كيفية حساب فترة الثقة ذات الحدين في R

تُعد النمذجة الإحصائية للبيانات الثنائية (Binary Data) إحدى الركائز الأساسية التي يقوم عليها الاستدلال الإحصائي في شتى فروع المعرفة، بدءاً من الأبحاث السريرية والعلوم السلوكية وصولاً إلى دراسات القياس النفسي والتحليلات الاقتصادية القياسية. عندما يواجه الباحث ظاهرة تنطوي على مخرجين متعارضين وشاملين—كالشفاء مقابل عدم الشفاء، أو النجاح مقابل الإخفاق، أو وجود العَرَض المرضي مقابل غيابه—فإن تقدير نسبة هذا الحدث في المجتمع الإحصائي الكلي يمثل الغاية المركزية للتحليل. غير أن الاقتصار على التقدير النقطي (Point Estimate) وحده يقدم صورة ناقصة، بل ومضللة في كثير من الأحيان، نظراً لتجاهله الكامل للتباين العيني (Sampling Variability) وعدم اليقين الملازم لكل عملية استقصاء قائمة على عينة عشوائية محدودة.

من هنا تبرز فترات الثقة لنسبة ذات الحدين (Binomial Confidence Intervals) بوصفها الأداة الرياضية الأكثر موثوقية لعكس مدى الدقة الإحصائية ومحاصرة المعلمة المجتمعية المجهولة بنطاق احتمالي مقنن. ومع الانتقال المعاصر في منهجيات البحث العلمي من الاعتماد المفرط على اختبارات الدلالة الإحصائية الصفرية (Null Hypothesis Significance Testing) إلى مبادئ “الإحصاء التقديري” (Estimation Statistics)، بات لزاماً على الباحثين الإلمام التام بالأسس النظرية والرياضية لمختلف خوارزميات حساب فترات الثقة، فضلاً عن التمكن البرمجي من تطبيقها والمفاضلة بينها.

تتربع لغة البرمجة الإحصائية R على عرش البيئات الحسابية المستخدمة في هذا المضمار، لما توفره من ترسانة دوال قياسية وحزم متخصصة تتيح التعامل مع النماذج الثنائية بأعلى درجات الدقة. يستعرض هذا الدليل الشامل والمفصل كافة الجوانب النظرية والرياضية والتطبيقية لحساب فترات الثقة ذات الحدين في بيئة R، من خلال دراسة الفروق الجوهرية بين الطرق الكلاسيكية كتقريب فالد، والطرائق الدقيقة ككلوبر-بيرسون، والحلول التوفيقية المتقدمة كفترة ويلسون وأجرستي-كول ونماذج الاستدلال البايزي، معززاً ذلك بالتطبيقات البرمجية المعمقة، والتصورات البصرية البيانية، ودراسات الحالة الميدانية في العلوم النفسية والسلوكية.

1. مقدمة نظرية حول فترات الثقة ذات الحدين وأهميتها الإحصائية

1.1 مفهوم التوزيع ذي الحدين وخصائصه الرياضية

ينبثق التوزيع ذو الحدين (Binomial Distribution) من تكرار تجربة ثنائية المآل تُعرف في الأدبيات الرياضية باسم تجربة برنولي (Bernoulli Trial). في هذه التجربة، يُصنف المخرج حصراً إلى إحدى فئتين متنافيتين: “نجاح” (Success) ويرمز له بالرقم 1، أو “فشل” (Failure) ويرمز له بالرقم 0. لكي تخضع الظاهرة المدروسة لنموذج ذات الحدين الرياضي الصارم، يجب استيفاء أربعة شروط جوهرية: أولاً، ثبات عدد المحاولات الكلي المحدد مسبقاً بالرمز $n$؛ ثانياً، ثنائية مخرجات كل محاولة على حدة؛ ثالثاً، الاستقلالية التامة (Independence) بين المحاولات، بحيث لا تؤثر نتيجة أي محاولة على احتمالية حدوث المخرجات في المحاولات السابقة أو اللاحقة؛ ورابعاً، ثبات احتمالية النجاح الحقيقية، والتي يُرمز لها بالمعلمة الإغريقية $\pi$ أو الرمز $p$، عبر جميع المحاولات التجريبية دون أي تذبذب أو تغير زمني أو اقتراني.

إذا تحقق هذا البناء الرياضي، فإن المتغير العشوائي المتقطع $X$، الذي يمثل العدد الإجمالي للنجاحات المحققة في $n$ من المحاولات، يتبع توزيعاً ذا حدين يُعبر عنه بالصيغة الرمزية $X sim B(n, p)$. وتُحسب الدالة الاحتمالية التراكمية وكتلة الاحتمال (Probability Mass Function) للحصول على $k$ من النجاحات بدقة متناهية عبر التوافيق الرياضية (Combinations) وفق المعادلة التالية:

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} = \frac{n!}{k!(n-k)!} p^k (1-p)^{n-k}$$

تتجلى الأهمية الهيكلية لهذا التوزيع في معلمتيه الأساسيتين: المتوسط الحسابي (القيمة المتوقعة) المتمثل في $\mu = E(X) = np$، والتباين الإحصائي المعبر عنه بالصيغة $\sigma^2 = Var(X) = np(1-p)$. أما عند الانتقال إلى دراسة نسبة النجاح في العينة، والمشار إليها بالرمز $\hat{p} = X/n$، فإن القيمة المتوقعة لهذه النسبة تطابق المعلمة المجتمعية الحقيقية $E(\hat{p}) = p$، مما يجعلها مقدراً غير منحاز (Unbiased Estimator)، في حين يؤول تباين هذه النسبة إلى الصيغة $Var(\hat{p}) = \frac{p(1-p)}{n}$، وهو المرتكز الذي تُشتق منه الأخطاء المعيارية اللازمة لبناء فترات الثقة.

1.2 فلسفة فترات الثقة لتقدير المعالم المجتمعية

يرتكز التقدير الإحصائي التقليدي على استخراج قيمة مفردة من بيانات العينة لتمثيل معلمة المجتمع المجهولة، وهو ما يُعرف بالتقدير النقطي ($\hat{p}$). ورغم بساطة هذا المؤشر وسهولة حسابه، إلا أن احتمالية تطابقه الرياضي التام مع المعلمة المجتمعية الحقيقية $p$ في المتغيرات المتصلة أو العينات المحدودة تقارب الصفر عملياً. ومن هنا، تقدم فلسفة فترات الثقة (Confidence Intervals) بديلاً استدلالياً فائق القوة، يقوم على صياغة مدى رقمي يحده حد أدنى (Lower Bound) وحد أقصى (Upper Bound) يُعتقد، بدرجة يقين إحصائي مقننة، أنه يشتمل على المعلمة المجتمعية الهدف.

يقتضي الفهم العميق لفلسفة فترات الثقة تبني التفسير التكراري (Frequentist Interpretation)؛ فمستوى الثقة الاسمي، وليكن $95%$ (المعبر عنه بالصيغة $100(1-\alpha)%$ حيث $\alpha = 0.05$)، لا يعني أن هناك احتمالية قدرها $95%$ لوقوع المعلمة الثابتة $p$ داخل الفترة المحسوبة من عينة واحدة محددة. فالمعلمة $p$ قيمة ثابتة وليست متغيراً عشوائياً. بل إن التفسير الصحيح ينص على أنه لو كررنا سحب عينات عشوائية مستقلة بالحجم $n$ نفسه لعدد لا نهائي من المرات من المجتمع ذاته، وحسبنا فترة الثقة لكل عينة بالخوارزمية الإحصائية عينها، فإن $95%$ من تلك الفترات الناتجة ستحتوي بالفعل على المعلمة الحقيقية $p$، في حين ستخفق $5%$ من الفترات في احتوائها.

تكمن القيمة العلمية لفترة الثقة في قدرتها على التعبير الكمي الصريح عن مقدار “عدم اليقين” (Uncertainty) المصاحب للدراسة. فاتساع الفترة يعكس مباشرة درجة التباين وخطأ المعاينة؛ فالفترة الضيقة تعكس دقة قياس مرتفعة وحجماً عينياً كافياً، بينما تشير الفترة المتسعة بشكل مفرط إلى ضعف القوة الإحصائية ومحدودية الدقة التقديرية، مما يحول دون اتخاذ قرارات حاسمة بناءً على التقدير النقطي المنفرد.

