اختبار فيشر الدقيق: التعريف، الصيغة، ومثال

يحتل الاستدلال الإحصائي الدقيق مكانة محورية في منهجية البحث العلمي المعاصر، لا سيما حين يواجه الباحثون تحديات معقدة مرتبطة بخصائص البيانات التجريبية، كصغر حجم العينات وندرة الظواهر المدروسة وتكرارات الخلايا المنخفضة في المتغيرات الفئوية. في مثل هذه البيئات المنهجية الحساسة، تصبح الاختبارات التقاربية التقليدية، كاختبار كاي تربيع للاستقلالية، غير موثوقة وعرضة لتضخيم أخطاء الاستدلال الإحصائي وتشويه مستويات الدلالة الحقيقية. هنا يبرز اختبار فيشر الدقيق (Fisher’s Exact Test) كواحد من أرسخ الحلول الرياضية غير المعلمية وأكثرها رصانة لاختبار فرضيات الاستقلال والترابط بين المتغيرات الاسمية والثنائية.

تستند فلسفة هذا الاختبار إلى حساب الاحتمال الرياضي المباشر والتام للبيانات الملاحظة، بدلاً من اللجوء إلى التقديرات التقريبية المستندة إلى توزيعات العينات الكبيرة. وقد أحدث هذا الابتكار الرياضي ثورة منهجية امتدت عبر عقود من التطبيق في العلوم الطبية، والبيولوجية، والعلوم النفسية والسلوكية، حيث تتطلب القرارات التشخيصية والعلاجية أقصى درجات الدقة الإحصائية دون الاعتماد على افتراضات التوزيع الاعتدالي المسبقة أو أحجام العينات الضخمة التي يصعب توفيرها عملياً وأخلاقياً في بعض السياقات الإكلينيكية الحساسة.

يقدم هذا المقال دليلاً شاملاً وتأصيلياً لاختبار فيشر الدقيق، مستعرضاً جذوره التاريخية الممتدة إلى تجارب السير رونالد فيشر الرائدة، وأسسه النظرية والرياضية المبنية على التوزيع فوق الهندسي، وتطبيقاته العملية المفصلة خطوة بخطوة في سياق البحوث النفسية والطبية، إلى جانب تفكيك كيفية تنفيذه عبر الحزم الإحصائية المتقدمة وتفسير مخرجاته وفق أرقى المعايير الأكاديمية العالمية مثل دليل الجمعية الأمريكية لعلم النفس (APA Style).

1. مقدمة شاملة لاختبار فيشر الدقيق وأصوله الإحصائية

1.1 السياق التاريخي وتطوير الاختبار بواسطة رونالد فيشر

تعود الجذور الأولى لاختبار فيشر الدقيق إلى أوائل ثلاثينيات القرن العشرين، وتحديداً إلى التجربة الفكرية والعملية الشهيرة المعروفة بـ “سيدة تتذوق الشاي” (The Lady Tasting Tea)، والتي وثقها السير رونالد ألمير فيشر (Ronald A. Fisher) في كتابه المرجعي التأسيسي The Design of Experiments المنشور عام 1935. ادعت الدكتورة موريل بريستول في محطة روفامستيد للتجارب الزراعية أنها قادرة على تمييز ما إذا كان الحليب قد سُكب في الفنجان قبل الشاي أو العكس. ولإخضاع هذا الادعاء لاختبار تجريبي صارم، قام فيشر بإعداد ثمانية أكواب من الشاي بالحليب: أربعة منها سُكب الحليب فيها أولاً، وأربعة سُكب الشاي فيها أولاً، وقُدمت لها بترتيب عشوائي عالي الانضباط التجريبي دون إعلامها بالتسلسل.

لم يكن هدف فيشر مجرد حسم هذا الادعاء اليومي، بل كان يؤسس لمفهوم إحصائي رائد: كيف يمكن للباحث أن يحدد بدقة متناهية احتمال أن يكون الأداء الملاحظ ناتجاً عن الصدفة المحضة (Hypothesis of Chance)؟ أدرك فيشر أن النماذج التقاربية التقليدية لا تصلح لمثل هذا الحجم الصغير من المحاولات (ثمانية أكواب فقط). ومن هنا انبثقت الحاجة المنهجية لبناء اختبار احتمالي دقيق لا يعتمد على افتراض استمرارية التوزيعات، بل يحسب جميع التباديل والتوافيق الرياضية الممكنة لتوزيع الفناجين في مصفوفة ثنائية الأبعاد، مع ثبات المجاميع الهامشية لتلك التجربة بدقة تامة.

مثلت هذه التجربة حجر الزاوية في تدشين مبادئ الاستدلال الإحصائي الدقيق (Exact Inference)، حيث أثبت فيشر إمكانية حساب القيمة الاحتمالية الحقيقية مباشرة بناءً على التوافيق التوزيعية المنفصلة. ومع تعاقب العقود، تجاوز هذا الاختبار سياقه الزراعي واليومي الأولي، ليصبح ركيزة لا غنى عنها في العلوم الوراثية، والأبحاث الدوائية، والعلوم الإكلينيكية والنفسية، حيث تتكرر متطلبات التعامل مع عينات دقيقة جداً يصعب فيها إخضاع البيانات للتقريبات الرياضية دون الوقوع في تحيزات إحصائية فادحة.

1.2 التعريف المنهجي لاختبار فيشر الدقيق وموقعه في الإحصاء اللامعلمي

يُعرّف اختبار فيشر الدقيق من المنظور المنهجي بأنه اختبار دلالة إحصائية لا معلمي (Non-parametric significance test) يُستخدم لتقييم الفرضيات المتعلقة بوجود ارتباط أو استقلال بين متغيرين فئويين ثنائيي التقسيم (Dichotomous Categorical Variables) مرتبين في جدول توافق ثنائي (2×2 Contingency Table). يكمن جوهر تصنيف هذا الاختبار ضمن عائلة الإحصاء اللامعلمي في تحرره التام من اشتراطات التوزيع الطبيعي للبيانات، وعدم اعتماده على تقدير معلمات المجتمع المجهولة (مثل المتوسط الحسابي والتباين) من خلال العينة المتاحة، بل يركز حصرياً على التوزيعات الاحتمالية المنفصلة للتكرارات المشاهدة.

يبرز مفهوم “الدقة” (Exactness) في تسمية الاختبار تمييزاً جوهرياً له عن الاختبارات التقاربية (Asymptotic Tests) مثل اختبار كاي تربيع لبيرسون (Pearson’s Chi-square Test). فالطرق التقاربية تفترض أن حجم العينة يقترب نظرياً من اللانهاية، مما يجعل دالة التوزيع التجريبي تقترب من التوزيع النظري المتصل لكاي تربيع. غير أن هذا الافتراض ينهار عندما تكون التكرارات المتوقعة في خلايا الجدول منخفضة للغاية. في المقابل، يقوم اختبار فيشر بحساب الاحتمال الحقيقي والتام للجدول الملاحظ دون وساطة دوال التقريب الرياضي، مما يجعله المعيار الذهبي الموثوق لتحليل الجداول التوافقية ذات التكرارات المحدودة جداً.

تكتسب هذه الخاصية الدقيقة أهمية حاسمة عندما يواجه المحلل الإحصائي عينات صغيرة (Small Sample Sizes) تتراوح بين بضع مفردات إلى بضع عشرات، أو عندما تكون بعض الخلايا في جدول التوافق خالية تماماً من المشاهدات (تكرارات صفرية). في مثل هذه السيناريوهات، يحفظ اختبار فيشر الباحث من تضخيم معدلات الخطأ من النوع الأول، ويقدم مؤشراً احتمالياً يتسم بأعلى مستويات الصدق الداخلي للتحليل الإحصائي.

1.3 أهمية الاختبار في الأبحاث الإكلينيكية والنفسية المعاصرة

تشهد الأبحاث الإكلينيكية والطبية النفسية المعاصرة تزايداً ملحوظاً في دراسة الاضطرابات النادرة، والمتغيرات الوراثية النادرة، والاستجابات السلوكية غير الشائعة، وهي سياقات تفرض قيوداً صارمة على حجم العينات المتاحة للباحثين. ففي دراسات الاضطرابات النفسية النادرة مثل الفصام الطفولي المبكر أو بعض المتلازمات العصبية السلوكية المحدودة، يصعب جمع مئات المشاركين، مما يجعل التحليلات الإحصائية المعتادة غير قابلة للتطبيق السليم. يوفر اختبار فيشر الدقيق في هذه البيئات البحثية إمكانية رصينة لمقارنة نسب الاستجابة أو معدلات الانتشار بدقة رياضية مطلقة.

كما يلعب الاختبار دوراً محورياً في تقييم التجارب السريرية النفسية الرائدة (Pilot Clinical Trials) ودراسات التدخلات السلوكية المركزة (Targeted Behavioral Interventions). فعند اختبار بروتوكول علاجي جديد على عينة صغيرة من المرضى المقاومين للعلاج التقليدي، يحتاج المعالجون والباحثون إلى معرفة ما إذا كانت نسبة التحسن تختلف جوهرياً بين المجموعة التجريبية والمجموعة الضابطة، دون المخاطرة بنتائج مضللة ناجمة عن تقريب كاي تربيع. يُعد الاعتماد على اختبار فيشر في هذه الدراسات ضمانة علمية وأخلاقية تؤكد أن الاستنتاجات الإكلينيكية لا تستند إلى أوهام إحصائية مرتبطة بصغر حجم العينة.

علاوة على ذلك، تتميز جداول التوافق في البحوث السلوكية بوجود تباين حاد في توزيع الأفراد بين الفئات، مثل دراسة سلوكيات نادرة كإيذاء النفس أو الاستجابة لبرامج التأهيل في البيئات العقابية. هذا التباين الشديد ينتج عنه “جداول شحيحة التكرار” (Sparse Tables). يضمن اختبار فيشر الدقيق تقديم استنتاجات مستقرة تماماً حول نسب الأرجحية والارتباط الاحتمالي، مما يجعله الأداة المنهجية الأكثر موثوقية وأماناً لدى المتخصصين في القياس النفسي والتقييم الإكلينيكي المتقدم.

