كيفية إنشاء وتفسير منحنى ROC في Stata

يمثل تقييم الكفاءة التمييزية للنماذج التنبؤية والاختبارات التشخيصية ركيزة أساسية في منهجية البحث العلمي المعاصر، لاسيما في مجالات القياس النفسي، والعلوم السلوكية، والطب السريري، وعلم الأوبئة. فعند بناء نموذج تنبؤي أو تطوير أداة قياس جديدة تهدف إلى تصنيف الأفراد إلى فئتين متمايزتين (كوجود اضطراب نفسي من عدمه، أو الاستجابة لبرنامج علاجي معين)، يواجه الباحث تحدياً جوهرياً يتمثل في تحديد مدى دقة هذه الأداة في الفصل بين الحالات الإيجابية الحقيقية والحالات السلبية، وتحديد نقطة القطع الفاصلة التي توازن بين معدلات الكشف الدقيق ومعدلات الإنذار الكاذب. ومن هنا، يبرز منحنى خصائص تشغيل المستقبل (Receiver Operating Characteristic – ROC) كأحد أقوى الأساليب البصرية والتحليلية المعتمدة عالمياً لتقييم كفاءة التصنيف الثنائي بصرف النظر عن نقطة قطع محددة سلفاً.

تكمن القوة المنهجية لتحليل منحنى ROC في قدرته الفريدة على تفكيك العلاقة المعقدة والمقايضة الحتمية بين الحساسية (Sensitivity) ومكمل النوعية (1 – Specificity) عبر جميع نقاط القطع الممكنة للاحتمالات التنبؤية أو الدرجات المعيارية المستمرة. وبدلاً من الاكتفاء بمؤشرات الدقة الإجمالية التقليدية التي تتأثر بشدة باختلال التوازن بين الفئات داخل العينة، يوفر منحنى ROC، مقترناً بالمساحة المحصورة تحته (Area Under the Curve – AUC) أو ما يُعرف بإحصاء التمييز (C-Statistic)، معياراً موضوعياً وشاملاً يقيس قدرة النموذج على التمييز والفرز الإحصائي، مما يجعله أداة لا غنى عنها في المقارنة بين النماذج الإحصائية المتنافسة واختيار أفضل المقاييس السريرية بأعلى درجات الموثوقية.

يعد برنامج Stata أحد أكثر البيئات الإحصائية تقدماً ورسوخاً في التعامل مع تحليلات منحنيات ROC، حيث يجمع بين المرونة البرمجية الفائقة والقوة الخوارزمية في التعامل مع النماذج البارامترية واللابارامترية على حد سواء. وسيقدم هذا الدليل المرجعي الموسع والمفصل شرحاً أكاديمياً وتطبيقياً شاملاً لكيفية بناء، وتخصيص، وتفسير منحنيات ROC في برنامج Stata، بدءاً من الأسس الرياضية والنظرية لنظرية كشف الإشارات ومصفوفة الالتباس، مروراً بربط التحليل بنماذج الانحدار اللوجستي، واستخدام الأوامر المتخصصة في Stata، وانتهاءً بتحديد نقاط القطع المثلى، والمقارنة الإحصائية بين النماذج المتعددة، وتوثيق النتائج وفق المعايير الأكاديمية المعتمدة لنشر الأبحاث في الدوريات العالمية المحكمة.

1. مقدمة شاملة حول منحنى خصائص تشغيل المستقبل (ROC) في التحليل الإحصائي

1.1 التعريف النظري لمنحنى خصائص تشغيل المستقبل (Receiver Operating Characteristic)

تعود الجذور التاريخية لمنحنى خصائص تشغيل المستقبل (Receiver Operating Characteristic Curve) إلى بدايات الحرب العالمية الثانية في سياق نظرية كشف الإشارات (Signal Detection Theory)، حيث طُوّر هذا المفهوم الرياضي والفيزيائي لتقييم قدرة مشغلي أجهزة الرادار على التمييز بين الإشارات الحقيقية الصادرة عن طائرات العدو وبين الضجيج العشوائي أو الإشارات المضللة الناتجة عن التشويش الجوي وأسراب الطيور. وسرعان ما أدرك علماء القياس النفسي والرياضيات أن هذه المنظومة المفاهيمية تعالج مسألة إبستيمولوجية أعمق تتعلق بعملية اتخاذ القرار تحت ظروف عدم اليقين، حيث يتوجب على النظام أو الباحث الفصل بين “الإشارة” المراد قياسها و”الضوضاء” المحيطة بها في ظل توزيعات احتمالية متداخلة للبيانات المستمرة.

من الناحية الرياضية المجردة، يُعرف منحنى ROC بأنه دالة ثنائية الأبعاد ترسم العلاقة الديناميكية بين معدل الإيجابيات الحقيقية (True Positive Rate – TPR)، والذي يمثل المحور الرأسي الصادي (Y-axis) ويُعبر إحصائياً عن حساسية الأداة (Sensitivity)، ومعدل الإيجابيات الكاذبة (False Positive Rate – FPR)، والذي يمثل المحور الأفقي السيني (X-axis) ويُحسب رياضياً بوصفه المكمل الحسابي للنوعية (1 – Specificity). وتتشكل نقاط هذا المنحنى من خلال التحريك المنهجي والمستمر لنقطة القطع التشخيصية (Decision Threshold) عبر المدى الكامل للقيم أو الاحتمالات التنبؤية المحسوبة، مما يولد مساراً بيانياً يوضح السلوك التمييزي للاختبار عند كل مستوى قطعي ممكن دون التحيز لنقطة عتبة محددة مسبقاً.

تتجلى الأهمية الجوهرية لمنحنى ROC في التحليل الإحصائي المعاصر في كونه يوفر معياراً غير متحيز لتقييم دقة النماذج التنبؤية الثنائية والأدوات التشخيصية. وخلافاً لمقاييس الدقة التقليدية (Overall Accuracy) التي تفترض ضمناً تساوي تكاليف الأخطاء وتماثل توزيع الفئات، يتيح تحليل ROC للباحثين والمحللين فحص القوة التمييزية الذاتية للأداة التنبؤية بمعزل عن معدلات الانتشار (Prevalence Independence). وهذا ما جعل من هذا المنحنى حجر الزاوية في تطوير الاختبارات الإكلينيكية، والمفاضلة بين الخوارزميات التنبؤية، وبناء مقاييس فرز تتمتع بأعلى درجات الصدق البنائي والتشخيصي في شتى الحقول المعرفية.

1.2 أهمية منحنى ROC في البحوث النفسية والعلوم السلوكية

تحظى تحليلات منحنى ROC بأهمية بالغة واستثنائية في مجالات البحوث النفسية والطب النفسي والعلوم السلوكية، نظراً للطبيعة المعقدة للمفاهيم والسمات الكامنة (Latent Constructs) التي تتعامل معها هذه العلوم. فعند بناء المقاييس النفسية، مثل استبيانات قياس الاكتئاب السريري، أو أدوات تقييم اضطرابات القلق، أو مقاييس التدهور المعرفي، يواجه الباحث معضلة تحويل الدرجات المستمرة الكلية للمقياس إلى قرار تشخيصي قاطع يصنف المفحوصين إلى “مرضى” أو “أسوياء”. وهنا يقدم منحنى ROC حلاً منهجياً صارماً لتقييم الكفاءة السيكومترية لتلك الأدوات وتحديد مدى قدرتها على عزل التداخل الطبيعي بين سمات الشخصية العادية والمؤشرات المرضية الإكلينيكية.

علاوة على ذلك، تلعب منحنيات ROC دوراً حاسماً في المفاضلة المنهجية بين النماذج التفسيرية للسلوكيات البشرية المعقدة ذات المخرجات الثنائية، مثل التنبؤ بالانتكاس الإدماني، أو العنف السلوكي، أو التسرب الأكاديمي، أو الانتحار. ففي مثل هذه السياقات، لا يقتصر الهدف البحثي على معرفة دلالة المعاملات الإحصائية فحسب، بل يمتد إلى تقييم القيمة التنبؤية الإضافية (Incremental Validity) التي تقدمها المتغيرات النفسية الجديدة عند إضافتها إلى النماذج الديموغرافية والبيولوجية الأساسية. ومن خلال حساب الفارق في المساحة تحت منحنى ROC بين النماذج المتنافسة، يستطيع الباحث البرهنة كمياً على الفائدة العملية للمتغيرات السلوكية المستحدثة.

تكتسب هذه الأداة كذلك بعداً تطبيقياً حيوياً في ضبط وتوحيد معايير أدوات الفرز النفسي المجتمعي والسريري. فعند تطبيق أداة مسحية على عينة واسعة لتحديد الأفراد المعرضين لخطر اضطراب نفسي معين، تختلف التداعيات المترتبة على الخطأ التشخيصي باختلاف الغرض من الفرز. ومن خلال التمثيل البياني لتحليل ROC، يمتلك الأخصائي النفسي والباحث السلوكي رؤية متكاملة تمكنه من اتخاذ قرارات مبنية على الدليل فيما يتعلق بنقطة القطع المثلى التي تضمن الكشف المبكر والتدخل الوقائي السريع، مع تقليل احتمالات إحالة الحالات السليمة إلى برامج علاجية غير مبررة قد ترتب عليها وصمات اجتماعية أو تكاليف مادية باهظة.

1.3 الارتباط بين الانحدار اللوجستي وتحليل منحنيات ROC

يرتبط تحليل منحنيات ROC ارتباطاً وثيقاً بنماذج الانحدار اللوجستي (Logistic Regression)، حيث يمثل الانحدار اللوجستي الأداة الإحصائية الأكثر شيوعاً لنمذجة المتغيرات التابعة الثنائية، بينما يمثل منحنى ROC الأداة البصرية والكمية المثلى لتقييم القدرة التمييزية لتلك النماذج. يقوم نموذج الانحدار اللوجستي بتقدير دالة اللوجيت (Logit Function) وتحويل المجموع الخطي للمتغيرات المستقلة إلى احتمالات تنبؤية مستمرة تقع حصراً في المدى الرياضي المغلق بين الصفر والواحد الصحيح [0, 1]. وتوضح هذه الاحتمالات مقدار احتمالية انتماء كل مشاهدة في العينة إلى الفئة الإيجابية للحدث المدروس بناءً على خصائصها المقاسة.

تنشأ الحاجة إلى منحنى ROC عند الرغبة في ترجمة هذه الاحتماليات المستمرة الناتجة عن معادلة الانحدار إلى قرارات تصنيفية ثنائية قاطعة. فبشكل افتراضي، تعتمد معظم البرمجيات الإحصائية نقطة قطع ثابتة تعادل 0.50 لتصنيف الأفراد، بحيث يُصنف كل من يتجاوز هذا الاحتمال كحالة إيجابية. ومع ذلك، يعد هذا الإجراء التلقائي غير مناسب في معظم التطبيقات الواقعية، لاسيما عندما تكون نسبة انتشار الحدث منخفضة جداً أو عندما تكون كلفة الأخطاء غير متساوية. وهنا يتدخل منحنى ROC ليختبر أداء النموذج عبر متصل كامل من نقاط القطع التي تتراوح من الصفر التام إلى الواحد الصحيح، موفراً تقييماً شاملاً لقدرة معادلة الانحدار على فرز الأفراد بدقة.

