كيفية إجراء اختبار ثنائي الحدين في بايثون

يمثل الاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها العلوم التجريبية والمعرفية المعاصرة؛ إذ يتيح للباحثين استخلاص استنتاجات موثوقة حول المجتمعات الإحصائية الكبرى انطلاقاً من ملاحظات مستمدة من عينات محدودة. وفي خضم هذه الممارسة المنهجية، يبرز اختبار ثنائي الحدين (Binomial Test) كأحد أعرق الاختبارات الإحصائية اللامعلمية وأكثرها دقة وأناقة رياضية. صُمم هذا الاختبار خصيصاً للتعامل مع المتغيرات ثنائية التفرع التي لا تحتمل سوى نتيجتين متنافستين، مما يجعله الأداة المثلى لاختبار الفرضيات المتعلقة بنسب النجاح، ومعدلات الوقوع، وتفضيلات الاختيار في مجالات معرفية شتى تمتد من علم النفس التجريبي والعلوم العصبية إلى معالجة اللغات الطبيعية وتعلم الآلة.

مع تسارع وتيرة التحول الرقمي وهيمنة لغات البرمجة الحديثة على بيئات التحليل الإحصائي، غدت لغة بايثون (Python) الخيار الأول للأكاديميين وعلماء البيانات بفضل منظومتها البيئية الغنية بالحزم العلمية المتقدمة مثل SciPy وNumPy وPandas. يتيح الانتقال من الحساب اليدوي التقليدي أو البرمجيات التجارية المغلقة إلى بيئة بايثون مرونة فائقة وقابلية استثنائية لإعادة الإنتاج العلمي، حيث يمكن للباحثين أتمتة اختبارات الفرضيات، وحساب فترات الثقة الدقيقة، وتوليد تصورات بصرية عالية الجودة، وبناء خطوط أنابيب معالجة بيانات قابلة للتدقيق والتكرار بكل سلاسة واقتدار.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية وبرمجية معمقة لاختبار ثنائي الحدين في لغة بايثون. سنتناول في هذا المقال الأسس النظرية والرياضية التي يستند إليها الاختبار، ونستعرض افتراضاته المنهجية الحرجة، ونشرح بالتفصيل الممل كيفية تنفيذه برمجياً باستخدام الدوال الحديثة في مكتبة SciPy، إلى جانب استكشاف حالات تطبيقية واقعية، وتفكيك الفروق الجوهرية بينه وبين الاختبارات الإحصائية البديلة، فضلاً عن تقديم إرشادات دقيقة لكتابة التقارير العلمية وفق المعايير المعترف بها عالمياً لدى جمعية علم النفس الأمريكية (APA).

1. مقدمة شاملة حول اختبار ثنائي الحدين (Binomial Test) ومفهومه الإحصائي

1.1 التعريف النظري لاختبار ثنائي الحدين وسياقه الإحصائي

يُعرَّف اختبار ثنائي الحدين في الأدبيات الإحصائية بأنه اختبار استدلالي دقيق (Exact Test) يُستخدم لتحديد ما إذا كانت النسبة الملاحظة للأحداث في عينة ثنائية التفرع تختلف اختلافاً جوهرياً ودالاً إحصائياً عن نسبة نظرية مفترضة مسبقاً في المجتمع الإحصائي. ينتمي هذا الاختبار إلى فئة الاختبارات الدقيقة لأنه يعتمد بشكل مباشر على التوزيع الاحتمالي النظري المتقطع دون الحاجة إلى اللجوء لتقريبات مستمرة، مما يمنحه قوة استدلالية مطلقة حتى في حالات العينات متناهية الصغر التي تعجز فيها الاختبارات التقاربية التقليدية عن تقديم نتائج موثوقة.

تتمحور البيانات التي يعالجها هذا الاختبار حول ما يُعرف في نظرية القياس بالمتغيرات ثنائية التفرع (Dichotomous Variables)؛ وهي المتغيرات الاسمية التي تنقسم قيمها إلى فئتين متنافستين وشاملتين بصورة متبادلة (Mutually Exclusive and Collectively Exhaustive). يُشار إلى هاتين الفئتين اصطلاحاً بمفهومي “النجاح” (Success) و”الفشل” (Failure)، دون أن يحمل هذا التوصيف بالضرورة حكماً قيمياً، بل يشير ببساطة إلى حدوث الخاصية أو الظاهرة محل الدراسة من عدمها، مثل: (صحيح / خاطئ)، (استجابة / عدم استجابة)، أو (مفضل / غير مفضل).

يختلف التوزيع الثنائي عن التوزيعات الاحتمالية المستمرة (مثل التوزيع الطبيعي أو توزيع تي) في كونه يتعامل مع فضاء عيني متقطع يتألف من أعداد صحيحة تمثل تكرار حدوث الحدث المستهدف. تكمن الأهمية المحورية لهذا الاختبار في قدرته على نمذجة الظواهر التي تتسم بوجود نتيجتين متنافستين بدقة متناهية، متجاوزاً بذلك تشوهات التقريب التي قد تطرأ عند التعامل مع نسب العينات الصغيرة عبر دوال الكثافة الاحتمالية المستمرة.

1.2 أهمية الاختبار في الأبحاث السلوكية والنفسية والحاسوبية

يحظى اختبار ثنائي الحدين بمكانة رفيعة في أروقة البحث العلمي التطبيقي، لا سيما في حقول علم النفس المعرفي والسلوكي؛ حيث يُستخدم على نطاق واسع للتحقق من صحة الفرضيات المتعلقة بسلوك الأفراد في تجارب التمييز الحسي والإدراك البصري والسمعي. على سبيل المثال، عندما يُطلب من مشارك في تجربة نفسية تحديد ما إذا كان المثير المعروض يحتوي على إشارة معينة، يساعد الاختبار الباحثين في الجزم بما إذا كان أداء المشارك يتجاوز مستوى التخمين العشوائي الصرف أم يعكس قدرة إدراكية حقيقية.

وفي مجالات علوم الحاسوب والذكاء الاصطناعي وتقييم النماذج الخوارزمية، يلعب الاختبار دوراً حاسماً في تقييم دقة خوارزميات التصنيف الثنائي (Binary Classifiers). فبدلاً من الاكتفاء بقياس نسبة الدقة الإجمالية، يتيح اختبار ثنائي الحدين للمهندسين والباحثين تقييم ما إذا كان أداء النموذج على مجموعة بيانات الاختبار يتفوق بدلالة إحصائية على خط الأساس المعياري (Baseline)، أو ما إذا كان أداء المصنف في تصنيف فئة معينة يختلف جوهرياً عن التوزيع المتوقع بموجب الصدفة العشوائية.