2. الأساس النظري والمفاهيم الجوهرية لاختبار فيشر الدقيق

2.1 بنية جداول التوافق الثنائية (2×2 Contingency Tables)

يقوم التحليل الإحصائي في اختبار فيشر الدقيق على بنية مصفوفة التوافق الثنائية ذات البعدين (2×2 Contingency Table). تُمثل هذه المصفوفة التوزيع المتقاطع لمتغيرين فئويين ثنائيي الحالة، بحيث يتكون الجدول من أربع خلايا رئيسية يُرمز لها تقليدياً بالحروف اللاتينية: $a$ و $b$ و $c$ و $d$. تمثل الخلية$a$ تكرار الأفراد المشتركين في الفئة الأولى لكلا المتغيرين (مثال: تلقى العلاج وتحسن)، بينما تمثل الخلية $b$ تكرار المشتركين في الفئة الأولى للمتغير الأول والفئة الثانية للمتغير الثاني (تلقى العلاج ولم يتحسن). وبالمثل، تمثل $c$ الفئة الثانية للأول والأولى للثاني (تلقى علاجاً وهمياً وتحسن)، بينما تعبر الخلية $d$ عن الفئة الثانية في كلا المتغيرين (تلقى علاجاً وهمياً ولم يتحسن).

تُعرف مجموع عناصر كل صف وكل عمود بالمجاميع الهامشية (Marginal Totals). فمجموع الصف الأول يساوي $(a + b)$ ويمثل الحجم الإجمالي للمجموعة الأولى، ومجموع الصف الثاني يساوي $(c + d)$ ويمثل الحجم الإجمالي للمجموعة الثانية. على الجانب المقابل، يمثل مجموع العمود الأول $(a + c)$ إجمالي حالات التحسن في العينة الكلية، بينما يمثل مجموع العمود الثاني $(b + d)$ إجمالي حالات عدم التحسن. أما الحجم الكلي للعينة ($n$) فيساوي حاصل جمع الخلايا الأربع مجتمعة:$n = a + b + c + d$.

في ظل تثبيت هذه المجاميع الهامشية، تصبح درجة الحرية (Degree of Freedom) في هذا الجدول مقيدة ومساوية لدرجة واحدة فقط ($df = 1$). وهذا يعني رياضياً أنه بمجرد تحديد قيمة تكرار خلية واحدة فقط (ولتكن الخلية $a$)، فإن قيم الخلايا الثلاث المتبقية ($b, c, d$) تتحدد تلقائياً وبشكل حتمي بناءً على قيم المجاميع الهامشية الثابتة. يمثل هذا القيد الهيكلي حجر الزاوية في بناء النموذج الاحتمالي لاختبار فيشر.

2.2 مفهوم التوزيع فوق الهندسي (Hypergeometric Distribution)

يشكل التوزيع فوق الهندسي (Hypergeometric Distribution) القلب الرياضي لاختبار فيشر الدقيق. يُستخدم هذا التوزيع الاحتمالي المنفصل لنمذجة احتمالات عدد النجاحات في عينة مسحوبة من مجتمع محدود دون إرجاع (Sampling without replacement). يختلف هذا التوزيع جذرياً عن التوزيع ذي الحدين (Binomial Distribution) الذي يفترض استقلال المحاولات وثبات احتمال النجاح عبر السحب مع الإرجاع أو من مجتمعات لانهائية.

في سياق جدول التوافق 2×2، يُنظر إلى العينة الكلية ($n$) على أنها مجتمع محدود يحتوي على عدد محدد من حالات النجاح الإجمالية التي تماثل هامش العمود الأول$(a + c)$، وعدد من حالات الإخفاق الممثلة بهامش العمود الثاني$(b + d)$. عندما نقوم بسحب مجموعة فرعية عشوائية بحجم هامش الصف الأول$(a + b)$ دون إرجاع، فإن احتمال ملاحظة عدد معين من النجاحات داخل هذه المجموعة الفرعية (وهو تحديداً التكرار المشاهد في الخلية $a$) يتبع بصورة دقيقة دالة الكتلة الاحتمالية للتوزيع فوق الهندسي.

تتطابق دالة التوزيع التراكمي (CDF) لهذا التوزيع مع حساب الاحتمالات التراكمية في جداول التوافق. وبذلك، لا يحتاج اختبار فيشر إلى تقريب التوزيع المنفصل بمنحنى متصل، بل يستنبط الاحتمالات الدقيقة لكل تشكيلة خلايا ممكنة تتسق مع المجاميع الهامشية المعطاة، مما يمنحه دقة رياضية غير قابلة للطعن في التحليلات المشروطة.

2.3 شرط ثبات الهوامش ومبدأ الاستدلال المشروط

يقوم اختبار فيشر الدقيق على فرضية رياضية جوهرية تُعرف بـ “الاستدلال المشروط” (Conditional Inference)، والتي تفترض أن المجاميع الهامشية للصفوف والأعمدة تُعامل على أنها ثوابت معطاة مسبقاً (Fixed Margins). من منظور نظرية الإحصاء الرياضي، تُعتبر هذه الهوامش إحصاءات ملحقة (Ancillary Statistics)؛ أي أنها توفر معلومات حول دقة العينة وتوزيعها الإجمالي لكنها لا تحتوي في حد ذاتها على أي معلومات مباشرة حول قوة الارتباط بين المتغيرين قيد الدراسة.

من خلال تكييف التحليل الاحتمالي على ثبات هذه الهوامش (Conditioning on the Margins)، يتمكن الاختبار من التخلص من المعلمات المزعجة غير المعروفة (Nuisance Parameters) في النموذج الإحصائي، مثل المعدلات الأساسية للنجاح في المجتمع الكلي. يتيح هذا التكييف عزل معلمة الاهتمام الأساسية—وهي نسبة الأرجحية—وحساب دلالتها الإحصائية بصورة نقية تماماً.

على الرغم من الرصانة الرياضية لهذا المبدأ، فقد أثار شرط ثبات كلا الهامشين نقاشات منهجية وإحصائية طويلة بين علماء الإحصاء الكلاسيكي والبيزي. انتقد بعض الباحثين (مثل بارنارد وبيركسون) حقيقة أن التصميم التجريبي قد يثبت هامشاً واحداً فقط (مثل حجم مجموعات العلاج)، في حين أن هامش الاستجابة يكون عشوائياً وغير ثابت في الواقع. غير أن فيشر وأتباع مدرسة الاستدلال المشروط أثبتوا أن التثبيت المشروط للهامشين معاً يمثل الطريقة الوحيدة لبناء اختبار دقيق خالٍ تماماً من المعلمات المجهولة، مما يجعل توزيع الإحصاء مستقلاً عن تلك المعلمات تحت فرضية العدم.

3. الفرضيات الإحصائية في اختبار فيشر الدقيق

3.1 صياغة فرضية العدم (Null Hypothesis – H0)

تمثل فرضية العدم ($H_0$) نقطة الانطلاق الأساسية في الاستدلال الإحصائي لاختبار فيشر الدقيق. تنص فرضية العدم من الناحية المفاهيمية على استقلالية المتغيرين الفئويين التامة، أي عدم وجود أي ترابط أو اقتران حقيقي بين التصنيفات المدروسة في المجتمع الأصلي. وفي سياق الدراسات التجريبية والمقارنة، تترجم فرضية العدم إلى التساوي التام بين نسب الاستجابة الإيجابية عبر المجموعات المختلفة؛ أي أن نسبة حدوث الحدث في المجموعة الأولى تساوي تماماً نسبة حدوثه في المجموعة الثانية ($p_1 = p_2$).

من المنظور الرياضي واللوجستي، تُصاغ فرضية العدم في اختبار فيشر بدلالة نسبة الأرجحية (Odds Ratio – OR)، حيث تفترض أن:

$$H_0: OR = 1$$

تعني هذه القيمة أن أرجحية حدوث النتيجة المستهدفة لدى أفراد المجموعة الأولى تتطابق تماماً مع أرجحية حدوثها لدى أفراد المجموعة الثانية. في الأبحاث النفسية الإكلينيكية، تُصاغ فرضية العدم نظرياً بالقول: “لا يوجد فرق دال إحصائياً في احتمالية التعافي النفسي بين المرضى الذين خضعوا للتدخل العلاجي المعرفي وأولئك الذين وُضعوا على قائمة الانتظار (أو تلقوا علاجاً تقليدياً)”.

3.2 صياغة الفرضية البديلة (Alternative Hypothesis – H1)

تُعبر الفرضية البديلة ($H_1$ أو $H_a$) عن ادعاء الباحث ووجود أثر حقيقي أو ترابط غير عشوائي بين المتغيرين. تتخذ الفرضية البديلة في اختبار فيشر شكلين رئيسيين تبعاً للتوجيه النظري والأسس التجريبية للدراسة:

• الفرضية البديلة ثنائية الاتجاه (Two-tailed Alternative): تنص على وجود ارتباط أو اختلاف بين المجموعتين دون تحديد مسبق لاتجاه هذا الاختلاف. وتُصاغ رياضياً كالتالي:

  $$H_1: OR \neq 1 \quad \text{أو} \quad p_1 \neq p_2$$

  يُفضل استخدام هذا النمط عندما لا تتوافر أدلة نظرية قطعية ترجح تفوق مجموعة على أخرى، أو عندما يكون الهدف مجرد اختبار الاستقلالية العامة بين المتغيرين.

• الفرضية البديلة أحادية الاتجاه (One-tailed Alternative): تنص على اتجاه محدد سلفاً للاختلاف؛ إما بزيادة أرجحية الاستجابة في مجموعة التدخل ($H_1: OR > 1$) أو انخفاضها ($H_1: OR < 1$). تُستخدم هذه الفرضية عندما تستند الدراسة إلى إطار نظري وتجريبي رصين يتنبأ صراحة بأن العلاج الجديد يجب أن يتفوق حصراً على العلاج المقارن، مع استبعاد احتمالية كونه أسوأ.

