التوزيع الهامشي: التعريف والإيجاد

يُعد التحليل الإحصائي متعدد المتغيرات حجر الزاوية في فهم الظواهر المعقدة عبر مختلف الحقول العلمية، بدءاً من العلوم السلوكية والنفسية وصولاً إلى النمذجة الاقتصادية والبيولوجية المتقدمة. عند دراسة ظاهرة تتداخل فيها متغيرات متعددة في آنٍ واحد، تنشأ الحاجة الملحة إلى أدوات رياضية تمكّن الباحث من تفكيك هذا التعقيد، وفحص كل متغير إما منفرداً أو ضمن سياقه التفاعلي. هنا تبرز أهمية ما يُعرف في نظرية الاحتمالات والإحصاء الرياضي باسم التوزيع الهامشي (Marginal Distribution)، والذي يمثل الأداة المفاهيمية والرياضية الأساسية لعزل سلوك متغير عشوائي واحد أو مجموعة فرعية من المتغيرات وتجريدها من تأثير بقية المتغيرات المشتركة معها في نفس الفضاء الاحتمالي.

تكمن القيمة المنهجية للتوزيع الهامشي في قدرته على إعادة إسقاط الفضاءات الاحتمالية متعددة الأبعاد على أبعاد أحادية أو فضاءات جزئية يسهل استيعابها وتفسيرها تحليلياً. فعندما نقيس، على سبيل المثال، التفاعل الديناميكي بين مستويات القلق والتحصيل الأكاديمي والدافعية الذاتية لدى الطلاب، فإننا نتعامل ابتداءً مع دالة توزيع احتمالي مشترك تعكس التركيب الكلي لهذه العلاقات. غير أن الإجابة عن أسئلة من قبيل: “ما هو التوزيع الطبيعي لمستوى القلق في هذا المجتمع الإحصائي بغض النظر تماماً عن تحصيلهم أو دافعيتهم؟” تتطلب منا استخراج التوزيع الهامشي للقلق عبر “طيّ” أو “تجميع” أو “مكاملة” أبعاد المتغيرات الأخرى وإلغاء أثرها التوزيعي الصريح.

يقدم هذا المرجع الشامل دراسة أكاديمية متعمقة لمفهوم التوزيع الهامشي؛ حيث يتناول بالتفصيل أطره النظرية، وأسسه الرياضية لشكلي المتغيرات العشوائية المنفصلة والمتصلة، وخطوات حسابه الدقيقة مدعومة بأمثلة تطبيقية وحالات دراسية في القياس النفسي والعلوم السلوكية، فضلاً عن مناقشة تمايزه عن التوزيعات المشتركة والشرطية، وطرق حسابه برمجياً، وتحليل مغالطاته الشائعة، وصولاً إلى تطبيقاته المتقدمة في النمذجة الإحصائية الحديثة.

1. مقدمة تأسيسية: مفهوم التوزيع الهامشي وأهميته الإحصائية

1.1 التعريف الأكاديمي للتوزيع الهامشي

يُعرَّف التوزيع الهامشي رياضياً بأنه التوزيع الاحتمالي لمتغير عشوائي أحادي، أو مجموعة فرعية من المتغيرات العشوائية، والمشتق من التوزيع الاحتمالي المشترك (Joint Probability Distribution) لجميع المتغيرات الخاضعة للدراسة، وذلك دون اشتراط أو تثبيت قيم محددة للمتغيرات المستبعدة. يتم تحقيق هذا العزل عبر عملية تجميع احتمالي شاملة على امتداد النطاق الكامل لجميع القيم الممكنة للمتغيرات الأخرى، سواء كان ذلك بالجمع الجبري في حالة المتغيرات المنفصلة، أو بالتكامل الرياضي في حالة المتغيرات المتصلة.

تعود الجذور الاصطلاحية لتسمية “الهامشي” (Marginal) تاريخياً إلى الطريقة التقليدية التي كان الإحصائيون يدوّنون بها البيانات في جداول الاقتران التكراري (Contingency Tables). فعند حساب مجموع التكرارات أو الاحتمالات لكل صف أو عمود، كانت هذه المجاميع تُكتب حرفياً في “هوامش” الجدول الخارجية (Marginal margins). ومع تطور الصياغات الرياضية للاحتمالات خلال القرن العشرين، تحول هذا المصطلح من مجرد موقع جغرافي على الورقة إلى مفهوم احتمالي محوري يعبر عن دالة الاحتمال الذاتية المستخلصة بعد إسقاط الفضاء المشترك.

تتمثل الفلسفة الإحصائية الكامنة وراء التوزيع الهامشي في مبدأ اختزال الأبعاد (Dimensionality Reduction) مع الحفاظ على البنية الاحتمالية الذاتية للمتغير المستهدف. يتيح هذا النهج للباحثين دراسة الخصائص التوزيعية الأساسية — كالنزعة المركزية، والتشتت، والاعتدالية — لكل متغير بمعزل عن الارتباطات والتشابكات التي قد تعقد الرؤية التحليلية عند النظر إلى النظام متعدد الأبعاد ككتلة واحدة غير قابلة للتجزئة.

1.2 الدور المحوري للتوزيعات الهامشية في التحليل الإحصائي

يلعب التوزيع الهامشي دوراً لا غنى عنه في تفكيك بنية الارتباطات المعقدة في مجموعات البيانات متعددة الأبعاد. ففي كثير من الأحيان، تؤدي التفاعلات المشتركة بين المتغيرات إلى إخفاء السمات الأساسية للبيانات؛ ومن خلال استخراج التوزيعات الهامشية، يستطيع الإحصائي تقييم المعالم الأساسية (Parameters) مثل المتوسط الهامشي والتباين الهامشي، والتي توفر خط الأساس الضروري لإجراء المقارنات الإحصائية وتحديد مدى تمثيلية العينة للمجتمع الأصلي.

علاوة على ذلك، تُشكل التوزيعات الهامشية حجر الأساس في اختبارات الفروض الإحصائية الكلاسيكية والحديثة، وعلى رأسها اختبار مربع كاي للاستقلال (Chi-Square Test of Independence) واختبارات جودة المطابقة (Goodness-of-Fit). في هذه النماذج الاستدلالية، يتم توليد التكرارات المتوقعة نظرياً تحت فرضية العدم (Null Hypothesis) بالاعتماد التام على ضرب الاحتمالات الهامشية لبعضها ببعض، مما يجعل التوزيع الهامشي المعيار القياسي الذي يُقاس عليه مدى وجود اقتران أو تفاعل بين المتغيرات.

يمتد هذا الدور أيضاً إلى نمذجة الانحدار والتحليل التنبؤي؛ حيث يتطلب تقدير معاملات النماذج الاحتمالية فهماً دقيقاً لكيفية تصرف المتغير التابع بشكل هامشي قبل محاولة تفسير تباينه المشترك بالاعتماد على المتغيرات المستقلة. يتيح هذا التمييز للمحللين ضبط مقاييس القياس والتأكد من استيفاء الفروض الإحصائية، كتوزيع الأخطاء ومعايرة المقاييس المتعددة.

1.3 سياق التوزيع الهامشي في الدراسات النفسية والسلوكية

في مجالات علم النفس، والقياس النفسي، والعلوم السلوكية، تتسم البيانات بتعقيد بنيوي ناجم عن تداخل السمات الشخصية، والقدرات المعرفية، والعوامل الديموغرافية والبيئية. يساعد التوزيع الهامشي الباحث النفسي على دراسة خصائص سمة معينة — مثل الانبساطية أو العصابية — وتوصيف توزيعها العام في مجتمع الدراسة دون تشويه ناجم عن تأثير التوزيع الطبقي للنوع الاجتماعي، أو الفئات العمرية، أو المستويات الاقتصادية.

تتجلى الأهمية التطبيقية بوضوح عند تحليل استجابات الاختبارات والمقاييس النفسية المقننة عبر تفكيك جداول التصنيف الثنائي والمتعدد. ففي دراسات قياس اضطرابات المزاج، كالاضطراب الاكتئابي الجسيم أو القلق العام، يكون من الضروري تحديد “المعدل الهامشي لانتشار الاضطراب” في المجتمع المدروس قبل الشروع في فحص الفروق الفردية بين الذكور والإناث أو بين مختلف المهن. إن إدراك النسبة الهامشية للمستجيبين الذين يقعون في الفئة الإكلينيكية الحرجة يوفر الأساس المعياري لتطوير المعايير التشخيصية وعتبات القطع (Cut-off scores).

كمثال تطبيقي، عند تطبيق مقياس لقياس مستويات قلق الاختبار لدى طلبة الجامعات عبر مصفوفة تضم متغيرات “مستوى القلق” (منخفض، متوسط، مرتفع) و”التخصص الأكاديمي” (علمي، إنساني، صحي)، فإن استخراج التوزيع الهامشي للقلق يعطي صورة كلية مجردة عن الوضع النفسي للطلبة ككل، مما يوجه السياسات الإرشادية العامة للجامعة قبل الانتقال إلى استراتيجيات التدخل المتخصصة لكل كلية على حدة.

