كيفية حساب فترة الثقة ذات الحدين في بايثون

يُعد الاستدلال الإحصائي الركيزة الأساسية التي يقوم عليها البحث العلمي المعاصر في مختلف الميادين، بدءًا من العلوم السلوكية والقياس النفسي، مرورًا بالدراسات الوبائية والطبية، وصولاً إلى أبحاث الذكاء الاصطناعي وتنقيب البيانات. وتكتسب مسألة تقدير المعلمات المجهولة للمجتمعات الإحصائية أهمية استثنائية عندما نتعامل مع بيانات ثنائية الحدين تمثل استجابات متقابلة، مثل النجاح والإخفاق، القبول والرفض، أو وجود سمة معينة من عدمها. وفي هذا السياق، لم يعد الاكتفاء بالتقدير النقطي للنسب كافيًا لتقديم صورة دقيقة عن الواقع، بل أصبح لزامًا على الباحثين قياس مقدار عدم اليقين المحيط بهذه التقديرات عبر بناء فترات الثقة المناسبة.

تمثل لغة البرمجة بايثون (Python) اليوم البيئة الحاسوبية الأكثر مرونة وشمولاً لإجراء التحليلات الإحصائية الدقيقة بفضل منظومتها الغنية بالمكتبات الرياضية المتخصصة. ومع ذلك، يواجه الكثير من الباحثين والمحللين تحديات منهجية عند محاولة حساب فترة الثقة لنسبة التوزيع ذي الحدين؛ إذ إن الاعتماد الأعمى على النماذج التقريبية التقليدية، مثل طريقة فالد الكلاسيكية المستندة إلى التوزيع الطبيعي، قد يؤدي إلى نتائج مضللة وفترات ثقة ذات معدلات تغطية غير دقيقة، لا سيما في حالات العينات الصغيرة أو النسب الحدية القريبة من الصفر أو الواحد الصحيح.

يهدف هذا الدليل المرجعي الشامل والمفصل إلى تفكيك الأسس النظرية والرياضية لمختلف أساليب حساب فترات الثقة للتوزيع ذي الحدين، واستعراض كيفية تنفيذها بدقة وكفاءة برمجية باستخدام بايثون، وتحديدًا من خلال مكتبة Statsmodels ومكتبتي SciPy وNumPy. وسيتناول المقال مقارنة تفصيلية بين الطرق الشائعة مثل طريقة ويلسون، وكلوبر-بيرسون، وأغريستي-كول، وجيفريز البيزية، مع تقديم دراسات حالة واقعية وإرشادات عملية لتوثيق النتائج وفق المعايير الأكاديمية الصارمة للجمعية الأمريكية لعلم النفس (APA).

1. الأسس النظرية لفترات الثقة في التوزيع ذي الحدين

1.1 مفهوم التوزيع ذي الحدين والمعلمات الأساسية

يقوم التوزيع ذي الحدين (Binomial Distribution) على نموذج رياضي يصف احتمالية وقوع عدد محدد من النجاحات في سلسلة من التجارب المستقلة والمتطابقة، والمعروفة بتجارب بيرنولي (Bernoulli Trials). وتتميز تجربة بيرنولي بأنها تجربة عشوائية ذات نتيجتين حصريتين وشاملتين، يُصطلح على تسميتهما تقليديًا بالنجاح (Success) ويرمز له بالقيمة 1، والإخفاق (Failure) ويرمز له بالقيمة 0. وتتحدد بنية التوزيع ذي الحدين بمعلمتين أساسيتين هما: المعلمة الأولى هي عدد المحاولات المستقلة المحددة مسبقًا ويرمز لها بالرمز n، والمعلمة الثانية هي احتمال النجاح في المحاولة الواحدة ويرمز له بالرمز p، والذي يظل ثابتًا عبر جميع المحاولات المتعاقبة.

تستند موثوقية تطبيق التوزيع ذي الحدين إلى مجموعة من الافتراضات الإحصائية الصارمة التي يجب التحقق منها تجريبيًا. ويتمثل الافتراض الأول في ثبات احتمال النجاح p من محاولة إلى أخرى، مما يعني أن الظروف التجريبية تظل مستقرة ومتجانسة تمامًا طوال فترة القياس. أما الافتراض الثاني فيتمثل في الاستقلال الإحصائي الكامل بين المحاولات، حيث لا تؤثر نتيجة أي محاولة سابقة على نتيجة المحاولة اللاحقة. وفي حال أُجري السحب من مجتمع إحصائي محدود دون إرجاع، فإن هذا الافتراض يظل مقبولاً تقريبيًا فقط إذا كان حجم العينة n لا يتجاوز 5% إلى 10% من إجمالي حجم المجتمع الإحصائي الكلي.

تبرز الأهمية المنهجية للتوزيع ذي الحدين عند الانتقال من التقدير النقطي (Point Estimation) إلى التقدير بفترة (Interval Estimation). فالتقدير النقطي لنسبة النجاح، والذي يُحسب بقسمة عدد النجاحات المرصودة k على إجمالي عدد المحاولات n، يقدم قيمة واحدة محددة تمثل أفضل تخمين أولي لمعلمة المجتمع p. غير أن هذا التقدير النقطي يفتقر بطبيعته إلى التعبير عن تباين المعاينة والخطأ العشوائي المتأصل في العينات المحدودة. ومن هنا تنبثق ضرورة بناء فترة ثقة تحيط بهذا التقدير وتحدد نطاقًا عدديًا يُرجح أن تقع ضمنه المعلمة الحقيقية بدرجة معينة من اليقين الإحصائي.

1.2 تعريف فترة الثقة للنسبة ذات الحدين وأهميتها الاستدلالية

تُعرّف فترة الثقة لنسبة التوزيع ذي الحدين بأنها فترة عددية عشوائية تتحدد بحد أدنى وحد أعلى يتم حسابهما من بيانات العينة التجريبية، بحيث تحتوي هذه الفترة على المعلمة الحقيقية المجهولة p للمجتمع بنسبة تكرارية محددة مسبقًا تُعرف بمستوى الثقة (Confidence Level)، ويُرمز لها رياضيًا بالصيغة (1 – α). وفي إطار التفسير التكراري الكلاسيكي للاحتمالات، لا تعني فترة الثقة ذات المستوى 95% أن هناك احتمالاً قدره 95% لوقوع المعلمة الحقيقية داخل الفترة المحسوبة لعينة بعينها، بل تعني أنه إذا كررنا سحب عينات عشوائية متماثلة الحجم من المجتمع نفسه لعدد لانهائي من المرات وبنينا فترة ثقة لكل عينة، فإن 95% من تلك الفترات المتولدة ستتضمن المعلمة الحقيقية داخل حدودها.