3.3 الأخطاء الإحصائية من النوع الأول والثاني وقوة الاختبار

يرتبط اختبار فيشر الدقيق ارتباطاً وثيقاً بنظرية نيمان-بيرسون للاختبارات الإحصائية وإدارة معدلات الأخطاء. يتميز اختبار فيشر بقدرته الصارمة على التحكم في خطأ النوع الأول (Type I Error / $\alpha$)، وهو احتمال رفض فرضية العدم الصحيحة. فبينما قد تؤدي الاختبارات التقاربية (ككاي تربيع) إلى معدلات خطأ حقيقية تتجاوز المستوى الاسمي المحدد ($\alpha = 0.05$) عند صغر حجم العينة، يضمن اختبار فيشر ألا يتجاوز معدل رفض فرضية العدم سقف المستوى الاسمي تحت أي ظرف تجريبي.

في المقابل، يترتب على هذا التحكم الصارم ظاهرة منهجية تُعرف بـ التحفظ الإحصائي (Statistical Conservatism). تنشأ هذه الظاهرة نتيجة الطبيعة المتقطعة (Discrete Nature) للتوزيع فوق الهندسي، حيث لا يمكن لمجموع الاحتمالات المنفصلة أن يتطابق في الغالب مع القيمة الاسمية الدقيقة لمستوى الدلالة ($\alpha = 0.05$)، بل يكون عادة أقل منها (مثل 0.038 أو 0.042). يؤدي هذا التحفظ في بعض السيناريوهات إلى زيادة طفيفة في احتمالية ارتكاب خطأ النوع الثاني (Type II Error / $\beta$)، وهو الفشل في رفض فرضية العدم عندما تكون الفرضية البديلة صحيحة بالفعل.

تتأثر القوة الإحصائية (Statistical Power = $1 – beta$) لاختبار فيشر الدقيق بعدة عوامل مركزية تشمل: حجم العينة الإجمالي ($n$)، وحجم الأثر الفعلي (Magnitude of Effect Size / Odds Ratio)، ومدى توازن المجاميع الهامشية للصفوف والأعمدة. فكلما كانت الهوامش أكثر توازناً وحجم الأثر كبيراً، ارتفعت القوة الإحصائية للاختبار لتقترب من المستويات المعيارية المقبولة في البحث العلمي (0.80 فأكثر).

4. الصيغة الرياضية والاشتقاق الاحتمالي لاختبار فيشر

4.1 المعادلة الرياضية لاحتمال جدول التوافق المحدد

تُعد المعادلة الرياضية لاختبار فيشر الدقيق من أروع الصيغ التوافقية الكلاسيكية في الإحصاء الرياضي. تُحسب القيمة الاحتمالية لملاحظة تشكيلة معينة ومحددة من التكرارات داخل مصفوفة 2×2 عبر النسبة بين جداءات المضروب للمجاميع الهامشية وجداء مضروب خلايا الجدول الفردية مع المضروب للحجم الكلي للعينة. تُصاغ المعادلة الكلاسيكية للاختبار بالصيغة الرياضية التالية:

$$P = \frac{(a + b)! \times (c + d)! \times (a + c)! \times (b + d)!}{a! \times b! \times c! \times d! \times n!}$$

يعبر رمز المضروب (!) (Factorial) عن حاصل ضرب العدد الصحيح الموجب في جميع الأعداد الصحيحة الموجبة التي تصغره حتى الرقم 1 (مع العلم اصطلاحاً أن $0! = 1$). يعكس البسط في هذه المعادلة إجمالي عدد الطرق الرياضية لترتيب المجاميع الهامشية للصفوف والأعمدة، في حين يدمج المقام التباديل التوافقية الداخلية للخلايا الأربع موزونة بالترتيبات الكلية الممكنة لمجمل مفردات العينة ($n!$).

تتيح هذه المعادلة الحساب المباشر لاحتمالية حدوث الجدول الملاحظ تحديداً في ظل افتراض صحة فرضية العدم وثبات الهوامش المشروطة، دون الحاجة للجوء إلى أي نوع من التقريبات التقاربية أو التكاملات الرياضية المعقدة.

4.2 الاشتقاق الاحتمالي المستند إلى التوزيع فوق الهندسي

يمكن اشتقاق معادلة فيشر بطريقة منهجية مباشرة وصريحة باستخدام التوافيق الرياضية (Combinations) المستمدة من دالة الكتلة الاحتمالية للتوزيع فوق الهندسي. إذا افترضنا وجود مجتمع كلي بحجم $n$ يحتوي على عدد من العناصر ذات الخاصية الإيجابية مساوٍ لـ $(a + c)$، وأردنا سحب عينة جزئية عشوائية بحجم $(a + b)$ دون إرجاع، فإن احتمال الحصول على عدد $a$ من العناصر الإيجابية تحديداً في تلك العينة يُصاغ كالآتي:

$$P(X = a) = \frac{\binom{a + c}{a} \times \binom{b + d}{b}}{\binom{n}{a + b}}$$

حيث يمثل الرمز $\binom{N}{k}$ عدد التوافيق لاختيار $k$ عنصر من بين $N$ عنصر، ويُفكك رياضياً بالصيغة:

$$\binom{N}{k} = \frac{N!}{k!(N – k)!}$$

عند التعويض المفصل للتوافيق الثلاث في دالة التوزيع فوق الهندسي، نحصل على:

$$P(X = a) = \frac{\frac{(a + c)!}{a! , c!} \times \frac{(b + d)!}{b! , d!}}{\frac{n!}{(a + b)! , (c + d)!}}$$

بإعادة ترتيب الحدود ونقل المقامات في البسط والمقام وفق قواعد الجبر الأساسية، نصل مباشرة إلى الصيغة الكلاسيكية الموحدة لاختبار فيشر:

$$P(X = a) = \frac{(a + b)! , (c + d)! , (a + c)! , (b + d)!}{a! , b! , c! , d! , n!}$$

يؤكد هذا الاشتقاق المنطقي أن اختبار فيشر هو التطبيق الاحتمالي المباشر للنظرية التوافقية على البيانات المصنفة اسمياً في جداول التوافق المشروطة.

4.3 التحديات الحسابية للأعداد الكبيرة وطرق التغلب عليها

على الرغم من البساطة المفهومية لصيغة فيشر، فإن التطبيق اليدوي أو الحاسوبي المباشر للمضروب يواجه عائقاً تقنياً كبيراً يُعرف بـ طفح الأرقام الحسابي (Arithmetic Overflow). تتزايد قيم المضروب بمعدلات فلكية؛ فعلى سبيل المثال، تتجاوز قيمة $100!$ الرقم $9.33 times 10^{157}$، وهو رقم يفوق القدرة التخزينية للمسجلات الرقمية القياسية ذات الدقة المزدوجة (64-bit Floating Point) في أجهزة الحواسيب، مما يتسبب في أخطاء القسمة على صفر أو فشل المعالجة الحسابية المباشرة للعينات الكبيرة.

للتغلب على هذه المعضلة الحسابية في البرمجيات الإحصائية المتقدمة، يتم اللجوء إلى التحويل اللوغاريتمي للمضروب (Log-Factorial Transformation). تعتمد هذه التقنية على تحويل عمليات الضرب والقسمة إلى عمليات جمع وطرح بسيطة عبر استخدام اللوغاريتم الطبيعي ودالة غاما ($\Gamma$ Function):

$$\ln(P) = \ln((a+b)!) + \ln((c+d)!) + \ln((a+c)!) + \ln((b+d)!) – [\ln(a!) + \ln(b!) + \ln(c!) + \ln(d!) + \ln(n!)]$$

حيث يتم حساب $ln(k!)$ بكفاءة وسرعة فائقة باستخدام دالة اللوغاريتم لغاما: $\ln(k!) = \ln\Gamma(k + 1)$. وبعد استكمال عمليات الجمع والطرح اللوغاريتمية، تُستعاد القيمة الاحتمالية الأصلية عبر تطبيق الدالة الأسية العكسية: $P = exp(ln(P))$.

إلى جانب ذلك، تستخدم الخوارزميات الرقمية الحديثة تقريب ستيرلينغ (Stirling’s Approximation) لحساب لوغاريتمات المضروب للأعداد الضخمة بسرعة فائقة، مما يتيح للحزم الإحصائية المعاصرة تنفيذ اختبار فيشر على عينات تحوي آلاف المفردات في أجزاء من الثانية دون أي فقدان للدقة الرقمية المطلوبة.

5. حساب القيمة الاحتمالية (p-value): الطرف الواحد مقابل الطرفين

5.1 آلية حساب القيمة الاحتمالية لاختبار الطرف الواحد (One-Tailed)

لا تقتصر القيمة الاحتمالية ($p$-value) في اختبارات الفروض الإحصائية على احتمالية الجدول الملاحظ ذاته فحسب، بل تُعرّف رياضياً بأنها مجموع احتمالية ملاحظة النتيجة الفعلية بالإضافة إلى احتمالات جميع النتائج الأخرى الممكنة التي تكون أكثر تطرفاً وتأييداً للفرضية البديلة في نفس الاتجاه الموجه، في ظل افتراض صحة فرضية العدم وثبات الهوامش.

