. لذلك، يتكامل التحليل الرياضي الجاف مع لغة التفسير العلمي الرصين لضمان صياغة استنتاجات دقيقة تعكس الواقع التجريبي بأمانة علمية عالية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية وتطبيقية متعمقة لكيفية حساب ونمذجة وتفسير نسب الأرجحية في لغة R. سنستعرض عبر فصول هذا المقال البنية النظرية والرياضية لنسبة الأرجحية، وتحليل مصفوفات التوافق الثنائية، وطرق الحساب اليدوي، ثم الانتقال التدريجي إلى التطبيق البرمجي عبر الحزم الرائدة مثل حزمة epitools، وتطبيق نماذج الانحدار اللوجستي الثنائي عبر دالة النمذجة المعممة، مع استعراض الطرق الحسابية البديلة والتحقق من الافتراضات الإحصائية وحل مشكلات البيانات المعقدة كالفصل التام والخلايا الصفرية، وصولاً إلى بناء المخططات البصرية المتقدمة وتوثيق النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

جدول المحتويات

1. مقدمة شاملة لمفهوم نسبة الأرجحية (Odds Ratio) وأهميتها الإحصائية

1.1 التعريف النظري والرياضي لنسبة الأرجحية

تُعرّف الأرجحية (Odds) في النظرية الاحتمالية الكلاسيكية بأنها النسبة الرياضية القائمة بين احتمال وقوع حدث معين إلى احتمال عدم وقوع ذلك الحدث. فإذا رمزنا لاحتمال وقوع الحدث بالرمز (P)، فإن احتمال عدم وقوعه يكون تلقائياً مساوياً للمتمم الرياضي (1 – P). وبناءً على ذلك، يتم صياغة أرجحية الحدث رياضياً وفق المعادلة التالية: (text{Odds} = frac{P}{1 – P}). تُعد هذه النسبة تعبيراً مباشراً عن الفرص المواتية لحدوث الظاهرة مقارنة بالفرص غير المواتية، وهي تختلف جوهرياً عن مفهوم الاحتمال البسيط الذي يقيس فرصة الحدوث كجزء نسبي من المجموع الكلي للحالات الممكنة.

وعند الانتقال إلى المقارنة بين مجموعتين أو حالتين مختلفتين، تبرز نسبة الأرجحية (Odds Ratio) كمقياس نسبي يقارن بين أرجحية وقوع الحدث في المجموعة الأولى (مجموعة التعرض أو المعالجة) إلى أرجحية وقوع نفس الحدث في المجموعة الثانية (المجموعة المرجعية أو الضابطة). تُشير هذه النسبة إلى مدى تغير احتمالية ظهور النتيجة المقاسة عند الانتقال من فئة إلى أخرى، مما يجعلها مؤشراً مثالياً لقياس قوة واتجاه الارتباط اللامتناظر بين المتغيرات الفئوية ثنائية التقسيم (Dichotomous Variables).

تتميز نسبة الأرجحية بخصائص رياضية فريدة تجعلها مفضلة في العديد من النماذج الإحصائية المتقدمة؛ حيث إنها تتغلب على القيود الرياضية لمقاييس الارتباط الخطية التقليدية مثل معامل ارتباط بيرسون عند التعامل مع البيانات الفئوية. إضافة إلى ذلك، تُعد نسبة الأرجحية المقياس الوحيد لحجم التأثير الذي يظل ثابتاً ولا يتغير سواء كانت الدراسة تعتمد تصميماً تقدمياً يتابع حدوث النتيجة عبر الزمن، أو تصميماً استعادياً يدرس تاريخ التعرض بناءً على وجود النتيجة من عدمها، وهو ما يُعرف في الأدبيات الإحصائية بخاصية الثبات التبادلي (Invariance Property).

1.2 أهمية نسب الأرجحية في الأبحاث النفسية والطبية والسلوكية

تحظى نسب الأرجحية بمكانة مركزية استثنائية في منهجيات البحث الطبي، والوبائي، والعلوم النفسية والسلوكية. في دراسات الحالات والشواهد (Case-Control Studies)، يُعد حساب الخطر النسبي المباشر أمراً مستحيلاً رياضياً ومنهجياً لأن الباحث هو من يحدد مسبقاً نسبة الأفراد المصابين بالحالة مقارنة بالأصحاء، مما يُفقد معدلات الوقوع (Incidence Rates) معناها الحقيقي في المجتمع الكلي. هنا تبرز نسبة الأرجحية كحل إحصائي عبقري ومعياري وحيد لتقدير العلاقة بين عوامل الخطورة وتطور الحالات المرضية أو الاضطرابات السلوكية بأعلى درجات الدقة الإحصائية الممكنة.

في ميدان البحوث النفسية والتجريبية، تُستخدم نسب الأرجحية بكثافة لتقييم فعالية التدخلات العلاجية، مثل برامج العلاج المعرفي السلوكي (CBT) أو التدخلات السلوكية المكثفة. فعندما يرغب الباحث في معرفة ما إذا كان الخضوع لبرنامج تدريبي سلوكي يزيد من أرجحية تجاوز اختبار الكفاءة النفسية، فإن نسبة الأرجحية تقدم تقديراً كمياً مباشراً يعكس مقدار التغير في أرجحية النجاح المحقق لصالح المجموعة التجريبية مقارنة بالمجموعة الضابطة التي تلقت تدريباً اعتيادياً أو لم تتلق أي تدخل.

علاوة على ذلك، تستمد نسبة الأرجحية أهميتها الفائقة من تكاملها الرياضي البنيوي مع نماذج الانحدار اللوجستي الثنائي (Binary Logistic Regression). في هذه النماذج، لا يقوم الانحدار بتقدير الاحتمال مباشرة بصورة خطية، بل يعتمد على تحويل اللوجيت (Logit Transformation)، حيث تصبح المعاملات الانحدارية الناتجة مساوية تماماً للوغاريتم الطبيعي لنسب الأرجحية. يتيح هذا الربط الرياضي الأنيق للباحثين سهولة هائلة في تحويل المخرجات المعقدة للنماذج الإحصائية متعددة المتغيرات إلى نسب أرجحية معدلة (Adjusted Odds Ratios) قابلة للتفسير العلمي المباشر.

1.3 المجالات والتطبيقات البحثية الشائعة

تتعدد التطبيقات البحثية لنسب الأرجحية لتشمل طيفاً واسعاً من التخصصات العلمية الكمية. في الأبحاث الوبائية والصحة النفسية السكانية، تُوظف نسب الأرجحية كأداة معيارية لتقييم عوامل الخطر الكامنة خلف تطور الاضطرابات النفسية المزمنة كالاكتئاب الحاد، والقلق، واضطرابات ما بعد الصدمة، من خلال مقارنة معدلات التعرض للضغوط النفسية أو الأحداث الحياتية الصادمة بين فئات الحالات والشواهد عبر عينات مجتمعية واسعة النطاق تمثل شرائح متعددة.

في علوم السلوك والتطوير التربوي، تُطبق هذه النسبة على نطاق واسع لتحليل مخرجات البرامج التدريبية المتقدمة، وتقييم اكتساب المهارات السلوكية، والتنبؤ بمعدلات التسرب الأكاديمي أو النجاح الوظيفي. يتيح ذلك لصناع القرار التربوي تقييم الأثر الحقيقي للمناهج التعليمية المستحدثة والممارسات التدخلية المبكرة عبر مقارنة أرجحية الوصول إلى مستويات الكفاءة المستهدفة بين المجموعات المتباينة بطريقة موضوعية وموثوقة إحصائياً.

كما تمثل نسبة الأرجحية الركيزة الحسابية الأكثر شيوعاً في دراسات التحليل التلوي (Meta-Analysis) الهادفة إلى تجميع وتلخيص نتائج الدراسات التجريبية وشبه التجريبية ذات النتائج الثنائية عبر الأدبيات المنشورة عالمياً. ونظراً لخصائصها الرياضية المتماثلة عبر التحويل اللوغاريتمي، تتيح نسبة الأرجحية للباحثين إجراء عمليات التجميع الوزني لأحجام التأثير واستكشاف التباين بين الدراسات المتعددة وفق منهجيات إحصائية موحدة ودقيقة.

2. الفرق الجوهري بين الاحتمال (Probability) والأرجحية (Odds) ونسبة الأرجحية (Odds Ratio)

2.1 التمييز الرياضي بين الاحتمال والأرجحية

يُمثل التمييز الدقيق بين مفهومي الاحتمال والأرجحية نقطة الانطلاق الأساسية لتفادي التشويش المفاهيمي الذي يقع فيه العديد من الممارسين والباحثين في مقتبل مسيرتهم التحليلية. يُعرّف الاحتمال (P) بأنه مقياس يعبر عن نسبة تكرار الحدث المرغوب فيه إلى العدد الإجمالي لجميع الأحداث المحتملة في الفضاء العيني، وتتحدد قيمته الرياضية بدقة ضمن المجال المغلق من صفر إلى واحد، أي أن (P in [0, 1])، حيث يشير الصفر إلى الاستحالة المطلقة بينما يمثل الواحد اليقين الحتمي والتام لحدوث الظاهرة.

