اختبار فيشر الدقيق: الاستخدام والتفسير

تُعد معالجة البيانات الفئوية وتفسير العلاقات الارتباطية بين المتغيرات الاسمية في البحوث النفسية والاجتماعية أحد أبرز التحديات المنهجية التي تواجه الباحثين، لاسيما عند التعامل مع عينات إكلينيكية صغيرة أو نادرة. وفي خضم التطور التاريخي لعلم الإحصاء الاستدلالي، برزت الحاجة الماسة إلى أدوات قادرة على تقديم استنتاجات احتمالية دقيقة دون الاعتماد على افتراضات التقارب المقارب أو اشتراط أحجام عينات ضخمة، وهي الافتراضات التي تستند إليها الاختبارات المعلمية واختبارات التقريب التقليدية مثل اختبار كاي تربيع للاستقلالية.

يمثل اختبار فيشر الدقيق (Fisher’s Exact Test) علامة فارقة في تاريخ القياس والإحصاء اللامعلمي؛ إذ صُمم خصيصاً لاختبار فرضية الاستقلال بين متغيرين ثنائيي التقسيم، معتمداً على الحساب المباشر للاحتمالات الرياضية الدقيقة المستمدة من التوزيع الاحتمالي التوافقي، وتحديداً التوزيع فوق الهندسي (Hypergeometric Distribution). وتتضاعف أهمية هذا الاختبار في حقول علم النفس الإكلينيكي والطب النفسي والقياس العصبي السلوكي، حيث تفرض طبيعة الظواهر المدروسة قيوداً حتمية على حجم العينات المتاحة للدراسة والتجريب.

يهدف هذا الدليل الشامل والموسوعي إلى تقديم تفكيك نظري وتطبيقي عميق لاختبار فيشر الدقيق، بدءاً من أصوله الرياضية والمنهجية، مروراً بآليات حسابه اليدوي والبرمجي عبر أشهر الحزم الإحصائية (SPSS, R, Python, Jamovi)، ووصولاً إلى نماذج التفسير الإكلينيكي، وحساب حجوم الأثر المرافقة، وتوثيق النتائج وفق المعايير الأكاديمية الصارمة لجمعية علم النفس الأمريكية في إصدارها السابع.

1. مقدمة شاملة لاختبار فيشر الدقيق وأهميته في القياس النفسي

1.1 التعريف النظري لاختبار فيشر الدقيق

يُعرَّف اختبار فيشر الدقيق إحصائياً بأنه فحص استدلالي لامعلمي يُستخدم لاختبار فرضية الاستقلال والارتباط بين متغيرين فئويين، يُقاس كل منهما على مستوى ثنائي التقسيم (Dichotomous Categorical Variables) ويتم تلخيصهما في جدول توافق ثنائي من النمط (2×2). ويتميز الاختبار بكونه لا يفترض توزيعاً طبيعياً للمجتمع الأصلي، ولا يعتمد على تقريب إحصائي يتقارب مع اللانهاية، بل يستخرج القيمة الاحتمالية (P-value) مباشرة وبشكل دقيق من خلال عد كافة التوليفات التوافقية الممكنة للبيانات المرصودة تحت مظلة الفرضية الصفرية.

يعود السياق التاريخي لتطوير هذا الاختبار إلى ثلاثينيات القرن العشرين على يد عالم الإحصاء والجينات البريطاني السير رونالد أيلمر فيشر (Ronald A. Fisher)، وتحديداً في كتابه التأسيسي “تصميم التجارب” (The Design of Experiments) الصادر عام 1935. ارتبط نشوء الاختبار بحادثة علمية وتجربة شهيرة عُرفت بـ “تجربة تذوق الشاي للسيدة” (The Lady Tasting Tea)، حيث ادعت الدكتورة مورييل بريستول قدرتها على التمييز الحسي بين ما إذا كان الحليب قد سُكب في الفنجان قبل الشاي أو العكس. قام فيشر بتصميم تجربة شملت ثمانية فناجين (أربعة سُكب فيها الحليب أولاً، وأربعة سُكب فيها الشاي أولاً) بترتيب عشوائي، وطبّق نموذجه الرياضي القائم على التوزيع فوق الهندسي لحساب احتمالية أن تكون إجاباتها الصحيحة مجرد نتاج للصدفة البحتة.

يكمن الفرق الجوهري بين الاختبارات الإحصائية الدقيقة (Exact Tests) والاختبارات التقريبية (Asymptotic Tests) في أن الأخيرة، كاختبار كاي تربيع لبيرسون، تفترض أن حجم العينة يقترب من اللانهاية، وتستخدم توزيع كاي تربيع المستمر لتقريب توزيع احتمالي منفصل؛ مما يؤدي إلى تشوهات حاسمة في معدلات الخطأ عندما تكون التكرارات صغيرة. في المقابل، تحسب الاختبارات الدقيقة الاحتمال الرياضي الفعلي الحقيقي لحدوث جدول التوافق الملاحظ أو الجداول الأكثر تطرفاً منه؛ وبذلك يمثل اختبار فيشر البديل الحتمي والرياضي الصارم لاختبار كاي تربيع عندما تعجز متطلبات الأخير عن التحقق.

1.2 أهمية الاختبار وسياقات استخدامه في الدراسات النفسية والسلوكية

تحظى التطبيقات السيكولوجية والإكلينيكية بخصوصية منهجية تجعل من اختبار فيشر الدقيق أداة لا غنى عنها؛ فالعديد من الاضطرابات النفسية المندرجة تحت الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5)، كالفصام المبكر، واضطراب الهوية الانفصامية، والمتلازمات العصبية السلوكية النادرة، تتسم بمعدلات انتشار منخفضة جداً في المجتمع العام، مما يجعل الحصول على عينات ضخمة أمراً غير ممكن عملياً وأخلاقياً. يتيح اختبار فيشر للباحثين النفسيين تقييم الفروق النوعية في هذه العينات المحدودة بيقين رياضي تام وتفادي الوقوع في استنتاجات مضللة ناتجة عن التقديرات التقريبية.

تتجلى أهمية الاختبار أيضاً في الدراسات الاستطلاعية والتجارب الإكلينيكية المعشاة التمهيدية (Pilot Randomized Controlled Trials) التي تهدف إلى اختبار فعالية تدخلات علاجية نفسية جديدة، مثل العلاج المعرفي السلوكي المطور أو بروتوكولات التدخل في الأزمات لدى مجموعات متخصصة (كالأفراد الناجين من صدمات كبرى). توفر الجداول التوافقية لتقييم “التحسن / عدم التحسن” في ضوء “المجموعة التجريبية / المجموعة الضابطة” عينات يتراوح حجمها الإجمالي غالباً بين 10 إلى 30 فرداً، وهي بيئة مثالية لاختبار فيشر لتقييم الأثر المباشر للتدخل.

يمتد توظيف الاختبار إلى دراسات الحالة المقارنة (Comparative Case-Control Studies) وفحص المحددات الديموغرافية المرتبطة بأنماط سلوكية معينة، مثل استكشاف العلاقة بين الجنس والاستجابة لنوع محدد من الدواء النفسي، أو دراسة استجابة المفحوصين الأفراد لاختبارات الأداء الإسقاطي أو القياسات العصبية-المعرفية التي تُفرز استجابات ثنائية قطبية (مثل: اجتياز / إخفاق)، مما يمنح الممارس السريري دعماً إحصائياً دقيقاً في بناء القرارات التشخيصية الفردية وتصميم خطط الرعاية الموجهة.

1.3 التصنيف الإحصائي للاختبار وموقعه بين الاختبارات اللامعلمية

ينتمي اختبار فيشر الدقيق من الناحية التصنيفية إلى عائلة الاختبارات اللامعلمية التوزيعية الحرة (Non-parametric Distribution-free Tests)، وتحديداً ضمن النماذج الرياضية التي تعتمد على التوزيع الاحتمالي فوق الهندسي (Hypergeometric Distribution). لا يتطلب هذا النموذج افتراض التجانس في التباين أو اعتدالية التوزيع للبيانات الأصلية، بل يتعامل مع البيانات على مستواها الاسمي الخالص (Nominal Scale)، حيث تصنف المشاهدات إلى فئات كيفية متنافية وشاملة.