1.3 أهمية فترات الثقة ذات الحدين في البحوث السلوكية والنفسية

تعتمد العلوم السلوكية والتشخيص النفسي والعلوم الاجتماعية اعتماداً مكثفاً على المتغيرات الثنائية؛ حيث تتكرر القرارات التشخيصية القاطعة في العيادات والمختبرات السلوكية (مثل: يستوفي معايير اضطراب الاكتئاب الجسيم مقابل لا يستوفي، يستجيب للتدخل العلاجي مقابل لا يستجيب، ارتكاب السلوك النمطي مقابل الامتناع عنه). في هذه السياقات، لا يكتفي الباحث أو الأخصائي الإكلينيكي بمعرفة نسبة الحالات المشخصة في العينة، بل يسعى إلى تعميم هذه النسبة على مجتمع المرضى الأوسع لتقدير معدلات الانتشار (Prevalence Rates) وتقييم الفعالية العلاجية بموثوقية قابلة للتعميم.

يساهم حساب فترات الثقة الدقيقة للنسب ذات الحدين في حماية الباحثين من الوقوع في فخاخ التفسيرات المضللة الناتجة عن اختبارات الفرضيات الصفرية التقليدية. ففي كثير من الأحيان، قد يُظهر اختبار الفرضية الصفرية عدم وجود دلالة إحصائية بسبب صغر حجم العينة وانخفاض القوة الإحصائية (Statistical Power)، إلا أن فحص فترة الثقة قد يكشف أن النسبة الحقيقية للتعافي قد تصل إلى قيم مرتفعة سريرياً وواعدة جداً، مما يمنع الباحث من الإلغاء المبكر لتدخل علاجي واعد.

وفضلاً عن ذلك، تؤكد توجيهات الجمعية الأمريكية لعلم النفس (APA Style) في دليل النشر الإحصائي المحدث على ضرورة تضمين فترات الثقة لجميع التقديرات النقطية وأحجام الأثر (Effect Sizes). وتعتبر نسب النجاح والاستجابة من أهم مؤشرات أحجام الأثر في الدراسات السلوكية الثنائية، حيث يتيح تقديم فترات الثقة للقراء تقييم الأهمية العملية والإكلينيكية (Clinical Significance) جنباً إلى جنب مع الدلالة الإحصائية المجردة.

2. المعادلة الرياضية لفترة الثقة لنسبة ذات الحدين (فترة فالد)

2.1 اشتقاق صيغة فالد التقريبية المبنية على التوزيع الطبيعي

تُعد فترة فالد (Wald Interval) النموذج الإحصائي التقليدي الأكثر شيوعاً وتدريساً في المقررات الإحصائية التمهيدية لحساب فترات الثقة للنسب. يرتكز هذا الاشتقاق بصورة مباشرة على نظرية النهاية المركزية (Central Limit Theorem)، والتي تنص على أنه عندما يكون حجم العينة $n$ كبيراً بدرجة كافية، فإن توزيع المعاينة لنسبة النجاح التجريبية $\hat{p} = X/n$ يتقارب تقارباً مقاربياً (Asymptotically) مع التوزيع الطبيعي بمتوسط مقداره $p$ وتباين مقداره $p(1-p)/n$.

بناءً على هذه النظرية، يمكن صياغة المتغير المعياري $Z$ الذي يتبع التوزيع الطبيعي القياسي $N(0, 1)$ على النحو الآتي:

$$Z = \frac{\hat{p} – p}{\sqrt{\frac{p(1-p)}{n}}} \approx N(0, 1)$$

ولما كانت المعلمة الحقيقية $p$ مجهولة في المقام، فإن تقريب فالد يعمد إلى استبدال $p$ بالمقدر النقطي المحسوب من العينة $\hat{p}$ لتقدير الخطأ المعياري (Standard Error – $SE$). وبإعادة ترتيب المتباينة الاحتمالية $P(-z_{alpha/2} le Z le z_{alpha/2}) = 1 – \alpha$، نحصل على المعادلة الرياضية الكلاسيكية لفترة فالد:

$$\text{CI}_{\text{Wald}} = \hat{p} \pm z_{1-alpha/2} \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$$

حيث تُمثل $\hat{p}$ النسبة المقدرة في العينة ($X/n$)، و$z_{1-alpha/2}$ هي القيمة الحرجة المقابلة لمستوى الدلالة $\alpha$ المستخرجة من جداول التوزيع الطبيعي القياسي التراكمي، والجذر التربيعي $\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$ هو الخطأ المعياري المقدر للنسبة، ويُسمى حاصل ضرب القيمة الحرجة في الخطأ المعياري بهامش الخطأ (Margin of Error – $ME$).

2.2 جدول القيم الحرجة ومستويات الثقة القياسية

لتطبيق معادلة فالد والمعادلات الشبيهة، يعتمد الباحث على استخراج القيمة الحرجة $z_{1-alpha/2}$ المحددة لمساحة الذيلين في منحنى التوزيع الطبيعي القياسي. ترتبط هذه القيمة ارتباطاً وثيقاً بمستوى الثقة المختار مسبقاً، حيث يتم توزيع مساحة عدم اليقين $\alpha$ بالتساوي على الطرفين ($alpha/2$ في الذيل الأيمن و$alpha/2$ في الذيل الأيسر):

مستوى الثقة الاسمي ($1-\alpha$)	مستوى الدلالة الإحصائية ($\alpha$)	مساحة كل ذيل ($alpha/2$)	القيمة الحرجة ($z_{1-alpha/2}$)	دالة الاستخراج في R
90%	0.10	0.05	1.644853	qnorm(0.95)
95%	0.05	0.025	1.959964 (تقريباً 1.96)	qnorm(0.975)
99%	0.01	0.005	2.575829 (تقريباً 2.58)	qnorm(0.995)
99.9%	0.001	0.0005	3.290527	qnorm(0.9995)

توضح الدالة qnorm() في لغة R كيفية استرجاع هذه القيم بدقة متناهية تفوق الجداول المطبوعة، مما يقضي على أخطاء التقريب اليدوي ويمنح الحسابات دقة رقمية فائقة، لاسيما عند برمجة دوال التحليل المخصصة.

2.3 حدود وافتراضات صيغة فالد التقليدية

على الرغم من السيادة التاريخية والانتشار الواسع لصيغة فالد، إلا أن الأدبيات الإحصائية الحديثة—لاسيما الأوراق المرجعية الشهيرة لـ براون وبراون وداسغوبتا (Brown, Cai, & DasGupta, 2001)—أثبتت بشكل قاطع القصور الشديد والخلل البنيوي لهذه الطريقة. تستند صيغة فالد إلى شرط تقليدي يُعرف بشرط كفاية العينة، والذي يشترط أن يكون $n\hat{p} ge 5$ (أو 10) و$n(1-\hat{p}) ge 5$ (أو 10) لضمان موثوقية التقريب الطبيعي.

ومع ذلك، تفشل فترة فالد فشلاً ذريعاً في ثلاث حالات رئيسية: أولاً، عندما تقترب النسبة $p$ من الأطراف (أي قريبة من 0 أو 1)، حيث يؤدي الالتواء الشديد (Skewness) في توزيع ذات الحدين إلى انحراف التغطية الفعلية بشكل كارثي عن المستوى الاسمي ($95%$)، لتهبط أحياناً إلى أقل من $80%$ دون أن يشعر الباحث. ثانياً، ظاهرة التذبذب الفوضوي (Lucky and Unlucky $n$)؛ حيث أظهرت المحاكاة الرياضية أن زيادة حجم العينة لا تؤدي بالضرورة إلى تحسين رتيب في التغطية، بل قد تتدهور التغطية الاحتمالية فجأة عند زيادة $n$ لقيم محددة. ثالثاً، العيوب البنيوية الصريحة المتمثلة في احتمالية إنتاج حدود تتجاوز النطاق المنطقي للاحتمالات (حدود سالبة تحت الصفر أو حدود عليا تفوق الواحد الصحيح)، وانهيار الفترة تماماً إلى نقطة متطابقة $[0, 0]$ عند عدم تسجيل أي نجاح في العينة ($X=0$).

3. تجهيز بيئة العمل في لغة البرمجة R والبيانات الأولية

3.1 إعداد بيئة RStudio وإدارة الحزم الإحصائية

لبدء التطبيق العملي للتحليلات الإحصائية، يتطلب العمل بيئة برمجية مستقرة ومتكاملة. تُعد بيئة RStudio الواجهة التطويرية الأكثر كفاءة للتعامل مع لغة R. يجب أولاً التأكد من تحديث R إلى الإصدار الحديث لضمان التوافق التام للحزم والمكتبات الإحصائية.

