كيفية إجراء اختبار فيشر الدقيق في Stata

تُعد معالجة البيانات الفئوية وتحليل العلاقات الارتباطية بين المتغيرات الاسمية إحدى الركائز المنهجية الجوهرية في مختلف فروع البحث العلمي المعاصر، لا سيما في العلوم السلوكية، والطب السريري، وعلم النفس الإكلينيكي. فعندما يواجه الباحث مواقف تتسم بمحدودية حجم العينات أو ندرة الظواهر المدروسة، تصبح الاختبارات التقريبية الشائعة مثل اختبار كاي تربيع للاستقلالية غير موثوقة إحصائياً، مما قد يؤدي إلى استنتاجات مضللة وقرارات غير دقيقة حول فرضيات البحث. في هذا السياق، يبرز اختبار فيشر الدقيق (Fisher’s Exact Test) كأداة استدلالية متينة توفر حساباً دقيقاً ومباشراً للاحتمالات دون الاعتماد على افتراضات التقريب المقارب للعينات الكبيرة.

يتناول هذا الدليل الشامل والمعمق كيفية إجراء وتفسير اختبار فيشر الدقيق باستخدام الحزمة الإحصائية المتقدمة Stata. سنستعرض الأسس الرياضية والنظرية التي يقوم عليها الاختبار، والتحقق من افتراضاته، والمقارنة المنهجية بينه وبين الاختبارات البديلة، وصولاً إلى التطبيق العملي المفصل عبر أوامر Stata الفورية والأوامر الخاصة بقواعد البيانات الكاملة، مع تسليط الضوء على حساب حجوم الأثر وفترات الثقة، وكتابة التقارير الأكاديمية وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

يهدف هذا المرجع إلى تزويد الباحثين وطلاب الدراسات العليا والمحللين الإحصائيين بفهم نظري وتطبيقي متكامل، يجمع بين الصرامة الأكاديمية والخطوات الإجرائية التفصيلية، لضمان استخلاص نتائج علمية موثوقة وقابلة للتكرار تسهم في الارتقاء بجودة النتاج البحثي الرصين.

1. مقدمة شاملة لاختبار فيشر الدقيق (Fisher’s Exact Test)

1.1 تعريف اختبار فيشر الدقيق وسياقه التاريخي

يُعرَّف اختبار فيشر الدقيق بأنه اختبار استدلالي لا معلماتيللبيانات الفئوية يُستخدم لاختبار فرضية الاستقلالية بين متغيرين ثنائيي التقسيم في جداول التوافق ذات البعد (2×2)، مع إمكانية تعميمه على الجداول ذات الأبعاد الأكبر (r × c). يرجع الفضل في تطوير هذا الاختبار إلى عالم الإحصاء والوراثة البريطاني السير رونالد آيلمر فيشر (Ronald A. Fisher)، الذي صاغه في ثلاثينيات القرن العشرين، وتحديداً في كتابه التأسيسي “Statistical Methods for Research Workers” الصادر عام 1925، ثم بلوره بشكل كامل في دراسته الشهيرة عام 1935.

ارتبطت نشأة الاختبار بالتجربة التاريخية المعروفة باسم “تذوق الشاي” (The Lady Tasting Tea)، حيث ادعت زميلة فيشر، الدكتورة موريل بريستول، قدرتها على تمييز ما إذا كان الحليب قد سُكب في الفنجان قبل الشاي أو العكس. لتفنيد أو إثبات هذا الادعاء تجريبياً، صمم فيشر تجربة محكمة قوامها ثمانية فناجين (أربعة سُكب فيها الشاي أولاً وأربعة سُكب فيها الحليب أولاً) تم تقديمها بترتيب عشوائي، واشترط على المتذوقة تحديد الفناجين الأربعة من كل فئة. قاد هذا التصميم التجريبي فيشر إلى استنباط نموذج احتمالي دقيق لا يعتمد على افتراضات التوزيع الطبيعي أو التقريب المقارب، بل يستند كلياً إلى التوزيع فوق الهندسي، مما مكنه من حساب الاحتمالية الدقيقة لأي عدد من الإجابات الصحيحة بمحض الصدفة.

تكمن الأهمية التاريخية والمنهجية لهذا الاختبار في كونه أول اختبار إحصائي “دقيق” (Exact Test)، مما يعني أن القيمة الاحتمالية المحسوبة لا تعتمد على تقريب نظري يتطلب حجوم عينات لا نهائية، بل تمثل التكرار النسبي الفعلي لجميع التوافيق الممكنة التي تتطابق مع الهوامش المشاهدة، وهو ما جعله الحل الرياضي الأمثل للعينات الصغيرة والتجارب المعملية الدقيقة.

1.2 الأهمية المنهجية للاختبار في تحليل البيانات الفئوية

تمثل البيانات الفئوية (Categorical Data)، سواء كانت اسمية (Nominal) مثل الجنس، ونوع العلاج، والتشخيص الطبي، أو ترتيبية (Ordinal) مثل درجات شدة المرض ومستويات الرضا، جزءاً كبيراً من المعطيات الميدانية في العلوم النفسية، والطبية، والاجتماعية. وتتطلب هذه البيانات أساليب إحصائية تراعي طبيعتها المنفصلة وتوزيعاتها الاحتمالية المتقطعة. في الدراسات ذات العينات المحدودة، تفقد الاختبارات المقاربة (Asymptotic Tests) مثل كاي تربيع الاستقلالية (Pearson’s Chi-Square) كفاءتها ودقتها، نظراً لأن توزيع الإحصاء المحسوب ينحرف بشكل ملحوظ عن توزيع كاي تربيع النظري.

تنبع الأهمية المنهجية لاختبار فيشر الدقيق من قدرته على حساب “الاحتمال الرياضي الدقيق” (Exact Probability) لحدوث التكرارات المشاهدة في جدول التوافق في ظل افتراض صحة فرضية العدم. يلغي هذا النهج التحيز الإحصائي المرتبط بالتقريب الرياضي، ويمنع الوقوع في الأخطاء الاستدلالية التي قد تدفع الباحث إلى استنتاج وجود علاقات وهمية أو إغفال تأثيرات حقيقية. إن الحفاظ على مستوى المعنوية الفعلي (Exact Nominal Level) ومساواته بالقيمة المحددة سلفاً (مثل α = 0.05) يمنح القرارات الإحصائية المبنية على اختبار فيشر موثوقية عالية لا تضاهيها الاختبارات التقريبية في سياق العينات الصغيرة.

1.3 متى يكون اختبار فيشر هو الخيار الأمثل؟

يعد اختبار فيشر الدقيق الخيار المنهجي الأول والضروري في عدة سيناريوهات بحثية محددة ترتبط بهيكل البيانات وحجم العينة المتاحة. المعيار الأساسي لاستخدام هذا الاختبار هو انتهاك افتراضات اختبار كاي تربيع لبيرسون، وتحديداً عندما ينخفض التكرار المتوقع (Expected Frequency) في خلية واحدة أو أكثر من خلايا جدول التوافق عن خمس مشاهدات (E < 5)، أو عندما يكون الحجم الكلي للعينة صغيراً جداً (أقل من 20 إلى 40 مفردة كقاعدة عامة في الأدبيات الإحصائية).

تتجلى أهمية الاختبار في الدراسات الإكلينيكية التي تبحث في الأمراض والاضطرابات النفسية النادرة (Rare Clinical Conditions)، حيث يستحيل عملياً أو أخلاقياً جمع عينات ضخمة. كما يُعد الاختبار أداة حاسمة في التجارب الاستطلاعية والمصغرة (Pilot Studies)، والدراسات السلوكية التي تعتمد على تصميم الحالات النادرة أو تقييم الآثار الجانبية غير المتوقعة للتدخلات العلاجية. في جميع هذه الظروف، يضمن استخدام اختبار فيشر تجنب القرارات الاستدلالية الخاطئة الناتجة عن تضخم معدل الخطأ من النوع الأول أو انعدام دقة التقريبات المقاربة.