وعلاوة على ذلك، يمثل الاختبار أداة مثالية في دراسات اتخاذ القرار والعلوم السلوكية لتقييم مدى مطابقة اختيارات المستهلكين أو الأفراد للخيارات المحايدة. وباعتباره اختباراً لا يتطلب افتراضات صارمة حول اعتدالية توزيع المجتمع أو تجانس التباين، فإنه يوفر للباحثين حلاً متيناً وآمناً عند التعامل مع المقاييس الاسمية والعينات الصغيرة التي تفتقر إلى البنية الكمية المتصلة.

1.3 صياغة الفرضيات الإحصائية (الصفرية والبديلة)

يبدأ البناء المنهجي لاختبار ثنائي الحدين بصياغة دقيقة لزوج من الفرضيات الإحصائية المتنافسة. تتمثل الفرضية الصفرية (Null Hypothesis – H0) في الادعاء القائل بأن نسبة النجاح الحقيقية في المجتمع الإحصائي (والتي يُرمز لها بالرمز الإغريقي π أو الحرف اللاتيني p) تساوي تماماً قيمة مرجعية محددة سلفاً يُرمز لها عادة بالرمز p0. في معظم التجارب ذات الاختيار الثنائي المتوازن، تُحدد هذه القيمة بـ 0.5 للإشارة إلى التساوي المطلق أو الصدفة المحضة:

H0: p = p0

في المقابل، يتم صياغة الفرضية البديلة (Alternative Hypothesis – H1) وفقاً لطبيعة السؤال البحثي والتوجه النظري للدراسة. تأخذ الفرضية البديلة أحد ثلاثة أشكال رئيسية:

• الفرضية البديلة ثنائية الاتجاه (Two-Tailed): وتفترض ببساطة أن نسبة المجتمع لا تساوي النسبة المفترضة، دون تحديد مسبق لاتجاه الفرق (H1: p ≠ p0). تُستخدم هذه الصيغة عندما يرغب الباحث في استكشاف أي انحراف عن القيمة المتوقعة صعوداً أو هبوطاً.
• الفرضية البديلة أحادية الاتجاه – ذات الذيل الأيمن (Right-Tailed / Greater): وتفترض أن نسبة المجتمع تتجاوز القيمة المعيارية المحددة (H1: p > p0). يُلجأ إليها عندما يكون الاهتمام البحثي منصباً حصرياً على إثبات التفوق أو الزيادة.
• الفرضية البديلة أحادية الاتجاه – ذات الذيل الأيسر (Left-Tailed / Less): وتفترض أن نسبة المجتمع أقل من القيمة المحددة (H1: p < p0). وتُستخدم لتقييم انخفاض المعدلات أو تراجع الأداء عن المستوى المرجعي.

يتطلب اتخاذ القرار الإحصائي تحديد مستوى دلالة مسبق (Significance Level – Alpha)، يُحدد تقليدياً عند 0.05 أو 0.01، وهو يمثل أقصى احتمال مقبول للوقوع في الخطأ من النوع الأول (Type I Error)، أي رفض الفرضية الصفرية بينما هي صحيحة في الواقع.

2. الأسس الرياضية والنظرية لاختبار ثنائي الحدين

2.1 دالة الكتلة الاحتمالية للتوزيع الثنائي (PMF)

يستند اختبار ثنائي الحدين إلى دالة الكتلة الاحتمالية (Probability Mass Function – PMF) الخاصة بـ التوزيع ثنائي الحدين. تحسب هذه الدالة الاحتمال الدقيق للحصول على عدد محدد من النجاحات (k) في تجربة تتألف من عدد إجمالي من المحاولات المستقلة (n)، بافتراض أن احتمال النجاح في كل محاولة منفردة ثابت ويساوي (p). تأخذ المعادلة الرياضية للدالة الصيغة التالية:

P(X = k) = C(n, k) * (p^k) * ((1 – p)^(n – k))

حيث يمثل الرمز C(n, k) المعامل التوافقي (Binomial Coefficient)، والذي يُحسب باستخدام دالة المضروب الرياضي (Factorial) وفق المعادلة:

C(n, k) = n! / (k! * (n – k)!)

يقوم المعامل التوافقي بحساب عدد التباديل والتوافيق الممكنة لتوزيع عدد (k) من النجاحات عبر (n) من المحاولات دون مراعاة لترتيب الحدوث. يُظهر شكل هذا التوزيع تماثلاً بيانياً كاملاً حول مركزه عندما تكون قيمة p مساوية لـ 0.5، في حين يظهر التواءً إيجابياً نحو اليمين عندما تكون p أصغر من 0.5، والتواءً سلبياً نحو اليسار عندما تتجاوز p قيمة 0.5.

تتحدد المعالم الإحصائية المركزية لتوزيع ثنائي الحدين بالصيغ الرياضية البسيطة التالية:

• القيمة المتوقعة (Expected Value): E(X) = n * p
• التباين (Variance): Var(X) = n * p * (1 – p)
• الانحراف المعياري (Standard Deviation): SD(X) = sqrt(n * p * (1 – p))

2.2 حساب القيمة الاحتمالية الدقيقة (Exact P-Value)

تُمثل القيمة الاحتمالية (P-value) احتمال الحصول على نتائج تجريبية تماثل النتيجة الملاحظة أو تزيد عنها تطرفاً، بافتراض صحة الفرضية الصفرية. في اختبار ثنائي الحدين، لا يتم حساب هذه القيمة عبر تقريبات مشتقة من مساحات المنحنى الطبيعي، بل من خلال الجمع المباشر والدقيق للاحتمالات النقطية المستخرجة من دالة الكتلة الاحتمالية.

في الاختبارات أحادية الذيل ذات الاتجاه الأيمن (Greater)، تُحسب القيمة الاحتمالية بتجميع احتمالات الحصول على عدد نجاحات يساوي أو يزيد عن القيمة الملاحظة k:

P-value = Sum_{i=k}^{n} P(X = i)

أما في الاختبارات أحادية الذيل ذات الاتجاه الأيسر (Less)، فيتم تجميع الاحتمالات من الصفر حتى القيمة الملاحظة k:

P-value = Sum_{i=0}^{k} P(X = i)

تزداد المسألة تعقيداً في الاختبارات ثنائية الذيل (Two-sided)، خاصة عندما يكون التوزيع النظري غير متماثل (أي عندما تكون p ≠ 0.5). في هذه الحالة، تتطلب الطريقة الدقيقة المعيارية تجميع كافة الاحتمالات النقطية لجميع قيم i الممكنة من 0 إلى n التي يكون احتمال حدوثها مساوياً لاحتمال النتيجة الملاحظة أو أقل منه:

P-value = Sum_{i: P(X=i) <= P(X=k)} P(X = i)

تضمن هذه المقاربة الصارمة أن تظل القيمة الاحتمالية خالية تماماً من أخطاء التقريب التقاربي (Asymptotic Bias) التي تشوب اختبارات مثل اختبار Z واختبار مربع كاي في العينات المحدودة.