لحساب القيمة الاحتمالية لاختبار الطرف الواحد (One-tailed test):

• يحدد الباحث اتجاه الفرضية الموجهة؛ فإذا كانت الفرضية البديلة تفترض أن نسبة النجاح في المجموعة الأولى أعلى من المجموعة الثانية ($p_1 > p_2$ أو $OR > 1$)، فإن التوزيعات الأكثر تطرفاً هي تلك التي يزداد فيها تكرار الخلية $a$ تدريجياً ($a+1, a+2, dots$) مع تعديل الخلايا الأخرى ($b-1, c-1, d+1$) للحفاظ الصارم على المجاميع الهامشية.
• يتم حساب الاحتمال الفوق الهندسي لكل جدول من هذه الجداول المتطرفة المحتملة باستخدام معادلة فيشر.
• تُجمع هذه الاحتمالات المنفصلة مع احتمال الجدول الملاحظ للحصول على القيمة الاحتمالية أحادية الطرف:

  $$p_{\text{one-tailed}} = \sum_{k = a}^{\min(a+b, a+c)} P(X = k)$$

يُسمح منهجياً بالاعتماد على اختبار الطرف الواحد فقط عندما يكون لدى الباحث تبرير نظري وتجريبي قاطع ومسبق يستبعد تماماً احتمال حدوث أثر في الاتجاه المعاكس، كما هو الحال في اختبارات السمية الدوائية الصارمة، مع ضرورة توثيق هذا القرار المنهجي قبل البدء في جمع البيانات وتحليلها.

5.2 تعقيدات وحساب القيمة الاحتمالية لاختبار الطرفين (Two-Tailed)

يمثل حساب القيمة الاحتمالية لاختبار الطرفين (Two-tailed test) في اختبار فيشر الدقيق مسألة إحصائية أكثر تعقيداً ودقة مقارنة بالاختبارات المعلمية المتصلة. فالمنحنى الاحتمالي للتوزيع فوق الهندسي هو توزيع منفصل وغالباً ما يكون غير متماثل (Asymmetric) حول مركزه، لا سيما عندما تكون المجاميع الهامشية للصفوف والأعمدة متباينة وغير متساوية. وبالتالي، فإن الإجراء التلقائي بمضاعفة قيمة الطرف الواحد ($2 times p_{text{one-tailed}}$)—المتبع تقليدياً في التوزيعات المتصلة المتماثلة كتوزيع$z$ وتوزيع $t$—قد يقود إلى أخطاء فادحة وينتج قيماً احتمالية تتجاوز الواحد الصحيح.

لمعالجة هذا التحدي الرياضي، طُرحت في الأدبيات الإحصائية ثلاث طرق رئيسية لحساب القيمة الاحتمالية ثنائية الطرف:

• طريقة فيشر القياسية (Fisher’s Standard Method / Probability Criterion): تُعد هذه الطريقة الأكثر شيوعاً واعتماداً في الإحصاء الرياضي. يتم فيها تحديد وحساب احتمالات جميع الجداول الممكنة المتوافقة مع الهوامش الثابتة في كلا الاتجاهين، ومن ثم جمع احتمالات كافة الجداول التي يقل احتمالها عن أو يساوي احتمال الجدول الملاحظ تحديداً:

  $$p_{\text{two-tailed}} = \sum_{i: P(T_i) \leq P(T_{\text{observed}})} P(T_i)$$

• طريقة مضاعفة الحد الأدنى للطرف (Doubling the Minimum Tail): تعتمد على حساب احتمالي الطرفين بشكل منفصل، وتحديد القيمة الأقل منهما ومضاعفتها: $p = 2 \times \min(p_{\text{\left}}, p_{\text{\right}})$. وإذا تجاوزت النتيجة الرقم 1، يتم تقييدها بالقيمة 1.00. تمتاز هذه الطريقة بالبساطة ولكنها تتسم بالتحفظ المفرط في بعض التوزيعات.
• طريقة المسافة المركزية أو نسبة الأرجحية (Likelihood Ratio / Deviance Criterion): تستند إلى ترتيب الجداول وفق مسافتها الموزونة عن القيمة المتوقعة تحت فرضية العدم، وتجمع احتمالات الجداول التي تبتعد عن المركز بمسافة مساوية أو أكبر من مسافة الجدول الملاحظ.

5.3 مقارنة منهجية بين الطرق المختلفة لاحتساب الطرفين

يؤثر اختيار طريقة حساب الطرفين بشكل ملموس على القيمة الاحتمالية النهائية، مما قد يغير أحياناً قرار الباحث بشأن رفض فرضية العدم بالقرب من الحدود الحرجة لدلالة الاختبار ($\alpha = 0.05$). توضح المقارنة المنهجية التالية خصائص وتطبيقات كل طريقة:

المعيار المنهجي	طريقة فيشر القياسية (Sum of $P \leq P_{\text{obs}}$)	طريقة مضاعفة الحد الأدنى ($2 times min(p)$)	طريقة المسافة المركزية (Deviance)
الأساس الرياضي	معيار الكثافة الاحتمالية المنفصلة	مضاعفة الذيل الأقل احتمالاً	البعد الإحصائي عن القيمة المتوقعة
مستوى التحفظ	معتدل ومقبول إحصائياً	شديد التحفظ (قد يقلل القوة الإحصائية)	متوازن رياضياً
الاعتماد في البرمجيات	المعيار الافتراضي في لغة R و SPSS و SAS	متاح كخيار بديل في بعض الحزم الطبية	يُستخدم في نمذجة الانحدار اللوجستي الدقيق
التماثل والتطابق	يعكس عدم التماثل التوزيعي بدقة تامة	يفترض تماثلاً تقريبياً للطرفين	يرتبط بدوال الإمكان الأعظم الدقيقة

توصي التقاليد الأكاديمية الرصينة بضرورة التزام الباحثين بالشفافية الكاملة من خلال الإفصاح عن الطريقة الرياضية المتبعة في احتساب قيمة $p$ ثنائية الطرف داخل تقاريرهم البحثية، والاعتماد بشكل أساسي على طريقة فيشر القياسية لضمان التوافق وقابلية التكرار في الأوساط العلمية.

6. مقارنة منهجية: اختبار فيشر الدقيق مقابل اختبار كاي تربيع للاستقلالية

6.1 الفروق الجوهرية بين الاختبار الدقيق والاختبار التقاربي

يكمن الاختلاف الجوهري بين اختبار فيشر الدقيق واختبار كاي تربيع للاستقلالية ($\chi^2$) في الطبيعة الرياضية للتوزيع الاحتمالي المستخدم لاستنباط الدلالة الإحصائية. يعتمد اختبار كاي تربيع لبيرسون على نموذج تقاربي متصل؛ حيث يقوم بتحويل الفروق بين التكرارات الملاحظة ($O$) والتكرارات المتوقعة ($E$) إلى إحصاء تجريبي يُفترض أنه يتبع توزيع كاي تربيع النظري ذي درجات الحرية المحددة عندما يقترب حجم العينة من اللانهاية.

في المقابل، لا يحتاج اختبار فيشر الدقيق لأي تحويل تقاربي، بل يتعامل مباشرة مع الطبيعة المتقطعة للبيانات الاسمية، ويحسب القيمة الاحتمالية التراكمية الحقيقية من خلال التوزيع فوق الهندسي. بينما يتطلب اختبار كاي تربيع حساب مساحة المنحنى المتصل تحت ذيل دالة الكثافة الاحتمالية، يستخرج اختبار فيشر مجاميع احتمالية دقيقة لتشكيلات التوافق الممكنة تجريبياً.

يترتب على هذا الفارق المنهجي أن اختبار فيشر يظل صالحاً وصحيحاً من الناحية الرياضية بغض النظر عن حجم العينة المتاحة—سواء كانت العينة تتكون من 10 أفراد أو 10000 فرد—في حين تصبح اختبارات كاي تربيع التقاربية غير صالحة إحصائياً وتنتج قيم $p$ زائفة عند صغر العينات أو انخفاض التكرارات في خلايا الجدول.

6.2 قاعدة كوشران (Cochran’s Rule) وشروط التحول لاختبار فيشر

لضبط استخدام الاختبارات التقاربية وتفادي الاستنتاجات الخاطئة، صاغ عالم الإحصاء الشهير ويليام كوشران (William Cochran) قواعد معيارية صارمة ومقبولة عالمياً تُعرف بـ قاعدة كوشران (Cochran’s Criterion) لتحديد مدى صلاحية اختبار كاي تربيع أو ضرورة الانتقال إلى اختبار فيشر الدقيق. تنص القاعدة على ما يلي:

• يجب ألا يقل التكرار المتوقع ($E$) عن 5 في أكثر من 20% من خلايا جدول التوافق. في جدول 2×2 (الذي يحتوي على 4 خلايا فقط)، يعني هذا الشرط عدم التسامح مع وجود أي خلية يقل تكرارها المتوقع عن 5 (أي 0% من الخلايا).
• يجب ألا يقل التكرار المتوقع في أي خلية من الخلايا مطلقاً عن 1 (أي $E \geq 1$ في جميع الخلايا دون استثناء).

يُحسب التكرار المتوقع لكل خلية في الجدول عبر المعادلة الكلاسيكية:

$$E = \frac{\text{مجموع الصف} \times \text{مجموع العمود}}{n}$$

إذا انتُهكت أي من هذه الشروط، فإن الاعتماد على كاي تربيع يؤدي إلى تشويه دالة التوزيع وتقليل الدقة، مما يضخم احتمالية ارتكاب خطأ النوع الأول. وعلى الرغم من أن إحصائيين اقترحوا استخدام تصحيح ييتس للاستمرارية (Yates’ Continuity Correction) كحل وسيط لتعديل إحصاء كاي تربيع، إلا أن الإجماع المنهجي الحديث يفضل استخدام اختبار فيشر الدقيق مباشرة باعتباره الحل الجذري والأنقى رياضياً دون الحاجة لتصحيحات تقريبية اصطناعية.