2. الأسس النظرية والرياضية لاختبار فيشر الدقيق

2.1 التوزيع فوق الهندسي (Hypergeometric Distribution)

يرتكز الاشتقاق الرياضي لاختبار فيشر الدقيق على التوزيع الاحتمالي فوق الهندسي (Hypergeometric Distribution)، وهو توزيع احتمالي متقطع يصف احتمالية الحصول على عدد معين من النجاحات في سحب عينات متتالية دون إرجاع من مجتمع محدود ومنقسم إلى فئتين. في جدول التوافق ثنائي التقسيم (2×2)، نفترض وجود متغيرين، بحيث تُمثل التكرارات في الخلايا الأربع بالرموز: a، b، c، d، ومجموع الصف الأول (a+b)، والصف الثاني (c+d)، ومجموع العمود الأول (a+c)، والعمود الثاني (b+d)، والعدد الإجمالي للعينات N = a+b+c+d.

يقوم الاختبار على افتراض محوري يُعرف باسم “ثبات الهوامش” (Fixed Marginals)، وهو ما يعني أن مجاميع الصفوف ومجاميع الأعمدة تُعد ثابتة ومعلومة مسبقاً. بموجب هذا الافتراض، تتحدد درجات الحرية في الجدول بخلية واحدة فقط؛ فبمجرد معرفة قيمة الخلية a، تتحدد قيم باقي الخلايا (b, c, d) تلقائياً عبر طرح القيمة المشاهدة من الهوامش الثابتة. تُحسب احتمالية الحصول على التوزيع المشاهد الدقيق للخلية a في ظل فرضية العدم بواسطة التوافيق الرياضية عبر المعادلة الآتية:

P = [ (a + b)! * (c + d)! * (a + c)! * (b + d)! ] / [ N! * a! * b! * c! * d! ]

حيث يمثل الرمز (!) دالة المضروب الرياضي (Factorial). توضح هذه المعادلة أن احتمال تحقق جدول معين يساوي حاصل ضرب مضاريب مجاميع الهوامش مقسوماً على حاصل ضرب مضروب حجم العينة الكلي في مضاريب قيم الخلايا الأربع الفردية. هذا البناء الرياضي المغلق يضمن حساباً احتمالياً دقيقاً ومباشراً لا يتأثر بأي تقريب دالي أو افتراض حدي.

2.2 الفرضيات الإحصائية للاختبار (Hypotheses Testing)

تخضع صياغة الفرضيات الإحصائية في اختبار فيشر الدقيق للأطر القياسية لاختبار الفرضيات، مع تركيز دقيق على طبيعة العلاقة الاحتمالية بين المتغيرين الفئويين. تُصاغ فرضية العدم (Null Hypothesis – H0) على النحو الآتي: لا يوجد ارتباط أو اعتمادية بين المتغيرين الفئويين في المجتمع الإحصائي، وتتوزع نسب التصنيف في أحد المتغيرين باستقلالية تامة عن تصنيفات المتغير الآخر، وهو ما يكافئ القول بأن نسبة الأرجحية (Odds Ratio) تساوي واحداً صحيحاً (OR = 1).

في المقابل، تُصاغ الفرضية البديلة (Alternative Hypothesis – H1) بطريقتين تبعاً لأهداف البحث وطبيعة التوقعات النظرية المسبقة:

• الفرضية البديلة ثنائية الاتجاه (Two-tailed / Two-sided): تفترض وجود ارتباط دال إحصائياً بين المتغيرين دون تحديد اتجاه الارتباط (أي أن نسبة الأرجحية لا تساوي 1: OR ≠ 1). تُستخدم هذه الفرضية في معظم الأبحاث الاستكشافية والمقارنات العامة.
• الفرضية البديلة أحادية الاتجاه (One-tailed / One-sided): تفترض وجود ارتباط في اتجاه محدد سلفاً، كأن يُتوقع أن تكون احتمالية التحسن لدى متلقي العلاج الجديد أعلى بشكل دال من المجموعة الضابطة (أي أن OR > 1 أو OR < 1). يتطلب استخدام الاختبار أحادي الاتجاه مبررات نظرية وتجريبية صارمة تسبق مرحلة جمع البيانات.

2.3 مفهوم القيمة الاحتمالية الدقيقة (Exact P-value)

لا تقتصر القيمة الاحتمالية الدقيقة (Exact P-value) في اختبار فيشر على حساب احتمال الجدول المشاهد فحسب، بل تُعرّف رياضياً بأنها مجموع احتمالات الجدول المشاهد مضافاً إليه احتمالات جميع الجداول المحتملة الأخرى التي تمتلك نفس الهوامش الثابتة وتكون مساوية له في الاحتمال أو أكثر تطرفاً (More Extreme) في الاتجاه المعاكس لفرضية العدم.

في الاختبار ثنائي الاتجاه، يتم توليد كافة التشكيلات الممكنة للجدول التي تحافظ على مجاميع الهوامش، ويتم حساب الاحتمال الفوق الهندسي لكل جدول، ثم تجمع احتمالات الجداول التي يقل احتمالها عن أو يساوي احتمال الجدول المشاهد فعلياً. يختلف هذا الأسلوب جوهرياً عن القيمة الاحتمالية المقاربة (Asymptotic P-value) الناتجة عن اختبار كاي تربيع، والتي تُشتق من المساحة تحت المنحنى التوزيعي المستمر. يترتب على هذا الاختلاف أن اختبار فيشر يمتلك قوة إحصائية دقيقة تمنع تضخيم الدلالة الزائفة، رغم أنه قد يتسم بنوع من التحفظ الرياضي الحتمي نتيجة الطبيعة المتقطعة للاحتمالات.

3. شروط وافتراضات تطبيق اختبار فيشر الدقيق

3.1 الاستقلالية في المعاينة وجمع البيانات

يعد افتراض استقلالية المشاهدات (Independence of Observations) شرطاً أساسياً لا يمكن تجاوزه عند تطبيق اختبار فيشر الدقيق. يقتضي هذا الشرط أن يتم جمع البيانات عبر معاينة احتمالية مستقلة، بحيث لا يؤثر وجود أو تصنيف أي مفردة داخل العينة على تصنيف المفردات الأخرى. يجب أن يُمثل كل فرد أو وحدة تجريبية في خلية واحدة فقط من خلايا جدول التوافق، مما يستبعد تصنيف المفردة الواحدة في فئات متعددة في آن واحد.

ينعكس هذا الشرط منهجياً في حظر تطبيق اختبار فيشر على البيانات المترابطة أو التصاميم المكررة (Repeated Measures)، مثل قياس استجابة نفس المرضى قبل وبعد تطبيق برنامج تدخلي، أو دراسات الأزواج المتقابلة (Matched Pairs). إن وجود أي ارتباط داخلي (Intraclass Correlation) أو تداخل بين المشاهدات يؤدي إلى خرق بنية التوزيع فوق الهندسي، مما يجعل نتائج الاختبار باطلة إحصائياً، وفي مثل هذه الحالات التصميمية يجب اللجوء إلى اختبارات مخصصة للعينات المترابطة مثل اختبار ماكنيمار (McNemar’s Test).

3.2 طبيعة المتغيرات وجداول التوافق

يتطلب اختبار فيشر الدقيق في صيغته الأساسية أن تكون المتغيرات قيد الدراسة متغيرات فئوية ثنائية التقسيم (Binary / Dichotomous Variables)، مما ينتج جدول توافق من النوع (2×2). يتضمن كل متغير مستويين حصريين وشاملين (Mutually Exclusive and Exhaustive Categories)، مثل: مصاب / غير مصاب، ناجح / راسب، تلقى التدخل / تلقى علاجاً وهمياً.

