الأرجحية مقابل الاحتمالية: ما هو الفرق؟

يُمثّل التمييز بين مفهومي الاحتمالية (Probability) والأرجحية أو الإمكانية (Likelihood) أحد أعمق المفاصل الإبستمولوجية والمنهجية في فلسفة الإحصاء والاستدلال العلمي. وعلى الرغم من أن الاستخدام اللغوي اليومي في مختلف اللغات يميل إلى معاملة هذين المصطلحين كمترادفين يعبّران عن درجة عدم اليقين أو فرصة وقوع الأحداث، إلا أن البناء الرياضي والمنطقي لكل منهما داخل النظرية الإحصائية ينطوي على اتجاهين متعاكسين تماماً في معالجة البيانات، وتحديد المعلمات، وتوجيه مسار الاستدلال الاستقرائي والاستنتاجي.

إن الخلط بين هذين المفهومين لا يقف عند حدود الإرباك الاصطلاحي الأكاديمي، بل يمتد ليؤسس لمغالطات جوهرية في تفسير نتائج الأبحاث التجريبية، واختبار الفرضيات، وتقدير النماذج الإحصائية المعقدة في مجالات متعددة تمتد من القياس النفسي والعلوم السلوكية إلى الذكاء الاصطناعي والتعلم الآلي. فالاحتمالية تنطلق من نموذج محدد بمعلمات مفترضة للتنبؤ بسلوك البيانات المستقبلية، في حين أن الأرجحية تنطلق من البيانات الفعلية المرصودة لتقييم مدى معقولية النماذج والمعلمات التفسيرية المختلفة.

يهدف هذا المقال الأكاديمي الموسع إلى تقديم تفكيك منهجي شامل ومفصل للفروق الرياضية، والفلسفية، والتطبيقية بين الاحتمالية والأرجحية؛ حيث نستعرض التأصيل الجبري والتكاملي لكل منهما، ومسارات الاستدلال الاستنتاجي والاستقرائي، ونماذج التقدير المعلمي الكلاسيكي والمتقدم، مع التركيز على التطبيقات في القياس النفسي والعلوم السلوكية، وتفنيد المغالطات الشائعة التي تقع في فخاخها الممارسات البحثية المعاصرة.

1. المقدمة والمدخل المفاهيمي: التمييز الأساسي بين الاحتمالية والأرجحية

1.1 تعريف الاحتمالية (Probability) وسياقها الرياضي

تُعرَّف الاحتمالية في السياق الرياضي الكلاسيكي بأنها مقياس كمي لدرجة عدم اليقين المرتبطة بوقوع حدث معين ضمن فضاء عيني محدد سلفاً، وذلك بافتراض معرفة مسبقة وثابتة بالمعلمات الحاكمة للنموذج التوليدي للبيانات (Generative Model). تنطلق الاحتمالية من أرضية رياضية صلبة قوامها بديهيات أندريه كولموغوروف (Andrey Kolmogorov)، حيث يُعيّن لكل حدث عشوائي عدد حقيقي محصور في الفترة المغلقة [0، 1].

يتطلب حساب الاحتمال تثبيت معلمات المجتمع الإحصائي (والتي نرمز لها بالرمز الإغريقي $\theta$)، ثم دراسة توزع النتائج العشوائية المتغيرة ($X$) داخل فضاء العينة ($\Omega$). ومن الشروط البنيوية المركزية لنظرية الاحتمالات أن المجموع التراكمي للاحتمالات عبر جميع الأحداث الشاملة والمتنافية في فضاء العينة المنفصل يجب أن يساوي دائماً الواحد الصحيح، أو أن التكامل الرياضي لدالة الكثافة عبر كامل فضاء العينة المتصل يساوي واحداً قطيعاً.

يتركز النشاط الاحتمالي حول الإجابة عن السؤال الاستشرافي: “بافتراض أن المعلمة الحقيقية للظاهرة هي $\theta$، ما هي فرصة توليد أو رصد النتيجة $x$ عند تكرار التجربة؟”. ولذلك، فإن الاحتمالية هي أداة تنبؤية استنتاجية (Deductive) تُستخدم قبل إجراء عملية القياس أو جمع البيانات الفعلية من الميدان، وتهدف إلى نمذجة السلوك المتوقع للظواهر العشوائية في ظل شروط نظرية مفترضة.

1.2 تعريف الأرجحية أو الإمكانية (Likelihood) ووظيفتها الاستدلالية

تمثل الأرجحية (Likelihood)، والتي يُشار إليها أحياناً في الأدبيات العربية بـ “الإمكانية”، مفهوماً استدلالياً صاغه وطوره بشكل منهجي عالم الإحصاء الشهير رونالد فيشر (Ronald A. Fisher) في عشرينيات القرن العشرين، ليكون حجر الزاوية في نظرية التقدير الاستدلالي. لا تقيس الأرجحية فرصة وقوع البيانات، بل تقيس مدى “معقولية” أو “ملاءمة” قيم افتراضية مختلفة للمعلمة $\theta$ في ضوء مجموعة محددة وثابتة من البيانات المرصودة بالفعل ($x$).

تختلف دالة الأرجحية جوهرياً عن دالة الاحتمال في بنيتها التبعية؛ إذ إنها تُعامل البيانات المحققة ($x$) كثوابت مرصودة لا تتغير، في حين تُعامل المعلمات ($\theta$) كمتغيرات مستقلة تتحرك عبر فضاء المعلمات ($Theta$). وبناءً على ذلك، فإن دالة الأرجحية ليست توزيعاً احتمالياً بالمعنى الرياضي الصارم؛ فلا يُشترط أن يكون تكاملها أو مجموع قيمها عبر فضاء المعلمات مساوياً للواحد الصحيح، بل قد يصل تكاملها إلى قيم لانهائية في بعض النماذج غير المقيدة دون أن يفقد المفهوم تماسكه الرياضي.

تُجيب الأرجحية عن التساؤل الاستقرائي الاسترجاعي: “بما أننا قمنا برصد البيانات $x$ بالفعل في واقعنا التجريبي، فما مدى الدعم التجريبي الذي توفره هذه البيانات لمختلف القيم المحتملة للمعلمة $\theta$؟”. إنها أداة مقارنة نسبية تُمكّن الباحث من تفضيل فرضية معلمية على أخرى استناداً إلى قوة الدليل المتضمن في العينة.

1.3 أهمية التمييز بين المفهومين في البحث الأكاديمي والتحليل الإحصائي

يكتسب التمييز بين الاحتمالية والأرجحية أهمية حاسمة في المنهجية العلمية والتحليل الإحصائي لعدة اعتبارات معرفية وتطبيقية؛ أولها تجنب الوقوع في التفسيرات المضللة للمخرجات الإحصائية، مثل الخلط الشائع بين القيمة الاحتمالية ($p\text{-value}$) واحتمال صحة الفرضية، أو معاملة مقدرات الأرجحية القصوى كأنها احتمالات مطلقة لصدق النماذج.

يساعد الفهم الدقيق لهذا التمايز في بناء استيعاب سليم لآليات الاستدلال الإحصائي؛ فالاحتمالية توفر الأساس النظري لبناء النماذج التوليدية ومحاكاة البيانات العشوائية (Monte Carlo Simulations)، بينما تشكل الأرجحية الأساس الحسابي لمعظم تقنيات التقدير المتقدمة، مثل تقدير الأرجحية القصوى (Maximum Likelihood Estimation – MLE)، ونمذجة المعادلات البنائية (SEM)، ونظرية الاستجابة للمفردة (IRT).

علاوة على ذلك، يُسهم هذا التمييز في توجيه الباحثين نحو تبني الاستراتيجيات المناسبة لاختبار الفرضيات؛ فالمقارنة بين النماذج المتنافسة لا تتم عبر حساب احتمالاتها المجردة بل من خلال نسب الأرجحية (Likelihood Ratios)، وهو ما يحدد بدقة مقدار تفوق نموذج على آخر في تفسير الظاهرة الملاحظة وضبط الأخطاء الاستدلالية من النوعين الأول والثاني.