6.3 مقارنة شاملة لخصائص الأداء والكفاءة الإحصائية

تختلف كفاءة وأداء كلا الاختبارين عبر سيناريوهات بحثية متعددة، كما هو مفصل في الجدول المقارن التالي:

المحور الإحصائي	اختبار فيشر الدقيق (Fisher’s Exact Test)	اختبار كاي تربيع لبيرسون (Pearson’s Chi-Square)
نوع التوزيع الاحتمالي	منفصل حقيقي (Hypergeometric Distribution)	متصل تقاربي ($\chi^2$ Distribution)
حجم العينة المناسب	مثالي للعينات الصغيرة والمحدودة، وصالح لجميع الأحجام	يتطلب عينات متوسطة إلى كبيرة ($n > 30$ وتكرارات متوقعة $\geq 5$)
التعامل مع التكرارات الصفرية	يتعامل معها بكفاءة رياضية مطلقة ودون أخطاء	يفشل حسابياً أو ينتج تشوهات استدلالية جسيمة
معدل خطأ النوع الأول ($\alpha$)	محمي بدقة تامة ولا يتجاوز السقف الاسمي أبداً	قد يتضخم ويصبح مضللاً في العينات الصغيرة
التكلفة والتعقيد الحسابي	تتطلب حسابات توافقية متقدمة تزداد مع حجم العينات والجداول	بسيطة للغاية وسريعة الحساب حتى يدوياً
مجال التطبيق المفضل	الدراسات الإكلينيكية، التجارب الميدانية النادرة، الأبحاث الجينية	المسوحات الاجتماعية الكبيرة، الاستطلاعات الميدانية العامة

توضح هذه المقارنة أن اختبار فيشر هو الخيار الأمثل للبيانات الشحيحة والمعقدة، بينما يظل اختبار كاي تربيع كافياً ومناسباً للمسوحات السكانية الضخمة التي تلبي شروط كوشران بارتياح.

7. شروط وافتراضات تطبيق اختبار فيشر الدقيق في البحوث النفسية

7.1 الافتراضات المنهجية الواجب توفرها في البيانات

على الرغم من تصنيف اختبار فيشر كاختبار لا معلمي متحرر من افتراضات الاعتدالية والخطية، إلا أن صحة استنتاجاته تظل مشروطة بتوافر مجموعة من الافتراضات المنهجية والتصميمية الحاكمة:

• استقلالية المشاهدات الفردية (Independence of Observations): يجب أن تسهم كل وحدة معاينة (فرد أو مريض) في توليد تكرار داخل خلية واحدة فقط من خلايا الجدول. لا يجوز تطبيق الاختبار على البيانات المترابطة، أو القياسات المتكررة (مثل القياس القبلي والبعدي لنفس المشاركين)، أو العينات المزدوجة المتطابقة.
• الطبيعة الفئوية الحصرية والشاملة للمتغيرات (Mutually Exclusive and Exhaustive Categories): يجب تصنيف المتغيرين إلى فئات اسمية محددة بدقة، بحيث لا يمكن تصنيف أي مشارك في أكثر من فئة واحدة لنفس المتغير، مع استيعاب التصنيفات لجميع أفراد العينة.
• عشوائية المعاينة (Random Sampling): يُفترض أن العينة سُحبت بأسلوب عشوائي سليم من المجتمع المستهدف، أو أن المشاركين وُزعوا عشوائياً بين المجموعات التجريبية والضابطة لضمان صدق التعميم الإحصائي.
• ملاءمة البنية التوافقية (Suitability of Tabular Structure): يجب أن تمثل البيانات جداول توافق مبنية على تكرارات حقيقية للأفراد المشاهدين، وليست نسباً مئوية أو متوسطات حسابية أو تكرارات مرجحة بشكل مصطنع.

7.2 سياقات التطبيق المثالية في علم النفس والعلوم السلوكية

يجد اختبار فيشر الدقيق تطبيقات واسعة وعميقة في العديد من الفروع التخصصية لعلم النفس والعلوم السلوكية والطب النفسي، والتي تتميز بطبيعتها الحساسة وصعوبة الحصول على عينات ضخمة:

• أبحاث علم النفس العصبي الإكلينيكي (Clinical Neuropsychology): عند دراسة التغيرات المعرفية أو السلوكية لدى مرضى يعانون من آفات دماغية نادرة جداً في مناطق محددة (مثل متلازمة كورساكوف أو الحبسة التعبيرية الحادة)، حيث تقتصر العينات المتاحة على حالات معدودة تُقارن بمجموعات ضابطة صغيرة.
• دراسات التدخلات النفسية للأزمات والحوادث النادرة: كتقييم فعالية بروتوكولات التدخل السلوكي الطارئ في تقليل نوبات الهياج النفسي الشديد أو محاولات إيذاء النفس بين نزلاء المصحات النفسية عالية الحراسة.
• التشخيص الإكلينيكي للأمراض النفسية غير الشائعة: مثل دراسة الفروق الجندرية في نسب الإصابة باضطرابات الهوية التفارقية أو الفصام الوجداني في مجتمعات فرعية محددة.
• العلاج النفسي التجريبي الموجّه: في تجارب المرحلة الأولى (Phase I) والمرحلة الثانية (Phase II) لتقييم تقنيات مبتكرة في العلاج بالتعرض الافتراضي أو التحفيز المغناطيسي عبر الجمجمة لعلاج الرهاب المقاوم.

7.3 محددات الاستخدام والبدائل المتاحة عند انتهاك الشروط

عندما لا تفي البيانات بافتراضات اختبار فيشر الدقيق، فإن استخدامه قد يقود إلى تضليل علمي واستنتاجات غير سليمة. فيما يلي أبرز حالات الانتهاك والبدائل الإحصائية المعتمدة علمياً:

• انتهاك استقلالية البيانات (القياسات المتكررة / العينات المترابطة): إذا كانت البيانات عبارة عن قياس قبلي وبعدي لنفس المشاركين (مثل تقييم وجود الاكتئاب قبل وبعد برنامج علاجي)، فإن البديل الإحصائي المباشر والصحيح هو اختبار ماكنمار (McNemar’s Test) أو نسخته الدقيقة (Exact McNemar’s Test).
• البيانات الترتيبية (Ordinal Data): إذا كانت المتغيرات الفئوية تمتلك رتباً طبيعية متدرجة (مثل: شدة القلق: منخفض / متوسط / مرتفع)، فإن استخدام فيشر يتجاهل المعلومات الترتيبية. في هذه الحالة، يُفضل استخدام اختبار كوكران-أرميتاج للاتجاه (Cochran-Armitage Trend Test) أو اختبار مان-ويتني (Mann-Whitney U Test) أو معامل ارتباط كيندال تاو ($tau$).
• العينات الضخمة جداً: في الجداول ذات التكرارات المرتفعة للغاية، تصبح الحسابات التوافقية لفيشر مستهلكة للموارد الحاسوبية دون تقديم أي ميزة إضافية على اختبار كاي تربيع التقاربي، والذي يُعد البديل الأسرع والأكثر كفاءة في تلك الحالات.
• البيانات المفقودة غير العشوائية (Missing Not at Random): يؤدي استبعاد الحالات ذات البيانات المفقودة عشوائياً إلى تشويه نسب الهوامش؛ مما يستوجب استخدام تقنيات التعويض المتعدد (Multiple Imputation) أو النمذجة اللوجستية المتعددة قبل تطبيق الاستدلال الإحصائي.

8. مثال تطبيقي مفصل خطوة بخطوة في العلوم النفسية

8.1 سيناريو الدراسة النفسية وتصميم مصفوفة البيانات

لتوضيح الآلية الدقيقة للاختبار، نفترض سيناريو بحثي إكلينيكي يهدف إلى تقييم فعالية برنامج مكثف قائم على العلاج المعرفي السلوكي (Cognitive Behavioral Therapy – CBT) في مساعدة المرضى الذين يعانون من اضطراب الرهاب النوعي الشديد (Specific Phobia) على تحقيق التعافي السريري الكامل. شملت الدراسة عينة إجمالية محدودة قوامها 24 مريضاً تم توزيعهم عشوائياً بالتساوي إلى مجموعتين متكافئتين:

• المجموعة التجريبية ($n_1 = 12$): خضعت لبروتوكول العلاج المعرفي السلوكي المكثف لمدة 8 أسابيع.
• المجموعة الضابطة ($n_2 = 12$): وُضعت على قائمة الانتظار مع تلقي رعاية استشارية عامة غير موجهة.

في نهاية مدة الدراسة، أجرى مقيّمون إكلينيكيون مستقلون (دون معرفة تصنيف المرضى) فحصاً تشخيصياً شاملاً لتحديد حدوث “التعافي السريري الكامل” (نعم / لا). أسفرت النتائج الملاحظة عن البيانات التالية:

• في مجموعة CBT (المجموعة التجريبية): حقق 9 مرضى التعافي السريري الكامل، بينما لم يتعافَ 3 مرضى.
• في المجموعة الضابطة: حقق مريضان فقط التعافي السريري، بينما لم يتعافَ 10 مرضى.

تترجم هذه البيانات إلى مصفوفة التوافق الثنائية (2×2) التالية:

المجموعة التدخلية	تعافى سريرياً (نعم)	لم يتعافَ سريرياً (لا)	المجموع الهامشي للصفوف
العلاج المعرفي السلوكي (CBT)	$a = 9$	$b = 3$	$a + b = 12$
المجموعة الضابطة (Control)	$c = 2$	$d = 10$	$c + d = 12$
المجموع الهامشي للأعمدة	$a + c = 11$	$b + d = 13$	$n = 24$

عند فحص التكرارات المتوقعة وفق قاعدة كوشران، نجد أن التكرار المتوقع للخلية $c$ يساوي: $E(c) = \frac{12 \times 11}{24} = 5.5$، والتكرار المتوقع للخلية $a$ يساوي 5.5، ولقيم الخلايا الأخرى 6.5. ونظراً لتقارب التكرارات المتوقعة من الحد الأدنى الحرج وصغر العينة الكلية ($n = 24$)، يُعد اختبار فيشر الدقيق الأداة الإحصائية الأكثر أماناً وموثوقية.