تتمحور الفرضية الصفرية ($H_0$) في اختبار فيشر حول فرضية الاستقلال التام بين المتغيرين، أو بعبارة أخرى، تساوي نسب الحدوث للخاصية المستهدفة عبر مستويات المتغير المستقل (أي أن نسبة الأرجحية تساوي 1.0). بينما تنص الفرضية البديلة ($H_1$) في الاختبار ثنائي الاتجاه (Two-tailed) على وجود ارتباط أو عدم استقلال بين المتغيرين؛ وفي الاختبار أحادي الاتجاه (One-tailed)، تتحدد الفرضية البديلة بتوقع اتجاهي صريح ينص على أن نسبة حدوث الاستجابة في مجموعة ما تفوق أو تقل عن نسبتها في المجموعة المقابلة.

عند مقارنة اختبار فيشر باختبارات الفروق بين النسب المستقلة (مثل اختبار Z للنسبتين)، يبرز تميز فيشر في كونه يقدم حلولاً قطعية دون الاعتماد على خطأ معياري مقارب. وبينما تنهار اختبارات النسب التقليدية عندما تصبح التكرارات في إحدى الخلايا قريبة من الصفر، يظل اختبار فيشر محتفظاً بدقته الكاملة، مما يجعله المعيار الذهبي المرجعي (Gold Standard) الذي تُقارن به دقة سائر الاختبارات اللامعلمية للبيانات الاسمية الثنائية.

2. الأسس الرياضية والنظرية لتوزيع الاحتمال فوق الهندسي في اختبار فيشر

2.1 بنية التوزيع فوق الهندسي في الجداول التوافقية

يقوم البناء الرياضي لاختبار فيشر على دراسة التوزيع الاحتمالي الشرطي للقيم داخل جدول توافق (2×2)، في ظل افتراض جوهري مفاده أن الهوامش الإجمالية للجدول (Marginal Totals) ثابتة مسبقاً (Fixed Marginals). تمثل الهوامش مجموع الصفوف ومجموع الأعمدة، ويشير تثبيتها إلى أننا نعتبر عدد الأفراد في كل مجموعة علاجية وإجمالي عدد الأفراد الذين أظهروا التحسن كقيم محددة لا تتغير، وما يتم اختباره هو كيفية توزيع هؤلاء الأفراد عشوائياً داخل خلايا الجدول الأربع.

يُعبر النموذج الرياضي للتوزيع فوق الهندسي عن احتمالية سحب عدد معين من النجاحات ($a$) من مجتمع محدود دون إرجاع، وهو التطابق الرياضي التام لملء خلايا الجدول. إذا رمزنا للتكرارات داخل الجدول بالحروف المعيارية: الخلية الأولى ($a$)، الخلية الثانية ($b$)، الخلية الثالثة ($c$)، والخلية الرابعة ($d$)، فإن مجاميع الصفوف تكون ($a+b$) و ($c+d$)، ومجاميع الأعمدة تكون ($a+c$) و ($b+d$)، والحجم الكلي للعينة هو ($N = a+b+c+d$).

يتحدد فضاء العينة لجميع التوزيعات التوافقية الممكنة بقيمة التوافيق الرياضية (Combinations). فعدد الطرق الممكنة لاختيار مجموعتي الصفوف من إجمالي العينة $N$، مع الحفاظ على هوامش الأعمدة ثابتة، يحكمه القانون التوافقي الكلاسيكي. ومن ثم، فإن ظهور تشكيل معين للقيم داخل الخلايا يرتبط باحتمال رياضي دقيق يُحسب بالمعادلة التوافقية المباشرة التي تدمج التباديل والتوافيق للخلايا والهوامش.

2.2 الصيغة الرياضية الدقيقة لحساب قيمة P-value

تُصاغ المعادلة الرياضية الشهيرة لاختبار فيشر الدقيق لحساب الاحتمال الشرطي لجدول مرصود محدد على النحو التالي:

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

تعتمد هذه الصيغة على استخدام المضروب الرياضي (Factorial) لكل حد من حدود الهوامش الأربعة في البسط، مقسوماً على حاصل ضرب مضروب حجم العينة الكلي في مضروب كل خلية من خلايا الجدول الفردية في المقام. يُظهر التحليل الرياضي لهذه المعادلة أن الاحتمال الناتج ($P$) هو الاحتمال الفعلي لنشوء ذلك التوزيع المحدد للتكرارات تحت افتراض عشوائية التوزيع التامة وثبات الهوامش.

لحساب القيمة الاحتمالية النهائية ($P\text{-value}$) لاختبار الفرضية الصفرية، لا يكتفي الباحث بحساب احتمال الجدول الملاحظ منفصلاً فحسب؛ إذ تتطلب النظرية الإحصائية جمع احتمالات جميع الجداول المحتملة الأخرى التي تحافظ على نفس الهوامش الثابتة وتكون أكثر تطرفاً (More Extreme) في دعم الفرضية البديلة مقارنة بالجدول الملاحظ. يضمن هذا الإجراء التجميعي قياس المساحة الاحتمالية التراكمية لمنطقة الرفض بدقة رياضية متناهية.

2.3 التعامل مع الاختبارات أحادية وثنائية الذيل

في المنهجية الأصلية التي وضعها رونالد فيشر، كان الاختبار يُعالج في الأساس كاختبار أحادي الذيل (One-tailed Test)؛ حيث يتم حساب احتمال الجدول الملاحظ وتضاف إليه احتمالات الجداول الممكنة التي تنحرف في اتجاه محدد سلفاً (مثلاً زيادة فعالية العلاج التجريبي فقط). يُعد الاختبار أحادي الذيل مبرراً عندما يمتلك الباحث أساساً نظرياً وفرضية موجهة حاسمة تمنع حدوث التأثير في الاتجاه المعاكس.

أما في سياق البحوث الاستكشافية والاختبارات ثنائية الذيل (Two-tailed Tests)، فقد برزت عدة طرق رياضية لتوسيع الاختبار، أشهرها وأكثرها قبولاً في البرمجيات الإحصائية المعاصرة هي طريقة جمع احتمالات كافة الجداول الممكنة (في كلا الاتجاهين) التي يقل احتمالها المحسوب أو يتساوى مع احتمال الجدول الملاحظ ($P_{\text{table}} le P_{\text{observed}}$). تُعرف هذه الطريقة بطريقة فيشر الصارمة لثنائية الذيل.

توجد مقاربة أخرى لثنائي الذيل تعتمد على مضاعفة القيمة الاحتمالية أحادية الذيل الناتجة ($2 \times P_{\text{one-tailed}}$)، إلا أن هذه الطريقة قد تؤدي أحياناً إلى قيم احتمالية تتجاوز الواحد الصحيح، أو تبالغ في التحفظ نتيجة عدم التماثل التام للتوزيع فوق الهندسي في الجداول غير المتوازنة. لذا فإن طريقة جمع الاحتمالات الأقل من أو المساوية لاحتمال الجدول الفعلي تُعد الخيار الأكثر موثوقية ودقة في التقييم السيكومتري الحديث.

3. شروط وافتراضات تطبيق اختبار فيشر الدقيق في البحث العلمي

3.1 محددات البيانات وطبيعة المتغيرات

يتطلب التطبيق المنهجي السليم لاختبار فيشر الدقيق استيفاء مجموعة من الشروط البنيوية للبيانات؛ أولها أن تكون المتغيرات موضع القياس فئوية بطبيعتها، سواء كانت متغيرات اسمية (Nominal) خالية من الترتيب (مثل: التشخيص الإكلينيكي: اكتئاب / قلق)، أو متغيرات رتبية (Ordinal) تم اختزالها إلى فئتين محددتين (مثل: مستوى دافعية مرتفع / مستوى دافعية منخفض). ويجب أن يكون التصنيف شاملاً ومانعاً تبادلياً (Mutually Exclusive and Exhaustive)، بحيث لا يمكن تصنيف المفحوص الواحد في أكثر من خلية واحدة داخل الجدول.

يتمثل الشرط الحاسم الثاني في استقلالية المشاهدات (Independence of Observations)؛ إذ يجب أن تسجل كل مشاهدة من فرد مستقل تماماً، ولا يجوز تطبيق الاختبار على بيانات القياسات المتكررة (Repeated Measures) أو التصاميم القبلية-البعدية لنفس المشاركين، أو الأفراد المرتبطين بقرابة وثيقة ما لم يُضبط ذلك إحصائياً. يؤدي انتهاك شرط استقلالية الملاحظات إلى تضخم كبير في معدل الخطأ من النوع الأول (Type I Error)، مما يدفع الباحث إلى رفض الفرضية الصفرية الصائبة بصورة زائفة.