على الرغم من أن الاختبار الكلاسيكي طور للجداول الثنائية، إلا أنه يمكن تعميمه بنجاح ليشمل الجداول المتعددة من النوع (r × c)، حيث يمثل r عدد الصفوف و c عدد الأعمدة، وذلك باستخدام الامتدادات الخوارزمية الحديثة. ويشترط في هذه الجداول المتعددة أن تكون الفئات محددة بوضوح لا لبس فيه، وألا تتداخل المعايير التصنيفية، مع مراعاة أن التعقيد الحسابي يزداد بشكل أسي مع زيادة عدد الخلايا في الجدول.

3.3 حجم التكرارات المتوقعة والتكرارات المشاهدة

تتمحور المبررات الرياضية لاستخدام اختبار فيشر حول حجم التكرارات المتوقعة والمشاهدة داخل الجدول. تاريخياً، أرست “قاعدة كوتكران” (Cochran’s Rule) المعيار القياسي لتقييم كفاءة اختبار كاي تربيع، والتي تنص على أنه إذا كان التكرار المتوقع في أكثر من 20% من خلايا الجدول يقل عن 5، أو إذا كان أي تكرار متوقع يقل عن 1، فإن التقريب المقارب لكاي تربيع يصبح غير صالح، ويصبح اختبار فيشر الدقيق هو البديل الإلزامي.

يتعامل اختبار فيشر بكفاءة استثنائية مع الخلايا التي تحتوي على تكرارات صفرية مشاهَدة (Zero Cells)، وهي الحالات التي تشكل عائقاً رياضياً للاختبارات المقاربة ولحسابات نسب الأرجحية القياسية. أما من حيث الحدود القصوى لحجم العينة، فبينما كان الاختبار يقتصر تاريخياً على العينات الصغيرة بسبب صعوبة الحسابات اليدوية لمضاريب الأعداد الكبيرة، فإن الخوارزميات الحاسوبية الحديثة المدمجة في حزم برمجية مثل Stata جعلت تطبيق الاختبار ممكناً وسريعاً للعينات المتوسطة والكبيرة، مع بقاء التوصية باستخدامه خصيصاً عندما تكون أحجام العينات صغيرة إلى متوسطة وموزعة بشكل غير متكافئ.

4. المقارنة المنهجية بين اختبار كاي تربيع واختبار فيشر الدقيق

4.1 أوجه التشابه والاختلاف الوظيفي

يشترك اختبار كاي تربيع للاستقلالية واختبار فيشر الدقيق في الهدف العلمي والمنهجي النهائي؛ إذ يسعى كلاهما إلى فحص فرضية العدم القائلة باستقلالية متغيرين فئويين وعدم وجود ارتباط ذي دلالة إحصائية بينهما. يطبق كلا الاختبارين على نفس البنية الهيكلية للبيانات المتمثلة في جداول التوافق، ويُستخدمان لتقديم أدلة وقرارات إحصائية تدعم أو تدحض الفرضيات البحثية في العلوم المختلفة.

ومع ذلك، يكمن الاختلاف الوظيفي الجوهري في الميكانيزم الإحصائي لحساب الدلالة؛ فاختبار كاي تربيع يعتمد على مقارنة الفروق بين التكرارات المشاهدة (Observed) والتكرارات المتوقعة (Expected) وتحويلها إلى قيمة إحصائية مقاربة تتبع توزيع كاي تربيع المستمر بدرجات حرية محددة: (r-1)(c-1). في المقابل، يتجاهل اختبار فيشر هذا التقريب المستمر، ويقوم بحساب الدالة الاحتمالية الدقيقة مباشرة عبر التوافيق ونظرية التوزيع فوق الهندسي، مما يجعله محصناً ضد تشوهات التوزيع الناتجة عن تباين وصغر أحجام الخلايا.

4.2 مقارنة الأداء الإحصائي وقوة الاختبار (Statistical Power)

تُعد قضية “التحفظ الإحصائي” (Conservatism) من أبرز الموضوعات المنهجية التي تناولتها أدبيات الإحصاء المقارن عند تقييم اختبار فيشر الدقيق. نظراً لأن المتغير التوزيعي متقطع بطبيعته، فإن القيمة الاحتمالية الفعلية لاختبار فيشر غالباً ما تكون أقل من أو تساوي المستوى الاسمي (α = 0.05)، مما يعني أن الاختبار يميل إلى أن يكون محافظاً بدرجة طفيفة، مما قد يؤدي في بعض العينات شديدة الصغر إلى خفض نسبي في القوة الإحصائية (Statistical Power) للاختبار، وزيادة احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error).

لمعالجة الفجوة بين الاختبارين، اقترح الإحصائي فرانك ييتس “تعديل ييتس للاستمرارية” (Yates’ Continuity Correction) على اختبار كاي تربيع، والذي يقوم بطرح 0.5 من القيمة المطلقة للفرق بين التكرار المشاهد والمتوقع للتقريب من نتائج فيشر. ومع ذلك، أثبتت الدراسات المقارنة المتقدمة أن تصحيح ييتس قد يبالغ في التحفظ أحياناً، ويظل اختبار فيشر الدقيق هو المعيار الذهبي المفضل نظرياً ورياضياً لأنه يعتمد على الحساب الدقيق المباشر لتوزيع المعاينة الفعلي دون اللجوء لتعديلات تقريبية مصطنعة.

4.3 معايير الاختيار بين الاختبارين في البحث العلمي

يتطلب اتخاذ قرار منهجي رصين بالمفاضلة بين اختبار كاي تربيع واختبار فيشر الدقيق اتباع خوارزمية استدلالية واضحة تستند إلى فحص جدول البيانات وتكراراته المتوقعة. يُلخص المسار المنهجي للاختيار في الخطوات المنطقية التالية:

• الخطوة الأولى: فحص حجم العينة الكلي (N) والتكرارات المشاهدة في جدول التوافق؛ إذا كان الحجم الكلي للعينة N < 20، يُعتمد اختبار فيشر الدقيق حصرياً ومباشرة.
• الخطوة الثانية: إذا كان N يتراوح بين 20 و 40، يتم فحص التكرارات المتوقعة في جميع الخلايا. إذا كان أي تكرار متوقع أقل من 5 (E < 5)، يتم اختيار اختبار فيشر الدقيق.
• الخطوة الثالثة: في الجداول التي يتجاوز فيها حجم العينة N > 40، يتم اللجوء لاختبار كاي تربيع شريطة أن تحقق 80% على الأقل من الخلايا تكراراً متوقعاً يساوي 5 أو أكثر، مع عدم وجود أي خلية بتكرار متوقع يقل عن 1. وفي حال انتهاك هذه القاعدة، يجب التحول فوراً إلى اختبار فيشر الدقيق.

توصي المعايير الأكاديمية الصادرة عن جمعية علم النفس الأمريكية (APA) ومحرري المجلات الطبية الرصينة بضرورة توثيق وتبرير اختيار اختبار فيشر في قسم المنهجية، مع الإشارة الصريحة إلى انخفاض التكرارات المتوقعة أو محدودية العينة كمسوغ علمي لاستخدام الاختبار الدقيق.