2. الإطار النظري والرياضي للتوزيع الهامشي

2.1 العلاقة البنيوية بين التوزيع المشترك والتوزيع الهامشي

تستند العلاقة بين التوزيع الاحتمالي المشترك والتوزيعات الهامشية إلى مبادئ الفضاءات الاحتمالية المجردة التي أسسها عالم الرياضيات الروسي أندريه كولموغوروف (Andrey Kolmogorov). إذا كان لدينا متغيران عشوائيان $X$ و $Y$ مُعرَّفان على نفس فضاء العينة، فإن التوزيع المشترك — سواء عبر دالة الكتلة الاحتمالية المشتركة (Joint PMF) $P(X = x, Y = y)$ للمتغيرات المنفصلة أو دالة الكثافة الاحتمالية المشتركة (Joint PDF) $f_{X,Y}(x, y)$ للمتغيرات المتصلة — يحدد الاحتمال المتزامن لكل زوج مرتب من القيم $(x, y)$.

يمثل التوزيع الهامشي عملية إسقاط هندسي وإحصائي للفضاء ثنائي الأبعاد (أو متعدد الأبعاد) على محور أحادي يخص المتغير $X$ وحده أو $Y$ وحده. رياضياً، يتحقق هذا الإسقاط عبر تطبيق قانون الاحتمال الكلي (Law of Total Probability)، الذي ينص على أن احتمال وقوع الحدث $X = x$ هو مجموع احتمالات وقوع هذا الحدث متزامناً مع جميع الأحداث الشاملة والمتنافية الممكنة للمتغير $Y$.

تتم صياغة هذه العلاقة البنيوية عبر مبدأ “التهميش” (Marginalization)؛ حيث يُنظر إلى التوزيع المشترك باعتباره البنية المعلوماتية الكاملة التي تحتوي على كافة الارتباطات والتفاعلات والتوزيعات الفردية، في حين يُنظر إلى التوزيع الهامشي باعتباره استخلاصاً جزئياً لمعلومات متغير واحد بعد “استهلاك” أو “تجميع” التباين العائد للمتغيرات الأخرى.

2.2 التدوين والرموز الرياضية المعيارية

يعد الالتزام بالتدوين الرياضي الدقيق أمراً حاسماً لتفادي الخلط المفاهيمي بين الدوال الاحتمالية المختلفة. بالنسبة للمتغيرات العشوائية المنفصلة، يُرمز لدالة الكتلة الاحتمالية الهامشية للمتغير $X$ بالرمز $p_X(x)$ أو $P(X = x)$، وتُحسب عبر جمع دالة الكتلة الاحتمالية المشتركة على جميع القيم الممكنة للمتغير $Y$ التي تنتمي إلى مداه $\mathcal{R}_Y$:

$$P(X = x) = \sum_{y in \mathcal{R}_Y} P(X = x, Y = y)$$

أما بالنسبة للمتغيرات العشوائية المتصلة، يُرمز لدالة الكثافة الاحتمالية الهامشية للمتغير $X$ بالرمز $f_X(x)$، وتُشتق عبر إجراء التكامل المحدد لدالة الكثافة المشتركة $f_{X,Y}(x, y)$ بالنسبة للمتغير $y$ على امتداد مجاله المعرف من $-\infty$ إلى $+\infty$:

$$f_X(x) = \int_{-\infty}^{+\infty} f_{X,Y}(x, y) , dy$$

من الضروري وضع تمييز صارم في الترميز بين ثلاثة أنواع من التوزيعات: التوزيع المشترك $f_{X,Y}(x, y)$ الذي يعبر عن الحدوث الآني، والتوزيع الهامشي $f_X(x)$ الذي يمثل السلوك الفردي المعزول، والتوزيع الشرطي $f_{X|Y}(x | y)$ الذي يعبر عن السلوك الاحتمالي للمتغير $X$ في ظل ثبوت المتغير $Y$ عند قيمة محددة $y$. يرتبط هذا الثالوث الرياضي بالمعادلة المركزية:

$$f_{X|Y}(x | y) = \frac{f_{X,Y}(x, y)}{f_Y(y)} \quad \text{حيث} \quad f_Y(y) > 0$$

3. التوزيع الهامشي للمتغيرات العشوائية المنفصلة

3.1 الاشتقاق الرياضي لدالة الكتلة الاحتمالية الهامشية

ينطلق الاشتقاق الرياضي لدالة الكتلة الاحتمالية الهامشية لمتغير عشوائي منفصل $X$ من حقيقة أن الأحداث ${Y = y_j}$ تشكل تجزئة كاملة (Partition) لفضاء العينة الخاص بالمتغير $Y$. وبما أن هذه الأحداث متنافية مانعة للجمع (Mutually Exclusive) وشاملة جماعياً (Collectively Exhaustive)، فإن احتمال وقوع$X = x_i$ يتطابق بالضرورة مع اتحاد الأحداث المشتركة المتقاطعة مع كافة قيم $Y$.

تخضع دالة الكتلة الاحتمالية الهامشية المستخرجة لشروط كولموغوروف الأساسية للاحتمالات، والتي تشمل:

• اللاتسالب: $0 le P(X = x_i) le 1$ لجميع قيم $x_i$.
• خاصية الجمع الكلي المعياري: $\sum_{i} P(X = x_i) = 1$.

عند التعامل مع المتغيرات المنفصلة اللانهائية القابلة للعد (مثل توزيع بواسون – Poisson Distribution أو التوزيع الهندسي)، يتخذ الاشتقاق الهامشي شكل متسلسلة لانهائية. في هذه الحالات، يجب التحقق الصارم من تقارب المتسلسلة الرياضية (Series Convergence) لضمان أن المجموع الهامشي يؤول بدقة إلى الواحد الصحيح، مما يؤكد صحة التوزيع كدالة كتلة احتمالية قانونية.

3.2 جداول التوافق وحساب التكرارات الهامشية

في التطبيقات العملية لتحليل البيانات، يتم تمثيل التوزيع المشترك لمتغيرين منفصلين أو فئويين عبر جدول التوافق (Contingency Table) من القياس $r \times c$، حيث يمثل $r$ عدد صفوف الفئات للمتغير الأول، بينما يمثل $c$ عدد أعمدة الفئات للمتغير الثاني. يحتوي كل صف وعمود على خلايا داخلية تمثل التكرارات المشتركة الملاحظة $n_{ij}$.

يتم حساب التكرار الهامشي للصف رقم $i$، ويُرمز له بالرمز$n_{icdot}$، بجمع جميع التكرارات المشتركة الواقعة عبر أعمدة ذلك الصف:

$$n_{i\cdot} = \sum_{j=1}^{c} n_{ij}$$

وبالمثل، يُحسب التكرار الهامشي للعمود رقم $j$، ويُرمز له بالرمز$n_{cdot j}$، بجمع جميع تكرارات ذلك العمود عبر الصفوف:

$$n_{\cdot j} = \sum_{i=1}^{r} n_{ij}$$

ولتحويل هذه التكرارات المطلقة إلى احتمالات هامشية تجريبية (Empirical Marginal Probabilities)، تُقسم المجاميع الهامشية على الحجم الكلي للعينة $N = \sum_{i=1}^{r} \sum_{j=1}^{c} n_{ij}$، فنحصل على:

$$P(X = x_i) = \frac{n_{i\cdot}}{N} \quad \text{و} \quad P(Y = y_j) = \frac{n_{\cdot j}}{N}$$

3.3 نموذج تطبيقي عملي للمتغيرات المنفصلة

لنفترض إجراء دراسة في علم النفس الإكلينيكي لفحص العلاقة بين “نمط التعلق العاطفي” ($X$: آمن، قلق، تجنبي) و”النمط المزاجي السائد” ($Y$: إيجابي، منبسط، انعزالي/انسحابي) لدى عينة من$N = 400$ مشارك. يعرض الجدول التالي التوزيع المشترك للتكرارات الملاحظة في خلاياه الداخلية، بالإضافة إلى المجاميع الهامشية المستخرجة:

نمط التعلق ($X$) النمط المزاجي ($Y$)	إيجابي ($Y_1$)	منبسط ($Y_2$)	انعزالي ($Y_3$)	المجموع الهامشي للصف ($n_{i\cdot}$)	الاحتمال الهامشي $P(X = x_i)$
آمن ($X_1$)	120	60	20	200	$200 / 400 = 0.500$
قلق ($X_2$)	30	50	40	120	$120 / 400 = 0.300$
تجنبي ($X_3$)	10	20	50	80	$80 / 400 = 0.200$
المجموع الهامشي للعمود ($n_{\cdot j}$)	160	130	110	المجموع الكلي $N = 400$	$\sum P(X) = 1.000$
الاحتمال الهامشي $P(Y = y_j)$	$160/400 = 0.400$	$130/400 = 0.325$	$110/400 = 0.275$	$\sum P(Y) = 1.000$	—

من خلال قراءة التوزيع الهامشي للمتغير $X$، نجد أن احتمال أن يكون الفرد عشوائياً ذو نمط تعلق “آمن” هو$P(X = X_1) = 0.50$، بغض النظر تماماً عن نمطه المزاجي. وبالمثل، يُظهر التوزيع الهامشي للمتغير$Y$ أن نسبة الأفراد ذوي المزاج “الانعزالي” في مجتمع العينة هي $P(Y = Y_3) = 0.275$ دون أدنى اعتبار لطبيعة تعلقهم العاطفي. يُلاحظ أن مجموع الاحتمالات الهامشية لكل متغير يساوي بدقة $1.000$.