تتضمن بيئة R الأساسية (Base R) دوالاً قياسية مدمجة مثل prop.test() وbinom.test()، إلا أن استكشاف كافة الطرق المعاصرة والمقارنات المتقدمة يستلزم تثبيت واستدعاء حزم متخصصة فائقة الدقة مثل حزمة binom المطورة من قبل دوراند (Dorai-Raj)، وحزمة DescTools، وحزمة tidyverse وggplot2 لعمليات التجهيز والتمثيل البصري. يتم تثبيت هذه الحزم واستدعاؤها عبر الأوامر البرمجية التالية:

install.packages(c("binom", "DescTools", "tidyverse", "knitr", "gt"))
library(binom)
library(DescTools)
library(tidyverse)

يُنصح أيضاً بضبط خيارات الطباعة الرقمية في بداية جلسة العمل لتفادي اختزال الأرقام العشرية بالترميز العلمي التلقائي، وذلك بتنفيذ الأمر options(scipen = 999, digits = 5)، مما يضمن عرض النتائج بدقة خمس خانات عشرية واضحة ومقروءة.

3.2 تمثيل البيانات الثنائية وهيكلتها داخل R

تتخذ البيانات الثنائية في الممارسات البحثية والبرمجية داخل R شكلين رئيسيين يجب التمييز بينهما بوضوح: البيانات الملخصة (Aggregated Data) والبيانات الخام المفككة (Microdata/Raw Binary Vectors).

في نمط البيانات الملخصة، يمتلك الباحث متغيرين عدديين فقط: عدد النجاحات المرصودة ويرمز له بالرمز x، وحجم العينة الكلي ويرمز له بالرمز n. هذا النمط هو الأكثر اختصاراً ويُمرر مباشرة إلى الدوال التحليلية. أما في نمط البيانات الخام، فتُخزن الاستجابات كمتجه يتألف من أصفار وآحاد (أو عوامل فئوية Factor)، مثل استجابات 100 مريض مسجلة كالتالي: c(1, 0, 1, 1, 0, ...). للتعامل مع البيانات الخام برمجياً وتحويلها للصيغة التحليلية، تُستخدم الدوال التلخيصية القياسية:

raw_responses <- c(rep(1, 56), rep(0, 44))
x_count <- sum(raw_responses == 1)
n_total <- length(raw_responses)
p_empirical <- mean(raw_responses)

تُظهر هذه العمليات البسيطة كيف يحسب الأمر sum() عدد النجاحات الإجمالي، بينما يحسب الأمر mean() النسبة التجريبية للنجاح بصورة آلية ومباشرة من المتجهات الثنائية.

3.3 بناء سيناريو دراسة حالة توضيحية

لترسيخ المفاهيم وربط النظريات بالتطبيق العملي عبر مختلف أقسام هذا الدليل، سنعتمد سيناريو دراسة حالة إكلينيكية واقعية من أبحاث علم النفس الإكلينيكي والصحة النفسية. لنفترض أن فريقاً بحثياً أجرى تجربة لتقييم فعالية برنامج علاجي سلوكي معرفي حديث ومكثف مصمم لعلاج نوبات الهلع (Panic Disorder).

شملت التجربة عينة عشوائية مكونة من $n = 100$ مريض تم تشخيصهم وفق معايير DSM-5. بعد استكمال البرنامج العلاجي ومتابعة الحالات لمدة ستة أشهر، أظهر $x = 56$ مريضاً تعافياً سريرياً كاملاً واختفاءً تاماً لنوبات الهلع. وبذلك، فإن النسبة التجريبية للتعافي المحسوبة من العينة هي:

$$\hat{p} = \frac{x}{n} = \frac{56}{100} = 0.56 \quad (56%)$$

الهدف التحليلي الأساسي يتمثل في حساب فترة الثقة بمستوى ثقة $95%$ ومستويات أخرى ($90%$ و $99%$) لهذه النسبة المجتمعية، ومقارنة مخرجات مختلف المدارس الإحصائية والخوارزميات البرمجية المتاحة في لغة R لمعرفة مدى تباين التقديرات والحدود المحسوبة.

4. الطريقة الأولى: استخدام الدالة prop.test() في الحزمة الأساسية

4.1 بنية دالة prop.test() ومعاملاتها الأساسية

تُعد دالة prop.test() المضمنة في حزمة stats الأساسية في R إحدى أكثر الأدوات البرمجية استخداماً لاختبار فرضيات النسب وحساب فترات الثقة المقابلة لها. تعتمد هذه الدالة في بنيتها الأساسية على اختبار كاي-تربيع لجودة التوافق (Pearson’s Chi-Square Test)، والذي يكافئ رياضياً اختبار النسبة المعياري ثنائي الذيل.

تستقبل الدالة عدداً من المعاملات (Arguments) التي تتحكم في سلوكها الإحصائي:

• x: متجه يمثل عدد النجاحات (أو متجه ثنائي للجدولة).
• n: متجه يمثل إجمالي حجم العينة (أو المحاولات).
• p: متجه يحدد الاحتمالات المفترضة تحت الفرضية الصفرية (افتراضياً p = NULL، مما يختبر الفرضية $p = 0.5$).
• alternative: اتجاه الفرضية البديلة، وتأخذ إحدى القيم: "two.sided" (افتراضي)، "greater"، أو "less".
• conf.level: مستوى الثقة المطلوب للفترة (افتراضياً conf.level = 0.95).
• correct: معامل منطقي يحدد تطبيق تصحيح ييتس للاستمرارية (Yates’ Continuity Correction). القيمة الافتراضية هي correct = TRUE.

4.2 حساب فترة ويلسون (Wilson Score Interval) بدون تصحيح الاستمرارية

عند تعطيل تصحيح الاستمرارية في دالة prop.test() عبر تمرير المعامل correct = FALSE، تقوم الدالة بحساب فترة ثقة ويلسون للدرجة الإحصائية (Wilson Score Interval)، وهي إحدى أكثر فترات الثقة كفاءة ودقة في الإحصاء التطبيقي، والتي اقترحها إدوين بيدويل ويلسون عام 1927.

تُشتق صيغة ويلسون من خلال حل معادلة من الدرجة الثانية تعتمد على مساواة إحصاء كاي-تربيع بالقيمة الحرجة، مما يولد فترة ثقة لا تتطلب استبدال $p$ بالمقدر النقطي $\hat{p}$ في حساب الخطأ المعياري، بل تُبنى حدودها على الصيغة الرياضية المحكمة التالية:

$$\text{CI}_{\text{Wilson}} = \frac{\hat{p} + \frac{z^2}{2n} \pm z \sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{z^2}{4n^2}}}{1 + \frac{z^2}{n}}$$

لتطبيق ذلك برمجياً على سيناريو دراسة الحالة الخاص بنا في R واستخراج النتائج بدقة:

res_wilson <- prop.test(x = 56, n = 100, conf.level = 0.95, correct = FALSE)
print(res_wilson)
res_wilson$conf.int

يُنتج هذا الكود مخرجات إحصائية شاملة تتضمن إحصاء كاي-تربيع ($X\text{-squared} = 1.44$)، ودرجات الحرية ($df = 1$)، وقيمة الدلالة الإحصائية ($p\text{-value} = 0.2301$). أما بالنسبة لفترة الثقة المستخرجة عبر res_wilson$conf.int، فتكون حدودهـا:

الحد الأدنى: $0.46228$ ($46.23%$) | الحد الأعلى: $0.65328$ ($65.33%$).

يتميز هذا التقدير بكونه غير متماثل حول المقدر النقطي $0.56$، حيث ينزاح المركز قليلاً نحو القيمة $0.5$، وهو ما يمنح فترة ويلسون تفوقاً جذرياً على فترة فالد في الحفاظ على احتمالية تغطية اسمية قريبة جداً من $95%$.

4.3 تطبيق تصحيح ييتس للاستمرارية وتأثيره على اتساع الفترة

بشكل افتراضي، تفعل الدالة prop.test() تصحيح ييتس للاستمرارية (correct = TRUE). يهدف هذا التصحيح إلى مواءمة التوزيع الطبيعي المتصل مع التوزيع المتقطع لبيانات ذات الحدين، وذلك بطرح أو إضافة المقدار $0.5/n$ إلى البسط عند حساب إحصاء الاختبار والحدود الثنائية.