تحظى فترات الثقة بأهمية استدلالية قصوى في دراسات القياس النفسي، والعلوم السلوكية، والتقييم الإكلينيكي؛ إذ إنها تتيح للباحثين والممارسين إمكانية الحكم على دقة الأدوات التشخيصية واستقرار استجابات الأفراد. فعند تقييم معدل انتشار اضطراب سلوكي معين أو قياس نسبة الاتفاق بين محكّمين، يوفر اتساع فترة الثقة مؤشرًا مباشرًا على جودة التقدير وقوة الاستدلال الممكن استخلاصه من العينة، مما يمنع الوقوع في فخ الاستنتاجات المفرطة في التعميم التي قد تنجم عن الاعتماد الحصري على التقديرات النقطية غير المستقرة.

تخضع عملية بناء فترات الثقة لمفاضلة منهجية دقيقة بين دقة التقدير الإحصائي (Precision)، والتي تنعكس في ضيق عرض الفترة، وبين مستوى الموثوقية الإحصائية (Confidence Level). فكلما رغب الباحث في رفع مستوى الموثوقية (كالانتقال من مستوى ثقة 95% إلى 99%)، اتسعت فترة الثقة بالضرورة لاستيعاب قدر أكبر من عدم اليقين، مما يقلل من الدقة التحديدية للمعلمة. وتتأثر هذه المفاضلة بشكل مباشر بحجم العينة n، حيث يمثل تضخيم حجم العينة الوسيلة الإحصائية الأكثر فاعلية لتقليص عرض الفترة وزيادة دقتها الرياضية دون التضحية بمستوى الثقة الاسمي.

1.3 التحديات الإحصائية في تقدير نسب ذات الحدين

ينطوي تقدير نسب التوزيع ذي الحدين على مجموعة من التعقيدات والتحديات الإحصائية التي تجعل المعالجة الحسابية المباشرة عرضة للأخطاء المنهجية. ينبع التحدي الجوهري الأول من الطبيعة المنفصلة (Discrete) للتوزيع ذي الحدين، والتي تتصادم مع الافتراضات الرياضية للنماذج الاستدلالية المستندة إلى التوزيعات المتصلة (Continuous Distributions). ويؤدي هذا التباين البنيوي إلى ظاهرة تُعرف بتذبذب التغطية الفعلية (Coverage Oscillation)، حيث يتأرجح معدل التغطية الحقيقي لفترة الثقة صعودًا وهبوطًا حول المستوى الاسمي المستهدف كلما تغير حجم العينة بمقدار طفيف، بدلاً من أن يتقارب نحوه بنعومة وسلاسة مطردة.

تتفاقم هذه الإشكالية بحدة في سياق العينات الصغيرة، حيث يفقد التقريب الطبيعي الكلاسيكي كفاءته الرياضية بصورة ملموسة، مما يفرز فترات ثقة مفرطة في التفاؤل تمتلك معدلات تغطية تجريبية تقل بكثير عن المستوى الاسمي المحدد، مثل أن توفر فترة الثقة الاسمية 95% تغطية حقيقية لا تتعدى 88% في التطبيق الفعلي. كما تظهر معضلة إحصائية بالغة التعقيد عند التعامل مع النسب الحدية أو المتطرفة، أي عندما يكون احتمال النجاح p قريبًا جدًا من الصفر أو من الواحد الصحيح. ففي هذه النطاقات، يصبح توزيع المعاينة للنسبة شديد الالتواء (Highly Skewed)، وتنهار فرضية التماثل التي تستند إليها المعادلات الكلاسيكية البسيطة.

تنعكس هذه التحديات في ضرورة تخلي الباحثين عن المعالجات الإحصائية التبسيطية، والبحث عن خوارزميات وصيغ رياضية متطورة قادرة على التكيف مع التحديات البنيوية للتوزيع المنفصل والالتواء الشديد. ويبرز دور بايثون كأداة حاسوبية فائقة القدرة في استدعاء وتطبيق هذه الصيغ الرياضية المصححة والمعدلة، مما يتيح التغلب على قيود النماذج القديمة وتحقيق دقة استدلالية رفيعة تتوافق مع أرقى المعايير المنهجية المعاصرة.

2. الصيغة الرياضية الكلاسيكية لفترة ثقة ذات الحدين (طريقة فالد)

2.1 اشتقاق فترة فالد (Wald Interval) والتقريب الطبيعي

تُعد فترة فالد (Wald Interval)، والمعروفة أيضًا بفترة التقريب الطبيعي الكلاسيكية، أقدم وأشهر الأساليب الإحصائية المستخدمة لحساب فترات الثقة للنسب. يستند الاشتقاق الرياضي لهذه الطريقة إلى مبرهنة النهاية المركزية (Central Limit Theorem)، والتي تنص على أنه عندما يكون حجم العينة n كبيرًا بدرجة كافية، فإن توزيع المعاينة للنسبة التجريبية p̂ = k / n يتقارب تقاربًا مقاربًا (Asymptotically) نحو التوزيع الطبيعي المعياري بمتوسط يساوي المعلمة الحقيقية p وتباين مقداره p(1 – p) / n.

بناءً على هذا التقريب المقارب، يُحسب الخطأ المعياري التقديري للنسبة التجريبية بالمعادلة التالية:

SE = √[ p̂ (1 – p̂) / n ]

وتُصاغ فترة الثقة الكلاسيكية بطريقة فالد عند مستوى ثقة (1 – α) بالمعادلة الخطية المألوفة:

CI = p̂ ± z_{1 – α/2} × SE

حيث تمثل z_{1 – α/2} القيمة الحرجة من التوزيع الطبيعي المعياري المقابلة لنصف مستوى الدلالة في الطرف العلوي (وتساوي تقريبًا 1.96 عند مستوى ثقة 95%). ولضمان ملاءمة هذا التقريب، وضعت الأدبيات الإحصائية التقليدية قاعدة تجريبية تشترط أن يكون حاصل ضرب حجم العينة في النسبة التجريبية وحاصل ضرب حجم العينة في مكمل هذه النسبة كلاهما أكبر من أو يساوي 5 (أي n p̂ ≥ 5 و n (1 – p̂) ≥ 5)، ورُفعت هذه العتبة في بعض المراجع الأكثر تشددًا إلى 10 لضمان تقليل حدة الالتواء.

2.2 العيوب والانتقادات الموجهة لطريقة فالد الكلاسيكية

على الرغم من البساطة الحسابية والانتشار الواسع لطريقة فالد في المناهج التعليمية والبرمجيات التجارية القديمة، إلا أن الأدبيات الإحصائية المعاصرة أجمعت على توجيه انتقادات جذرية لهذه الصيغة الرياضية. وقد أثبتت الدراسات التجريبية المحاكية، ولا سيما الدراسات المرجعية الرائدة التي أجراها الباحثان براون، وكاي، وداسغوبتا (Brown, Cai, & DasGupta, 2001)، أن فترة فالد تعاني من أداء إحصائي ضعيف ومتقلب للغاية، حيث يقل معدل التغطية الحقيقي للفترة عن المستوى الاسمي المحدد بشكل منهجي عبر نطاقات واسعة من أحجام العينات، حتى عندما تتجاوز العينة مئات المشاهدات.