4. التوزيع الهامشي للمتغيرات العشوائية المتصلة

4.1 الاشتقاق الرياضي عبر التكامل لدالة الكثافة الهامشية

في حالة المتغيرات العشوائية المتصلة (Continuous Random Variables)، لا تتوزع الاحتمالات على نقاط كتلية منفصلة، بل تمتد على شكل كثافة احتمالية مستمرة في الفضاء الهندسي $\mathbb{R}^2$. تُعرَّف دالة الكثافة الاحتمالية المشتركة $f_{X,Y}(x, y)$ بحيث يكون حجم الاحتمال في منطقة تفاضلية متناهية الصغر هو $f_{X,Y}(x, y) , dx , dy$.

لاستخراج دالة الكثافة الهامشية $f_X(x)$، نقوم بإجراء “تكامل شريطي” على امتداد المحور الرأسي للمتغير $y$ عند كل قيمة محددة لـ $x$. هذا التكامل يجمع هندسياً كافة الشرائح متناهية الصغر للمساحة تحت السطح الاحتمالي المشترك المقابلة لقيمة$x$ الثابتة:

$$f_X(x) = \int_{-\infty}^{\infty} f_{X,Y}(x, y) , dy$$

تتمثل الصعوبة التحليلية الأساسية في هذه العملية في التحديد الدقيق لحدود التكامل (Limits of Integration)، لا سيما عندما تكون الدالة المشتركة معرفة على مجالات غير منتظمة أو معتمدة على قيم المتغير الآخر (مثل $0 le y le x le 1$). في مثل هذه الحالات، تتغير حدود التكامل لتصبح دوالاً في$x$ وليست ثوابت عددية.

يجب أن تحقق دالة الكثافة الهامشية الناتجة $f_X(x)$ شرطين جوهريين:

• اللاتسالب: $f_X(x) ge 0$ لجميع قيم $x in \mathbb{R}$.
• شرط المعايرة الاحتمالية الكلية: $\int_{-\infty}^{\infty} f_X(x) , dx = 1$.

4.2 حساب التوزيع الهامشي في التوزيعات الثنائية المتصلة المعقدة

يُعد التوزيع الطبيعي ثنائي المتغيرات (Bivariate Normal Distribution) النموذج الأهم والأكثر شيوعاً في التطبيقات الإحصائية والنفسية. تُعطى دالة الكثافة المشتركة لمتغيرين طبيعيين $X \sim \mathcal{N}(\mu_X, \sigma_X^2)$ و $Y \sim \mathcal{N}(\mu_Y, \sigma_Y^2)$ بمعامل ارتباط $rho$ بالصيغة الرياضية التالية:

$$f_{X,Y}(x,y) = \frac{1}{2\pi \sigma_X \sigma_Y \sqrt{1-\rho^2}} \exp\left( -\frac{1}{2(1-\rho^2)} \left[ \left(\frac{x-\mu_X}{\sigma_X}\right)^2 – 2\rho\left(\frac{x-\mu_X}{\sigma_X}\right)\left(\frac{y-\mu_Y}{\sigma_Y}\right) + \left(\frac{y-\mu_Y}{\sigma_Y}\right)^2 \right] \right)$$

عند إجراء التكامل بالنسبة لـ $y$ عبر إكمال المربع داخل الأس، نصل إلى نتيجة رياضية بالغة الأهمية: التوزيع الهامشي لكل متغير ينبثق من توزيع طبيعي ثنائي هو في حد ذاته توزيع طبيعي أحادي المتغير تماماً، وتكون دالته الهامشية هي:

$$f_X(x) = \frac{1}{\sigma_X \sqrt{2\pi}} \exp\left( -\frac{(x – \mu_X)^2}{2\sigma_X^2} \right)$$

تتميز هذه النتيجة بأن الدالة الهامشية $f_X(x)$ لا تحتوي على أي أثر لمعامل الارتباط $rho$ أو معالم المتغير الآخر $\mu_Y$ و $\sigma_Y$. يبرهن هذا الاشتقاق قدرة التوزيع الهامشي على عزل المعالم المستقلة للمتغير وتجريدها من التشابك المشترك.

أما في الحالات التي تُعرَّف فيها الدوال على مجالات مثلثية أو دائرية (كالنماذج المقيدة)، فإن التكامل يتطلب استخدام التحويلات الهندسية وتغيير الإحداثيات (كالإحداثيات القطبية) لضمان صحة حدود التكامل المستخرجة.

4.3 تطبيق تكاملي عملي في القياس النفسي

في تجربة لقياس الأداء المعرفي تحت الضغط، تم قياس متغيرين متصلين: زمن الرجع بالثواني ($X$) ودرجة الدقة المعيارية ($Y$). تم تمثيل الكثافة الاحتمالية المشتركة لهذين المتغيرين تجريبياً بالدالة التالية المعرفة على المجال المثلثي المعتمد:

$$f_{X,Y}(x, y) = 8xy \quad \text{حيث} \quad 0 le y le x le 1$$

وتساوي صفراً في أي مكان آخر. المطلوب: استخراج دالة الكثافة الاحتمالية الهامشية لزمن الرجع $f_X(x)$، ودراسة خصائصها.

خطوات الحل والاشتقاق الرياضي:

1. نحدد حدود المتغير $y$ بدلالة $x$ من المتباينة المعطاة: نلاحظ أن $y$ يتغير من الحد الأدنى $0$ إلى الحد الأعلى $x$.

2. نطبق صيغة التكامل الهامشي:

$$f_X(x) = \int_{y=0}^{x} 8xy , dy = 8x \int_{0}^{x} y , dy$$

3. نجري التكامل البسيط بالنسبة لـ $y$:

$$f_X(x) = 8x \left[ \frac{y^2}{2} \right]_{0}^{x} = 8x \left( \frac{x^2}{2} – 0 \right) = 4x^3$$

4. نحدد مجال تعريف الدالة الهامشية الناتجة: بما أن $x$ يتحرك من $0$ إلى $1$، فإن:

$$f_X(x) = 4x^3 \quad \text{لكل} \quad 0 le x le 1$$

5. التحقق من صحة شرط المعايرة:

$$\int_{0}^{1} f_X(x) , dx = \int_{0}^{1} 4x^3 , dx = \left[ x^4 \right]_{0}^{1} = 1 – 0 = 1$$

التفسير السلوكي للنتيجة: تُظهر الدالة الهامشية $f_X(x) = 4x^3$ أن الكثافة الاحتمالية لزمن الرجع تتزايد بتناسب تكعيبي مع زيادة الزمن $x$. هذا يعني أن الغالبية العظمى من المشاركين في التجربة تتركز أزمنة استجابتهم نحو النهاية العليا للمجال المحدد، مما يعكس سلوكاً تأملياً أو بطئاً في المعالجة المعرفية تحت شروط الاختبار المعقدة، وذلك بمعزل عن درجة الدقة التي حققوها.

5. خطوات إيجاد وحساب التوزيع الهامشي: دليل منهجي

5.1 المرحلة الأولى: فحص وتحديد طبيعة البيانات والمتغيرات

تبدأ الخطوة المنهجية الأولى في أي تحليل إحصائي يهدف إلى استخراج التوزيعات الهامشية بالفرز الدقيق لمستوى قياس المتغيرات الخاضعة للدراسة. يجب تصنيف المتغيرات إلى: فئوية اسمية (Nominal)، فئوية ترتيبية (Ordinal)، كمية منفصلة (Discrete)، أو كمية متصلة (Continuous). يحدد هذا التمييز الأولي بصورة قاطعة المسار الرياضي الذي يجب اتباعه: إما التحليل الجمعي التجميعي أو التكامل الرياضي.

يتعين في هذه المرحلة أيضاً التأكد من الشروط الأولية لصلاحية الدالة الرياضية أو مصفوفة البيانات؛ حيث يجب التأكد من عدم وجود تكرارات سالبة، وخلو البيانات من القيم المفقودة غير المعالجة، والتحقق من أن مجموع التكرارات أو تكامل الدالة المشتركة عبر كامل الفضاء يساوي الواحد الصحيح بدقة رياضية.

كما تتضمن هذه المرحلة دراسة نطاق المتغيرات والحدود الرياضية لمجالاتها (Domain Boundaries)، والبحث عما إذا كانت حدود أحد المتغيرات تعتمد على قيم المتغير الآخر (Dependent Domains)؛ حيث تتطلب النطاقات المعتمدة معالجة هندسية دقيقة لتحديد مسارات التهميش بصورة صحيحة.