5. إعداد وتجهيز برنامج Stata للتحليل الإحصائي

5.1 التعرف على واجهة أوامر Stata وبيئة العمل

يُعد برنامج Stata بيئة برمجية وإحصائية رائدة تتميز بالجمع الفريد بين واجهة الأوامر التفاعلية (Command Window)، والقوائم المنسدلة المرئية، والقدرات المتقدمة لمعالجة وتحليل البيانات المجدولة. تتألف واجهة البرنامج الأساسية من نافذة النتائج (Results Window) التي تعرض المخرجات والجداول الإحصائية، ونافذة الأوامر التي يكتب فيها الباحث التعليمات مباشرة، ونافذة مراجعة الأوامر التاريخية (Review/History)، ونافذة المتغيرات والخصائص (Variables and Properties Windows).

لضمان أعلى درجات الشفافية العلمية وقابلية التكرار (Replicability) في التحليل الإحصائي، يوصى دائماً بتنفيذ كافة خطوات إدارة البيانات والتحليلات عبر ملفات الأوامر الدفعية المخصصة والمعروفة باسم ملفات (Do-files). تتيح هذه الملفات حفظ تسلسل الأوامر وتوثيقها بدقة. كما ينبغي تدشين كل جلسة تحليلية بفتح ملف سجل (Log file) عبر الأمر المباشر لتوثيق الجلسة، مما يضمن أرشفة وتخزين جميع المخرجات النصية والجداول الناتجة للرجوع إليها لاحقاً وتضمينها في التقارير العلمية.

5.2 بناء وترميز المتغيرات الفئوية في Stata

قبل الشروع في تطبيق اختبار فيشر الدقيق، يجب التأكد من سلامة ترميز وتوصيف المتغيرات الفئوية داخل بيئة Stata. عند استيراد البيانات من مصادر خارجية مثل ملفات Excel أو ملفات CSV، غالباً ما تستورد المتغيرات الفئوية بصيغة نصوص (String Variables)، وهي صيغة لا تقبل التحليل المباشر في العديد من أوامر الجداول التوافقية المتقدمة ما لم تُعالج بطريقة صحيحة.

يتطلب الإعداد السليم للبيانات تحويل المتغيرات النصية إلى متغيرات عددية فئوية وتطبيق التسميات الوصفية عليها (Value Labels) لتسهيل قراءة الجداول الناتجة. تتم هذه الإجراءات عبر تطبيق منظومة من الأوامر القياسية في Stata؛ حيث يتم أولاً إنشاء تعريف للتسميات عبر استخدام الأمر:

label define treatlbl 0 “Control” 1 “Intervention”

ثم يتم ربط هذا التعريف بالمتغير الفعلي باستخدام الأمر:

label values treatment treatlbl

كما ينبغي فحص مصفوفة البيانات بدقة للتأكد من خلوها من القيم الشاذة، والتعامل مع القيم المفقودة (Missing Values) التي يرمز لها في Stata بنقاط عددية (.)، لضمان عدم إدراجها كفئات تحليلية مستقلة تشوه جداول التوافق.

5.3 الأوامر الأساسية لجداول التوافق في Stata

يوفر برنامج Stata منظومة ثرية من الأوامر المخصصة لبناء وفحص الجداول التوافقية المتقاطعة (Cross-tabulations). يمثل الأمر الأساسي tabulate (والذي يمكن اختصاره إلى tab) الركيزة الأولى لاستكشاف التوزيعات التكرارية المشتركة بين المتغيرات. عند كتابة الأمر بصيغته الثنائية المبسطة يولد البرنامج جدولاً توافقياً يعرض التكرارات المشاهدة المطلقة والمجاميع الهامشية.

لفحص الافتراضات الإحصائية وحساب النسب التوزيعية، يدعم أمر tabulate مجموعة واسعة من الخيارات التكميلية المهمة التي تضاف بعد الفاصلة، ومنها:

• الخيار row: لعرض النسب المئوية المحسوبة أفقياً على مستوى الصفوف.
• الخيار col: لعرض النسب المئوية المحسوبة رأسياً على مستوى الأعمدة.
• الخيار cell: لعرض النسبة المئوية لكل خلية من المجموع الكلي للجدول.
• الخيار expected: لعرض التكرارات المتوقعة داخل كل خلية، وهو خيار جوهري للتحقق من قاعدة كوتكران ورصد الخلايا التي تقل تكراراتها المتوقعة عن 5 قبل اتخاذ القرار النهائي بتطبيق اختبار فيشر.

6. إجراء اختبار فيشر الدقيق باستخدام الجداول الفورية (tabi)

6.1 بنية وصيغة الأمر الفوري tabi في Stata

يتميز برنامج Stata بميزة استثنائية تُعرف باسم “الأوامر الفورية” (Immediate Commands)، وهي أوامر تسمح للباحث بإجراء التحليلات الإحصائية المتقدمة مباشرة بإدخال الأرقام الموجزة أو التكرارات التلخيصية دون الحاجة إلى وجود قاعدة بيانات محملة في ذاكرة البرنامج. يُعد الأمر tabi (Tabulate Immediate) هو الصيغة الفورية المخصصة للجداول التوافقية واختبار فيشر الدقيق.

تعتمد البنية البنائية لأمر tabi على إدخال أرقام خلايا الجدول بالتتابع من اليسار إلى اليمين للصف الأول، ثم الفصل بين الصفوف باستخدام الخط المائل العكسي ()، متبوعاً بأرقام خلايا الصف الثاني، ثم إضافة الخيارات التحليلية بعد الفاصلة. تأخذ الصيغة العامة للأمر الشكل التالي:

tabi a b c d, exact

حيث تمثل a و b تكرارات خلايا الصف الأول، وتمثل c و d تكرارات خلايا الصف الثاني. وتُعد هذه الخاصية بالغة النفع والأهمية لمراجعة النتائج المنشورة في المقالات العلمية أو التحقق السريع من الفرضيات دون تكبد عناء إدخال البيانات الفردية للمفحوصين في ملف بيانات مستقل.

6.2 تطبيق عملي خطوة بخطوة على جدول 2×2

لتوضيح التطبيق العملي الفوري، نفترض سيناريو دراسة نفسية سريرية استطلاعية تهدف إلى مقارنة مدى فاعلية برنامج للعلاج المعرفي السلوكي في خفض أعراض الرهاب الاجتماعي لدى عينة صغيرة قوامها 24 مريضاً موزعين بين مجموعتين (مجموعة تلقت العلاج المعرفي السلوكي، ومجموعة ضابطة تلقت علاجاً معتاداً). أظهرت النتائج أن 9 من أصل 12 مريضاً في المجموعة العلاجية حققوا تعافياً ملحوظاً، بينما حقق 3 فقط من أصل 12 في المجموعة الضابطة هذا التعافي.

لتنفيذ اختبار فيشر الدقيق على هذه المعطيات داخل برنامج Stata، يكتب الباحث في نافذة الأوامر الصيغة الفورية الآتية:

tabi 9 3 3 9, exact

بمجرد الضغط على مفتاح الإدخال (Enter)، يقوم البرنامج بتوليد جدول التوافق 2×2 متضمناً الهوامش المشاهدة، ويعرض أسفل الجدول مباشرة القيمة الاحتمالية الدقيقة المحسوبة بناءً على التوزيع فوق الهندسي، متضمنة كلاً من الاحتمال أحادي الاتجاه (One-sided P-value) والاحتمال ثنائي الاتجاه (Two-sided P-value).

6.3 إضافة خيارات متقدمة مع الأمر tabi

يتيح الأمر الفوري tabi في Stata دمج العديد من الخيارات المنهجية في سطر أوامري واحد للحصول على صورة تشخيصية متكاملة لبيانات الجدول. يمكن للباحث الجمع بين اختبار كاي تربيع واختبار فيشر وفحص التكرارات المتوقعة والنسب المئوية للصفوف في آن واحد عبر توسيع الخيارات الملحقة بالأمر.