3.2 معايير حجم العينة والتكرارات المتوقعة

ارتبط استخدام اختبار فيشر تاريخياً بقاعدة كوشران الشهيرة (Cochran’s Rule)، والتي تنص على أن اختبار كاي تربيع يصبح غير صالح إذا احتوى جدول التوافق على خلايا يقل التكرار المتوقع فيها عن 5 في أكثر من 20% من الخلايا، أو إذا انخفض التكرار المتوقع في أي خلية فردية عن 1. وفي جداول (2×2)، فإن وجود خلية واحدة فقط بتكرار متوقع أقل من 5 يمثل 25% من إجمالي الخلايا، مما يوجب فوراً الانتقال إلى اختبار فيشر الدقيق.

يُعد اختبار فيشر الحل الأمثل بلا منازع عندما يكون الحجم الكلي للعينة صغيراً جداً، كأن يتراوح بين 10 و 40 فرداً، وهي البيئة الشائعة في دراسات الحالات النفسية النادرة والبحوث التجريبية العصبية المعقدة كالتصوير بالرنين المغناطيسي الوظيفي (fMRI). ومع ذلك، لا يوجد حد أقصى لحجم العينة يمنع تطبيق الاختبار؛ فمع توافر الحواسيب المتقدمة، يمكن لاختبار فيشر معالجة عينات كبيرة جداً بكفاءة حسابية تامة.

كذلك يتميز اختبار فيشر بقدرته الفريدة على معالجة الجداول التي تحتوي على تكرارات صفرية (Zero Cell Counts)؛ فبينما تؤدي التكرارات الصفرية إلى انهيار المعادلات الحسابية لبعض المؤشرات الإحصائية أو تعطيل اختبار كاي تربيع، فإن دالة المضروب الرياضي في اختبار فيشر تُعالج القيمة صفر بكفاءة رياضية ($0! = 1$)، مما يبقي التحليل مستقراً ودقيقاً رياضياً.

3.3 الافتراضات المنهجية المتعلقة بهوامش الجدول

يقوم الأساس الفلسفي لاختبار فيشر على مبدأ الاستدلال الشرطي بناءً على ثبات الهوامش (Conditioning on the Marginals). في التصاميم التجريبية المحكمة، قد تكون هوامش الصفوف ثابتة مسبقاً بفعل الباحث (مثل تعيين 15 مريضاً في مجموعة العلاج السلوكي و15 مريضاً في مجموعة العلاج المعرفي)، ولكن هوامش الأعمدة (عدد المتحسنين وغير المتحسنين) تكون عشوائية وغير مقيدة وتنتج عن التجربة ذاتها. يفترض نموذج فيشر الرياضي ثبات كلا الهامشين في عملية الاستدلال الاحتمالي.

أثار هذا الافتراض جدلاً تاريخياً واسعاً بين علماء الإحصاء؛ حيث يرى بعض الرياضيين أن اشتراط ثبات الهوامش غير الثابتة تجريبياً يسلب الاختبار بعض حريته ويجعله متحفظاً إحصائياً (Conservative)، مما يقلل بشكل طفيف من قوته الإحصائية (Statistical Power). وقد دفع هذا الجدل إلى تطوير اختبارات بديلة غير مشروطة مثل اختبار بارنارد الدقيق (Barnard’s Exact Test) واختبار بوشلو (Boschloo’s Test).

على الرغم من الانتقادات النظرية المتعلقة بالتحفظ، يظل اختبار فيشر الدقيق هو الاختبار الأكثر رسوخاً واعتماداً في الأدبيات السيكولوجية والعلوم الطبية والبيولوجية، نظراً لصرامته المنهجية وثبات خصائصه الاحتمالية وعدم وقوعه في مشكلات تضخيم الدلالة الزائفة تحت أي ظرف تجريبي.

4. تصميم وتحليل جداول التوافق (2×2) في البحوث النفسية

4.1 هيكلة جدول التوافق الثنائي ومفاهيم الخلايا

يمثل جدول التوافق المزدوج (2×2 Contingency Table) المصفوفة البنيوية الأساسية التي يُبنى عليها اختبار فيشر الدقيق. تتألف هذه المصفوفة من أربع خلايا رئيسية تمثل التقاطعات المحتملة بين مستويي المتغير المستقل ومستويي المتغير التابع، ويتم ترميزها تقليدياً على النحو الموضح في الهيكل التالي:

تُخصص الخلية ($a$) لتمثيل التكرار المشترك للمجموعة التجريبية مع وجود الاستجابة الإيجابية (مثل: التحسن السريري)، بينما تمثل الخلية ($b$) تكرار أفراد المجموعة التجريبية الذين لم يُظهروا الاستجابة المطلوبة. وفي المقابل، تمثل الخلية ($c$) تكرار أفراد المجموعة الضابطة مع وجود الاستجابة الإيجابية، في حين تُعبر الخلية ($d$) عن تكرار أفراد المجموعة الضابطة الذين لم يحققوا الاستجابة.

تُشتق الهوامش الأفقية بحساب مجاميع الصفوف: حيث يمثل الهامش الأول ($R_1 = a + b$) الحجم الإجمالي للمجموعة الأولى، بينما يمثل الهامش الثاني ($R_2 = c + d$) الحجم الإجمالي للمجموعة الثانية. كما تُشتق الهوامش الرأسية بحساب مجاميع الأعمدة: حيث يعكس الهامش الرأسي الأول ($C_1 = a + c$) إجمالي الحالات التي أظهرت الاستجابة عبر المجموعتين، ويعكس الهامش الرأسي الثاني ($C_2 = b + d$) إجمالي الحالات التي لم تظهر الاستجابة، في حين يشكل المجموع الكلي للجدول ($N = a + b + c + d$) عينة الدراسة الكلية المشمولة بالتحليل.

4.2 النسب المئوية والنسب الاحتمالية داخل الجدول

لا يكتمل التحليل السيكومتري لجداول التوافق بمجرد فحص التكرارات الخام؛ بل يتطلب ذلك حساب قراءات نسبية تفكك البنية التوزيعية للظاهرة. يأتي في مقدمة ذلك حساب النسب المئوية للصفوف (Row Percentages)، والتي تتيح المقارنة المباشرة لمعدلات الاستجابة بين المجموعات بغض النظر عن الفروق في أحجامها الأولية، وتُحسب لمجموعة العلاج بقسمة $a / (a + b) \times 100$.

كذلك تبرز أهمية النسب المئوية للأعمدة (Column Percentages) عند الرغبة في فحص التركيب الفئوي للظاهرة النفسية المدروسة؛ حيث يُحسب نصيب كل مجموعة من إجمالي المتحسنين بقسمة $a / (a + c) \times 100$. وبالإضافة إلى ذلك، تُحسب النسبة المشتركة الكلية (Total Cell Percentage) من خلال قسمة تكرار كل خلية فردية على الحجم الكلي للعينة ($N$) لبيان ثقل تلك الفئة ضمن المجتمع المدروس ككل.

يحذر المنهجيون من الوقوع في فخ تفسير النسب المئوية المجردة دون النظر إلى حجم العينة الأساسي في الخلايا؛ فالنسب المئوية المحسوبة على عينات صغيرة (مثل تحسن 3 من أصل 4 بنسبة 75%) قد تعطي انطباعاً مبالغاً فيه بالأثر ما لم تُعزز باختبارات الدلالة الإحصائية وحساب فترات الثقة لحجوم الأثر المرافقة.

4.3 أمثلة تطبيقية لبناء الجداول في السياق السيكولوجي

لتوضيح البناء التطبيقي لجداول التوافق في الأبحاث النفسية الواقعية، نستعرض فيما يلي أربعة نماذج تجريبية شائعة:

• تقييم فعالية البرامج العلاجية: جدول يقارن بين التدخل بالعلاج المعرفي السلوكي (CBT) والتحليل النفسي لدى عينة من 24 مريضاً باضطراب الهلع، حيث يُقاس المتغير التابع بـ (تحسن سريري ملحوظ / عدم حدوث تحسن).
• دراسات مسببات الاضطراب والصدمات: جدول يفحص العلاقة بين التعرض لصدمات الطفولة المبكرة (نعم / لا) وتشخيص اضطراب الشخصية الحدية (BPD) لدى عينة من 30 مراجعاً في عيادة للرعاية النهارية.
• الامتثال الدوائي والفروق بين الجنسين: دراسة استكشافية تبحث ارتباط المتغير الديموغرافي (ذكور / إناث) بالامتثال للبروتوكول العلاجي النفسي المضاد للاكتئاب (ملتزم / غير ملتزم) لدى 18 مريضاً بالعيادات الخارجية.
• التدخلات السلوكية لدى أطفال التوحد: مقارنة استجابة مجموعتين من الأطفال ذوي اضطراب طيف التوحد (عينة من 16 طفلاً) لبرنامج تحليل السلوك التطبيقي (ABA) المكثف مقابل الرعاية الاعتيادية في اكتساب مهارة التواصل البصري.