8.2 التطبيق اليدوي للمعادلة الرياضية وحساب الاحتمال

نبدأ أولاً بحساب الاحتمال الدقيق لملاحظة هذا الجدول الفعلي تحديداً $P(\text{Observed})$ باستخدام الصيغة الكلاسيكية لفيشر:

$$P(\text{Observed}) = \frac{(a+b)! , (c+d)! , (a+c)! , (b+d)!}{a! , b! , c! , d! , n!} = \frac{12! \times 12! \times 11! \times 13!}{9! \times 3! \times 2! \times 10! \times 24!}$$

لحساب هذه القيمة بدقة وبأبسط الطرق الرياضية عبر الاختصار الجبري لعوامل المضروب:

• نختصر $12!$ مع المقامات المتاحة: $12! / 10! = 12 times 11 = 132$.
• نختصر $13! / 9! = 13 times 12 times 11 times 10 = 17160$.
• نفكك التباديل الأخرى ونقسم على $24!$ والمقامات المتبقية ($3! times 2! = 6 times 2 = 12$).
• ينتج عن العمليات الحسابية الدقيقة القيمة التالية:

  $$P(\text{Observed}) = P(a = 9) \approx 0.013801$$

الآن، لحساب القيمة الاحتمالية لاختبار الطرف الواحد ($p_{\text{one-tailed}}$) المؤيد لفرضية تفوق العلاج المعرفي السلوكي ($H_1: OR > 1$)، يجب تحديد جميع الجداول الأكثر تطرفاً في نفس الاتجاه مع الحفاظ التام على نفس الهوامش الثابتة ($12, 12, 11, 13$). تكون الجداول الأكثر تطرفاً عندما يزداد عدد المتعافين في مجموعة CBT ($a$ تأخذ القيم: 10، ثم 11):

• الجدول البديل الأول ($a = 10$): تصبح الخلايا: $a=10, b=2, c=1, d=11$.

  $$P(a = 10) = \frac{12! \times 12! \times 11! \times 13!}{10! \times 2! \times 1! \times 11! \times 24!} \approx 0.001380$$

• الجدول البديل الثاني الأقصى تطرفاً ($a = 11$): تصبح الخلايا: $a=11, b=1, c=0, d=12$ (لاحظ أن $a$ لا يمكن أن تصل إلى 12 لأن إجمالي المتعافين هو 11 فقط).

  $$P(a = 11) = \frac{12! \times 12! \times 11! \times 13!}{11! \times 1! \times 0! \times 12! \times 24!} \approx 0.000045$$

تُحسب القيمة الاحتمالية لأحادية الطرف بجمع هذه الاحتمالات الثلاثة معاً:

$$p_{\text{one-tailed}} = P(a=9) + P(a=10) + P(a=11) = 0.013801 + 0.001380 + 0.000045 = 0.015226 \approx 0.015$$

لحساب القيمة الاحتمالية لثنائية الطرف وفق طريقة فيشر القياسية، نقوم بجمع احتمالات الجداول في الطرف الآخر (المعاكس) التي يكون احتمالها أصغر من أو يساوي احتمال الجدول الملاحظ ($P \leq 0.013801$). في هذا التوزيع، الجداول في الطرف الأيسر التي تحقق هذا الشرط هي الجداول التي تتضمن $a \leq 2$ ($a=2, a=1, a=0$)، حيث يبلغ مجموع احتمالاتها مجتمعة حوالي $0.00385$.

بجمع احتمالات الطرفين المؤهلين:

$$p_{\text{two-tailed}} = 0.015226 + 0.003850 = 0.019076 \approx 0.019$$

بما أن القيمة الاحتمالية المحسوبة ($p = 0.019$) أقل بوضوح من مستوى الدلالة المعياري المعتمد ($\alpha = 0.05$)، فإننا نرفض فرضية العدم ونستنتج وجود فرق دال إحصائياً في معدلات التعافي لصالح مجموعة العلاج المعرفي السلوكي.

8.3 حساب حجم الأثر: نسبة الأرجحية وفترات الثقة

لا يكتمل التقرير الإحصائي بمجرد ذكر القيمة الاحتمالية، بل يتطلب الاستدلال الإكلينيكي الحديث حساب حجم الأثر (Effect Size) لبيان القوة العملية للتدخل. يُعد مقياس نسبة الأرجحية (Odds Ratio – OR) مقياس الأثر القياسي المرتبط باختبار فيشر الدقيق.

تُحسب نسبة الأرجحية الملاحظة من ضرب حواصل الخلايا المتقاطعة:

$$OR = \frac{a \times d}{b \times c} = \frac{9 \times 10}{3 \times 2} = \frac{90}{6} = 15.00$$

تُشير هذه النتيجة الإكلينيكية إلى أن أرجحية تحقيق التعافي السريري الكامل بين مرضى الرهاب الذين خضعوا للعلاج المعرفي السلوكي تفوق أرجحية التعافي لدى مرضى المجموعة الضابطة بمقدار 15 ضعفاً.

لحساب فترة الثقة الدقيقة بنسبة 95% لنسبة الأرجحية (Exact 95% Confidence Interval) دون الاعتماد على الطرق التقريبية المقاربة لوولف (Woolf’s method)، نلجأ إلى طريقة التوزيع المشروط الدقيق لفيشر (Conditional Maximum Likelihood Estimation)، والتي تُنتج مجال ثقة يتراوح تقريباً بين:

$$95% \text{ CI} = [1.77, 185.34]$$

بما أن فترة الثقة 95% تقع بالكامل فوق القيمة 1.00 ولا تشملها، فإن هذا يؤكد استقرار ودلالة الأثر الإيجابي للتدخل العلاجي على الرغم من اتساع فترة الثقة نتيجة الحجم المحدود للعينة ($n = 24$).

9. تنفيذ اختبار فيشر الدقيق باستخدام البرمجيات الإحصائية

9.1 تطبيق الاختبار في حزمة SPSS خطوة بخطوة

يُعد برنامج SPSS من أكثر البرمجيات استخداماً في العلوم النفسية والاجتماعية. لتنفيذ اختبار فيشر الدقيق في SPSS بصورة احترافية، نتبع الخطوات المنهجية التالية:

• إدخال وهيكلة البيانات: إذا كانت البيانات مدخلة كجدول مجمع، ننشئ ثلاثة متغيرات: Group (1 = CBT, 2 = Control)، و Outcome (1 = Recovered, 2 = Not Recovered)، و Count (يمثل التكرار في كل خلية: 9، 3، 2، 10).
• تفعيل وزن الحالات: من القائمة الرئيسية، نتوجه إلى:
  
  Data > Weight Cases...
  
  نحدد خيار Weight cases by وننقل متغير Count إلى المربع المخصص، ثم نضغط OK.
• إجراء التحليل التوافقي: نتوجه إلى القوائم:
  
  Analyze > Descriptive Statistics > Crosstabs...
• توزيع المتغيرات: ننقل متغير Group إلى خانة الصفوف (Rows)، ومتغير Outcome إلى خانة الأعمدة (Columns).
• ضبط الإحصاءات والاختبار الدقيق:
  • نضغط على زر Statistics... ونفعل خياري Chi-square و Risk (لحساب نسبة الأرجحية)، ثم Continue.
  • نضغط على زر Exact... (المتاح في وحدة Exact Tests الإضافية)، ونختار Exact مع ضبط زمن الاختبار الأقصى على 5 دقائق، ثم Continue.
  • نضغط على زر Cells... ونحدد تكرارات Observed و Expected، بالإضافة إلى النسب المئوية للصفوف Row Percentages.
• استخراج وتفسير المخرجات: في جدول Chi-Square Tests، ننتقل مباشرة إلى سطر Fisher’s Exact Test لقراءة قيمتي الدلالة: Exact Sig. (2-sided) والتي ستظهر مساوية لـ .019، و Exact Sig. (1-sided) ومقدارها .015.

9.2 تطبيق الاختبار باستخدام لغة البرمجة R

توفر لغة البرمجة الإحصائية R بيئة برمجية مفتوحة المصدر تتميز بأعلى درجات الدقة في الحسابات التوافقية والتوزيعات المشروطة. يُنفذ اختبار فيشر عبر الدالة المدمجة الأساسية fisher.test() دون الحاجة لتنصيب حزم إضافية.

توضح التعليمات البرمجية التالية بناء المصفوفة وتنفيذ التحليل واستخراج فترات الثقة الدقيقة:

يقوم الباحث بتعريف مصفوفة البيانات 2×2 من خلال الأمر التالي في موجه الأوامر:

study_data <- matrix(c(9, 2, 3, 10), nrow = 2, dimnames = list(Group = c("CBT", "Control"), Outcome = c("Recovered", "NotRecovered")))

لتنفيذ الاختبار ثنائي الطرف واستخراج نسبة الأرجحية وفترة الثقة الدقيقة 95%، يُكتب الأمر:

fisher_result <- fisher.test(study_data, alternative = "two.sided", conf.int = TRUE, conf.level = 0.95)

وعند طباعة الكائن print(fisher_result)، تُظهر المخرجات النصية التفصيلية في R: القيمة الاحتمالية الدقيقة ($p\text{-value} = 0.01908$)، والفرضية البديلة المعتمدة، وتقدير الإمكان الأعظم المشروط لنسبة الأرجحية ($OR \approx 13.09$ وفق تقدير فيشر المشروط، أو 15.00 للحساب التجريبي البسيط)، بالإضافة إلى فترة الثقة الدقيقة بنسبة 95% والتي تتراوح بين $[1.774, 185.341]$.

9.3 تطبيق الاختبار باستخدام مكتبات بايثون (Python Scipy)

في بيئة علم البيانات ولغة بايثون، يُنفذ الاختبار عبر الحزمة العلمية الرائدة SciPy وتحديداً الوحدة الفرعية scipy.stats باستخدام الدالة fisher_exact.

يتم استدعاء الدالة وصياغة مصفوفة التوافق كما يلي:

from scipy.stats import fisher_exact

table = [[9, 3], [2, 10]]

odds_ratio, p_value = fisher_exact(table, alternative='two-sided')

تُرجع الدالة بصورة مباشرة زوجاً من القيم العددية: الأولى تمثل نسبة الأرجحية الحسابية الملاحظة المباشرة ($OR = 15.00$)، والثانية تمثل القيمة الاحتمالية الدقيقة لثنائية الطرف ($p\text{-value} = 0.019076$). وتتطابق هذه النتائج الرقمية تماماً عبر برمجيات R و SPSS وبايثون، مما يؤكد الموثوقية الرياضية العالية للاختبار عبر المنصات الحسابية المختلفة.