في المقابل، تمثل الأرجحية نسبة عدد مرات وقوع الحدث إلى عدد مرات عدم وقوعه لنفس الفضاء التجريبي، وتتحدد قيمتها ضمن المجال المفتوح من صفر إلى موجب ما لا نهاية، أي أن (text{Odds} in [0, infty)). فعندما يكون احتمال وقوع الحدث مساوياً (0.80)، فإن احتمال عدم وقوعه يكون (0.20)، وتكون الأرجحية المحسوبة في هذه الحالة مساوية (0.80 / 0.20 = 4.0). يُقرأ هذا الرقم إحصائياً بأن فرص وقوع الحدث تفوق فرص عدم وقوعه بأربعة أضعاف كاملة.

للتحويل المتبادل بين هذين المقياسين رياضياً، نستخدم العلاقات الجبرية المباشرة التالية:

  • تحويل الاحتمال إلى أرجحية: (text{Odds} = frac{P}{1 – P})
  • تحويل الأرجحية إلى احتمال: (P = frac{text{Odds}}{1 + text{Odds}})

يوضح هذا التحويل الرياضي المتبادل أن الأرجحية تتزايد بمعدل غير خطي وسريع جداً كلما اقترب الاحتمال من الواحد الصحيح، وتتطابق مع الاحتمال تقريباً عندما يكون الاحتمال صغيراً جداً يقترب من الصفر، وتكون الأرجحية مساوية تماماً للواحد الصحيح عندما يكون الاحتمال متساوياً بدقة ((P = 0.50)).

2.2 حساب نسبة الأرجحية مقارنة بالخطر النسبي (Relative Risk)

يُعد الخطر النسبي (Relative Risk – RR) مقياساً بديهياً آخر يُستخدم بكثرة لمقارنة المخاطر، ويُحسب بقسمة احتمال وقوع الحدث في مجموعة المعالجة أو التعرض على احتمال وقوعه في المجموعة الضابطة: (text{RR} = frac{P_1}{P_0}). يقتصر استخدام الخطر النسبي بصورة منهجية سليمة على الدراسات المستقبلية الأترابية (Cohort Studies) والتجارب المنضبطة المعشاة (Randomized Controlled Trials)، حيث يمتلك الباحث السيطرة الكاملة أو الرصد المباشر لتطور معدلات الحدوث عبر الزمن التراكمي للدراسة.

تتلاقى قيمة نسبة الأرجحية وتتقارب بدرجة كبيرة مع قيمة الخطر النسبي في ظل ما يُعرف إحصائياً بـ “فرضية المرض النادر” (Rare Disease Assumption). تتحقق هذه الفرضية عندما يكون احتمال وقوع الحدث في المجموعتين منخفضاً جداً (عادة أقل من (10%) أو (5%)). في مثل هذه الحالات الخاصة، يقترب المتمم (1 – P) بدرجة وثيقة من الواحد الصحيح ((1 – P approx 1))، مما يجعل الأرجحية (frac{P}{1-P}) شبه متطابقة مع الاحتمال (P)، وبالتالي تصبح نسبة الأرجحية تقديراً تقريبياً ممتازاً للخطر النسبي دون تحيز منهجي يُذكر.

ومع ذلك، إذا كان الحدث المدروس شائع الحدوث ومعدلات انتشاره مرتفعة (تتجاوز (20%) مثلاً)، فإن نسبة الأرجحية تبتعد رياضياً عن الخطر النسبي وتبالغ في تقدير حجم التأثير؛ فالقيم الأكبر من 1 تصبح أكبر بكثير من الخطر النسبي المقابل، والقيم الأصغر من 1 تصبح أصغر بصورة ملحوظة من الخطر النسبي. على الرغم من ذلك، تظل لنسبة الأرجحية ميزة رياضية هائلة تجعلها الأساس المعتمد في النمذجة الإحصائية اللوجستية وتصاميم الحالات والشواهد، نظراً لتماثلها الرياضي واستقلاليتها التامة عن التوزيع الهامشي للعينات المدروسة.

2.3 قراءة وتفسير قيم نسبة الأرجحية

تعتمد القراءة الدقيقة لنسبة الأرجحية على المقارنة المرجعية بالقيمة الحيادية المعيارية وهي الواحد الصحيح (1.0)، والتي تمثل فرضية العدم الأساسية (Null Hypothesis). تتوزع التفسيرات المنهجية لنسب الأرجحية عبر ثلاثة نطاقات رقمية محددة بدقة على النحو التالي:

  • القيمة تساوي الواحد تماماً ((text{OR} = 1.0)): تشير إلى الغياب التام لأي ارتباط أو تأثير بين المتغير المستقل والمتغير التابع؛ أي أن أرجحية حدوث النتيجة متطابقة تماماً بين المجموعتين التجريبية والضابطة، ولا يوجد دليل إحصائي على وجود أثر للمتغير المفحوص.
  • القيمة أكبر من الواحد الصحيح ((text{OR} > 1.0)): تدل على وجود ارتباط إيجابي بين التعرض وحدوث النتيجة؛ أي أن أرجحية وقوع الحدث أعلى في المجموعة المعرضة أو التجريبية مقارنة بالمجموعة المرجعية. فعلى سبيل المثال، إذا كانت (text{OR} = 2.50)، فهذا يعني أن أرجحية وقوع الحدث لدى المجموعة التجريبية تفوق أرجحية وقوعه لدى المجموعة الضابطة بـ 2.5 مرة، أو بزيادة قدرها (150%) في أرجحية الحدوث.
  • القيمة أصغر من الواحد الصحيح ((text{OR} < 1.0)): تدل على وجود ارتباط سلبي، أو ما يُطلق عليه الأثر الوقائي أو المثبط (Protective Effect)؛ أي أن التعرض يقلل من أرجحية وقوع النتيجة غير المرغوبة. فإذا كانت (text{OR} = 0.40)، فهذا يفسر بأن أرجحية وقوع الحدث لدى المجموعة المعرضة تمثل (40%) فقط من أرجحية وقوعه لدى المجموعة المرجعية، وهو ما يعادل انخفاضاً بنسبة (60%) في أرجحية الحدوث.

3. البنية الرياضية لجداول التوافق الثنائية (2×2 Contingency Tables)

3.1 تصميم وتخطيط مصفوفة التوافق 2×2

تُمثل مصفوفة التوافق الثنائية ذات البعدين (2 times 2) الهيكل الرياضي القياسي واللبنة الأساسية لتنظيم البيانات الفئوية وتلخيص التكرارات الملاحظة عند تقاطع متغيرين ثنائيي التقسيم. يتم في هذا التخطيط تخصيص صفوف المصفوفة لتمثيل مستويات المتغير المستقل أو حالة التعرض/المعالجة (مثل: مجموعة المعالجة التدريبية مقابل المجموعة الضابطة، أو التعرض لعامل خطر مقابل عدم التعرض)، بينما تُمثل أعمدة المصفوفة مستويات المتغير التابع أو النتيجة الملاحظة (مثل: النجاح مقابل الرسوب، أو ظهور العَرَض مقابل غياب العَرَض).

يتم توزيع البيانات الأولية المرصودة من العينة الإجمالية ضمن الخلايا الأربع المغلقة للمصفوفة، والتي يُرمز لها عادة بالأحرف اللاتينية القياسية ((a, b, c, d)) على النحو التالي:

  • الخلية (a): تمثل تكرار الحالات التي تعرضت للمتغير المستقل وحققت النتيجة المستهدفة بنجاح (التعرض الإيجابي مع النتيجة الإيجابية).
  • الخلية (b): تمثل تكرار الحالات التي تعرضت للمتغير المستقل ولكنها لم تحقق النتيجة (التعرض الإيجابي مع النتيجة السلبية).
  • الخلية (c): تمثل تكرار الحالات غير المعرضة (الضابطة) التي حققت النتيجة المستهدفة (التعرض السلبي مع النتيجة الإيجابية).
  • الخلية (d): تمثل تكرار الحالات غير المعرضة التي لم تحقق النتيجة (التعرض السلبي مع النتيجة السلبية).

يتيح هذا التوزيع الدقيق للبيانات الفئوية حساب الإجماليات الهامشية الأفقية والعمودية، مما يشكل الأساس الرياضي المتين لاشتقاق كافة التوزيعات الاحتمالية الشرطية والمشتركة الضرورية لحساب نسبة الأرجحية واختبارات الاستقلالية ذات الصلة.

3.2 المعادلات الحسابية اليدوية لنسبة الأرجحية

يستند الحساب اليدوي لنسبة الأرجحية انطلاقاً من مصفوفة التوافق (2 times 2) إلى خطوتين رياضيتين متتابعتين تقودان في النهاية إلى الصيغة الكلاسيكية الشهيرة المعروفة بـ “صيغة حاصل الضرب التبادلي” (Cross-Product Ratio). في الخطوة الأولى، نقوم بحساب أرجحية وقوع الحدث بصورة منفصلة لكل مجموعة من المجموعتين على النحو التالي:

  • أرجحية الحدث في مجموعة التعرض/المعالجة ((text{Odds}_1)): تُحسب بقسمة تكرار الحالات الإيجابية في المجموعة على تكرار الحالات السلبية ضمن نفس الصف: (text{Odds}_1 = frac{a}{b}).
  • أرجحية الحدث في المجموعة الضابطة/غير المعرضة ((text{Odds}_0)): تُحسب بقسمة تكرار الحالات الإيجابية على تكرار الحالات السلبية ضمن صف المقارنة: (text{Odds}_0 = frac{c}{d}).