يتمثل العيب القاتل الثاني لطريقة فالد في ظاهرة “الفترات المستحيلة” (Boundary Inconsistency)، وهي ظاهرة تحدث عندما تكون النسبة التجريبية قريبة جدًا من الأطراف (الصفر أو الواحد الصحيح) مع حجم عينة محدود. ففي مثل هذه السيناريوهات، يؤدي تطبيق هامش الخطأ التماثلي إلى إنتاج حدود سفلى سالبة (أقل من الصفر) أو حدود عليا تتجاوز الواحد الصحيح، وهي نتائج مستحيلة رياضيًا ومنطقياً لكون النسبة الاحتمالية مقيدة بطبيعتها البديهية بالفترة المغلقة [0, 1].

علاوة على ذلك، تتعرض صيغة فالد لانهيار رياضي تام في الحالات الحدية الصفرية أو التامة، أي عندما يكون عدد النجاحات المرصودة مساويًا للصفر (k = 0) أو مساويًا لحجم العينة الكلي (k = n). ففي الحالة الأولى تصبح النسبة التجريبية مساوية للصفر، مما يجعل الخطأ المعياري التقديري صفرًا، وبالتالي تُنتج الصيغة فترة ثقة متدهورة تنحصر في النقطة [0, 0]، موحية زيفًا بانعدام تام لعدم اليقين، ومؤكدة بطلان استخدام هذه الطريقة في المعالجات الإحصائية الموثوقة.

3. إعداد البيئة البرمجية والمكتبات الإحصائية في بايثون

3.1 تثبيت وتهيئة المكتبات الضرورية

يتطلب التنفيذ البرمجي الدقيق لفترات الثقة في بايثون تهيئة بيئة عمل متكاملة تتضمن حزمًا متخصصة في الحوسبة العلمية والتحليل الإحصائي المتقدم. وتأتي مكتبة Statsmodels في طليعة هذه الأدوات، حيث تحتوي على وحدة مخصصة للنسب الإحصائية تضم خوارزميات محسنة لبناء فترات الثقة بمختلف الأساليب المعيارية والبيزية. وإلى جانبها، تشكل مكتبتا NumPy وSciPy الأساس الحسابي لمعالجة المصفوفات الرياضية وحساب التوزيعات الاحتمالية والتكاملات العددية المعقدة بكفاءة برمجية فائقة.

لتثبيت هذه المنظومة الإحصائية في بيئة بايثون الخاصة بك، يُمكن استخدام مدير الحزم القياسي بتنفيذ الأمر التالي في واجهة سطر الأوامر:

pip install numpy scipy statsmodels matplotlib seaborn pandas

بعد اكتمال التثبيت، يتم استيراد المكتبات الأساسية داخل بيئة العمل البرمجية عبر الأوامر القياسية المعتمدة. ويُنصح دائمًا بالتحقق من أرقام إصدارات الحزم المستخدمة، لضمان استقرار العمليات الرياضية وتطابق النتائج عبر مختلف منصات التشغيل، لا سيما عند معالجة الوظائف المحدثة في الحزم الإحصائية المتقدمة وتفادي التحذيرات المتعلقة بتغيير المعاملات الافتراضية.

3.2 استيراد وتجهيز البيانات الثنائية

تبدأ المعالجة الإحصائية في لغة بايثون بتنظيم البيانات الثنائية وتجهيزها للاستدلال. وعادة ما تُرتب البيانات الأولية المستخلصة من الاستبانات السلوكية أو الاختبارات التشخيصية في جداول بيانات عبر مكتبة Pandas، حيث تُمثل كل مشاهدة فردية بصف مستقل يحوي متغيرات ثنائية القيمة (مثل 0 و 1، أو True و False). وتتطلب مرحلة المعالجة القبلية فحص اتساق البيانات، والتعامل مع القيم المفقودة (Missing Values)، والتحقق من أن القيم المدخلة تقع حصرًا ضمن الفئات المسموحة.

تُجرى بعد ذلك عملية تلخيص البيانات لاستخلاص الإحصاءات الوصفية الكافية (Sufficient Statistics) الممثلة في عدد النجاحات الإجمالي (count) وإجمالي عدد المحاولات الصالحة (nobs). ويتم هذا التلخيص برمجياً عبر استخدام دوال التجميع القياسية مثل sum و count في مكتبة Pandas. وتضمن هذه الخطوة التمهيدية تنقية البيانات من أي تشوهات إحصائية ناتجة عن إدخالات خاطئة أو استجابات مهملة قد تعصف بدقة تقدير فترات الثقة اللاحقة.

كما تتيح بايثون بناء هياكل بيانات مرنة للتعامل مع العينات الكبيرة أو البيانات المجدولة مسبقًا في جداول توافق ثنائية (Contingency Tables)، مما يسهل تمرير المعلمات الإحصائية مباشرة إلى الدوال الحسابية المتقدمة دون الحاجة إلى معالجة كل سجل فردي على حدة، وهو ما يعزز الكفاءة الحسابية وسرعة التنفيذ الرياضي.

4. استخدام دالة proportion_confint في بايثون

4.1 شرح المعاملات الأساسية لدالة proportion_confint

توفر مكتبة Statsmodels دالة قياسية متخصصة ومرنة للغاية تُدعى proportion_confint، وتقع ضمن مسار الوحدة statsmodels.stats.proportion. صُممت هذه الدالة لتكون الأداة البرمجية الموحدة لحساب فترات الثقة لنسب التوزيع ذي الحدين، حيث تدمج تحت مظلتها مجموعة متنوعة من الأساليب الرياضية التي تلبي مختلف الاحتياجات البحثية وطبيعة العينات المدروسة.

تستقبل الدالة أربعة معاملات رئيسية تحدد آلية الحساب ومخرجاته بدقة متناهية:

• count: يمثل هذا المعامل عدد مرات النجاح أو الاستجابات الإيجابية المرصودة في العينة. ويمكن أن يكون عددًا صحيحًا فرديًا أو مصفوفة من الأعداد في حال معالجة مجموعات متعددة في وقت واحد.
• nobs: يمثل إجمالي عدد المشاهدات أو المحاولات الكلية المستقلة في العينة، ويشترط أن يكون قيمة موجبة أكبر من أو تساوي قيمة count.
• alpha: يحدد هذا المعامل مستوى الدلالة الإحصائية، وقيمته الافتراضية هي 0.05، وهو ما يكافئ بناء فترة ثقة بمستوى 95% (حيث Confidence Level = 1 – α). وإذا رغب الباحث في مستوى ثقة 99%، يتم تمرير القيمة 0.01.
• method: يمثل المعامل المنهجي الحاسم الذي يحدد المعادلة الرياضية المستخدمة في اشتقاق الفترة. وتدعم الدالة خيارات متعددة تشمل: ‘normal’ لطريقة فالد، و’wilson’ لطريقة ويلسون، و’beta’ أو ‘exact’ لطريقة كلوبر-بيرسون الدقيقة، و’agresti_coull’ لطريقة أغريستي-كول، و’jeffreys’ للمنهج البيزي.