لتطبيق دالة الاختبار مع تصحيح الاستمرارية:

res_yates <- prop.test(x = 56, n = 100, conf.level = 0.95, correct = TRUE)
print(res_yates)
res_yates$conf.int

تُسفر هذه العملية البرمجية عن حدود ثقة أوسع نطاقاً:

الحد الأدنى: $0.45719$ ($45.72%$) | الحد الأعلى: $0.65829$ ($65.83%$).

نلاحظ بوضوح أن تفعيل تصحيح الاستمرارية وسّع هامش الفترة؛ حيث ازداد الاتساع الكلي من $0.1910$ إلى $0.2011$. يتصرف تصحيح ييتس بنمط محافظ (Conservative)، حيث يضمن عدم انخفاض التغطية الفعلية عن المستوى الاسمي مطلقاً، إلا أن الأدبيات الإحصائية الحديثة تحذر من أن هذا التصحيح قد يبالغ في المحافظة (Over-conservative) مع العينات المتوسطة والكبيرة، مما يؤدي إلى اتساع غير مبرر للفترة وفقدان جزء من كفاءة التقدير الدقيق.

5. الطريقة الثانية: استخدام الدالة binom.test() للاختبار الدقيق

5.1 الأساس النظري لطريقة كلوبر-بيرسون الدقيقة (Clopper-Pearson Exact)

تُمثل طريقة كلوبر-بيرسون (Clopper & Pearson, 1934) المعيار الإحصائي الذهبي للتقدير الدقيق (Exact Method). ترتكز هذه الطريقة على مبدأ رياضي لا يلجأ مطلقاً إلى أي تقريب طبيعي أو افتراض استمراري، بل تعتمد مباشرة على حساب الدالة التراكمية لتوزيع ذات الحدين الأصلي من خلال علاقتها الرياضية الصارمة بتوزيع بيتا التراكمي (Incomplete Beta Function) وتوزيع F الرياضي.

تُعرف حدود كلوبر-بيرسون $[p_L, p_U]$ بأنها القيم التي تجعل الاحتمالية التراكمية في الذيلين مساوية تماماً لنصف مستوى الدلالة $alpha/2$، وتُحسب رياضياً عبر توزيع بيتا وفق المعادلات الدقيقة التالية:

$$p_L = B\left(\frac{\alpha}{2}; , x, , n – x + 1\right) = \text{BetaQuantile}\left(\frac{\alpha}{2}, , x, , n – x + 1\right)$$

$$p_U = B\left(1 – \frac{\alpha}{2}; , x + 1, , n – x\right) = \text{BetaQuantile}\left(1 – \frac{\alpha}{2}, , x + 1, , n – x\right)$$

تضمن طريقة كلوبر-بيرسون بصورة مطلقة أن احتمالية التغطية الحقيقية للفترة لن تقل تحت أي ظرف رياضي عن مستوى الثقة المحدد $1-\alpha$ (مثلاً $95%$)، أياً كانت قيمة المعلمة المجتمعية $p$ وأياً كان حجم العينة $n$. غير أن هذه الميزة النظرية المطلقة تجعل الفترة ذات طبيعة محافظة جداً؛ حيث تتجاوز التغطية الفعلية في كثير من الحالات $97%$ أو $98%$ على حساب اتساع عرض الفترة التقديرية.

5.2 تطبيق دالة binom.test() في R واستخراج النتائج

توفر بيئة R الأساسية دالة binom.test() لحساب اختبار ذات الحدين الدقيق وفترات كلوبر-بيرسون المقابلة دون الحاجة لتثبيت حزم إضافية. تستقبل الدالة المعاملات الأساسية x، وn، وp، وconf.level، وalternative.

لتطبيق الطريقة الدقيقة على معطيات دراسة الحالة عند مستويات ثقة مختلفة ($95%$، $90%،$99%$):

exact_95 <- binom.test(x = 56, n = 100, conf.level = 0.95)
exact_90 <- binom.test(x = 56, n = 100, conf.level = 0.90)
exact_99 <- binom.test(x = 56, n = 100, conf.level = 0.99)

عند طباعة مخرجات الكائن exact_95$conf.int، نحصل على النتائج الدقيقة التالية بمستوى ثقة $95%$:

الحد الأدنى الدقيق: $0.45717$ ($45.72%$) | الحد الأعلى الدقيق: $0.65917$ ($65.92%$).

وعند تغيير مستوى الثقة إلى $90%$ عبر exact_90$conf.int تضيق الفترة لتصبح $[0.47318, 0.64448]$، في حين تتسع عند مستوى ثقة $99%$ عبر exact_99$conf.int لتصل إلى $[0.42602, 0.68748]$، مما يبرز الأثر المباشر لرفع مستوى اليقين على توسيع المدى التقديري.

5.3 مقارنة السلوك الإحصائي في العينات الصغيرة

تتجلى القوة الحقيقية لطريقة كلوبر-بيرسون الدقيقة المنفذة عبر binom.test() عند التعامل مع العينات بالغة الصغر، وهي البيئات البحثية التي تنهار فيها المقاربات التقريبية تماماً وتنتج استدلالات مضللة. لنفترض دراسة استطلاعية أولية على تقنية علاجية جديدة أُجريت على $n = 10$ مرضى فقط، وسجلت $x = 3$ حالات تعافٍ ($\hat{p} = 0.30$).

إذا طُبقت فترة فالد التقليدية يدوياً، فإنها ستفترض توزيعاً طبيعياً مع وجود خطأ معياري مقداره $\sqrt{0.3 \times 0.7 / 10} = 0.1449$، مما ينتج فترة فالد خاطئة تتراوح بين $[0.016, 0.584]$. أما عند تطبيق دالة الاختبار الدقيق binom.test(x = 3, n = 10, conf.level = 0.95)، فإن الدالة تُنتج حدوداً دقيقة من واقع توزيع بيتا:

فترة الثقة الدقيقة للعينات الصغيرة: $[0.06674, 0.65245]$.

يكشف هذا التباين الشاسع كيف أن الطريقة الدقيقة تعكس بشكل أمين مقدار عدم اليقين الهائل الملازم لحجم العينة الصغير، مانحة الباحث تقديراً رصيناً يمنع المبالغة في الثقة بنتائج تجارب العينات المحدودة.

6. الطريقة الثالثة: استخدام حزمة binom وحساب الطرق المتعددة

6.1 تثبيت حزمة binom والتعرف على دالة binom.confint()

تُعد حزمة binom الحزمة المرجعية الأكثر شمولاً وتخصصاً في بيئة R لحساب ومقارنة كافة فترات الثقة المعروفة لمعلمة ذات الحدين. تقدم الحزمة الدالة المركزية binom.confint()، والتي تتيح للمستخدم حساب ما يصل إلى 11 طريقة إحصائية مختلفة بضغطة زر واحدة وأمر برمجي موحد.

تستقبل الدالة المعاملات التالية: binom.confint(x, n, conf.level = 0.95, methods = "all"). ويُرجع هذا الأمر إطار بيانات (Data Frame) غاية في التنسيق والتنظيم، يشتمل على خمسة أعمدة رئيسية:

• method: الاسم العلمي المعتمد للطريقة الإحصائية.
• x: عدد النجاحات المدخلة.
• n: إجمالي حجم العينة.
• mean: التقدير النقطي للنسبة ($\hat{p} = x/n$).
• lower: الحد الأدنى لفترة الثقة.
• upper: الحد الأعلى لفترة الثقة.

6.2 استعراض وحساب الطرق الإحصائية المختلفة

تتيح حزمة binom الوصول إلى نماذج استدلالية متطورة تجاوزت القصور التاريخي لصيغ فالد وكلوبر-بيرسون، ومن أبرز هذه الطرق:

1. طريقة أجرستي-كول (Agresti-Coull Interval):
اقترحها العالمان ألان أجرستي وبرنت كول (Agresti & Coull, 1998) وتُعرف بطريقة “إضافة نجاحين وفشلين” (Add 4 Method عند ثقة $95%$). تقوم فكرتها على تعديل حجم العينة بإضافة $z^2$ إلى المحاولات (أي إضافة $\approx 4$ محاولات)، وإضافة $z^2/2$ إلى النجاحات (أي إضافة $\approx 2$ نجاح)، ثم تطبيق معادلة فالد العادية على القيم المعدلة $\tilde{n} = n + z^2$ و $\tilde{p} = \frac{x + z^2/2}{\tilde{n}}$. تتميز هذه الطريقة ببساطتها الفائقة وأدائها المتقارب جداً مع أفضل الفترات المعقدة.