2.3 فترات الثقة لنسبة ثنائي الحدين (Confidence Intervals)

لا يكتمل التحليل الإحصائي الرصين بالاكتفاء بالإبلاغ عن القيمة الاحتمالية؛ إذ تشترط الهيئات العلمية تقديم فترات الثقة (Confidence Intervals) لتقدير النطاق الذي تقع فيه النسبة الحقيقية للمجتمع بمستوى يقين محدد (مثل 95%). في سياق البيانات الثنائية، تُعد طريقة كلوبر-بيرسون (Clopper-Pearson Exact Method) المعيار الذهبي لحساب فترات الثقة الدقيقة غير المعلمية.

تعتمد طريقة كلوبر-بيرسون على قلب دالة التوزيع التراكمي للثنائي لحساب الحدين الأدنى والأعلى لفترة الثقة، وترتبط ارتباطاً وثيقاً بـ توزيع بيتا (Beta Distribution) وتوزيع F الإحصائي. تتميز هذه الطريقة بأنها تضمن ألا تقل نسبة التغطية الفعلية أبداً عن مستوى الثقة الاسمي المحدد (1 – alpha)، مما يجعلها فترة ثقة متحفظة وآمنة تماماً، لا سيما عند مقارنتها بفترات التقريب الطبيعي التقليدية مثل فترة “فالد” (Wald Interval) التي تعاني من انخفاض كارثي في التغطية عندما تقترب النسبة الملاحظة من الصفر أو الواحد، أو فترة “ويلسون” (Wilson Score Interval) التي تُعد تقريباً ممتازاً ولكنها تظل تقاربية وليست دقيقة تماماً.

3. افتراضات وشروط تطبيق اختبار ثنائي الحدين

3.1 طبيعة البيانات واستقلالية المحاولات (Independent Trials)

تعتمد صلاحية الاستنتاجات المشتقة من اختبار ثنائي الحدين على استيفاء مجموعة من الافتراضات الرياضية والمنهجية الصارمة. يتمثل الافتراض الأول في أن التجربة تخضع لشروط عملية بيرنولي (Bernoulli Process)، والتي تقتضي أن تتكون التجربة من سلسلة محددة من المحاولات، وأن تُسفر كل محاولة فردية عن إحدى نتيجتين محتملتين فقط، دون وجود حالات وسيطة أو خيارات غير مصنفة.

يتمثل الافتراض الثاني الحاسم في استقلالية المحاولات (Independence of Trials). يعني هذا الشرط أن نتيجة أي محاولة معينة لا تؤثر بأي شكل من الأشكال على نتائج المحاولات اللاحقة، ولا تتأثر بالنتائج السابقة. في التجارب النفسية والسلوكية، يمثل هذا الشرط تحدياً منهجياً حقيقياً؛ حيث يمكن لتأثيرات التعلم (Learning Effects)، أو الإرهاق التجريبي (Fatigue)، أو استراتيجيات التعويض التي يتبعها المشاركون أن تُحدث ارتباطاً ذاتياً (Autocorrelation) بين المحاولات المتتالية، مما يؤدي إلى انتهاك فرضية الاستقلالية وتضخيم الخطأ من النوع الأول ما لم يتم ضبط بيئة التجربة بعناية فائقة.

علاوة على ذلك، يشترط الاختبار ثبات احتمالية النجاح (Constant Probability) عبر جميع تكرارات التجربة؛ فلا يجوز أن تتقلب فرصة حدوث الحدث المستهدف من محاولة إلى أخرى نتيجة لتغير ظروف البيئة التجريبية أو تباين خصائص المثيرات المعروضة.

3.2 شروط حجم العينة واختيار العينات العشوائية

من أهم المزايا المنهجية لاختبار ثنائي الحدين الدقيق أنه لا يفرض حداً أدنى لحجم العينة لتشغيله رياضياً؛ فهو صالح للتطبيق على عينات تتألف من محاولات قليلة جداً (مثل n = 5) بقدر صلاحيته للعينات المليونية. ومع ذلك، يرتبط حجم العينة ارتباطاً وثيقاً بمفهوم القوة الإحصائية (Statistical Power)، وهي احتمالية نجاح الاختبار في رفض الفرضية الصفرية عندما تكون خاطئة بالفعل في المجتمع.

تتطلب العينات الصغيرة جداً أحجام تأثير ضخمة لكي تصل إلى الدلالة الإحصائية؛ فعلى سبيل المثال، إذا كان حجم العينة n = 6 والنسبة المفترضة p = 0.5، فإن الحصول على 6 نجاحات متتالية يسفر عن قيمة احتمالية p = 0.03125 في الاختبار ثنائي الذيل، وهي قيمة تكفي بالكاد لرفض الفرضية الصفرية عند مستوى ألفا 0.05، في حين يعجز الاختبار عن رفض الفرضية إذا ظهرت 5 نجاحات فقط مهما بلغت قوة المؤشرات.

كما يظل افتراض العينات العشوائية الممثلة (Random Sampling) شرطاً أساسياً لتعميم النتائج؛ إذ إن أي تحيز منهجي في اختيار أفراد العينة أو تسجيل المحاولات سيفضي حتماً إلى نتائج متحيزة لا تعكس البنية الحقيقية للمجتمع الإحصائي المستهدف، بغض النظر عن دقة الحساب الرياضي.

4. إعداد بيئة العمل في بايثون والمكتبات الأساسية

4.1 تثبيت وضبط الحزم الإحصائية والحسابية

يتطلب تنفيذ اختبار ثنائي الحدين وتحليل مخرجاته بكفاءة في لغة بايثون تهيئة بيئة عمل متكاملة تتضمن الحزم العلمية الأساسية. تُعد مكتبة SciPy النواة الحسابية المركزية التي تقدم الدوال الإحصائية المتطورة، بينما توفر مكتبة NumPy البنية التحتية لإجراء العمليات المصفوفية السريعة وتوليد الأرقام، وتتكفل مكتبة Pandas بإدارة وتجهيز هياكل البيانات المعقدة.

يمكن تثبيت وتحديث هذه الحزم بسهولة تامة عبر مدير الحزم القياسي (pip) في سطر الأوامر باستخدام الأمر المباشر لتثبيت scipy و numpy و pandas و matplotlib و seaborn. من الضروري جداً التأكد من ترقية مكتبة SciPy إلى الإصدار 1.7.0 أو الإصدارات الأحدث لضمان توفر الدالة الإحصائية الحديثة وتجنب الدوال المتقادمة.

يُنصح دائماً بالتحقق البرمجي من أرقام إصدارات الحزم المستخدمة في بداية الشيفرة البرمجية لضمان قابلية إعادة الإنتاج، وتوثيق البيئة الحاسوبية لضمان توافق التحليلات المستقبلية مع المعايير العلمية الصارمة.