2. التأصيل الرياضي: الصيغ الرياضية ودوال التوزيع

2.1 الصياغة الرياضية للاحتمالية والدوال التوزيعية

تُصاغ الاحتمالية رياضياً بالرمز $P(X = x mid \theta)$ في حالة المتغيرات العشوائية المنفصلة، أو عبر دالة الكثافة الاحتمالية $f(x mid \theta)$ في حالة المتغيرات المتصلة. في هذه الصياغة الرياضية، يقع المتغير العشوائي $X$ قبل الخط الشرطي ليعبر عن كونه العنصر المتغير المجهول، في حين تقع المعلمة $\theta$ بعد الخط الشرطي كقيمة ثابتة ومعلومة تُشترط عليها الحسابات.

في الفضاءات المنفصلة، تُعرف الدالة بدالة الكتلة الاحتمالية (Probability Mass Function – PMF)، وتخضع للبدهيات الرياضية التالية:

• $0 le P(X = x mid \theta) le 1$ لجميع قيم $x in \Omega$.
• $\sum_{x in \Omega} P(X = x mid \theta) = 1$.

أما في الفضاءات المتصلة، فإن دالة الكثافة الاحتمالية (Probability Density Function – PDF) تحقق خاصية الإيجابية اللامحدودة محلياً، مع خضوعها لشرط التكامل الأحادي العام:

• $f(x mid \theta) ge 0$ لكل $x in \mathbb{R}$.
• $\int_{-\infty}^{\infty} f(x mid \theta) , dx = 1$.

تُظهر هذه الشروط الرياضية الصارمة أن الاحتمالية تُوزع وزناً كلياً ثابتاً مقداره (1) على جميع النتائج الممكنة، مما يجعلها أداة مقيدة هندسياً بمساحة أو مجموع احتمالي محدد بدقة.

2.2 الصياغة الرياضية لدالة الأرجحية (Likelihood Function)

تُعرّف دالة الأرجحية، والتي يُرمز لها عادة بالرمز $L(\theta mid x)$ أو $\mathcal{L}(\theta; x)$، بأنها دالة رياضية تأخذ المعلمة $\theta$ كمتغير أساسي بينما تُثبت البيانات المرصودة $x$. وعلى الرغم من أن القيمة العددية لدالة الأرجحية تُحسب باستخدام نفس الصيغة التحليلية لدالة الكثافة أو الكتلة الاحتمالية، أي أن:

$$L(\theta mid x) = f(x mid \theta)$$

إلا أن المعنى التابعي يختلف جذرياً؛ فالمدخل المتغير هنا هو $\theta in \Theta$، والخرج هو مقياس لمدى ملاءمة هذه المعلمة. ولتسهيل العمليات الحسابية وتجنب المشكلات العددية المرتبطة بضرب القيم الاحتمالية المتناهية في الصغر (Underflow)، يُلجأ دائماً إلى لوغاريتم دالة الأرجحية (Log-Likelihood) ويرمز له بـ $ell(\theta)$:

$$ell(\theta mid x) = \ln L(\theta mid x) = \sum_{i=1}^{n} \ln f(x_i mid \theta)$$

عند التعامل مع نماذج متعددة المعلمات (حيث تكون $boldsymbol{\theta}$ متجهاً من المعلمات كالمتوسط والتباين مثلاً)، تتحول دالة الأرجحية إلى ما يُعرف بـ سطح الأرجحية (Likelihood Surface) في الفضاء متعدد الأبعاد، وهو سطح طوبولوجي يُدرس انحداره وتحدبه لتحديد النقاط الحرجة التي تُمثل التقديرات الأكثر ملاءمة للبيانات.

2.3 المقارنة الرياضية المباشرة بين التكامليين والخصائص الجبرية

يكمن الفارق الجبري الأكثر وضوحاً في سلوك العمليات التكاملية لكل من الدالتين عبر فضاءاتهما الخاصة. فبينما يفرض القانون الرياضي للاحتمال أن يكون تكامل دالة الكثافة عبر فضاء العينة مساوياً للواحد:

$$\int_{\Omega} f(x mid \theta) , dx = 1$$

فإن تكامل دالة الأرجحية عبر فضاء المعلمات $Theta$ ليس له قيمة مقيدة محددة، وغالباً لا يساوي الواحد:

$$\int_{\Theta} L(\theta mid x) , d\theta ne 1$$

وهذا يعني أن دالة الأرجحية لا تُنتج “مساحات احتمالية” للمعلمات. علاوة على ذلك، تتمتع دالة الأرجحية بخاصية التحويل الرتيب الثابت للقمم (Invariance under Monotonic Transformations)؛ فبما أن اللوغاريتم الطبيعي دالة تزايدية قطعية، فإن القيمة $\hat{\theta}$ التي تعظم $L(\theta mid x)$ هي ذاتها التي تعظم $ell(\theta mid x)$، وهو ما لا ينطبق دائماً على دوال التوزيع الاحتمالي عند إجراء تحويلات غير خطية على المتغيرات العشوائية، حيث يتطلب الأمر إدخال مصفوفة جاكوبي (Jacobian Determinant) لتعديل دالة الكثافة الاحتمالية.

3. اتجاه الاستدلال: الاستنتاج التنبؤي مقابل الاستقراء الاستدلالي

3.1 الاحتمالية كعملية استنتاجية من الأمام إلى الخلف (Deductive Forward-Looking)

تعمل الاحتمالية وفق المنطق الاستنتاجي التنازلي الصارم؛ حيث ينطلق الباحث من بناء نظري متكامل ومعرفة مفترضة بخصائص المجتمع الإحصائي ونموذجه الرياضي للانتقال نحو التنبؤ بالخصائص التجريبية للعينة قبل جمعها. إنها مسار معرفي يتجه “من الأمام إلى الخلف” أو “من العام إلى الخاص”.

يطرح التفكير الاحتمالي تساؤلاً مركزياً مفاده: “لو صح أن هذا المجتمع يخضع لتوزيع طبيعي بمتوسط $\mu = 100$ وانحراف معياري $\sigma = 15$، فما هو احتمال أن تسفر عينة عشوائية مكونة من 50 فرداً عن متوسط حسابي يتجاوز 105؟”. يُلاحظ هنا أن المعالم محددة سلفاً في الذهن الرياضي، والجهد موجه نحو استنباط التباين المتوقع في البيانات المستقبلية.

يُعد هذا المسار الاستنتاجي الركيزة الأساسية لتوليد البيانات التركيبية ومحاكاة النظم الديناميكية، حيث تُبرمج الخوارزميات وفق قواعد احتمالية ثابتة لتوليد سلاسل زمنية أو عينات افتراضية لدراسة سلوك النماذج الرياضية واختبار متانتها تحت شروط تجريبية متنوعة ومضبوطة بالكامل.

3.2 الأرجحية كعملية استقرائية من الخلف إلى الأمام (Inductive Backward-Looking)

على النقيض الجذري من الاحتمالية، تعمل الأرجحية كعملية استقرائية تصاعدية تتحرك “من الخلف إلى الأمام”؛ أي من الملاحظات التجريبية العينية المتوفرة بالفعل نحو استكشاف المعالم المجهولة التي قد تكون مسؤولة عن توليد هذه الملاحظات في العالم الواقعي. إنها تمثل الانتقال العلمي الرصين “من الخاص إلى العام”.

تتمحور الأرجحية حول التساؤل الاستقرائي: “لقد أجرينا القياس وحصلنا على متوسط عينة يساوي 105؛ فما هي قيم المتوسط الحقيقي للمجتمع ($\mu$) الأكثر معقولية وانسجاماً مع هذه النتيجة المحققة؟ وما هي قوة الدليل التي تجعلنا نفضل الفرضية $\mu = 104$ على الفرضية $\mu = 98$؟”. إنها تسعى إلى تفكيك شفرة الأثر التجريبي للوصول إلى المؤثر السببي أو المعلمي المولد له.

ولهذا السبب، تُمثل الأرجحية الأداة التشغيلية الكبرى في حقل الاستدلال الإحصائي؛ إذ إن معظم المعضلات العلمية في الطب، وعلم النفس، وعلم الاجتماع، والاقتصاد تبدأ ببيانات مرصودة وغير مكتملة، ويكون الهدف الأساسي للبحث العلمي هو استنتاج القوانين والمعلمات الحاكمة لتلك المجتمعات انطلاقاً من تلك العينات المحدودة.

