التوزيع الهامشي: التعريف والإيجاد

يحتل مفهوم التوزيع الهامشي (Marginal Distribution) مكانة محورية وأساسية في نظرية الاحتمالات والإحصاء الرياضي والتطبيقي، حيث يمثل إحدى الركائز المنهجية التي تتيح للباحثين والمحللين تفكيك البنى الاحتمالية المعقدة متعددة الأبعاد إلى مكوناتها الأحادية الأساسية. في كثير من الظواهر الطبيعية، والاجتماعية، والنفسية، لا تتصرف المتغيرات في معزل تام عن بعضها البعض، بل تتشابك وتتفاعل ضمن فضاءات مشتركة تولد توزيعات احتمالية متعددة المتغيرات. ومع ذلك، تقتضي الحاجة العلمية والتحليلية في كثير من الأحيان عزل متغير واحد بعينه، أو مجموعة جزئية من المتغيرات، لدراسة سلوكها الذاتي، وخصائصها المستقلة، دون الانشغال المؤقت بالتباينات المصاحبة للمتغيرات الأخرى، وهنا تحديداً تبرز الأهمية البالغة لاشتقاق التوزيعات الهامشية.

تاريخياً ومنهجياً، ارتبط مفهوم التوزيع الهامشي ارتباطاً وثيقاً بتمثيل البيانات في الجداول التكرارية المزدوجة ومصفوفات الاحتمال، حيث نشأ المصطلح من الممارسة العملية البسيطة المتمثلة في تسجيل مجاميع الاحتمالات أو التكرارات على «هوامش» صفحات التحليل وجداول التوافق. غير أن هذا الإجراء الحسابي الأولي تطور في ظل الإحصاء الرياضي الحديث ليصبح نظرية متكاملة تستند إلى حساب التفاضل والتكامل المتقدم، ونظرية القياس، وقوانين الاحتمال الكلي. إن فهم التوزيع الهامشي ليس مجرد مهارة تقنية لحساب مجاميع الصفوف أو تكامل الدوال المشتركة، بل هو مدخل فلسفي وإبستيمولوجي يحدد كيفية استخلاص المعرفة من الأنظمة المتشابكة دون الوقوع في مغالطات التفسير أو التبسيط المخل.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية موسعة ومعمقة لمفهوم التوزيع الهامشي من حيث التعريف الرياضي النظري، وطرائق الإيجاد والحساب للمتغيرات المنفصلة والمتصلة، والتطبيقات المتقدمة في حقول القياس النفسي، والعلوم السلوكية، ونمذجة المعادلات البنائية، ونظرية الاستجابة للمفردة. كما يستعرض الدليل الأبعاد الحسابية والبرمجية لتطبيقه في بيئات التحليل الإحصائي الحديثة مثل R وPython وSPSS، مع تفكيك التحديات المنهجية والمغالطات الشائعة مثل مغالطة سيمبسون، وتوضيح الحدود الفاصلة بين التوزيعات الهامشية، والمشتركة، والشرطية، وصولاً إلى أحدث التطورات المعاصرة المستندة إلى نظرية الكوبولا (Copulas).

1. مقدمة في مفهوم التوزيع الهامشي وأهميته الإحصائية

1.1 التعريف المفاهيمي للتوزيع الهامشي

يُعرَّف التوزيع الهامشي في أبسط صوره المنهجية بأنه التوزيع الاحتمالي لمتغير عشوائي فردي (أو مجموعة فرعية من المتغيرات) مشتق من توزيع احتمالي مشترك يضم متغيرين عشوائيين أو أكثر، وذلك عبر عملية استبعاد أو «تهميش» (Marginalization) تأثير كافة المتغيرات الأخرى في النظام الاحتمالي. يركز هذا التوزيع على دراسة السلوك العشوائي الذاتي للمتغير المستهدف بمعزل عن الحالات المحددة التي قد تتخذها بقية المتغيرات المصاحبة. على سبيل المثال، إذا كان لدينا توزيع احتمالي مشترك يربط بين الذكاء والتحصيل الأكاديمي، فإن التوزيع الهامشي للذكاء يقدم لنا الاحتمالات المطلقة لمستويات الذكاء المختلفة في المجتمع دون النظر إلى درجات تحصيلهم الأكاديمي، والعكس صحيح بالنسبة للتحصيل الأكاديمي.

يعود أصل التسمية اللاتينية والإنجليزية للمصطلح (Marginal Distribution) إلى الأسلوب الكلاسيكي الذي اتبعه علماء الإحصاء الأوائل عند تدوين جداول التوافق والترددات المشتركة ثنائية البعد؛ حيث كانت المجاميع الإجمالية للصفوف والأعمدة تُكتب يدوياً في الهوامش البيضاء الخارجية المحيطة بجدول البيانات الأساسي. ومع التقعيد الرياضي الصارم لنظرية الاحتمالات على يد علماء مثل أندريه كولموغوروف، تحول هذا الإجراء الهامشي البسيط من مجرد مسألة تنظيم مكاني للأرقام في هوامش الورق إلى مفهوم رياضي مجرد يمثل إسقاطاً (Projection) لدوال الكثافة أو الكتلة متعددة الأبعاد على فضاءات أحادية البعد.

يمثل الانتقال من دراسة الظاهرة ككل بجميع أبعادها المتشابكة إلى تحليل أبعادها الفردية فارقاً جوهرياً في فلسفة النمذجة الإحصائية. فالظاهرة الكلية المشتركة تحتوي على معلومات الارتباط، والتفاعل، والتغاير المشترك بين الأبعاد، في حين يختزل التوزيع الهامشي هذه التعقيدات ليعطي صورة مركزة عن التشتت والنزعة المركزية لكل بعد بشكل منفصل. تكمن الأهمية القصوى لهذا التوزيع في قدرته الفائقة على اختزال البيانات ذات الأبعاد العالية (High-Dimensional Data Reduction) وتحويلها إلى أشكال بصرية ورياضية قابلة للفهم والاستيعاب البشري دون فقدان الخصائص الجوهرية الذاتية لكل متغير على حدة.