4.2 استيراد الدوال وتحضير هياكل البيانات

تبدأ المعالجة البرمجية باستيراد الوحدة الإحصائية الأساسية من مكتبة SciPy، إلى جانب الأدوات المساندة لإدارة المصفوفات والجداول. يتم استدعاء دالة binomtest من وحدة scipy.stats كأداة رئيسية لتنفيذ الاختبار:

from scipy.stats import binomtest

في التطبيقات العملية، غالباً ما تأتي البيانات الخام على هيئة سلاسل نصية أو مصفوفات منطقية، كأن يسجل ملف البيانات إجابات “نعم” و”لا” أو رموزاً تصنيفية مثل “True” و”False”. يتطلب الإعداد المنهجي للاختبار تحويل هذه البيانات إلى قيم كمية تمثل عدد النجاحات الفعلي (k) من إجمالي عدد المحاولات الصالحة (n).

تتضمن خطوط أنابيب معالجة البيانات التحقق الصارم من خلو المتغيرات من القيم المفقودة (NaNs) أو البيانات الشاذة، وحساب التكرارات الفئوية عبر توابع التجميع القياسية في Pandas، مما يضمن تدفق مدخلات رقمية صحيحة ونظيفة إلى دالة الاختبار الإحصائي.

5. الدوال البرمجية لاختبار ثنائي الحدين في بايثون: scipy.stats

5.1 التحول من binom_test القديمة إلى binomtest الحديثة

شهدت منظومة SciPy الإحصائية تحديثاً جوهرياً في بنيتها المعمارية ابتداءً من الإصدار 1.7.0؛ حيث تم إيقاف الدالة التاريخية scipy.stats.binom_test واستبدالها بالدالة الحديثة scipy.stats.binomtest. يعود السبب الرئيسي لهذا التحول المنهجي إلى رغبة مطوري المكتبة في توحيد واجهات المخرجات الإحصائية لتتوافق مع معايير الكائنات الموجهة (Object-Oriented Design)، بدلاً من الاكتفاء بإرجاع رقم عائم فردي يمثل القيمة الاحتمالية فقط.

كانت الدالة القديمة تعيد فقط قيمة P-value دون تقديم أي معلومات تفصيلية عن الإحصاء الملاحظ أو فترات الثقة المرتبطة به، مما كان يضطر الباحثين إلى كتابة أكواد إضافية معقدة لحساب فترات كلوبر-بيرسون. في المقابل، تُرجع الدالة الحديثة كائناً غنياً بالبيانات من فئة BinomialTestResult، يوفر وصولاً مباشراً إلى الإحصاء المحسوب، والقيمة الاحتمالية، وتوابع مدمجة عالية الدقة لتوليد فترات الثقة بمختلف المستويات والاتجاهات.

يُعد استخدام الدالة القديمة في الأبحاث المعاصرة ممارسة غير مستحسنة؛ إذ تؤدي إلى إطلاق تحذيرات التقادم البرمجي (Deprecation Warnings)، ومن المقرر إزالتها كلياً في الإصدارات المستقبلية للحزمة.

5.2 تشريح معاملات دالة scipy.stats.binomtest

تتميز دالة scipy.stats.binomtest بتصميم برمجي دقيق وبسيط، حيث تستقبل أربعة معاملات رئيسية تحدد طبيعة الاختبار وسلوكه الإحصائي بالكامل:

• المعامل k (النجاحات الملاحظة): يمثل عدداً صحيحاً غير سالب يعبر عن تكرار حدوث الحدث المستهدف في العينة. كما تقبل الدالة تمرير مصفوفة ثنائية الأبعاد تتضمن عدد النجاحات وعدد الإخفاقات كبديل لتعيين n بشكل منفصل.
• المعامل n (إجمالي المحاولات): يمثل عدداً صحيحاً موجباً يعبر عن الحجم الكلي للمحاولات الصالحة في التجربة. ويجب بالضرورة أن تكون قيمة k أقل من أو مساوية لقيمة n.
• المعامل p (الاحتمال النظري): يحدد نسبة النجاح المفترضة بموجب الفرضية الصفرية. وهي قيمة حقيقية محصورة حصراً في النطاق المغلق بين 0 و 1. وتأخذ القيمة الافتراضية 0.5 إذا لم يقم الباحث بتحديدها صراحة.
• المعامل alternative (الفرضية البديلة): يقبل إحدى ثلاث سلاسل نصية لتحديد اتجاه الاختبار:
  • 'two-sided': الخيار الافتراضي لتنفيذ اختبار ثنائي الذيل للتحقق من وجود أي اختلاف مطلق.
  • 'greater': لتنفيذ اختبار أحادي الذيل للتحقق مما إذا كانت نسبة العينة أكبر من القيمة المفترضة.
  • 'less': لتنفيذ اختبار أحادي الذيل للتحقق مما إذا كانت نسبة العينة أقل من القيمة المفترضة.

5.3 استخراج وتفسير خصائص كائن النتيجة

عند تنفيذ الدالة وتخزين ناتجها في متغير برمجي وليكن result، يُنشئ بايثون كائناً من فئة BinomialTestResult يتضمن مجموعة من الخصائص والدوال المدمجة:

• result.statistic: يمثل التقدير النقطي لنسبة النجاح الملاحظة في العينة، ويُحسب تلقائياً بقسمة عدد النجاحات k على إجمالي المحاولات n.
• result.pvalue: يحمل القيمة الاحتمالية الدقيقة المحسوبة بناءً على المعطيات والاتجاه المحدد في المعامل alternative.
• result.proportion_estimate: توفر وصولاً مباشراً إلى النسبة التجريبية المقاسة.
• result.confidence_interval(confidence_level=0.95): دالة مدمجة فائقة الأهمية تحسب فترة الثقة الدقيقة للنسبة. تقبل هذه الدالة معاملاً يحدد مستوى الثقة المطلوب (افتراضياً 0.95، ويمكن تغييره إلى 0.99 أو 0.90)، وتُرجع كائناً يحتوي على الحد الأدنى (low) والحد الأعلى (high) لفترة الثقة المحسوبة بطريقة كلوبر-بيرسون الدقيقة.

يتيح هذا التصميم المتكامل للباحثين استخراج المؤشرات وتنسيقها داخل قواميس برمجية أو هياكل جداول بيانات جاهزة للتصدير المباشر إلى التقارير الأكاديمية.