في الخطوة الثانية، يتم إيجاد نسبة الأرجحية الإجمالية بقسمة أرجحية المجموعة الأولى على أرجحية المجموعة الثانية، مما ينتج المعادلة المباشرة التالية:

[text{OR} = frac{text{Odds}_1}{text{Odds}_0} = frac{a / b}{c / d} = frac{a times d}{b times c}]

تُبرز هذه الصيغة الجبرية الأنيقة بساطة الحساب المباشر لنسبة الأرجحية من خلال ضرب عناصر القطر الرئيسي للمصفوفة ((a times d)) وقسمة الناتج على حاصل ضرب عناصر القطر الفرعي ((b times c))، مما يضمن الحصول على تقدير نقطي دقيق وموثوق لقوة الارتباط بين المتغيرين دون الحاجة إلى افتراضات توزيعية معقدة حول التكرارات الهامشية الملاحظة.

3.3 حساب الخطأ المعياري واللوغاريتم الطبيعي لنسبة الأرجحية

على الرغم من سهولة حساب النسبة النقطية (text{OR})، إلا أن توزيع عينات هذه النسبة يعاني من التواء إيجابي حاد وغير متماثل حول القيمة 1؛ حيث تمتد القيم المعبرة عن التأثير المثبط بين الصفر والواحد ([0, 1])، بينما تمتد القيم المعبرة عن التأثير المعزز من الواحد إلى موجب ما لا نهاية ([1, infty)). ولمعالجة عدم التماثل هذا وتمكين الباحثين من إجراء الاستدلال الإحصائي وبناء فترات الثقة بدقة، يتم اللجوء إلى التحويل اللوغاريتمي الطبيعي لنسبة الأرجحية، ويرمز له بالرمز (ln(text{OR})) أو ما يُعرف بمقياس اللوجيت (Log-Odds).

يتميز المقياس اللوغاريتمي (ln(text{OR})) بخاصية التماثل التام حول الصفر؛ حيث تشير القيمة 0 إلى انعدام الأثر، بينما تتطابق القيم الموجبة والسالبة في المقدار والشدة مع اختلاف الاتجاه فقط. وبفضل مبرهنة النهاية المركزية، يقترب توزيع (ln(text{OR})) بدرجة كبيرة من التوزيع الطبيعي المعياري في العينات الكبيرة والمتوسطة، مما يسمح بحساب الخطأ المعياري للوغاريتم الطبيعي لنسبة الأرجحية، والذي يُعرف بصيغة وولف (Woolf’s Formula):

[text{SE}(ln(text{OR})) = sqrt{frac{1}{a} + frac{1}{b} + frac{1}{c} + frac{1}{d}}]

يُعد هذا الخطأ المعياري حجر الزاوية في بناء فترات الثقة الإحصائية عند مستوى ثقة محدد (مثل (95%)). يتم أولاً حساب حدود الثقة الدنيا والعليا على المقياس اللوغاريتمي باستخدام المعادلة: (ln(text{OR}) pm 1.96 times text{SE}(ln(text{OR})))، ثم يتم بعد ذلك تحويل هذه الحدود عكسياً إلى المقياس الأصلي لنسبة الأرجحية عبر تطبيق الدالة الأسية الطبيعية ((exp)) على طرفي الفترة للحصول على فترة ثقة متوافقة إحصائياً وتفسيرياً.

4. إعداد بيئة العمل في لغة البرمجة R وتثبيت الحزم الإحصائية المطلوبة

4.1 تجهيز بيئة R و RStudio

تتطلب المعالجة الإحصائية الدقيقة لنسب الأرجحية ضبطاً دقيقاً لبيئة التطوير المتكاملة داخل لغة R وبرمجية RStudio IDE لضمان قابلية إعادة الإنتاجية العلمية (Reproducibility). يُنصح دائماً بالتحقق من تثبيت أحدث إصدار مستقر من لغة R عبر الموقع الرسمي، والتأكد من تحديث واجهة RStudio التي توفر بيئة تفاعلية ممتازة لإدارة الأكواد البرمجية، ومعاينة المتغيرات في الذاكرة، وعرض المخرجات والجداول والمخططات البيانية في نوافذ متخصصة ومتكاملة.

تبدأ الممارسة البرمجية الرصينة بإنشاء مشروع عمل مخصص (R Project) وتحديد مجلد العمل (Working Directory) بوضوح لضمان قراءة وحفظ ملفات البيانات والنتائج دون تضارب في المسارات عبر الأمر التالي:

# التحقق من مسار العمل الحالي وتحديده
getwd()
setwd("path/to/your/research_project")

بالإضافة إلى ذلك، يُستحسن تنظيف الذاكرة المؤقتة لبيئة R في بداية جلسة التحليل عبر استدعاء الأمر rm(list = ls()) لضمان عدم وجود كائنات سابقة قد تتداخل مع التحليلات الحالية، فضلاً عن تفعيل خيار الحفظ التلقائي للنصوص البرمجية بدلاً من تخزين بيئة العمل بالكامل لتعزيز كفاءة إدارة الذاكرة عند التعامل مع مصفوفات البيانات الكبيرة.

4.2 تثبيت واستدعاء حزمة epitools المتخصصة

تُعتبر حزمة epitools واحدة من أهم وأشهر المكتبات الإحصائية المتخصصة في التحليلات الوبائية وحساب نسب الأرجحية والخطر النسبي بدقة متناهية داخل بيئة R. تتميز هذه الحزمة بتوفير دوال متقدمة تتيح حساب تقديرات النقطة وفترات الثقة باستخدام منهجيات حسابية متعددة تناسب مختلف هياكل البيانات وحجوم العينات، بالإضافة إلى تعاملها التلقائي الفائق مع جداول التوافق متعددة المستويات والخلايا ذات التكرارات المنخفضة.

يتم تثبيت الحزمة مباشرة من شبكة مستودعات R الشاملة (CRAN) مرة واحدة فقط عبر تنفيذ الكود البرمجي التالي في سطر الأوامر:

# تثبيت حزمة epitools من المستودع الرسمي CRAN
install.packages("epitools")

بعد اكتمال التثبيت بنجاح، يتم استدعاء الحزمة داخل جلسة التحليل الحالية باستخدام دالة library()، مما يتيح الوصول المباشر إلى دالتها المركزية oddsratio() وكافة الدوال المساعدة الملحقة بها على النحو التالي:

# استدعاء الحزمة للعمل في الجلسة الحالية
library(epitools)
# استعراض التوثيق الرسمي وميزات الحزمة
?oddsratio

4.3 نظرة عامة على حزم R الإحصائية الإضافية المساندة

إلى جانب حزمة epitools، تزخر بيئة R بالعديد من المنظومات والحزم البرمجية المساندة التي تعزز من قدرات الباحث على تنظيف البيانات، وتجهيز مصفوفات التوافق، وبناء النماذج المتقدمة، وإجراء المعاينات البصرية الشاملة. يُعد تثبيت حزمة tidyverse خطوة أساسية، حيث تتضمن مكتبات رائدة مثل dplyr للتلاعب بالبيانات وهيكلتها، و ggplot2 لبناء المخططات البيانية الاحترافية وفق قواعد لغة الرسوم البيانية المتطورة.

كما يُنصح بالاعتماد على الحزم الإحصائية المتقدمة والمتخصصة في تحليل البيانات الفئوية والنفسية والوبائية التالية:

  • حزمة vcd (Visualizing Categorical Data): توفر أدوات تحليلية وبصرية متقدمة للبيانات الفئوية وجداول الاقتران، وتتضمن دوال حسابية لنسب الأرجحية ورسم المخططات الفسيفسائية.
  • حزمة psych: موجهة بصورة متخصصة للأبحاث السلوكية والقياس النفسي، وتحتوي على دوال لحساب معاملات الارتباط الفئوي مثل معامل فاي (Phi) ونسب الأرجحية المقابلة بكفاءة عالية.
  • حزمة MASS وحزمة stats المدمجة: تتيحان النمذجة المتقدمة للانحدار اللوجستي الثنائي والمتعدد وتقدير معلمات النماذج الخطية المعممة بدقة استثنائية.
# تثبيت الحزم المساندة الأساسية
install.packages(c("tidyverse", "vcd", "psych", "MASS"))

5. بناء مصفوفات البيانات وجداول التوافق في R (Data Representation)

5.1 إنشاء جدول 2×2 باستخدام دالة matrix()

يُمثل الإنشاء المباشر لمصفوفة التوافق باستخدام دالة matrix() الأساسية في R الطريقة الأكثر بساطة وسرعة عندما يمتلك الباحث بالفعل أرقام التكرارات الملاحظة للخلايا الأربع المأخوذة من ملخصات التجارب أو الدراسات المنشورة. تتطلب هذه العملية إدخال متجه رقمي يحتوي على قيم التكرارات مع الانتباه التام لترتيب العناصر داخل المصفوفة وتحديد كيفية ملء الخلايا عبر المعامل المنطقي byrow.