2. طريقة جيفريز البايزية (Jeffreys Prior Interval):
تعتمد على منظور الاستدلال البايزي غير الإخباري (Non-informative Bayesian Approach)، باستخدام توزيع جيفريز القبلي التوافقي $Beta(0.5, 0.5)$. ينتج عن دمج هذه القبلية مع دالة الإمكان توزيع بعدي (Posterior Distribution) بصيغة $Beta(x + 0.5, , n – x + 0.5)$. تتميز هذه الفترة بخصائص تغطية متوسطة ممتازة تجعلها الخيار المفضل لدى العديد من الإحصائيين الرياضيين.

3. طريقة مقياس الأرجحية المحول (Logit Interval):
تعتمد على تحويل النسبة إلى مقياس لوغاريتم الأرجحية $\text{logit}(p) = \ln(p / (1-p))$، ثم حساب فترة الثقة على المقياس اللوغاريتمي اللانهائي، وإعادة تحويل الحدود عكسياً إلى المقياس الاحتمالي $[0, 1]$ باستخدام الدالة اللوجستية، مما يضمن استحالة خروج الحدود عن النطاق الاحتمالي المنطقي.

4. طريقة بروفايل نسبة الإمكان (Likelihood Ratio / Profile Likelihood):
تُبنى على قلب اختبار نسبة الإمكان (Inverting the Likelihood Ratio Test) وتحديد قيم المعلمة $p$ التي تحقق شرط نسبة الإمكان العظمى، وهي طريقة ذات خصائص تقارب ممتازة في العينات الكبيرة والمتوسطة.

6.3 المقارنة المباشرة لمخرجات الطرق عبر كود برمجي موحد

لتطبيق الحساب الشامل لكافة الطرق على بيانات دراسة الحالة ($x = 56, n = 100$) ومقارنة مخرجاتها بشكل مباشر، ننفذ الكود البرمجي التالي في R:

all_intervals <- binom.confint(x = 56, n = 100, conf.level = 0.95, methods = "all")
print(all_intervals)

يُلخص الجدول التالي المخرجات الرقمية المسترجعة من حزمة binom مرتبة وفق الأسلوب الإحصائي المطبق:

الاسم البرمجي للطريقة (Method)	النسبة النقطية ($\hat{p}$)	الحد الأدنى (Lower)	الحد الأعلى (Upper)	عرض الفترة (Width)
agresti-coull	0.56000	0.46244	0.65342	0.19098
asymptotic (Wald)	0.56000	0.46271	0.65729	0.19458
exact (Clopper-Pearson)	0.56000	0.45717	0.65917	0.20200
jeffreys	0.56000	0.46105	0.65529	0.19424
lrt (Likelihood Ratio)	0.56000	0.46174	0.65481	0.19307
logit	0.56000	0.46124	0.65437	0.19313
probit	0.56000	0.46153	0.65463	0.19310
wilson	0.56000	0.46228	0.65328	0.19100

توضح هذه المقارنة الرقمية الشاملة تقارب النتائج عند حجم عينة $n = 100$، مع ملاحظة أن فترة exact هي الأوسع نطاقاً ($0.20200$) نظراً لطبيعتها المحافظة، بينما تقدم طريقتا wilson و agresti-coull أدق وأضيق المجالات اتساعاً ($0.19100$)، مما يمنحهما كفاءة تقديرية فائقة.

7. الطريقة الرابعة: الحساب اليدوي وبرمجة معادلة فالد في R

7.1 كتابة دالة مخصصة (Custom Function) لحساب فترة فالد

إن بناء دوال إحصائية مخصصة من الصفر داخل بيئة R يُكسب الباحث فهماً عميقاً لآليات المعالجة الرياضية وتدفق البيانات الحسابية. سنقوم هنا ببناء دالة متقدمة وقوية باسم calculate_wald_ci() تستقبل المدخلات الأساسية، وتجري الفحوص المنطقية، وتحسب فترة الثقة يدادياً وفق الصيغة الرياضية المقننة.

تعتمد الدالة على الخطوات التالية:

1. حساب النسبة التجريبية $\hat{p} = x / n$.
2. حساب القيمة الحرجة $z = \text{qnorm}(1 – alpha/2)$ بدقة من التوزيع الطبيعي.
3. حساب الخطأ المعياري $SE = \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$.
4. استخراج هامش الخطأ $ME = z \times SE$، ومن ثم صياغة الحد الأدنى والأعلى.

7.2 تنفيذ الحساب اليدوي خطوة بخطوة على السيناريو التطبيقي

فيما يلي الكود البرمجي الكامل للدالة المخصصة وتنفيذها على سيناريو دراسة الحالة:

calculate_wald_ci <- function(x, n, conf.level = 0.95) {
  alpha <- 1 - conf.level
  p_hat <- x / n
  z_crit <- qnorm(1 - alpha / 2)
  se <- sqrt((p_hat * (1 - p_hat)) / n)
  margin_error <- z_crit * se
  lower_bound <- p_hat - margin_error
  upper_bound <- p_hat + margin_error
  result <- data.frame(
    Successes = x,
    Sample_Size = n,
    Proportion = p_hat,
    Std_Error = se,
    Z_Critical = z_crit,
    Margin_of_Error = margin_error,
    Lower_CI = lower_bound,
    Upper_CI = upper_bound
  )
  return(result)
}

عند تشغيل الدالة المخصصة على بياناتنا عبر الأمر calculate_wald_ci(x = 56, n = 100, conf.level = 0.95)، نحصل على النتائج التحليلية المفصلة:

• النسبة المقدرة ($\hat{p}$): $0.56000$
• الخطأ المعياري ($SE$): $\sqrt{0.56 \times 0.44 / 100} = 0.049639$
• القيمة الحرجة ($z$): $1.95996$
• هامش الخطأ ($ME$): $1.95996 \times 0.049639 = 0.09729$
• فترة الثقة المحسوبة: $[0.46271, , 0.65729]$

يتطابق هذا الناتج اليدوي تطابقاً رقمياً تاماً مع ناتج طريقة asymptotic المستخرج سابقاً من حزمة binom، مما يؤكد سلامة البناء الرياضي والبرمجي للدالة المخصصة.

7.3 معالجة الحالات الحدية داخل الكود البرمجي المخصص

لكي تصبح الدالة البرمجية متينة ومحصنة ضد الأخطاء التشغيلية (Robust Code)، يجب تعزيزها بضوابط برمجية للتحقق من صحة المدخلات ومعالجة الحالات الخاصة. يشمل ذلك التأكد من أن عدد النجاحات لا يتجاوز حجم العينة ($0 le x le n$)، والتعامل مع حالات انعدام التباين عندما تكون $p = 0$ أو $p = 1$.

تتضمن الدالة المطورة شروطاً تصحيحية عبر بنية stopifnot() و warning() للتحقق من شرط التقريب الطبيعي ($np ge 5$ و $n(1-p) ge 5$). وفي حال عدم تحقق الشرط، تُصدر الدالة تنبيهاً تحذيرياً للمستخدم يوصيه بالانتقال إلى طريقتي ويلسون أو كلوبر-بيرسون الدقيقة لتجنب الأخطاء الاستدلالية.

8. مقارنة تفصيلية ومعيارية بين الطرق الإحصائية المختلفة

8.1 المفاضلة الإحصائية: التغطية، الاتساع، والتعقيد الحسابي

تعتمد المفاضلة العلمية بين فترات الثقة لنسبة ذات الحدين على معيارين رياضيين متلازمين:

1. احتمالية التغطية الحقيقية (Coverage Probability): وهي الاحتمالية الفعلية لأن تتضمن الفترة الناتجة المعلمة المجتمعية $p$. المعيار المثالي هو أن تتطابق التغطية الحقيقية مع المستوى الاسمي (مثلاً $0.95$).
2. متوسط اتساع الفترة (Expected Interval Width): يعكس كفاءة الفترة؛ فبين فترتين لهما نفس مستوى التغطية، يُفضل دائماً النموذج الذي يُنتج فترة أضيق نطاقاً لأنها تقدم تقديراً أكثر دقة وتحديداً.