5.2 المرحلة الثانية: تنفيذ العمليات الحسابية

تتمثل المرحلة التنفيذية في تطبيق الآلية الرياضية المناسبة لطبيعة الفضاء الاحتمالي وفق المنهجيات التالية:

• في الفضاءات المنفصلة: يتم تثبيت قيمة المتغير المستهدف $X = x_i$، ثم إجراء الجمع الجبري لكافة احتمالات الخلايا المشتركة المقابلة لجميع قيم المتغير الثانوي $Y = y_1, y_2, dots, y_m$. تتكرر هذه العملية الحسابية لكل قيمة من قيم $X$ لبناء جدول دالة الكتلة الهامشية بالكامل.
• في الفضاءات المتصلة: يتم تثبيت المتغير $x$ كمعامل ثابت، وإجراء التكامل المحدد بالنسبة للمتغير $y$ عبر النطاق الممتد من حدوده الدنيا إلى حدوده العليا المعرفة بالدالة. وفي حال وجود مناطق تعريف مجزأة (Piecewise Functions)، يجب تقسيم التكامل إلى أجزاء متعددة تتطابق مع كل منطقة تعريفية.
• صياغة دالة التوزيع التراكمي الهامشية (Marginal Cumulative Distribution Function – CDF): بعد استخراج دالة الكثافة أو الكتلة الهامشية، يُستحسن حساب دالة التوزيع التراكمي $F_X(x) = P(X le x)$ عبر جمع أو تكامل الدالة الهامشية من الحد الأدنى حتى النقطة $x$، مما يوفر أداة رياضية قوية لحساب المئينات والرتب المئينية.

5.3 المرحلة الثالثة: التحقق والتقييم الاستدلالي

عقب إتمام الحسابات الجبرية أو التكاملية، تأتي مرحلة التدقيق الرياضي والتحقق من الاتساق المنطقي. يتضمن ذلك اختبار الخصائص الأساسية للتوزيع الناتج للتأكد من انطباق شرط المعايرة الكلية ($\sum P = 1$ أو $\int f = 1$)، وخلو الدالة من أي احتمالات سالبة أو قيم كثافة غير منطقية عند النهايات الطرفية للمجال.

تتضمن هذه المرحلة أيضاً مقارنة المعالم الهامشية المستخرجة مع التوزيعات الشرطية المقابلة؛ إذ تكشف هذه المقارنة الأولية ما إذا كان التوزيع يتغير بتغير شروط المتغير الآخر، وهو المؤشر المبدئي الحاسم لوجود علاقات ارتباطية أو تفاعلية بين المتغيرات المدروسة.

أخيراً، يتم توثيق كافة خطوات الاشتقاق والنتائج الرقمية وفق المعايير الأكاديمية المعتمدة (مثل معايير جمعية علم النفس الأمريكية – APA)، مع عرض الجداول والرسوم البيانية المرافقة التي تبرز المنحنى التوزيعي الهامشي ومقارنته بالمنحنى الطبيعي المرجعي.

6. التمييز بين التوزيع الهامشي والمشترك والشرطي

6.1 المقارنة المفاهيمية والوظيفية

يمثل فهم الفروق الجوهرية بين التوزيع المشترك، والتوزيع الهامشي، والتوزيع الشرطي أحد أهم ركائز التفكير الإحصائي السليم؛ حيث يجيب كل توزيع من هذه التوزيعات الثلاثة عن سؤال علمي مختلف كلياً ويوفر منظوراً خاصاً لتحليل الظواهر:

• التوزيع المشترك $P(X = x, Y = y)$ أو $f_{X,Y}(x, y)$: يقدم خريطة احتمالية كلية وشاملة تصف كيفية حدوث المتغيرين معاً في آنٍ واحد. يعكس هذا التوزيع كافة التفاعلات والارتباطات والاعتماديات الخطية وغير الخطية القائمة بين المتغيرات ضمن الفضاء ثنائي الأبعاد.
• التوزيع الهامشي $P(X = x)$ أو $f_X(x)$: يقدم رؤية أحادية البعد تركز حصرياً على متغير واحد وتتجاهل تماماً وجود المتغير الآخر. يلغي هذا التوزيع أثر المتغير الثانوي عبر تجميعه كلياً، مما يجعله مثالياً لوصف الخصائص الذاتية للمتغير في المجتمع ككل.
• التوزيع الشرطي $P(X = x | Y = y)$ أو $f_{X|Y}(x | y)$: يقدم تقييماً دقيقاً لسلوك المتغير $X$ في ظل تحقق شرط محدد وثابت للمتغير $Y$. يمثل هذا التوزيع إعادة معايرة (Re-scaling) للفضاء الاحتمالي عند شريحة أفقية أو رأسية محددة، بحيث يصبح المجموع الاحتمالي لتلك الشريحة وحدها مساوياً للواحد الصحيح.

6.2 الربط الرياضي عبر مبرهنة بايز والاستقلال الاحتمالي

يرتبط هذا الثالوث التوزيعي برباط رياضي عضوي وثيق تحكمه مبرهنة بايز (Bayes’ Theorem) وقواعد الاحتمال الشرطي. يُصاغ التوزيع الشرطي بدلالة التوزيع المشترك مقسوماً على التوزيع الهامشي للمتغير المشروط به:

$$P(X = x | Y = y) = \frac{P(X = x, Y = y)}{P(Y = y)} = \frac{P(X = x, Y = y)}{\sum_{x’} P(X = x’, Y = y)}$$

يكتسب التوزيع الهامشي في هذا السياق وزناً محورياً بصفته “المقام المعاير” (Normalizing Constant) في صيغة بايز؛ حيث يضمن أن التوزيع اللاحق أو الشرطي يستوفي شروط الاحتمال الكاملة.

أما من منظور الاستقلال الإحصائي (Statistical Independence)، فيكون المتغيران العشوائيان $X$ و $Y$ مستقلين استقلالاً تاماً إذا وفقط إذا كان التوزيع المشترك مساوياً لحاصل ضرب التوزيعين الهامشيين لكل زوج من القيم:

$$f_{X,Y}(x, y) = f_X(x) \cdot f_Y(y) \quad \forall (x, y)$$

ويترتب على هذا الشرط الرياضي الجوهري أن التوزيع الشرطي يتطابق تماماً مع التوزيع الهامشي في حالة الاستقلال:

$$f_{X|Y}(x | y) = f_X(x) \quad \text{و} \quad f_{Y|X}(y | x) = f_Y(y)$$

يعني هذا التطابق الرياضي أن معرفة قيمة المتغير $Y$ لا تضيف أي معلومات جديدة ولا تغير من الاحتمالات التوزيعية الذاتية للمتغير $X$.

6.3 أمثلة تطبيقية مقارنة في الأبحاث السلوكية

لتوضيح التمايز العملي بين هذه التوزيعات في الأبحاث النفسية، نتناول دراسة وبائية حول انتشار “أعراض الاكتئاب” ($X$: مصاب، غير مصاب) وعلاقتها بـ “الفئات العمرية” ($Y$: شباب، منتصف العمر، كبار السن):

• الاحتمال المشترك $P(X = \text{مصاب}, Y = \text{شباب})$: يمثل نسبة الأفراد الذين يجمعون بين صفتي الإصابة بالاكتئاب والانتماء لفئة الشباب من إجمالي جميع أفراد المجتمع الخاضع للدراسة (مثلاً 0.08 أو 8%).
• الاحتمال الهامشي $P(X = \text{مصاب})$: يمثل المعدل العام لانتشار الاكتئاب في المجتمع ككل عبر دمج كافة الفئات العمرية معاً (مثلاً 0.22 أو 22%). يعبر هذا الرقم عن العبء الإجمالي للمرض دون الالتفات إلى التركيبة العمرية.
• الاحتمال الشرطي $P(X = \text{مصاب} | Y = \text{شباب})$: يمثل نسبة المصابين بالاكتئاب المحصورة داخل فئة الشباب فقط (مثلاً 0.35 أو 35%). هنا تم تضييق فضاء العينة ليكون مجتمع الشباب وحده.

تساعد هذه المقارنة الدقيقة علماء النفس والباحثين في التمييز بين الأرقام الوبائية العامة (الهامشية) ومؤشرات الخطورة النسبية الخاصة بكل فئة فرعية (الشرطية)، وتفادي الوقوع في التعميمات الخاطئة الناتجة عن الخلط بين هذه المستويات الاحتمالية الثلاثة.

7. الخصائص الإحصائية للتوزيعات الهامشية: التوقع والتباين

7.1 حساب القيمة المتوقعة الهامشية (Marginal Expectation)

تُعبر القيمة المتوقعة الهامشية (Marginal Expected Value)، والتي يُرمز لها بالرمز $E[X]$ أو $\mu_X$، عن المتوسط الحسابي النظري طويل المدى للمتغير العشوائي $X$ بعد تفكيك وإلغاء تأثير المتغيرات المشتركة الأخرى. تُحسب القيمة المتوقعة الهامشية مباشرة باستخدام دالة التوزيع الهامشي المقابلة:

$$E[X] = \sum_{x} x \cdot P(X = x) \quad \text{(للمتغيرات المنفصلة)}$$

$$E[X] = \int_{-\infty}^{\infty} x \cdot f_X(x) , dx \quad \text{(للمتغيرات المتصلة)}$$

من أهم المبرهنات الأساسية في الإحصاء الرياضي هي إثبات تساوي التوقع المحسوب من الدالة الهامشية مع التوقع المحسوب مباشرة من دالة التوزيع المشترك عبر قانون الإحصائي اللاواعي (LOTUS):

$$E[X] = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} x \cdot f_{X,Y}(x, y) , dy , dx = \int_{-\infty}^{\infty} x \left[ \int_{-\infty}^{\infty} f_{X,Y}(x, y) , dy \right] dx = \int_{-\infty}^{\infty} x \cdot f_X(x) , dx$$

يرتبط هذا المفهوم أيضاً بـ قانون التوقع الكلي (Law of Total Expectation) أو قانون التوقعات المتكررة (Tower Property)، والذي يربط التوقع الهامشي بمتوسط التوقعات الشرطية:

$$E[X] = E_Y\left[ E_{X|Y}[X | Y] \right]$$

تُعد هذه الخاصية بالغة الأهمية في النمذجة المعرفية؛ حيث تتيح تقدير الأداء العام للمفحوصين عبر حساب متوسطات الأداء المشروط بمستويات صعوبة المهام المختلفة وترجيحها وفق التوزيع الهامشي لتلك المهام.