4.2 مخرجات الدالة وهيكلة النتائج

تتميز دالة proportion_confint بمخرجات برمجية موحدة وبسيطة التركيب، حيث تعيد زوجًا مرتبًا (Tuple) يتكون من قيمتين عدديتين عائمتين تمثلان على التوالي: الحد الأدنى لفترة الثقة (Lower Bound) والحد الأعلى لفترة الثقة (Upper Bound). وتتوافق هذه القيم المسترجعة بدقة مع مقياس النسب الحسابية المحصورة نظريًا بين الصفر والواحد الصحيح.

تتيح هيكلة المخرجات بهذه الطريقة للباحثين استخراج المؤشرات الإحصائية الإضافية بسهولة برمجية تامة. فعلى سبيل المثال، يمكن حساب الطول الكلي لفترة الثقة (Interval Width) عبر طرح الحد الأدنى من الحد الأعلى، كما يمكن استخراج هامش الخطأ الإحصائي (Margin of Error) بقسمة طول الفترة على اثنين في الطرق المتماثلة، أو بقياس المسافة الرياضية بين النسبة النقطية وكلٍ من الحدين في الطرق غير المتماثلة.

علاوة على ذلك، يمكن دمج هذه المخرجات الرقمية بسلاسة ضمن قوالب التقارير الأكاديمية أو تخزينها في هياكل جداول بيانات Pandas لتسهيل استخراج الجداول الإحصائية المنسقة وفق المعايير المعتمدة، مما يسهم في أتمتة عمليات التوثيق وتوليد التقارير البحثية الجاهزة للنشر والتحكيم العلمي.

5. التطبيق العملي لطريقة التقريب الطبيعي (Normal / Wald) في بايثون

5.1 تنفيذ كود بايثون لحساب فترة الثقة بطريقة Normal

لتنفيذ طريقة التقريب الطبيعي الكلاسيكية برمجياً، نقوم باستدعاء الدالة proportion_confint وتعيين المعامل method=’normal’. يوضح السياق البرمجي التالي كيفية استيراد الدالة وتمرير القيم المحددة لعينة افتراضية:

يبدأ الكود باستيراد الدالة عبر الأمر:

from statsmodels.stats.proportion import proportion_confint

ثم نحدد قيم المعلمات، مثل تعيين عدد النجاحات count = 60 وإجمالي عدد المحاولات nobs = 100، مع ضبط مستوى المعنوية alpha = 0.05. وعند استدعاء الدالة بالصيغة:

ci_lower, ci_upper = proportion_confint(count=60, nobs=100, alpha=0.05, method=’normal’)

تُرجع الدالة حدي فترة الثقة المحسوبين بناءً على توزيع فالد المقارب. ويمكن للمحلل مراجعة هذا الحساب يدويًا في بايثون باستخدام مكتبة NumPy عبر تطبيق المعادلة المباشرة:

p_hat = count / nobs
se = np.sqrt(p_hat * (1 – p_hat) / nobs)
ci_lower = p_hat – 1.95996 * se
ci_upper = p_hat + 1.95996 * se

يظهر هذا التطابق البرمجي أن دالة statsmodels تعتمد المعادلة المعيارية دون أي تصحيح للاتصالية، مما يجعلها مثالية للأغراض التعليمية أو لمقارنة النتائج مع الدراسات القديمة، شريطة أن تكون العينات كبيرة والنسب متوازنة ومعتدلة.

5.2 دراسة حالة: قياس نسبة الموافقة على ظاهرة سلوكية

دعنا نطبق هذه الطريقة على دراسة حالة واقعية في علم النفس السلوكي، حيث أجرى باحث مسحًا ميدانيًا شمل عينة عشوائية مكونة من 100 مشارك (n = 100) لقياس نسبة الموافقة على برنامج تدخلي جديد للحد من القلق المهني. أظهرت النتائج أن 56 مشاركًا أبدوا موافقة صريحة على فاعلية التدخل (count = 56)، مما يعني أن التقدير النقطي لنسبة الموافقة هو p̂ = 0.56 أو 56%.

عند حساب فترة الثقة بمستوى ثقة 95% (alpha = 0.05) باستخدام طريقة فالد في بايثون، نجد أن الخطأ المعياري للنسبة يساوي تقريبًا 0.0496. وبضرب هذا الخطأ في القيمة المعيارية Z المقابلة (1.96)، نحصل على هامش خطأ قدره 0.0973. وبالتالي تنتج بايثون فترة ثقة تتراوح حدودها بين [0.4627, 0.6573]، أي ما يعادل 46.27% إلى 65.73%.

أما إذا رفعنا مستوى الثقة إلى 99% (alpha = 0.01)، حيث تصبح القيمة الحرجة Z مساوية تقريبًا لـ 2.576، فإن فترة الثقة تتسع لتصبح [0.4321, 0.6879]. وتُصاغ النتيجة الإحصائية في التقرير العلمي كالتالي: “أظهرت النتائج أن 56% من أفراد العينة يوافقون على التدخل السلوكي، وبدرجة ثقة 95% فإن النسبة الحقيقية للموافقة في المجتمع العام تقع ضمن المدى المحصور بين 46.27% و65.73%”. وبما أن هذه العينة تفي بشروط التقريب الطبيعي المعياري، فإن هذا التقدير يُعد مقبولاً إحصائيًا، وإن كانت الطرق المتقدمة تظل أكثر أمانًا وموثوقية.

6. مقارنة الطرق والأساليب المتاحة في Statsmodels

6.1 نظرة عامة على الطرق المدعومة في بايثون

تتميز مكتبة Statsmodels بشموليتها في توفير مجموعة واسعة من الأساليب الإحصائية لحساب فترات الثقة ذات الحدين، متجاوزة بذلك القصور المتأصل في البرمجيات الإحصائية البسيطة. وتشمل الخيارات المتاحة عبر المعامل method خمسة أساليب رئيسية معترف بها في الأوساط الأكاديمية العالمية:

• طريقة ويلسون (method=’wilson’): وتُعرف بفاصل درجات ويلسون (Wilson Score Interval). تقوم هذه الطريقة على قلب اختبار النسبة المعياري دون استبدال المعلمة الحقيقية بالمقدر النقطي في الخطأ المعياري، مما يمنحها خصائص تغطية فائقة واستقرارًا مذهلاً عبر مختلف أحجام العينات.
• طريقة كلوبر-بيرسون الدقيقة (method=’exact’ أو ‘beta’): تمثل المعيار الذهبي الكلاسيكي للفترات الدقيقة غير التقريبية، حيث تعتمد مباشرة على التوزيع التراكمي لذات الحدين عبر صيغ التوزيع الاحتمالي لتوزيع بيتا، وتضمن عدم انخفاض التغطية عن المستوى الاسمي مطلقًا.
• طريقة أغريستي-كول (method=’agresti_coull’): طريقة تقريبية مبتكرة وسهلة التطبيق تقوم على تعديل البيانات الأولية بإضافة عدد محدد من النجاحات والإخفاقات الوهمية، موفرة أداءً يقارب طريقة ويلسون وبصيغة تشبه طريقة فالد الكلاسيكية.
• طريقة جيفريز البيزية (method=’jeffreys’): منهجية استدلالية بيزية تعتمد على توزيع قبلي غير موجه (Non-informative Jeffreys Prior) مستند إلى توزيع بيتا Beta(0.5, 0.5)، وتنتج فترات ذات مصداقية تمتلك خصائص تكرارية ممتازة جدًا في التطبيق العملي.
• طريقة فالد / التقريب الطبيعي (method=’normal’): الطريقة التقليدية البسيطة المستندة لمبرهنة النهاية المركزية، وتُستخدم بحذر شديد وفي العينات الكبيرة والمتوازنة فقط.