6. دليل خطوة بخطوة لإجراء اختبار ثنائي الحدين ثنائي الذيل (Two-Sided) في بايثون

6.1 بناء النموذج البرمجي لاختبار النرد المعدل

لتوضيح التطبيق العملي للاختبار ثنائي الذيل، نفترض مسألة بحثية كلاسيكية: يرغب باحث في التحقق مما إذا كان نرد سداسي الأوجه مصمماً بعدالة تامة أم أنه يحتوي على تحيز فيزيائي يؤثر على فرص ظهور الرقم ‘3’. في النرد العادل، يكون احتمال ظهور أي رقم محدد مساوياً لـ 1 مقسوماً على 6 (أي p = 1/6 ≈ 0.1667). قام الباحث برمي النرد 24 مرة، فظهر الرقم ‘3’ في 6 محاولات كاملة.

تتمثل الفرضية الصفرية في أن النرد عادل وأن احتمالية ظهور الرقم 3 تساوي 1/6 (H0: p = 1/6). في حين تنص الفرضية البديلة ثنائية الذيل على أن احتمالية ظهور الرقم تختلف عن 1/6 سواء بالزيادة أو النقصان (H1: p ≠ 1/6).

يتم تنفيذ الاختبار برمجياً بتمرير المعطيات التالية إلى دالة binomtest: تعيين k مساوية لـ 6، و n مساوية لـ 24، و p مساوية لـ 1/6، وتحديد alternative بالقيمة ‘two-sided’. بمجرد تشغيل الدالة، يستخرج الباحث قيمة p-value الناتجة ومقارنتها بمستوى الدلالة المعياري المقبول (alpha = 0.05).

إذا أسفر الاختبار عن قيمة احتمالية تقارب 0.198، فإن هذه القيمة تتجاوز بكثير عتبة الدلالة 0.05. وبناءً على ذلك، يفشل الباحث في رفض الفرضية الصفرية، ويستنتج أنه لا يوجد دليل إحصائي كافٍ يثبت عدم عدالة النرد، وأن ظهور الرقم 3 ست مرات في 24 رمية يدخل ضمن نطاق التباين العشوائي المتوقع بموجب الصدفة المحضة.

6.2 توليد فترات الثقة وتحليل المخرجات ثنائية الاتجاه

لتوسيع الفهم الإحصائي للنتيجة السابقة، يتم استدعاء دالة confidence_interval() من كائن النتيجة لحساب فترة ثقة 95%. تُظهر المخرجات الحسابية الدقيقة أن الحد الأدنى لفترة الثقة يقارب 0.098 بينما يصل الحد الأعلى إلى حوالي 0.467.

يقدم هذا النطاق تفسيراً مكملاً للقيمة الاحتمالية؛ فحيث إن القيمة المفترضة للفرضية الصفرية (1/6 ≈ 0.1667) تقع بأمان داخل فترة الثقة [0.098, 0.467]، فإن ذلك يتطابق منطقياً مع قرار عدم رفض الفرضية الصفرية. يُظهر اتساع فترة الثقة هنا تأثيراً مباشراً لصغر حجم العينة (n = 24)، مما يعكس درجة عالية من عدم اليقين حول القيمة الدقيقة لنسبة المجتمع الحقيقية.

عند رفع مستوى الثقة إلى 99%، يتسع نطاق الفترة بصورة أكبر ليمتد تقريباً من 0.068 إلى 0.540، مما يبرز التضحية الحسابية بين مستوى اليقين الإحصائي ودقة التقدير النقطي. كما يُلاحظ عدم تماثل أطراف فترة الثقة حول النسبة الملاحظة (0.25)، وهو انعكاس مباشر لطبيعة توزيع ثنائي الحدين الملتوي عندما يختلف الاحتمال النظري عن 0.5.

7. إجراء اختبار ثنائي الحدين أحادي الذيل (One-Sided) في بايثون

7.1 تنفيذ الاختبار ذو الذيل الأيمن (Alternative = ‘greater’)

يُلجأ إلى الاختبار أحادي الذيل ذي الاتجاه الأيمن عندما يمتلك الباحث مبرراً نظرياً أو تجريبياً مسبقاً يجعله يتوقع تفوق النسبة الملاحظة حصراً، دون الاكتراث باحتمالية انخفاضها. لنفترض حالة تجريبية في مجال التسويق الرقمي: قامت منصة تجارة إلكترونية بتطوير واجهة مستخدم جديدة لزيادة معدل تحويل الزوار إلى مشترين، حيث كان المعدل التاريخي القديم مستقراً عند 10% (p = 0.10). تم اختبار الواجهة على عينة تجريبية عشوائية قوامها 50 زائراً، ونجحت الواجهة في تحويل 10 زوار منهم إلى مشترين فعليين.

تُصاغ الفرضيات في هذه الحالة كالآتي: الفرضية الصفرية (H0: p = 0.10) مقابل الفرضية البديلة الموجهة (H1: p > 0.10). يتم تنفيذ الاختبار في بايثون بتمرير k=10 و n=50 و p=0.10 مع ضبط المعامل alternative='greater'.

تُسفر العملية الحسابية عن قيمة احتمالية دقيقة تقارب 0.0245. ونظراً لأن هذه القيمة أصغر من مستوى الدلالة 0.05، يرفض الباحث الفرضية الصفرية ويقبل الفرضية البديلة، مستنتجاً أن الواجهة الجديدة حققت زيادة دالة إحصائياً في معدل التحويل. عند حساب فترة الثقة أحادية الجانب في هذه الحالة عبر دالة confidence_interval()، يعيد بايثون حداً أدنى يقارب 0.114 بينما يكون الحد الأعلى مساوياً لـ 1.0، مما يؤكد أن معدل التحويل الحقيقي لا يقل عن 11.4% بمستوى ثقة 95%.

7.2 تنفيذ الاختبار ذو الذيل الأيسر (Alternative = ‘less’)

يُطبق الاختبار أحادي الذيل ذو الاتجاه الأيسر عند دراسة ظواهر الانخفاض أو تقييم استراتيجيات خفض الأخطاء ومعدلات الفشل. لنفترض مصنعاً لإنتاج الرقائق الإلكترونية يبلغ معدل العيوب التصنيعية القياسي لديه 5% (p = 0.05). تم تطبيق نظام تبريد جديد لتقليل العيوب، ومن بين 100 شريحة تم فحصها بعد التعديل، وُجدت شريحة واحدة فقط معيبة.

تتمثل الفرضيات هنا في: الفرضية الصفرية (H0: p = 0.05) مقابل الفرضية البديلة (H1: p < 0.05). يُنفذ الاختبار بتمرير المعطيات k=1 و n=100 و p=0.05 مع ضبط alternative='less'.

يُنتج الاختبار قيمة احتمالية دقيقة تقارب 0.0371. وحيث إنها أقل من عتبة ألفا 0.05، يتم رفض الفرضية الصفرية لصالح الفرضية البديلة، مما يقدم دليلاً إحصائياً كافياً على أن نظام التبريد الجديد نجح بدلالة إحصائية في خفض معدل العيوب عن المعدل المعياري. وفي هذه الحالة، تُرجع دالة فترة الثقة أحادية الجانب حداً أدنى قدره 0.0 وحداً أعلى يقارب 0.0474، مما يثبت أن معدل العيوب الحقيقي لا يتجاوز 4.74% بمستوى ثقة 95%.