7.2 حساب التباين والانحراف المعياري الهامشي

يقيس التباين الهامشي (Marginal Variance)، ويرمز له بالرمز $\text{Var}(X)$ أو $\sigma_X^2$، درجة تشتت وانفراج قيم المتغير $X$ حول وسطه الحسابي الهامشي $E[X]$، ويُشتق باستخدام الصيغة المركزية المعتمدة:

$$\text{Var}(X) = E[X^2] – (E[X])^2$$

حيث يُحسب العزم الثاني الخام $E[X^2]$ باستخدام الدالة الهامشية عبر $\sum x^2 P(X=x)$ أو $\int x^2 f_X(x) dx$. ويمثل الانحراف المعياري الهامشي $\sigma_X = \sqrt{\text{Var}(X)}$ المقياس المعياري للتشتت بنفس وحدة قياس المتغير الأصلي.

يكتسب التباين الهامشي أهمية نظرية إضافية من خلال قانون التباين الكلي (Law of Total Variance)، والذي يفكك التباين الهامشي الإجمالي إلى مركبين جوهريين:

$$\text{Var}(X) = E_Y\left[ \text{Var}_{X|Y}(X | Y) \right] + \text{Var}_Y\left( E_{X|Y}[X | Y] \right)$$

يُعرف المركب الأول بـ “متوسط التباينات الشرطية داخل المجموعات” (Within-group Variance)، بينما يُعرف المركب الثاني بـ “تباين التوقعات الشرطية بين المجموعات” (Between-group Variance). يمثل هذا التفكيك الرياضي الأساس النظري لاختبارات تحليل التباين (ANOVA) ونماذج القياس النفسي، حيث يُستخدم لتقييم مقدار التباين الكلي في السمة النفسية المنسوب إلى الفروق بين الفئات مقابل التباين المتبقي غير المفسر.

7.3 العزوم الإحصائية المتقدمة (الالتواء والتفرطح الهامشي)

يمتد التحليل الهامشي ليشمل العزوم الإحصائية المتقدمة من الرتبتين الثالثة والرابعة، والتي توفر توصيفاً دقيقاً لشكل المنحنى التوزيعي المستقل للمتغير:

• معامل الالتواء الهامشي (Marginal Skewness): يُحسب من العزم المركزي الثالث المعاير $\gamma_1 = \frac{E[(X – \mu_X)^3]}{\sigma_X^3}$، ويقيس درجة عدم التماثل في التوزيع الهامشي حول المتوسط. يشير الالتواء الموجب إلى امتداد الذيل الأيمن للتوزيع (كما في متغيرات زمن الاستجابة في الاختبارات المعرفية)، بينما يشير الالتواء السالب إلى امتداد الذيل الأيسر (كما في درجات الاختبارات السهلة ذات التأثير السقفي Ceiling Effect).
• معامل التفرطح الهامشي (Marginal Kurtosis): يُحسب من العزم المركزي الرابع المعاير $\gamma_2 = \frac{E[(X – \mu_X)^4]}{\sigma_X^4}$، ويقيس مدى تدبب قمة المنحنى وثقل أطرافه (ذيل التوزيع) مقارنة بالتوزيع الطبيعي المعياري الذي يبلغ تفرطحه 3.

يُعد تقييم اعتدالية التوزيع الهامشي عبر فحص الالتواء والتفرطح خطوة تشخيصية حاسمة في الأبحاث السلوكية؛ حيث يترتب على انحراف التوزيع الهامشي عن التوزيع الاعتدالي ضرورة اللجوء إلى الاختبارات اللامعلمية (Non-parametric tests) أو تطبيق التحويلات الرياضية (مثل التحويل اللوغاريتمي) لاستعادة الفروض الاعتدالية المطلوبة في النماذج الخطية المتقدمة.

8. قراءة وتحليل جداول التوافق في الأبحاث النفسية

8.1 تشريح جداول التوافق المعقدة (r × c)

تُعد جداول التوافق ذات البعد $r \times c$ الأداة الوصفية والاستدلالية الرئيسية لتمثيل التوزيعات المشتركة والهامشية للمتغيرات التصنيفية والمتعددة الفئات في علم النفس الاجتماعي والإكلينيكي. يتكون الجدول من شبكة من الخلايا تحتوي كل خلية $(i, j)$ على التكرار الملاحظ المشترك $O_{ij}$ (أو $n_{ij}$).

تتموضع المجاميع الهامشية (Marginal Totals) على الحدود الخارجية للجدول؛ حيث يمثل مجموع الصف $R_i = \sum_{j=1}^{c} O_{ij}$ التكرار الهامشي للفئة $i$ من المتغير الأول، ويمثل مجموع العمود $C_j = \sum_{i=1}^{r} O_{ij}$ التكرار الهامشي للفئة $j$ من المتغير الثاني، في حين يمثل المجموع الكلي $N = \sum R_i = \sum C_j$ حجم العينة الإجمالي.

تعتمد النمذجة الإحصائية لفرضية الاستقلال استناداً حصرياً إلى هذه التكرارات الهامشية؛ حيث يُحسب التكرار المتوقع نظرياً للخلية $(i, j)$، ويُرمز له بالرمز $E_{ij}$، وفق المعادلة الصارمة:

$$E_{ij} = \frac{R_i \cdot C_j}{N} = \frac{(\text{مجموع الصف } i) \times (\text{مجموع العمود } j)}{\text{المجموع الكلي للجدول}}$$

تُشتق هذه الصيغة الرياضية مباشرة من فرضية استقلال الأحداث، حيث يكون الاحتمال المشترك المتوقع هو حاصل ضرب الاحتمالين الهامشيين: $P(X_i \cap Y_j) = P(X_i) \cdot P(Y_j) = \frac{R_i}{N} \cdot \frac{C_j}{N}$، وبضرب هذا الاحتمال في الحجم الكلي $N$ نحصل على صيغة التكرار المتوقع.

8.2 اختبار مربع كاي (Chi-Square) والاستقلال الهامشي

يقيس اختبار مربع كاي لبيرسون الفروق التراكمية بين التكرارات المشتركة الملاحظة في خلايا الجدول وتلك المتوقعة نظرياً بالاعتماد على الهوامش، وتُعطى إحصاءة الاختبار بالمعادلة:

$$\chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{c} \frac{(O_{ij} – E_{ij})^2}{E_{ij}}$$

ترتبط درجات الحرية (Degrees of Freedom – $df$) لهذا الاختبار ارتباطاً مباشراً بعدد الفئات الهامشية للمتغيرين، وتُحسب بالصيغة:

$$df = (r – 1)(c – 1)$$

يعكس هذا القانون الحقيقة الرياضية القائلة بأنه في حال معرفة المجاميع الهامشية الثابتة للجدول، فإن عدد الخلايا الحرة التي يمكن تحديد تكراراتها بحرية قبل أن تصبح بقية الخلايا محددة جبرياً هو دقيقاً $(r-1)(c-1)$.

إذا كانت قيمة $\chi^2$ المحسوبة أكبر من القيمة الحرجة عند مستوى دلالة محدد (مثل $\alpha = 0.05$)، تُرفض فرضية العدم الدالة على الاستقلال، مما يقود إلى الاستنتاج الإحصائي بوجود اقتران ذي دلالة إحصائية بين المتغيرين، وأن التوزيع المشترك الفعلي ينحرف بصورة دالة عن حاصل ضرب التوزيعات الهامشية المستقلة.

8.3 دراسة حالة نفسية تفصيلية

أُجريت دراسة تجريبية لمقارنة فعالية ثلاثة برامج علاجية لمرضى الرهاب الاجتماعي ($X$: علاج معرفي سلوكي CBT، علاج دوائي، علاج تحليلي) على مستوى التحسن الإكلينيكي بعد ستة أشهر ($Y$: منخفض، متوسط، مرتفع) على عينة قوامها$N = 300$ مريض. يعرض الجدول التالي التكرارات الملاحظة والتكرارات المتوقعة المحسوبة بين قوسين:

نوع التدخل ($X$) مستوى التحسن ($Y$)	منخفض ($Y_1$)	متوسط ($Y_2$)	مرتفع ($Y_3$)	مجموع الصف الهامشي ($R_i$)
معرفي سلوكي – CBT ($X_1$)	15 (26.67)	35 (36.67)	50 (36.67)	100
علاج دوائي ($X_2$)	25 (26.67)	45 (36.67)	30 (36.67)	100
علاج تحليلي ($X_3$)	40 (26.67)	30 (36.67)	30 (36.67)	100
مجموع العمود الهامشي ($C_j$)	80	110	110	$N = 300$

التحليل والحسابات الإحصائية:

1. حساب التكرار المتوقع لخلية العلاج المعرفي السلوكي مع التحسن المرتفع: $E_{13} = \frac{100 \times 110}{300} = 36.67$.