بالإضافة إلى ذلك، يُستخدم منحنى ROC كأداة تشخيصية بالغة الأهمية لاختبار جودة توفيق النموذج (Goodness-of-Fit) من منظور القدرة التمييزية (Discrimination Power). فبينما تقيس اختبارات مثل اختبار هوسمر-ليمشو (Hosmer-Lemeshow Test) مدى معايرة النموذج وتوافق الاحتمالات المتوقعة مع التكرارات المشاهدة عبر المجموعات العشرية (Calibration)، يقيس منحنى ROC والمساحة الواقعة تحته البعد المكمل الآخر لجودة النموذج، والمتمثل في قدرته على منح احتمالية متوقعة أعلى للمفحوص الذي وقع له الحدث الفعلي مقارنة بالمفحوص الذي لم يقع له الحدث، مما يجعلهما وجهين مكملين لتقييم كفاءة وموثوقية النموذج اللوجستي في التطبيقات المتقدمة.

2. المفاهيم الرياضية والإحصائية الأساسية لمنحنى ROC ومصفوفة الالتباس

2.1 مصفوفة الالتباس (Confusion Matrix) ومكوناتها الأساسية

تشكل مصفوفة الالتباس (Confusion Matrix)، أو ما يُعرف في الأدبيات الإحصائية والطبية بجدول التوافق المزدوج (2×2 Contingency Table)، الأساس الرياضي والمفاهيمي الذي تُشتق منه كافة مؤشرات الدقة والتمييز في تحليل منحنيات ROC. تهدف هذه المصفوفة إلى تلخيص ومقارنة النتائج التنبؤية الصادرة عن النموذج أو أداة القياس مع الحالة الحقيقية الفعلية الموثقة عبر “المعيار الذهبي” (Gold Standard). وتتألف المصفوفة من أربع خلايا بنيوية رئيسية تعكس التوافقات والتناقضات بين الواقع والتنبؤ، وهي: الإيجابيات الحقيقية، والسلبيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الكاذبة.

تتمثل الفئة الأولى في الإيجابيات الحقيقية (True Positives – TP)، وهي عدد الحالات التي يحمل فيها المفحوص الصفة أو المرض فعلياً ونجح النموذج في تصنيفه إيجابياً. ويقابلها في الجانب المقابل السلبيات الحقيقية (True Negatives – TN)، وهي عدد الحالات السليمة التي لا تحمل الصفة وصنفها النموذج بدقة كحالات سلبية. تمثل هاتان الفئتان دقة التصنيف الصحيح وقوة النموذج في التطابق مع الواقع، ويسعى الباحث دائماً إلى تعظيم أعدادهما ونسبهما داخل العينة قيد الدراسة لضمان جودة الأداة الإحصائية واستقرارها التنبؤي.

في المقابل، تمثل الفئتان المتبقيتان أخطاء التصنيف الإحصائي؛ فالإيجابيات الكاذبة (False Positives – FP) تشير إلى عدد الحالات السليمة التي صُنفت خطأً على أنها إيجابية، وهو ما يُعرف في نظرية اختبار الفرضيات الإحصائية بالخطأ من النوع الأول (Type I Error / Alpha Error). أما السلبيات الكاذبة (False Negatives – FN)، فتعبر عن عدد الحالات المرضية أو الإيجابية الحقيقية التي فشل النموذج في اكتشافها وصنفها كحالات سلبية، وهو ما يمثل الخطأ من النوع الثاني (Type II Error / Beta Error). وتؤدي دراسة التوزيع النسبي لهذه الخلايا الأربع دوراً حاسماً في صياغة مقاييس الحساسية والنوعية التي يبنى عليها منحنى ROC.

2.2 الحساسية (Sensitivity) ومعدل الإيجابيات الحقيقية

تُعرف الحساسية (Sensitivity)، والتي تتطابق رياضياً ومفاهيمياً مع معدل الإيجابيات الحقيقية (True Positive Rate – TPR) أو احتمالية الكشف (Probability of Detection)، بأنها النسبة الاحتمالية لقدرة الاختبار التشخيصي أو النموذج التنبؤي على تحديد الحالات الإيجابية الحقيقية بدقة من بين إجمالي المجتمع الذي يحمل الصفة المستهدفة فعلياً. وتُحسب الحساسية من خلال قسمة عدد الإيجابيات الحقيقية على المجموع الكلي للحالات الإيجابية الواقعية في العينة، وفق المعادلة الجبرية التالية:

الحساسية = TP / (TP + FN)

من المنظور الإحصائي، تعبر الحساسية عن الاحتمال الشرطي الآتي: ما هو احتمال أن يُصدر الاختبار نتيجة إيجابية، بشرط أن المفحوص يعاني بالفعل من الاضطراب أو يحمل السمة المستهدفة؟ P(Test Positive | Condition Present). وعندما تصل قيمة الحساسية إلى 1.0 (أو 100%)، فإن ذلك يعني أن الأداة مثالية تماماً في الكشف ولا تنتج أي سلبيات كاذبة (FN = 0)، مما يعني أنه لا توجد أي حالة مرضية تفلت من رصد الاختبار. وتُعد هذه الخاصية بالغة الأهمية في اختبارات المسح الأولى التي تتطلب استبعاد الحالات المرضية بيقين مرتفع.

في سياق القياس النفسي، تتجلى الحساسية في قدرة مقياس الفحص على التقاط جميع الأفراد الذين يعانون من اضطراب ما مثل اضطراب ما بعد الصدمة (PTSD). فإذا طُبق مقياس على 100 شخص تم تشخيصهم سريرياً بالاضطراب عبر مقابلات تشخيصية بنيوية معتمدة، ونجح المقياس في تصنيف 85 شخصاً منهم كمرضى بينما صنف 15 شخصاً كأصحاء، فإن حساسية المقياس تكون 85%. وتوضح هذه النسبة أن الأداة تمتلك قدرة جيدة على فرز المصابين، مع وجود هامش خطأ سلبي كاذب يستدعي الانتباه في التطبيقات السريرية الحرجة.

2.3 النوعية (Specificity) ومعدل الإيجابيات الكاذبة (1 – Specificity)

تُعرّف النوعية (Specificity)، والتي يُطلق عليها أيضاً معدل السلبيات الحقيقية (True Negative Rate – TNR)، بأنها القدرة الإحصائية للاختبار على استبعاد الحالات السليمة وتصنيفها بدقة كحالات سلبية خالية من الاضطراب أو السمة المستهدفة. وتُشتق النوعية رياضياً بقسمة عدد السلبيات الحقيقية على المجموع الكلي للحالات السليمة غير المصابة داخل العينة، وتصاغ المعادلة على النحو التالي:

النوعية = TN / (TN + FP)

من الناحية الاحتمالية الشرطية، تمثل النوعية احتمال الحصول على نتيجة اختبار سلبية، بشرط أن يكون المفحوص سليماً وخالياً من الحالة المدروسة: P(Test Negative | Condition Absent). ويرتبط بالنوعية مفهوم إحصائي بالغ الأهمية هو معدل الإيجابيات الكاذبة (False Positive Rate – FPR)، والذي يُحسب بالطرح: (1 – النوعية) أو [FP / (TN + FP)]. ويمثل هذا المعدل الأخير المحور الأفقي السيني (X) في رسم منحنى ROC، حيث يعكس نسبة الأصحاء الذين تم تصنيفهم خطأً على أنهم مرضى عند نقطة قطع معينة.

توجد مقايضة إحصائية حتمية ولا مفر منها بين الحساسية والنوعية تنشأ عند تحريك نقطة القطع التشخيصية. فإذا خفضنا نقطة القطع لجعل الاختبار أكثر حساسية واقتناص أكبر عدد ممكن من الحالات المرضية، فإن ذلك سيؤدي بالضرورة إلى زيادة معدل الإنذارات الكاذبة (FP) وانخفاض النوعية. وعلى العكس من ذلك، إذا رفعنا نقطة القطع لجعل الاختبار صارماً وانتقائياً للغاية لرفع النوعية وتجنب الإيجابيات الكاذبة، فسنفقد حساسية الاختبار ونرفع من معدل السلبيات الكاذبة (FN). ويعد منحنى ROC الأداة المنهجية الفضلى التي تكشف هذا التوازن عبر جميع النقاط بصرياً ورقمياً.

3. إعداد بيئة العمل وتجهيز البيانات في برنامج Stata

3.1 استيراد وتجهيز مجموعات البيانات في Stata

يتطلب التحليل الدقيق لمنحنيات ROC في برنامج Stata إعداداً محكماً لبيئة العمل وتجهيزاً منهجياً لمجموعة البيانات المراد تحليلها. يوفر برنامج Stata حزمة واسعة من البيانات التجريبية المعيارية المتاحة عبر خوادمه الرسمية، ومن أشهرها مجموعة بيانات أوزان المواليد المنخفضة (Low Birth Weight Study) والتي يمكن استدعاؤها مباشرة باستخدام الأمر التالي في نافذة الأوامر: webuse lbw, clear. وتعد هذه المجموعة مثالية للتطبيق نظراً لاحتوائها على متغير تابع ثنائي ومتغيرات تفسيرية متعددة تمثل قياسات سريرية وديموغرافية وسلوكية.

بعد تحميل البيانات، تبدأ أولى خطوات الفحص الاستكشافي باستخدام الأوامر الهيكلية للتحقق من سلامة المصفوفة. يُستخدم الأمر describe لاستعراض قائمة المتغيرات، وأنواعها التخزينية (byte, int, float, double, str)، والتسميات التوضيحية المرتبطة بها. يتبعه تطبيق الأمر الإحصائي الشامل summarize لفحص المقاييس الوصفية الأساسية مثل المتوسط الحسابي، والانحراف المعياري، والقيم الصغرى والعظمى لجميع المتغيرات، مما يتيح للباحث الكشف الفوري عن القيم الشاذة المتطرفة أو الأخطاء الإدخالية المحتملة التي قد تؤثر على كفاءة تقدير النماذج التنبؤية اللاحقة.

يشكل التعامل مع القيم المفقودة (Missing Values) خطوة جوهرية لا يمكن إغفالها قبل بناء النماذج اللوجستية ومنحنيات ROC. يقوم برنامج Stata تلقائياً بحذف المشاهدات التي تتضمن قِيماً مفقودة عبر أسلوب الحذف القائم على القائمة (Listwise Deletion)، مما قد يؤدي إلى تقليص حجم العينة الفعالة والتأثير سلباً على القوة الإحصائية (Statistical Power) للتحليل وتشويه تقديرات المساحة تحت المنحنى. لذا، يجب استخدام أوامر التحقق مثل mdesc أو الأمر misstable summarize لتقييم حجم ونمط الفقد، والتأكد مما إذا كانت البيانات مفقودة بصورة عشوائية تامة (MCAR) تمهيداً لمعالجتها إما بالاستبعاد المبرر أو بالتعويض المتعدد (Multiple Imputation).

3.2 ترميز المتغيرات التابعة والمستقلة والتأكد من ملاءمتها

يشترط التحليل السليم لمنحنى ROC بعد الانحدار اللوجستي أن يكون المتغير التابع (Outcome/Dependent Variable) متغيراً ثنائياً حقيقياً (Binary/Dichotomous Variable) مرمّزاً بدقة بالقيمتين العدديتين (0 و 1). يجب أن يمثل الرمز (1) حدوث الفئة المستهدفة أو وجود الحالة المرضية/السلوكية (Event / Case / Positive)، بينما يمثل الرمز (0) غياب الحالة أو المجموعة الضابطة (Non-event / Control / Negative). يمكن التحقق من ذلك في Stata باستخدام أمر التكرارات tabulate depvar، وإعادة الترميز عند الضرورة عبر الأمر الشرطي recode لضمان توافق اتجاه الاحتمالات التنبؤية مع الفلسفة التشخيصية للبحث.