5. خطوات إجراء اختبار فيشر الدقيق يدوياً وحساب الاحتمالية بدقة

5.1 تحديد التوزيع الاحتمالي للجدول الملاحظ

لفهم الآلية الحسابية لاختبار فيشر بصورة معمقة، نفترض دراسة إكلينيكية تجريبية أجريت على 12 مريضاً يعانون من الرهاب الاجتماعي الشديد، وُزعوا على مجموعتين: مجموعة تلقت تقنية جديدة قائمة على الواقع الافتراضي ($n_1 = 6$)، ومجموعة ضابطة تلقت دواء وهمياً ($n_2 = 6$). أظهرت النتائج تحسن 5 مرضى في مجموعة الواقع الافتراضي ($a = 5, b = 1$)، بينما تحسن مريض واحد فقط في المجموعة الضابطة ($c = 1, d = 5$).

تتمثل الخطوة الأولى في حساب مضاريب الهوامش والخلايا وتطبيق معادلة فيشر الأساسية لاستخراج احتمال هذا الجدول الملاحظ تحديداً:

مجاميع الهوامش هي: $a+b = 6$، $c+d = 6$، $a+c = 6$، $b+d = 6$، وحجم العينة الكلي $N = 12$.

تُطبق صيغة فيشر على النحو التالي:

$$P_{\text{observed}} = \frac{6! \times 6! \times 6! \times 6!}{12! \times 5! \times 1! \times 1! \times 5!}$$

نقوم بحساب قيم المضاريب: $6! = 720$، $5! = 120$، $1! = 1$، و $12! = 479,001,600$.

بالتعويض الرياضي والتبسيط:

$$P_{\text{observed}} = \frac{720 \times 720 \times 720 \times 720}{479,001,600 \times 120 \times 1 \times 1 \times 120} = \frac{268,738,560,000}{6,897,623,040,000} \approx 0.03896$$

يمثل الرقم الناتج ($P \approx 0.039$) الاحتمال الدقيق لظهور هذا التوزيع المحدد من البيانات بالصدفة وحدها في ظل ثبات الهوامش.

5.2 توليد الجداول البديلة وحساب احتمالاتها المتطرفة

وفقاً للمنهجية الرياضية، يجب البحث عن جميع الجداول المحتملة الأخرى التي تمتلك نفس الهوامش بالضبط ($6, 6, 6, 6$) ولكنها تمثل ارتباطاً أشد تطرفاً وأقوى دعماً للفرضية البديلة في نفس الاتجاه. في هذا المثال، الجدول الوحيد الأكثر تطرفاً هو الجدول الذي تتحسن فيه جميع حالات المجموعة التجريبية الست ($a = 6, b = 0$)، ولا يتحسن أي مريض في المجموعة الضابطة ($c = 0, d = 6$).

نقوم بحساب الاحتمال الدقيق لهذا الجدول الأكثر تطرفاً باستخدام نفس المعادلة الرياضية:

$$P_{\text{extreme}} = \frac{6! \times 6! \times 6! \times 6!}{12! \times 6! \times 0! \times 0! \times 6!}$$

وبما أن $0! = 1$ و $6!$ تختصر بين البسط والمقام:

$$P_{\text{extreme}} = \frac{720 \times 720}{479,001,600 \times 1 \times 1} = \frac{518,400}{479,001,600} \approx 0.00108$$

لا توجد أي جداول أخرى ممكنة في هذا الاتجاه؛ إذ وصلت الخلية ($a$) إلى حدها الأقصى الممكن وهو 6، والخلية ($b$) إلى حدها الأدنى وهو 0، مع الحفاظ الصارم على توازن مجاميع الهوامش.

5.3 تجميع القيم وحساب مستوى الدلالة الإحصائية النهائي

لاستخراج القيمة الاحتمالية النهائية للاختبار أحادي الذيل ($P_{\text{one-tailed}}$)، نجمع احتمال الجدول الملاحظ مع احتمال الجدول الأكثر تطرفاً:

$$P_{\text{one-tailed}} = P_{\text{observed}} + P_{\text{extreme}} = 0.03896 + 0.00108 = 0.04004$$

ولحساب القيمة الاحتمالية للاختبار ثنائي الذيل ($P_{\text{two-tailed}}$) وفق المعيار المعتمد بجمع احتمالات الجداول في الاتجاه المعاكس التي يقل احتمالها عن أو يساوي احتمال الجدول الملاحظ ($P le 0.03896$): يتضمن الاتجاه المعاكس الجدول الذي يكون فيه $a = 1, b = 5, c = 5, d = 1$ (واحتماله يساوي تماماً $0.03896$ نظراً لتناظر الجدول)، بالإضافة إلى الجدول الأكثر تطرفاً في الاتجاه العكسي $a = 0, b = 6, c = 6, d = 0$ (واحتماله يساوي $0.00108$).

تكون القيمة الاحتمالية ثنائية الذيل الإجمالية:

$$P_{\text{two-tailed}} = 0.03896 + 0.00108 + 0.03896 + 0.00108 = 0.08008$$

بمقارنة النتيجة بمستوى الدلالة المعياري المقبول ($\alpha = 0.05$): إذا كان الباحث قد حدد فرضية موجهة مسبقاً (أحادية الذيل)، فإن النتيجة تُعد دالة إحصائياً ($P = 0.040 0.05$)، مما يبرز الأثر الحاسم لاختيار فرضية الاختبار على اتخاذ القرار الإحصائي.

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

6.1 الفروق الجوهرية في الأسس النظرية والرياضية

يرتكز الاختلاف الرئيسي بين اختبار فيشر الدقيق واختبار كاي تربيع لبيرسون ($\chi^2$) على البنية الرياضية للتوزيع المستخدم. يُعد اختبار كاي تربيع اختباراً تقريبياً مقارباً (Asymptotic Test)، حيث يعتمد على افتراض أن العينة المسحوبة كبيرة بما يكفي ليتقارب التوزيع التكراري المنفصل للفئات مع التوزيع النظري المتصل لكاي تربيع. أما اختبار فيشر فهو اختبار دقيق ومنفصل بالكامل (Discrete Exact Test)، يحسب الاحتمال مباشرة من دالة التوزيع فوق الهندسي دون أي تقريب أو وساطة رياضية مستمرة.

ينشأ عن محاولة تقريب المتغيرات المنفصلة بتوزيع متصل خطأ إحصائي منهجي يزداد حدة كلما صغر حجم العينة الكلي أو تضاءلت التكرارات المتوقعة في خلايا الجدول. ولمعالجة هذه الفجوة في الجداول الثنائية، اقترح فرانك ييتس ما يُعرف بـ تصحيح ييتس للاستمرارية (Yates’ Continuity Correction)، والذي يقضي بطرح 0.5 من القيمة المطلقة للفرق بين التكرار الملاحظ والمتوقع قبل التربيع. وعلى الرغم من أن تصحيح ييتس يحسن تقريب كاي تربيع، إلا أنه قد يبالغ في بعض الأحيان في تصحيح الدلالة، مما يجعل اختبار فيشر الدقيق هو الخيار الرياضي الأمثل والأكثر إحكاماً ومنهجية.

6.2 شجرة القرار لاختيار الفحص الإحصائي المناسب

لتوجيه الباحث النفسي نحو اختيار الأداة الإحصائية الأكثر ملائمة لطبيعة بياناته في الجداول الثنائية (2×2)، تم تطوير شجرة قرار استدلالية واضحة تعتمد على حجم العينة الكلي والتكرارات المتوقعة داخل الخلايا:

• المسار الأول (العينات شديدة الصغر): إذا كان حجم العينة الكلي $N < 20$، يجب استخدام اختبار فيشر الدقيق حصراً، بغض النظر عن قيم التكرارات المتوقعة.
• المسار الثاني (العينات المتوسطة ذات التكرارات المنخفضة): إذا كان حجم العينة الكلي $20 le N le 40$، وتوجد خلية واحدة أو أكثر بقيمة متوقعة أقل من 5، يجب تطبيق اختبار فيشر الدقيق. أما إذا كانت جميع التكرارات المتوقعة تبلغ 5 فأكثر، فيمكن تطبيق اختبار كاي تربيع المصحح (أو اختبار فيشر كبديل دقيق).
• المسار الثالث (العينات الكبيرة): إذا كان حجم العينة $N > 40$، وتتحقق قاعدة كوشران (جميع التكرارات المتوقعة $ge 5$)، يكون اختبار كاي تربيع لبيرسون التقليدي كافياً ودقيقاً ومكافئاً عملياً لاختبار فيشر، مع بقاء اختبار فيشر صالحاً للاستخدام دون أي قيود.
• المسار الرابع (حالات التكرارات الصفرية): في حال وجود أي تكرار ملاحظ يساوي صفراً في إحدى خلايا الجدول، يُستبعد اختبار كاي تربيع تماماً ويُعتمد اختبار فيشر الدقيق مباشرة.