10. تفسير النتائج وكتابة التقرير وفق معايير APA

10.1 قواعد اتخاذ القرار الإحصائي وتفسير الدلالة الإكلينيكية

يخضع اتخاذ القرار الإحصائي في اختبار فيشر الدقيق للقواعد الكلاسيكية الصارمة للاستدلال الفرضي. تبدأ العملية بمقارنة القيمة الاحتمالية الدقيقة المحسوبة ($p$-value) بمستوى الدلالة المحدد سلفاً ($alpha = 0.05$ عادة). فإذا كانت القيمة الاحتمالية أصغر من أو تساوي مستوى الدلالة ($p \leq \alpha$)، يُتخذ القرار المنهجي بـ رفض فرضية العدم ($H_0$) وقبول الفرضية البديلة ($H_1$)، والاستنتاج بوجود علاقة ارتباطية دالة إحصائياً بين المتغيرين في المجتمع الأصلي.

ومع ذلك، يجب على الباحثين في العلوم النفسية والطبية التمييز الحاسم والدقيق بين الدلالة الإحصائية (Statistical Significance) و الدلالة الإكلينيكية / العملية (Clinical Significance). فالدلالة الإحصائية تخبرنا فقط بمدى استبعاد أن تكون الفروق الملاحظة ناتجة عن الصدفة وحدها تحت شروط النموذج الاحتمالي، لكنها لا تقدم تقييماً مباشراً للأهمية التطبيقية للأثر العلاجي على جودة حياة المريض.

تُستمد الدلالة الإكلينيكية من حجم الأثر المتمثل في نسبة الأرجحية ($OR = 15.00$) والنسب المئوية المطلقة للتعافي. فتحقيق نسبة تعافي تبلغ 75% في مجموعة CBT مقابل 16.7% فقط في المجموعة الضابطة (بفارق مطلق قدره 58.3%) يمثل أثراً علاجياً بالغ الأهمية من منظور الصحة النفسية والممارسة المبنية على الأدلة، مما يبرر التوسع في تطبيق التدخل على الرغم من صغر حجم عينة الدراسة الاستكشافية.

10.2 صياغة نتائج الاختبار وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7)

يفرض الإصدار السابع من دليل النشر لجمعية علم النفس الأمريكية (APA 7th Edition) قواعد دقيقة لتوثيق نتائج الاختبارات اللامعلمية واختبار فيشر الدقيق في متن الأبحاث والرسائل العلمية. تشمل هذه المعايير:

• تنسيق الحروف اللاتينية الدالة على الإحصاءات بحروف مائلة (Italics) مثل: p, OR, CI, n, N.
• كتابة القيمة الاحتمالية الدقيقة حتى منزلتين أو ثلاث منازل عشرية دون وضع صفر قبل الفاصلة العشرية (Leading Zero) إذا كانت القيمة لا تتجاوز الواحد الصحيح قط (مثل: p = .019 بدلاً من p = 0.019).
• تقديم حجم الأثر ومجال الثقة المصاحب له بشكل إلزامي إلى جانب القيمة الاحتمالية.
• بيان التكرارات والنسب المئوية لكل فئة بوضوح لتسهيل القراءة وتفسير الاتجاه.

نموذج نصي متكامل لكتابة النتائج وفق أسلوب APA 7:

“أظهرت نتائج التحليل الإحصائي وجود فروق دالة إحصائياً في معدلات التعافي السريري بين المشاركين تبعاً لنوع التدخل النفسي، وفقاً لاختبار فيشر الدقيق ثنائي الطرف (Fisher’s Exact Test, p = .019). حيث حقق المشاركون في مجموعة العلاج المعرفي السلوكي (CBT) نسبة تعافٍ بلغت 75.0% (9 من أصل 12 مشاركاً)، مقارنة بنسبة 16.7% فقط (مشاركان من أصل 12 مشاركاً) في المجموعة الضابطة. وأشارت نسبة الأرجحية إلى أن أرجحية التعافي لدى مجموعة CBT كانت أعلى بمقدار 15 ضعفاً مقارنة بالمجموعة الضابطة (OR = 15.00, 95% CI [1.77, 185.34])، مما يؤكد الفعالية الإكلينيكية الملحوظة للبرنامج العلاجي المقترح.”

10.3 التصميم الاحترافي للجداول والرسوم البيانية للنتائج

يتطلب العرض الاحترافي للنتائج تصميم جداول توافقية تلتزم بدقة بضوابط APA (استخدام الخطوط الأفقية فقط في أعلى وأسفل الجدول وأسفل العناوين الرأسية، مع منع الخطوط العمودية تماماً)، ودمج التكرارات والنسب المئوية وقيم الدلالة، كما يوضح النموذج التالي:

جدول 1: توزيع نتائج التعافي السريري عبر المجموعات العلاجية ونسب الأرجحية

المجموعة	التعافي السريري		الإجمالي (n)	OR	95% CI	p (Exact)
	نعم (n, %)	لا (n, %)
العلاج المعرفي السلوكي (CBT)	9 (75.0%)	3 (25.0%)	12	15.00	[1.77, 185.34]	.019*
المجموعة الضابطة	2 (16.7%)	10 (83.3%)	12	—	—	—
ملاحظة: n = التكرار؛ OR = نسبة الأرجحية؛ CI = مجال الثقة الدقيق؛ تم احتساب قيمة p باستخدام اختبار فيشر الدقيق ثنائي الطرف. * p < .05.

فيما يتعلق بالعرض البصري البياني، يُوصى باستخدام المخططات الشريطية المجمعة (Clustered Bar Charts) التي توضح النسب المئوية للاستجابة داخل كل مجموعة مع تضمين أشرطة الخطأ القياسي، أو استخدام مخططات الغابة المصغرة (Forest Plots) لتمثيل نسبة الأرجحية وفترة الثقة الدقيقة بيانياً، مما يمنح القارئ فهماً فورياً وبصرياً لقوة وموثوقية الأثر التجريبي.

11. توسيع اختبار فيشر: جداول التوافق الأكبر من 2×2

11.1 خوارزمية فيشر-فريمان-هالتون (Fisher-Freeman-Halton Test)

على الرغم من أن الصيغة الأصلية لفيشر صُممت حصرياً لمصفوفات 2×2، إلا أن الحاجة البحثية وسعت هذا الإطار ليشمل جداول التوافق الأكبر ذات الأبعاد $r \times c$ (حيث $r$ تمثل عدد الصفوف و $c$ تمثل عدد الأعمدة). طوّر العالمان فريمان وهالتون (Freeman & Halton) في عام 1951 هذا الامتداد التوافقي المعروف باسم امتداد فيشر-فريمان-هالتون لاختبار فيشر الدقيق (Fisher-Freeman-Halton Test).

يعتمد هذا الاختبار الموسع على التعميم متعدد الحدود (Multinomial Generalization) للتوزيع فوق الهندسي، حيث تُحسب احتمالية جدول التوافق ذي الأبعاد $r \times c$ بالمعادلة التالية:

$$P = \frac{\prod_{i=1}^{r} R_i! \times \prod_{j=1}^{c} C_j!}{n! \times \prod_{i=1}^{r}\prod_{j=1}^{c} n_{ij}!}$$

حيث تمثل $R_i$ المجاميع الهامشية للصفوف، و $C_j$ المجاميع الهامشية للأعمدة، و $n_{ij}$ التكرار المشاهد داخل كل خلية فردية في تقاطع الصف $i$ والعمود $j$.

يُطبق هذا الامتداد بكفاءة عالية في أبحاث علم النفس التشخيصي عندما تتضمن الدراسة مقارنة عدة فئات تشخيصية (مثل: اكتئاب، قلق عام، رهاب) عبر مستويات متعددة من الاستجابة العلاجية (تحسن تام، تحسن جزئي، تدهور)، مما يوفر اختباراً دقيقاً للاستقلالية دون اشتراط تكرارات متوقعة كبيرة.

11.2 التعقيد الحسابي وطرق محاكاة مونت كارلو (Monte Carlo Simulation)

يواجه امتداد فيشر-فريمان-هالتون معضلة حسابية هائلة تُعرف بـ الانفجار التوافقي الأسي (Combinatorial Explosion). فمع زيادة عدد الصفوف والأعمدة (مثل جدول 3×4 أو 4×4) وتزايد حجم العينة، يتضاعف عدد الجداول التوافقية الممكنة نظرياً والمتوافقة مع الهوامش الثابتة ليصل إلى مئات الملايين أو المليارات من المصفوفات البديلة. يتطلب حساب وفرز احتمالات كل هذه الجداول زمناً حسابياً وطاقة معالجة فائقة قد تعجز عنها الحواسيب المعتادة.

للتعامل مع هذه المعضلة الحسابية في الجداول الكبيرة المعقدة، تلجأ البرمجيات الإحصائية المتقدمة إلى محاكاة مونت كارلو للاختبارات الدقيقة (Monte Carlo Exact Test). تقوم هذه المنهجية على توليد عينة عشوائية ضخمة وممثلة (تتراوح عادة بين 10,000 إلى 1,000,000 جدول) من فضاء جميع الجداول الممكنة المتوافقة مع الهوامش الثابتة، بدلاً من فحصها بالكامل بصورة حتمية.

تُقدّر القيمة الاحتمالية عبر حساب النسبة المئوية للجداول التي تمت محاكاتها والتي تظهر احتمالاً يقل عن أو يساوي احتمال الجدول الملاحظ، مع توفير فترة ثقة دقيقة جداً (مثل 99% CI) لهذه القيمة المقدرة. يوفر هذا الحل توازناً استثنائياً يجمع بين دقة الاستدلال المشروط والتغلب على التعقيد الحسابي للأبعاد المتعددة.