1.2 السياق الفلسفي والمنهجي لعزل المتغيرات

يستند التوزيع الهامشي إلى مبدأ التجريد الإحصائي، وهو إجراء منهجي يعتمد على عزل المتغيرات موضع الاهتمام عما يحيط بها من متغيرات مشوشة أو وسيطة. في الواقع التجريبي، تتداخل العوامل المسببة للظواهر بدرجة يصعب معها عزل المتغيرات مادياً، مما يجعل التهميش الرياضي هو الوسيلة المثلى للتخلص من تأثير المتغيرات المصاحبة مؤقتاً. فعندما نقوم بعملية التهميش، فإننا لا نفترض عدم وجود المتغيرات الأخرى، بل نقوم رياضياً بأخذ المتوسط المرجح لجميع قيمها الممكنة، مما يتيح لنا دراسة المتغير المستهدف وكأنه يعمل في فضاء كلي يشمل كل الاحتمالات الممكنة للبيئة المحيطة به.

يسهم التوزيع الهامشي إسهاماً بارزاً في معالجة إشكالية «التشويش الإحصائي» وتراكم الأبعاد غير الضرورية في النماذج المعقدة. ففي كثير من التجارب السريرية والسلوكية، تحتوي فضاءات العينة على متغيرات دخيلة (Nuisance Parameters) لا تشكل هدفاً رئيساً للبحث ولكنها تؤثر على المشاهدات المقاسة. يتيح التكامل أو الجمع الهامشي للباحث إمكانية «مسح» هذه المتغيرات غير المرغوبة من فضاء التحليل الرياضي، والحصول على دالة احتمال ترتكز فقط على المعالم والمتغيرات المستهدفة بالدراسة، مما يرفع من كفاءة الاستدلال الإحصائي ودقته.

تتجلى العلاقة بين التوزيع الهامشي واستقلالية المتغيرات العشوائية في كون التوزيع الهامشي يمثل المحك الرياضي الرئيس لاختبار الاستقلال. فالمتغيران العشوائيان لا يُعدان مستقلين إلا إذا تطابق توزيعهما المشترك تماماً مع حاصل ضرب توزيعاتهما الهامشية عند كل نقطة في فضاء العينة. ومع ذلك، تبرز حدود واضحة للتحليل الهامشي؛ إذ لا يمكن للهوامش وحدها أن تفسر العلاقات السببية المعقدة أو تكشف عن آليات التأثير والتفاعل الداخلي بين المتغيرات. فالاعتماد الحصري على الهوامش قد يخفي أنماطاً بنيوية عميقة، مما يقتضي دوماً استخدامها كخطوة تأسيسية مكملة للتحليل المشترك والشرطي وليست بديلاً نهائياً عنهما.

1.3 أهمية التوزيع الهامشي في العلوم السلوكية والنفسية

تحظى التوزيعات الهامشية بأهمية استثنائية في مجالات علم النفس، والعلوم السلوكية، والقياس النفسي (Psychometrics)، حيث تتسم الظواهر النفسية بطبيعتها متعددة الأبعاد. عند تطبيق استبيانات الشخصية متعددة المقاييس مثل نموذج العوامل الخمسة الكبرى (Big Five Personality Traits)، تُجمع درجات الأفراد عبر مئات الفقرات التي تقيس سمات متداخلة مثل الانبساطية، والعصابية، والضمير الحي. يتيح التوزيع الهامشي للباحث السيكومتري استخلاص التوزيع المستقل لكل سمة نفسية على حدة عبر عينة التقنين، مما يسمح بحساب المعايير والمئينات الخاصة بكل سمة دون أن يتشوه التوزيع بتداخل السمات الأخرى.

تستخدم التوزيعات الهامشية بشكل مكثف في دراسة الفروق الفردية في المتغيرات النفسية والمعرفية دون التأثر بالمتغيرات الديموغرافية المصاحبة. ففي دراسات اختبارات الذكاء المعياري (مثل مقياس وكسلر لذكاء البالغين)، يرغب الباحثون في معرفة التوزيع الهامشي للقدرة التحليلية العامة في المجتمع، مع تهميش التباينات الناتجة عن التوزيع الجغرافي أو التخصص الأكاديمي. هذا الإسقاط الهامشي يوفر للمختصين القدرة على تحديد القيم المعيارية المتوسطة والانحرافات المعيارية التي تُبنى عليها القرارات التشخيصية الإكلينيكية بدقة متناهية.

علاوة على ذلك، يشكل استخراج التوزيعات الهامشية خطوة تأسيسية في نمذجة المتغيرات الكامنة (Latent Variable Modeling) وتحليل المسار السلوكي. فعند فحص استجابات المرضى في المقاييس الإكلينيكية للاكتئاب والقلق، يساعد فحص التوزيع الهامشي لكل عرض مرضي في التحقق من اعتدالية البيانات، وتحديد مدى التواء الاستجابات، واكتشاف تأثيرات السقف والأرضية (Ceiling and Floor Effects) في أدوات القياس. إن التحليل الهامشي الدقيق يضمن سلامة الخصائص السيكومترية لأدوات القياس النفسي قبل إدماجها في نماذج تفسيرية أو سببية معقدة.

2. الأسس النظرية والرياضية للتوزيع الاحتمالي الهامشي

2.1 فضاء العينة والمتغيرات العشوائية المشتركة

ينطلق التأسيس الرياضي للتوزيع الهامشي من فضاء العينة ثنائي أو متعدد الأبعاد، والذي يُرمز له بالرمز Ω. عندما نقرن كل حدث في فضاء العينة بزوج مرتب من الأعداد الحقيقية (X, Y)، فإننا نُنشئ متغيراً عشوائياً مشتركاً ثنائي البعد يأخذ قيمه في الفضاء الإقليدي R². يُعرف التوزيع الاحتمالي المشترك لهذين المتغيرين بأنه دالة تخصص احتمالات لوقوع المتغيرين معاً في مجموعات محددة ضمن هذا الفضاء المشترك، مما يعكس البنية الترابطية الكاملة بين المتغيرين.