2. بحساب مساهمات كافة الخلايا في إحصاءة مربع كاي، نجد أن:

$$\chi^2 = \frac{(15-26.67)^2}{26.67} + \frac{(35-36.67)^2}{36.67} + \frac{(50-36.67)^2}{36.67} + dots = 19.32$$

3. درجات الحرية: $df = (3 – 1)(3 – 1) = 4$.

4. عند $\alpha = 0.001$ و $df = 4$، تكون القيمة الحرجة لمربع كاي هي $18.47$. وبما أن$chi^2 = 19.32 > 18.47$، نرفض فرضية الاستقلال بدلالة إحصائية فائقة ($p < 0.001$).

5. لحساب حجم التأثير، نستخدم معامل V لكرامر (Cramér’s V) المعتمد على المجاميع الهامشية ودرجات الحرية الصغرى $k = min(r, c) = 3$:

$$V = \sqrt{\frac{\chi^2}{N \cdot (k – 1)}} = \sqrt{\frac{19.32}{300 \cdot (3 – 1)}} = \sqrt{\frac{19.32}{600}} = \sqrt{0.0322} \approx 0.179$$

التفسير الإكلينيكي: تشير النسب الهامشية إلى أن النسبة العامة للمرضى الذين حققوا تحسناً مرتفعاً في مجمل العينة هي $110/300 = 36.7%$. ومع ذلك، أظهرت المقارنة الشرطية داخل مجموعة العلاج المعرفي السلوكي CBT أن نسبة التحسن المرتفع بلغت $50/100 = 50%$، وهي أعلى بكثير من المتوقع الهامشي العام، مما يؤكد الفعالية المتفوقة للتدخل المعرفي السلوكي مقارنة بالبدائل الأخرى، بحجم تأثير معتدل ذي مغزى إكلينيكي واضح.

9. تطبيقات التوزيع الهامشي في القياس النفسي والعلوم السلوكية

9.1 نظرية الاستجابة للمفردة (Item Response Theory – IRT)

تُمثل نظرية الاستجابة للمفردة (IRT) الإطار القياسي الحديث لتطوير وتقنين الاختبارات النفسية والتربوية. تفترض هذه النظرية وجود قدرة كامنة أو سمة غير ملاحظة يُرمز لها بالرمز $\theta$ (Theta)، وتُنمذج احتمالية الإجابة الصحيحة على فقرة معينة كدالة في هذه القدرة $P(Y_i = 1 | \theta)$.

تكمن المعضلة القياسية الكبرى في أن معالم الفقرات (الصعوبة، التمييز، التخمين) والقدرة الكامنة للمفحوصين $\theta$ تكون كلاهما غير معلومة وتتطلب تقديراً آنياً. للتغلب على هذه المشكلة، طوّر علماء القياس أسلوب الإمكانية الأعظمية الهامشية (Marginal Maximum Likelihood – MML) الذي يعتمد اعتماداً كلياً على فكرة التوزيع الهامشي.

في أسلوب MML، يتم عزل القدرة الكامنة $\theta$ من دالة الإمكان المشتركة للاستجابات عبر “مكاملتها خارج النموذج” (Integrating out) بالاعتماد على توزيع هامشي مفترض مسبقاً للقدرة في المجتمع، وغالباً ما يُفترض التوزيع الطبيعي المعياري $g(\theta) \sim \mathcal{N}(0, 1)$:

$$L_{\text{marginal}}(boldsymbol{\xi} | \mathbf{Y}) = \prod_{j=1}^{N} \int_{-\infty}^{\infty} \left[ \prod_{i=1}^{k} P(Y_{ji} = y_{ji} | \theta_j, boldsymbol{\xi}_i) \right] g(\theta_j) , d\theta_j$$

حيث تمثل $boldsymbol{\xi}$ معالم الفقرات المطلوب تقديرها. تتيح هذه المعايرة الهامشية تقدير معالم الفقرات بدقة فائقة وبمعزل تام عن عينة المفحوصين المحددة، مما يحقق مبدأ “الثبات المعلمي المتبادل” (Invariance Property) الذي تتميز به نماذج IRT عن النظرية الكلاسيكية للاختبارات (CTT).

9.2 النمذجة بالمعادلات البنائية (SEM) وتحليل المسار

في النمذجة بالمعادلات البنائية (Structural Equation Modeling – SEM)، يتعامل الباحثون مع شبكات معقدة من العلاقات السببية بين المتغيرات الكامنة والملاحظة. يشكل التوزيع الهامشي الركيزة الأساسية لتقدير النماذج عند التعامل مع معضلة البيانات المفقودة عبر أسلوب الإمكانية الأعظمية للمعلومات الكاملة (Full Information Maximum Likelihood – FIML).

بدلاً من استبعاد المشاركين الذين لديهم استجابات ناقصة، تقوم خوارزمية FIML ببناء دالة إمكانية هامشية مخصصة لكل فرد بناءً على المتغيرات المتاحة لديه فقط، وذلك بمكاملة أو تهميش المتغيرات المفقودة الخاصة بتلك الحالة من مصفوفة التوزيع المشترك متعدد المتغيرات:

$$\log L_i = -\frac{k_i}{2}\log(2\pi) – \frac{1}{2}log|boldsymbol{\Sigma}_i| – \frac{1}{2}(\mathbf{y}_i – boldsymbol{\mu}_i)^T boldsymbol{\Sigma}_i^{-1} (\mathbf{y}_i – boldsymbol{\mu}_i)$$

حيث تمثل $boldsymbol{\mu}_i$ و $boldsymbol{\Sigma}_i$ متجهات المتوسط ومصفوفة التغاير الهامشية المصغرة الخاصة بالحالة $i$. يضمن هذا الاستخدام الهامشي الحصول على تقديرات غير متحيزة وكفؤة لمعلمات النموذج دون الحاجة إلى حذف الحالات أو اللجوء إلى افتراضات تعويضية متطرفة.

بالإضافة إلى ذلك، تُستخدم التوزيعات الهامشية لتقييم كفاية المطابقة البنائية للنماذج متعددة المستويات (Multilevel SEM)، حيث يتم تقييم بنية التباين الهامشي الكلي وفصله عن بنيات التباين على مستوى المجموعات والمنظمات.

9.3 التحليل التلوي ودراسات التدخلات السلوكية

يمثل التحليل التلوي (Meta-Analysis) قمة الهرم الاستدلالي في تركيبيات الأدلة العلمية للعلوم السلوكية والطب النفسي المسند بالدليل. عند تجميع نتائج العشرات من الدراسات المستقلة لتقييم فعالية تدخل سلوكي، يواجه الباحثون في الغالب تقارير إحصائية ناقصة أو متباينة في مستويات القياس والضبط.

تُستخدم التوزيعات الهامشية في استخراج وإعادة بناء أحجام التأثير الهامشية (Marginal Effect Sizes) من جداول التوافق والمصفوفات الجزئية المنشورة في الأدبيات السابقة. تتيح النمذجة الهامشية للباحثين توحيد مقاييس التأثير (مثل فرق المتوسطات المعياري $d$ لكوهين أو نسب الأرجحية الهامشية Marginal Odds Ratios) عبر أوزان مرجحة تعكس أحجام العينات وتبايناتها الهامشية الذاتية.

علاوة على ذلك، تُستخدم نماذج الانحدار الهامشي المعممة (Marginal GEE Models) في الدراسات التلوية الطولية متعددة المراكز لضبط المتغيرات الدخيلة وتأثيرات المجموعات، مما يمنح متخذي القرار تقييماً شاملاً لمتوسط الاستجابة السكانية للبرامج العلاجية والوقائية المستهدفة.

10. حساب التوزيعات الهامشية باستخدام البرمجيات الإحصائية

10.1 التطبيق العملي عبر حزمة SPSS

تُعد حزمة IBM SPSS Statistics الحزمة الأكثر انتشاراً بين الباحثين السلوكيين والنفسيين لتحليل البيانات الفئوية وجداول التوافق. يتم استخراج التوزيعات والتكرارات الهامشية عبر الإجراء الكلاسيكي `Crosstabs` باتباع الخطوات التالية:

• من القائمة الرئيسية، يتم اختيار: Analyze > Descriptive Statistics > Crosstabs.
• يتم إدراج المتغير المستقل في صندوق الصفوف (Row) والمتغير التابع في صندوق الأعمدة (Column).
• يتم النقر على زر Cells، ومن قسم Percentages يتم تفعيل الخيارات الثلاثة:
  • Row: لحساب النسب الشرطية للصفوف بالنسبة للتكرار الهامشي للصف.
  • Column: لحساب النسب الشرطية للأعمدة بالنسبة للتكرار الهامشي للعمود.
  • Total: لحساب النسب المشتركة من المجموع الكلي، مع طباعة المجاميع الهامشية في نهاية كل صف وعمود.
• يتم الضغط على زر Statistics وتفعيل اختبار Chi-square ومعامل Phi and Cramer's V لتقييم الدلالة وحجم التأثير بناءً على الهوامش.