6.2 معايير المفاضلة بين الطرق الإحصائية

يتطلب الاختيار الرشيد بين هذه الأساليب المتاحة في بايثون إدراكًا دقيقًا لطبيعة المعطيات التجريبية والهدف البحثي المحدد. وتتمثل المعايير الحاكمة في هذه المفاضلة في أربعة محددات رئيسية:

أولاً: حجم العينة (Sample Size)؛ ففي العينات الصغيرة جدًا (أقل من 30 مشاهدة)، يُستبعد استخدام التقريب الطبيعي تمامًا، ويفضل الاعتماد على طريقة كلوبر-بيرسون إذا كان التحفظ وعدم التفاؤل مطلوبًا بشدة، أو استخدام طريقتي ويلسون وجيفريز للحصول على فترات دقيقة وأقل اتساعًا. وفي العينات المتوسطة والكبيرة، تتفوق طرائق ويلسون وأغريستي-كول في تقديم معدلات تغطية متوازنة وثابتة.

ثانيًا: موقع النسبة المقدرة؛ فعندما تقترب النسبة من الحدود القصوى (أقل من 0.1 أو أكبر من 0.9)، تنهار الفترات التماثلية، وتبرز أهمية طريقتي ويلسون وجيفريز في إنتاج فترات لا تماثلية تنحني بذكاء داخل النطاق المقبول [0, 1] دون أن تتجاوزه.

ثالثًا: الصرامة والتحفظ الرياضي؛ فإذا كان البحث يتعلق بسلامة الأدوية أو القرارات التشخيصية الحرجة حيث يُمنع منعًا باتًا أي انخفاض في التغطية الفعلية عن المستوى الاسمي، فإن طريقة كلوبر-بيرسون الدقيقة تصبح الخيار الإلزامي على الرغم من اتساع فترتها. أما في الأبحاث السلوكية والاجتماعية العامة، فإن التوصية المعيارية المعاصرة تستقر على اعتماد طريقة ويلسون أو أغريستي-كول كخيار افتراضي متفوق.

7. طريقة ويلسون (Wilson Score Interval) وتطبيقها البرمجي

7.1 الأساس الرياضي لطريقة فاصل ويلسون

طرح إدوين ويلسون هذه الطريقة المتميزة في ورقته الكلاسيكية عام 1927، كحل جذري لعيوب تقريب فالد. ينطلق الأساس الرياضي لطريقة ويلسون من فكرة عبقرية مفادها أن عدم اليقين المرتبط بالخطأ المعياري يجب ألا يُحسب بالاعتماد على النسبة التجريبية المقدرة من العينة p̂، بل يجب أن يُشتق مباشرة من المعلمة الحقيقية المجهولة p عبر مساواة إحصاء الدرجة المعيارية Z بالحدود الحرجة، ومن ثم حل المعادلة التربيعية الناتجة بالنسبة لـ p.

تأخذ الصيغة الرياضية المغلقة لحدود فترة ويلسون الشكل التالي:

CI = [ p̂ + z²/(2n) ± z √{ p̂(1-p̂)/n + z²/(4n²) } ] / [ 1 + z²/n ]

تُظهر هذه الصيغة بوضوح كيف تقوم طريقة ويلسون بإجراء تعديل مزدوج؛ حيث يتم تعديل مركز الفترة بإزاحته قليلاً نحو القيمة المركزية 0.5 عبر إضافة الحد z²/(2n) في البسط وقسمة الكل على (1 + z²/n)، بينما يتضمن الحد الجذري تعديلاً يمنع تلاشي الخطأ المعياري حتى لو كانت النسبة التجريبية صفرًا أو واحدًا. ونتيجة لهذا البناء الرياضي المحكم، تضمن فترة ويلسون بقاء حدودها دائمًا ضمن النطاق [0, 1]، مع الحفاظ على معدل تغطية حقيقي يتقارب بشكل ممتاز مع مستوى الثقة الاسمي حتى في أصغر أحجام العينات.

7.2 التطبيق العملي في بايثون والمقارنة مع طريقة فالد

يتم تنفيذ طريقة ويلسون في بايثون بكل بساطة وسلاسة عبر تمرير المعامل method=’wilson’ إلى دالة proportion_confint. يوضح النموذج التالي كيفية إجراء هذا الحساب البرمجي:

نستدعي الدالة كما يلي:

ci_wilson = proportion_confint(count=5, nobs=50, alpha=0.05, method=’wilson’)

في هذا السيناريو، لدينا عينة بحجم n = 50 وعدد نجاحات count = 5، أي أن النسبة المقدرة هي 10% (0.10). عند تطبيق طريقة فالد العادية على هذه البيانات، نحصل على فترة ثقة تتراوح بين [0.0169, 0.1831] بطول كلي يبلغ 0.1662، وتكون الفترة متماثلة تمامًا حول النقطة 0.10.

أما عند تطبيق طريقة ويلسون (method=’wilson’)، فإن بايثون تُرجع فترة الثقة التالية: [0.0435, 0.2137]. بمقارنة النتيجتين، نلاحظ خاصية عدم التماثل البالغة الأهمية في فترة ويلسون؛ فالحد الأدنى ارتفع من 0.0169 إلى 0.0435 ليحمي التقدير من الإفراط في الاقتراب من الصفر، بينما امتد الحد الأعلى إلى 0.2137 ليعكس الالتواء الطبيعي لتوزيع المعاينة عند النسب المنخفضة. وتثبت هذه المقارنة العملية كيف تقدم طريقة ويلسون حماية إحصائية متفوقة ودقة استدلالية لا يمكن لطريقة فالد الكلاسيكية مجاراتها.

8. طريقة كلوبر-بيرسون الدقيقة (Clopper-Pearson Exact Interval)

8.1 المنطق الإحصائي لفترة الثقة الدقيقة القائمة على توزيع بيتا

قدم الباحثان كلوبر وبيرسون عام 1934 المنهجية الأولى لحساب فترات الثقة “الدقيقة” (Exact Confidence Intervals) لنسب التوزيع ذي الحدين. ويقصد بمصطلح “الدقيقة” هنا أن الطريقة لا تعتمد إطلاقًا على أي تقريب مقارب مستمد من مبرهنة النهاية المركزية، بل تشتق حدود الفترة مباشرة من دالة التوزيع التراكمي الدقيقة (CDF) للتوزيع ذي الحدين عبر عكس اختبارات الفروض الإحصائية التراكمية عند طرفي التوزيع.