يرتبط التوزيع المشترك بالتوزيع الهامشي ارتباطاً رياضياً هيكلياً؛ حيث يمثل التوزيع المشترك الدالة الأم التي تختزن كامل المعلومات الاحتمالية، بينما يمثل التوزيع الهامشي المسقط الرياضي لتلك الدالة على أحد المحاور الإحداثية. إذا كانت لدينا دالة التوزيع التراكمية المشتركة (Joint Cumulative Distribution Function) المعرفة بالصيغة:

F_X,Y(x, y) = P(X ≤ x, Y ≤ y)

فإن دالة التوزيع التراكمية الهامشية للمتغير X، والتي يُرمز لها بالرمز F_X(x)، تُشتق مباشرة من الدالة المشتركة عن طريق أخذ النهاية الرياضية عندما يقترب المتغير Y من اللانهاية الموجبة:

F_X(x) = lim_{y → ∞} F_X,Y(x, y) = P(X ≤ x, Y < ∞)

تتمتع دالة الاحتمال التراكمية الهامشية بكافة الخصائص الرياضية القياسية لدوال التوزيع الأحادية: فهي دالة غير متناقصة، ومتصلة من جهة اليمين، وتتراوح قيمتها حصراً بين 0 و 1، حيث lim_{x → -∞} F_X(x) = 0 و lim_{x → ∞} F_X(x) = 1. يوضح هذا التأسيس الرياضي أن التوزيع الهامشي ليس مفهوماً منفصلاً عن التوزيع المشترك، بل هو امتداد طبيعي ونهاية حدية له عند شمول كامل فضاء المتغيرات الأخرى.

2.2 قانون الاحتمال الكلي وتأسيس الهامشية

يعد قانون الاحتمال الكلي (Law of Total Probability) الركيزة المنطقية والبديهية التي يقوم عليها اشتقاق التوزيعات الهامشية. ينص هذا القانون على أنه إذا كانت لدينا مجموعة من الأحداث المتنافية والشاملة B₁, B₂, …, B_k التي تشكل تجزيئاً (Partition) لفضاء العينة Ω، فإن احتمال وقوع أي حدث عشوائي A يمكن حسابه عبر جمع احتمالات التقاطعات المشتركة لـ A مع كل جزء من أجزاء فضاء العينة:

P(A) = ∑_i P(A ∩ B_i) = ∑_i P(A | B_i) P(B_i)

عند إسقاط هذا المبدأ على المتغيرات العشوائية، نجد أن الحدث X = x يمكن تفكيكه إلى مجموعة من الأحداث الجزئية المشتركة المتعامدة التي تتشكل من اقتران القيمة x مع كافة القيم الممكنة y_i للمتغير الآخر Y. وبما أن الأحداث (X = x, Y = y_i) متنافية تماماً فيما بينها لجميع قيم y_i المختلفة، فإن بديهيات كولموغوروف للاحتمالات تفرض أن احتمال الاتحاد المنطقي لهذه الأحداث يساوي المجموع الجبري المباشر لاحتمالاتها الفردية المشتركة.

يقود هذا التأصيل الرياضي إلى إثبات بديهي وصارم لشرط المعايرة الاحتمالية؛ فمجموع أو تكامل الاحتمالات الهامشية عبر كامل فضاء المتغير X يجب أن يساوي دائماً الواحد الصحيح. فإذا قمنا بجمع كافة القيم الهامشية للمتغير X، فإننا نكون فعلياً قد جمعنا كافة الاحتمالات المشتركة عبر كامل الفضاء ثنائي البعد R²، وهو ما يطابق بالضرورة احتمال فضاء العينة الكلي P(Ω) = 1. يضمن هذا الإثبات أن التوزيع الهامشي المستخرج يمثل توزيعاً احتمالياً سليماً وقائماً بذاته ومحققاً لكافة الشروط الرياضية والبديهية.

2.3 التمثيل الرياضي الرمزي للتوزيع الهامشي

تعتمد الكتابات الإحصائية والرياضية ترميزات اصطلاحية دقيقة للتمييز بين الدوال المشتركة، والشرطية، والهامشية. في حالة المتغيرات العشوائية المنفصلة، يُرمز لدالة الكتلة الاحتمالية الهامشية (Marginal Probability Mass Function – PMF) بالرمز P_X(x) أو p_X(x) أو الصيغة الاحتمالية المباشرة P(X = x). ويمثل الحرف السفلي X المتغير العشوائي المستهدف، بينما يمثل x القيمة العددية المحددة التي يتخذها هذا المتغير في فضاء القيم الممكنة.

أما في حالة المتغيرات العشوائية المتصلة (المستمرة)، فيُستخدم الرمز f_X(x) للدلالة على دالة الكثافة الاحتمالية الهامشية (Marginal Probability Density Function – PDF). ويُستخدم الحرف الصغير f للتعبير عن الكثافة لتمييزها عن دالة التوزيع التراكمية التي يُرمز لها بالحرف الكبير F_X(x). وفي السياقات متعددة المتغيرات، يتم استخدام التمثيل المصفوفي والمتجهي؛ حيث يُرمز للمتجه العشوائي الكلي بالرمز Z = (X, Y)^T، وتُكتب دالة الكثافة الهامشية للمتجه الفرعي X عبر إسقاط مصفوفات التغاير ومتجهات المتوسط الرياضي في صيغ مصفوفية مدمجة.