6.3 مقارنة دقة النتائج والأخطاء الإحصائية بين الاختبارين

أظهرت دراسات المحاكاة الرياضية الواسعة المقارنة لأداء الاختبارين أن استخدام اختبار كاي تربيع في ظل العينات الصغيرة أو انتهاك شروط التكرارات المتوقعة يؤدي إلى تضخم كبير في معدل الخطأ من النوع الأول (Type I Error Inflation)؛ حيث يُسفر التحليل في كثير من الأحيان عن قيم $P$ منخفضة زائفاً تعطي انطباعاً مضللاً بوجود دلالة إحصائية غائبة في الواقع، مما يقود إلى تبني علاجات غير فعالة أو تعميم نتائج غير مستقرة.

في المقابل، يتسم اختبار فيشر بظاهرة تُعرف بـ التحفظ الإحصائي (Statistical Conservatism)؛ فالطبيعة المنفصلة للتوزيع فوق الهندسي تعني أن القيمة الاحتمالية الحقيقية للخطأ من النوع الأول تكون دائماً أقل من أو مساوية لمستوى الدلالة الاسمي المحدد ($\alpha = 0.05$). ورغم أن هذا التحفظ قد يؤدي إلى انخفاض طفيف جداً في القوة الإحصائية (زيادة هامشية في الخطأ من النوع الثاني)، إلا أنه يمنح الباحث ضمانة مطلقة بعدم إصدار أحكام إيجابية كاذبة حول العلاقات المدروسة.

7. تطبيقات عملية لاختبار فيشر الدقيق في فروع علم النفس المختلفة

7.1 علم النفس الإكلينيكي والعلاج النفسي

في ميدان علم النفس الإكلينيكي والطب النفسي، يبرز اختبار فيشر كأداة لا غنى عنها في تقييم النتائج العلاجية للعينات السريرية المحدودة والمعقدة. على سبيل المثال، في دراسة استكشافية لفحص أثر إضافة تقنية “التحفيز المغناطيسي عبر الجمجمة المتكرر” (rTMS) إلى العلاج النفسي لمرضى الاكتئاب المقاوم للعلاج ($N = 14$)، حيث قُسم المرضى إلى مجموعة تلقت العلاج المدمج ومجموعة تلقت العلاج المعتاد، تم قياس الاستجابة السريرية كمتغير ثنائي (تحقيق الهجوع / عدم تحقيق الهجوع). مكّن اختبار فيشر الفريق البحثي من البت بدقة في جدوى التقنية دون الحاجة لانتظار جمع عينات ضخمة تفرض تكاليف باهظة وتحديات أخلاقية.

كذلك يوظف الاختبار بكفاءة في أبحاث علاج الإدمان؛ كفحص الارتباط بين وجود اضطراب وجداني ثنائي القطب مصاحب وبين حدوث الانتكاسة السلوكية خلال الأشهر الثلاثة الأولى من التعافي لدى عينة صغيرة من نزلاء مراكز التأهيل ($N = 22$). كما يُستخدم الاختبار في دراسات السلامة الدوائية المبكرة لمقارنة معدلات ظهور عرض جانبي سلوكي نادر (مثل نوبات الهلع الحادة) بين عقارين نفسيين، حيث تكون التكرارات في الخلايا شديدة الانخفاض.

7.2 علم النفس المعرفي والتجريبي

تعتمد أبحاث علم النفس المعرفي والتجريبي بصورة متكررة على قياسات الأداء الحدي ودقة الاستجابة في مهام مختبرية محكمة الضبط. في تجربة لدراسة تأثير الحرمان الحاد من النوم على عملية اتخاذ القرارات الأخلاقية المعقدة، وُزع 16 مشاركاً عشوائياً على ظرفين تجريبيين: ظرف الحرمان من النوم لمدة 24 ساعة، وظرف النوم الطبيعي، وطُلب منهم الاستجابة لمعضلة أخلاقية تقيس التفكير النفعي مقابل التفكير الأخلاقي المطلق (استجابة نفعية / استجابة مطلقة). يتيح اختبار فيشر في هذه النماذج المختبرية الضيقة التحقق من صحة الفرضيات التجريبية دون الإخلال بمتطلبات القياس الإحصائي الصارم.

كما يُستخدم الاختبار في تجارب الانتباه والذاكرة العرضية؛ مثل تقييم قدرة المفحوصين على استرجاع تفاصيل مشهد انفعالي صادم مقارنة بمشهد محايد تحت تأثير التشتيت الذهني، حيث يُصنف الأداء المعرفي إلى (تذكر دقيق / إخفاق في التذكر)، مما يوفر معطيات دقيقة حول آليات المعالجة المعرفية تحت الضغط.

7.3 علم النفس التربوي والمدرسي

في البيئات التعليمية والمدرسية، تتكرر الحاجة لاختبار فيشر عند دراسة فئات الطلاب ذوي الاحتياجات الخاصة وصعوبات التعلم المحددة، حيث تكون أعداد هؤلاء الطلاب في المدرسة الواحدة محدودة. على سبيل المثال، عند فحص أثر تطبيق برنامج تدخل سلوكي قائم على اليقظة الذهنية في خفض حوادث السلوك العدواني والتنمر داخل فصول التربية الخاصة ($N = 15$)، يُصنف الطلاب إلى (انخفاض ملموس في السلوك العدواني / ثبات السلوك). يسمح الاختبار للمرشدين النفسيين بتقييم كفاءة البرنامج بأسلوب علمي رصين.

يمتد التطبيق أيضاً لدراسة نسب التسرب الأكاديمي بين الطلاب الموهوبين الذين يعانون من مشكلات في التكيف الاجتماعي والمدرسي (تسرب / استمرار)، أو مقارنة نسب اجتياز اختبارات التفكير الإبداعي بين طلاب ينتمون لبيئات تعليمية تعتمد التعلم النشط مقابل بيئات تعتمد التعليم التقليدي، مما يرشد قرارات التطوير التربوي والتدخل النفسي المدرسي.

8. إجراء اختبار فيشر الدقيق باستخدام البرمجيات الإحصائية المتخصصة

8.1 تنفيذ الاختبار في برنامج SPSS

يُعد برنامج IBM SPSS Statistics من أكثر البرمجيات استخداماً في البحوث النفسية والاجتماعية. لإجراء اختبار فيشر الدقيق في البرنامج، يتبع الباحث الخطوات المنهجية التالية عبر القوائم الرئيسية:

• من القائمة العلوية، يتم التوجه إلى مسار: Analyze > Descriptive Statistics > Crosstabs.
• يتم إدراج المتغير المستقل في صندوق الصفوف (Rows) والمتغير التابع في صندوق الأعمدة (Columns).
• النقر على زر Statistics وتفعيل خيار Chi-square؛ حيث يقوم برنامج SPSS تلقائياً بحساب وطباعة اختبار فيشر الدقيق عندما يكتشف جدولاً من النمط (2×2).
• لضمان الحساب الدقيق وليس التقريبي في الجداول الأكبر، يُنقر على زر Exact ويتم اختيار Exact وتحديد الحد الزمني للحساب (الوقت الافتراضي 5 دقائق كافٍ لمعظم التحليلات).
• النقر على زر Cells واختيار النسب المئوية للصفوف والأعمدة (Row & Column Percentages) ومطالعة التكرارات المتوقعة (Expected Counts).
• الضغط على Continue ثم OK لتوليد مخرجات التحليل في نافذة النتائج.

8.2 تطبيق الاختبار في لغة البرمجة R وبيئة RStudio

توفر بيئة البرمجة الإحصائية R دعماً برمجياً متقدماً ومرناً لتنفيذ اختبار فيشر الدقيق وتحليل الجداول التوافقية المعقدة. يتم استدعاء الدالة الأساسية fisher.test() المدمجة في حزمة stats القياسية لتنفيذ الفحص مباشرة.