3.3 التحول المعرفي بين البيانات الثابتة والمعلمات المفترضة

ينطوي الانتقال من الاحتمالية إلى الأرجحية على تحول إبستمولوجي عميق في تحديد ما هو “ثابت” وما هو “متغير” في المعادلة الرياضية والذهنية للباحث. ففي الفضاء الاحتمالي، تُعامل البيانات $X$ بوصفها متغيراً عشوائياً يخضع لتوزيع احتمالي، في حين تُعامل المعلمة $\theta$ بوصفها ثابتاً أنطولوجياً صلباً ومفترضاً لا يتغير أثناء الحساب.

أما عند الانتقال إلى فضاء الأرجحية، يحدث انقلاب مفاهيمي كامل: تصبح البيانات المرصودة $x$ هي الثابت الأنطولوجي النهائي الذي لا يقبل التغيير؛ لأن عملية الرصد والقياس قد تمت بالفعل وانتهت وأفرزت أرقاماً تاريخية مسجلة، في حين تصبح المعلمة $\theta$ هي المتغير الرياضي والابستمولوجي الذي يتحرك في فضاء الفرضيات الممكنة للبحث عن نقطة التوافق المثلى مع تلك البيانات الصلبة.

يؤثر هذا التحول المعرفي تأثيراً مباشراً على صياغة الفرضيات العلمية؛ إذ يُدرك الباحث أن تغيير العينة يؤدي إلى توليد دالة أرجحية جديدة تماماً للمعلمة ذاتها، مما يعزز الفهم النسبي للأدلة التجريبية ويمنع إضفاء صفة اليقين المطلق على التقديرات المعلمية الناتجة عن عينات محددة ووحيدة.

4. أمثلة توضيحية كلاسيكية: رمي العملة والتوزيعات المنفصلة

4.1 مثال رمي العملة المعدنية (Coin Toss Scenario)

يُعد نموذج رمي العملة المعدنية المثال المعياري الكلاسيكي لإبراز التباين الحاد بين مفهومي الاحتمالية والأرجحية. لنفترض أن لدينا تجربة تتضمن رمي عملة معدنية $n = 100$ مرة، ولدينا اهتمام برصد عدد مرات ظهور “الصورة” ($k$).

من منظور الاحتمالية: نفترض سلفاً أن العملة متزنة وعادلة تماماً، أي أن احتمال ظهور الصورة هو معلمة ثابتة ومعلومة $p = 0.5$. يُطرح السؤال الاحتمالي كالتالي: “ما هو احتمال الحصول على $k = 70$ صورة بالضبط في هذه الرميات المئة؟”. باستخدام صيغة التوزيع الثنائي:

$$P(K = 70 mid p = 0.5) = \binom{100}{70} (0.5)^{70} (0.5)^{30} \approx 0.000023$$

إن هذا الاحتمال ضئيل للغاية ويقترب من الصفر، مما يخبرنا بأن هذه النتيجة نادرة الحدوث جداً إذا كانت العملة عادلة بالفعل.

من منظور الأرجحية: يتغير السيناريو الواقعي؛ نحن لا نعرف ما إذا كانت العملة عادلة أم لا، لكننا أجرينا التجربة بالفعل ورصدنا حدوث $k = 70$ صورة في 100 رمية كواقعة تجريبية مسجلة. يُطرح السؤال الإمكاني: “ما هي أرجحية أن تكون العملة عادلة ($p = 0.5$) مقارنة بكونها متحيزة لصالح الصورة بقيمة ($p = 0.7$)؟”.

تُحسب أرجحية الفرضية الأولى كالتالي: $L(p = 0.5 mid k = 70) = \binom{100}{70} (0.5)^{70} (0.5)^{30} \approx 0.000023$.
بينما تُحسب أرجحية الفرضية الثانية: $L(p = 0.7 mid k = 70) = \binom{100}{70} (0.7)^{70} (0.3)^{30} \approx 0.0868$.

عند المقارنة بين القيمتين من خلال نسبة الأرجحية (Likelihood Ratio):

$$\frac{L(p = 0.7 mid k = 70)}{L(p = 0.5 mid k = 70)} = \frac{0.0868}{0.000023} \approx 3773$$

تُشير هذه النتيجة إلى أن فرضية تحيز العملة عند $p = 0.7$ هي أكثر أرجحية بـ 3773 مرة من فرضية كون العملة عادلة في ضوء البيانات المرصودة، مما يوضح كيف تقدم الأرجحية دليلاً نسبياً للمقارنة بين المعلمات وليس مجرد احتمالية حدوث مطلقة.

4.2 تطبيق التوزيع الثنائي (Binomial Distribution)

في التوزيع الثنائي العام، يُعبر عن دالة الكتلة الاحتمالية بالصيغة الرياضية:

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

عندما ننظر إلى هذه الصيغة كدالة احتمالية، فإننا نعتبر $n$ و $p$ ثوابت، ونرسم الدالة بالنسبة لجميع القيم الممكنة لـ $k in {0, 1, 2, dots, n}$. ينتج عن ذلك رسم بياني قضيبي متقطع مجموع أطوال أعمدته يساوي تماماً (1.0)، وهو ما يعبر عن التوزيع التكراري النسبي المتوقع للنجاحات في عينات مستقبلية متكررة.

أما عندما ننظر إلى نفس الصيغة كدالة أرجحية للمعلمة $p$، بعد تثبيت القيمة المرصودة للنجاحات $k$ وعدد المحاولات $n$، فإننا نكتبها على النحو التالي:

$$L(p mid k, n) = \binom{n}{k} p^k (1-p)^{n-k}, \quad p in [0, 1]$$

تصبح هذه الدالة متصلة وناعمة بالنسبة لـ $p$ عبر المجال المتصل [0, 1]. وعند رسم هذا المنحنى، نجد أن قمته القصوى تقع عند النقطة الحسابية $\hat{p} = \frac{k}{n}$. ومع ذلك، إذا قمنا بحساب التكامل الرياضي لهذه الدالة عبر المجال من 0 إلى 1:

$$\int_{0}^{1} \binom{n}{k} p^k (1-p)^{n-k} , dp = \binom{n}{k} \text{B}(k+1, n-k+1) = \frac{1}{n+1}$$

نلاحظ بوضوح أن التكامل يساوي $\frac{1}{n+1}$ ولا يساوي (1)، مما يؤكد بالبرهان الرياضي القاطع أن دالة الأرجحية لا تمثل توزيعاً احتمالياً للمعلمة $p$.

4.3 توزيع بواسون والأحداث النادرة

يُستخدم توزيع بواسون لنمذجة الأحداث النادرة التي تقع في وحدة زمنية أو مكانية محددة بمعلمة معدل وحيدة تُعرف بـ $lambda$. تُرسم الصيغة الرياضية للاحتمال على النحو التالي:

$$P(Y = y mid \lambda) = \frac{e^{-\lambda} \lambda^y}{y!}, \quad y in {0, 1, 2, dots}$$

في السياق الاحتمالي، إذا افترضنا أن معدل الحوادث في مصنع معين هو $lambda = 3$ حوادث شهرياً، يمكننا حساب احتمالية عدم وقوع أي حادث في شهر معين ($y = 0$) بـ $P(Y = 0 mid \lambda = 3) = e^{-3} \approx 0.0498$.

وفي السياق الإمكاني المعاكس، إذا سجل المصنع في شهر محدد وقوع $y = 5$ حوادث كبيانات مرصودة، فإن دالة الأرجحية للمعدل $lambda$ تُصاغ كالآتي:

$$L(\lambda mid y = 5) = \frac{e^{-\lambda} \lambda^5}{120}, \quad \lambda > 0$$

يُوضح تحليل هذه الدالة كدالة في $lambda$ أن القيمة التي تعظم الدعم التجريبي للبيانات هي $\hat{\lambda} = 5$. وتوفر دالة الأرجحية هنا منحنى دعم مستمر (Support Curve) يُظهر تضاؤل معقولية المعدلات المتطرفة (مثل $lambda = 0.5$ أو $lambda = 15$) في تفسير وقوع 5 حوادث، دون أن يعني ذلك حساب احتمال أن تكون $lambda$ محصورة في فترة معينة دون إدخال افتراضات بايزية مسبقة.