تخضع قواعد التحويل من التوزيعات المشتركة إلى التوزيعات الهامشية لقوانين الاختزال الرمزي الصارمة. يتم الانتقال رمزياً للمتغيرات المنفصلة عبر مؤثر الجمع (∑) الذي يمتد عبر كامل مجال المتغير المراد استبعاده، بينما يتم الانتقال للمتغيرات المتصلة عبر مؤثر التكامل المحدد (∫) على كامل مجال المتغير المراد تهميشه. يُعبر هذا الإيجاز الرمزي عن العملية الفيزيائية والرياضية لإسقاط الأبعاد دون الإخلال بالمحتوى الاحتمالي المتأصل في الفضاء الأصلي.

3. التوزيع الهامشي للمتغيرات العشوائية المنفصلة

3.1 دالة الكتلة الاحتمالية الهامشية (Marginal PMF)

تُعرف دالة الكتلة الاحتمالية الهامشية (Marginal PMF) لمتغير عشوائي منفصل X بأنها الدالة التي تعطي احتمال أن يتخذ المتغير X قيمة معينة x، وذلك بجمع الاحتمالات المشتركة لهذه القيمة مع جميع القيم الممكنة التي يمكن أن يتخذها المتغير العشوائي المنفصل الآخر Y المقترن به في الفضاء المشترك. وتُصاغ هذه العلاقة رياضياً وفق المعادلة الجمعية الآتية:

P_X(x) = P(X = x) = ∑_{y ∈ SY} P(X = x, Y = y)

حيث يمثل S_Y فضاء الإسناد (Support) أو مجموعة كافة القيم الممكنة للمتغير Y. وبالمثل تماماً، تُستخرج دالة الكتلة الاحتمالية الهامشية للمتغير Y بتثبيت القيمة y وإجراء الجمع الاختزالي عبر كافة قيم المتغير X:

P_Y(y) = P(Y = y) = ∑_{x ∈ SX} P(X = x, Y = y)

تستوجب الصحة الرياضية لدالة الكتلة الاحتمالية الهامشية استيفاء شرطين رئيسين: أولاً، أن تكون قيمة الاحتمال الهامشي لكل نقطة محصورة في الفترة المغلقة بين الصفر والواحد الصحيح، أي أن 0 ≤ P_X(x) ≤ 1 لجميع قيم x. ثانياً، أن يساوي المجموع الكلي لكافة الاحتمالات الهامشية عبر فضاء المتغير X الواحد الصحيح تماماً (∑_x P_X(x) = 1). تضمن هذه الشروط أن الدالة الناتجة بعد عملية التهميش تمثل توزيعاً احتمالياً منفصلاً مكتملاً وصحيحاً من الناحية البديهية.

3.2 جداول التوافق ثنائية البعد (Contingency Tables)

تمثل جداول التوافق ثنائية البعد (Contingency Tables or Cross-Tabulations) الأداة البصرية والحسابية الأكثر شيوعاً لدراسة التوزيعات الهامشية للمتغيرات المنفصلة والتصنيفية. في هذه الجداول، تُمثل صفوف الجدول الفئات أو القيم المختلفة للمتغير الأول X (المتغير الصفي)، بينما تُمثل الأعمدة الفئات أو القيم المختلفة للمتغير الثاني Y (المتغير العمودي). تحتوي الخلايا الداخلية للجدول (Cells) على التكرارات المشتركة n_ij أو الاحتمالات المشتركة p_ij لوقوع زوج المشاهدات (X = x_i, Y = y_j) معاً.

يتم استخراج التوزيع الهامشي للمتغير الصفي X عن طريق جمع التكرارات أو الاحتمالات أفقياً عبر كل صف من الصفوف، ويُسجل الناتج في نهاية كل صف في العمود الإضافي المخصص على الهامش الأيمن (أو الأيسر) للجدول، ويُرمز للمجموع الهامشي للصف رقم i بالرمز n_i+ أو p_i+. وبالمثل، يُستخرج التوزيع الهامشي للمتغير العمودي Y عن طريق جمع التكرارات أو الاحتمالات رأسياً عبر كل عمود من الأعمدة، ويُسجل الناتج في الهامش السفلي للجدول بالرمز n_+j أو p_+j.

يُعد فحص الخلية السفلية الطرفية المشتركة (Grand Total) الاختبار الحاسم لدقة الحسابات الإحصائية في جدول التوافق؛ حيث يجب أن يتطابق مجموع المجاميع الهامشية للصفوف تماماً مع مجموع المجاميع الهامشية للأعمدة، وأن يساوي كلاهما الحجم الكلي للعينة N في حالة التكرارات المطلقة، أو يساوي الواحد الصحيح (1.00) في حالة الاحتمالات والنسب النسبية المشتركة. يمثل هذا التطابق الهامشي التوازن البنيوي الكامل للبيانات في الفضاء ثنائي البعد.

3.3 مثال تطبيقي سيكولوجي: تفضيل العلاج النفسي ونوع الجنس

لتوضيح الآلية الحسابية لاستخراج التوزيع الهامشي المنفصل في سياق سيكومتري، نفترض دراسة استقصائية أُجريت على عينة سريرية قوامها N = 200 مريض نفسي لفحص العلاقة بين نوع الجنس (X: ذكر، أنثى) ونوع التدخل العلاجي المفضل (Y: العلاج المعرفي السلوكي CBT، التحليل النفسي Psychodynamic، العلاج الدوائي Pharmacotherapy). يوضح الجدول التكراري التالي التوزيع المشترك للبيانات الخام المسترجعة من العينة:

الجنس (X) / نوع العلاج (Y)	العلاج المعرفي السلوكي (CBT)	التحليل النفسي (Psychodynamic)	العلاج الدوائي (Pharmacotherapy)	المجموع الهامشي للجنس P(X)
ذكور (Male)	40 (0.20)	20 (0.10)	20 (0.10)	80 (0.40)
إناث (Female)	60 (0.30)	40 (0.20)	20 (0.10)	120 (0.60)
المجموع الهامشي للعلاج P(Y)	100 (0.50)	60 (0.30)	40 (0.20)	200 (1.00)

لحساب التوزيع الهامشي لتفضيل نوع العلاج النفسي P(Y) بمعزل تام عن جنس المريض، نقوم بجمع الاحتمالات المشتركة رأسياً لكل عمود: احتمال تفضيل العلاج المعرفي السلوكي هو P(CBT) = 0.20 + 0.30 = 0.50 (أي 50% من العينة الكلية)، واحتمال تفضيل التحليل النفسي هو P(Psychodynamic) = 0.10 + 0.20 = 0.30 (أي 30%)، بينما احتمال تفضيل العلاج الدوائي هو P(Pharmacotherapy) = 0.10 + 0.10 = 0.20 (أي 20%). نلاحظ أن مجموع هذه الاحتمالات الهامشية: 0.50 + 0.30 + 0.20 = 1.00 تماماً.