تتم كتابة الأمر المتقدم على النحو الآتي:

tabi 9 3 3 9, exact chi2 expected row

يقدم هذا الأمر مخرجات تفصيلية تعرض في كل خلية كلاً من التكرار المشاهد الفعلي، والتكرار المتوقع الرياضي، والنسبة المئوية للاستجابة داخل كل مجموعة، متبوعة بالنتائج المقارنة بين إحصاء كاي تربيع التقريبي واختبار فيشر الدقيق. تساعد هذه المخرجات الشاملة الباحث في تقييم مدى تأثير انخفاض التكرارات على انحراف كاي تربيع وتبرير الاعتماد النهائي على القيمة الاحتمالية الدقيقة لفيشر في اتخاذ القرارات البحثية الرصينة.

7. إجراء اختبار فيشر الدقيق باستخدام مجموعات البيانات المحملة (tabulate)

7.1 بنية الأمر tabulate مع خيار exact

عند التعامل مع دراسات ميدانية مسجلة ومخزنة في ملف بيانات كامل بصيغة Stata المعتمدة (.dta)، يتم تنفيذ اختبار فيشر الدقيق باستخدام الأمر الأساسي tabulate متبوعاً باسمي المتغيرين المستقل والتابع، مع إضافة الخيار الإحصائي exact بعد الفاصلة. تأخذ الصيغة النموذجية للأمر الشكل التالي:

tabulate treatment outcome, exact

كما يدعم برنامج Stata إجراء الاختبار على البيانات التلخيصية التي تحتوي على متغير يمثل التكرار الوزني (Frequency Weight) عبر استخدام لاحقة الأوزان المعتمدة. إذا كانت البيانات منظمة في ثلاثة أعمدة تمثل: متغير العلاج، متغير الاستجابة، ومتغير التكرار العددي (count)، فإن صيغة الأمر تنفذ على النحو الآتي:

tabulate treatment outcome [fweight = count], exact

تضمن هذه المرونة البرمجية معالجة مجموعات البيانات سواء كانت ممثلة في صورة قيود فردية للمفحوصين (Microdata) أو في صورة بيانات مجمعة وموزونة دون الإخلال بدقة الحساب الإحصائي للتوزيع فوق الهندسي.

7.2 تطبيق عملي تطبيقي من واقع بيانات نفسية سريرية

لتطبيق الإجراء على قاعدة بيانات واقعية، نفترض أن الباحث قام بتحميل ملف بيانات سريرية يحمل الاسم (clinical_trial.dta) يحتوي على بيانات عينة من مرضى الاكتئاب المقاوم للعلاج، ويشتمل على متغيرين ثنائيين: الأول يمثل نوع التدخل العلاجي (treatment: 1 = دواء تجريبي جديد، 0 = دواء قياسي)، والثاني يمثل حدوث هجوع سريري تام بعد 8 أسابيع (remission: 1 = نعم، 0 = لا). تتألف العينة الكلية من 30 مريضاً، بواقع 15 مريضاً في كل ذراع علاجي.

يقوم الباحث أولاً باستكشاف توزيع البيانات عبر تنفيذ الأمر:

tabulate treatment remission, expected

إذا أظهرت النتائج أن بعض الخلايا تحتوي على تكرارات متوقعة تقل عن 5 (مثلاً: حدوث الهجوع لدى مريضين فقط في المجموعة القياسية مقابل 8 في المجموعة التجريبية)، فإن التحول لاختبار فيشر يصبح واجباً منهجياً. يتم تنفيذ الاختبار عبر الأمر:

tabulate treatment remission, exact row

يعرض البرنامج مخرجات الجدول المتقاطع متضمنة نسب الشفاء داخل كل ذراع علاجي، مرفقة بتقرير دقيق للاحتمالية الدقيقة لفيشر، مما يتيح للباحث التحقق المباشر من الفعالية السريرية للتدخل الدوائي الجديد.

7.3 التحكم في مستويات الدلالة والخيارات التكميلية

يوفر برنامج Stata مرونة واسعة لإضافة اختبارات تشخيصية وتكميلية متزامنة مع اختبار فيشر الدقيق لتحسين جودة التحليل واستخراج مؤشرات استدلالية إضافية. يمكن للباحث دمج اختبار فيشر مع مقاييس الارتباط الفئوية والخيارات التنسيقية المتقدمة عبر توسيع صيغة الأمر:

tabulate treatment remission, exact all

حيث يوجه الخيار all البرنامج لحساب كافة المؤشرات المتاحة لجداول التوافق بما فيها كاي تربيع، ومعامل فاي، ومعامل كرامر، ومؤشرات الارتباط الترتيبي إن وجدت.

علاوة على ذلك، يتيح Stata تخزين القيم الإحصائية الناتجة عن اختبار فيشر في الذاكرة المؤقتة للبرنامج (r-class returns). بعد تنفيذ الأمر، يمكن للباحث استعراض المؤشرات المخزنة عبر كتابة الأمر:

return list

تظهر هذه الميزة قيم الاحتمال الدقيق مخزنة تحت أسماء محددة مثل r(p_exact) للاحتمال ثنائي الذيل و r(p1_exact) للاحتمال أحادي الذيل، مما يمكن الباحث من استخدام هذه القيم في كتابة برمجيات آلية (Scripts) أو استخراجها برمجياً إلى جداول ونصوص منسقة بصورة تلقائية.

8. تطبيق اختبار فيشر على جداول أكبر من 2×2 (r × c Tables) في Stata

8.1 الامتداد الخوارزمي لاختبار فيشر-فريمان-هالتون (Freeman-Halton Extension)

عندما تتجاوز جداول التوافق البعد الثنائي الكلاسيكي (2×2) لتشمل أبعاداً متعددة مثل (2×3)، أو (3×3)، أو عموماً (r × c)، فإن الحساب اليدوي للتوزيع فوق الهندسي يصبح مستحيلاً عملياً نتيجة الانفجار التوافقي الهائل في عدد التشكيلات الممكنة للجدول التي تحافظ على مجاميع الهوامش الثابتة. لتجاوز هذه العقبة الرياضية، طور الباحثان فريمان وهالتون (Freeman & Halton, 1951) امتداداً خوارزمياً متقدماً يعرف باسم “اختبار فيشر-فريمان-هالتون الدقيق” (Fisher-Freeman-Halton Test).

يقوم هذا الامتداد على تعميم معادلة التوزيع فوق الهندسي متعدد المتغيرات (Multivariate Hypergeometric Distribution)، حيث يتم حساب احتمالية الحصول على مصفوفة التكرارات المشاهدة في جدول متعدد الخلايا، ثم تجميع احتمالات كافة المصفوفات والتباديل التوافقية الممكنة التي تمتلك نفس هوامش الصفوف والأعمدة المشاهدة ويكون احتمال حدوثها مساوياً أو أقل من احتمال المصفوفة الأصلية المشاهدة. يتطلب هذا الحساب قدرات معالجة حاسوبية فائقة تقوم بيئة Stata بتنفيذها بكفاءة عبر خوارزميات شبكية ومسارات تبادلية محسنة بمجرد تفعيل الخيار exact للجداول المتعددة.

8.2 خطوات التنفيذ العملي لجدول 2×3 أو 3×3 في Stata

لتطبيق اختبار فيشر الدقيق على الجداول المتعددة في Stata، نفترض دراسة نفسية تبحث في العلاقة بين ثلاثة أنماط مختلفة من العلاج النفسي (العلاج المعرفي السلوكي، العلاج التحليلي الديناميكي، العلاج بالقبول والالتزام) ومستوى شدة القلق بعد العلاج مقاساً في ثلاث فئات ترتيبية (منخفض، متوسط، مرتفع) لدى عينة استطلاعية قوامها 27 مريضاً.