5. أمثلة تطبيقية متقدمة: التوزيع الطبيعي والمتغيرات المتصلة

5.1 الاحتمالية في سياق التوزيع الطبيعي (Normal Distribution)

يُعد التوزيع الطبيعي (الغاوسي) النموذج الأساسي للمتغيرات المتصلة في القياس والعلوم الطبيعية. تُعطى دالة الكثافة الاحتمالية للتوزيع الطبيعي بالصيغة:

$$f(x mid \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(x – \mu)^2}{2\sigma^2} \right)$$

من المنظور الاحتمالي الصارم للمتغيرات المتصلة، فإن احتمال وقوع قيمة عددية مفردة ودقيقة يساوي صفراً نظرياً:

$$P(X = x_0 mid \mu, \sigma^2) = \int_{x_0}^{x_0} f(x mid \mu, \sigma^2) , dx = 0$$

ولذلك، فإن الحسابات الاحتمالية للمتغيرات المتصلة تتطلب دائماً العمل مع مجالات أو فترات عددية لحساب المساحة تحت منحنى الكثافة:

$$P(a le X le b mid \mu, \sigma^2) = \int_{a}^{b} \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(x – \mu)^2}{2\sigma^2} \right) dx$$

حيث تكون المساحة الكلية تحت منحنى غاوس من $-\infty$ إلى $+\infty$ مساوية تماماً للواحد الصحيح، وتُعبر قيمة $f(x mid \mu, \sigma^2)$ عند نقطة معينة عن “كثافة الاحتمال” وليس الاحتمال بحد ذاته.

5.2 دالة الأرجحية لمعلمات التوزيع الطبيعي ($\mu$ و $\sigma^2$)

عند الانتقال إلى سياق الاستدلال، لنفترض أننا قمنا بقياس متغير متصل (مثل درجات الذكاء أو زمن الاستجابة) لعينة مستقلة ومتماثلة التوزيع (i.i.d) مكونة من $n$ من الأفراد، وحصلنا على البيانات المرصودة $\mathbf{x} = {x_1, x_2, dots, x_n}$. تُصاغ دالة الأرجحية المشتركة للمعلمتين $(\mu, \sigma^2)$ كحاصل ضرب قيم الكثافة عند كل نقطة مرصودة:

$$L(\mu, \sigma^2 mid \mathbf{x}) = \prod_{i=1}^{n} f(x_i mid \mu, \sigma^2) = \left( 2\pi\sigma^2 \right)^{-\frac{n}{2}} \exp\left( -\sum_{i=1}^{n} \frac{(x_i – \mu)^2}{2\sigma^2} \right)$$

ولسهولة التعامل الجبري، نأخذ اللوغاريتم الطبيعي لدالة الأرجحية للحصول على دالة لوغاريتم الأرجحية:

$$ell(\mu, \sigma^2 mid \mathbf{x}) = -\frac{n}{2} \ln(2\pi) – \frac{n}{2} \ln(\sigma^2) – \frac{1}{2\sigma^2} \sum_{i=1}^{n} (x_i – \mu)^2$$

تُعامل هذه المعادلة البيانات $\mathbf{x}$ كقيم عددية ثابتة ومحسوبة من الواقع التجريبي، بينما تُعامل المعلمتان المجهولتان $\mu$ (المتوسط) و $\sigma^2$ (التباين) كمتغيرات مستقلة تولد سطحاً ثلاثي الأبعاد يُعرف بسطح الأرجحية. ويسمح هذا السطح بدراسة التفاعل المشترك بين المتوسط والتباين في توليد العينة المرصودة.

5.3 التحليل المقارن للمتغيرات المتصلة

يكشف التحليل المقارن للمتغيرات المتصلة عن نقطة فارقة جوهرية تزيل اللبس الرياضي الشائع: في حين أن احتمالية رصد نقطة تجريبية مفردة بدقة متناهية $x_i$ تساوي صفراً في حساب الاحتمالات، فإن أرجحية النقطة المرصودة ليست صفراً على الإطلاق، بل تساوي بدقة قيمة دالة الكثافة الاحتمالية عند تلك النقطة $L(\theta mid X = x_i) = f(x_i mid \theta) > 0$.

يرجع ذلك إلى أن الأرجحية تقيس ارتفاع منحنى الكثافة الاحتمالية النسبي الذي ولّد تلك النقطة المعينة تحت قيم معلمات مختلفة، وليس المساحة التراكمية. ولهذا السبب، يمكن لقيم دالة الأرجحية في النماذج المتصلة أن تتجاوز الواحد الصحيح إذا كان الانحراف المعياري صغيراً جداً ($\sigma < \frac{1}{\sqrt{2\pi}}$)، حيث يرتفع منحنى الكثافة ليتجاوز الواحد عند القمة دون أن يخرق ذلك أي قاعدة إحصائية؛ لأن الأرجحية مقياس نسبي للكثافة وليست نسبة احتمالية مجردة محصورة في [0, 1].

في البيئات المختبرية والتطبيقية، يتيح هذا الفهم للباحثين تقييم النماذج الفيزيائية والنفسية المستمرة بمقارنة ارتفاعات دوال الأرجحية مباشرة للبيانات المجمعة دون الحاجة إلى تحويل المتغيرات المتصلة إلى فئات منفصلة مصطنعة.

6. تقدير الأرجحية القصوى (Maximum Likelihood Estimation – MLE)

6.1 الأسس النظرية لمنهجية تقدير الأرجحية القصوى

تُمثل طريقة تقدير الأرجحية القصوى (Maximum Likelihood Estimation – MLE) التي أرساها رونالد فيشر الإطار الاستدلالي الكلاسيكي الأكثر استخداماً لتقدير معلمات النماذج الإحصائية. تقوم الفلسفة التأسيسية لهذه المنهجية على مبدأ بديهي: “البحث عن قيمة المعلمة $\hat{\theta}$ داخل فضاء المعلمات الممكنة التي تجعل البيانات التي تم رصدها بالفعل في الواقع هي النتيجة الأكثر ترجيحاً ومعقولية للحدوث”.

لتحقيق ذلك رياضياً، يتم اشتقاق دالة لوغاريتم الأرجحية $ell(\theta)$ بالنسبة للمعلمة $\theta$ ومساواتها بالصفر للعثور على النقاط الحرجة؛ وتُعرف هذه المشتقة الأولى بدالة الدرجة أو دالة السكور (Score Function) ويرمز لها بـ $U(\theta)$:

$$U(\theta) = \frac{\partial ell(\theta mid \mathbf{x})}{\partial \theta} = 0$$

وللتأكد من أن النقطة الحرجة الناتجة تُمثل نهاية عظمى (Maximum) وليست نهاية صغرى أو نقطة انقلاب، يُشترط أن تكون المشتقة الثانية سالبة قطيعاً، أو أن تكون مصفوفة هسيان (Hessian Matrix) سالبة التحديد (Negative Definite) في النماذج متعددة الأبعاد:

$$\mathcal{H}(\theta) = \frac{\partial^2 ell(\theta mid \mathbf{x})}{\partial \theta^2} < 0$$

ترتبط هذه المشتقة الثانية مباشرة بمفهوم معلومات فيشر الملحوظة (Observed Fisher Information)؛ حيث يُعبر انحناء دالة الأرجحية عند القمة عن مدى دقة التقدير وانخفاض خطئه المعياري.

6.2 الخصائص الإحصائية لمقدرات الأرجحية القصوى

تستمد مقدرات الأرجحية القصوى ($\hat{\theta}_{\text{MLE}}$) تفوقها المنهجي من تمتعها بمجموعة من الخصائص التقاربية (Asymptotic Properties) الممتازة عندما يقترب حجم العينة من اللانهاية ($n to \infty$):

• الاتساق المقارب (Asymptotic Consistency): يتقارب المقدر بالاحتمال نحو القيمة الحقيقية للمعلمة $\theta_0$، أي أن $\lim_{n to \infty} P(|\hat{\theta}_n – \theta_0| < \epsilon) = 1$.
• الكفاءة المقاربة (Asymptotic Efficiency): يبلغ تباين المقدر الحد الأدنى النظري للتباين الذي تحدده مبرهنة كرامر-راو (Cramér-Rao Lower Bound – CRLB)، مما يعني أنه لا يوجد مقدر متسق آخر يمتلك تبايناً أقل منه في العينات الكبيرة.
• التوزيع الطبيعي المقارب (Asymptotic Normality): يتقارب التوزيع العيني للمقدر نحو التوزيع الطبيعي بغض النظر عن شكل التوزيع الأصلي للبيانات:
  $$\sqrt{n}(\hat{\theta}_{\text{MLE}} – \theta_0) x\rightarrow{d} \mathcal{N}\left(0, \mathcal{I}^{-1}(\theta_0)\right)$$
  حيث تمثل $\mathcal{I}(\theta_0)$ مصفوفة معلومات فيشر المتوقعة، مما يسمح بحساب فترات الثقة وإجراء اختبارات الفرضيات بسهولة ودقة.