وبالمثل، يُستخرج التوزيع الهامشي للجنس P(X) بجمع الصفوف أفقياً: احتمال الذكور في العينة هو P(Male) = (40 + 20 + 20) / 200 = 80 / 200 = 0.40، واحتمال الإناث هو P(Female) = (60 + 40 + 20) / 200 = 120 / 200 = 0.60. يتيح هذا التوزيع الهامشي للأخصائي النفسي فهم النمط العام لتفضيلات العلاج في المجتمع السريري بصورة مطلقة، كمعرفة أن نصف المراجعين عموماً يفضلون العلاج السلوكي المعرفي، وهو استنتاج إداري وعلاجي بالغ الأهمية قبل الشروع في فحص الفروق المتقاطعة بين الجنسين.

4. التوزيع الهامشي للمتغيرات العشوائية المتصلة

4.1 دالة الكثافة الاحتمالية الهامشية (Marginal PDF)

عند التعامل مع المتغيرات العشوائية المتصلة (Continuous Random Variables)، يستحيل استخدام الجمع البسيط لأن المتغيرات تتخذ قيماً لا نهائية وغير قابلة للعد ضمن أي مجال حقيقي. في هذا السياق، تتحول عملية التهميش الرياضي من مؤثر الجمع (∑) إلى مؤثر التكامل المحدد (Definite Integral). تُعرف دالة الكثافة الاحتمالية الهامشية (Marginal PDF) للمتغير العشوائي المتصل X بأنها تكامل دالة الكثافة الاحتمالية المشتركة f_X,Y(x, y) بالنسبة للمتغير Y عبر كامل مجاله المعرف عليه (-∞ إلى +∞):

f_X(x) = ∫_-∞^+∞ f_X,Y(x, y) dy

وبالمثل، تُشتق دالة الكثافة الاحتمالية الهامشية للمتغير المتصل Y بإجراء التكامل بالنسبة للمتغير X:

f_Y(y) = ∫_-∞^+∞ f_X,Y(x, y) dx

يحمل هذا التكامل مفهوماً هندسياً عميقاً؛ إذ يمثل «مسحاً» أو سحقاً (Collapsing) لسطح الكثافة الاحتمالية ثلاثي الأبعاد الواقع فوق المستوى الإحداثي (x, y) وإسقاط كتلته الحجمية على مستوى ثنائي البعد موازي لأحد المحاور. تعبر القيمة الناتجة f_X(x) عن كثافة الاحتمال الخطية للمتغير X عند النقطة x. ويخضع هذا التوزيع لشرط المعايرة الرياضي، حيث يؤول التكامل التام لدالة الكثافة الهامشية عبر مجالها الكلي إلى الواحد الصحيح بالضرورة: ∫_-∞^+∞ f_X(x) dx = 1.

4.2 خطوات إجراء التكامل لاستخراج التوزيع الهامشي

يتطلب حساب دالة الكثافة الاحتمالية الهامشية اتباع خطوات منهجية دقيقة لضمان صحة التكامل، وتتمثل هذه الخطوات في الآتي:

• أولاً: تحديد مجال التعريف وفضاء الإسناد المشترك (Joint Support Region): يجب فحص الشروط الهندسية التي تكون فيها الدالة المشتركة f_X,Y(x, y) أكبر تماماً من الصفر، وتحديد ما إذا كان المجال مستطيلاً ومستقلاً (مثل a ≤ x ≤ b و c ≤ y ≤ d) أو مجالاً معتمداً وغير منتظم (مثل 0 ≤ y ≤ x ≤ 1).
• ثانياً: تعيين حدود التكامل الصحيحة للمتغير المراد تهميشه: في المجالات غير المستطيلة، تصبح حدود التكامل دوالاً في المتغير الآخر؛ فعند إيجاد f_X(x)، يجب التعبير عن حدود تكامل y كدوال للمتغير x (أي من y_min(x) إلى y_max(x)).
• ثالثاً: تنفيذ التكامل الرياضي: يُعامل المتغير المراد إبقاؤه (مثل x) كثابت رياضي أثناء عملية التكامل بالنسبة للمتغير الآخر (مثل y)، مع تطبيق قواعد التكامل الجبرية والأسية المناسبة.
• رابعاً: تحديد مجال تعريف الدالة الهامشية الناتجة: يُحدد المجال الصحيح الذي ينشط فيه المتغير المتبقي، وتُصاغ الدالة الهامشية بصورة دالة متعددة التعريف تشمل قيمة الصفر خارج نطاق الإسناد.

تتطلب الدوال غير المستطيلة، كالمثلثات والقطاعات الدائرية في الفضاء الإقليدي، حذراً فائقاً؛ إذ إن أي خطأ في تحديد حدود التكامل التابعة يؤدي حتماً إلى دالة هامشية باطلة لا تتكامل إلى الواحد الصحيح، مما يشوه التفسيرات الإحصائية اللاحقة المترتبة عليها.