فيما يخص المتغيرات المستقلة والتفسيرية (Independent / Predictor Variables)، يوفر برنامج Stata منظومة التعامل مع المتغيرات الفئوية (Factor Variables) عبر استخدام البادئة i. قبل اسم المتغير في معادلة النموذج (مثل i.race أو i.smoke). تتيح هذه الميزة للنظام إنشاء متغيرات وهمية تلقائية (Dummy Variables) واختيار الفئة المرجعية الأساسية (Base Level) بدقة دون الحاجة لإنشاء أعمدة جديدة يدوياً في قاعدة البيانات، مما يضمن اتساق التحليلات الرياضية وتقليل احتمالات الأخطاء البرمجية أثناء تركيب النموذج متعدد المتغيرات.

أما بالنسبة للمتغيرات المستمرة (Continuous Variables) مثل العمر، أو درجات المقاييس النفسية، أو المؤشرات الحيوية، فمن الضروري فحص اعتدالية توزيعها والمدى الرقمي الخاص بها. وفي الحالات التي تتفاوت فيها المقاييس الإحصائية للمتغيرات تفاوتاً كبيراً، يفضل بعض الباحثين إجراء توحيد للمقاييس (Standardization) عبر تحويل الدرجات إلى درجات معيارية Z-scores باستخدام الأمر egen z_var = std(var)، مما يسهم في تسهيل مقارنة التأثيرات النسبية للمتغيرات التفسيرية، على الرغم من أن ذلك لا يؤثر رياضياً على قيمة المساحة الكلية تحت منحنى ROC للنموذج.

3.3 الفحص الاستكشافي للعلاقات الثنائية قبل النمذجة

قبل المضي قدماً في تقدير النماذج اللوجستية وتوليد منحنيات ROC، تتطلب الرصانة المنهجية إجراء فحص استكشافي للعلاقات الثنائية بين كل متغير مستقل والمتغير التابع المستهدف. يتم ذلك من خلال إنشاء الجداول المتقاطعة (Cross-tabulations) عبر الأمر tabulate varname depvar, row chi2، والذي يقوم بعرض النسب المئوية الأفقية واختبار فرضية الاستقلال الإحصائي باستخدام اختبار كاي تربيع (Chi-Square Test)، بالإضافة إلى استخراج اختبار فيشر الدقيق (Fisher’s Exact Test) عبر الخيار exact في حال كانت التكرارات المتوقعة في بعض الخلايا أقل من 5.

يساعد هذا التحليل الاستكشافي الأولي في حساب نسب الأرجحية الخام (Unadjusted Odds Ratios) لكل مؤشر على حدة، والتحقق من القوة التنبؤية المبدئية للمتغيرات الفردية. كما يتيح استخدام الأمر tabodds depvar varname فحص اتجاه الخطية اللوجستية (Linearity in the Logit) للمتغيرات الفئوية المرتبة والمتغيرات المستمرة المقسمة إلى فئات رتبية، مما يعطي مؤشراً واضحاً حول ما إذا كان المتغير يتمتع بعلاقة رتيبة مع احتمالية حدوث الفئة المستهدفة تسهم في رفع حساسية ونوعية النموذج النهائي.

تتمثل الفائدة الحاسمة للفحص الاستكشافي في الكشف المبكر عن ظاهرة الانفصال التام أو شبه التام للبيانات (Complete or Quasi-Complete Separation). تحدث هذه المشكلة عندما يتنبأ متغير مستقل معين بمخرجات المتغير التابع تنبؤاً كاملاً بنسبة 100% لإحدى الفئات، مما يؤدي إلى فشل خوارزمية التعظيم الاحتمالي (Maximum Likelihood Estimation) في الوصول إلى تقارب رياضي، فتظهر معاملات الانحدار وأخطاؤها المعيارية بأرقام فلكية مضللة. ويتيح اكتشاف هذه الحالة مبكراً اتخاذ تدابير علاجية مناسبة، مثل دمج الفئات الصغيرة أو استخدام نماذج الانحدار اللوجستي المعاقب (Penalized Logistic Regression / Firth Method).

4. بناء نموذج الانحدار اللوجستي الأساسي في Stata

4.1 تنفيذ أمر الانحدار اللوجستي `logit` و `logistic`

يقدم برنامج Stata أسلوبين متطابقين رياضياً ولكنهما مختلفان في طريقة عرض النتائج لتقدير نماذج الانحدار اللوجستي الثنائي، وهما الأمران logit والأمر logistic. يقوم الأمر الأول logit depvar indepvars بعرض المخرجات بدلالة معاملات الانحدار اللوجستي الخام (Logit Coefficients / Beta Weights)، والتي تعكس التغير في لوغاريتم الأرجحية الطبيعي لكل زيادة بمقدار وحدة واحدة في المتغير المستقل، مع ثبات بقية المتغيرات في النموذج.

في المقابل، يُفضل معظم الباحثين في العلوم الصحية والنفسية استخدام الأمر logistic depvar indepvars (مثل صياغة الأمر: logistic low age lwt i.race smoke ptl ht ui)، حيث يقوم هذا الأمر تلقائياً بتحويل معاملات اللوجيت إلى نسب الأرجحية (Odds Ratios – OR) عبر رفع الأساس الطبيعي إلى القوة بيتا [exp(Beta)]. ويسهل هذا التحويل عملية التفسير المباشر لحجم التأثير، حيث تشير القيمة التي تتجاوز الواحد الصحيح إلى زيادة احتمالية حدوث الحدث المستهدف، بينما تعكس القيمة الأقل من الواحد انخفاضاً في احتمالية الحدوث (تأثير وقائي).

تتضمن المخرجات الإحصائية لكلا الأمرين جدولاً تفصيلياً يشتمل على الأخطاء المعيارية المقدرة (Standard Errors)، وإحصاء اختبار زد (z-statistic)، ومستويات الدلالة الإحصائية (p-values)، بالإضافة إلى فترات الثقة 95% (95% Confidence Intervals) المصاحبة لكل متغير. ويجب على الباحث فحص هذه الفترات بدقة؛ إذ إن استبعاد فترة الثقة لنسبة الأرجحية للرقم (1.00) يؤكد المعنوية الإحصائية لتأثير المتغير عند مستوى دلالة 0.05، وهو ما يعزز الثقة في الإسهام الفريد لكل متغير في بناء القدرة التمييزية الشاملة لمنحنى ROC الذي سيتم اشتقاقه من هذا النموذج.

4.2 تقييم المعنوية الإحصائية وجودة النموذج العام

بمجرد تقدير معادلة الانحدار اللوجستي، تبرز ضرورة فحص المؤشرات الإحصائية الكلية التي تحكم جودة النموذج قبل الانتقال إلى تحليل التمييز عبر ROC. تتصدر هذه المؤشرات قيمة إحصاء اختبار نسبة الإمكانية الكلية (Likelihood Ratio Chi-Square Test)، والتي تظهر في أعلى جدول مخرجات Stata تحت مسمى LR chi2. يختبر هذا المؤشر الفرضية الصفرية القائلة بأن جميع معاملات الانحدار للمتغيرات المستقلة في النموذج تساوي صفراً في المجتمع، ويشير الحصول على قيمة احتمالية أصغر من 0.001 إلى أن النموذج المشتمل على المتنبئات يتفوق تفوقاً جوهرياً على النموذج الصفري المجرد (Null Model).

كما يعرض البرنامج مؤشر جودة التوفيق المعروف بشبه مربع ر لماكفادين (McFadden’s Pseudo R-squared)، والذي يمثل النسبة المئوية لتحسن لوغاريتم الإمكانية للنموذج الكامل مقارنة بالنموذج المقيد. ومن الأهمية بمكان التأكيد على أن قيم شبه مربع ر تكون عادة أقل بكثير من قيم معامل التحديد R-squared التقليدي في الانحدار الخطي العادي، حيث تُعتبر القيم التي تتراوح بين 0.20 و 0.40 مؤشراً على توفيق ممتاز وقوة تفسيرية عالية جداً للنموذج اللوجستي وفق المعايير الإحصائية المستقرة.

تستكمل عملية التقييم بفحص المعنوية الفردية للمتغيرات عبر اختبارات والد (Wald Tests) المتضمنة في الجدول، والتي تحدد المتغيرات ذات الإسهام الإحصائي الحاسم في التنبؤ. ومع ذلك، يجب التنبه إلى أن جودة التوفيق الشاملة ووجود معاملات ذات دلالة إحصائية عالية لا تضمنان بالضرورة قدرة تصنيفية وتمييزية ممتازة للنموذج في الواقع السريري؛ إذ قد يكون النموذج معايَراً بشكل جيد ولكنه يمتلك قدرة ضعيفة على الفصل بين الفئتين، وهو ما يجعل اللجوء إلى منحنى ROC وحساب المساحة تحته خطوة مكملة وإلزامية للحكم النهائي على كفاءة النموذج.

4.3 حساب وتخزين الاحتمالات التنبؤية (Predicted Probabilities)

تمثل الاحتمالات التنبؤية الفردية الجسر الرياضي الرابط بين معادلة الانحدار اللوجستي المقدرة وبين توليد مسار منحنى ROC ومصفوفات الالتباس المتعددة. يوفر برنامج Stata أداة برمجية مباشرة لحساب وتخزين هذه الاحتمالات لكل مشاهدة داخل العينة عبر الأمر التنبؤي اللاحق للنمذجة: predict phat, pr. يقوم هذا الأمر بتطبيق الدالة اللوجستية العكسية على التجميع الخطي لدرجات كل مفحوص وتخزين النتيجة في متغير جديد يحمل اسم phat (أو أي اسم يختاره الباحث)، وتتراوح قيمه بين الصفر والواحد الصحيح.

عقب توليد هذا المتغير، من الممارسات المنهجية الموصى بها فحص التوزيع التكراري والبياني للاحتمالات المتوقعة عبر استخدام أمر المدرج التكراري: histogram phat, by(depvar). يتيح هذا الرسم المقارن للباحث معاينة مدى تباعد أو تداخل توزيع الاحتمالات المتوقعة بين فئة الحالات الإيجابية وفئة الحالات السلبية؛ فكلما كان التداخل بين التوزيعين طفيفاً وكانت الاحتمالات الخاصة بالحالات الإيجابية مركزة قرب الواحد وتلك الخاصة بالحالات السلبية مركزة قرب الصفر، كان النموذج متمتعاً بقدرة تمييزية فائقة ستنعكس إيجاباً على تقوس منحنى ROC وقيمة AUC.

تضمن عملية تخزين الاحتمالات التنبؤية إمكانية إجراء تحليلات لاحقة متعددة دون الحاجة لإعادة تقدير النموذج اللوجستي في كل مرة، مثل التحقق من القيم الشاذة في التنبؤ (Outliers)، وحساب البواقي المعيارية (Pearson and Deviance Residuals)، واستخدام الاحتمالات كمدخلات مباشرة في أوامر مقارنة المنحنيات التشخيصية المتقدمة، أو تصديرها إلى برمجيات أخرى عند الحاجة لبناء نظم دعم القرار السريري المبنية على الاحتمالات الفردية المخصصة.

5. توليد منحنى ROC الأساسي بعد الانحدار اللوجستي باستخدام الأمر `lroc`

5.1 بناء منحنى ROC الفوري عبر الأمر `lroc`

يعد الأمر lroc في برنامج Stata الأداة القياسية الأسرع والأكثر كفاءة لتوليد منحنى ROC المباشر عقب تنفيذ نموذج الانحدار اللوجستي (سواء نُفذ بالأمر logit أو logistic). يعمل هذا الأمر كإجراء لاحق للتقدير (Post-estimation Command)، حيث يستدعي تلقائياً مصفوفة التقديرات المحفوظة في ذاكرة البرنامج المؤقتة، ويقوم بحساب الاحتمالات التنبؤية لجميع المشاهدات الداخلة في تقدير النموذج، ثم يرسم مسار الحساسية مقابل مكمل النوعية عبر كافة نقاط القطع الرياضية الممكنة لتلك الاحتمالات.