6.3 تطبيقات MLE في النماذج الإحصائية المعقدة

تُعد منهجية تقدير الأرجحية القصوى المحرك الحسابي والتحليلي لأغلب النماذج الإحصائية المتقدمة. ففي نموذج الانحدار اللوجستي (Logistic Regression) المستخدم لتصنيف المتغيرات الثنائية، لا تتوفر حلول جبرية مغلقة لحساب معاملات الانحدار ($\beta$)، ويتم تقدير الأوزان عبر تعظيم دالة لوغاريتم الأرجحية المشتركة باستخدام خوارزميات التحسين العددي مثل خوارزمية نيوتن-رافسون (Newton-Raphson).

وفي نماذج النمذجة الإحصائية المتقدمة، مثل نماذج المعادلات البنائية (SEM) ونماذج المتغيرات الكامنة (Latent Variable Models)، تُستخدم دالة الأرجحية لتقدير مصفوفات التباين والتباين المشترك الكامنة ومقارنتها بالمصفوفة المرصودة للعينة لتقييم جودة المطابقة الكلية للنموذج النظري.

وعند مواجهة بيانات غير مكتملة أو متغيرات كامنة غير ملاحظة مباشرة، تبرز خوارزمية تعظيم التوقع (Expectation-Maximization Algorithm – EM) كأداة ارتقائية تعتمد على تبادل حساب التوقع الشرطي لدالة لوغاريتم الأرجحية (خطوة E) ثم تعظيم هذه الدالة لتقدير المعلمات (خطوة M) في دورات متكررة تضمن التقارب نحو القمة المحلية لسطح الأرجحية.

7. اختبارات الفرضيات ونسب الأرجحية (Likelihood Ratio Testing)

7.1 مفهوم اختبار نسبة الأرجحية (Likelihood Ratio Test – LRT)

يُعد اختبار نسبة الأرجحية (Likelihood Ratio Test – LRT) المعيار الذهبي لاختبار الفرضيات ومقارنة النماذج الإحصائية المتداخلة (Nested Models). يقوم المبدأ الأساسي للاختبار على مقارنة أقصى قيمة لأرجحية النموذج المقيد بفرضية العدم ($H_0: \theta in \Theta_0$) بأقصى قيمة لأرجحية النموذج الكامل غير المقيد تحت الفرضية البديلة ($H_1: \theta in \Theta$).

تُعرّف نسبة الأرجحية ($Lambda$) بالصيغة الرياضية التالية:

$$\Lambda = \frac{\sup_{\theta in \Theta_0} L(\theta mid \mathbf{x})}{\sup_{\theta in \Theta} L(\theta mid \mathbf{x})}$$

حيث تنحصر قيمة $Lambda$ دائماً في المجال $[0, 1]$. واستناداً إلى مبرهنة ولكس (Wilks’ Theorem)، فإن إحصائية الاختبار المحولة لوغاريتمياً والمضروبة في سالب 2:

$$-2 \ln \Lambda = 2 \left[ ell(\hat{\theta}_{\text{Full}}) – ell(\hat{\theta}_{\text{Restricted}}) \right]$$

تتقارب تقاربياً في العينات الكبيرة نحو توزيع كاي تربيع ($\chi^2$) بدرجات حرية مساوية للفرق في عدد المعلمات المقدرة بين النموذجين ($df = k_{\text{Full}} – k_{\text{Restricted}}$)، مما يوفر أساساً دقيقاً لرفض أو قبول القيود المفروضة على النموذج.

7.2 مقارنة النماذج باستخدام معايير المعلومات (AIC و BIC)

عند مقارنة النماذج غير المتداخلة (Non-nested Models)، تبرز معايير المعلومات القائمة على لوغاريتم الأرجحية كأدوات مفاضلة تستند إلى مبدأ التوفير الإبستمولوجي (نصل أوكام)، حيث توازن بين جودة مطابقة النموذج للبيانات ودرجة تعقيده المتمثلة في عدد المعلمات ($k$):

• معيار أكايكي للمعلومات (Akaike Information Criterion – AIC):
  $$\text{AIC} = 2k – 2ell(\hat{\theta})$$
  يستند هذا المعيار إلى نظرية المعلومات وتباعد كولباك-ليبلر (Kullback-Leibler Divergence)، ويهدف إلى تقليل الفاقد في المعلومات عند استخدام النموذج لتقريب الحقيقة التوليدية.
• معيار المعلومات البايزي (Bayesian Information Criterion – BIC):
  $$\text{BIC} = k \ln(n) – 2ell(\hat{\theta})$$
  يفرض هذا المعيار عقوبة أكبر على تعقيد النموذج تتناسب مع اللوغاريتم الطبيعي لحجم العينة ($ln n$)، مما يجعله يميل نحو اختيار النماذج الأكثر بساطة وتحديداً في العينات الضخمة.

تُفضل النماذج التي تحقق أدنى قيمة ممكنة لـ AIC و BIC؛ حيث تعكس تلك القيم توازناً أمثل بين تعظيم دالة الأرجحية وضبط خطر فرط التخصيص (Overfitting).

7.3 الربط بين نسبة الأرجحية والقيم الاحتمالية (p-values)

على الرغم من الاستخدام الواسع للقيمة الاحتمالية ($p\text{-value}$) في اتخاذ القرارات الإحصائية، إلا أن الربط بينها وبين نسبة الأرجحية يكشف عن فجوات تفسيرية هامة. تُعرّف القيمة الاحتمالية الكلاسيكية بأنها احتمال رصد بيانات متطرفة بدرجة تساوي أو تفوق البيانات الحالية بافتراض صحة فرضية العدم، أي أنها تحسب احتمالاً في ذيل التوزيع التكراري:

$$p\text{-value} = P(T(X) ge T(x_{\text{obs}}) mid H_0)$$

تعتمد القيمة الاحتمالية على بيانات “افتراضية لم تحدث أبداً” في التجربة (وهي المساحة في أطراف التوزيع التي تتجاوز القيمة المرصودة)، في حين أن نسبة الأرجحية تركز حصراً على مقارنة الارتفاع الفعلي للدالة عند النقطة التي تحققت بالفعل في الواقع. ولذلك، قد تشير القيمة الاحتمالية إلى وجود دلالة إحصائية زائفة بسبب التضخم الناتج عن حجم العينات الهائل، بينما تعكس نسبة الأرجحية الدعم النسبي الحقيقي الذي تقدمه العينة للفرضيات المتنافسة دون تأثر مباشر بحجم العينة بنفس الصورة المشوهة.

8. المنظور الفلسفي والإبستمولوجي: التكرارية مقابل البايزية

8.1 المدرسة التكرارية (Frequentist School) ومفهوم الاحتمال الموضوعي

تتبنى المدرسة الإحصائية التكرارية، التي أسس معالمها جون فين، وإيغون بيرسون، وجيرزي نيمان، ورونالد فيشر، رؤية موضوعية فيزيائية لمفهوم الاحتمال؛ حيث يُعرّف الاحتمال بأنه النهاية المقاربة للتكرار النسبي لوقوع حدث معين في تجارب متطابقة تتكرر إلى ما لا نهاية في ظل نفس الظروف والشروط المعملية.

وفق هذا المنظور الفلسفي، تُعامل معلمات المجتمع الإحصائي ($\theta$) كثوابت حتمية مجهولة في الطبيعة؛ فهي ليست أحداثاً عشوائية ولا تملك أي توزيع احتمالي، ولا يجوز إطلاقاً القول إن “احتمال أن تقع المعلمة في مجال معين هو 95%”.

هنا تلعب دالة الأرجحية دور الجسر الإبستمولوجي الفريد والوحيد لدى التكراريين؛ فهي تتيح تقييم فرضيات حول تلك المعلمات الثابتة المجهولة من خلال البيانات العشوائية المرصودة، دون الوقوع في خرق المحظور التكراري المتمثل في إضفاء توزيع احتمالي على معلمات الطبيعة الصلبة.