4.3 مثال تطبيقي: قياس القلق والاكتئاب كمتغيرين متصلين

نفترض في دراسة سيكومترية أن درجات القلق المقننة (X) ودرجات الاكتئاب المقننة (Y) لدى مجتمع سريري محدد تتبعان دالة كثافة احتمالية مشتركة معرفة على المجال المثلثي التالي:

f_X,Y(x, y) = 24 x y      لجميع النقاط التي تحقق: 0 ≤ x ≤ 1 ، و 0 ≤ y ≤ 1 ، و x + y ≤ 1

وتساوي 0 في أي مكان آخر.

لإيجاد التوزيع الهامشي لدرجات القلق f_X(x) بمعزل عن الاكتئاب، نلاحظ أن حدود المتغير y عند تثبيت قيمة x تتراوح من y = 0 إلى y = 1 – x. نجري التكامل الرياضي بالنسبة لـ y كما يلي:

f_X(x) = ∫₀^{1 – x} 24 x y dy = 24 x [ y² / 2 ]₀^{1 – x} = 12 x (1 – x)²      (حيث 0 ≤ x ≤ 1)

وبالمثل تماماً، ونظراً لتماثل الدالة ومجال التعريف، تكون دالة الكثافة الاحتمالية الهامشية لدرجات الاكتئاب f_Y(y) هي:

f_Y(y) = 12 y (1 – y)²      (حيث 0 ≤ y ≤ 1)

للتحقق من صحة الدالة الهامشية الناتجة، نحسب تكامل f_X(x) على كامل مجالها:

∫₀¹ 12 x (1 – 2x + x²) dx = 12 ∫₀¹ (x – 2x² + x³) dx = 12 [ 1/2 – 2/3 + 1/4 ] = 12 [ 1/12 ] = 1

يوضح هذا المنحنى الهامشي المستخرج أن كثافة درجات القلق تتبع توزيع بيتا المعدل (Beta Distribution)، حيث تصل ذروة الاحتمال (المنوال) عند الدرجة x = 1/3، مما يعطي الأخصائي الإكلينيكي فهماً تشخيصياً دقيقاً لسلوك درجات القلق في المجتمع السريري بصورة مستقلة ومجردة عن التباين المصاحب للاكتئاب.

5. إيجاد التوزيع الهامشي خطوة بخطوة من البيانات التجريبية

5.1 المرحلة الأولى: إعداد وتنظيف البيانات الخام

تبدأ العملية التطبيقية لاستخراج التوزيعات الهامشية من قواعد البيانات الميدانية والتجريبية بمرحلة التنظيف والفرز المنهجي للمتغيرات. يجب أولاً تصنيف المتغيرات بدقة تامة وفق مستويات القياس الإحصائي (اسمية Nominal، رتبية Ordinal، فئوية Interval، ونسبية Ratio). هذا التصنيف يحدد المسار الرياضي الواجب اتباعه؛ فالمتغيرات النوعية والرتبية تُعالج عبر جداول التوافق المنفصلة، بينما تتطلب المتغيرات الفئوية والنسبية المتصلة تقنيات التقدير الكثافي المستمر أو التقسيم الفئوي المقنن (Binning).

تشكل القيم المفقودة (Missing Data) تحدياً خطيراً يهدد سلامة الهوامش التكرارية. فإذا تم التعامل مع البيانات المفقودة بطريقة الحذف العشوائي لكل حالة على حدة (Listwise vs. Pairwise Deletion)، فقد يؤدي ذلك إلى تباين الحجم الكلي للعينة عبر الهوامش المختلفة، مما يخل بشرط المعايرة الرياضية. لذلك، يجب تطبيق استراتيجيات متقدمة مثل التعويض المتعدد (Multiple Imputation) أو استخدام خوارزميات التوقع الأقصى (Expectation-Maximization) للحفاظ على التوازن الاحتمالي العام للعينة.

تتضمن هذه المرحلة أيضاً إعادة ترميز المتغيرات المعقدة وفحص الاتساق الداخلي للبيانات والتأكد من خلوها من القيم الشاذة والمتطرفة التي قد تشوه الهوامش. يُعد الفحص البصري الأولي للمشاهدات المتقاطعة واستخدام مصفوفات الارتباط خطوة ضرورية للتحقق من صلاحية البيانات للتحليل الهامشي دون إدخال انحيازات ناجمة عن أخطاء الإدخال الميداني أو القياس التجريبي.

5.2 المرحلة الثانية: بناء الجداول واستخراج الترددات النسبية

عقب إعداد وتنقية مصفوفة البيانات الخام المكونة من N حالة مسجلة على المتغيرين (X, Y)، تبدأ الخطوات الحسابية المنظمة لإنشاء جدول التوافق المزدوج واستخراج التوزيعات الهامشية المقابلة وفق التسلسل الإجرائي التالي:

• حساب التكرارات المشتركة الخام: يتم حصر عدد الحالات n_ij التي تتطابق فيها القيمة x_i للمتغير الأول مع القيمة y_j للمتغير الثاني، وتوزيع هذه التكرارات في الخلايا الداخلية للجدول المزدوج ذي الأبعاد r × c (حيث r عدد صفوف X، و c عدد أعمدة Y).
• حساب المجاميع الهامشية للصفوف: يتم جمع التكرارات أفقياً لكل صف i للحصول على التكرار الهامشي n_i+ = ∑_j=1^c n_ij.
• حساب المجاميع الهامشية للأعمدة: يتم جمع التكرارات رأسياً لكل عمود j للحصول على التكرار الهامشي n_+j = ∑_i=1^r n_ij.
• التحويل إلى متجهات الاحتمال النسبي الهامشي: تُقسم التكرارات الهامشية لكل صف وكل عمود على الحجم الكلي للعينة N، لإنتاج متجه التوزيع الهامشي لـ X المعطى بـ P(X = x_i) = n_i+ / N، ومتجه التوزيع الهامشي لـ Y المعطى بـ P(Y = y_j) = n_+j / N.

تتيح هذه الخطوات بناء متجهات احتمالية أحادية البعد تختزل التوزيع المشترك الأصلي، مما يمهد الطريق لتوظيف هذه المتجهات في التحليلات الاستدلالية المتقدمة ونماذج المقارنة المرجعية.