تُظهر مخرجات جدول التوافق في نافذة النتائج (SPSS Output Viewer) الصفوف والأعمدة الطرفية الموسومة بـ Total، والتي تمثل التوزيعات الهامشية المطلقة والنسبية التي يعتمد عليها التحليل المتقدم في تقييم البنية الكلية للمتغيرات.

10.2 البرمجة الإحصائية بلغة R

توفر بيئة R الإحصائية مرونة برمجية فائقة للتعامل مع التوزيعات الهامشية المنفصلة والمتصلة عبر مجموعة من الدوال المدمجة والحزم المتخصصة. فيما يلي توضيح منهجي لكيفية تنفيذ الحسابات:

أولاً: المتغيرات المنفصلة وجداول التوافق:

لحساب التوزيعات الهامشية لمصفوفة تكرارية ثنائية، تُستخدم دالة `margin.table()` ودالة `prop.table()`:

لتوليد المجاميع الهامشية للصفوف، نمرر المعامل margin = 1 للدالة margin.table(my_table, margin = 1). ولتوليد المجاميع الهامشية للأعمدة، نمرر المعامل margin = 2. ولتحويل هذه المجاميع إلى احتمالات ونسب مئوية هامشية، نطبق الدالة prop.table(my_table, margin = 1) لحساب الاحتمالات الهامشية أو الشرطية النسبية.

ثانياً: المتغيرات المتصلة والتكامل العددي:

لحساب التوزيع الهامشي لدالة كثافة مشتركة مستمرة $f(x, y)$ عند قيمة معينة لـ $x$، تُستخدم دالة التكامل العددي integrate() لدمج المتغير $y$ على امتداد مجاله المعرف:

يتم تعريف الدالة المشتركة كدالة برمجية تستقبل المتجهين $x$ و $y$، ثم تُنشأ دالة هامشية تستدعي دالة integrate() لمكاملة الدالة المشتركة بالنسبة لـ $y$ من الحد الأدنى للحد الأعلى لكل قيمة مدخلة من قيم $x$.

ثالثاً: التمثيل البصري للتوزيعات الهامشية:

يُستخدم نظام الرسوم ggplot2 المدعوم بحزمة ggExtra لإنشاء مخططات تشتت معززة بالمدرجات التكرارية الهامشية (Marginal Histograms) أو منحنيات الكثافة الهامشية (Marginal Density Plots) عبر استدعاء دالة ggMarginal()، مما يوفر رؤية بصرية متكاملة تجمع بين التوزيع المشترك في المركز والتوزيعات الهامشية على الأطراف الخارجية للمخطط.

10.3 التحليل الحسابي باستخدام بيئة Python

توفر منظومة الحوسبة العلمية في لغة Python عبر مكتبات `pandas`، `scipy.stats`، `sympy`، و `seaborn` أدوات قوية وشاملة لمعالجة كافة جوانب التوزيعات الهامشية:

1. التحليل المجدول عبر مكتبة Pandas:

تتيح دالة pd.crosstab() استخراج جداول التوافق مع التوزيعات الهامشية المباشرة من خلال تمرير الوسيط margins=True وتسمية الهوامش باستخدام margins_name="Total". كما يمكن تحويل الجدول إلى احتمالات هامشية ومشتركة عبر ضبط الوسيط normalize='all' أو normalize='index'.

2. الاشتقاق الرمزي والتكامل التحليلي عبر مكتبة SymPy:

للتعامل مع الدوال الرياضية التجريدية واشتقاق الدوال الهامشية تحليلياً (Symbolic Mathematics)، تُعرَّف المتغيرات كرموز رياضية x, y = sp.symbols('x y')، وتُستخدم دالة sp.integrate(joint_pdf, (y, lower_limit, upper_limit)) لإجراء التكامل الرمزي الدقيق والحصول على المعادلة الجبرية الصافية لدالة الكثافة الهامشية $f_X(x)$.

3. التمثيل البياني المشترك والهامشي عبر مكتبة Seaborn:

تُعد دالة sns.jointplot() الأداة القياسية الأبرز لرسم التوزيع المشترك والتوزيعات الهامشية متزامنة في لوحة بيانية واحدة؛ حيث يتم تمثيل التوزيع المشترك في المنتصف عبر مخطط سحابي (Scatter) أو كثافة نواة ثنائية (KDE)، بينما تُرسم منحنيات الكثافة الهامشية لكل متغير بشكل منفصل ومحاذٍ على الهامشين العلوي والأيمن للمخطط.

11. الأخطاء الشائعة وسوء التفسير في تحليل التوزيعات الهامشية

11.1 مفارقة سيمبسون (Simpson’s Paradox) والمخاطر التفسيرية

تُعد مفارقة سيمبسون (Simpson’s Paradox) من أخطر الظواهر الإحصائية التي تقود إلى استنتاجات مضللة تماماً عند الاعتماد الحصري وغير الواعي على التوزيعات والاتجاهات الهامشية. تحدث هذه المفارقة عندما يظهر اتجاه إحصائي واضح (ارتباط إيجابي أو سلبي) في التوزيع الهامشي الكلي للبيانات، ولكنه يختفي تماماً أو ينعكس إلى النقيض التام عند تفكيك البيانات وفحص التوزيعات الشرطية داخل المجموعات الفرعية بعد إدخال متغير ثالث مشوش (Confounding Variable).

من الأمثلة التاريخية والنفسية الشهيرة على هذه المفارقة دراسات القبول الجامعي والتحيز الجندري؛ حيث أظهر التوزيع الهامشي العام لنسب القبول تفوقاً للذكور على الإناث، مما أوحى بوجود تحيز ضد الإناث. غير أن التحليل الشرطي المفصل داخل كل قسم أكاديمي على حدة كشف أن الإناث كن يتقدمن بنسب أكبر إلى الأقسام شديدة التنافسية ذات معدلات القبول المنخفضة جداً عموماً، بينما تقدم الذكور للأقسام ذات معدلات القبول المرتفعة، وكانت نسب قبول الإناث داخل معظم الأقسام الفردية مساوية أو متفوقة على نسب الذكور.

لتفادي هذا الخطأ التفسيري الفادح، يجب على الباحثين عدم الاكتفاء بالتحليل الهامشي الإجمالي للبيانات، وإجراء اختبارات التجانس (Homogeneity Tests) واستخدام أساليب التقسيم الطبقي (Stratification) ونماذج الانحدار متعدد المستويات لضبط المتغيرات الوسيطة والمشوشة الكامنة.

11.2 الخلط بين الهامشية والاستقلال والشرطية

يقع العديد من المبتدئين في التحليل الإحصائي في خطأ مفاهيمي شائع يتمثل في افتراض أن التوزيع الهامشي يعبر تلقائياً عن سلوك المتغير تحت جميع الظروف التجريبية والفرعية. هذا الافتراض لا يصح إلا في حالة واحدة نادرة وهي الاستقلال الإحصائي التام بين المتغيرات. في غياب الاستقلال، يختلف التوزيع الشرطي للمتغير عند كل مستوى من مستويات المتغير الآخر اختلافاً جذرياً عن التوزيع الهامشي الإجمالي.

ينشأ عن هذا الخلط ما يُعرف في الأدبيات الإبستمولوجية بـ مغالطة التعميم الإحصائي (Ecological Fallacy)، والتي تتمثل في إسقاط الخصائص والمعالم المشتقة من التوزيع الهامشي الكلي للمجتمع على سلوك الأفراد أو المجموعات الفرعية الصغرى دون التحقق من انطباق هذه المعالم عليهم مشروطاً.

من الأخطاء الرياضية الشائعة أيضاً في المتغيرات المتصلة تجاهل القيود الهندسية المفروضة على حدود التكامل عند التعامل مع مجالات غير مستطيلة؛ حيث يؤدي إجراء التكامل بين حدود ثابتة بينما النطاق الفعلي يفرض حدوداً معتمدة إلى إنتاج دوال هامشية مشوهة تنتهك شرط المعايرة وتؤدي إلى نتائج احتمالية زائفة تتجاوز الواحد الصحيح.

11.3 التعامل غير السليم مع البيانات المفقودة

تؤثر آليات فقدان البيانات بشكل حاسم ومباشر على موثوقية وصحة التوزيعات الهامشية المستخرجة. وفقاً لتصنيفات عالم الإحصاء دونالد روبين (Donald Rubin)، تُقسم آليات الفقدان إلى ثلاثة أنماط رئيسية:

• الفقد العشوائي التام (Missing Completely at Random – MCAR): يكون احتمال الفقد مستقلاً تماماً عن المتغيرات الملاحظة وغير الملاحظة. في هذه الحالة فقط، يظل التوزيع الهامشي للحالات المكتملة غير متحيز، مع فقدان للكفاءة الإحصائية وصغر حجم العينة الفعال.
• الفقد العشوائي (Missing at Random – MAR): يعتمد احتمال الفقد على متغيرات ملاحظة أخرى في النموذج. في هذا النمط، يؤدي الحذف البسيط للحالات (Listwise Deletion) إلى تشويه بنيوي وتحيز جسيم في التوزيع الهامشي المستخرج للمتغير.
• الفقد غير العشوائي (Missing Not at Random – MNAR): يعتمد الفقد على القيمة الذاتية للمتغير المفقود نفسه (مثلاً: أصحاب مستويات الاكتئاب الحادة جداً يرفضون الإجابة على فقرات مقياس الاكتئاب). هنا يتعرض التوزيع الهامشي لبتر واقتطاع أحادي الطرف (Truncation).