لتوضيح ذلك بدقة، إذا كانت التكرارات الملاحظة لمصفوفة (2 times 2) مرتبة حسب الصفوف بحيث تمثل المجموعة التجريبية (35 نجاح، 15 رسوب) والمجموعة الضابطة (20 نجاح، 30 رسوب)، يتم بناء المصفوفة وتسمية أبعادها بوضوح تام عبر الكود البرمجي التالي:

# إنشاء مصفوفة التوافق وتحديد عدد الصفوف وطريقة الترتيب
contingency_matrix <- matrix(c(35, 15, 
 20, 30), 
 nrow = 2, 
 byrow = TRUE)
# تسمية الصفوف والأعمدة لتفادي الالتباس التفسيري
dimnames(contingency_matrix) <- list(
 Group = c("Intervention", "Control"),
 Outcome = c("Success", "Failure")
)
# طباعة المصفوفة لمعاينة البنية
print(contingency_matrix)

يضمن استخدام dimnames() وضوحاً كاملاً للمتغيرات، مما يسهل قراءة المخرجات البرمجية لاحقاً ويمنع الأخطاء الشائعة المترتبة على قلب مواقع الفئات المرجعية عند إجراء الحسابات الإحصائية المتقدمة.

5.2 إنشاء جداول التوافق من أطر البيانات الأولية (Raw DataFrames)

في معظم سيناريوهات البحوث التطبيقية الواقعية، يبدأ المحلل الإحصائي ببيانات خام غير ملخصة مرتبة في شكل إطار بيانات (Data Frame)، حيث يمثل كل صف مشاركاً أو حالة مفردة، وتمثل الأعمدة المتغيرات المقاسة. في مثل هذه الحالات، توفر لغة R دوال تفاعلية قوية لتلخيص البيانات الخام تلقائياً وتحويلها إلى جداول توافق دقيقة، ومن أبرزها دالتا table() و xtabs().

يُعد التحقق من مستويات المتغيرات الفئوية (Factor Levels) أمراً بالغ الأهمية قبل استدعاء دالة الجدولة، حيث تحدد هذه المستويات الترتيب التلقائي للصفوف والأعمدة داخل الجدول. يوضح الكود التالي كيفية إنشاء إطار بيانات تجريبي وتوليد مصفوفة التوافق التكرارية بدقة:

# محاكاة إطار بيانات لـ 100 مشارك في دراسة نفسية
set.seed(123)
raw_data <- data.frame(
 Training = factor(sample(c("New_Program", "Standard"), 100, replace = TRUE),
 levels = c("New_Program", "Standard")),
 Skill_Pass = factor(sample(c("Pass", "Fail"), 100, replace = TRUE, prob = c(0.65, 0.35)),
 levels = c("Pass", "Fail"))
)
# إنشاء جدول التوافق باستخدام دالة table()
contingency_table_raw <- table(raw_data$Training, raw_data$Skill_Pass)
# إنشاء الجدول باستخدام صيغة xtabs() الإحصائية
contingency_table_xtabs <- xtabs(~ Training + Skill_Pass, data = raw_data)
# طباعة مخرجات الجدول
print(contingency_table_raw)

5.3 التحقق من صحة وهيكلة مصفوفة التوافق

قبل الشروع في تطبيق خوارزميات حساب نسبة الأرجحية، يجب على الباحث إجراء فحص تشخيصي شامل للتأكد من سلامة البنية الهيكلية لمصفوفة البيانات وخلوها من القيم المفقودة (Missing Values – NA) التي قد تؤدي إلى تشويه التقديرات أو توقف الكود البرمجي عن العمل بصورة مفاجئة. يتم التحقق من طبيعة الكائن وهيكله الداخلي باستخدام دالتي str() و summary() المدمجتين في R.

كما يُنصح بشدة بإضافة الإجماليات الهامشية للأعمدة والصفوف عبر دالة addmargins() لمعاينة أحجام العينات الكلية لكل فئة، والتأكد من عدم وجود صفوف أو أعمدة فارغة تماماً، وفق الكود التوضيحي التالي:

# فحص الهيكل الداخلي لمصفوفة التوافق
str(contingency_table_raw)
# فحص وجود أي قيم مفقودة في مصفوفة التوافق
anyNA(contingency_table_raw)
# استعراض مصفوفة التوافق مع الإجماليات الهامشية الكاملة
table_with_margins <- addmargins(contingency_table_raw)
print(table_with_margins)

يضمن هذا الإجراء الوقائي التأكد من اكتمال التوزيع التكراري ومطابقة أبعاد المصفوفة للشروط الصارمة لدوال التحليل الإحصائي اللاحقة، مما يجنب الباحث الوقوع في أخطاء التحيز البرمجي أو سوء تحديد الفئة المرجعية للتحليل.

6. حساب نسبة الأرجحية في R باستخدام حزمة epitools ودالة oddsratio()

6.1 البنية البرمجية لدالة oddsratio() وخياراتها الأساسية

تُعد دالة oddsratio() التابعة لحزمة epitools المعيار الذهبي لحساب نسب الأرجحية في لغة R؛ نظراً لمرونتها الفائقة ودقتها الرياضية العالية. تتميز هذه الدالة ببنية برمجية واضحة تتيح للمستخدم ضبط العديد من المعاملات الإحصائية بما يتوافق مع طبيعة العينة والفرضيات البحثية قيد الاختبار. الصيغة العامة للدالة تأخذ الشكل التالي:

oddsratio(x, method = c("midp", "fisher", "wald", "small"), conf.level = 0.95, ...)

تتضمن الدالة خيارات منهجية متعددة لحساب فترات الثقة والاختبارات الدلالية عبر المعامل method:

  • خيار "wald": يستند إلى تقريب التوزيع الطبيعي الكلاسيكي (معادلة وولف للخطأ المعياري)، ويُعد مناسباً للعينات الكبيرة التي لا تعاني من تكرارات منخفضة في أي من الخلايا.
  • خيار "fisher": يعتمد على الاختبار الدقيق لفيشر (Fisher’s Exact Test)، ويحسب فترات الثقة بناءً على التوزيع فوق الهندسي المشروط، وهو الخيار الأنسب عالمياً للعينات الصغيرة والمحدودة.
  • خيار "midp": وهو الخيار الافتراضي الأكثر دقة وقوة في الحزمة، حيث يعتمد على نهج الاحتمال النصفي (Mid-p)، مما يقلل من التشدد والمحافظة الزائدة لاختبار فيشر الكلاسيكي ويوفر تغطية مثالية لفترات الثقة.
  • خيار "small": يُطبق تصحيحات مخصصة للعينات شديدة الصغر وللتعامل التلقائي مع مشكلة الخلايا الصفرية (Zero-cell corrections).

6.2 تنفيذ الكود البرمجي لحساب نسبة الأرجحية

لتطبيق دالة oddsratio() عملياً، نقوم بتمرير مصفوفة التوافق (2 times 2) المنشأة مسبقاً، مع مراعاة أن دالة epitools::oddsratio() تفترض في بنيتها الافتراضية أن الصف الأول يمثل المجموعة المرجعية ما لم يتم تحديد طريقة المعالجة، لذلك يُفضل تمرير المصفوفة بعد التحقق من اتجاه الفئات أو استخدام المعامل rev إذا تطلب الأمر قلب ترتيب المستويات ليتماشى مع منطق الدراسة التجريبية.

يوضح الكود التالي كيفية تنفيذ الحساب النقطي ومجالات الثقة باستخدام النهج الافتراضي المتطور midp ونهج wald الكلاسيكي للمقارنة الإحصائية:

# حساب نسبة الأرجحية باستخدام خيار midp الافتراضي
or_result_midp <- oddsratio(contingency_matrix, method = "midp", conf.level = 0.95)
# حساب نسبة الأرجحية باستخدام صيغة Wald الكلاسيكية
or_result_wald <- oddsratio(contingency_matrix, method = "wald", conf.level = 0.95)
# طباعة النتائج التفصيلية الكاملة
print(or_result_midp)

6.3 تفسير مخرجات كود oddsratio()

تُنتج دالة oddsratio() كائناً إحصائياً مركباً (List) يحتوي على جداول تفصيلية متعددة تغطي كافة جوانب التحليل المطلوب. تتضمن المخرجات الرئيسية المعروضة في وحدة التحكم (Console) ما يلي:

  • جدول البيانات والتكرارات (data): يعرض مصفوفة التوافق الأصلية مع نسب الحدوث والاحتمالات المحسوبة داخل كل خلية، مما يوفر نظرة سريعة على التوزيع النسبي للبيانات.
  • جدول نسب الأرجحية (measure): يمثل الجزء الأهم في المخرجات؛ حيث يوضح تقدير النقطة لنسبة الأرجحية (estimate)، يليه الحد الأدنى (lower) والحد الأعلى (upper) لفترة الثقة المحددة عند مستوى (95%). يتم عرض القيمة (1.0) للصف المرجعي بصورة قياسية كقيمة أساسية للمقارنة.
  • جدول الدلالة الإحصائية (p.value): يقدم القيم الاحتمالية ((p)-values) المرتبطة بالاختبارات الإحصائية المختلفة مثل اختبار مربع كاي واختبار فيشر أو اختبار منتصف الاحتمال، مما يسمح بالحكم القاطع على وجود دلالة إحصائية من عدمها.

إذا أظهر جدول measure أن تقدير نسبة الأرجحية للمجموعة التجريبية هو (3.50) مع فترة ثقة (95%) تمتد بين ([1.42, 8.65])، يُفسر ذلك بأن أرجحية النجاح لدى أفراد المجموعة التجريبية تعادل (3.5) أضعاف أرجحية النجاح لدى المجموعة الضابطة، وبما أن فترة الثقة تقع بالكامل أعلى من القيمة 1.0 ولا تشتمل عليها، فإن هذا التأثير دال إحصائياً عند مستوى دلالة (alpha = 0.05).