بمجرد كتابة الأمر lroc والضغط على زر التنفيذ في نافذة Stata، تظهر نافذة الرسومات البيانية مستعرضة منحنى ROC بدقة هندسية عالية. يتضمن الرسم المحور الرأسي الصادي الذي يمثل الحساسية (Sensitivity) ممتداً من القيمة 0.00 إلى 1.00، والمحور الأفقي السيني الذي يمثل معدل الإيجابيات الكاذبة (1 – Specificity) ممتداً أيضاً من 0.00 إلى 1.00. كما يدرج البرنامج تلقائياً خطاً قطرياً مرجعياً مائلاً بزاوية 45 درجة ينطلق من النقطة (0,0) إلى النقطة (1,1)، وهو الخط الذي يمثل أداء النموذج العشوائي المجرد الذي لا يمتلك أي قدرة تمييزية تفوق رمي قطعة النقود.

يقوم الأمر lroc في الوقت ذاته بحساب وطباعة القيمة الرقمية الإجمالية للمساحة تحت المنحنى أسفل الرسم البياني وفي نافذة المخرجات النصية بصيغة صريحة: (Area under ROC curve = X.XXXX). وتعطي هذه القيمة النقطية تقييماً كلياً فورياً للقدرة التمييزية للنموذج، مما يتيح للباحث التحقق السريع من مدى جدوى المتغيرات المضمنة في النموذج وقدرتها التراكمية على الفصل بين المجموعتين قبل الشروع في التخصيصات المتقدمة للرسم أو الفحوصات الإحصائية المعمقة.

5.2 تخصيص خيارات العرض المتقدمة مع الأمر `lroc`

يوفر برنامج Stata مرونة فائقة لتخصيص سلوك ومخرجات الأمر lroc عبر مجموعة من الخيارات (Options) البرمجية المتقدمة التي تلبي المتطلبات البحثية المختلفة. ففي الحالات التي يرغب فيها الباحث في الحصول على القيمة الرقمية للمساحة تحت المنحنى وخطئها المعياري دون الرغبة في فتح النافذة الرسومية (مثل حالات تشغيل البرمجيات التكرارية أو المحاكاة الآلية)، يمكن استخدام الخيار nograph عبر كتابة: lroc, nograph، مما يسرع تنفيذ الكود ويقتصر على طباعة النتائج العددية في نافذة المخرجات.

لتحسين القراءة البصرية للرسم البياني وتسهيل تتبع الإحداثيات، يتيح البرنامج إضافة خطوط الشبكة المرجعية باستخدام الخيار grid، مما يسهل على القارئ مطابقة قيم حساسية معينة مع ما يقابلها من معدلات الإيجابية الكاذبة على المحورين. كما يمكن التحكم في مظهر الخط المرجعي القطري وتعديل خصائصه اللونية والنمطية عبر تمرير وسائط التنسيق المتقدمة مثل rlopts(lcolor(gs10) lpattern(dash))، والتي تحول الخط المرجعي إلى خط رمادي متقطع يعزز من وضوح المنحنى الأساسي للنموذج.

بالإضافة إلى ذلك، يمكن استخدام وسائط العنونة والتنسيق الرسومي الشاملة المدمجة في نظام Stata للرسومات (Twoway Graph Options) بالتزامن مع الأمر lroc؛ مثل إضافة عناوين رئيسية مخصصة title(“ROC Curve for Clinical Model”)، وعناوين فرعية، وتعديل تسميات المحاور وتحديد نطاقات الترقيم، وحفظ المنحنى بصيغ رسومية متعددة تمهيداً لإدراجها في مسودات النشر الأكاديمي والتقارير العلمية الرسمية.

5.3 استخراج الإحصاءات التشخيصية المرافقة لمنحنى `lroc`

لا يقتصر تقييم منحنى ROC على القيمة النقطية للمساحة تحته فحسب، بل يتطلب التحليل الأكاديمي الصارم استخراج المؤشرات الإحصائية الاستدلالية المرافقة التي تعكس درجة دقة وموثوقية هذا التقدير. يقوم برنامج Stata، عند طلب التحليلات التفصيلية، بحساب الخطأ المعياري المقدر للمساحة تحت المنحنى (Standard Error of AUC). ويستند هذا الحساب إما إلى الطرق المقاربة الحصينة التي طورها ديلونج وزملاؤه (DeLong et al.) أو إلى صيغة هانلي وماكنيل (Hanley & McNeil)، والتي تأخذ في الحسبان حجم العينة وتوزيع الحالات الإيجابية والسلبية.

تكتسب فترات الثقة الإحصائية (95% Confidence Intervals) لـ AUC أهمية قصوى في التقارير البحثية، حيث تعكس المدى الذي يتوقع أن تقع داخله القيمة الحقيقية للمساحة تحت المنحنى في مجتمع الدراسة بنسبة ثقة 95%. وتُعد فترات الثقة الضيقة مؤشراً على كفاية حجم العينة واستقرار التقديرات التنبؤية، بينما تشير فترات الثقة العريضة جداً إلى تذبذب التقدير نتيجة صغر حجم العينة أو قلة تكرار الحالات الإيجابية داخل مصفوفة التحليل.

من الضروري كذلك أثناء استخراج النتائج مطابقة عدد المشاهدات الفعلية (Number of Observations) المذكورة في مخرجات أمر lroc مع إجمالي العينة الأصلية للتحقق من عدم حدوث تساقط غير مقصود للبيانات ناتج عن القيم المفقودة في المتغيرات التفسيرية. فإذا كان هناك تفاوت بين حجم العينة المخطط وحجم العينة الفعلي في التحليل، يتوجب على الباحث الإشارة إلى ذلك وتفسير محددات التعميم المترتبة على استبعاد تلك الحالات في التقرير الإحصائي النهائي.

6. التحليل اللامعلمي لمنحنيات ROC باستخدام الأمر `roctab` في Stata

6.1 مفهوم التحليل اللامعلمي بدون نموذج انحدار مسبق

في كثير من التطبيقات السيكومترية والإكلينيكية، يرغب الباحث في تقييم القدرة التشخيصية التمييزية لمتغير أو مقياس مستمر مفرد (Single Continuous Predictor or Rating Scale) مباشرة في مواجهة المعيار الذهبي الثنائي، دون الحاجة لبناء نموذج انحدار لوجستي متعدد المتغيرات. وهنا يبرز الأمر roctab في برنامج Stata كأداة لا معلمية (Nonparametric Approach) متكاملة ومستقلة تماماً، تقوم بحساب ورسم منحنى ROC استناداً إلى الرتب والتوزيعات الفعلية للمتغير المقاس دون فرض أي افتراضات مسبقة حول طبيعة التوزيع الاحتمالي للأخطاء.

تتم كتابة الصيغة البنائية الأساسية لهذا الأمر على النحو الآتي: roctab reference_var rating_var, graph، حيث يمثل reference_var المتغير المعياري الثنائي الحقيقي (المرض: 0/1)، بينما يمثل rating_var المتغير التفسيري أو درجة المقياس النفسي المستمر (مثل درجات مقياس بيك للاكتئاب أو مقادير هرمون معين). وبناءً على هذه الصياغة، يقوم البرنامج بفرز درجات المفحوصين تصاعدياً وحساب الحساسية والنوعية عند كل قيمة منفصلة يظهر بها المتغير في العينة، مما يوفر تمثيلاً بيانياً دقيقاً لأداء الأداة المستقلة.

يتيح هذا التحليل اللامعلمي المباشر للباحثين تقييم الصدق التمييزي والمقارن للأدوات النفسية والمقاييس السلوكية في صورتها الخام قبل إدخالها في نماذج إحصائية معقدة. كما يمكّن من معرفة ما إذا كان المقياس المنفرد يحقق الحد الأدنى من الكفاءة التشخيصية المطلوبة سريرياً، وهو ما يجعله أسلوباً مثالياً في دراسات التحقق من الخصائص السيكومترية للأدوات والمقاييس المستحدثة في البيئات الميدانية المختلفة.

6.2 الخيارات الإحصائية المتقدمة في الأمر `roctab`

يتميز الأمر roctab بحزمة غنية من الخيارات البرمجية والإحصائية المتقدمة التي ترفع من دقته وتوسع من نطاق مخرجاته التحليلية. يأتي في مقدمة هذه الخيارات الخيار التفصيلي detail عبر كتابة: roctab refvar ratingvar, detail. يؤدي هذا الخيار إلى طباعة جدول إحصائي شامل وكامل يسرد كافة نقاط القطع الممكنة لدرجات المتغير، مبيناً عند كل نقطة كلاً من: الحساسية، والنوعية، ونسبة الحالات المصنفة تصنيفاً صحيحاً، ونسب الأرجحية التشخيصية الإيجابية والسلبية، مما يوفر للباحث مرجعاً جدولياً دقيقاً لاختيار نقطة العتبة الأنسب.

فيما يتعلق بحساب فترات الثقة للمساحة تحت المنحنى، يعتمد roctab افتراضياً على الطريقة اللامعلمية المقاربة المعتمدة على إحصاء مان-ويتني (Mann-Whitney U statistic) وطريقة ديلونج (DeLong et al., 1988) لحساب التباين المقارب والخطأ المعياري الحصين. وتوفر هذه الطريقة تقديراً غير متحيز لمدى دقة مساحة ROC حتى في ظل التوزيعات غير الاعتدالية للبيانات أو وجود تماثل في الرتب (Ties).

علاوة على ذلك، يوفر البرنامج الخيار binomial الذي يقوم بحساب فترات الثقة الدقيقة ذات الحدين (Exact Binomial Confidence Intervals) للمساحة تحت المنحنى، وهو إجراء إحصائي بالغ الأهمية عند التعامل مع العينات الصغيرة جداً (Small Sample Sizes) أو عندما تكون أعداد الحالات الإيجابية نادرة للغاية، حيث تفقد الطرق المقاربة المعتمدة على التوزيع الطبيعي المعياري كفاءتها الاستدلالية، ويصبح الاعتماد على التوزيعات الدقيقة صمام أمان لتجنب التقديرات المتفائلة الزائفة.

6.3 تفسير جداول الحساسية والنوعية ونسب الأرجحية الإيجابية والسلبية

يوفر الجدول التفصيلي المستخرج عبر الخيار roctab, detail مؤشرات تشخيصية تتجاوز مجرد الحساسية والنوعية لتشمل نسب الأرجحية التشخيصية (Likelihood Ratios)، وهي مؤشرات إحصائية بالغة القيمة في الاستدلال السريري والتشخيص النفسي لكونها تجمع بين الحساسية والنوعية في مقياس واحد غير متأثر بمعدل انتشار الاضطراب في المجتمع المعاين.

تُعرّف نسبة الأرجحية الإيجابية (Positive Likelihood Ratio – LR+) رياضياً بأنها: [الحساسية / (1 – النوعية)]. وتعبر هذه النسبة عن مقدار تزايد أرجحية وجود المرض أو السمة لدى المفحوص عند حصوله على نتيجة اختبار إيجابية مقارنة بشخص سليم. وتعتبر الأداة ذات كفاءة تشخيصية ممتازة إذا كانت قيمة LR+ تتجاوز 10، حيث يشير ذلك إلى أن النتيجة الإيجابية ترفع الاحتمالية التشخيصية اللاحقة للمرض رفعاً كبيراً ومؤكداً.