5.3 المرحلة الثالثة: التحقق والتقييم الرياضي للمخرجات

تتمثل المرحلة النهائية في إجراء تدقيق رياضي ومعياري صارم للتوزيعات الهامشية المستخرجة للتأكد من مطابقتها للبنى النظرية للاحتمالات. يرتكز هذا التدقيق على فحص ثلاثي المستويات: أولاً، التحقق من أن جميع القيم الاحتمالية الهامشية المحسوبة تقع قطعياً ضمن المجال المغلق [0, 1] دون وجود أي احتمالات سالبة أو تتجاوز الواحد. ثانياً، التحقق من أن المجموع التراكمي لمتجهات الاحتمال الهامشية يساوي الواحد الصحيح بدقة متناهية (مع الأخذ في الاعتبار أخطاء التقريب الحسابي العشري البسيطة والتعامل معها).

يتضمن التقييم الرياضي أيضاً فحص الرسوم البيانية للتوزيع الهامشي المستخرج عبر المدرجات التكرارية (Histograms) ورسوم الكثافة الكلاسيكية (Kernel Density Plots) للكشف عن الخصائص التوزيعية الجوهرية مثل الالتواء (Skewness) والتفرطح (Kurtosis). يساعد هذا التقييم البصري والعددي في التحقق مما إذا كان التوزيع الهامشي يقترب من التوزيع الطبيعي، أو يظهر نمطاً ثنائي المنوال يشير إلى وجود عينات فرعية متباينة داخل المجتمع المدروس.

أخيراً، يتم توثيق التوزيع الهامشي المكتشف وفق المعايير الأكاديمية المقننة، مثل معايير جمعية علم النفس الأمريكية (APA Style)، حيث تُعرض الجداول الهامشية متضمنة كل من التكرارات المطلقة، والنسب المئوية الهامشية، وفترات الثقة (Confidence Intervals) المحيطة بهذه النسب، مما يمنح التقرير الإحصائي شفافية منهجية وقوة استدلالية رصينة.

6. المقارنة المنهجية: التوزيع الهامشي، المشترك، والشرطي

6.1 التوزيع المشترك (Joint Distribution) مقابل الهامشي

يمثل التوزيع الاحتمالي المشترك (Joint Distribution) الوصف الكامل والشامل لفضاء العينة متعدد الأبعاد، حيث يحتفظ بكامل المعلومات المتعلقة بالقيم المتزامنة للمتغيرات ويوضح بدقة درجة الارتباط، والاعتمادية، والتفاعل المتبادل بينها. في المقابل، يمثل التوزيع الهامشي (Marginal Distribution) إسقاطاً اختزالياً للمعلومات، حيث يتم فيه إسقاط أو التخلص من المعلومات التفصيلية المتعلقة بكيفية اقتران المتغير الأول بالمتغير الثاني لصالح الحصول على صورة نقية ومركزة للمتغير الفردي.

تتجلى التكلفة التحليلية للتهميش في «فقدان معلومات التفاعل المشترك» (Loss of Association Information). فعندما ننتقل من التوزيع المشترك إلى الهوامش، يستحيل علينا رياضياً إعادة بناء التوزيع المشترك الأصلي انطلاقاً من الهوامش وحدها، ما لم تكن المتغيرات مستقلة تماماً عن بعضها البعض. فالهوامش تعطينا الأطراف الخارجية للصورة دون أن تخبرنا كيف تترابط الخلايا الداخلية فيما بينها.

من الناحية البصرية والهندسية، يظهر التوزيع المشترك لمتغيرين متصلين كسطح ثلاثي الأبعاد (3D Probability Surface) يرتفع فوق المستوى الأفقي (x, y)، حيث يمثل الارتفاع الكثافة المشتركة. أما التوزيعات الهامشية، فتمثل الظلال أو المساقط الرأسية ثنائية الأبعاد (2D Projections) لهذا السطح عند النظر إليه من الجوانب بمحاذاة أحد المحاور. يُعد التحليل الهامشي كافياً ومثالياً عند الرغبة في معايرة أداة قياس أو دراسة سمة سكانية مفردة، ولكنه يغدو قاصراً وغير ملائم عندما يكون الهدف البحثي هو التنبؤ بقيمة متغير بدلالة متغير آخر.

6.2 التوزيع الشرطي (Conditional Distribution) مقابل الهامشي

يُعرف التوزيع الاحتمالي الشرطي (Conditional Distribution) بأنه التوزيع الذي يصف السلوك الاحتمالي لمتغير عشوائي X في ظل شرط محدد وثابت مفروض على قيمة المتغير الآخر، مثل أن نعلم يقيناً أن Y = y. يستند التوزيع الشرطي مباشرة إلى مبرهنة توماس بايز (Bayes’ Theorem) وتعريف الاحتمال الشرطي الكلاسيكي، ويُصاغ رياضياً بقسمة الاحتمال المشترك على الاحتمال الهامشي للمتغير المشروط به:

P(X = x | Y = y) = P(X = x, Y = y) / P_Y(y)      (بشرط أن P_Y(y) > 0)

وفي الحالة المتصلة، تُكتب دالة الكثافة الاحتمالية الشرطية بالصيغة:

f_X|Y(x | y) = f_X,Y(x, y) / f_Y(y)      (بشرط أن f_Y(y) > 0)

يوضح هذا الاقتران الرياضي أن التوزيع الهامشي للمتغير المشروط f_Y(y) يلعب دور «ثابت المعايرة» (Normalizing Constant) الذي يضمن أن تكامل أو مجموع التوزيع الشرطي عبر فضاء X يساوي الواحد الصحيح. يؤدي تثبيت قيمة المتغير Y إلى تعديل شكل التوزيع الهامشي لـ X وتقليص تباينه إذا كان هناك ارتباط بين المتغيرين؛ فعلى سبيل المثال، التوزيع الهامشي لدرجات الاكتئاب في المجتمع يعكس مستويات عامة، بينما التوزيع الشرطي للاكتئاب «بشرط أن المفحوص يعاني من صدمة نفسية حديثة» سيكون مزاحاً بدرجة كبيرة نحو اليمين وبتباين مختلف تماماً عن التوزيع الهامشي العام.