8. تطبيقات وحالات عملية في الأبحاث النفسية والسلوكية باستخدام بايثون

8.1 دراسة تفضيل الاختيار في علم النفس التجريبي

تُعد دراسات التفضيل الإدراكي من أبرز المجالات التي يتجلى فيها دور اختبار ثنائي الحدين. لنفترض دراسة سيكولوجية تهدف إلى التحقق مما إذا كان الأطفال يفضلون الأشكال الهندسية ذات الحواف الدائرية على الأشكال ذات الحواف الحادة. عُرض على 40 طفلاً خياران متطابقان في الحجم واللون والإضاءة، أحدهما دائري والآخر حاد. أظهرت النتائج التجريبية أن 28 طفلاً اختاروا الشكل الدائري، بينما اختار 12 طفلاً الشكل الحاد.

تبدأ المعالجة البرمجية بتحميل البيانات التجريبية عبر مكتبة Pandas، والتحقق من نقاء القياسات وعدم وجود إجابات مهملة. تنص الفرضية الصفرية على عدم وجود أي تفضيل حقيقي، مما يجعل احتمال اختيار الشكل الدائري مساوياً لاحتمال الصدفة (p = 0.5). تنص الفرضية البديلة ثنائية الذيل على وجود تفضيل دال لأحد الشكلين.

بتنفيذ دالة binomtest(k=28, n=40, p=0.5, alternative='two-sided')، يُسفر التحليل عن نسبة ملاحظة قدرها 70% وقيمة احتمالية دقيقة p = 0.0165، مع فترة ثقة 95% تمتد من 0.535 إلى 0.834. بناءً على هذه المخرجات، يستنتج الباحثون رفض الفرضية الصفرية وتأييد الفرضية القائلة بوجود انحياز معرفي فطري وتفضيل دال إحصائياً للأشكال المستديرة لدى الأطفال.

8.2 تقييم أداء الاستجابة في اختبارات الإدراك الحسي

في تجارب السيكوفيزيقياء (Psychophysics)، تُستخدم على نطاق واسع مهمة “التمييز القسري بين خيارين” (Two-Alternative Forced Choice – 2AFC). في هذه التجارب، يُعرض على المشارك في كل محاولة مثيران صوتيان متتاليان، أحدهما يحتوي على نغمة خافتة جداً مطمورة في ضوضاء بيضاء، ويُطلب منه تحديد أي المثيرين تضمن النغمة.

إذا كان المثير الصوتي دون عتبة الإدراك الواعي تماماً، فإن استجابات المشارك ستتبع التوزيع العشوائي التام بنسبة نجاح متوقعة p = 0.5. لنفترض أن الباحث اختبر مشاركاً عبر 100 محاولة عند شدة صوتية محددة بلغت -20 ديسيبل، وحقق المشارك 62 استجابة صحيحة.

تُصاغ الفرضية البديلة كاختبار أحادي الذيل ذي اتجاه أيمن (alternative=’greater’) لاختبار ما إذا كان أداء المشارك يتجاوز مستوى التخمين الحسي. يُنفذ الاختبار البرمجي عبر بايثون: binomtest(k=62, n=100, p=0.5, alternative='greater')، مما يُنتج قيمة احتمالية p = 0.0105. تؤكد هذه النتيجة أن الشدة الصوتية المختبرة تقع فوق عتبة الوعي الحسي للمشارك، حيث تمكن من اكتشاف الإشارة بدقة تتجاوز الصدفة بمستوى دلالة إحصائية قوي.

8.3 تحليل استجابات الاستبيانات النفسية ثنائية الخيار (نعم/لا)

تحتوي العديد من المقاييس السيكومترية على بنود تفرض استجابات ثنائية صريحة من نوع (موافق / غير موافق) أو (ينطبق / لا ينطبق). عند تطبيق مقياس يقيس سمة “القلق الأكاديمي” على عينة مكونة من 80 طالباً جامعياً، تضمن المقياس بنداً ينص على: “أشعر بارتفاع نبضات قلبي فور دخولي قاعة الامتحان”. أجاب 56 طالباً بـ “نعم” و24 طالباً بـ “لا”.

يهدف التحليل إلى تحديد ما إذا كان اتجاه الطلاب نحو الموافقة على هذا البند يعكس سمة عامة غالبة في المجتمع الطلابي تتجاوز حالة التساوي أو الحياد (p = 0.5). يُنفذ اختبار ثنائي الحدين لكل بند من بنود الاستبيان بصورة مستقلة داخل حلقة تكرارية (Loop) في بايثون.

عند إجراء اختبارات متعددة على بنود استبيان متعددة في آن واحد، تبرز مشكلة تضخم الخطأ من النوع الأول الناجمة عن المقارنات المتعددة. لمعالجة هذا الخلل المنهجي، يتم تطبيق تصحيح بونفيروني (Bonferroni Correction) أو تعديل معدل الاكتشاف الخاطئ (FDR) عبر قسمة مستوى ألفا المعياري (0.05) على عدد البنود المختبرة، لضمان متانة ونزاهة القرارات الإحصائية النهائية.

9. التصور البصري لنتائج اختبار ثنائي الحدين باستخدام Matplotlib و Seaborn

9.1 رسم دالة الكتلة الاحتمالية وتحديد مناطق الرفض

يُمثل التمثيل البياني وسيلة استثنائية لتعميق فهم نتائج الاختبار الإحصائي ونقلها بصرياً في الأوراق البحثية. تتيح مكتبة Matplotlib بالتعاون مع دالة scipy.stats.binom إنشاء رسوم بيانية توضح دالة الكتلة الاحتمالية النظرية للتجربة بالكامل، مع إبراز موقع النتيجة الملاحظة ومناطق الرفض الحرجة.

يتضمن البناء البرمجي للرسم الخطوات التالية: أولاً، توليد متسلسلة من الأعداد الصحيحة تمتد من 0 إلى n لتمثيل جميع النجاحات المحتملة على المحور الأفقي (X-axis). ثانياً، حساب الاحتمال النقطي لكل قيمة باستخدام الدالة binom.pmf(k_values, n, p) لرسم الأعمدة البيانية على المحور الرأسي (Y-axis).