8.2 المدرسة البايزية (Bayesian School) وتحديث المعتقدات

على النقيض من ذلك، تنطلق المدرسة الإحصائية البايزية، المستندة إلى أطروحات توماس بايز وريتشارد برايس وبيير سيمون لابلاس، من مفهوم ذاتي ومعرفي (Epistemic/Subjective) للاحتمال؛ حيث يُمثل الاحتمال درجة اليقين أو الاعتقاد العقلاني للباحث في صحة قضية أو فرضية معينة في ضوء المعلومات المتاحة.

في الفضاء البايزي، تُعامل المعلمات ($\theta$) كمتغيرات عشوائية تملك توزيعات احتمالية تعبر عن حالة عدم اليقين المعرفي حولها. وتُعد مبرهنة بايز الآلية الرياضية المركزية لتحديث هذا الاعتقاد عبر دمج الاحتمال القبلي بدالة الأرجحية:

$$P(\theta mid \mathbf{x}) = \frac{P(\theta) \cdot L(\theta mid \mathbf{x})}{P(\mathbf{x})} = \frac{P(\theta) \cdot f(\mathbf{x} mid \theta)}{\int_{\Theta} P(\theta) \cdot f(\mathbf{x} mid \theta) , d\theta}$$

تتضح هنا الوظيفة التوليدية لدالة الأرجحية في المنظور البايزي: إنها تُمثل “محول الأدلة التجريبية” (Evidence Engine) الذي ينقل الباحث من حالة الاحتمال القبلي $P(\theta)$ (الاعتقاد قبل جمع البيانات) إلى حالة الاحتمال البعدي $P(\theta mid \mathbf{x})$ (الاعتقاد المحدث بعد فحص البيانات). وبذلك، فإن الأرجحية هي الأداة التي تُخصب التوزيع القبلي لإنتاج توزيع احتمالي حقيقي للمعلمات.

8.3 مبدأ الأرجحية (The Likelihood Principle)

يُمثل مبدأ الأرجحية (Likelihood Principle)، الذي صاغه جورج بارنارد وحلله ألان بيرنباوم (Allan Birnbaum) تحليلاً رياضياً عميقاً في الستينيات، أحد أهم المبادئ المعرفية في نظرية الاستدلال. ينص المبدأ على أن:

“جميع الأدلة والمعلومات الإحصائية التي تحتويها التجربة حول المعلمة المجهولة $\theta$ تتلخص بالكامل وبشكل كافٍ في دالة الأرجحية المولدة من البيانات المرصودة فعلياً، وأي معلومات عن تجارب لم تحدث أو بيانات افتراضية أخرى تُعد عديمة القيمة والأثر في تقييم الفرضيات.”

يلتزم المنهج البايزي التزاماً تاماً بمبدأ الأرجحية؛ لأن التوزيع البعدي يعتمد فقط على دالة الأرجحية والتوزيع القبلي. بالمقابل، يخرق المنهج التكراري الكلاسيكي هذا المبدأ بوضوح؛ حيث تعتمد حسابات القيمة الاحتمالية وفترات الثقة على نتائج افتراضية في فضاء العينة لم تقع أصلاً، وتتأثر بما يُعرف بقواعد إيقاف التجربة (Stopping Rules). فإذا قرر الباحث إيقاف التجربة بعد عدد محدد من الرميات ($n$)، تختلف القيمة الاحتمالية عما إذا قرر إيقافها عند الوصول إلى عدد محدد من النجاحات ($k$)، على الرغم من أن دالة الأرجحية الناتجة في الحالتين تكون متطابقة رياضياً حتى ثابت التناسب.

9. التطبيقات في القياس النفسي والعلوم السلوكية (Psychometrics & Psychology)

9.1 نظرية الاستجابة للمفردة (Item Response Theory – IRT)

في القياس النفسي والتربوي المعاصر، تعتمد نظرية الاستجابة للمفردة (Item Response Theory – IRT) على التمييز الدقيق بين الاحتمالية والأرجحية لبناء اختبارات قياس القدرات والسمات الكامنة (Latent Traits).

يُحسب احتمال استجابة المفحوص بالصواب على المفردة الاختبارية $i$ عبر نموذج راش (Rasch Model) أو النموذج اللوجستي ثنائي المعلمات (2PL) بدلالة قدرته الكامنة المفترضة ($\theta$) وصعوبة السؤال ($b_i$) وتمييزه ($a_i$):

$$P(Y_{ij} = 1 mid \theta_j, a_i, b_i) = \frac{\exp(a_i (\theta_j – b_i))}{1 + \exp(a_i (\theta_j – b_i))}$$

يُمثل هذا التعبير الرياضي الاحتمالية؛ فهو يصف السلوك المتوقع لاستجابة المفحوص لكل مستوى مفترض من مستويات القدرة عبر ما يُعرف بمنحنى خصائص المفردة (Item Characteristic Curve – ICC).

أما عند تطبيق الاختبار على أرض الواقع والحصول على نمط استجابات المفحوص المسجل $\mathbf{y}_j = (y_{1j}, y_{2j}, dots, y_{Kj})^T$ عبر $K$ من الأسئلة، يتحول المقياس إلى دالة أرجحية للقدرة الكامنة للمفحوص:

$$L(\theta_j mid \mathbf{y}_j) = \prod_{i=1}^{K} \left[ P(Y_{ij} = 1 mid \theta_j) \right]^{y_{ij}} \left[ 1 – P(Y_{ij} = 1 mid \theta_j) \right]^{1 – y_{ij}}$$

تُعظم هذه الدالة لتقدير مستوى القدرة الحقيقي $\hat{\theta}_j$ للمفحوص، وهو ما يُشكل الأساس التقني للاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT).

9.2 التحليل العاملي ونمذجة المعادلات البنائية (EFA & SEM)

في التحليل العاملي الاستكشافي والتوكيدي ونمذجة المعادلات البنائية (Structural Equation Modeling – SEM)، تُستخدم طرق التقدير الإمكانية لتقدير العلاقات المعقدة بين المتغيرات الكامنة والمؤشرات المرصودة. يُفترض أن مصفوفة التباين والتباين المشترك للعينة $\mathbf{S}$ تُمثل تقديراً للمصفوفة النظرية المولدة $boldsymbol{\Sigma}(boldsymbol{\theta})$ المعتمدة على معلمات النموذج $boldsymbol{\theta}$.

تُبنى دالة الأرجحية بافتراض التوزيع الطبيعي المتعدد للمؤشرات، وتُصاغ دالة مطابقة الأرجحية القصوى (ML Fitting Function) لتقليل المسافة الإبستمولوجية بين المصفوفة المرصودة والمصفوفة المولدة:

$$F_{\text{ML}}(boldsymbol{\theta}) = \ln |boldsymbol{\Sigma}(boldsymbol{\theta})| + \text{tr}\left( \mathbf{S} boldsymbol{\Sigma}^{-1}(boldsymbol{\theta}) \right) – \ln |\mathbf{S}| – p$$

تتيح هذه الدالة تقدير أوزان المسارات والتشبعات العاملية بكفاءة عالية. وفي حالات البيانات النفسية المفقودة (Missing Data)، يُعتمد على تقنية الأرجحية القصوى كاملة المعلومات (Full Information Maximum Likelihood – FIML)، والتي تحسب دالة الأرجحية الفردية لكل مفحوص بناءً على المتغيرات المتاحة لديه دون الحاجة لحذف الحالات أو استبدال البيانات بصورة مشوهة.

9.3 اتخاذ القرار المعرفي والنماذج النفسية للإدراك

يمتد التطبيق النفسي لمفهوم الأرجحية إلى علم النفس المعرفي والإدراك الحسي عبر نظرية كشف الإشارة (Signal Detection Theory – SDT). عند مواجهة الإنسان لمحفز حسي غامض، يقوم الجهاز العصبي بحساب نسبة الأرجحية لتحديد ما إذا كان النشاط العصبي الداخلي ناتجاً عن “إشارة + ضجيج” أم عن “ضجيج خالص”:

$$\beta = \frac{f(x mid \text{Signal} + \text{Noise})}{f(x mid \text{Noise})}$$

يُقارن صانع القرار هذه النسبة بمعيار استجابة داخلي محدد (Criterion) لاتخاذ القرار الحركي أو التقريري. وقد أثبتت الدراسات المعرفية أن الدماغ البشري يعمل في كثير من عملياته الإدراكية كـ “معالج إمكاني بايزي” يقوم بتحديث التوقعات الحسية بناءً على نسب الأرجحية للمدخلات البيئية.