تتم معالجة وتنفيذ هذا الجدول المتعدد ذي البعد (3×3) في Stata بكتابة الأمر المباشر التالي:

tabulate therapy_type anxiety_level, exact

يقوم برنامج Stata في هذه الحالة بتشغيل خوارزمية فيشر-فريمان-هالتون، ويظهر في نافذة المخرجات جدول التوافق المتعدد متبوعاً بقيمة احتمالية واحدة تمثل “Fisher’s exact =” وهي القيمة الدقيقة ثنائية الاتجاه الدالة على مدى استقلالية أو ارتباط المتغيرين عبر جميع المستويات التصنيفية.

في الحالات التي تكون فيها العينات كبيرة نسبياً داخل الجداول المتعددة، قد يستهلك الحساب التوافقي الدقيق وقتاً طويلاً، مما يدفع Stata إلى إظهار مؤشر المعالجة الحاسوبية في أسفل الشاشة. يوفر البرنامج خوارزميات محاكاة مونت كارلو التباديلية كخيار بديل وسريع لتقدير القيمة الدقيقة بدقة متناهية وفترات ثقة إحصائية محكمة.

8.3 المقارنات البعدية للجداول متعددة الخلايا (Post-hoc Subgroup Analysis)

عندما تسفر نتيجة اختبار فيشر-فريمان-هالتون في جدول متعدد الأبعاد (r × c) عن دلالة إحصائية عامة (Omnibus Significance) برفض فرضية العدم (p < 0.05)، فإن هذه النتيجة تشير فقط إلى وجود ارتباط عام بين المتغيرين دون تحديد أي أزواج المقارنات أو أي الخلايا النوعية هي المسؤولة تحديداً عن هذا الأثر الملحوظ. يتطلب هذا الموقف المنهجي إجراء “مقارنات بعدية زوجية” (Post-hoc Pairwise Comparisons) لتقصي الفروق بدقة.

تتمثل الاستراتيجية المنهجية لإجراء المقارنات البعدية في تجزئة الجدول الكبير إلى سلسلة من الجداول الفرعية الثنائية ذات البعد (2×2)، وتطبيق اختبار فيشر الدقيق على كل زوج من المجموعات بصورة مستقلة. ومع ذلك، يؤدي إجراء اختبارات دلالة متعددة ومتكررة على نفس البيانات إلى تضخم خطأ المعاينة التراكمي من النوع الأول (Familywise Error Rate). ولمنع هذا التضخم الزائف للدلالة، يجب تطبيق أساليب ضبط الدلالة المعيارية، وأبرزها “تصحيح بونفيروني” (Bonferroni Correction)، والذي يقضي بقسمة مستوى الدلالة الاسمي (α = 0.05) على عدد المقارنات الزوجية المنجزة (k)، ليصبح معيار الدلالة الجديد هو α_adjusted = α / k.

يمكن أتمتة هذه المقارنات في Stata باستخدام حلقات برمجية بسيطة أو أوامر تصفية شرطية (if conditions) مثل:

tabulate therapy_type anxiety_level if inlist(therapy_type, 1, 2), exact

متبوعاً بمقارنة المجموعات (1 مقابل 3) ثم (2 مقابل 3)، وتفسير القيم الاحتمالية الناتجة بناءً على العتبة المعدلة لتفادي الوقوع في التعميمات الخاطئة.

9. تفسير وقراءة مخرجات اختبار فيشر الدقيق في Stata

9.1 تشريح جدول المخرجات الأساسي في Stata

يقدم برنامج Stata مخرجات واضحة ومنظمة عند تنفيذ اختبار فيشر الدقيق تدمج بين الوصف التكراري للبيانات والاستدلال الاحتمالي المباشر. يتألف الجزء العلوي من المخرجات من جدول التوافق المتقاطع، حيث تُمثل الصفوف مستويات المتغير الأول وتُمثل الأعمدة مستويات المتغير الثاني، وتعرض كل خلية التكرار المشاهد الفعلي، مع سطر وعمود خاصين بالمجاميع الهامشية (Total).

في الجزء السفلي من المخرجات، يقدم البرنامج قسماً مخصصاً للاختبارات الدقيقة تحت عنوان “Fisher’s exact”، ويتضمن عادةً قيمتين أساسيتين للاحتمالية:

• السطر الأول (One-sided Fisher’s exact): ويعرض القيمة الاحتمالية لاختبار فيشر أحادي الاتجاه (أحادي الذيل).
• السطر الثاني (Two-sided Fisher’s exact): ويعرض القيمة الاحتمالية لاختبار فيشر ثنائي الاتجاه (ثنائي الذيل).

يتعين على الباحث التمييز الدقيق بين هاتين القيمتين بناءً على الفرضيات المصاغة في خطة البحث المسبقة، والامتناع التام عن الانتقاء العشوائي للقيمة ذات الدلالة الأعلى دون مبرر نظري يسبق جمع البيانات وتحليلها.

9.2 تفسير القيمة الاحتمالية ثنائية الذيل (Two-sided Fisher’s Exact Test)

تُمثل القيمة الاحتمالية ثنائية الذيل (Two-sided P-value) في مخرجات Stata المعيار الافتراضي والأساسي لمعظم الدراسات العلمية الرصينة. تُفسر هذه القيمة بمقارنتها مباشرة بمستوى الدلالة المعنوية المحدد سلفاً في الأدبيات السلوكية والطبية (غالباً α = 0.05). إذا كانت القيمة الاحتمالية المعروضة أمام “Two-sided” أصغر من أو تساوي 0.05 (p ≤ 0.05)، فإن الباحث يتخذ قراراً إحصائياً صريحاً برفض فرضية العدم (Reject H0) وقبول الفرضية البديلة، مما يعني وجود ارتباط دال إحصائياً بين المتغيرين الفئويين في المجتمع الأصلي.

على النقيض من ذلك، إذا تجاوزت القيمة الاحتمالية ثنائية الذيل عتبة 0.05 (p > 0.05)، فإن القرار الإحصائي يكون “الفشل في رفض فرضية العدم” (Fail to reject H0). يُفسر هذا القرار علمياً بعدم توفر أدلة تجريبية كافية تدعم وجود علاقة ارتباطية ذات دلالة بين المتغيرين عند مستوى الثقة المعتمد، مع التأكيد المنهجي على أن عدم رفض فرضية العدم لا يعني بالضرورة إثبات صحتها التامة، بل يعكس في كثير من الأحيان محدودية القوة الإحصائية الناتجة عن صغر حجم العينة المدروسة.

9.3 تفسير القيمة الاحتمالية أحادية الذيل (One-sided Fisher’s Exact Test)

تُعبر القيمة الاحتمالية أحادية الذيل (One-sided P-value) عن احتمالية الحصول على تكرارات تتطابق مع الجدول المشاهد أو تفوقه تطرفاً في “اتجاه محدد سلفاً” يفترض تفوق فئة معينة على أخرى. تظهر هذه القيمة في Stata تحت مسمى “One-sided Fisher’s exact”.

يتطلب الاعتماد على الاختبار أحادي الذيل في العلوم السلوكية والنفسية شروطاً ابستمولوجية صارمة؛ حيث يجب أن تكون الفرضية التوجيهية مبنية على تراكم نظري قوي أو دراسات إكلينيكية سابقة تثبت أن التأثير لا يمكن أن يحدث إلا في اتجاه واحد فقط (مثل افتراض أن التدخل الدوائي الجديد سيؤدي حتماً إلى خفض الأعراض مقارنة بالدواء الوهمي). يحذر المنهجيون من اللجوء إلى الاختبار أحادي الذيل لمجرد تحويل نتيجة غير دالة ثنائياً إلى نتيجة دالة؛ حيث يُعد ذلك نوعاً من التحيز الاستدلالي (Data Dredging) الذي يقوض مصداقية البحث العلمي.