لمعالجة هذه المعضلات، ينبغي تجنب أسلوب الاستبعاد الكلي للحالات، واستخدام تقنيات التعويض المتعدد للبيانات المفقودة (Multiple Imputation – MI) أو نمذجة FIML، حيث تحافظ هذه المنهجيات على الخصائص التوزيعية والعزوم الهامشية للمتغيرات وتقلل من التحيز الإحصائي إلى أدنى المستويات المقبولة علمياً.

12. التوزيعات الهامشية متعددة الأبعاد والاتجاهات المتقدمة

12.1 التوزيع الهامشي للمتجهات العشوائية (تعددية الأبعاد)

في الأنظمة الإحصائية المتقدمة والبيانات الضخمة (Big Data)، لا يقتصر التهميش على استخراج متغير أحادي من فضاء ثنائي، بل يمتد إلى استخراج توزيع هامشي لمتجه عشوائي فرعي $\mathbf{X}_1 in \mathbb{R}^k$ من منظومة احتمالية كلية متعددة الأبعاد $\mathbf{X} = (\mathbf{X}_1, \mathbf{X}_2)^T in \mathbb{R}^{p}$ حيث $k < p$.

إذا كان المتجه الكلي يتبع توزيعاً طبيعياً متعدد المتغيرات (Multivariate Normal Distribution) بالمعالم $\mathbf{X} \sim \mathcal{N}_p(boldsymbol{\mu}, boldsymbol{\Sigma})$، مع تقسيم متجه المتوسطات ومصفوفة التغاير كالتالي:

$$boldsymbol{\mu} = \begin{\pmatrix} boldsymbol{\mu}_1 \ boldsymbol{\mu}_2 \end{\pmatrix}, \quad boldsymbol{\Sigma} = \begin{\pmatrix} boldsymbol{\Sigma}_{11} &a\mp; boldsymbol{\Sigma}_{12} \ boldsymbol{\Sigma}_{21} &a\mp; boldsymbol{\Sigma}_{22} \end{\pmatrix}$$

فإن التوزيع الهامشي للمتجه الفرعي المستهدف $\mathbf{X}_1$ يحتفظ بطبيعته الطبيعية متعددة المتغيرات بدقة وأناقة رياضية متناهية:

$$\mathbf{X}_1 \sim \mathcal{N}_k(boldsymbol{\mu}_1, boldsymbol{\Sigma}_{11})$$

تُعد هذه النتيجة الرياضية الأساس المنهجي لتحليل البيانات النفسية العصبية المعقدة، مثل بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI) وبيانات التخطيط الدماغي (EEG)؛ حيث تتيح للباحثين استخراج التوزيعات الهامشية لنشاط شبكات عصبية معينة وعزلها عن النشاط الإجمالي لمليارات الخلايا العصبية في الدماغ.

12.2 نظرية الدوال الرابطة (Copula Theory)

تُمثل نظرية الكوبولا أو الدوال الرابطة (Copula Theory) قفزة نوعية حديثة في النمذجة الاحتمالية المتقدمة؛ حيث تقدم حلاً جذرياً لمشكلة نمذجة التوزيعات المشتركة لمتغيرات ذات توزيعات هامشية متباينة وغير طبيعية.

ترتكز هذه النظرية على مبرهنة سكلار (Sklar’s Theorem) الشهيرة، والتي تنص على أنه يمكن تفكيك أي دالة توزيع تراكمي مشتركة متعددة الأبعاد $F(x_1, x_2, dots, x_p)$ إلى دوال التوزيع التراكمي الهامشية الفردية $u_i = F_i(x_i)$ ودالة ربط موحدة $C$ تصف بنية التبعية الخالصة بينها بمعزل عن أشكال التوزيعات الهامشية:

$$F(x_1, x_2, dots, x_p) = C\left( F_1(x_1), F_2(x_2), dots, F_p(x_p) \right)$$

تمنح الدوال الرابطة (مثل Gaussian Copula, Clayton Copula, Gumbel Copula) علماء القياس النفسي والعلوم السلوكية مرونة استثنائية في نمذجة الظواهر المركبة؛ حيث يمكن للباحث الجمع بين متغير هامشي يتبع توزيع غاما (مثل زمن الرجع) ومتغير هامشي آخر يتبع توزيع بواسون (مثل عدد الأخطاء المرتكبة) ودمجهما في نموذج مشترك واحد مع الحفاظ الصارم على البنية التوزيعية الهامشية الأصلية لكل متغير على حدة.

12.3 الاستدلال البايزي والتوزيعات اللاحقة الهامشية

في الإحصاء البايزي الحديث (Modern Bayesian Statistics)، ينصب الهدف النهائي للتحليل على اشتقاق التوزيع اللاحق الهامشي (Marginal Posterior Distribution) لكل معلمة من معالم النموذج النفسي بعد مراعاة تأثير البيانات الملاحظة وتوزيعات المعرفة القبلية (Priors).

عند التعامل مع نماذج بايزية هرمية معقدة تحتوي على متجهات معالم متعددة $boldsymbol{\theta} = (\theta_1, \theta_2, dots, \theta_k)$ بالإضافة إلى ما يُعرف بـ المعالم المزعجة (Nuisance Parameters)، يتطلب استخراج التوزيع اللاحق للمعلمة المستهدفة $\theta_1$ إجراء تكاملات فائقة الأبعاد لتهميش بقية المعالم:

$$p(\theta_1 | \mathbf{Y}) = \int dots \int p(\theta_1, \theta_2, dots, \theta_k | \mathbf{Y}) , d\theta_2 dots d\theta_k$$

نظراً لاستحالة حل هذه التكاملات تحليلياً في معظم النماذج الواقعية، يعتمد الاستدلال البايزي الحسابي على خوارزميات سلاسل ماركوف مونت كارلو (Markov Chain Monte Carlo – MCMC)، مثل خوارزمية أخذ عينات غيبس (Gibbs Sampler) و خوارزمية نوتس (No-U-Turn Sampler – NUTS) المطبقة في بيئات برمجية متقدمة مثل Stan و PyMC. تقوم هذه الخوارزميات بتوليد عينات متكررة من التوزيع المشترك، ويتم استخراج التوزيع اللاحق الهامشي ببساطة عبر استخلاص العمود الخاص بالمعلمة المستهدفة وبناء كثافتها التوزيعية، مما يفتح آفاقاً تطبيقية هائلة لبناء واختبار أكثر النماذج السلوكية والمعرفية تعقيداً.

خاتمة

يمثل التوزيع الهامشي ركيزة رياضية ومنهجية لا غنى عنها في بنية التحليل الإحصائي الكلاسيكي والمعاصر. فمن خلال قدرته الفريدة على اختزال الأبعاد وعزل المتغيرات الفردية وتجريدها من التشابكات التفاعلية المعقدة، يوفر التوزيع الهامشي للباحثين في القياس النفسي والعلوم السلوكية أداة بالغة الدقة لتوصيف الظواهر، وحساب المعالم المركزية والتشتتية، وبناء أسس اختبارات الفروض والاستقلال.

لقد أظهر استعراضنا الشامل أن التوزيع الهامشي ليس مجرد عملية جمع أو تكامل حسابية بسيطة لهوامش الجداول أو الدوال الرياضية، بل هو مفهوم تحليلي يتقاطع مع نظريات متقدمة كنظرية الاستجابة للمفردة، والنمذجة البنائية، ونظرية الكوبولا، والاستدلال البايزي المتقدم. إن الاستيعاب العميق للتمايز بين التوزيعات الهامشية والمشتركة والشرطية، واليقظة المنهجية لتفادي المغالطات التفسيرية كمفارقة سيمبسون وآليات الفقدان، يشكلان الضمانة الأكاديمية الأساسية لإنتاج أبحاث علمية رصينة قادرة على فهم وتفسير السلوك البشري بمختلف أبعاده المعقدة.

References

• Agresti, A. (2013). Categorical Data Analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0470114754
• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. https://www.springer.com/gp/book/9780387310732
• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press.
• 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
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• Lord, F. M., & Novick, M. R. (2008). Statistical Theories of Mental Test Scores. Information Age Publishing. (Original work published 1968).
• Nelsen, R. B. (2006). An Introduction to Copulas (2nd ed.). Springer. https://doi.org/10.1007/0-387-28678-0
• Papoulis, A., & Pillai, S. U. (2002). Probability, Random Variables, and Stochastic Processes (4th ed.). McGraw-Hill.
• Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3), 581–592. https://doi.org/10.1093/biomet/63.3.581
• Wasserman, L. (2004). All of Statistics: A Concise Course in Statistical Inference. Springer. https://doi.org/10.1007/978-0-387-21736-9