لإضفاء البعد التحليلي على الرسم، يتم تلوين الأعمدة التي تقع في مناطق الرفض المتطرفة بلون مميز (مثل الأحمر الداكن)، في حين تُلون الأعمدة الواقعة في منطقة عدم الرفض بلون محايد (مثل الرمادي أو الأزرق الفاتح). يُضاف بعد ذلك خط رأسي متقطع يشير إلى النسبة المتوقعة بموجب الفرضية الصفرية، وخط رأسي صلب يشير إلى القيمة الملاحظة في التجربة الفعلية، مما يمنح القارئ إدراكاً بصرياً فورياً لمدى تطرف العينة بالنسبة للتوزيع النظري.

9.2 تمثيل فترات الثقة والتقديرات النقطية بيانيًا

تُعد أشرطة الخطأ (Error Bars) الأداة المعيارية في الأدبيات العلمية لعرض التقديرات النقطية مصحوبة بفترات الثقة المقابلة لها. توفر مكتبة Seaborn وMatplotlib إمكانات متقدمة لرسم النسبة التجريبية كنقطة مركزية محاطة بذراعين يمتدان ليمثلا الحدين الأدنى والأعلى لفترة الثقة الدقيقة (Clopper-Pearson).

عند مقارنة عدة مجموعات تجريبية أو شروط مختلفة، يتيح هذا التمثيل البصري للقارئ مقارنة أداء الشروط في لمحة واحدة؛ حيث يُشير عدم تداخل فترات الثقة بين المجموعات المختلفة، أو ابتعاد فترة ثقة مجموعة معينة عن خط الأساس النظري، إلى وجود فروق جوهرية تستحق التركيز الإحصائي.

يجب ضبط معايير الإخراج الفني للرسومات بما يتوافق مع معايير النشر الأكاديمي، بما في ذلك ضبط دقة الصورة عند مستوى مرتفع لا يقل عن 300 نقطة في البوصة (DPI)، وتسمية المحاور بدقة مع إدراج وحدات القياس، واختيار لوحات ألوان تراعي إمكانية القراءة من قبل المصابين بعمى الألوان (Colorblind-friendly palettes).

10. مقارنة اختبار ثنائي الحدين مع الاختبارات البديلة في بايثون

10.1 المقارنة مع اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness-of-Fit)

يُعد اختبار مربع كاي لجودة المطابقة (Chi-Square Goodness-of-Fit)، المتاح في بايثون عبر الدالة scipy.stats.chisquare، البديل الكلاسيكي الأكثر شيوعاً لاختبار ثنائي الحدين عند فحص المتغيرات الفئوية. ومع ذلك، توجد فروق هيكلية عميقة بين الاختبارين على الصعيدين الرياضي والتطبيقي.

يستند اختبار مربع كاي إلى تقريب مستمر يستلزم وجود تكرارات متوقعة كافية في كل خلية؛ حيث تشترط القاعدة المنهجية ألا يقل التكرار المتوقع في أي فئة عن 5 حالات. إذا اختل هذا الشرط، يفقد اختبار كاي دقته الرياضية ويفضي إلى قيم احتمالية مشوهة. في المقابل، يعمل اختبار ثنائي الحدين بشكل دقيق تماماً دون أي قيود على التكرارات الدنيا، مما يجعله الخيار الوحيد الموثوق في العينات الصغيرة.

عندما تكون العينة كبيرة وتكون الفرضية البديلة ثنائية الذيل، تتقارب نتائج اختبار ثنائي الحدين واختبار مربع كاي تقارباً شديداً. إلا أن اختبار ثنائي الحدين يتميز بقدرته الأصلية على اختبار الفرضيات أحادية الاتجاه (Greater أو Less)، وهو ما يعجز عنه اختبار مربع كاي الذي يقيس بطبيعته المسافات التربيعية غير الموجهة فقط.

10.2 المقارنة مع اختبار Z للنسبة الواحدة (One-Sample Z-Test for Proportions)

يُمثل اختبار Z للنسبة الواحدة، والمتوفر في مكتبة Statsmodels عبر الدالة statsmodels.stats.proportion.proportions_ztest، مقاربة تقاربية تعتمد على نظرية النهاية المركزية (Central Limit Theorem) لتقريب التوزيع الثنائي المتقطع إلى التوزيع الطبيعي المعياري.

يشترط تطبيق اختبار Z استيفاء معيار الحجم الأدنى للعينة المستند إلى نجاحات وإخفاقات متوقعة كافية، والذي يُصاغ رياضياً بالشرطين: (n * p >= 5) و (n * (1 – p) >= 5)، ويفضل البعض رفع الحد الأدنى إلى 10. عند تطبيق اختبار Z، يلجأ الإحصائيون غالباً إلى تطبيق ما يُعرف بـ “تصحيح الاستمرارية” (Continuity Correction) لتقليل الفجوة الرياضية بين التوزيع المتقطع والمنحنى الطبيعي المتصل.

على الرغم من أن اختبار Z أسرع في المعالجة الحسابية عند التعامل مع مجموعات بيانات ضخمة جداً تحتوي على ملايين السجلات، فإن اختبار binomtest في SciPy يظل الخيار الأدق علمياً في بايثون طالما كانت الموارد الحاسوبية كافية؛ إذ يقضي تماماً على أي خطأ تقريبي ناتج عن الافتراض الطبيعي الزائف.

11. الأخطاء الشائعة واستكشاف الأخطاء وإصلاحها عند تنفيذ الاختبار في بايثون

11.1 الأخطاء البرمجية وأنواع البيانات غير المتوافقة

أثناء التنفيذ البرمجي لاختبار ثنائي الحدين في بايثون، قد يواجه المطورون والباحثون مجموعة من الأخطاء الاستثنائية (Exceptions) والتحذيرات الناتجة عن عدم توافق المدخلات مع المتطلبات الرياضية للدوال:

• خطأ TypeError الناتج عن تمرير أعداد غير صحيحة: تشترط دالة binomtest أن تكون المعاملات k و n أعداداً صحيحة (Integers). في حال تم استخراج التكرارات بعد عمليات قسمة أو عمليات ترشيح نتج عنها أرقام من نوع float (مثل 12.0)، يجب تحويلها صراحة باستخدام int() لتجنب توقف البرنامج.
• خطأ ValueError بسبب قيم الاحتمال غير الصالحة: يؤدي تمرير قيمة للمعامل p تقع خارج النطاق المغلق [0, 1]، مثل إدخال 1.5 أو قيمة سالبة، إلى إطلاق استثناء مباشر من بايثون لانتهاك بديهيات نظرية الاحتمالات.
• أخطاء تجاوز عدد النجاحات للحجم الكلي: إذا كانت قيمة k أكبر من n نتيجة لخطأ في ترتيب المتغيرات، ستطلق الدالة خطأ فوري يمنع الحساب.
• التعامل مع القيم المفقودة: يؤدي تمرير مصفوفات تحتوي على قيم np.nan أو None أثناء استخراج التكرارات إلى تشويه الحسابات، مما يفرض تنظيف البيانات باستخدام dropna() قبل الشروع في الاختبار.