ومع ذلك، أظهرت أبحاث دانيال كانمان وعاموس تفيرسكي حول الأحكام تحت عدم اليقين أن التفكير الواعي البشري يعاني من عجز منهجي مزمن في التمييز بين الاحتمال والأرجحية؛ حيث يقع الأفراد باستمرار في فخاخ التقييم التوجيهي، ويخلطون بين مدى ملاءمة النمط (الأرجحية) واحتمالية وقوع الحدث في الواقع.

10. الأخطاء الشائعة والمغالطات الإحصائية في تفسير المفهومين

10.1 مغالطة عكس الشرط (Fallacy of the Transposed Conditional)

تُعد مغالطة عكس الشرط (The Transposed Conditional Fallacy)، والمعروفة في السياقات القضائية والجنائية بـ مغالطة المدعي العام (Prosecutor’s Fallacy)، واحدة من أخطر المغالطات المنطقية الناتجة عن الخلط بين الاحتمالية والأرجحية. تتمثل هذه المغالطة في المساواة غير المشروعة بين الاحتمالين الشرطيين المتعاكسين:

$$P(\text{Data} mid \text{Hypothesis}) \neq P(\text{Hypothesis} mid \text{Data})$$

المثال التطبيقي: لنفترض أن عينة الحمض النووي (DNA) لمشتبه به تطابقت مع العينة المرفوعة من مسرح الجريمة، وأن احتمال حدوث هذا التطابق بالصدفة لشخص بريء عشوائي هو واحد في المليون ($P(\text{Match} mid \text{Innocent}) = 10^{-6}$). تنص المغالطة على القول الخاطئ: “إذن، احتمال أن يكون المشتبه به بريئاً هو واحد في المليون!”.

إن القيمة $10^{-6}$ تُمثل أرجحية فرضية البراءة في ضوء الدليل المطابق، ولا تُمثل إطلاقاً احتمال البراءة البعدي. فحساب الاحتمال البعدي للبراءة $P(\text{Innocent} mid \text{Match})$ يتطلب إدخال الاحتمال القبلي للجرم وحجم المجتمع السكاني المشتبه فيه عبر مبرهنة بايز. إذا كان المجتمع يحتوي على 10 ملايين شخص، فإننا نتوقع وجود 10 أشخاص أبرياء يتطابق حمضهم النووي بالصدفة، مما يجعل احتمال براءة المشتبه به حوالي 90% إذا لم تتوفر أدلة أخرى، على الرغم من أن أرجحية براءته تبدو ضئيلة جداً عند فحص التطابق الفردي المنعزل.

يمتد هذا الخطأ مباشرة إلى التفسير الأكاديمي لـ $p\text{-value}$؛ حيث يفسر الكثير من الباحثين خطأً القيمة $p < 0.05$ على أنها تعني "أن احتمال صحة فرضية العدم أقل من 5%"، وهو خلط فادح بين احتمال البيانات في ظل الفرضية وأرجحية الفرضية نفسها.

10.2 معاملة الأرجحية كتوزيع احتمالي

يقع باحثون ومحللون في خطأ منهجي فادح عندما يعاملون دالة الأرجحية كأنها دالة توزيع احتمالي للمعلمة. يتمثل هذا الخطأ في محاولة جمع قيم الأرجحية لعدة قيم متقطعة للمعلمة لإنتاج “احتمال كلي”، أو حساب المساحة تحت منحنى دالة الأرجحية في مجال متصل للاستنتاج بأن احتمال وقوع المعلمة في ذلك المجال يساوي تلك المساحة المحسوبة.

تكمن المغالطة الرياضية هنا في تجاهل حقيقة أن دالة الأرجحية لا تلتزم ببديهيات كولموغوروف؛ فالمساحة تحت المنحنى تعتمد كلياً على كيفية إعادة نمذجة المعلمة (Reparameterization). فإذا قمنا بتغيير المعلمة من الانحراف المعياري $\sigma$ إلى التباين $\sigma^2$ أو الدقة (Precision $\tau = 1/\sigma^2$)، يتغير شكل وتكامل منحنى الأرجحية بشكل كامل ولا يحافظ على المساحات التكاملية كما تفعل التوزيعات الاحتمالية الحقيقية، ما لم يتم إدخال التوزيع القبلي المنظم لجاكوبي التحويل في إطار بايزي رصين.

10.3 الخلط بين فترات الثقة (Confidence Intervals) وفترات الأرجحية

يُعد تفسير فترات الثقة (Confidence Intervals) الكلاسيكية (مثل فترة الثقة 95%) أحد أكثر المواضيع التي تشهد خلطاً بنيوياً في الأدبيات العلمية. يفترض المفهوم التكراري لفترة الثقة أنه عند تكرار التجربة وسحب العينات لعدد لا نهائي من المرات وحساب فترة ثقة لكل عينة، فإن 95% من تلك الفترات العشوائية ستحتوي المعلمة الحقيقية الثابتة. بعد حساب الفترة لعينة واحدة محددة (مثلاً $[10.2, 14.8]$)، فإن احتمال احتواء هذه الفترة المعينة على المعلمة الحقيقية هو إما (1) أو (0)، ولا يجوز القول إن “احتمال وقوع المعلمة داخل هذه الفترة هو 95%”.

بالمقابل، تُعرّف فترات دعم الأرجحية (Likelihood Support Intervals) بأنها المجال من قيم المعلمة التي لا تقل أرجحيتها عن نسبة محددة (مثل $1/8$ أو $1/15$) من الأرجحية القصوى الملاحظة:

$$\text{SI}_{1/k}(\theta) = \left{ \theta in \Theta : \frac{L(\theta mid \mathbf{x})}{L(\hat{\theta} mid \mathbf{x})} ge \frac{1}{k} \right}$$

تُعبر فترة دعم الأرجحية تعبيراً مباشراً عن مدى الدعم التجريبي النسبي للمعلمات دون ادعاء تقديم احتمالية تكرارية، مما يجعلها أكثر شفافية وانسجاماً مع منطق الاستدلال القائم على الأدلة الملاحظة.

11. مقارنة شاملة وجداول تلخيصية للفروق الجوهرية

11.1 جدول المقارنة متعدد الأبعاد (الأهداف، المدخلات، المخرجات)

يلخص الجدول التالي الأبعاد الرياضية والمنهجية والتطبيقية الفارقة بين مفهومي الاحتمالية والأرجحية:

البُعد المقارن	الاحتمالية (Probability)	الأرجحية (Likelihood)
الرمز والصيغة الرياضية	$P(X = x mid \theta)$ أو $f(x mid \theta)$	$L(\theta mid X = x)$ أو $\mathcal{L}(\theta; x)$
المتغير المستقل في الدالة	البيانات أو النتائج التجريبية $X in \Omega$	المعلمات أو الفرضيات النموذجية $\theta in \Theta$
الثابت المشترط عليه	المعلمات $\theta$ (تُفترض معلومة وثابتة)	البيانات $x$ (تُعامل كوقائع مرصودة ثابتة)
اتجاه الاستدلال المنطقي	استنتاجي تنبؤي (من المجتمع/النموذج إلى العينة)	استقرائي تقييمي (من العينة إلى المجتمع/النموذج)
المجموع / التكامل الرياضي	يساوي دائماً 1 قطيعاً ($\sum P = 1$ أو $\int f = 1$)	غير مقيد بالواحد ولا يشكل توزيعاً تكاملياً محدد ($\int L ne 1$)
نطاق القيم العددية الممكنة	محصورة في $[0, 1]$ للمنفصل، وكثافات موجبة للمتصل	أي قيمة حقيقية موجبة $[0, \infty)$ وتتأثر بالمقاييس
التوقيت في دورة البحث	قبل جمع البيانات (تصميم التجارب والمحاكاة)	بعد جمع البيانات (التحليل، التقدير، واختبار النماذج)
التحويلات الرتيبة للمعلمات	تتطلب تعديلاً بمحدد جاكوبي للحفاظ على المساحة	تحافظ القمة على موضعها تحت أي تحويل رتيب دون تعديل
الوظيفة الاستدلالية الأساسية	حساب فرص الأحداث وتوليد التنبؤات المستقبلية	المفاضلة بين المعلمات وتقدير النماذج ومقارنتها

11.2 خريطة المفاهيم الإحصائية للباحث

لتحديد المسار المنهجي السليم أثناء التصميم والتحليل الإحصائي، يمكن للباحث اتباع الشجرة القرارية والمفاهيمية التالية:

• الحالة الأولى: إذا كان الهدف هو “التنبؤ بسلوك مستقبلي” وتتوفر معلمات نموذجية محددة:
  
  $\leftarrow$ المسار: النمذجة الاحتمالية المباشرة.
  