تُرجمت هذه المنهجية رياضيًا عبر الربط الجوهري بين التوزيع التراكمي للتوزيع ذي الحدين والتوزيع التراكمي لدالة توزيع بيتا (Beta Distribution) أو توزيع F الإحصائي. وبناءً على هذه العلاقة، يُحسب الحد الأدنى للفترة p_lower والحد الأعلى p_upper عند مستوى ثقة (1 – α) باستخدام المئينات الكمية لدالة بيتا كالتالي:

p_lower = Beta^-1(α/2; k, n – k + 1)
p_upper = Beta^-1(1 – α/2; k + 1, n – k)

تتمتع فترة كلوبر-بيرسون بخاصية رياضية فريدة تُعرف بـ “الخاصية المحافظة” (Conservatism)؛ حيث تضمن هذه الطريقة بشكل قاطع ألا يقل معدل التغطية الحقيقي للفترة عن مستوى الثقة الاسمي المحدد (مثلاً 95%) تحت أي ظرف تجريبي ومهما كان حجم العينة صغيرًا أو النسبة متطرفة. ومع ذلك، فإن هذه الضمانة الصارمة تؤدي في المقابل إلى اتساع عرض الفترة مقارنة بالطرق الأخرى، مما يجعلها تتجاوز مستوى التغطية الاسمي الفعلي في معظم الحالات لتصل أحيانًا إلى 98% أو 99% عند استهداف مستوى 95%.

8.2 التنفيذ في بايثون وتحليل الأداء الإحصائي

تدعم بايثون حساب فترة كلوبر-بيرسون بدقة رياضية متناهية عبر مكتبة Statsmodels بتمرير المعامل method=’beta’ أو المعامل المترادف method=’exact’. وتعتمد الدالة داخليًا على خوارزميات حساب مئينات توزيع بيتا المبرمجة في مكتبة SciPy عبر الوحدة scipy.stats.beta.ppf.

لتطبيق هذا الأسلوب على عينة صغيرة جدًا، ولتكن دراسة تجريبية في علم النفس العصبي تتألف من 15 مشاركًا فقط (n = 15) وسجلت 3 استجابات إيجابية (count = 3)، يتم استدعاء الكود بالشكل التالي:

ci_exact = proportion_confint(count=3, nobs=15, alpha=0.05, method=’beta’)

تُنتج بايثون فترة ثقة كلوبر-بيرسون الدقيقة لهذا السيناريو بالحدود: [0.0433, 0.4809]. يُلاحظ هنا أن اتساع الفترة كبير نسبيًا (0.4376)، وهو انعكاس مباشر للتحفظ الإحصائي الإلزامي لضمان عدم هبوط معدل التغطية عن 95% في ظل عينة شديدة الصغر وذات توزيع متقطع.

وعلى الرغم من انتقاد البعض لطريقة كلوبر-بيرسون بسبب هذا الاتساع الزائد وهامش الخطأ الكبير، إلا أنها تظل الخيار المنهجي الأوحد والملزم قانونيًا وأكاديميًا في الدراسات الإكلينيكية الدوائية وأبحاث الأجهزة الطبية الحساسة وتقييم المخاطر الكبرى، حيث يُعد التفاؤل الإحصائي خطأً جسيمًا لا يمكن التسامح معه علميًا.

9. طريقة أغريستي-كول (Agresti-Coull) وطريقة جيفريز البيزية (Jeffreys)

9.1 طريقة أغريستي-كول: نهج ‘إضافة نجاحين وإخفاقين’

اقترح الباحثان آلان أغريستي وبرنت كول في عام 1998 تعديلاً مدهشًا في بساطته وفاعليته على طريقة فالد الكلاسيكية، بهدف الجمع بين سهولة الحساب اليدوي والخصائص الاستدلالية الممتازة لطريقة ويلسون. يُعرف هذا النهج في الأوساط الإحصائية بقاعدة “إضافة نجاحين وإخفاقين” (Add 2 Successes and 2 Failures) عند العمل بمستوى ثقة 95%.

يقوم الأساس المنطقي للطريقة على تعديل البيانات الأصلية بإضافة القيمة z² إلى إجمالي عدد المحاولات، وإضافة z²/2 إلى عدد النجاحات. وفي حالة مستوى الثقة 95% حيث z ≈ 1.96 ≈ 2، فإن z² ≈ 4، وبالتالي نضيف 4 إلى حجم العينة الكلي (ñ = n + 4)، ونضيف 2 إلى عدد النجاحات (k̃ = k + 2). وتصبح النسبة المعدلة:

p̃ = (k + 2) / (n + 4)

ثم تُطبق صيغة فالد الكلاسيكية مباشرة باستخدام هذه القيم المعدلة:

CI = p̃ ± z × √[ p̃ (1 – p̃) / ñ ]

يتم استدعاء هذه الطريقة في بايثون باستخدام method=’agresti_coull’. وتتميز هذه الطريقة بأنها تنتج فترات ثقة أوسع قليلاً من فترة ويلسون وأكثر تماثلاً حول النسبة المعدلة، مما يجعلها سهلة الفهم والشرح في التقارير الأكاديمية دون التورط في التعقيدات الحسابية للدوال غير الخطية، مع تحقيق معدلات تغطية تجريبية تقترب بشدة من 95% عبر كافة السيناريوهات العملية.

9.2 طريقة جيفريز (Jeffreys Interval) من المنظور البيزي

تستند طريقة جيفريز إلى الإطار الفلسفي والاستدلالي للإحصاء البيزي (Bayesian Statistics)، حيث يُنظر إلى المعلمة p كمتغير عشوائي يمتلك توزيعًا احتماليًا قبليًا وبعديًا، بدلاً من التعامل معها كقيمة ثابتة مجهولة كما في المذهب التكراري. وتستخدم الطريقة التوزيع القبلي غير الموجه الذي اشتقه السير هارولد جيفريز، وهو توزيع بيتا ذو المعالم المتساوية Beta(0.5, 0.5)، والذي يتميز بخاصية الثبات الرياضي تحت التحويلات القياسية للمعلمات (Invariance Property).

عند دمج هذا التوزيع القبلي مع دالة الإمكان للتوزيع ذي الحدين، ينتج التوزيع البعدي (Posterior Distribution) للمعلمة p على هيئة توزيع بيتا بالصيغة:

p | Data ~ Beta(k + 0.5, n – k + 0.5)

وتُشتق فترة الثقة (والتي تُسمى بدقة في الإطار البيزي: فترة المصداقية المتساوية الذيلين – Equal-tailed Credible Interval) عبر حساب المئينات الكمية α/2 و (1 – α/2) لهذا التوزيع البعدي باستخدام دالة بيتا العكسية.