تُظهر دراسات المحاكاة واسعة النطاق (Monte Carlo Simulations) أن صيغة فالد التقليدية تعاني من نقص تغطية مزمن (Under-coverage) يتدهور بشكل خطير عند الأطراف. في المقابل، تضمن طريقة كلوبر-بيرسون الدقيقة تغطية لا تقل عن $95%$ أبداً، ولكن على حساب اتساع مفرط للفترة يقلل من القوة الإحصائية. وتتوسط فترتا ويلسون وأجرستي-كول هذا المشهد؛ حيث تحافظان على تغطية فعلية شديدة القرب من $95%$ في المتوسط، مع الحفاظ على اتساع مساوٍ تقريباً أو أضيق من فترة كلوبر-بيرسون، مما يمنحهما تفوقاً باريتياً (Pareto Efficiency) واضحاً.

8.2 توصيات أجرستي وكول مقابل كلوبر-بيرسون وويلسون

أجمعت الأدبيات الإحصائية الحديثة (مثل: Brown et al., 2001؛ Agresti & Coull, 1998) على التوصيات المنهجية الصريحة التالية:

• التوقف الكامل عن استخدام فترة فالد: يُوصى بحظر استخدام معادلة فالد التقليدية في الأبحاث الأكاديمية المحكمة لثبوت قصورها الاحتمالي وتذبذبها الفوضوي حتى مع العينات التي تبدو كبيرة ظاهرياً.
• اعتماد فترة ويلسون كخيار قياسي أول: تُعد فترة ويلسون للدرجة (Wilson Score Interval) الخيار الافتراضي الأفضل لمعظم التطبيقات والأبحاث المسحية والتجريبية، نظراً لتوازنها الفائق وثبات تغطيتها.
• اعتماد فترة أجرستي-كول لسهولتها: تُعد طريقة Agresti-Coull بديلاً عملياً ممتازاً لطريقة ويلسون، لاسيما في العينات التي تتجاوز $n = 40$، وتتميز بكونها تعطي فترات متماثلة يسهل حسابها وتفسيرها.
• قصر كلوبر-بيرسون على السياقات عالية المخاطر: يُنصح باستخدام فترة كلوبر-بيرسون الدقيقة فقط في المجالات التي تتطلب ضمانات أمان احتمالية صارمة لا تقبل أي نسبة خطأ تحت المستوى الاسمي، كأبحاث سلامة الأدوية الحيوية أو تقييم المخاطر النووية.

8.3 جدول ترجيحي لاختيار الطريقة المناسبة وفقاً لمعايير البيانات

يُمثل الجدول الاسترشادي التالي دليلاً قرارياً سريعاً للباحثين والمحللين لاختيار الطريقة الإحصائية الأكثر ملاءمة لطبيعة بياناتهم:

طبيعة وحجم العينة ($n$)	موقع النسبة المقدرة ($\hat{p}$)	الطريقة الموصى بها	الدالة المقترحة في R	المبرر المنهجي
صغيرة جداً ($n < 30$)	أي قيمة للنسبة	Clopper-Pearson (Exact)	binom.test()	ضمان التغطية الصارمة عند انهيار التقريب الطبيعي.
صغيرة إلى متوسطة ($30 le n le 100$)	معتدلة ($0.2 le p le 0.8$)	Wilson Score أو Agresti-Coull	prop.test(..., correct=FALSE)	أعلى كفاءة تقديرية واتساع أمثل دون مبالغة في التوسيع.
متوسطة إلى كبيرة ($n > 40$)	متطرفة ($p < 0.1$ أو $p > 0.9$)	Wilson Score أو Jeffreys	binom.confint(..., method="wilson")	معالجة الالتواء وتفادي خروج الحدود خارج النطاق $[0, 1]$.
حالات صفرية ($x = 0$ أو $x = n$)	حافية ($0$ أو $1$)	Rule of Three / Jeffreys / Wilson	binom.confint(..., method="jeffreys")	تفادي انهيار الفترة إلى مدى صفري غير منطقي $[0, 0]$.
كبيرة جداً ($n > 1000$)	غير متطرفة ($0.05 le p le 0.95$)	جميع الطرق (متقاربة)	prop.test() أو binom.confint()	تقارب جميع التوزيعات المقاربية نحو التوزيع الطبيعي.

9. تطبيق عملي متقدم في أبحاث علم النفس والعلوم السلوكية

9.1 تقدير نسب الاستجابة لبرنامج علاجي سلوكي معرفي (CBT)

في إطار دراسة سريرية تجريبية مضبوطة بالشواهد (Randomized Controlled Trial – RCT)، قارن باحثون بين مجموعتين من مرضى الاكتئاب السريري: تلقت المجموعة الأولى ($n_1 = 80$) برنامجاً علاجياً سلوكياً معرفياً معززاً باليقظة الذهنية (MBCT)، في حين تلقت المجموعة الضابطة ($n_2 = 80$) العلاج المعتاد (Treatment as Usual – TAU). أظهرت النتائج تعافي $x_1 = 52$ مريضاً في المجموعة التجريبية ($\hat{p}_1 = 65%$)، مقابل تعافي $x_2 = 32$ مريضاً في المجموعة الضابطة ($\hat{p}_2 = 40%$).

لحساب فترات الثقة لنسبتي التعافي بصورة مستقلة ومقارنتهما في R باستخدام طريقة ويلسون:

ci_mbct <- prop.test(x = 52, n = 80, correct = FALSE)$conf.int
ci_tau <- prop.test(x = 32, n = 80, correct = FALSE)$conf.int

تُظهر المخرجات أن فترة الثقة لمجموعة التدخل العلاجي تتراوح بين $[54.08%, , 74.55%]$، بينما تتراوح فترة المجموعة الضابطة بين $[29.80%, , 51.10%]$. يُلاحظ أن الحد الأدنى للمجموعة التجريبية ($54.08%$) يفوق الحد الأعلى للمجموعة الضابطة ($51.10%$)، مما يعكس غياب التداخل بين فترتي الثقة؛ وهو مؤشر إحصائي وإكلينيكي قاطع على تفوق التدخل التجريبي بفارق ذي دلالة إحصائية عند مستوى ثقة $95%$.

9.2 حساب ومقارنة نسب تشخيص اضطراب معين عبر أداتين قياسيتين

في دراسات الصدق التقاربي للقياس النفسي، طُبق مقياسان تشخيصيان مختلفان لاضطراب قلق الانفصال على عينة من الأطفال قوامها $n = 150$. كشفت الأداة الأولى المعتمدة على تقرير الوالدين عن تشخيص $x_1 = 45$ طفلاً ($\hat{p}_1 = 30%$)، في حين كشفت الأداة الثانية المعتمدة على الملاحظة الإكلينيكية عن تشخيص $x_2 = 38$ طفلاً ($\hat{p}_2 = 25.33%$).

عند حساب فترات الثقة الدقيقة عبر binom.test():

• فترة الأداة الأولى (الوالدين): $[22.84%, , 38.01%]$
• فترة الأداة الثانية (الملاحظة): $[18.61%, , 33.09%]$

يُظهر التداخل الواسع والكبير بين فترتي الثقة (المجال المشترك بين $22.84%$ و $33.09%$) أن الفروق الملاحظة في نسب التشخيص تقع ضمن نطاق خطأ المعاينة المتوقع، ولا تعكس تبايناً جوهرياً بين دقتي الأداتين في هذا المجتمع المدروس.

9.3 أتمتة استخراج التقارير النصية والجداول الأكاديمية

لضمان إمكانية إعادة الإنتاج العلمي (Reproducible Research) وتسهيل كتابة التقارير، يمكن برمجة كود في R يدمج النتائج ويصيغها تلقائياً وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th edition):

format_apa_prop <- function(x, n, label = "Proportion") {
  res <- prop.test(x, n, correct = FALSE)
  p_hat <- sprintf("%.2f", res$estimate * 100)
  ci_low <- sprintf("%.2f", res$conf.int[1] * 100)
  ci_upp <- sprintf("%.2f", res$conf.int[2] * 100)
  cat(paste0(label, ": ", p_hat, "%, 95% CI [", ci_low, "%, ", ci_upp, "%]n"))
}
format_apa_prop(x = 56, n = 100, label = "Recovery Rate")

يُخرج هذا الكود النص التوثيقي الجاهز للإدراج في متن البحث مباشرة: Recovery Rate: 56.00%, 95% CI [46.23%, 65.33%]، مما يختصر الجهد المكتبي ويقضي تماماً على أخطاء النقل اليدوي للأرقام.