7. حساب نسبة الأرجحية عبر نماذج الانحدار اللوجستي الثنائي (Logistic Regression) في R

7.1 الربط الرياضي بين معاملات الانحدار اللوجستي ونسبة الأرجحية

يُمثل الانحدار اللوجستي الثنائي (Binary Logistic Regression) الإطار الرياضي العام والمعمم لتحليل المتغيرات التابعة ثنائية الاستجابة ((Y in {0, 1})). ونظراً لأن النمذجة المباشرة للاحتمال (P(Y=1|X)) عبر معادلة خطية تقليدية قد تقود إلى احتمالات مستحيلة تقع خارج النطاق الرياضي ([0, 1])، فإن الانحدار اللوجستي يعتمد على تطبيق دالة الربط اللوجيتي (Logit Link Function).

تُعرّف دالة اللوجيت بأنها اللوغاريتم الطبيعي لأرجحية الحدث، وتُصاغ المعادلة الخطية للنموذج اللوجستي أحادي المتغير على النحو التالي:

[text{logit}(P) = lnleft(frac{P}{1 – P}right) = beta_0 + beta_1 X]

حيث تمثل (beta_0) الحد الثابت (Intercept) وهو لوغاريتم أرجحية الحدث عندما يكون المتغير التفسيري مساوياً للصفر ((X = 0))، بينما تمثل المعاملة الانحدارية (beta_1) مقدار التغير في لوغاريتم الأرجحية لكل زيادة بمقدار وحدة واحدة في المتغير المستقل (X). يتضح من هذا البناء الجبري الأنيق أن المعامل الانحداري (beta_1) هو المعادل الدقيق للوغاريتم نسبة الأرجحية: (beta_1 = ln(text{OR})). وبناءً عليه، يمكن اشتقاق نسبة الأرجحية المباشرة بمنتهى السهولة عن طريق حساب القيمة الأسية الطبيعية لمعامل الانحدار: (text{OR} = exp(beta_1) = e^{beta_1}).

7.2 بناء نموذج الانحدار اللوجستي باستخدام دالة glm()

تُستخدم دالة النماذج الخطية المعممة glm() المدمجة في حزمة stats الأساسية في R لتقدير معلمات نموذج الانحدار اللوجستي باستخدام طريقة تقدير الإمكانية العظمى (Maximum Likelihood Estimation – MLE). يتطلب استدعاء الدالة تحديد صيغة النموذج (Formula) وتحديد عائلة التوزيع والرابط الرياضي عبر المعامل family = binomial(link = "logit").

يُعد تحديد الفئة المرجعية (Reference Category) خطوة محورية قبل بناء النموذج، حيث تقارن جميع معاملات الانحدار بالفئة المرجعية المختارة. يمكن إعادة ضبط المستوى المرجعي بدقة باستخدام دالة relevel() كما هو موضح في الكود البرمجي التالي:

# ضبط الفئة المرجعية للمتغير المستقل والمتغير التابع
raw_data$Training <- relevel(raw_data$Training, ref = "Standard")
raw_data$Skill_Pass <- relevel(raw_data$Skill_Pass, ref = "Fail")
# بناء نموذج الانحدار اللوجستي الثنائي
logistic_model <- glm(Skill_Pass ~ Training, 
 data = raw_data, 
 family = binomial(link = "logit"))
# استعراض ملخص النموذج الإحصائي
summary(logistic_model)

يعرض ملخص النموذج قيم المعاملات المقدرة ((beta))، وأخطائها المعيارية، وقيم إحصاء فالد (z)، والقيم الاحتمالية المصاحبة، مما يسمح بتقييم الدلالة الإحصائية للمتغير المستقل داخل النموذج العام.

7.3 استخراج نسب الأرجحية وفترات الثقة من النموذج

نظراً لأن معاملات دالة glm() تظهر بصيغة اللوغاريتم الطبيعي ((text{Log-Odds}))، يتعين على الباحث تطبيق الدالة الأسية exp() لاستخراج نسب الأرجحية النقطية وفترات الثقة المحيطة بها. توفر لغة R دالة confint() التي تحسب فترات الثقة بدقة فائقة اعتماداً على دالة الإمكانية الجانبية (Profile Likelihood Confidence Intervals)، والتي تتفوق في دقتها على طريقة فالد الكلاسيكية خاصة في العينات غير المتماثلة.

يوضح الكود التالي كيفية استخراج مصفوفة متكاملة ومرتبة تجمع نسب الأرجحية وفترات الثقة بنسبة (95%) في جدول موحد:

# استخراج نسب الأرجحية النقطية
odds_ratios <- exp(coef(logistic_model))
# حساب فترات الثقة بدقة Profile Likelihood
conf_intervals <- exp(confint(logistic_model))
# دمج النتائج في إطار بيانات متناسق للعرض الأكاديمي
results_table <- cbind(
 OR = odds_ratios,
 Lower_95_CI = conf_intervals[, 1],
 Upper_95_CI = conf_intervals[, 2]
)
# طباعة جدول النتائج النهائي
print(round(results_table, 3))

عند مقارنة القيمة المحسوبة لمعامل TrainingNew_Program المستخرجة من دالة glm() مع القيمة الناتجة عن دالة oddsratio() لمصفوفة التوافق المباشرة، سنجد تطابقاً رياضياً تاماً في التقدير النقطي، مما يؤكد الانسجام الكامل بين التحليل جدولي البنية والنمذجة الانحدارية المعممة.

8. طرق بديلة وحزم إضافية لحساب نسبة الأرجحية في R

8.1 الحساب باستخدام حزمة vcd ودالة oddsratio()

تُعد حزمة vcd (Visualizing Categorical Data) واحدة من أقوى الحزم المخصصة لتحليل وتصور المتغيرات الفئوية في R. تحتوي هذه الحزمة على دالة متخصصة تحمل أيضاً الاسم oddsratio() ولكنها تتميز بإرجاع لوغاريتم نسب الأرجحية بصورة مباشرة وتوفر إمكانيات فريدة لحساب التباينات وتوليد مجالات الثقة لجداول التوافق الثنائية والمعقدة متعددة الأبعاد ((2 times 2 times k)).

يوضح الكود البرمجي التالي كيفية تثبيت الحزمة وتطبيق دالتها على مصفوفة التوافق، مع تحويل النتائج إلى المقياس الطبيعي لنسب الأرجحية:

library(vcd)
# حساب لوغاريتم نسبة الأرجحية عبر حزمة vcd
vcd_or <- vcd::oddsratio(contingency_matrix, log = TRUE)
# طباعة المخرجات اللوغاريتمية والخطأ المعياري
summary(vcd_or)
# التحويل إلى المقياس الطبيعي لنسبة الأرجحية وحساب فترات الثقة
exp_vcd_or <- exp(coef(vcd_or))
exp_vcd_ci <- exp(confint(vcd_or, level = 0.95))
# تجميع النتائج
print(c(OR = exp_vcd_or, Lower = exp_vcd_ci[1], Upper = exp_vcd_ci[2]))

8.2 الحساب عبر حزمة psych المتخصصة في القياس النفسي

في ميدان القياس النفسي والسيكومتري، توفر حزمة psych أدوات متميزة مصممة خصيصاً للباحثين في علم النفس والعلوم السلوكية. تتيح الحزمة استخدام دالة phi() لحساب معامل الارتباط الثنائي الفاي، كما تشتمل على دالة oddsratio() ملحقة تقوم بحساب نسبة الأرجحية من خلال التكرارات المباشرة للخلايا الأربع ((a, b, c, d)) أو عبر مصفوفات الاقتران.

تتميز حزمة psych بقدرتها على دمج حساب نسبة الأرجحية مع مؤشرات القياس السلوكي الأخرى مثل معامل ارتباط تيتراتشوريك (Tetrachoric Correlation) ومعاملات التوافق بين المقيمين، كما هو موضح في التطبيق التالي:

library(psych)
# حساب نسبة الأرجحية مباشرة باستخدام قيم الخلايا الأربع
# الترتيب: a = 35, b = 15, c = 20, d = 30
psych_or <- psych::phi2poly(r = NULL) # دالة داعمة للتحويلات المتقدمة
# استخدام دالة fisher.test المدمجة أو الدوال النفسية لحساب OR
psych_table_or <- (35 * 30) / (15 * 20)
print(paste("Odds Ratio via psych logic:", psych_table_or))

8.3 الحساب باستخدام اختبار فيشر الدقيق fisher.test()

تُعد دالة fisher.test() المدمجة قياسياً في حزمة stats الأساسية في R إحدى أكثر الطرق موثوقية لحساب نسبة الأرجحية، خصوصاً في العينات الصغيرة أو الجداول التي تتضمن خلايا ذات تكرارات متوقعة منخفضة (أقل من 5). لا تعتمد دالة فيشر على تقريب التوزيع الطبيعي لوولف، بل تطبق التوزيع فائق الهندسة (Hypergeometric Distribution) لحساب ما يُعرف بـ “تقدير الإمكانية العظمى المشروطة” (Conditional Maximum Likelihood Estimate) لنسبة الأرجحية.