10. قياس حجم الأثر وفترات الثقة المرافقة في Stata

10.1 حساب نسبة الأرجحية (Odds Ratio) في Stata

لا تكتمل المعالجة الإحصائية الرصينة للبيانات الفئوية بمجرد تقرير الدلالة الإحصائية وقيمة p؛ إذ تؤكد المعايير الدولية للتحليل الكمي ضرورة حساب وتقرير “حجم الأثر” (Effect Size) لتقييم الأهمية العملية والسريرية للعلاقة المكتشفة. يُعد مقياس نسبة الأرجحية (Odds Ratio – OR) هو المؤشر المعياري الأكثر استخداماً وملاءمة لجداول التوافق الثنائية (2×2).

يوفر برنامج Stata أوامر متخصصة في القياس الوبائي والإحصائي لحساب نسبة الأرجحية الدقيقة وفترات ثقتها المرافقة، ومن أبرزها الأمر المباشر لدراسات الحالات والشواهد cc (Case-Control) والأمر المخصص لدراسات الأتراب cs (Cohort Study)، بالإضافة إلى الأمر الفوري cci. لحساب نسبة الأرجحية الدقيقة لفيشر مع فترات الثقة 95% لجدول بيانات ثنائي، يكتب الأمر في Stata كالآتي:

cc outcome treatment, exact

أو بالصيغة الفورية:

cci 9 3 3 9, exact

تنتج هذه الأوامر تقريراً يتضمن حساب نسبة الأرجحية النقطية المشاهدة، متبوعة بفترة ثقة دقيقة 95% محسوبة وفق خوارزمية فيشر الدقيقة (Fisher’s Exact 95% Confidence Interval)، مما يمنح الباحث تقديراً آمناً لحجم الأثر لا يتأثر بتشوهات العينات الصغيرة.

10.2 حساب الخطر النسبي (Relative Risk) وحجم الأثر الفئوي

في التصاميم التجريبية والدراسات التتبعية المستقبلية (Prospective Cohort Studies)، يفضل العديد من الباحثين استخدام مقياس “الخطر النسبي” (Relative Risk / Risk Ratio – RR) كبديل لنسبة الأرجحية، نظراً لسهولة تفسيره الإكلينيكي المباشر الذي يعبر عن نسبة احتمالية حدوث الحدث في المجموعة المعرضة مقارنة بالمجموعة غير المعرضة. يمكن حساب الخطر النسبي الدقيق في Stata باستخدام الأمر:

cs outcome exposure, exact

بالإضافة إلى نسب الأرجحية والمخاطر، يدعم Stata حساب مقاييس حجم الأثر الفئوية الكلاسيكية المرتبطة بالارتباط التوافقي، وأبرزها معامل فاي (Phi Coefficient – φ) للجداول 2×2، ومعامل كرامر (Cramer’s V) للجداول متعددة الأبعاد (r × c). يتم استخراج هذه المعاملات مباشرة عبر دمج الخيار V مع أمر الجداول:

tabulate treatment outcome, exact V

تتراوح قيم هذه المعاملات بين 0 (انعدام الارتباط) و 1 (الارتباط التام)، وتوفر مقياساً موحداً يمكن الباحثين من مقارنة قوة الآثار عبر دراسات وعينات مختلفة.

10.3 كتابة تقارير النتائج وفق معايير APA 7th Edition

تضع جمعية علم النفس الأمريكية في دليلها الأحدث (APA 7th Edition) قواعد صارمة وواضحة لكيفية صياغة وتوثيق نتائج الاختبارات اللامعلمية والدقيقة داخل المتن البحثي والجداول الإحصائية. عند تقرير نتائج اختبار فيشر الدقيق، يجب تضمين التكرارات والنسب المئوية داخل الخلايا، وتحديد نوع الاختبار (أحادي أو ثنائي الذيل)، مع ذكر القيمة الاحتمالية الدقيقة (Exact p-value)، متبوعة بحجم الأثر المناسب (مثل Odds Ratio) وفترة الثقة المرافقة بنسبة 95%.

تُصاغ الفقرة التقريرية باللغة العربية الأكاديمية على النحو الآتي:

“أظهرت نتائج اختبار فيشر الدقيق ثنائي الذيل وجود ارتباط ذي دلالة إحصائية بين نوع التدخل العلاجي ومعدل الهجوع السريري لدى المرضى (p = .041). حقق المرضى في مجموعة العلاج المعرفي السلوكي نسبة هجوع بلغت 75% (9 من أصل 12) مقارنة بنسبة 25% فقط (3 من أصل 12) في المجموعة الضابطة، وبلغت نسبة الأرجحية الدقيقة OR = 9.00 مع فترة ثقة 95% تراوحت بين [1.32, 61.27]، مما يشير إلى أثر سريري إيجابي ومرتفع للتدخل المعرفي السلوكي.”

أما باللغة الإنجليزية، فتُصاغ النتيجة وفق النمط القياسي الآتي:

“A two-sided Fisher’s exact test indicated a statistically significant association between the treatment type and clinical remission, p = .041, OR = 9.00, 95% CI [1.32, 61.27]. Patients receiving CBT had significantly higher odds of achieving remission (75%) compared to those in the control condition (25%).”

11. تطبيقات اختبار فيشر الدقيق في البحوث النفسية والعلوم السلوكية

11.1 الدراسات الإكلينيكية والاضطرابات النادرة

يمثل اختبار فيشر الدقيق صمام الأمان المنهجي في أبحاث الطب النفسي السريري وعلم النفس المرضي التي تتقصى الاضطرابات النفسية ذات معدلات الشيوع المنخفضة في المجتمع، مثل الفصام المبكر لدى الأطفال، أو اضطراب كوتار، أو متلازمة توريت الحادة. في مثل هذه البيئات البحثية، يتعذر على الباحثين تجنيد عينات كلاسيكية تتجاوز مئات الحالات، وتقتصر العينات المتاحة على بضع عشرات من المفحوصين موزعين على مراكز متخصصة.

يتيح تطبيق اختبار فيشر في هذه السياقات فحص فاعلية التدخلات العلاجية الدوائية والسلوكية المبتكرة، وتقييم نسب الاستجابة للأدوية النفسية من الجيل الثالث، مع إدارة إحصائية متقنة للخلايا التي تحتوي على تكرارات صفرية ناتجة عن انعدام ظهور آثار جانبية محددة في إحدى المجموعات، مما يمنح الدراسات السريرية المصغرة مصداقية استدلالية تمهد الطريق للتجارب السريرية الموسعة.

11.2 دراسات الشخصية والسمات السلوكية

في ميدان علم نفس الشخصية والقياس السلوكي، يُستخدم اختبار فيشر الدقيق بكثافة لفحص الفروق النوعية في تبني استراتيجيات التأقلم (Coping Strategies)، وتفضيل الأنماط المعرفية، أو الارتباط بين سمات الشخصية المظلمة (Dark Triad) وسلوكيات المخاطرة في بيئات عمل معينة ومحدودة الحجم.

كما يبرز دور الاختبار في الدراسات السيكومترية المتقدمة عند فحص بنود الاستبيانات النفسية ثنائية الاستجابة (نعم / لا) وتقييم الأداء التفريقي للبنود (Differential Item Functioning – DIF) في العينات الصغيرة أو المجموعات الخاصة (مثل نزلاء المؤسسات العقابية أو الموهوبين ذوي الاحتياجات الخاصة). يوفر الاختبار للباحثين السيكومتريين دليلاً دقيقاً حول ما إذا كان احتمال الموافقة على بند ما يختلف بصورة دالة بين مجموعتين بعد مطابقة مستوى السمة الكامنة.