يتم بناء مصفوفة البيانات الثنائية وتطبيق الاختبار وتحديد اتجاه الفرضية عبر الأوامر البرمجية التالية:

يقوم الباحث بإنشاء الجدول التوافقي عبر الأمر data_matrix <- matrix(c(5, 1, 1, 5), nrow = 2, byrow = TRUE)، ثم تطبيق الفحص عبر الأمر fisher.test(data_matrix, alternative = "two.sided") للحصول على الاختبار ثنائي الذيل، أو تحديد alternative = "greater" للاختبار أحادي الذيل الموجه. وتتميز مخرجات الدالة في R بتقديم القيمة الاحتمالية الدقيقة، ونسبة الأرجحية الحقيقية (Odds Ratio)، وفترات الثقة الدقيقة بنسبة 95% المصاحبة لها في خطوة برمجية واحدة.

بالإضافة إلى ذلك، توفر حزم متخصصة مثل vcd و epitools أدوات متقدمة لتوليد رسوم الفسيفساء البيانية (Mosaic Plots) وخرائط الارتباط الفئوي التي ترفع من جودة التمثيل البصري لنتائج الاختبار في الأوراق البحثية.

8.3 إجراء التحليل في بيئة Python وبرنامج Jamovi

في بيئة لغة البرمجة Python، يتم إجراء الاختبار بالاعتماد على المكتبة العلمية الرائدة SciPy وتحديداً الوحدة الفرعية scipy.stats. يُنفذ الفحص عبر استدعاء الدالة fisher_exact بتمرير مصفوفة البيانات ثنائية الأبعاد، والتي تُرجع تلقائياً قيمة نسبة الأرجحية والقيمة الاحتمالية الدقيقة ($P\text{-value}$):

يُكتب الكود باستخدام الصيغة: odds_ratio, p_value = stats.fisher_exact([[5, 1], [1, 5]], alternative='two-sided')، مما يدمج الاختبار بسلاسة داخل خطوط معالجة البيانات الضخمة ونماذج تعلم الآلة الموجهة للقياس النفسي.

أما في برنامج Jamovi المفتوح المصدر، المفضل لدى العديد من الباحثين النفسيين لسهولة واجهته الرسومية، فيتم الوصول للاختبار من خلال التوجه إلى قائمة Frequencies واختيار Contingency Tables (Independent Samples). وبمجرد سحب المتغيرات إلى الحقول المخصصة، يتم تفعيل خيار Fisher's exact test ضمن تبويب الفحوصات الإحصائية الإضافية، ليقوم البرنامج بتحديث جدول النتائج وعرض القيمة الاحتمالية الدقيقة وحجوم الأثر بشكل فوري وتفاعلي متوافق مع متطلبات النشر العلمي.

9. قراءة وتفسير المخرجات الإحصائية لاختبار فيشر بدقة علمية

9.1 تفكيك عناصر جدول النتائج الإحصائية

عند فحص مخرجات التحليل الصادرة من الحزم الإحصائية (مثل جدول Chi-Square Tests في برنامج SPSS)، يظهر صف مخصص لاختبار فيشر بعنوان Fisher’s Exact Test. يتضمن هذا الصف عمودين رئيسيين للقيم الاحتمالية يجب على الباحث التمييز بينهما بدقة تامة:

• Exact Sig. (2-sided): تمثل القيمة الاحتمالية الدقيقة للاختبار غير الموجه (ثنائي الذيل). تُعتمد هذه القيمة عندما تكون الفرضية البحثية غير موجهة، أي تختبر مجرد وجود فرق أو ارتباط بين المجموعتين دون الجزم المسبق بالجهة المستفيدة.
• Exact Sig. (1-sided): تمثل القيمة الاحتمالية الدقيقة للاختبار الموجه (أحادي الذيل). لا يجوز للباحث اللجوء إلى هذه القيمة إلا إذا كانت الفرضية النظرية قد صيغت مسبقاً قبل جمع البيانات باتجاه صريح يرجح كفة مجموعة محددة.
• Point Probability: تظهر في بعض المخرجات المتقدمة، وتعكس الاحتمال النقطي الدقيق للجدول الملاحظ بذاته ($P_{\text{observed}}$)، وتفيد في التحقق من بنية التوزيع الاحتمالي.

يجب على الباحث مراجعة إجمالي عدد الحالات المضمنة في التحليل ($N$) والتأكد من تطابقها مع العينة المستهدفة واستبعاد الحالات ذات القيم المفقودة (Missing Cases) التي قد تؤدي إلى تشويه حجم العينة الفعلي والتأثير غير المقصود على الهوامش الثابتة للجدول.

9.2 ربط الدلالة الإحصائية بالمعنى السيكولوجي السريري

من الأخطاء الشائعة في الأبحاث النفسية مساواة الدلالة الإحصائية المجردة ($P < 0.05$) بالأهمية الإكلينيكية التطبيقية (Clinical Significance). في اختبار فيشر المطبق على عينات صغيرة، قد تشير النتيجة إلى دلالة إحصائية واضحة، إلا أن التقييم المهني السليم يتطلب فحص ما إذا كان حجم التحسن السريري المحقق يُبرر تكلفة تطبيق البروتوكول العلاجي ومخاطره وآثاره الجانبية المحتملة على المراجعين.

وعلى النقيض من ذلك، فإن الحصول على قيمة احتمالية غير دالة إحصائياً (مثل $P = 0.07$) في عينة بالغة الصغر ($N = 10$) لا يعني بالضرورة غياب الأثر العلاجي في الواقع؛ بل قد يكون ناتجاً عن محدودية القوة الإحصائية الناتجة عن حجم العينة الصغير (الخطأ من النوع الثاني). وفي هذه الحالات، يجب على الباحث صياغة الاستنتاجات بحذر علمي والتركيز على قراءة حجم الأثر وفترات الثقة، والدعوة إلى تكرار الدراسة (Replication) على عينات أوسع لتأكيد المؤشرات الأولية المرصودة.

9.3 معالجة النتائج الحدية وحالات الغموض الإحصائي

تواجه الممارسة البحثية أحياناً ما يُعرف بالنتائج الحدية (Marginal / Borderline Results)؛ وهي الحالات التي تقترب فيها القيمة الاحتمالية لاختبار فيشر بشكل حرج من العتبة التقليدية للدلالة (مثل $P = 0.049$ أو $P = 0.052$). يوصى في هذه السيناريوهات بتجنب اتخاذ قرارات قاطعة مبنية حصراً على الانقسام الثنائي “دال / غير دال”، واتباع ممارسات استدلالية أكثر شمولاً وتكاملاً.

تتضمن هذه الممارسات الإفصاح الدقيق عن القيمة الاحتمالية كما هي دون تقريب مخل، وتدعيم الاستدلال بالتحليلات البايزية التكميلية لحساب عامل بايز (Bayes Factor – $BF_{10}$) لتقدير قوة الدليل لصالح الفرضية البديلة مقارنة بالفرضية الصفرية. كما يحذر علماء المنهجية بشدة من اللجوء إلى ممارسات “التنقيب عن الدلالة” (p-hacking)؛ مثل إعادة دمج فئات المتغيرات أو حذف مشاهدات انتقائية لدفع القيمة الاحتمالية لما دون 0.05، مؤكدين أن الشفافية في عرض كافة النتائج تمثل صلب النزاهة العلمية.

10. حجم الأثر وفترات الثقة المرافقة لاختبار فيشر الدقيق

10.1 حساب وتفسير نسبة الأرجحية (Odds Ratio – OR)

تُعد نسبة الأرجحية (Odds Ratio – OR) المقياس المعياري الأكثر رسوخاً للتعبير عن حجم الأثر المصاحب لاختبار فيشر الدقيق في جداول (2×2). تُعرَّف الأرجحية بأنها نسبة احتمالية وقوع الحدث النفسي إلى احتمالية عدم وقوعه. ويتم حساب نسبة الأرجحية بمقارنة أرجحية حدوث النتيجة في المجموعة الأولى بأرجحيتها في المجموعة المقابلة، وتُحسب رياضياً من قيم خلايا الجدول عبر صيغة حاصل الضرب التبادلي المشهورة (Cross-Product Ratio):

$$\text{Odds Ratio (OR)} = \frac{a \times d}{b \times c}$$

يخضع تفسير قيمة نسبة الأرجحية للقواعد الإحصائية التالية:

• إذا كانت قيمة $\text{OR} = 1.0$: يشير ذلك إلى انعدام الأثر واستقلال المتغيرين تماماً (تساوي أرجحية التحسن بين المجموعتين).
• إذا كانت قيمة $\text{OR} > 1.0$: يدل ذلك على زيادة أرجحية حدوث النتيجة المستهدفة في المجموعة الأولى مقارنة بالمجموعة الثانية. فعلى سبيل المثال، $\text{OR} = 4.5$ تعني أن أرجحية التحسن لدى متلقي العلاج التجريبي تفوق أرجحية التحسن لدى المجموعة الضابطة بأربعة أضعاف ونصف.
• إذا كانت قيمة $\text{OR} < 1.0$: يدل ذلك على انخفاض أرجحية حدوث النتيجة في المجموعة الأولى مقارنة بالمجموعة الثانية، وهو مؤشر مرغوب عند دراسة الأحداث السلبية كحدوث الانتكاسة النفسية أو ظهور الأعراض الجانبية.