في المقابل، تُحسب نسبة الأرجحية السلبية (Negative Likelihood Ratio – LR-) من خلال المعادلة: [(1 – الحساسية) / النوعية]. وتوضح هذه النسبة مقدار انخفاض أرجحية الإصابة بالمرض لدى المفحوص عند حصوله على نتيجة اختبار سلبية. وتُعتبر القيم التي تقل عن 0.1 دليلاً قوياً على كفاءة الاختبار في استبعاد وجود الاضطراب بشكل قاطع، مما يغير الاحتمالية اللاحقة للاختبار (Post-test Probability) تغييراً جذرياً يسهم في ترشيد القرارات السريرية والتدخلات العلاجية.

7. تفسير المساحة تحت المنحنى (AUC / C-Statistic) والمعايير الأكاديمية

7.1 المفهوم الاحتمالي للمساحة تحت المنحنى (AUC)

تمثل المساحة تحت منحنى ROC (Area Under the Curve – AUC)، والتي تُعرف أيضاً في أدبيات النمذجة الإحصائية المتقدمة بإحصاء التوافق أو التمييز (C-Statistic أو Concordance Index)، المقياس الكمي الأبرز والأكثر شمولاً لتقييم القدرة التمييزية الشاملة للنموذج التنبؤي أو الاختبار التشخيصي عبر كافة نقاط القطع الممكنة. وتتراوح القيمة الرياضية النظرية لـ AUC بين 0.50 (التي تمثل الفشل التام في التمييز والتكافؤ مع التخمين العشوائي) و 1.00 (التي تمثل التمييز التام والفرز الخالي تماماً من أي أخطاء تصنيفية).

يحمل إحصاء AUC تفسيراً احتماليا عميقاً ورصيناً؛ إذ يعبر رياضياً عن احتمال أن يقوم النموذج أو الاختبار بمنح درجة تنبؤية أو احتمالية متوقعة أعلى لمفحوص تم اختياره عشوائياً من فئة الحالات الإيجابية الحقيقية، مقارنة بمفحوص آخر تم اختياره عشوائياً من فئة الحالات السلبية الخالية من الحدث: P(Score_Positive > Score_Negative). فإذا كانت قيمة AUC لنموذج ما تساوي 0.85، فإن ذلك يعني أنه إذا سحبنا زوجاً عشوائياً من الأفراد (أحدهما مريض والآخر سليم)، فإن النموذج سينجح في إعطاء المريض درجة خطر أعلى من السليم في 85% من المرات.

يرتبط إحصاء AUC ارتباطاً بنيوياً وثيقاً بالاختبارات اللامعلمية الكلاسيكية، وتحديداً اختبار مان-ويتني للمجموعات المستقلة (Mann-Whitney U Test) وإحصاء ويلكوكسون (Wilcoxon Rank-Sum). وتتطابق قيمة AUC رياضياً مع إحصاء U مقسوماً على حاصل ضرب حجم المجموعتين [AUC = U / (n1 * n2)]. وتبرهن هذه الرابطة الرياضية على الطبيعة اللامعلمية الرصينة لـ AUC ومناعته ضد الانحرافات التوزيعية، مما يجعله معياراً فائق الموثوقية في تقييم النماذج الإحصائية المعقدة.

7.2 المعايير القياسية المعتمدة لتصنيف دقة النماذج التنبؤية

استقرت الأدبيات الإحصائية والأكاديمية العالمية، استناداً إلى الأعمال الرائدة لـ هوسمر وليمشو (Hosmer & Lemeshow) وكذلك سويدتس (Swets)، على وضع معايير إرشادية لتصنيف الكفاءة التمييزية للنماذج بناءً على القيمة العددية للمساحة تحت المنحنى AUC. ويساعد هذا التصنيف المعياري الباحثين والمحكمين في الدوريات العلمية على تقييم القيمة التطبيقية للنتائج التنبؤية وتحديد مدى جاهزيتها للتطبيق الميداني أو السريري.

يوضح الجدول الإرشادي التالي المعايير القياسية المعمول بها في تصنيف جودة التمييز:

• التمييز الممتاز / الفائق (Excellent / Outstanding Discrimination): (0.90 ≤ AUC ≤ 1.00)؛ يعكس قدرة شبه مثالية على الفصل بين الحالات، ونادراً ما يظهر إلا في المقاييس الجينية أو الاختبارات التشخيصية المتقدمة جداً.
• التمييز الجيد جداً إلى الجيد (Good to Very Good Discrimination): (0.80 ≤ AUC < 0.90)؛ يمثل معياراً مرغوباً بشدة في نماذج التنبؤ السريرية والنفسية، ويدل على فائدة تشخيصية عالية وموثوقة.
• التمييز المقبول / المعتدل (Fair / Acceptable Discrimination): (0.70 ≤ AUC < 0.80)؛ يُعد مقبولاً في العلوم السلوكية والاجتماعية نظراً لتعقد الظواهر الإنسانية وتعدد العوامل غير المقاسة، ولكنه قد يتطلب تحسيناً عبر إضافة مؤشرات جديدة.
• التمييز الضعيف (Poor Discrimination): (0.60 ≤ AUC < 0.70)؛ يفتقر النموذج في هذا النطاق إلى القدرة الكافية لاتخاذ قرارات إكلينيكية فردية، وتقتصر فائدته على الفرز الاستكشافي الأولي.
• الفشل التام / غياب القدرة التمييزية (Fail / No Discrimination): (0.50 ≤ AUC < 0.60)؛ يشير إلى أن أداء النموذج لا يختلف جوهرياً عن التخمين العشوائي ويعد عديم الجدوى علمياً وتطبيقياً.

تجدر الإشارة إلى أنه في حالات نادرة جداً، قد تظهر قيمة AUC أقل من 0.50؛ ويحدث ذلك عادة نتيجة خطأ برمجي في ترميز اتجاه المتغير التابع أو التفسيري (Recoding Error)، مما يجعل النموذج يتنبأ بالاتجاه المعاكس للواقع. وفي مثل هذه الحالات، يكفي عكس اتجاه الترميز لتتحول القيمة تلقائياً إلى [1 – AUC] الصحيحة.

7.3 اختبار الفرضيات الإحصائية حول المساحة تحت المنحنى

لا يكتمل التقرير الأكاديمي الرصين بالاكتفاء بذكر القيمة الوصفية لـ AUC وتصنيفها النوعي، بل يتطلب المنهج الاستدلالي اختبار الفرضيات الإحصائية المحيطة بهذه القيمة. تتمثل الفرضية الصفرية الأساسية (H0) في أن المساحة الحقيقية تحت المنحنى في مجتمع الدراسة تساوي تماماً 0.50 (H0: AUC = 0.50)، وهو ما يعني افتراض الغياب التام لأي قدرة تمييزية لدى النموذج المدروس، بينما تنص الفرضية البديلة (H1) على أن المساحة تزيد معنوياً عن 0.50.

يقوم برنامج Stata باختبار هذه الفرضية تلقائياً باستخدام اختبار كاي تربيع أو اختبار Z المقارب، ويستخرج القيمة الاحتمالية الدقيقة (p-value) المصاحبة للاختبار. ويشير الحصول على قيمة p-value أصغر من مستوى الدلالة المحدد سلفاً (عادة α = 0.05 أو 0.01) إلى رفض الفرضية الصفرية والقبول بوجود قدرة تمييزية حقيقية تتجاوز مستوى الصدفة الإحصائية في التنبؤ بالحالات وتصنيفها.

مع ذلك، يشدد الدليل المنهجي للجمعيات العلمية على ضرورة إقران القيمة الاحتمالية دائماً بفترة الثقة 95% المصاحبة لـ AUC. فالقيمة الاحتمالية وحدها قد تصبح دالة إحصائياً لمجرد كبر حجم العينة حتى وإن كانت قيمة AUC متواضعة جداً (كأن تكون AUC = 0.55 مع عينة ضخمة)، في حين تعكس فترة الثقة المدى الحقيقي لدقة التقدير الإحصائي وحجم التأثير الفعلي، مما يمنح القارئ فهماً واقعياً وعميقاً لمدى جودة النموذج واستقراره التنبؤي.

8. تحديد نقطة القطع المثلى (Optimal Cutoff Point) وتوازن الحساسية والنوعية

8.1 استخدام الأمر `lsens` لتحليل الحساسية والنوعية عبر نقاط القطع

يوفر برنامج Stata أداة تشخيصية ورسومية لاحقة لتقدير الانحدار اللوجستي تُعرف بالأمر lsens (Logistic Sensitivity/Specificity Analysis). تهدف هذه الأداة إلى فك شفرة السلوك المتغير لكل من دالتي الحساسية والنوعية بصورة متزامنة عند تحريك نقطة القطع الاحتمالية (Probability Cutoff) عبر المدى المستمر الكامل المحصور بين [0 و 1].

عند تنفيذ الأمر lsens عقب معادلة الانحدار، يقوم البرنامج برسم بياني يتضمن منحنيين متقاطعين؛ المنحنى الأول يمثل الحساسية ويتناقص تدريجياً كلما ارتفعت قيمة نقطة القطع (حيث يصبح النموذج أكثر تشدداً في تصنيف الحالات الإيجابية)، بينما يمثل المنحنى الثاني النوعية ويتصاعد تدريجياً مع ارتفاع نقطة القطع (حيث يصبح النموذج أكثر قدرة على تصنيف الأصحاء بدقة). وتتيح نقطة التقاطع الهندسي بين هذين المنحنيين التعرف الفوري على نقطة القطع المتساوية (Equidistant Cutoff Point) التي تتساوى عندها الحساسية مع النوعية تماماً داخل العينة.

يساعد هذا التحليل البصري المتزامن الباحث على فهم عمق المقايضة بين الدالتين واكتشاف مناطق الاستقرار والانحدار الحاد في الأداء التشخيصي. فإذا أظهر الرسم أن خفض نقطة القطع من 0.50 إلى 0.40 يؤدي إلى قفزة هائلة في الحساسية دون تدهور يذكر في النوعية، فإن ذلك يعطي مبرراً إحصائياً قوياً لتعديل نقطة العتبة التشخيصية لصالح زيادة معدل اكتشاف الحالات الإيجابية في الدراسات الميدانية.

8.2 مؤشر يودن (Youden’s Index) والمعايير الرياضية للاختيار الأمثل

يعد مؤشر يودن (Youden’s J Index / Youden’s Statistic) المعيار الرياضي الأكثر شيوعاً واعتماداً لتحديد نقطة القطع المثلى بشكل موضوعي غير متحيز. طُوّر هذا المؤشر بواسطة دبليو جيه يودن (W.J. Youden, 1950)، ويقوم بحساب المسافة الرأسية القصوى بين مسار منحنى ROC وبين خط الصدفة القطري المرجعي عند كل نقطة قطع ممكنة، وتصاغ معادلته الرياضية البسيطة والعميقة كالتالي:

J = الحساسية + النوعية – 1

تتراوح قيمة مؤشر يودن J رياضياً بين 0 (في حالة النموذج العديم الجدوى) و 1.0 (في حالة النموذج التام المثالي). وتُعرّف نقطة القطع المثلى وفق هذا المعيار بأنها النقطة التي تحقق أقصى قيمة ممكنة للمؤشر [max(J)]، حيث تضمن هذه النقطة تعظيم الفاعلية التشخيصية الإجمالية للأداة من خلال تحقيق التوازن الرياضي الأقصى بين اكتشاف الحالات الموجبة الحقيقية وتقليل الإنذارات الكاذبة في آن واحد.