11.2 الأخطاء المنهجية والإحصائية في تفسير المخرجات

إلى جانب الأخطاء البرمجية، يقع العديد من الباحثين في منزلقات منهجية خطيرة عند تفسير النتائج المستخلصة من اختبار ثنائي الحدين:

• التحيز في اختيار اتجاه الفرضية (HARKing): من الأخطاء المنهجية الجسيمة اختيار اختبار أحادي الذيل (Greater أو Less) بعد الاطلاع على البيانات التجريبية ورؤية اتجاه النسبة، بهدف تقليص قيمة P-value إلى النصف للحصول على دلالة إحصائية زائفة. يجب تحديد اتجاه الفرضية دائماً بصورة مسبقة ومبررة نظرياً قبل جمع البيانات أو تحليلها.
• الخلط بين عدم رفض الفرضية الصفرية وإثبات صحتها: إن الحصول على قيمة p-value أكبر من 0.05 يعني فقط عدم وجود دليل إحصائي كافٍ لرفض الفرضية الصفرية في ضوء البيانات المتاحة وحجم العينة الحالي، ولا يعني مطلقاً أن الفرضية الصفرية “صحيحة” أو أن المجتمع متطابق تماماً مع النسبة المفترضة.
• تجاهل حجم التأثير (Effect Size): يؤدي التركيز الحصري على قيمة P-value بمعزل عن النسبة الملاحظة وفترة الثقة إلى تضليل علمي؛ ففي العينات الضخمة جداً، قد يظهر فرق طفيف وغير ذي قيمة عملية كفرق دال إحصائياً، بينما قد تخفي العينات الصغيرة فروقاً جوهرية ذات مغزى تطبيقي كبير بسبب ضعف القوة الإحصائية.

12. أفضل الممارسات وكتابة التقارير الأكاديمية وفق معايير APA لنتائج الاختبار

12.1 صياغة التقرير الإحصائي لنتائج اختبار ثنائي الحدين

تشترط جمعية علم النفس الأمريكية في دليلها الأكاديمي السابع (APA 7th Edition) توثيق النتائج الإحصائية بدقة وشفافية تامة، بحيث تشمل الجملة التقريرية جميع المعالم الأساسية للاختبار: حجم العينة الإجمالي، عدد النجاحات الملاحظة، النسبة المئوية التجريبية، القيمة الاحتمالية الدقيقة، ومستوى واتساع فترة الثقة.

يمكن صياغة تقرير الحالة الإحصائية الدالة وفق النموذج المعياري التالي:

“أظهر اختبار ثنائي الحدين الدقيق أن نسبة المشاركين الذين اختاروا المثير المستهدف بلغت 70% (28 من أصل 40 مشاركاً)، وهي نسبة تختلف بدلالة إحصائية عن النسبة المتوقعة بموجب الصدفة العشوائية المتساوية (p = .50)، حيث بلغت القيمة الاحتمالية p = .016 (اختبار ثنائي الذيل)، وبلغت فترة الثقة 95% للنسبة بطريقة كلوبر-بيرسون [.535, .834].”

وفي حالة عدم تحقق الدلالة الإحصائية، يُصاغ التقرير على النحو التالي:

“أشارت نتائج اختبار ثنائي الحدين الدقيق إلى أن معدل النجاح الملاحظ (25%، 6 من أصل 24 محاولة) لم يختلف اختلافاً دالاً إحصائياً عن المعدل النظري المفترض البالغ 16.67% (p = .198، اختبار ثنائي الذيل)، مع فترة ثقة 95% للنسبة تراوحت بين [.098, .467].”

يُنصح كذلك بحساب وتضمين مؤشرات حجم التأثير المناسبة للبيانات الثنائية مثل مؤشر “كوين إتش” (Cohen’s h) لتقديم صورة شاملة عن الأهمية العملية للنتائج.

12.2 ضمان قابلية إعادة الإنتاجية ومشاركة الأكواد (Reproducibility)

تقتضي النزاهة العلمية المعاصرة تعزيز مبادئ العلم المفتوح (Open Science) وضمان قابلية تكرار النتائج وإعادة إنتاجها من قبل باحثين مستقلين. يتطلب ذلك الالتزام بمجموعة من الممارسات البرمجية والتوثيقية الدقيقة:

• هيكلة الكود وفق معايير PEP 8: كتابة شيفرات بايثون نظيفة، واستخدام أسماء متغيرات ذات دلالة واضحة، والتعليق على الخطوات التحليلية بدقة.
• توثيق البيئة البرمجية: تدوين إصدارات لغة بايثون والمكتبات المستخدمة (مثل إصدار SciPy وNumPy) داخل ملف متطلبات قياسي (requirements.txt) أو بيئة Conda مخصصة.
• استخدام دفاتر جوبيتر (Jupyter Notebooks): دمج السرد النظري، والمعادلات الرياضية، والأكواد البرمجية، والرسومات البيانية التفاعلية في وثيقة حاسوبية موحدة وسهلة التتبع.
• المشاركة عبر المستودعات المفتوحة: إيداع مجموعات البيانات الخام والأكواد التحليلية في مستودعات علمية موثوقة ومفتوحة الوصول مثل Open Science Framework (OSF) وGitHub، مما يتيح للمجتمع الأكاديمي تدقيق النتائج وتطويرها.

خاتمة

يُشكل اختبار ثنائي الحدين ركيزة لا غنى عنها في صرح الاستدلال الإحصائي؛ إذ يجمع بين البساطة المفاهيمية والدقة الرياضية المطلقة في معالجة الظواهر ثنائية التفرع. ومن خلال الإمكانات البرمجية الفائقة التي توفرها لغة بايثون وحزمة SciPy الحديثة، غدا بمقدور الباحثين تجاوز قيود الحسابات التقاربية المعيبة وتنفيذ تحليلات دقيقة مدعومة بفترات ثقة موثوقة وتصورات بيانية بالغة الوضوح. إن الاستيعاب العميق للافتراضات النظرية، والتطبيق البرمجي السليم، والالتزام بمعايير التوثيق الأكاديمي الرصين، يمثل السبيل الأمثل لضمان موثوقية الأبحاث العلمية وتطوير المعرفة الإنسانية عبر مختلف التخصصات المعرفية.

المراجع (References)

• Agresti, A. (2013). Categorical Data Analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Categorical+Data+Analysis%2C+3rd+Edition-p-9780470463635
• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://apastyle.apa.org/
• Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.1093/biomet/26.4.404
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
• McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56). https://doi.org/10.25080/Majora-92bf1923-00a
• Siegel, S., & Castellan, N. J. (1988). Nonparametric Statistics for the Behavioral Sciences (2nd ed.). McGraw-Hill.
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2014). Mathematical Statistics with Applications (7th ed.). Cengage Learning.
• 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