11.3 التحليلات اللاحقة (Post-Hoc Analysis) للمصفوفات الكبيرة

عند تطبيق اختبار فيشر-فريمان-هالتون على جدول كبير ورفض فرضية العدم ($p < .05$)، يواجه الباحث نفس التحدي المنهجي المألوف في تحليل التباين (ANOVA): تخبرنا النتيجة العامة بوجود ترابط دال إحصائياً بين المتغيرين، لكنها لا تحدد الخلايا أو المجموعات المحددة المسؤولة عن هذا الارتباط. يقتضي ذلك إجراء تحليلات بعدية لاحقة (Post-Hoc Pairwise Comparisons).

تتضمن استراتيجيات التحليل البعدي الرصينة ما يلي:

• تفكيك الجدول إلى مصفوفات ثنائية فرعية (2×2 Sub-tables): إجراء اختبارات فيشر دقيقة متعددة لكل زوج من الصفوف والأعمدة لمقارنة الفئات المتقابلة ثنائياً.
• ضبط معدل الخطأ التراكمي للأسرة (Family-Wise Error Rate): يؤدي تكرار الاختبارات الإحصائية إلى تضخيم خطر خطأ النوع الأول. لذا يجب تطبيق تصحيحات صارمة مثل تصحيح بونفيروني (Bonferroni Correction) عبر قسمة مستوى الدلالة على عدد المقارنات ($\alpha / k$)، أو استخدام إجراء معدل الاكتشاف الخاطئ (False Discovery Rate – Benjamini-Hochberg FDR) لضمان قوة الاختبار.
• تحليل البواقي المعيارية المعدلة الدقيقة (Adjusted Standardized Residuals): حساب البواقي لكل خلية؛ وتُعتبر الخلية مصدراً للدلالة إذا تجاوزت القيمة المعيارية المطلقة $+1.96$ أو $+2.58$ (بما يقابل مستويات الدلالة 0.05 و 0.01 على التوالي).

12. المزايا، والقيود، والمشكلات الشائعة في التطبيق الإحصائي

12.1 نقاط القوة الاستثنائية لاختبار فيشر الدقيق

يتمتع اختبار فيشر الدقيق بمكانة فريدة ومرموقة في ترسانة التحليل الإحصائي المعاصر بفضل مزاياه الاستثنائية التالية:

• الصلاحية والموثوقية الرياضية المطلقة: يوفر الاختبار قيماً احتمالية دقيقة وغير متحيزة أياً كان حجم العينة، مما يجعله المحك الأساسي الذي تُقاس عليه كفاءة الاختبارات التقاربية الأخرى.
• الحل الحاسم لمشكلة الخلايا الشحيحة والصفرية: يقدم تحليلاً دقيقاً ومستقراً تماماً عندما تفشل اختبارات كاي تربيع تماماً بسبب وجود تكرارات متوقعة تقل عن 5 أو خلايا تحتوي على أصفار حقيقية.
• التحكم الحازم في خطأ النوع الأول: يضمن عدم رفض فرضية العدم بالخطأ بمعدلات تفوق المستوى الاسمي المحدد ($\alpha$)، مما يضفي مصداقية فائقة على الاكتشافات العلمية والإكلينيكية الحساسة.
• التوافق العالي مع نماذج نسبة الأرجحية الدقيقة: يتيح حساب مجالات ثقة دقيقة لنسبة الأرجحية ترتبط مباشرة بالبنية الاحتمالية المشروطة للبيانات.

12.2 الانتقادات والقيود المنهجية للاختبار

على الرغم من الرصانة النظرية للاختبار، إلا أن الأدبيات المنهجية تشير إلى بعض القيود والانتقادات التي يجب على الباحث إدراكها:

• التحفظ المفرط وانخفاض القوة في بعض التوزيعات: بسبب الطبيعة المتقطعة للتوزيع فوق الهندسي، قد يكون مستوى الدلالة الفعلي أقل بكثير من القيمة الاسمية (0.05)، مما يؤدي إلى زيادة طفيفة في خطأ النوع الثاني ($\beta$) وصعوبة رفض فرضية العدم في العينات بالغة الصغر ما لم يكن حجم الأثر ضخماً جداً.
• الجدل الفلسفي حول تثبيت كلا الهامشين: يرى بعض الإحصائيين أن تثبيت كلا المجاميع الهامشية في التصاميم التي لم يتم فيها ضبط الهوامش تجريبياً مسبقاً يمثل تقييداً غير ضروري لفضاء العينة، على الرغم من أن فيشر أثبت أن هذا التثبيت ضروري لإلغاء المعلمات المزعجة المجهولة.
• التعقيد الحسابي المرتفع في الجداول الكبيرة: تتطلب الجداول ذات الأبعاد المتعددة والعينات الكبيرة موارد معالجة رقمية ضخمة لحساب جميع التباديل الدقيقة، مما يستلزم الانتقال إلى محاكاة مونت كارلو أو النماذج اللوجستية.
• فقدان معلومات المتغيرات المتصلة: يقتصر الاختبار على المتغيرات الفئوية؛ وإذا قام الباحث بتقسيم متغير نفسي متصل (كالدرجات على مقياس الاكتئاب) إلى فئات ثنائية مصطنعة (مرتفع / منخفض) لتطبيق اختبار فيشر، فإن ذلك يؤدي إلى فقدان جزء كبير من التباين وتراجع القوة الإحصائية.

12.3 الأخطاء الشائعة بين الباحثين وكيفية تفاديها

يقع بعض الباحثين والمحللين في أخطاء منهجية شائعة عند تطبيق اختبار فيشر الدقيق؛ وفيما يلي رصد لأبرز هذه الأخطاء وكيفية تفاديها:

• تطبيق الاختبار على بيانات مكررة أو مقترنة: استخدام اختبار فيشر لمقارنة استجابات نفس الأفراد قبل التدخل وبعده يمثل انتهاكاً صارخاً لافتراض استقلالية المشاهدات. الحل: استخدام اختبار ماكنمار الدقيق (Exact McNemar’s Test).
• المضاعفة الآلية لقيمة اختبار الطرف الواحد لاستخراج الطرفين: مضاعفة قيمة $p$ أحادية الطرف ($2 times p$) دون التحقق من تماثل التوزيع الفوق الهندسي ينتج قيماً غير دقيقة. الحل: الاعتماد على طريقة فيشر القياسية القائمة على جمع احتمالات الجداول التي تحقق شرط $P \leq P_{\text{obs}}$.
• إهمال تقرير حجم الأثر وفترات الثقة: الاكتفاء بكتابة القيمة الاحتمالية ($p < .05$) فقط دون تقديم نسبة الأرجحية وفترة الثقة الدقيقة 95%. الحل: الالتزام بمعايير APA 7 بتقديم حجم الأثر ومجال الثقة لبيان الدلالة الإكلينيكية والعملية.
• التقسيم الاصطناعي للمتغيرات الكمية: تحويل الدرجات المستمرة إلى متغيرات فئوية ثنائية لمجرد الرغبة في استخدام جدول 2×2. الحل: استخدام الاختبارات المعلمية أو اللامعلمية المناسبة للبيانات المتصلة كاختبار $t$ أو مان-ويتني لضمان الحفاظ على حساسية البيانات.

خاتمة

يمثل اختبار فيشر الدقيق علامة فارقة في تاريخ الإحصاء الاستدلالي، حيث يجسد التناغم المثالي بين الفلسفة الرياضية الصارمة والحلول التطبيقية المبتكرة للتحديات المنهجية المعقدة. من خلال الاستناد إلى التوزيع فوق الهندسي ومبدأ الاستدلال المشروط، استطاع الاختبار تجاوز القيود الحرجة للاختبارات التقاربية التقليدية، مقدماً أداة لا معلمية توفر دقة مطلقة في حساب الدلالة الإحصائية للبيانات الفئوية المصنفة في جداول التوافق.

تتجلى القيمة الاستثنائية لاختبار فيشر في العلوم الطبية والإكلينيكية والنفسية، حيث تفرض الظواهر النادرة والعينات الصغيرة قيوداً تصميمية تجعل من الصعب تلبية اشتراطات اختبار كاي تربيع. وبفضل قدرته الفائقة على التحكم الصارم في خطأ النوع الأول، يمنح الاختبار الباحثين الثقة التامة في صحة استنتاجاتهم الاستدلالية، شريطة الالتزام بافتراض استقلالية المشاهدات وتقديم أحجام الأثر الدقيقة ممثلة بنسب الأرجحية ومجالات الثقة المصاحبة.

ختاماً، مع التطور المتسارع للبرمجيات الإحصائية المعاصرة كـ SPSS و R وبايثون، تجاوز الاختبار عقبات التعقيد الحسابي للمضروب التوافقي، وأصبح تنفيذه متاحاً بدقة وسرعة فائقة سواء للجداول الثنائية البسيطة أو للجداول متعددة الأبعاد عبر خوارزميات فيشر-فريمان-هالتون ومحاكاة مونت كارلو، ليظل اختبار فيشر الدقيق الركيزة الذهبية والأنقى رياضياً للتحليل الإحصائي الفئوي الرصين.

المراجع (References)

• Agresti, A. (2002). Categorical data analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• Agresti, A. (1992). A survey of exact inference for contingency tables. Statistical Science, 7(1), 131–153. https://doi.org/10.1214/ss/1177011454
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Fisher, R. A. (1922). On the interpretation of $\chi^2$ from contingency tables, and the calculation of P. Journal of the Royal Statistical Society, 85(1), 87–94. https://doi.org/10.2307/2340521
• Fisher, R. A. (1935). The design of experiments. Oliver and Boyd.
• Freeman, G. H., & Halton, J. H. (1951). Note on an exact treatment of contingency, goodness of fit and other problems of significance for tables with yet smaller frequencies. Biometrika, 38(1/2), 141–149. https://doi.org/10.2307/2332323
• Mehta, C. R., & Patel, N. R. (1983). A network algorithm for performing Fisher’s exact test in $r \times c$ contingency tables. Journal of the American Statistical Association, 78(382), 427–434. https://doi.org/10.1080/01621459.1983.10477989
• Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
• Yates, F. (1934). Contingency tables involving small numbers and the $\chi^2$ test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604