إلى جانب مؤشر يودن، تعتمد بعض الأدبيات معياراً هندسياً مكملاً يُعرف بمعيار “المسافة الأقصر إلى الزاوية العليا اليسرى” [Shortest Distance to (0,1) in ROC Space]. وتُحسب هذه المسافة عبر تطبيق نظرية فيثاغورس على الإحداثيات: الجذر التربيعي لـ [(1 – الحساسية)² + (1 – النوعية)²]. والنقطة التي تحقق أقل مسافة إقليدية إلى نقطة الكمال التشخيصي (0, 1) تعتبر النقطة المثلى، وتتطابق نتائج هذه الطريقة غالباً مع نتائج مؤشر يودن في المنحنيات ذات التوزيعات المنتظمة.

8.3 تقييم التصنيف باستخدام الأمر `estat classification` في Stata

يقدم برنامج Stata أمراً مخصصاً لتقييم القدرة التصنيفية العملية للنموذج عند نقاط قطع محددة يُعرف بالأمر estat classification. يقوم هذا الأمر، عند تنفيذه بعد الانحدار اللوجستي مباشرة، بإنشاء مصفوفة تصنيف متكاملة (Classification Table) تعتمد افتراضياً على نقطة القطع 0.50 [Cutoff = 0.50]، وتلخص المشاهدات إلى جدول توافق يعرض أعداد ونسب الإيجابيات والسلبيات الحقيقية والكاذبة، بالإضافة إلى معدل الحالات المصنفة بشكل صحيح إجمالاً (Correctly Classified Rate / Accuracy Percentage).

تكمن القوة التشغيلية لهذا الأمر في إمكانية اختبار نقاط قطع تشخيصية بديلة متعددة بناءً على النتائج المستخرجة من مؤشر يودن أو الأهداف الإكلينيكية، وذلك عبر تمرير الخيار cutoff(#)؛ مثل صياغة الأمر: estat classification, cutoff(0.35). يتيح ذلك للباحث إعادة حساب مصفوفة الالتباس، والحساسية، والنوعية، والقيم التنبؤية الإيجابية والسلبية (Positive and Negative Predictive Values) عند هذا المستوى المحدد، مما يسمح بمقارنة الأداء التصنيفي الحقيقي لنقاط القطع المختلفة في سياق العينة الفعلية.

كما يعرض أمر estat classification ملخصاً تحليلياً لمعدلات الخطأ المصاحبة لنقطة القطع المختارة، مبيناً معدل الإيجابيات الكاذبة بين الحالات السلبية ومعدل السلبيات الكاذبة بين الحالات الإيجابية. ويساعد هذا العرض المقارن الباحث في تقييم مدى ملاءمة النسبة المئوية للتصنيف الصحيح الإجمالي؛ إذ غالباً ما تكون الدقة الإجمالية مضللة في حالات ندرة الحدث، بينما تكشف مصفوفة التصنيف التفصيلية التوزيع الحقيقي للأخطاء التشخيصية.

8.4 الموازنة الإكلينيكية والأخلاقية بين تكلفة الخطأ الإيجابي والسلبي

على الرغم من الأهمية الكبيرة للمعايير الرياضية المجردة كمؤشر يودن في اختيار نقطة القطع، فإن التطبيق الواقعي في القياس النفسي والسريري يفرض دمج الاعتبارات الأخلاقية والتكاليف الاقتصادية والإنسانية المترتبة على كل نوع من أنواع أخطاء التصنيف (Decision Costs and Utilities). فالأخطاء الإحصائية ليست متساوية في القيمة والآثار في العالم الحقيقي، ويجب أن تخضع نقطة القطع لتقدير السياق الميداني الذي سيُطبق فيه المقياس أو النموذج.

في الحالات التي يتم فيها تصميم أدوات مسحية للتنبؤ بحالات خطيرة للغاية ومهددة للحياة، مثل مخاطر الإقدام على السلوك الانتحاري (Suicide Risk Screening) أو الكشف عن انتكاسات الاضطرابات الذهانية الحادة، يجب على الباحث خفض نقطة القطع الاحتمالية عمداً لتعظيم الحساسية (Sensitivity) إلى أقصى حد ممكن حتى وإن كان ذلك على حساب زيادة الإيجابيات الكاذبة وانخفاض النوعية. فالتكلفة الإنسانية المترتبة على ارتكاب خطأ سلبي كاذب (عدم اكتشاف شخص مقبل على الانتحار) كارثية ولا يمكن تعويضها، في حين يمكن تصحيح الخطأ الإيجابي الكاذب عبر المقابلات السريرية اللاحقة المعمقة.

على النقيض من ذلك، إذا كانت الأداة مخصصة لاتخاذ قرارات ترتب عليها تدخلات علاجية باهظة التكلفة، أو علاجات دوائية ذات آثار جانبية سمية خطيرة، أو قرارات قضائية ترتب عليها وصمة اجتماعية قاسية (كالتشخيص باضطراب الشخصية المعادية للمجتمع في سياق جنائي)، فإن الأولوية المنهجية والأخلاقية تقتضي رفع نقطة القطع لتعظيم النوعية (Specificity) وتقليل الإيجابيات الكاذبة إلى الصفر تقريباً. وتعد المنهجية التي تدمج بين تحليل منحنى ROC ومصفوفة تحليل التكلفة والمنفعة (Cost-Utility Matrix) قمة الرصانة العلمية في تصميم أدوات التقييم النفسي والتشخيص السريري المعاصر.

9. مقارنة عدة نماذج ومنحنيات ROC في Stata باستخدام `roccomp`

9.1 أهمية المقارنة الإحصائية بين النماذج التنبؤية المتنافسة

تعد المقارنة الإحصائية الرصينة بين النماذج التنبؤية المتنافسة جوهر عملية بناء النظرية والتحقق التجريبي في العلوم السلوكية والطبية. فعندما يقترح باحث إدراج متغيرات نفسية وسلوكية جديدة (مثل درجات المرونة النفسية، أو أساليب التكيف مع الضغوط) ضمن نموذج تنبؤي ديموغرافي قائم، لا يكفي مجرد إظهار أن المتغيرات الجديدة تمتلك معاملات دالة إحصائياً، بل يتوجب عليه البرهنة كمياً على أن النموذج الموسع يتفوق تمييزياً وبصورة دالة إحصائياً على النموذج الأساسي المقيد من خلال إحداث زيادة حقيقية في المساحة تحت منحنى ROC.

تكتسب هذه المقارنة أهمية مضاعفة عند المفاضلة بين مقاييس تشخيصية متعددة تم تطبيقها على نفس العينة السريرية لتحديد المقياس الأكثر دقة وكفاءة في فرز الاضطرابات. فإذا كان هناك استبيانان تشخيصيان يقيسان نفس السمة (كالنسخة الطويلة والنسخة المختصرة لمقياس القلق)، يتيح اختبار الفروق بين منحنيات ROC تحديد ما إذا كان المقياس المختصر يحافظ على نفس الكفاءة التمييزية للمقياس الطويل، مما يوفر الجهد والوقت على الممارسين والمرضى دون التضحية بالدقة التشخيصية.

ومع ذلك، تبرز معضلة منهجية عند مقارنة منحنيات ROC المشتقة من نفس العينة؛ إذ تكون الاحتمالات التنبؤية أو الدرجات المقاسة بين النماذج المختلفة مرتبطة إحصائياً (Correlated/Paired Data) نظراً لكونها مقاسة على نفس الأفراد. وبالتالي، فإن استخدام اختبارات الفروق التقليدية المستقلة يؤدي إلى تقديرات خاطئة للتباينات، مما يستدعي استخدام اختبارات إحصائية متخصصة تأخذ في الحسبان مصفوفة التباين والتباين المشترك بين المساحات، وهو ما يوفره برنامج Stata بكفاءة بالغة عبر أوامره المتقدمة.

9.2 تطبيق الأمر `roccomp` للاختبارات المرتبطة والمستقلة

يعد الأمر roccomp في برنامج Stata الأداة الإحصائية المعيارية المخصصة لإجراء المقارنات المتقدمة بين منحنيين أو أكثر من منحنيات ROC، سواء كانت تلك المنحنيات مشتقة من بيانات مرتبطة ومزدوجة (Paired ROC curves) مطبقة على نفس العينة، أو من عينات مستقلة تماماً. وتأتي الصيغة البنائية الأساسية لمقارنة عدة تنبؤات أو احتمالات متوقعة في مواجهة المتغير المعياري المرجعي على النحو التالي:

roccomp reference_var pred_model1 pred_model2 pred_model3, graph summary

يعتمد الأمر roccomp بصورة أساسية على الاختبار اللامعلمي المقارب المطور بواسطة ديلونج وكلارك وديلونج (DeLong, Clarke-Pearson, & DeLong, 1988). يقوم هذا الاختبار بتقدير مصفوفة التباين والتباين المشترك اللامعلمية لمساحات المنحنيات المتعددة باستخدام نظرية U-statistics، مما يتيح حساب الفروق الدقيقة واختبار الفرضية الصفرية القائلة بتساوي جميع قيم AUC للنماذج المتنافسة [H0: AUC1 = AUC2 = … = AUCk].

يوفر الأمر كذلك خيارات إضافية لتنفيذ اختبارات بديلة؛ مثل الخيار test(chi2) لإجراء اختبار مربع كاي للتجانس الكلي، أو استخدام تقنيات إعادة أخذ العينات المتكرر عبر أسلوب البوتستراب (Bootstrap Method) عند الرغبة في تقدير فترات ثقة الفروق بين المساحات بصورة لامعلمية خالصة تتجاوز افتراضات العينات الكبيرة، مما يعزز من متانة النتائج المستخلصة في العينات الميدانية المحدودة.

9.3 تفسير مخرجات المقارنة ومخطط ROC متعدد المنحنيات

ينتج عن تنفيذ أمر roccomp مع الخيار graph مخرجات مزدوجة تتضمن رسماً بيانياً مركباً وجدولاً إحصائياً تحليلياً شاملاً. يعرض الرسم البياني كافة منحنيات ROC للنماذج المقارنة على نفس شبكة الإحداثيات، مع إعطاء كل منحنى لوناً ونمطاً مميزاً وربطه بوسيلة إيضاح (Legend) تفصيلية توضح قيمة AUC الخاصة بكل نموذج على حدة، مما يوفر مقارنة بصرية فورية ومباشرة تكشف الفروق في مسارات الحساسية ومكمل النوعية عبر النماذج.

في نافذة المخرجات النصية، يقدم البرنامج جدولاً إحصائياً يتضمن لكل نموذج: عدد المشاهدات، والمساحة المقدرة تحت المنحنى (AUC)، والخطأ المعياري (Std. Err.)، وفترة الثقة 95%. وفي أسفل الجدول، يطبع البرنامج نتيجة اختبار ديلونج للتجانس (Test of Equality of ROC Areas)، مستعرضاً قيمة إحصاء مربع كاي ودرجات الحرية (Degrees of Freedom) والقيمة الاحتمالية المقابلة لها (p-value).

إذا كانت القيمة الاحتمالية لاختبار التجانس أقل من 0.05، يتم رفض الفرضية الصفرية ويستنتج الباحث وجود فروق دالة إحصائياً بين النماذج التنبؤية في قدرتها التمييزية. وعندئذ، يتم فحص النموذج الذي يمتلك أعلى قيمة AUC وأعلى حد أدنى في فترة الثقة لتحديده بوصفه النموذج الإحصائي والسلوكي الأفضل، مما يقدم دليلاً إمبريقياً حاسماً يدعم اعتماد ذلك النموذج أو الأداة في التطبيقات العملية والنشر الأكاديمي.