10. التعامل مع العينات الصغيرة والحالات الطرفية (Boundary Cases)

10.1 حساب فترات الثقة عند انعدام النجاحات (x = 0) أو النجاح التام (x = n)

تُمثل الحالات الطرفية، كأن ترصد دراسة سريرية عدم وقوع أي أثر جانبي خطير لدى $n = 30$ مريضاً تلقوا عقاراً نفسياً ($x = 0$)، تحدياً رياضياً معقداً. إذا طُبقت معادلة فالد هنا، فإن الخطأ المعياري المحسوب سيكون $\sqrt{0 \times 1 / 30} = 0$، مما ينتج فترة مستحيلة باتساع صفري $[0, 0]$، وهو تقدير خادع يوحي باستحالة حدوث الأثر الجانبي في المجتمع مطلقاً.

للتعامل مع هذه المعضلة، تبرز ثلاث استراتيجيات رصينة في R:

1. قاعدة الثلاثة الإحصائية (Rule of Three):
تنص هذه القاعدة التقريبية الشهيرة (Hanley & Lippman-Hand, 1983) على أنه عندما تكون $x = 0$ في عينة بحجم $n$， فإن الحد الأعلى لفترة ثقة $95%$ للنسبة المجتمعية يُقارب $3/n$. في حالتنا هذه: $3 / 30 = 0.10$ ($10%$). أي أننا نثق بنسبة $95%$ بأن النسبة الحقيقية للآثار الجانبية في المجتمع لا تتجاوز $10%$.

2. طريقة كلوبر-بيرسون التحليلية الدقيقة:
عند تطبيق binom.test(x = 0, n = 30, conf.level = 0.95)$conf.int، ينتج الحد الرياضي الدقيق: $[0.0000, , 0.1157]$، وهو تقدير واقعي ومحكم رياضياً يستند إلى تكامل دالة بيتا.

3. طريقة جيفريز البايزية:
تنتج binom.confint(x = 0, n = 30, methods = "jeffreys") فترة تتراوح بين $[0.0000, , 0.0628]$، مما يعطي تقديراً وسطياً فعالاً للمخاطر الطرفية.

10.2 تطبيق فترات الثقة أحادية الجانب (One-Sided Confidence Intervals)

في العديد من التجارب الإكلينيكية ودراسات الأمان البيولوجي، لا يهتم الباحث بالحدين معاً، بل يركز حصرياً على الحد الأقصى للمخاطر (Upper Bound) أو الحد الأدنى للكفاءة العلاجية (Lower Bound). يُعرف هذا الإجراء بفترات الثقة أحادية الجانب (One-Sided Bounds).

في لغة R، يُتاح حساب هذه الفترات بسهولة عبر تعديل معامل alternative في دوال الاختبار الأساسية:

• لحساب الحد الأدنى فقط (Lower Confidence Bound): نستخدم alternative = "greater".
• لحساب الحد الأقصى فقط (Upper Confidence Bound): نستخدم alternative = "less".

# حساب الحد الأدنى لكفاءة العلاج بمستوى ثقة 95%
one_sided_lower <- binom.test(x = 56, n = 100, conf.level = 0.95, alternative = "greater")
print(one_sided_lower$conf.int)

تُنتج هذه الدالة الفترة أحادية الجانب $[0.4727, , 1.0000]$. يفسر هذا الحد الإكلينيكي بأن الباحث واثق بنسبة $95%$ بأن نسبة الشفاء الحقيقية في المجتمع لن تقل عن $47.27%$، وهو تصريح استدلالي أقوى وأكثر تحديداً لصناع القرار الطبي من الحدود ثنائية الجانب.

10.3 استراتيجيات تحسين التقدير عند شح البيانات العينية

عندما تكون البيانات شحيحة جداً، تبرز استراتيجيتان متقدمتان لتجاوز قيود الاستدلال الكلاسيكي:

الاستدلال البايزي باستخدام توزيعات قبلية إخبارية (Conjugate Beta Priors):
إذا توفرت لدى الباحث دراسات وبائية سابقة تشير إلى أن نسبة الاستجابة للمرض تقارب $40%$، يمكن نمذجة هذه المعرفة كمعلومات قبلية عبر توزيع $Beta(a, b)$، ثم دمجها مع العينة الحالية لحساب الفترة البايزية الصدوقة (Credible Interval) بدقة فائقة عبر الدالة qbeta() في R.

أسلوب إعادة سحب العينات البوتسترابي (Bootstrap Confidence Intervals):
يُعد أسلوب البوتستراب غير المعلمي أداة مرنة لا تفترض أي توزيع قبلي. يتم سحب آلاف العينات العشوائية مع الإحلال (Resampling with Replacement) من العينة الأصلية، وحساب النسبة لكل عينة بوتسترابية، ثم استخراج المئين 2.5 والمئين 97.5 لصياغة فترة ثقة مئينية (Percentile Bootstrap Interval) تعكس البنية الفعلية للبيانات المتاحة.

11. التصور البصري لفترات الثقة ذات الحدين باستخدام ggplot2

11.1 رسم النقطة والخطأ (Point Estimate and Error Bars)

يُمثل التمثيل البياني لفترات الثقة الركيزة الأساسية للتواصل العلمي الفعال. تُعد حزمة ggplot2 البيئة الأكثر مرونة واحترافية لتوليد أشكال بيانية مطابقة لأعلى المعايير الأكاديمية.

لبناء شكل بياني يعرض التقدير النقطي وهوامش الخطأ لطرق فترات الثقة المختلفة المحسوبة من حزمة binom، نتبع الخطوات البرمجية التالية:

library(ggplot2)
ci_data <- binom.confint(x = 56, n = 100, conf.level = 0.95, methods = "all")

p_plot <- ggplot(ci_data, aes(x = method, y = mean, ymin = lower, ymax = upper)) +
  geom_pointrange(color = "#1f77b4", size = 0.8, fatten = 3) +
  geom_hline(yintercept = 0.56, linetype = "dashed", color = "red", alpha = 0.7) +
  coord_flip() +
  theme_classic(base_size = 12) +
  labs(
    title = "Comparison of Binomial Confidence Interval Methods",
    subtitle = "Sample: x = 56, n = 100, Confidence Level = 95%",
    x = "Statistical Method",
    y = "Estimated Proportion (95% CI)"
  ) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1))
print(p_plot)

تستخدم هذه الشيفرة دالة geom_pointrange() لدمج النقطة المركزية مع عوارض الخطأ، مع تدوير المحاور عبر coord_flip() لضمان سهولة قراءة أسماء الطرق ومقارنة فروق الاتساع بينها بسلاسة وبساطة.

11.2 مقارنة فترات الثقة لمجموعات تجريبية متعددة بيانياً

في الأبحاث التي تشتمل على مجموعات سريرية أو فئات عمرية متعددة، يحتاج الباحث إلى مقارنة نسب الاستجابة عبر المجموعات في شكل بياني موحد. لنفترض قياس نسب الشفاء عبر أربع فئات عمرية مختلفة ($n = 50$ لكل فئة):

multi_group <- data.frame(
  Age_Group = c("18-29", "30-44", "45-59", "60+"),
  x = c(35, 28, 22, 15),
  n = c(50, 50, 50, 50)
)

# حساب فترات ويلسون لكل مجموعة عبر دمج الدوال
group_cis <- do.call(rbind, lapply(1:nrow(multi_group), function(i) {
  res <- binom.confint(multi_group$x[i], multi_group$n[i], methods = "wilson")
  cbind(Group = multi_group$Age_Group[i], res)
}))

ggplot(group_cis, aes(x = Group, y = mean, ymin = lower, ymax = upper, color = Group)) +
  geom_errorbar(width = 0.2, size = 1) +
  geom_point(size = 3.5) +
  theme_minimal(base_size = 13) +
  labs(y = "Recovery Proportion", x = "Age Cohort", title = "Treatment Efficacy by Age Group") +
  theme(legend.position = "none")

يُتيح هذا الرسم المقارن التقييم البصري الفوري لتدرج الفعالية عبر الفئات العمرية ورصد وجود أي انحدار خطي في نسب الاستجابة بدقة متناهية.