تُنفذ هذه الطريقة في بايثون بتعيين method=’jeffreys’. والمثير للاهتمام أن فترة جيفريز، على الرغم من منطلقاتها البيزية البحتة، تمتلك أفضل خصائص التغطية التكرارية (Frequentist Coverage) بين جميع الأساليب المنافسة؛ إذ تتجنب كلاً من التذبذب الحاد لفترة فالد والتحفظ المفرط لفترة كلوبر-بيرسون، مما يجعلها الخيار المفضل لدى كبار الإحصائيين في التطبيقات المعاصرة المتقدمة.

10. معالجة الحالات الحدية والعينات المتطرفة في بايثون

10.1 التعامل مع حالات انعدام النجاح (Zero Successes) أو النجاح التام

تمثل الحالات الحدية، وتحديدًا عندما لا تسجل العينة أي نجاح على الإطلاق (k = 0) أو عندما تسجل نجاحًا تامًا بنسبة 100% (k = n)، اختبارًا حرجًا لكفاءة ومرونة الطرق الإحصائية وخوارزمياتها البرمجية. وتتكرر هذه السيناريوهات بكثرة في مجالات تقييم سلامة البرمجيات، ومعدلات حدوث الآثار الجانبية النادرة للأدوية، أو رصد السلوكيات الشاذة شديدة الندرة في المجتمع.

في هذه الحالات المتطرفة، تنهار طريقة فالد الكلاسيكية تمامًا وتنتج فترات ثقة عديمة المعنى ذات عرض صفري مثل [0, 0] أو [1, 1]. ولمعالجة هذا القصور تاريخيًا في غياب الحواسيب، لجأ الإحصائيون إلى ما يُعرف بـ “قاعدة الثلاثة” (Rule of Three)، والتي تنص على أنه إذا لم يُرصد أي حدث في عينة حجمها n، فإن الحد الأعلى التقريبي لفترة ثقة 95% لاحتمال وقوع هذا الحدث في المجتمع يُحسب ببساطة بالمعادلة: 3 / n.

أما في المنظومة البرمجية الحديثة لبايثون، فإن الطرق المتقدمة تتعامل مع هذه الحالات الحدية بسلاسة مذهلة دون الحاجة إلى تقريبات يدوية؛ فطريقة كلوبر-بيرسون الدقيقة تعيد حدًا أدنى مغلقًا عند الصفر تمامًا [0, 1 – (α/2)^1/n]، بينما تعيد طريقة ويلسون حدًا أدنى مقداره صفر وحدًا أعلى موجبًا محسوبًا بدقة عبر الصيغة المعدلة z² / (n + z²)، مما يوفر تقييمًا واقعيًا ومحكمًا لمقدار عدم اليقين المرتبط بالأحداث النادرة.

10.2 تنفيذ كود متخصص لمعالجة السيناريوهات النادرة

لضمان استقرار المعالجة البرمجية وتفادي توقف الخوارزميات عند مواجهة نسب صفرية في قواعد البيانات الضخمة، يُنصح ببناء دوال بايثون متخصصة قادرة على فحص الشروط الحدية واختيار الطريقة الإحصائية الملائمة تلقائيًا. يوضح المثال التالي كيفية مقارنة استجابة دوال Statsmodels المختلفة مع عينة خالية من النجاحات تمامًا تتكون من 30 تجربة (count = 0, nobs = 30):

عند تنفيذ الكود البرمجي لحساب فترات الثقة لمختلف الطرق عند alpha = 0.05:

• Normal / Wald: تنتج [0.0000, 0.0000] (فشل رياضي تام وتضليل إحصائي).
• Wilson: تنتج [0.0000, 0.1135] (تقدير ممتاز يعكس أقصى احتمال متوقع للمجتمع بنسبة 11.35%).
• Exact / Clopper-Pearson: تنتج [0.0000, 0.1157] (تقدير دقيق ومحافظ يتطابق مع دالة بيتا).
• Agresti-Coull: تنتج [-0.0154, 0.1330] ثم يتم تصحيح الحد الأدنى برمجيًا إلى 0.0000.
• Jeffreys: تنتج [0.0000, 0.0602] (فترة بيزية ضيقة استنادًا للتوزيع البعدي Beta(0.5, 30.5)).

توضح هذه المقارنة الرقمية الصريحة خطورة الاعتماد على الأساليب التقليدية وضرورة برمجة منظومة الفحص التلقائي لضمان توثيق فترات الثقة للأحداث النادرة وفق أفضل الممارسات المنهجية العالمية.

11. بناء دوال مخصصة وتصوير فترات الثقة بيانيًا

11.1 برمجة دالة شاملة للمقارنة التلقائية بين كافة الطرق

لتسهيل العمل البحثي وتجنب تكرار كتابة الأكواد، يُعد بناء دالة بايثون مخصصة تجمع كافة الأساليب الإحصائية في مصفوفة مقارنة واحدة خطوة برمجية بالغة الأهمية. تستقبل هذه الدالة المخصصة عدد النجاحات count، وحجم العينة nobs، ومستوى المعنوية alpha، ثم تقوم بحساب فترات الثقة لكافة الطرق المدعومة، وتستخرج طول الفترة وهامش الخطأ، وتعيد جدول بيانات منظم ومصنف عبر مكتبة Pandas.

تعتمد هيكلية هذه الدالة المتقدمة على إنشاء حلقة تكرارية (Loop) تمر عبر قائمة الطرق: [‘normal’, ‘wilson’, ‘beta’, ‘agresti_coull’, ‘jeffreys’]، وتستدعي دالة proportion_confint لكل طريقة، مع تطبيق معالجة استثنائية لقص الحدود السالبة إلى الصفر والحدود المتجاوزة إلى الواحد الصحيح. ثم يُحسب عرض الفترة (Width) بطرح الحد الأدنى من الحد الأعلى، ويُنسق الجدول النهائي ليعرض النتائج كنسب مئوية مقروءة بأعلى درجات الدقة والوضوح.

يمكّن هذا النهج البرمجي الباحث من إلقاء نظرة بانورامية فورية على سلوك مختلف الأساليب الإحصائية لنفس العينة، مما يدعم اتخاذ قرارات منهجية واعية وشفافة عند إعداد التقارير العلمية ومناقشة النتائج في الأطروحات الأكاديمية.

11.2 التصوير البياني لفترات الثقة باستخدام Matplotlib وSeaborn

يمثل التمثيل البصري (Data Visualization) لفترات الثقة الأداة الأكثر إقناعًا وقدرة على نقل الرسالة الإحصائية للمتلقي والقارئ الأكاديمي. وتوفر مكتبتا Matplotlib وSeaborn إمكانات فائقة لتصميم مخططات أشرطة الخطأ (Error Bar Plots) والمخططات النقطية لمقارنة فترات الثقة بمختلف أساليبها بصريًا.

يمكن برمجة مخطط بياني متكامل يعرض النسبة النقطية كنقطة مركزية تمتد منها أذرع أشرطة الخطأ لتمثل الحدين الأدنى والأعلى لكل طريقة من الطرق الخمس على محور رأسي أو أفقي. وتبرز هذه المخططات البصرية بوضوح الفروق الجوهرية في اتساع الفترات وعدم تماثلها، لا سيما في حالات العينات المنحازة أو الصغيرة.