يتميز هذا التقدير بالدقة والصرامة الإحصائية العالية، ويتم تنفيذه برمجياً بسهولة متناهية وفق الكود التالي:

# تنفيذ اختبار فيشر الدقيق واستخراج نسبة الأرجحية المشروطة
fisher_result <- fisher.test(contingency_matrix, conf.level = 0.95)
# استعراض النتائج الكاملة
print(fisher_result)
# استخراج التقدير النقطي وفترة الثقة بدقة
fisher_or_estimate <- fisher_result$estimate
fisher_ci <- fisher_result$conf.int
fisher_pvalue <- fisher_result$p.value
cat("Conditional OR:", round(fisher_or_estimate, 3), "n")
cat("95% CI: [", round(fisher_ci[1], 3), ",", round(fisher_ci[2], 3), "]n")
cat("p-value:", format.pval(fisher_pvalue, digits = 4), "n")

قد يلاحظ الباحث وجود اختلاف طفيف جداً بين التقدير النقطي الناتج عن fisher.test() والتقدير الناتج عن صيغة حاصل الضرب التبادلي المباشر، ويعود ذلك إلى أن اختبار فيشر يحسب الأرجحية المشروطة الصارمة بدلاً من الأرجحية غير المشروطة، وهو السلوك الإحصائي المفضل في العينات المحدودة لتجنب التحيز التقديري.

9. حساب وتفسير فترات الثقة (Confidence Intervals) والقيم الاحتمالية (p-values)

9.1 أهمية فترات الثقة في الاستدلال الإحصائي لنسبة الأرجحية

يُمثل التقدير النقطي لنسبة الأرجحية مجرد قيمة مفردة محسوبة من عينة محددة قد تتأثر بتباين المعاينة والخطأ العشوائي. من هنا تنبع الأهمية القصوى لفترات الثقة (Confidence Intervals)، حيث توفر مجالاً من القيم المعقولة إحصائياً التي يُتوقع أن تحتوي على المعلمة الحقيقية للمجتمع الكلي بدرجة يقين محددة (عادة (95%)). تعكس فترة الثقة مدى دقة القياس، فكلما كانت الفترة ضيقة ومحدودة، دل ذلك على دقة التقدير وقوة العينة، بينما تشير الفترات الواسعة إلى تباين عالٍ أو عدم كفاية حجم العينة المدروسة.

في الاستدلال الإحصائي، تُعد القيمة المرجعية الحاكمة لفترة ثقة نسبة الأرجحية هي الواحد الصحيح (1.0). تنص القاعدة الإحصائية الصارمة على ما يلي:

  • إذا لم تشتمل فترة الثقة (95%) على القيمة 1.0 (أي كانت حدود الفترة بالكامل أعلى من 1، مثل ([1.25, 3.80])، أو بالكامل أقل من 1، مثل ([0.20, 0.75]))، فإننا نرفض فرضية العدم ونستنتج وجود ارتباط دال إحصائياً بين المتغيرين عند مستوى دلالة (alpha = 0.05).
  • إذا اشتملت فترة الثقة على القيمة 1.0 (مثل ([0.85, 2.40]))، فإننا نعجز عن رفض فرضية العدم، ويكون الارتباط غير دال إحصائياً؛ نظراً لاحتمال أن يكون التأثير الحقيقي في المجتمع مساوياً لانعدام الأثر، حتى وإن كان التقدير النقطي المحسوب من العينة يبتعد ظاهرياً عن الواحد.

9.2 مقارنة طرق حساب فترات الثقة (Wald vs. Profile Likelihood vs. Mid-p)

تختلف الطرق الخوارزمية المعتمدة لحساب فترات الثقة لنسب الأرجحية في بيئة R من حيث الكفاءة الرياضية وقوة التغطية الاحتمالية في ظل الظروف التجريبية المتباينة:

  • طريقة فالد الكلاسيكية (Wald Method): تستند إلى التقريب الطبيعي البسيط للخطأ المعياري لمعادلة وولف. على الرغم من سهولتها الحسابية، إلا أنها تعاني من ضعف التغطية (Undercoverage) عندما تكون حجوم العينات صغيرة أو عندما تكون التكرارات في الخلايا غير متوازنة، وقد تولد حدوداً غير دقيقة تنحرف عن التوزيع الفعلي.
  • طريقة الإمكانية الجانبية (Profile Likelihood Method): المطبقة تلقائياً عبر دالة confint.glm() في R، وتعتمد على تتبع انحدار دالة الإمكانية العظمى حول المعلمة المقدرة. تُعد هذه الطريقة متفوقة للغاية وأكثر متانة من طريقة فالد، حيث تأخذ في الاعتبار عدم التماثل اللوجستي وتقدم فترات ثقة دقيقة جداً حتى في وجود عدم اتزان بين الفئات.
  • طريقة الاحتمال النصفي (Mid-p Approach): المطبقة افتراضياً في حزمة epitools، وتعد الخيار الأفضل لجداول التوافق (2 times 2) ذات التكرارات المحدودة؛ حيث توفر حلاً وسطاً مثالياً يزيل التحفظ المبالغ فيه لاختبار فيشر الدقيق الكلاسيكي دون المساس بصرامة الاستدلال الإحصائي.

9.3 تفسير القيمة الاحتمالية p-value المرتبطة بنسبة الأرجحية

تُقيس القيمة الاحتمالية ((p)-value) مدى احتمالية الحصول على بيانات تجريبية ذات ارتباط مساوٍ أو أشد تطرفاً من الارتباط الملاحظ في العينة، بافتراض أن الفرضية الصفرية صحيحة تماماً ((H_0: text{OR} = 1.0)). يتم اختبار هذه الفرضية في جداول التوافق عبر عدة اختبارات دلالية مثل اختبار مربع كاي لبيرسون للاستقلالية ((chi^2))، أو اختبار فيشر الدقيق، أو اختبار نسبة الإمكانية (Likelihood Ratio Test) في النماذج الانحدارية.

تؤكد التوجيهات الحديثة للمنهجية الإحصائية وجمعية علم النفس الأمريكية (APA) على ضرورة تجنب الاعتماد الاختزالي الأعمى على القيمة الاحتمالية وحدها للحكم على الأهمية العلمية للنتائج. يجب دوماً تفسير القيمة الاحتمالية جنباً إلى جنب مع حجم التأثير المتمثل في التقدير النقطي لنسبة الأرجحية وعرض فترة الثقة المصاحبة؛ فالقيمة الاحتمالية الصغيرة تدل فقط على استبعاد الصدفة الإحصائية، لكنها لا تعبر بمفردها عن الشدة السريرية أو السلوكية للأثر المقاس في الواقع العملي.

10. مثال تطبيقي عملي متكامل: دراسة تجريبية سلوكية خطوة بخطوة

10.1 سيناريو الدراسة ووصف البيانات (برنامج تدريب المهارات الرياضية/السلوكية)

لترسيخ المفاهيم المنهجية والبرمجية السابقة، سنقوم بتطبيق سيناريو عملي متكامل لدراسة تجريبية سلوكية تهدف إلى تقييم فعالية برنامج تدريبي نفسي حركي مبتكر (New Cognitive-Behavioral Training) في مساعدة الرياضيين الناشئين على اجتياز اختبار الضغط السلوكي المتقدم (Psychological Stress Test)، مقارنة ببرنامج التدريب التقليدي المعتاد (Standard Training).

تتألف عينة الدراسة من 100 رياضي ناشئ تم توزيعهم عشوائياً وبالتساوي عبر تصميم منضبط معشى إلى مجموعتين متكافئتين:

  • المجموعة التجريبية ((n = 50)): خضعت للبرنامج التدريبي السلوكي الحديث. أظهرت النتائج الميدانية اجتياز 38 رياضياً للاختبار بنجاح، بينما أخفق 12 رياضياً.
  • المجموعة الضابطة ((n = 50)): خضعت للبرنامج التدريبي التقليدي. أظهرت النتائج اجتياز 20 رياضياً فقط للاختبار، بينما أخفق 30 رياضياً.

يمثل المتغير المستقل في هذا السيناريو “نوع البرنامج التدريبي” (برنامج حديث مقابل تقليدي)، بينما يمثل المتغير التابع “نتيجة الاختبار السلوكي” (اجتياز/نجاح مقابل إخفاق/رسوب).