11.3 رسم منحنيات توزيع التغطية وفترات الثقة المتحركة

لفهم سلوك فترات الثقة تجريبياً، يمكن بناء محاكاة برمجية توضح كيف يؤدي تزايد حجم العينة $n$ (من $n = 10$ إلى $n = 1000$) إلى تضييق عرض فترة الثقة تدريجياً وبشكل غير خطي يتناسب عكساً مع الجذر التربيعي لحجم العينة ($1/\sqrt{n}$).

تُظهر هذه المحاكاة البصرية في R كيف ينكمش هامش الخطأ من $\pm 30%$ عند العينات بالغة الصغر إلى أقل من $\pm 3%$ عند تخطي العينة حاجز الألف محاولة، وهو ما يجسد للباحثين مبدأ “تناقص العوائد الهامشية” لحجم العينة وقيمته في ضبط الميزانيات البحثية الميدانية.

لحفظ هذه الرسوم بجودة نشر طباعية احترافية فائقة الدقة (DPI 300)، يُستخدم الأمر القياسي: ggsave("figure1_ci_comparison.png", plot = p_plot, width = 8, height = 5, dpi = 300)، أو بصيغة متجهية قابلة للتحجيم اللانهائي عبر ggsave("figure1.pdf", device = "pdf").

12. الأخطاء الشائعة وأفضل الممارسات الإحصائية في R

12.1 المفاهيم الخاطئة في تفسير فترات الثقة

تحفل الممارسات البحثية بمفاهيم مغلوطة راسخة تتعلق بتفسير فترات الثقة، يجب على الباحث الإحصائي الواعي تفاديها بحزم:

• المفهوم الخاطئ الأول (الاحتمالية اللاحقة للفترة المحددة): الادعاء بأن “هناك احتمالية $95%$ بأن المعلمة الحقيقية تقع بين $0.46$ و $0.65$”. هذا التفسير خاطئ تكرارياً؛ فالحدود المحسوبة أصبحت أرقاماً ثابتة، والمعلمة $p$ ثابتة، وبالتالي فإن المعلمة إما أنها تقع داخل هذا المجال تحديداً (باحتمال 1) أو لا تقع (باحتمال 0). الاحتمال $95%$ يعود على كفاءة الإجراء والمنهجية على المدى الطويل من العينات المتكررة.
• المفهوم الخاطئ الثاني (الخلط بين التباين العيني والمعلمة): الاعتقاد بأن فترة الثقة تحتوي على $95%$ من بيانات العينة أو استجابات الأفراد. فترة الثقة تُعنى حصراً بتقدير موضع المعلمة المجتمعية ($\pi$)، ولا تعبر عن نطاق التباين الفردي في البيانات (والذي يُقاس بفترات التنبؤ Prediction Intervals أو فترات التسامح Tolerance Intervals).
• المفهوم الخاطئ الثالث (مغالطة عدم التداخل واختبار الفروق): افتراض أن تداخل فترتي ثقة لمجموعتين مستقلتين ينفي دائماً وجود فرق دال إحصائياً بينهما. أثبتت الدراسات الرياضية أنه يمكن لفترتي ثقة $95%$ أن تتداخلا تداخلاً جزئياً بسيطاً، ومع ذلك يظل الفرق بين النسبتين دالاً إحصائياً عند مستوى $\alpha = 0.05$ عند إجراء اختبار مقارنة النسبتين المباشر.

12.2 الأخطاء البرمجية المتكررة في بيئة R وكيفية تجنبها

عند كتابة الأكواد البرمجية لحساب فترات الثقة في R، يقع العديد من المحللين في عثرات برمجية شائعة تؤول إلى نتائج غير دقيقة:

• عكس ترتيب المعاملات في الدوال: تمرير حجم العينة أولاً ثم عدد النجاحات في دالة prop.test(n, x)؛ حيث تشترط الدالة استقبال x (النجاحات) ثم n (المحاولات). عكس هذا الترتيب يؤدي إما لرسائل خطأ فورية أو حسابات خاطئة تماماً.
• تجاهل معامل تصحيح الاستمرارية: استخدام prop.test() دون إدراك أن المعامل الافتراضي هو correct = TRUE، مما ينتج فترات ثقة مختلفة عن نتائج الحسابات اليدوية أو نتائج حزمة binom التي تعتمد طريقة ويلسون النقية (correct = FALSE).
• إدخال نسب مئوية كأعداد صحيحة: تمرير قيم نسبية مئوية (مثل $56%$) بدلاً من الأعداد الصحيحة الخام للنجاحات ($56$)، مما يؤدي إلى انهيار الدالة البرمجية التي تشترط أعداداً صحيحة (Counts) كمدخلات للمتغيرين x و n.

12.3 دليل إرشادي لأفضل الممارسات في توثيق التحليلات الإحصائية

لضمان أعلى درجات الرصانة والنزاهة الأكاديمية والامتثال لتوصيات اللجان الدولية لتحسين النشر العلمي (EQUATOR Network)، يُنصح باتباع البروتوكول التوثيقي التالي:

1. التصريح الصريح باسم الطريقة الرياضية: يجب ذكر اسم الطريقة المستخدمة لحساب فترة الثقة بوضوح في قسم المنهجية (مثلاً: “تم حساب فترات الثقة $95%$ للنسب باستخدام طريقة ويلسون للدرجة Wilson Score Interval بدون تصحيح الاستمرارية”).
2. توثيق بيئة التحليل وإصدارات الحزم: ذكر إصدار لغة R المستخدمة والحزم المعتمدة وأرقام إصداراتها (عبر الأمر sessionInfo()) لضمان قابلية إعادة تكرار التحليل بدقة مستقبلاً.
3. الدمج الثلاثي للنتائج: تقديم التقرير الإحصائي متضمناً الأركان الثلاثة المتكاملة: التقدير النقطي ($\hat{p}$)، وفترة الثقة بحديها، وقيمة الدلالة الإحصائية المقابلة لاختبار الفرضية، مع تجنب الاعتماد على قيم $p$-values وحدها.
4. إتاحة الأكواد البرمجية: إرفاق نصوص البرمجة (R Scripts) والبيانات مجهلة الهوية ضمن الملاحق الإلكترونية المفتوحة للدراسة تماشياً مع مبادئ العلم المفتوح (Open Science Framework – OSF).

الخاتمة والتوصيات العامة

تمثل فترات الثقة لنسبة ذات الحدين جسراً استدلالياً فائق الأهمية ينقل التحليلات الإحصائية من التقديرات النقطية الضيقة إلى آفاق التقدير الاحتمالي المقنن الذي يعكس واقع عدم اليقين في البيانات التجريبية والميدانية. وقد أثبت الاستعراض النظري والمقارن قصور الطرق التقليدية كفترة فالد، في حين برزت الطرائق الحديثة—وعلى رأسها طريقة ويلسون للدرجة، وطريقة أجرستي-كول، ونماذج الاستدلال البايزي غير الإخباري—كحلول رياضية مثلى تجمع بين دقة التغطية الاحتمالية وكفاءة الاتساع التقديري.

تضع لغة البرمجة R بين يدي الباحثين والمحللين بيئة استثنائية لحساب هذه الفترات ومقارنتها عبر دوالها القياسية كـ prop.test() و binom.test()، أو عبر حزمها التخصصية الشاملة كحزمة binom. إن الفهم العميق للأسس الرياضية لهذه الخوارزميات، مقروناً بالانضباط المنهجي في اختيار الطريقة الملائمة لطبيعة وحجم العينة، يمثل صمام الأمان الذي يرتقي بجودة البحوث والدراسات السلوكية والنفسية والطبية، ويضمن اتخاذ قرارات علمية وإكلينيكية مستندة إلى أمتن الأدلة الإحصائية الرصينة.

المراجع الأكاديمية (References)

• 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://apastyle.apa.org/
• 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
• Dorai-Raj, S. (2014). binom: Binomial Confidence Intervals For Several Parameterizations (R package version 1.1-1). Comprehensive R Archive Network (CRAN). https://cran.r-project.org/package=binom
• Hanley, J. A., & Lippman-Hand, A. (1983). If nothing goes wrong, is everything all right? Interpreting zero numerators. JAMA, 249(13), 1743–1745. https://doi.org/10.1001/jama.1983.03330370053031
• 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” target=”_blank” rel=”noopener noreferrer”>https://doi.org/10.1002/(SICI)1097-0258(19980430)17:8<857::AID-SIM777>3.0.CO;2-E
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.r-project.org/
• Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org/
• 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