10. التخصيص البياني المتقدم لمنحنيات ROC للنشر في المجلات الأكاديمية

10.1 التحكم في الخصائص البصرية لخطوط ومنحنيات ROC

تشترط المجلات الأكاديمية الرائدة ودور النشر العالمية (مثل APA و Elsevier و Springer و Wiley) معايير بصرية دقيقة وصارمة للرسومات البيانية المضمنة في الأوراق العلمية؛ حيث تتطلب أن تكون الرسوم واضحة المعالم، ومتباينة التنسيق، وقابلة للقراءة بدقة سواء نُشرت بالألوان أو بالطباعة الأحادية (Grayscale). ويوفر برنامج Stata منظومة تحكم جرافيكية بالغة القوة تتيح للباحث ضبط وتخصيص كافة الخصائص البصرية لمنحنيات ROC لتتوافق تماماً مع هذه المتطلبات الاحترافية.

يمكن التحكم في سمات خط المنحنى الأساسي عبر الخيار plotopts()، والذي يقبل حزمة متكاملة من الوسائط الفرعية؛ مثل تعديل سماكة الخط عبر lwidth(medthick) أو lwidth(thick) لضمان بروزه بوضوح، والتحكم في نمط الخط عبر lpattern(solid) أو lpattern(dash)، وتحديد اللون المطلوب بدقة باستخدام أسماء الألوان المعيارية أو رموز الألوان الست عشرية عبر lcolor(navy) أو lcolor(cranberry) أو lcolor(black) لتناسب الطباعة الأكاديمية الرمادية.

كما يتيح الخيار المتقدم rlopts() تخصيص خصائص الخط المرجعي القطري المائل (Reference Line) بشكل مستقل تماماً؛ حيث يفضل في النشر الأكاديمي جعله خطاً رمادياً رفيعاً متقطعاً عبر تمرير الخيارات: rlopts(lcolor(gs10) lpattern(dash) lwidth(medium))، مما يمنع تشتيت انتباه القارئ عن المنحنى التنبؤي الأساسي ويحافظ في الوقت ذاته على وجود المعيار المرجعي للمقارنة البصرية السريعة.

10.2 إضافة النصوص والشروحات والتسميات التوضيحية الأكاديمية

يتطلب الإخراج الأكاديمي الاحترافي لمنحنى ROC تضمين كافة البيانات الاستدلالية الحيوية داخل مساحة الرسم أو في حواشيه التوضيحية لضمان استقلالية الشكل البياني وقدرته على نقل الرسالة العلمية بوضوح دون اضطرار القارئ للبحث في متن النص. يوفر Stata خيارات نصية متقدمة تتيح إضافة عناوين رئيسية وفرعية دقيقة عبر title(“…”, size(medium)) و subtitle(“…”) وتعديل أحجام الخطوط بما يضمن مقروئيتها عند تصغير الشكل أثناء تنسيق صفحات المجلة.

من الممارسات الأكاديمية الممتازة إدراج القيمة العددية للمساحة تحت المنحنى وفترة الثقة المصاحبة لها والخطأ المعياري مباشرة داخل فضاء الرسم البياني كشرح نصي (Text Annotation). ويتحقق ذلك في Stata باستخدام الخيار text(#y #x “AUC = 0.86 (95% CI: 0.81-0.91)”, placement(center) box)، مع تحديد الإحداثيات المكانية الدقيقة داخل الرسم لضمان عدم تداخله مع مسار المنحنى الفعلي.

كما يمكن التحكم الكامل في وسيلة الإيضاح (Legend) عبر الخيار legend()؛ مثل تعديل مواضعها لتكون داخل الرسم أو أسفله legend(pos(6) rows(1))، وتعديل التسميات النصية للمنحنيات المختلفة بدلاً من الأسماء البرمجية التلقائية للمتغيرات عبر legend(label(1 “Basic Model”) label(2 “Enhanced Psychological Model”))، علاوة على إمكانية تطبيق قوالب التنسيق الأكاديمية الجاهزة (Graphics Schemes) مثل scheme(s2mono) أو scheme(cleanplots) التي تضمن خلفيات بيضاء نقية وخطوطاً متناسقة تتوافق مع اشتراطات النشر العلمي المحكم.

10.3 تصدير الرسوم البيانية بدقة عالية (High Resolution Vector/Raster)

تشكل مرحلة تصدير الرسم البياني النهائي من بيئة Stata الخطوة الأخيرة والحاسمة لضمان جودة النشر الطباعي والرقمي. تتطلب معظم المجلات العلمية تزويدها بالرسومات البيانية إما بصيغ متجهة عالية الجودة (Vector Formats) تحافظ على نقائها الرياضي التام عند أي تكبير، أو بصيغ نقطية (Raster Formats) ذات دقة كثافية نقطية لا تقل عن 300 أو 600 نقطة في البوصة المربعة (DPI).

يوفر برنامج Stata الأمر المخصص graph export لتصدير الرسوم البيانية المحفوظة. للتصدير بصيغ المتجهات الاحترافية المفضلة لدى المجلات مثل PostScript المغلفة (EPS) أو صيغة المستندات المحمولة (PDF)، يُكتب الأمر كالتالي:

graph export “ROC_Figure1.eps”, as(eps) preview(on) replace

أو بصيغة PDF عبر: graph export “ROC_Figure1.pdf”, as(pdf) replace.

أما عند الرغبة في التصدير بالصيغ النقطية مثل TIFF أو PNG، فيجب استخدام خيار التحكم في الكثافة النقطية width() أو تعديل إعدادات الرسوم لضمان الوصول إلى دقة 300 DPI فأعلى، مثل صياغة الأمر: graph export “ROC_Figure1.tif”, as(tif) width(2400) replace. كما يوصى بحفظ شفرة التوليد الرسومي كاملة داخل ملف أوامر تنفيذي (Do-file) لضمان إمكانية إعادة إنتاج الرسوم بدقة متطابقة (Reproducibility) عند ورود أي تعديلات مطلوبة من مراجعي الدوريات العلمية.

11. الافتراضات المنهجية والأخطاء الشائعة في تحليل منحنيات ROC في Stata

11.1 مشكلة عدم توازن الفئات (Class Imbalance) والحلول البديلة

تعد مشكلة عدم توازن الفئات (Class Imbalance Problem) من أبرز التحديات المنهجية التي تواجه الباحثين عند تطبيق تحليل منحنيات ROC. تحدث هذه الظاهرة عندما تكون نسبة الحالات الإيجابية للحدث المدروس نادرة جداً في العينة مقارنة بالحالات السلبية (كأن تمثل الحالات الإيجابية 2% أو 5% فقط من إجمالي العينة، وهو أمر شائع في دراسات اضطرابات الشخصية النادرة، أو محاولات الانتحار، أو الأمراض السريرية غير الشائعة).

في مثل هذه الظروف، قد يعطي منحنى ROC والمساحة تحته (AUC) انطباعاً مضللاً بالتفوق التنبؤي؛ حيث يمكن للنموذج أن يحقق قيمة AUC مرتفعة جداً (تتجاوز 0.85) على الرغم من فشله شبه التام في التنبؤ بالحالات الإيجابية النادرة. ويعود السبب الرياضي في ذلك إلى أن المحور السيني لمنحنى ROC يعتمد على معدل الإيجابيات الكاذبة [FP / (TN + FP)]؛ وحيث إن عدد السلبيات الحقيقية (TN) ضخم جداً، فإن القاسم يكون كبيراً للغاية، مما يجعل معدل FPR صغيراً جداً ويؤدي إلى انتفاخ زائف في قيمة المساحة الكلية تحت المنحنى.

كحل منهجي بديل في حالات عدم التوازن الحاد، توصي الأدبيات بالاعتماد على منحنى الدقة والاسترجاع (Precision-Recall Curve – PRC) والمساحة المحصورة تحته (AUPRC) كأداة مكملة أو بديلة لتحليل ROC. يركز منحنى PRC حصراً على العلاقة بين القيمة التنبؤية الإيجابية (Precision) والحساسية (Recall)، متجاهلاً السلبيات الحقيقية الضخمة. كما يمكن تطبيق تقنيات إعادة موازنة العينة في Stata، مثل الإفراط في أخذ عينات الأقلية (Oversampling) أو تقليل عينات الأغلبية (Undersampling) لضبط النموذج وتحقيق تقييم عادل وغير متحيز للقدرة التمييزية.

11.2 تجنب الإفراط في التوفيق (Overfitting) والتحقق المتقاطع

من الأخطاء المنهجية الجسيمة التي يقع فيها بعض الباحثين حساب منحنى ROC والمساحة تحته على نفس مجموعة البيانات التي تم استخدامها في تدريب وبناء وتقدير نموذج الانحدار اللوجستي دون إجراء أي تدقيق خارجي. يؤدي هذا الإجراء إلى ما يُعرف بـ “الأداء التنبؤي الظاهري المتفائل” (Apparent Performance / Optimism Bias)، حيث يستغل النموذج التباينات العشوائية والضجيج الإحصائي الخاص بالعينة الحالية، مما يولد قيمة AUC مرتفعة بشكل زائف تعجز عن الصمود عند تطبيق النموذج على عينات جديدة ومستقلة.

لتفادي هذا الإفراط في التوفيق (Overfitting)، تقتضي المنهجية الصارمة تطبيق أساليب التحقق الداخلي المتقاطع (Internal Cross-Validation). يمكن في Stata تنفيذ أسلوب التحقق المتقاطع ذي الـ K-طية (k-fold Cross-Validation) عبر استخدام الحزم البرمجية المخصصة مثل crossfold، حيث يتم تقسيم البيانات عشوائياً إلى k من الأجزاء، ويُدرّب النموذج على (k-1) من الأجزاء ويُختبر على الجزء المتبقي بالتناوب، مما ينتج تقديراً واقعياً ومصححاً للمساحة التمييزية تحت المنحنى يعكس قدرة النموذج الحقيقية على التعميم.

كما يعد أسلوب البوتستراب التصحيحي (Bootstrap Optimism Correction) المطور بواسطة هاريل (Harrell) أحد أرقى الأساليب المنهجية لمعالجة هذه المشكلة. يقوم هذا الأسلوب بإنشاء مئات العينات العشوائية مع الإحلال من البيانات الأصلية، وحساب مقدار التفاؤل الإحصائي الزائف (Optimism Index) وطرحه من قيمة AUC الظاهرية، مما يوفر تقديراً حصيفاً وموثوقاً للمساحة تحت المنحنى يضمن مصداقية النموذج عند نشره وتطبيقه في البيئات الواقعية.

11.3 الأخطاء الشائعة في التقارير الأكاديمية وكيفية تجنبها

تكشف مراجعة الأوراق العلمية المنشورة في المجلات النفسية والطبية عن مجموعة من الأخطاء المنهجية الشائعة في كتابة وتفسير تقارير تحليلات منحنيات ROC في Stata، والتي يتوجب على الباحثين تجنبها لضمان مطابقة أبحاثهم لأعلى معايير الرصانة الأكاديمية:

• الخلط بين التمييز (Discrimination) والمعايرة (Calibration): الاكتفاء بذكر قيمة AUC كدليل وحيد على صلاحية النموذج وتجاهل فحص المعايرة عبر اختبارات مثل هوسمر-ليمشو أو الرسوم المعيارية، فالنموذج قد يتمتع بتمييز ممتاز وقيمة AUC عالية ولكنه يبالغ باستمرار في تقدير الاحتمالات الواقعية للحدث.
• إغفال فترات الثقة 95%: الاكتفاء بالتقرير عن القيمة النقطية لـ AUC دون تزويد القارئ بفترة الثقة والخطأ المعياري، مما يحرم المحكم من تقييم مدى دقة التقدير الإحصائي وحجم العينة الفعالة.
• اختيار نقطة القطع بأثر رجعي دون تبرير: اختيار نقطة قطع معينة تحقق أعلى دقة على بيانات العينة دون الإفصاح عن المعيار الرياضي أو الإكلينيكي المتبع (مثل مؤشر يودن)، مما يوقع الباحث في فخ “تنقيب البيانات” (Data Dredging).
• تجاهل مصفوفة الالتباس عند نقطة القطع المختارة: عدم الإبلاغ عن الحساسية والنوعية والقيم التنبؤية الإيجابية والسلبية ومعدل التصنيف الصحيح عند النقطة التشخيصية الموصى بها عملياً.
• مقارنة المنحنيات المزدوجة باختبارات مستقلة: استخدام اختبارات الفروق غير المخصصة للعينات المرتبطة عند مقارنة عدة نماذج مطبقة على نفس الأفراد بدلاً من استخدام اختبار ديلونج المخصص في أمر roccomp.