10.2 بناء الكود البرمجي الكامل في R

يوضح النص البرمجي المتكامل التالي كافة الخطوات التنفيذية اللازمة لتحليل هذه الدراسة، بدءاً من بناء مصفوفة التوافق وإجراء الحسابات عبر حزمة epitools، وصولاً إلى بناء النموذج الانحداري اللوجستي والتحقق من تطابق المؤشرات الإحصائية بدقة متناهية:

# ==============================================================================
# كود التحليل الإحصائي الكامل لحساب نسبة الأرجحية لدراسة التدريب السلوكي
# ==============================================================================
# 1. استدعاء الحزم المطلوبة
library(epitools)
library(tidyverse)
# 2. إنشاء مصفوفة التوافق للبيانات التجريبية
# ترتيب البيانات: الصفوف (البرنامج الحديث، البرنامج التقليدي)، الأعمدة (نجاح، رسوب)
study_matrix <- matrix(c(38, 12, 
 20, 30), 
 nrow = 2, 
 byrow = TRUE)
dimnames(study_matrix) <- list(
 Training_Program = c("New_Intervention", "Standard_Control"),
 Test_Outcome = c("Passed", "Failed")
)
# طباعة مصفوفة التوافق مع الإجماليات
cat("--- مصفوفة التوافق التجريبية مع الإجماليات ---n")
print(addmargins(study_matrix))
# 3. حساب نسبة الأرجحية وفترات الثقة عبر epitools
# نستخدم rev = "both" إذا تطلب الأمر لضمان مقارنة التدخل الحديث بالمجموعة الضابطة كمرجع
or_analysis <- oddsratio(study_matrix, method = "midp", conf.level = 0.95)
cat("n--- نتائج تحليل نسبة الأرجحية (epitools) ---n")
print(or_analysis)
# 4. محاكاة إطار البيانات الفردي لتطبيق الانحدار اللوجستي
df_study <- data.frame(
 Program = factor(c(rep("New_Intervention", 50), rep("Standard_Control", 50)),
 levels = c("Standard_Control", "New_Intervention")),
 Outcome = factor(c(rep("Passed", 38), rep("Failed", 12),
 rep("Passed", 20), rep("Failed", 30)),
 levels = c("Failed", "Passed"))
)
# 5. بناء نموذج الانحدار اللوجستي باستخدام glm()
glm_model <- glm(Outcome ~ Program, data = df_study, family = binomial(link = "logit"))
cat("n--- ملخص نموذج الانحدار اللوجستي ---n")
summary(glm_model)
# 6. استخراج نسبة الأرجحية وفترة الثقة Profile Likelihood من النموذج
or_glm <- exp(coef(glm_model))["ProgramNew_Intervention"]
ci_glm <- exp(confint(glm_model))["ProgramNew_Intervention", ]
cat("n--- تقدير OR وفترات الثقة عبر GLM ---n")
cat("Odds Ratio (GLM):", round(or_glm, 3), "n")
cat("95% Profile CI: [", round(ci_glm[1], 3), ",", round(ci_glm[2], 3), "]n")

10.3 التحليل الإحصائي المفصل وكتابة التقرير الأكاديمي

انطلاقاً من نتائج تنفيذ الكود البرمجي السابق، نحصل على النتائج الرقمية الدقيقة التالية:

  • أرجحية النجاح في مجموعة البرنامج الحديث: (text{Odds}_1 = frac{38}{12} approx 3.167)
  • أرجحية النجاح في مجموعة البرنامج التقليدي: (text{Odds}_0 = frac{20}{30} approx 0.667)
  • تقدير نسبة الأرجحية المباشر: (text{OR} = frac{3.167}{0.667} = 4.750)
  • فترة الثقة (95%) للنسبة (وفق طريقة Profile Likelihood): ([1.986, 11.934])
  • القيمة الاحتمالية المرافقة لاختبار الاستقلالية: (p < .001) ((z = 3.42))

يُظهر التحليل أن نسبة الأرجحية بلغت (4.75)، مما يشير إلى أن أرجحية اجتياز اختبار الضغط السلوكي لدى الرياضيين الذين خضعوا للبرنامج السلوكي الحديث تفوق أرجحية الاجتياز لدى أقرانهم في البرنامج التقليدي بـ 4.75 مرة، أي بزيادة قدرها (375%) في أرجحية النجاح لصالح التدخل الحديث. ونظراً لأن فترة الثقة (95%) لا تشتمل على الواحد الصحيح وتقع بالكامل ضمن النطاق الإيجابي المرتفع، فإن هذا التأثير دال إحصائياً عند مستوى دلالة فائقة.

تتم صياغة التقرير الأكاديمي المعتمد لنشر هذه النتائج وفق المعايير العلمية الصارمة على النحو التالي:

“أظهرت نتائج التحليل الإحصائي وجود ارتباط إيجابي دال إحصائياً بين نوع البرنامج التدريبي والقدرة على اجتياز اختبار الضغط السلوكي، حيث كشفت مخرجات الانحدار اللوجستي الثنائي أن المشاركين في البرنامج السلوكي المبتكر كانت لديهم أرجحية أعلى بكثير لاجتياز الاختبار بنجاح مقارنة بالمشاركين في البرنامج التقليدي، (OR = 4.75), (95% text{ CI } [1.99, 11.93]), (p < .001). تدعم هذه النتائج بقوة الفرضية التجريبية حول الفعالية الفائقة للتدخل السلوكي المستحدث."

11. الأخطاء الشائعة والافتراضات الإحصائية عند حساب وتفسير نسبة الأرجحية

11.1 خطأ الخلط بين نسبة الأرجحية والخطر النسبي في التفسير اللفظي

يُمثل الخلط اللفظي والمفاهيمي بين نسبة الأرجحية (Odds Ratio) والخطر النسبي (Relative Risk) الخطأ الأكثر شيوعاً وخطورة في الكتابات العلمية والتقارير الأكاديمية. يقع العديد من الباحثين في خطأ ترجمة القيمة (text{OR} = 2.0) بأنها تعني “أن احتمال حدوث النتيجة لدى المجموعة التجريبية يعادل ضعف احتمال حدوثها لدى المجموعة الضابطة”، وهو توصيف إحصائي غير دقيق على الإطلاق؛ فالصواب العلمي الصارم هو القول بأن “أرجحية حدوث النتيجة تعادل ضعف أرجحية حدوثها في المجموعة الضابطة”.

تتفاقم خطورة هذا الخطأ عندما تكون النتيجة المدروسة شائعة الحدوث في المجتمع العيني ((> 20%))؛ حيث تميل نسبة الأرجحية بطبيعتها الرياضية إلى المبالغة الحادة في تصوير حجم التأثير عند مقارنتها بنسبة الاحتمالات (الخطر النسبي). ففي الحالات التي يكون فيها الخطر النسبي مساوياً (1.5)، قد تصل نسبة الأرجحية إلى (3.0) أو أكثر، مما يقود إلى تضليل صناع القرار والجمهور حول الفعالية الحقيقية للتدخلات ما لم يتم الالتزام الصارم بالتعبير الدقيق عن “الأرجحية” بدلاً من “الاحتمال المطلق”.

11.2 مشكلة الخلايا الصفرية وظاهرة الفصل التام (Complete Separation)

تنشأ أزمة رياضية معقدة عند وجود قيمة صفرية (0) في إحدى الخلايا الأربع لمصفوفة التوافق الثنائية. في هذه الحالة، تنهار معادلة حاصل الضرب التبادلي الكلاسيكية فوراً؛ فإذا وقع الصفر في القطر الفرعي ((b) أو (c))، تصبح النسبة مساوية لقسمة عدد على صفر، مما يؤدي إلى ناتج رياضي غير معرف ((text{OR} = infty)) وخطأ معياري لانهائي، وإذا وقع الصفر في القطر الرئيسي، تصبح النسبة صفراً مطلقاً ((text{OR} = 0)).

لحل هذه المشكلة الشائعة في البيانات المحدودة، تتبع لغة R استراتيجيات إحصائية تصحيحية متقدمة:

  • تصحيح هالدين-أنسكومب (Haldane-Anscombe Correction): يقوم على إضافة قيمة ثابتة صغيرة قدرها (0.5) إلى كافة خلايا المصفوفة الأربع تلقائياً ((a+0.5, b+0.5, c+0.5, d+0.5))، مما يتيح استقرار الحساب الرياضي وتقدير فترات الثقة دون تحيز كبير.
  • انحدار فيرث اللوجستي المعاقب (Firth’s Penalized Likelihood): يُعد الحل المنهجي الأمثل في النمذجة الانحدارية عند حدوث الفصل التام أو شبه التام (Complete or Quasi-complete Separation). يتم تطبيقه في R عبر حزمة logistf، حيث يفرض عقوبة على دالة الإمكانية لتثبيت المعاملات ومنع انفجار الأخطاء المعيارية.
# تثبيت واستخدام حزمة logistf لمعالجة الفصل التام والخلايا الصفرية
# install.packages("logistf")
library(logistf)
firth_model <- logistf(Outcome ~ Program, data = df_study)
summary(firth_model)

11.3 تأثير المتغيرات المربكة ومفارقة سيمبسون (Simpson’s Paradox)

يقتصر حساب نسبة الأرجحية غير المعدلة (Unadjusted or Crude OR) المأخوذة مباشرة من مصفوفة التوافق البسيطة على دراسة العلاقة الثنائية المجردة بين متغيرين دون ضبط تأثير المتغيرات الوسيطة أو المربكة (Confounding Variables). قد يؤدي هذا الإغفال في بعض الحالات المعقدة إلى ظهور ما يُعرف إحصائياً بـ “مفارقة سيمبسون” (Simpson’s Paradox)، حيث يظهر اتجاه الارتباط إيجابياً على مستوى العينة الإجمالية، لكنه ينقلب تماماً ليصبح سلبياً عند تقسيم العينة ودراسة الارتباط داخل كل فئة من فئات المتغير المربك (مثل الفئات العمرية أو الجنس).

لتجنب هذا التضليل المنهجي، ينتقل الباحث من التحليل الثنائي البسيط إلى النمذجة متعددة المتغيرات (Multivariable Logistic Regression) لاستخراج نسب الأرجحية المعدلة (Adjusted Odds Ratios – aOR)، والتي تعكس التأثير الصافي للمتغير المستقل بعد تثبيت والتحكم إحصائياً في كافة المتغيرات المربكة المحتملة.

كما يُستخدم اختبار بريسلو-داي (Breslow-Day Test) المتاح في حزم مثل DescTools لاختبار فرضية تجانس نسب الأرجحية عبر مختلف الطبقات (Homogeneity of Odds Ratios)، للتأكد مما إذا كان تأثير المتغير المستقل ثابتاً عبر جميع المستويات أم أن هناك تفاعلاً إحصائياً جوهرياً يتطلب نمذجة منفصلة.