يجب دائماً إقران نسبة الأرجحية بـ فترة الثقة الدقيقة بنسبة 95% (95% Exact Confidence Interval)، والتي تُشتق من التوزيع الدقيق بدلاً من التوزيع المقارب العادي. وإذا اشتملت فترة الثقة على القيمة 1.0 (مثل: $95% \text{ CI } [0.85, 12.40]$)، دل ذلك على عدم معنوية نسبة الأرجحية عند مستوى دلالة 0.05.

10.2 الخطر النسبي (Relative Risk – RR) والمخاطر المنسوبة

يُفضل استخدام الخطر النسبي (Relative Risk – RR)، المعروف أيضاً بنسبة المخاطر (Risk Ratio)، في الدراسات التتبعية الطولية والدراسات التجريبية المستقبلية، حيث يمثل نسبة احتمالية حدوث الظاهرة في المجموعة المعرضة مقارنة بالمجموعة غير المعرضة. ويُحسب من الجدول بالصيغة التالية:

$$\text{Relative Risk (RR)} = \frac{a / (a + b)}{c / (c + d)}$$

يمتاز الخطر النسبي ببديهية تفسيره المباشر لدى الممارسين الإكلينيكيين مقارنة بنسبة الأرجحية؛ إذ يشير $\text{RR} = 2.0$ إلى أن نسبة حدوث التحسن في المجموعة التجريبية تبلغ ضعف نسبتها في المجموعة الضابطة بصورة مطلقة. وتتقارب قيمة نسبة الأرجحية مع الخطر النسبي إلى حد التطابق عندما تكون الظاهرة المدروسة نادرة الحدوث في المجتمع (قاعدة المرض النادر – Rare Disease Assumption).

كما يُستفاد في السياق الإكلينيكي النفسي من حساب مؤشر العدد المطلوب للعلاج (Number Needed to Treat – NNT)، المشتق من الخطر المطلق، والذي يحدد عدد المرضى الذين يلزم إخضاعهم للتدخل النفسي الجديد لمنع حدوث انتكاسة واحدة أو لتحقيق تعافٍ إضافي واحد مقارنة بالعلاج التقليدي، مما يمنح متخذي القرار دليلاً تطبيقياً ملموساً.

10.3 مقاييس حجم الأثر الفئوية الأخرى: فاي (Phi) وكريمر V

بالإضافة إلى نسب الأرجحية والمخاطر، يوظف الباحثون معاملات الارتباط الفئوي لتقييم قوة العلاقة الارتباطية الناتجة عن جدول التوافق؛ وفي مقدمتها معامل فاي ($phi$) المخصص للجداول الثنائية (2×2)، والذي يماثل في جوهره الرياضي معامل ارتباط بيرسون بين متغيرين ثنائيين متصلين افتراضياً، ويُحسب بالمعادلة:

$$\phi = \frac{(a \times d) – (b \times c)}{\sqrt{(a + b)(c + d)(a + c)(b + d)}}$$

تتراوح قيمة معامل فاي بين -1.0 و +1.0 في الجداول المتناظرة. ولتفسير قوة العلاقة، يُستند عادة إلى محددات كوهين (Jacob Cohen) لحجوم الأثر في العلوم السلوكية:

• أثر صغير (Small Effect): عندما تبلغ قيمة $\phi \approx 0.10$.
• أثر متوسط (Medium Effect): عندما تبلغ قيمة $\phi \approx 0.30$.
• أثر كبير (Large Effect): عندما تبلغ قيمة $phi ge 0.50$.

أما في الجداول الأكثر اتساعاً، فيتم اللجوء إلى معامل V لكريمر (Cramer’s V)، والذي يعد تعميماً لمعامل فاي يتيح مقارنة شدة الارتباط الفئوي عبر جداول ذات أبعاد متباينة، مما يوفر تقييماً معيارياً متكاملاً يتجاوز مجرد قياس الدلالة الاحتمالية.

11. امتدادات اختبار فيشر الدقيق لجداول التوافق المعقدة (R × C Tables)

11.1 توسيع خوارزمية فيشر لجداول أكبر من 2×2 (Freeman-Halton Extension)

على الرغم من أن الصياغة الأصلية لرونالد فيشر كانت مقصورة على الجداول الثنائية (2×2)، إلا أن الممارسة البحثية في القياس النفسي تتطلب مراراً فحص متغيرات تشتمل على أكثر من مستويين؛ مثل مقارنة ثلاثة أشكال علاجية (CBT، علاج دوائي، قائمة انتظار) عبر ثلاثة مستويات من التحسن (تحسن تام، تحسن جزئي، تدهور)، وهو ما يُفرز جدول توافق من النمط ($3 \times 3$).

قام العالمان فريمان وهالتون (Freeman & Halton) في عام 1951 بتطوير التوسيع الرياضي لخوارزمية فيشر لتشمل أي جدول توافق بأبعاد ($R \times C$)، حيث يمثل $R$ عدد الصفوف و $C$ عدد الأعمدة. تعتمد هذه الخوارزمية على تعميم التوزيع فوق الهندسي متعدد الحدود (Multivariate Hypergeometric Distribution) لحساب الاحتمال الدقيق لأي تشكيل داخلي مع الحفاظ الصارم على ثبات كافة الهوامش الأفقية والرأسية:

$$P = \frac{\prod (R_i!) \times \prod (C_j!)}{N! \times \prod (n_{ij}!)}$$

تتمثل الصعوبة الرئيسية في امتداد فريمان-هالتون في التعقيد التوافقي والانفجار الحسابي (Combinatorial Explosion)؛ حيث يتضاعف عدد الجداول البديلة الممكنة التي يجب توليدها وحساب احتمالاتها بصورة أسية هائلة كلما زادت أبعاد الجدول أو ارتفع حجم العينة الكلي، مما يتطلب خوارزميات حوسبة متطورة لتنفيذ التحليل في زمن واقعي.

11.2 طرق المحاكاة الحاسوبية: تقنية مونت كارلو الدقيقة

عندما تكون أبعاد جدول التوافق كبيرة (مثل $4 \times 5$) أو تكون التكرارات داخل الخلايا مرتفعة نسبياً مما يجعل الحساب التوافقي الدقيق الشامل مستحيلاً حاسوبياً، يلجأ الباحثون إلى أسلوب محاكاة مونت كارلو الدقيقة (Monte Carlo Exact Test) كحل إحصائي بديل يجمع بين الدقة المطلقة والكفاءة الحسابية.

تقوم تقنية مونت كارلو بأخذ عينات عشوائية ضخمة ومتكررة (تتراوح عادة بين 10,000 إلى 1,000,000 جدول عشوائي) من فضاء جميع الجداول الممكنة رياضياً التي تشترك في نفس الهوامش الثابتة للجدول الفعلي المدروس. وتُقدر القيمة الاحتمالية للفرضية الصفرية بحساب نسبة الجداول المولدة التي يكون احتمالها مساوياً للاحتمال الملاحظ أو أكثر تطرفاً منه.

تتميز محاكاة مونت كارلو بأنها تُرفق القيمة الاحتمالية المقدرة بـ فترة ثقة دقيقة بنسبة 99% (99% Confidence Interval for P-value)؛ مما يسمح للباحث بالتحقق من ثبات التقدير وموثوقيته. وإذا كان حجم المحاكاة كافياً ($100,000$ تكرار على سبيل المثال)، فإن القيمة الاحتمالية الناتجة تتقارب بصورة تامة مع القيمة الاحتمالية الحقيقية الصارمة للاختبار الدقيق.

11.3 المقارنات اللاحقة (Post-Hoc Pairwise Tests) بعد اختبار فيشر العام

عند تطبيق اختبار فيشر الممتد على جدول ($R \times C$) والحصول على دلالة إحصائية عامة تبرهن على وجود ارتباط دال بين المتغيرين ($P < 0.05$)، يواجه الباحث مشكلة مماثلة لتلك التي تنشأ بعد تحليل التباين الأحادي (ANOVA)؛ إذ لا يحدد الاختبار العام أي الأزواج من الفئات أو الخلايا تحديداً مسؤولة عن هذا الارتباط الإجمالي.