كما يمكن برمجة سيناريوهات بصرية ديناميكية متقدمة؛ مثل رسم منحنى تغير عرض فترة الثقة كدالة في حجم العينة المتزايد من n = 10 إلى n = 500، أو رسم مخطط مساحي يوضح تذبذب معدل التغطية الفعلي عبر قيم p المختلفة من 0 إلى 1. وتساهم هذه التصورات البيانية في تعميق الفهم الإحصائي وإثراء العروض التقديمية والأوراق البحثية بمحتوى بصري عالي الجودة والاحترافية.

12. تطبيقات متقدمة ودراسات حالة واقعية في الأبحاث السلوكية والنفسية

12.1 تحليل نسب الاستجابة في الاختبارات النفسية والتشخيصية

تتجلى التطبيقات الأكثر تقدمًا لفترات الثقة ذات الحدين في مجالات القياس النفسي والتشخيص الإكلينيكي وتقييم الأدوات السيكومترية. ومن أبرز هذه التطبيقات حساب فترات الثقة لمؤشرات الحساسية التشخيصية (Diagnostic Sensitivity) ومؤشرات النوعية التشخيصية (Diagnostic Specificity) للمقاييس السلوكية الجديدة.

فعلى سبيل المثال، عند تقييم مقياس تشخيصي جديد للاكتئاب المطبق على عينة سريرية مؤكدة التشخيص تتكون من 80 مريضًا (n = 80)، ونجح المقياس في تشخيص 72 حالة بنجاح (count = 72)، فإن الحساسية النقطية للمقياس هي 90%. وباستخدام طريقة ويلسون في بايثون عند مستوى ثقة 95%، نحصل على فترة ثقة تتراوح بين [0.8143, 0.9498]. وتعكس هذه الفترة أن الحساسية الحقيقية للمقياس في المجتمع الإكلينيكي تتراوح بدقة بين 81.43% و94.98%، مما يقدم دليلاً إحصائيًا رصينًا على صلاحية الأداة للاستخدام الميداني.

كما تمتد هذه المعالجة إلى تقييم نسب الاستجابة للبرامج العلاجية والتدخلات السلوكية في التجارب العشوائية المضبوطة (RCTs)، وتتيح بايثون كذلك دمج أوزان المعاينة عند التعامل مع التصاميم المعقدة والعينات الطبقية (Stratified Samples) عبر حساب فترات الثقة للنسب الموزونة، مما يضمن تمثيل كافة الفئات المجتمعية دون تحيز إحصائي.

12.2 كتابة وتوثيق النتائج وفق معايير الجمعية الأمريكية لعلم النفس (APA)

تشترط المعايير المنهجية الصارمة للإصدار السابع من دليل النشر العلمي التابع للجمعية الأمريكية لعلم النفس (APA 7th Edition) تضمين فترات الثقة لجميع التقديرات الإحصائية الرئيسية وأحجام الأثر (Effect Sizes)، وعدم الاكتفاء بالقيم الاحتمالية (p-values) أو التقديرات النقطية المفردة.

وتُصاغ النتائج الإحصائية لفترات ثقة النسبة ذات الحدين بأسلوب APA المعياري وفق التنسيق التالي:

“أظهرت النتائج أن نسبة الاستجابة الإيجابية للتدخل السلوكي بلغت 72.50%، 95% CI [61.80%, 81.18%] (باستخدام فاصل درجات ويلسون).”

كما يؤكد الدليل على ضرورة التوثيق الشفاف للطريقة الإحصائية المتبعة لحساب الفترة (مثل توضيح ما إذا كانت الطريقة المستخدمة هي ويلسون، أو كلوبر-بيرسون، أو جيفريز)، وتحديد البرمجية أو الحزمة الإحصائية المستخدمة ورقم إصدارها. ومن الأخطاء الشائعة التي يجب تجنبها تفسير فترة الثقة بشكل احتمالي فردي لعينة واحدة، أو إهمال ذكر مستوى الثقة المعتمد، أو حذف الحدود والاكتفاء بذكر هامش الخطأ في الطرق غير المتماثلة. ويضمن الالتزام بهذه الضوابط الارتقاء بجودة التوثيق العلمي والامتثال لأعلى معايير النزاهة الأكاديمية.

الخاتمة والتوصيات العملية

استعرض هذا المقال الشامل والمدعوم بالأدلة الرياضية والبرمجية كافة الأبعاد النظرية والتطبيقية لحساب فترات الثقة لنسب التوزيع ذي الحدين باستخدام لغة بايثون. وقد اتضح جليًا من خلال التحليل المنهجي المقارن أن طريقة التقريب الطبيعي الكلاسيكية (فترة فالد) تعاني من عيوب هيكلية خطيرة تجعلها غير صالحة للاستخدام في معظم السيناريوهات البحثية الواقعية، ولا سيما في ظل وجود بدائل حاسوبية فائقة الدقة والسهولة.

توصي الأدبيات الإحصائية المعاصرة باعتماد طريقة ويلسون (Wilson Score Interval) كخيار معياري افتراضي لمعظم التطبيقات والأبحاث السلوكية والاجتماعية والمسوح العامة، نظرًا لخصائص تغطيتها المتفوقة واستقرارها الملحوظ عبر مختلف أحجام العينات وقيم النسب. وفي المقابل، يُوصى باللجوء إلى طريقة كلوبر-بيرسون الدقيقة (Clopper-Pearson Exact) في الدراسات الطبية الحرجة وتقييمات السلامة حيث يُعد التحفظ الإحصائي التام مطلبًا غير قابل للتفاوض، في حين تظل طريقة جيفريز البيزية الخيار الأمثل للباحثين الساعين لتحقيق أعلى درجات الدقة التوزيعية المتوازنة.

إن توظيف حزمة statsmodels.stats.proportion ودوالها المتقدمة مثل proportion_confint في بايثون يمنح الباحثين والمحللين قوة حاسوبية استثنائية تتيح لهم تطبيق هذه الأساليب الحديثة بكفاءة وموثوقية بالغة، مما يرفع من جودة الاستدلال الإحصائي ويسهم في بناء نتائج علمية رصينة وقابلة للتكرار والتعميم.

المراجع

• Agresti, A., & Coull, B. A. (1998). Approximate is better than “exact” for interval estimation of binomial proportions. The American Statistician, 52(2), 119–126. https://doi.org/10.1080/00031305.1998.10480550
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286
• Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.1093/biomet/26.4.404
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
• Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: Comparison of seven methods. Statistics in Medicine, 17(8), 857–872. <a href="https://doi.org/10.1002/(SICI)1097-0258(19980430)17:83.0.CO;2-E”>https://doi.org/10.1002/(SICI)1097-0258(19980430)17:8<857::AID-SIM777>3.0.CO;2-E
• Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In Proceedings of the 9th Python in Science Conference (Vol. 57, pp. 92–96). https://doi.org/10.25080/Majora-92bf1921-011
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
• Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212. https://doi.org/10.1080/01621459.1927.10502953