12. التصور البصري لنسب الأرجحية (Data Visualization) وتوثيق النتائج وفق معايير APA

12.1 رسم مخططات الغابة (Forest Plots) لنسب الأرجحية في R

تُمثل مخططات الغابة (Forest Plots) الأسلوب البصري الأكثر رقياً وشمولاً لعرض وتلخيص نسب الأرجحية وفترات الثقة المصاحبة لها في التقارير الأكاديمية والأوراق العلمية المحكمة. يتيح المخطط للقارئ معاينة التقدير النقطي لحجم التأثير مع مداه الاحتمالي عبر فئات متعددة في رسم موحد وسهل القراءة.

عند بناء مخطط الغابة لنسب الأرجحية باستخدام حزمة ggplot2، يجب مراعاة قاعدتين تصميميتين أساسيتين:

  • إضافة خط رأسي متقطع مرجعي عند القيمة الحاكمة (text{OR} = 1.0)، حيث يشير تقاطع فترة الثقة لأي متغير مع هذا الخط إلى انعدام الدلالة الإحصائية بصرياً.
  • تطبيق مقياس لوغاريتمي متماثل على المحور الأفقي باستخدام الدالة scale_x_log10()، لضمان تساوي المسافات البصرية بين نسب التعزيز (مثل (2.0)) ونسب التثبيط المقابلة (مثل (0.5))، مما يمنع التشويه الإدراكي لحجم التأثير.
library(ggplot2)
# تجهيز إطار بيانات وهمي يحتوي على نسب أرجحية لمحددات متعددة
forest_data <- data.frame(
 Variable = c("Cognitive Training", "Age (>20 yrs)", "Prior Experience", "High Motivation"),
 OR = c(4.75, 1.25, 2.10, 0.65),
 Lower = c(1.99, 0.75, 1.15, 0.35),
 Upper = c(11.93, 2.10, 3.85, 0.98)
)
# رسم مخطط الغابة الاحترافي
ggplot(forest_data, aes(x = OR, y = Variable)) +
 geom_point(size = 3.5, color = "#005b96") +
 geom_errorbarh(aes(xmin = Lower, xmax = Upper), height = 0.2, color = "#005b96", size = 0.8) +
 geom_vline(xintercept = 1.0, linetype = "dashed", color = "red", size = 0.7) +
 scale_x_log10(breaks = c(0.2, 0.5, 1.0, 2.0, 5.0, 10.0)) +
 labs(
 title = "Forest Plot of Odds Ratios and 95% Confidence Intervals",
 x = "Odds Ratio (Log Scale)",
 y = "Predictor Variables"
 ) +
 theme_minimal(base_size = 13) +
 theme(
 panel.grid.minor = element_blank(),
 plot.title = element_text(face = "bold", hjust = 0.5)
 )

12.2 رسم جداول التوافق والمخططات الفسيفسائية (Mosaic Plots)

تُعد المخططات الفسيفسائية (Mosaic Plots) الأداة البصرية المثالية لعرض البنية التكرارية لمصفوفات التوافق (2 times 2) وتحليل أنماط الارتباط بين المتغيرات الفئوية. يتم تقسيم المساحة الكلية للمخطط إلى مستطيلات تتناسب مساحاتها هندسياً مع التكرارات الملاحظة والمشتركة لكل خلية من خلايا المصفوفة.

تتيح دالة mosaic() المتقدمة في حزمة vcd تلوين خلايا المصفوفة بناءً على قيم البواقي الموحدة لبيرسون (Standardized Pearson Residuals)، مما يمكن الباحث من التعرف فوراً بالعين المجردة على الخلايا التي تشهد انحرافاً دالاً للتكرارات الملاحظة عن التكرارات المتوقعة في ظل فرضية الاستقلالية، كما هو موضح أدناه:

library(vcd)
# رسم المخطط الفسيفسائي المشروط مع التظليل الإحصائي
mosaic(study_matrix, 
 shade = TRUE, 
 legend = TRUE,
 main = "Mosaic Plot of Training Program vs. Test Outcome")

يساعد هذا التمثيل البصري الثري على إبراز الفروق التوزيعية المعقدة في البيانات، ويشكل إضافة بصرية قيمة تعزز من جودة التقارير الميدانية والمقالات المنشورة.

12.3 توثيق وكتابة نتائج نسبة الأرجحية وفق دليل نشر جمعية علم النفس الأمريكية (APA 7th)

يفرض دليل النشر الصادر عن جمعية علم النفس الأمريكية في نسخته السابعة (APA 7th Edition) قواعد دقيقة وصارمة عند توثيق المؤشرات الإحصائية لنسب الأرجحية في المتن الأكاديمي أو داخل الجداول الإحصائية الملحقة. تهدف هذه المعايير إلى ضمان الشفافية الكاملة وتمكين القارئ من تقييم الأثر بدقة ومقارنته بالأدبيات السابقة.

تتلخص القواعد الأساسية لتوثيق نسب الأرجحية وفق أسلوب APA في النقاط المنهجية التالية:

  • التوثيق في المتن النصي: يتم كتابة الرمز الإحصائي لنسبة الأرجحية بحروف مائلة كبيرة (OR)، متبوعاً بقيمة التقدير النقطي مقربة لأقرب منزلتين أو ثلاث منازل عشرية، ثم ذكر فترة الثقة (95%) بين قوسين معقوفين مفصولين بفاصلة، متبوعة بالقيمة الاحتمالية الدقيقة (p) دون وضع صفر قبل الفاصلة العشرية إذا كانت القيمة لا تتجاوز الواحد:

    OR = 4.75, 95% CI [1.99, 11.93], p < .001

  • تصميم الجداول وفق معايير APA: يجب أن تقتصر جداول الانحدار اللوجستي وجداول التوافق على ثلاثة خطوط أفقية رئيسية فقط (أعلى رأس الجدول، وأسفل رأس الجدول، وأسفل قاعدة الجدول) مع تجنب الخطوط العمودية تماماً. يجب تضمين أعمدة مخصصة لكل من: المعامل الانحداري غير المعياري (B)، والخطأ المعياري (SE)، وقيمة إحصاء فالد (Wald)، ونسبة الأرجحية (OR)، وحدود فترة الثقة [95% CI]، والقيمة الاحتمالية (p).
  • إتاحة الأكواد القابلة للتكرار (Reproducible Code): يُشجع الباحثون على إرفاق الأكواد البرمجية الكاملة للغة R في الملاحق الرقمية المفتوحة (Open Science Framework – OSF) مع تثبيت البذرة العشوائية (Seed) لضمان قدرة الباحثين الآخرين على تكرار التحليلات والوصول إلى نفس النتائج الرقمية بدقة تامة.

خاتمة واستنتاجات ختامية

استعرض هذا الدليل المرجعي الشامل الأبعاد النظرية والرياضية والبرمجية لحساب ونمذجة نسب الأرجحية (Odds Ratios) باستخدام بيئة البرمجة الإحصائية المتقدمة R. تبين لنا من خلال الشرح المفصل أن نسبة الأرجحية تمثل أداة قياس استثنائية لحجم التأثير في البيانات الفئوية الثنائية، تمنح الباحثين القدرة على تقييم شدة واتجاه الارتباطات في تصاميم الحالات والشواهد والتجارب السلوكية والتدخلات السريرية بكفاءة لا تضاهى، متفوقة على المقاييس التقليدية بفضل ثباتها المتبادل وتكاملها الأنيق مع نماذج الانحدار اللوجستي الثنائي.

كما ألقينا الضوء على الأهمية البالغة للتمييز المفاهيمي الصارم بين الأرجحية والاحتمال، لتفادي أخطاء التفسير اللفظي الشائعة عند التعامل مع الأحداث مرتفعة الشيوع، واستعرضنا خيارات التحليل المتاحة في R بدءاً من الاستخدام الكلاسيكي لحزمة epitools ودالة oddsratio()، واختبار فيشر الدقيق في العينات الصغيرة، وصولاً إلى استخراج نسب الأرجحية المعدلة وفترات ثقة الإمكانية الجانبية عبر دالة glm(). إن الالتزام بالقواعد الإحصائية الدقيقة لمعالجة الخلايا الصفرية، وضبط المتغيرات المربكة، وتوظيف التصور البصري المتقدم كالمخططات الفسيفسائية ومخططات الغابة، وتوثيق النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th)، يضمن للباحثين إنتاج دراسات رصينة وموثوقة تسهم بفاعلية في تطوير المعرفة الإنسانية وتوجيه السياسات التطبيقية بثقة وأمانة علمية.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, سبتمبر 2). كيفية حساب نسب الأرجحية في R (مع مثال). عرب سايكلوجي. https://arabpsychology.com/how-to-calculate-odds-ratios-in-r/
looti, Mohammed. “كيفية حساب نسب الأرجحية في R (مع مثال).” عرب سايكلوجي, 2 سبتمبر 2026, https://arabpsychology.com/how-to-calculate-odds-ratios-in-r/.
looti, Mohammed. “كيفية حساب نسب الأرجحية في R (مع مثال).” عرب سايكلوجي. سبتمبر 2, 2026. https://arabpsychology.com/how-to-calculate-odds-ratios-in-r/.

مقالات ذات صلة