12. دليل تطبيقي شامل: دراسة حالة متكاملة في Stata مع كتابة كود Do-File

12.1 إعداد سيناريو دراسة الحالة وبناء كود التحليل الكامل

لترسيخ المفاهيم النظرية والإجرائية السابقة في إطار تطبيقي موحد، سنفترض سيناريو دراسة نفسية وإكلينيكية واقعية تهدف إلى بناء وتقييم نموذج تنبؤي لتشخيص الاكتئاب السريري الحاد (Clinical Depression: 0 = سليم، 1 = مصاب) لدى عينة من المراجعين، بالاعتماد على مجموعة من المتغيرات التفسيرية التي تشمل: مقياس القلق العام (GAD Score)، ومقياس اضطراب النوم (Sleep Disturbance)، ومستوى الضغوط الحياتية (Life Stress: منخفض/مرتفع)، مع التحكم في العمر والجنس.

يتضمن ملف الأوامر التنفيذي المبرمج (Do-file) التالي كافة الخطوات المنهجية بدءاً من تجهيز البيانات وحتى التقييم النهائي واستخراج الرسوم:

كود Stata المنهجي الكامل (Do-File Script):

* 1. تنظيف بيئة العمل وضبط الخيارات
clear all
set more off
set scheme s2color

* 2. استدعاء بيانات دراسة الحالة (أو توليد بيانات المحاكاة)
use “depression_study_data.dta”, clear

* 3. الفحص الاستكشافي للبيانات
describe
summarize depression_status age gender gad_score sleep_score stress_level
tabulate stress_level depression_status, chi2 row

* 4. تقدير نموذج الانحدار اللوجستي الأساسي
logistic depression_status age i.gender gad_score sleep_score i.stress_level

* 5. تقييم جودة التوفيق وتوليد الاحتمالات المتوقعة
estat gof
predict p_hat, pr

* 6. بناء منحنى ROC واستخراج AUC وفترات الثقة
lroc, title(“ROC Curve for Depression Risk Model”) grid

* 7. تحديد نقطة القطع المثلى ومصفوفة التصنيف
lsens
roctab depression_status p_hat, detail
estat classification, cutoff(0.42)

* 8. بناء نموذج مقارن مبسط واختبار الفروق باستخدام roccomp
logistic depression_status gad_score
predict p_hat_simple, pr
roccomp depression_status p_hat p_hat_simple, graph summary

* 9. تصدير الرسم البياني النهائي بدقة نشر أكاديمية
graph export “Figure1_ROC_Depression.eps”, as(eps) preview(on) replace

12.2 تنفيذ خطوات التحليل والمقارنة في نافذة أوامر Stata

عند تشغيل الكود البرمجي السابق في برنامج Stata، تبدأ نافذة النتائج بعرض مخرجات نموذج الانحدار اللوجستي المتعدد. نلاحظ من مخرجات النموذج أن كلاً من درجات مقياس القلق (gad_score) واضطراب النوم (sleep_score) ومستوى الضغوط المرتفع تمتلك نسب أرجحية موجبة ودالة إحصائياً عند مستوى p < 0.001، مما يؤكد ارتباطها الإيجابي الوثيق باحتمالية الإصابة بالاكتئاب السريري بعد تثبيت المتغيرات الديموغرافية.

عند تنفيذ الأمر lroc، يظهر منحنى ROC مساراً تصاعدياً سريعاً نحو الزاوية العليا اليسرى، وتسجل المساحة الكلية تحت المنحنى قيمة AUC = 0.884 (بخطأ معياري SE = 0.021 وفترة ثقة 95% تتراوح بين 0.843 و 0.925). وتعكس هذه النتيجة وفق المعايير الأكاديمية قدرة تمييزية “جيدة جداً إلى ممتازة”، وتثبت أن النموذج قادر في أكثر من 88% من الحالات على إعطاء احتمالية تنبؤية أعلى للشخص المكتئب مقارنة بالسليم.

بالانتقال إلى خطوة تحديد نقطة القطع المثلى عبر تحليل roctab, detail، يُظهر الفحص الحسابي أن مؤشر يودن يصل إلى قيمته القصوى (J = 0.64) عند نقطة الاحتمال التنبؤي 0.42. وعند هذا المستوى القطعي، يحقق النموذج حساسية سريرية تبلغ 84.5% ونوعية تبلغ 79.5%. ويؤدي تنفيذ أمر مصفوفة التصنيف estat classification, cutoff(0.42) إلى إظهار نسبة تصنيف صحيح إجمالية تبلغ 81.8% داخل العينة.

أخيراً، يكشف اختبار المقارنة المنفذ عبر roccomp بين النموذج الشامل (AUC = 0.884) والنموذج المبسط المعتمد على القلق فقط (AUC = 0.762) عن وجود فارق في المساحة قدره 0.122 لصالح النموذج الشامل. وقد أظهر اختبار ديلونج اللامعلمي قيمة مربع كاي بلغت (chi2(1) = 24.68, p < 0.0001)، مما يؤكد بالدليل الإحصائي القاطع أن إضافة متغيرات النوم والضغوط حققت قيمة مضافة جوهرية رفعت من الكفاءة التمييزية للنموذج التشخيصي رفعاً دالاً إحصائياً.

12.3 صياغة وتوثيق النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th)

يتطلب توثيق نتائج تحليلات منحنى ROC في الأبحاث والرسائل العلمية صياغة أكاديمية محكمة تجمع بين الدقة الإحصائية والوضوح المفاهيمي، وتتوافق مع معايير الدليل الإرشادي للإصدار السابع لجمعية علم النفس الأمريكية (APA 7th Edition). وفيما يلي نموذج لصياغة التقرير الإحصائي والجداول المعتمدة لدراسة الحالة السابقة:

نموذج الصياغة النصية المقترحة (APA 7th Style):

“أُجري تحليل منحنى خصائص تشغيل المستقبل (ROC) لتقييم الكفاءة التمييزية لنموذج الانحدار اللوجستي متعدد المتغيرات في التنبؤ بالاكتئاب السريري. أظهرت النتائج أن النموذج يتمتع بقدرة تمييزية جيدة جداً في الفصل بين المصابين وغير المصابين، حيث بلغت المساحة تحت المنحنى (AUC = 0.884, SE = 0.021, 95% CI [0.843, 0.925])، وهي قيمة تفوق معنوياً مستوى التخمين العشوائي (χ²(1) = 142.35, p < .001). وباستخدام مؤشر يودن (Youden’s J)، حُددت نقطة القطع الاحتمالية المثلى عند (Cutoff = 0.42)، والتي حققت توازناً سيكومترياً بين الحساسية (84.50%) والنوعية (79.50%)، بمعدل تصنيف صحيح إجمالي بلغ 81.80%. وعلاوة على ذلك، كشف اختبار ديلونج لمقارنة المنحنيات المرتبطة عن تفوق النموذج متعدد المتغيرات تفوقاً دالاً إحصائياً على النموذج البسيط المعتمد على القلق بمفرده (AUC = 0.762)، بفارق في المساحة قدره 0.122 (χ²(1) = 24.68, p < .0001)، مما يؤكد الصدق التنبؤي التراكمي للمتغيرات السلوكية المضافة.”

الجدول الإحصائي المعتمد (APA Format):

النموذج التنبؤي (Model)	المساحة (AUC)	الخطأ المعياري (SE)	فترة الثقة 95% (95% CI)	نقطة القطع (Cutoff)	الحساسية (%)	النوعية (%)	الدقة الإجمالية (%)
النموذج البسيط (GAD فقط)	0.762	0.028	[0.707, 0.817]	0.50	72.10	68.40	70.20
النموذج الشامل متعدد المتغيرات	0.884	0.021	[0.843, 0.925]	0.42	84.50	79.50	81.80

ملاحظة: AUC = المساحة تحت منحنى خصائص تشغيل المستقبل؛ CI = فترة الثقة؛ حُددت نقطة القطع المثلى للنموذج الشامل استناداً إلى أقصى قيمة لمؤشر يودن (Youden’s J = 0.64).

خاتمة

يمثل تحليل منحنيات خصائص تشغيل المستقبل (ROC) في برنامج Stata أداة إحصائية وتحليلية متكاملة تجمع بين العمق الرياضي والمرونة التطبيقية في تقييم النماذج التنبؤية والأدوات التشخيصية ذات المخرجات الثنائية. ومن خلال الفهم الدقيق للمفاهيم الأساسية المستمدة من مصفوفة الالتباس، والحساسية، والنوعية، والمساحة تحت المنحنى (AUC)، يمتلك الباحثون في العلوم السلوكية والنفسية والطبية إطاراً رصيناً لاتخاذ قرارات موضوعية مبنية على الدليل فيما يخص كفاءة المقاييس، والمفاضلة بين النماذج المتنافسة، وتحديد نقاط القطع التي توازن بين المتطلبات الإحصائية والاعتبارات الأخلاقية والسريرية.

إن إتقان استخدام الحزمة البرمجية المتقدمة التي يوفرها Stata—بدءاً من الأوامر المباشرة اللاحقة للانحدار اللوجستي مثل lroc و lsens و estat classification، مروراً بالتحليلات اللامعلمية التفصيلية عبر roctab، وانتهاءً بالمقارنات الإحصائية الصارمة باستخدام اختبار ديلونج في roccomp وخيارات التصدير الجرافيكي عالي الدقة—يمكن الباحثين من الارتقاء بجودة معالجاتهم الإحصائية وصياغة تقارير أكاديمية تتطابق مع أعلى المعايير الدولية المعمول بها في الدوريات العلمية المرموقة، مما يسهم في تطوير أدوات قياس ونماذج تنبؤية تتسم بالدقة، والشفافية، والقدرة الحقيقية على إحداث أثر تطبيقي ملموس في مجالات القياس والتشخيص الإكلينيكي المعاصر.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• DeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics, 44(3), 837–845. https://doi.org/10.2307/2531595
• Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36. https://doi.org/10.1148/radiology.143.1.7063747
• Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118548387
• Pepe, M. S. (2003). The statistical evaluation of medical tests for classification and prediction. Oxford University Press.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Swets, J. A. (1988). Measuring the accuracy of diagnostic systems. Science, 240(4857), 1285–1293. https://doi.org/10.1126/science.3287615
• Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32–35. <a href="https://doi.org/10.1002/1097-0142(1950)3:13.0.co;2-3″ target=”_blank” rel=”noopener noreferrer”>https://doi.org/10.1002/1097-0142(1950)3:1<32::aid-cncr2820030106>3.0.co;2-3
• Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: A fundamental evaluation tool in clinical medicine. Clinical Chemistry, 39(4), 561–577. https://doi.org/10.1093/clinchem/39.4.561