للإجابة عن هذا التساؤل المنهجي، يتوجب إجراء مقارنات بعدية ثنائية (Post-Hoc Pairwise Comparisons) من خلال تقسيم الجدول المعقد ($R \times C$) إلى عدة جداول توافقية فرعية من النمط (2×2)، وتطبيق اختبار فيشر الدقيق المنفصل على كل جدول فرعي على حدة لتحديد مواضع الفروق النوعية بدقة.

ينشأ عن إجراء مقارنات ثنائية متعددة خطر منهجي يتمثل في تضخم معدل الخطأ العائلي من النوع الأول (Family-wise Error Rate). ولتفادي هذه المشكلة، يجب تطبيق تعديلات إحصائية صارمة على مستويات الدلالة المقبولة، ومن أبرزها:

• تصحيح بونفيروني (Bonferroni Correction): يتم فيه قسمة مستوى الدلالة المعياري ($\alpha = 0.05$) على إجمالي عدد المقارنات الثنائية المنفذة ($k$)، واعتماد العتبة الناتجة ($\alpha_{\text{new}} = \alpha / k$) كمعيار لرفض الفرضية الصفرية.
• تصحيح هولم التتابعي (Holm-Bonferroni Method): وهو تصحيح تتابعي تنازلي أكثر قوة ومرونة من بونفيروني التقليدي، حيث يرتب القيم الاحتمالية تصاعدياً ويعدل عتبة الدلالة خطوة بخطوة للحفاظ على التوازن المثالي بين منع الخطأ من النوع الأول وضمان القوة الإحصائية.

12. الأخطاء الشائعة والاعتبارات المنهجية وكتابة النتائج وفق دليل جمعية علم النفس الأمريكية (APA)

12.1 المزالق المنهجية والأخطاء الإحصائية الشائعة

تقع العديد من الدراسات النفسية والسلوكية في أخطاء منهجية متكررة عند توظيف اختبار فيشر الدقيق، مما يهدد صدق الاستنتاجات العلمية وموثوقيتها. تتلخص أبرز هذه المزالق فيما يلي:

• تطبيق الاختبار على عينات مترابطة: استخدام اختبار فيشر لتحليل بيانات قبلية-بعدية لنفس مجموعة الأفراد أو عينات الأزواج المترابطة، وهو انتهاك لشرط استقلالية المشاهدات؛ والاختبار الصحيح الواجب تطبيقه في هذه الحالة هو اختبار ماكنيمار (McNemar’s Test).
• الاعتماد المنفرد على القيمة الاحتمالية: الاكتفاء بالتقرير عن $P < 0.05$ وإغفال حجم الأثر (نسبة الأرجحية وفترات الثقة)، مما يحرم القارئ من تقدير الأهمية العملية والعيادية للنتيجة.
• الدمج التعسفي للفئات (Arbitrary Category Collapsing): قيام بعض الباحثين بدمج مستويات متعددة للمتغيرات بصورة اعتباطية لتحويل الجدول إلى نمط (2×2) دون وجود مسوغ نظري وسيكولوجي واضح يدعم هذا التصنيف.
• التحويل الرجعي للفرضيات: اختيار الاختبار أحادي الذيل بعد الاطلاع على البيانات وملاحظة الاتجاه بهدف خفض قيمة $P$ قسرياً، وهو ممارسة تنافي أخلاقيات البحث العلمي الرصين.

12.2 صياغة وتوثيق نتائج اختبار فيشر وفق معايير دليل APA (الإصدار السابع)

يضع دليل النشر الأكاديمي الصادر عن جمعية علم النفس الأمريكية (APA 7th Edition) قواعد واضحة لتوثيق نتائج التحليلات الفئوية واختبار فيشر الدقيق. ونظراً لأن اختبار فيشر لا ينتج قيمة إحصائية قياسية مشتقة من توزيع ككاي تربيع ($\chi^2$) أو $t$، فإنه لا يتم توثيق أي قيمة إحصائية للاختبار سوى القيمة الاحتمالية الدقيقة ($P$) مقترنة بالتكرارات والنسب المئوية ونسبة الأرجحية وفترات ثقتها.

تتمثل الصياغة النصية المعيارية الاحترافية للنتائج داخل متن البحث فيما يلي:

“أظهرت نتائج اختبار فيشر الدقيق وجود ارتباط ذي دلالة إحصائية بين نوع التدخل العلاجي ومعدل التحسن السريري لدى المرضى ($p = .040$, Fisher’s exact test, two-tailed)؛ حيث حقق المرضى في مجموعة العلاج السلوكي المعرفي نسبة تحسن بلغت 83.3% ($n = 5/6$) مقارنة بنسبة 16.7% فقط ($n = 1/6$) لدى مرضى المجموعة الضابطة. وأشارت نسبة الأرجحية إلى أن احتمالية التحسن كانت أعلى بكثير لدى متلقي العلاج التجريبي ($\text{OR} = 25.00, 95% \text{ CI } [1.05, 594.80]$).”

عند توثيق الجداول المرافقة في البحث، يجب تصميم جدول التوافق وفق اشتراطات APA (خطوط أفقية رئيسية تفصل العناوين والمتوسطات، وغياب كامل للخطوط الرأسية)، مع تضمين هوامش التكرارات والمجموع والنسب المئوية وملاحظة أسفل الجدول تشير صراحة إلى استخدام اختبار فيشر الدقيق ومستوى الدلالة المعتمد.

12.3 الاعتبارات الأخلاقية والشفافية في التقارير الإحصائية

تتطلب حركة العلم المفتوح (Open Science) والممارسات البحثية الأخلاقية الشفافية التامة في الإفصاح عن المبررات المنهجية التي دفعت الباحث لاختيار اختبار فيشر الدقيق، مثل بيان صغر حجم العينة أو انخفاض التكرارات المتوقعة في الخلايا دون مواربة. كما يُنصح الباحثون بنشر البيانات الأولية الخام وجداول التوافق كاملة ضمن الملاحق أو في المستودعات الرقمية المفتوحة لإتاحة الفرصة للباحثين الآخرين لإعادة التحليل والتحقق المستقل.

كما يجب على الباحثين تجنب تحيز النشر (Publication Bias) المتمثل في حجب النتائج غير الدالة لاختبار فيشر عند دراسة العينات الصغيرة؛ فالنتائج غير الدالة المنفذة بصرامة منهجية تقدم مساهمة علمية جوهرية تسهم في بناء التحليلات البعدية (Meta-Analyses) المستقبلية وتمنع إهدار الموارد البحثية في تجارب مكررة لا طائل منها.

خاتمة شاملة وتوصيات تطبيقية للباحثين

يظل اختبار فيشر الدقيق صرحاً إحصائياً ورياضياً فريداً وركيزة أساسية من ركائز القياس النفسي والتحليل السلوكي الحديث. تكمن القوة الاستثنائية لهذا الاختبار في قدرته على منح الباحثين يقيناً احتمالياً مطلقاً عند دراسة الظواهر النادرة والاضطرابات المعقدة والعينات الصغيرة التي تمثل جوهر الممارسة الإكلينيكية اليومية، متجاوزاً بذلك كافة القيود والتشوهات المرتبطة باختبارات التقارب المقارب التقليدية.

إن الاستخدام المسؤول والواعي لاختبار فيشر يتطلب من المتخصص في علم النفس الإحاطة الكاملة بأسسه التوزيعية فوق الهندسية، وفهم شروط تطبيقه المنهجية، والجمع الدائم بين الدلالة الإحصائية الدقيقة والتقدير السريري العملي المدعوم بنسب الأرجحية وحجوم الأثر وفترات الثقة. وباتباع المعايير الإحصائية والأخلاقية الرصينة في التحليل وكتابة التقارير، يسهم الباحثون النفسيون في الارتقاء بجودة المعرفة الإمبريقية وبناء تدخلات تشخيصية وعلاجية أكثر متانة وموثوقية لخدمة الفرد والمجتمع.

المراجع (References)

• Agresti, A. (2002). Categorical Data Analysis (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Barnard, G. A. (1947). Significance tests for 2×2 tables. Biometrika, 34(1/2), 123–138. https://doi.org/10.2307/2332141
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/2527532
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587
• Fisher, R. A. (1935). The Design of Experiments. Oliver & Boyd.
• Freeman, G. H., & Halton, J. H. (1951). Note on an exact treatment of contingency, goodness of fit and other problems of significance. Biometrika, 38(1/2), 141–149. https://doi.org/10.1093/biomet/38.1-2.141
• Mehta, C. R., & Patel, N. R. (1983). A network algorithm for performing Fisher’s exact test in r×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