  $\leftarrow$ الأدوات: دوال التوزيع التراكمي (CDF)، وحساب احتمالات الوقوع، ومحاكاة مونت كارلو لتوليد العينات.
• الحالة الثانية: إذا كانت البيانات قد جُمعت بالفعل والهدف هو “تقدير معلمات المجتمع المجهولة”:
  
  $\leftarrow$ المسار: الاستدلال الإمكاني الكلاسيكي (Likelihood Inference).
  
  $\leftarrow$ الأدوات: دالة لوغاريتم الأرجحية، وتقدير الأرجحية القصوى (MLE)، ومصفوفة معلومات فيشر، واختبارات نسبة الأرجحية (LRT).
• الحالة الثالثة: إذا كانت البيانات مرصودة وتتوفر معرفة قبلية احتمالية بالمعلمات يرغب الباحث في دمجها:
  
  $\leftarrow$ المسار: الاستدلال البايزي المكتمل (Bayesian Inference).
  
  $\leftarrow$ الأدوات: دمج التوزيع القبلي مع دالة الأرجحية لإنتاج التوزيع الاحتمالي البعدي للمعلمات عبر خوارزميات سلسلة ماركوف ومونت كارلو (MCMC).

11.3 الترجمات والمصطلحات في الأدبيات العربية

تشهد الأدبيات الإحصائية العربية المعاصرة ارتباكاً مصطلحياً كبيراً ناتجاً عن ترجمات متباينة وغير موحدة لمفاهيم نظرية الاحتمالات والاستدلال الإحصائي؛ حيث يتردد استخدام ثلاثة مصطلحات متقاربة لغوياً للتعبير عن مفاهيم متمايزة رياضياً:

• Probability: يُجمع الأغلب الأعم من المعاجم والمجامع العلمية على ترجمتها بـ “الاحتمالية” أو “الاحتمال”، وهو تعريب راسخ وموفق يعكس البناء الكلاسيكي للنظرية.
• Likelihood: تُرجمت في سياقات مختلفة بـ “الأرجحية” أو “الإمكانية” أو “المعقولية”. ونوصي أكاديمياً باعتماد مصطلح “الأرجحية” أو “دالة الأرجحية” لمطابقتها للاستخدام الاستدلالي في ترجيح معالم على أخرى، مع جواز استخدام “الإمكانية” لتفادي الخلط مع المصطلح التالي.
• Odds: تُترجم غالباً بـ “نسبة الأرجحية” أو “الأحجام النسبية” أو “الفرص”، وهي تُمثل النسبة الرياضية البسيطة بين احتمال وقوع الحدث إلى احتمال عدم وقوعه ($\frac{p}{1-p}$)، ويجب التمييز الحاسم بينها وبين دالة الأرجحية (Likelihood Function) التي هي دالة في معلمات النماذج الإحصائية.

إن التوحيد الاصطلاحي الدقيق في الجامعات ومراكز البحوث العربية ليس مجرد ترف لغوي، بل هو متطلب جوهري لتأسيس عقل إحصائي منهجي قادر على التفاعل مع الإنتاج المعرفي العالمي واستيعاب الخوارزميات الحاسوبية الحديثة دون لبس مفاهيمي.

12. الخاتمة والتوصيات الإرشادية للممارسة البحثية

12.1 خلاصة التمايز بين الاحتمالية والأرجحية

في الختام، يتجلى الفارق الجوهري بين الاحتمالية والأرجحية كفارق في الاتجاه المنطقي والمعرفي للاستدلال العلمي: الاحتمالية تدرس البيانات الافتراضية بناءً على نموذج مفترض مسبقاً، في حين أن الأرجحية تقيم وتختبر النماذج المفترضة بناءً على بيانات متحققة ومرصودة بالفعل.

لا يُمثل المفهومان طرفي نقيض، بل يشكلان معاً الدعامتين الأساسيتين للعمارة الإحصائية الحديثة؛ فالاحتمالية توفر البناء التوليدي والرياضي لعالم الظواهر العشوائية، والأرجحية توفر العدسة النقدية التفكيكية التي تسمح للعلماء باستخلاص الحقائق وتقدير العلاقات السببية والكامنة من وسط الضجيج التجريبي. إن الوعي العميق بهذا التمايز يُعد شرطاً أولياً للكفاءة المنهجية والإحصائية لأي باحث أو محلل بيانات معاصر.

12.2 توصيات عملية للباحثين ومحللي البيانات النفسية والاجتماعية

بناءً على التفكيك المنهجي الذي تناوله المقال، نضع بين يدي الباحثين ومحللي البيانات التوصيات التطبيقية التالية لتجويد الممارسة البحثية:

• التدقيق في صياغة الفروض وتفسير المخرجات: الامتناع الصارم عن تفسير مستويات الدلالة الإحصائية ($p\text{-values}$) أو مقدرات الأرجحية كأنها احتمالات مطلقة لصدق أو خطأ الفرضيات العلمية دون استخدام صياغات بايزية معلنة.
• التحول نحو نماذج الأرجحية وفترات الدعم: تعزيز استخدام نماذج مقارنة الأرجحية (LRT, AIC, BIC) وفترات دعم الأرجحية كبدائل وإضافات أكثر متانة وشفافية من الاعتماد الحصري على اختبارات الدلالة الصفرية التقليدية.
• فحص تضاريس دالة الأرجحية: عند استخدام برمجيات التقدير الإحصائي المعقدة (مثل SEM و IRT)، ينبغي فحص تقارب الخوارزميات والتأكد من عدم استقرار التقديرات عند قمم محلية زائفة (Local Maxima) لضمان متانة المقدرات المعلمية.
• الشفافية المنهجية في التقارير: الإفصاح الكامل عن دالة الأرجحية المستخدمة، وطرق التحسين العددي، والافتراضات التوزيعية المصاحبة في تقارير البحوث المنشورة لتمكين المجتمع العلمي من إعادة إنتاج النتائج بدقة.

12.3 آفاق التطور المستقبلي في النمذجة الإحصائية

تتجه النمذجة الإحصائية وعلوم البيانات المعاصرة نحو آفاق جديدة تلعب فيها دوال الأرجحية دوراً محورياً متزايداً. ففي حقول الذكاء الاصطناعي والتعلم العميق، تعتمد تدريبات الشبكات العصبية التوليدية والانتشارية (Diffusion Models) على تعظيم دوال لوغاريتم الأرجحية المتغيرة والمشروطة كمعايير أساسية لدقة التوليد.

وفي النماذج المعقدة التي يستحيل فيها حساب دالة الأرجحية تحليلياً بسبب تعقيد الظاهرة، تتطور بقوة تقنيات الحساب البايزي التقريبي الخالي من الأرجحية (Approximate Bayesian Computation – ABC) وطرق الأرجحية الاصطناعية (Synthetic Likelihood)، والتي تعتمد على محاكاة البيانات لمقارنة الخصائص الإحصائية بالبيانات الفعلية.

إن هذا التطور المستمر يؤكد أن الفهم العميق لجوهر الأرجحية والتمييز بينها وبين الاحتمالية الكلاسيكية سيظل المهارة التأسيسية التي تمكن العلماء من استيعاب وتطوير خوارزميات الغد في مجالات القياس النفسي، والذكاء الاصطناعي، والعلوم السلوكية المتقدمة.

References

• Birnbaum, A. (1962). On the foundations of statistical inference. Journal of the American Statistical Association, 57(298), 269–306. https://doi.org/10.1080/01621459.1962.10480660
• Edwards, A. W. F. (1992). Likelihood (Expanded ed.). Johns Hopkins University Press.
• Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, 222(594-604), 309–368. https://doi.org/10.1098/rsta.1922.0009
• Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/b16018
• Kolmogorov, A. N. (1956). Foundations of the Theory of Probability (N. Morrison, Trans.; 2nd ed.). Chelsea Publishing Company.
• Pawitan, Y. (2001). In All Likelihood: Statistical Modelling and Inference Using Likelihood. Oxford University Press.
• Royall, R. M. (1997). Statistical Evidence: A Likelihood Paradigm. Chapman and Hall/CRC. https://doi.org/10.1201/9780203738665
• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108