11.3 علم النفس العصبي والتشخيص المقارن

تتعامل أبحاث علم النفس العصبي (Neuropsychology) وعلم الأعصاب السلوكي مع عينات سريرية متخصصة ومصغرة جداً، كمرضى السكتات الدماغية في مناطق دماغية محددة، أو الخاضعين لجراحات فصل فصي المخ (Split-brain patients). تركز الدراسات في هذا المجال على تقييم وجود عجز إدراكي نوعي (مثل فقدان القدرة على تمييز الوجوه أو فقدان التسمية) ومقارنته بالمجموعات المعيارية.

يعد اختبار فيشر الدقيق الأداة الإحصائية المثالية لتقييم التوافق التشخيصي ودراسة جداول الاقتران بين القياسات النيوروسيكولوجية وصور الرنين المغناطيسي الوظيفي (fMRI). تضمن الصرامة الرياضية للاختبار عدم الوقوع في استنتاجات زائفة حول التخصص الوظيفي لمناطق الدماغ، وتدعم اتخاذ قرارات تشخيصية وتأهيلية دقيقة ترتكز على أسس كمية محكمة.

12. الأخطاء الشائعة واستكشاف المشكلات وحلها في Stata

12.1 أخطاء كتابة الأوامر وتنسيق البيانات

يواجه العديد من الباحثين صعوبات تقنية عند تنفيذ اختبار فيشر في Stata ترتبط بالبناء التركيبي للأوامر وتنسيق المتغيرات داخل قاعدة البيانات. من أكثر الأخطاء شيوعاً عند استخدام الأمر الفوري tabi هو الخطأ في ترتيب إدخال قيم الخلايا، مما يؤدي إلى عكس مجاميع الهوامش وتشويه نسب الأرجحية المحسوبة واتجاهات الدلالة. لتفادي ذلك، يجب تذكر أن الترتيب المعتمد دائماً هو إدخال خلايا الصف الأول من اليسار إلى اليمين، ثم وضع الخط المائل، ثم إدخال خلايا الصف الثاني.

تتمثل المشكلة التقنية الشائعة الأخرى في محاولة إجراء أمر tabulate مع الخيار exact على متغيرات مسجلة كنصوص برمجية (String format). عند حدوث ذلك، يتوقف Stata عن التنفيذ ويظهر رسالة خطأ تنص على عدم إمكانية معالجة النصوص في الاختبارات الدقيقة. يُعالج هذا الإشكال فوراً باستخدام الأمر:

encode string_var, generate(numeric_var)

والذي يقوم بإنشاء متغير عددي جديد مشفر تلقائياً مع ربط التسميات النصية كرموز وصفية، مما يتيح تنفيذ الأمر الإحصائي بسلاسة تامة.

12.2 تحديات المعالجة الحاسوبية والذاكرة (Memory & Computation Limits)

عند محاولة تطبيق اختبار فيشر الدقيق على جداول متعددة كبيرة الحجم (مثل جدول 5×5 أو جداول تحتوي على عينات تتجاوز مئات المفردات موزعة على خلايا عديدة)، قد يتوقف برنامج Stata عن العمل أو يستغرق وقتاً طويلاً جداً في المعالجة، ويصدر رسالة تحذيرية شهيرة تنص على:

“Table too large for exact calculation”

تحدث هذه المشكلة نتيجة تجاوز السعة المخصصة لحساب التوافيق الرياضية لمضاريب الأعداد الكبيرة في الذاكرة الحية. للتعامل مع هذا التحدي البرمجي، يوفر Stata حلولاً بديلة وفعالة؛ حيث يمكن استخدام خوارزمية المحاكاة التقديرية لمونت كارلو لحساب قيمة احتمالية دقيقة تجريبية عبر تكرار التباديل العشوائية لآلاف المرات، وذلك بكتابة الأمر مدعوماً بعدد التكرارات ومستوى الثقة المطلوب، أو إعادة تصنيف ودمج الفئات المتقاربة نظرياً لتقليص أبعاد الجدول المعالج.

12.3 أخطاء التفسير الإحصائي والممارسات المضللة

ترتبط أخطر المزالق البحثية في تطبيق اختبار فيشر بالقصور في الفهم والتفسير الإحصائي للنتائج. يتمثل الخطأ الأول في الوقوع في فخ “الخلط بين غياب الدلالة الإحصائية وغياب الأثر” (Confusing Absence of Evidence with Evidence of Absence). في العينات شديدة الصغر، قد تكون القيمة الاحتمالية غير دالة (p > 0.05) ليس بسبب انعدام العلاقة في الواقع، بل بسبب ضعف القوة الإحصائية (Low Statistical Power) الناجم عن محدودية العينة، مما يتطلب دائماً تفسير قيمة p جنباً إلى جنب مع فترات الثقة لنسب الأرجحية.

يتمثل الخطأ الثاني في الإفراط في الاعتماد الحصري على قيمة p وتجاهل تقرير حجم الأثر وفترات الثقة المرافقة، مما يحرم القارئ من تقدير القوة العملية للنتائج. أما الخطأ المنهجي الفادح فيتمثل في تطبيق اختبار فيشر على بيانات مترابطة أو قياسات قبلية وبعدية على نفس المفحوصين، وهو انتهاك مباشر لشرط استقلالية المشاهدات يستوجب التوقف واستخدام اختبار ماكنيمار للعينات المرتبطة.

خاتمة

يُمثل اختبار فيشر الدقيق (Fisher’s Exact Test) أحد أروع الابتكارات في تاريخ الإحصاء الاستدلالي الرياضي؛ إذ استطاع السير رونالد فيشر من خلاله تقديم حل منهجي قاطع لمعضلة العينات الصغيرة عبر تطويع التوزيع فوق الهندسي لحساب الاحتمالات الدقيقة بدلاً من الارتهان للتقريبات المقاربة. وقد استعرضنا عبر هذا الدليل الشامل الأسس النظرية والرياضية للاختبار، وشروط تطبيقه، والفروق المنهجية الجوهرية بينه وبين اختبار كاي تربيع، مع تتبع عملي دقيق لكيفية إجرائه وتفسيره في بيئة Stata الإحصائية سواء عبر الأوامر الفورية (tabi) أو أوامر مجموعات البيانات المجدولة (tabulate).

إن إتقان الباحث لإجراء اختبار فيشر وحساب حجوم الأثر المرافقة كنسب الأرجحية وفترات الثقة، والقدرة على صياغة النتائج وفق أعلى المعايير الأكاديمية (APA 7th Edition)، يشكل ركيزة أساسية لضمان نزاهة وجودة الاستدلال الإحصائي في البحوث النفسية والسريرية والسلوكية المعاصرة، ويحمي المجتمع العلمي من القرارات التفسيرية المضللة في سياق العينات النادرة والتجارب الحساسة.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0470463637
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cochran, W. G. (1954). Some methods for strengthening the common χ2 tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
• Fisher, R. A. (1935). The design of experiments. Oliver and Boyd.
• Freeman, G. H., & Halton, J. H. (1951). Note on an exact treatment of contingency, goodness of fit and other problems of significance for tabular data. Biometrika, 38(1/2), 141–149. https://doi.org/10.2307/2332323
• Long, J. S., & Freese, J. (2014). Regression models for categorical dependent variables using Stata (3rd ed.). Stata Press.
• Mehta, C. R., & Patel, N. R. (1983). A network algorithm for performing Fisher’s exact test in r × c contingency tables. Journal of the American Statistical Association, 78(382), 427–434. https://doi.org/10.1080/01621459.1983.10477989
• StataCorp. (2023). Stata base reference manual release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Yates, F. (1934). Contingency tables involving small numbers and the χ2 test. Supplement to the Journal of the Royal Statistical Society, 1(2), 217–235. https://doi.org/10.2307/2983604