6.3 اختبار استقلالية المتغيرات باستخدام التوزيعات الهامشية

يشكل التطابق بين الدوال المشتركة وحاصل ضرب الدوال الهامشية التعريف الرياضي الأساسي لظاهرة الاستقلال الإحصائي (Statistical Independence) بين المتغيرات العشوائية. يُقال إن المتغيرين العشوائيين X و Y مستقلان استقلالاً احتمالياً تاماً إذا وفقط إذا تحقق الشرط التالي لجميع قيم x و y الممكنة:

P(X = x, Y = y) = P_X(x) × P_Y(y)      (للمتغيرات المنفصلة)

f_X,Y(x, y) = f_X(x) × f_Y(y)      (للمتغيرات المتصلة)

يعد هذا الشرط الرياضي الأساس الذي يُبنى عليه اختبار كاي تربيع للاستقلالية (Chi-Square Test of Independence). ففي هذا الاختبار، يتم حساب «التكرارات المتوقعة» (Expected Frequencies – E_ij) في كل خلية من خلايا جدول التوافق بالاعتماد الحصري على التكرارات الهامشية للصفوف والأعمدة وفق المعادلة:

E_ij = (n_i+ × n_+j) / N

تُقاس درجة الارتباط والانحراف عن فرضية الاستقلال بحساب الفروق المربعة بين التكرارات المشاهدة الواقعية والتكرارات المتوقعة المشتقة هامشياً. في البحوث السيكولوجية، يُستخدم هذا الاختبار للتحقق مما إذا كانت السمات النفسية والاضطرابات السلوكية تتوزع باستقلالية تامة عن بعضها البعض أم أنها تشكل متلازمات مترابطة تستوجب تدخلاً علاجياً مشتركاً.

7. الخصائص الإحصائية ومعالم التوزيعات الهامشية

7.1 القيمة المتوقعة الهامشية (Marginal Expected Value)

تُمثل القيمة المتوقعة الهامشية (Marginal Expected Value)، أو التوقع الرياضي الهامشي E[X]، المتوسط الحسابي النظري طويل الأجل للمتغير العشوائي X محسوباً مباشرة من توزيعه الاحتمالي الهامشي. في حالة المتغيرات المنفصلة، يُحسب التوقع الهامشي بضرب كل قيمة ممكنة للمتغير في احتمالها الهامشي المقابل وجمع النواتج:

E[X] = ∑_x x P_X(x) = ∑_x x [ ∑_y P(X = x, Y = y) ]

أما في حالة المتغيرات المتصلة، فيُصاغ التوقع الهامشي عبر التكامل الرياضي التالي:

E[X] = ∫_-∞^+∞ x f_X(x) dx = ∫_-∞^+∞ x [ ∫_-∞^+∞ f_X,Y(x, y) dy ] dx

تثبت نظرية كولموغوروف الإحصائية تطابقاً جوهرياً: فحساب القيمة المتوقعة للمتغير X مباشرة من دالة التوزيع المشترك عبر التكامل الثنائي ∫∫ x f(x, y) dx dy يعطي بالضرورة نفس القيمة الحسابية تماماً الناتجة عن حسابه من دالة الكثافة الهامشية الأحادية f_X(x). يُعزى ذلك إلى خاصية خطية التوقع الرياضي (Linearity of Expectation) وتبديل ترتيب التكاملات وفق مبرهنة فوبيني (Fubini’s Theorem). في سياق القياس المعرفي، يعبر المتوسط الهامشي عن مستوى الأداء الأساسي للمجتمع في اختبار الذكاء بمعزل عن أي تأثيرات للمتغيرات المصاحبة.

7.2 التباين والانحراف المعياري الهامشي

يقيس التباين الهامشي (Marginal Variance)، والذي يُرمز له بالرمز Var(X) أو σ_X²، مقدار تشتت وتناثر قيم المتغير العشوائي X حول وسطه الحسابي الهامشي. ويُشتق التباين الهامشي من العزم المركزي الثاني للدالة الهامشية وفق الصيغة القياسية:

Var(X) = E[(X – E[X])²] = E[X²] – (E[X])²

حيث يُحسب العزم الثاني غير المركزي E[X²] عبر تكامل أو جمع القيم المربعة x² مرجحة بالدالة الهامشية: ∫ x² f_X(x) dx. ويمثل الانحراف المعياري الهامشي σ_X الجذر التربيعي الموجب لهذا التباين، وهو المقياس الأساسي المستخدم في القياس النفسي لتحديد تشتت الدرجات الخام على مقاييس الشخصية.

يرتبط التباين الهامشي ارتباطاً وثيقاً بنظرية التباين المشترك عبر ما يُعرف باسم قانون التباين الكلي (Law of Total Variance)، والذي يفكك التباين الهامشي إلى مركبتين أساسيتين:

Var(X) = E[Var(X | Y)] + Var(E[X | Y])

يوضح هذا القانون البديع أن التباين الهامشي الإجمالي للمتغير X يتألف من جزأين: متوسط التباين المتبقي داخل المجموعات الشرطية لـ Y، مضافاً إليه التباين القائم بين متوسطات المجموعات الشرطية ذاتها. يمثل هذا التفكيك الهامشي حجر الزاوية الرياضي لنموذج تحليل التباين (ANOVA) المستخدم بكثافة في التجارب النفسية والاجتماعية.

7.3 الدوال المولدة للعزوم الهامشية (Marginal MGFs)

تُعد الدالة المولدة للعزوم (Moment Generating Function – MGF) أداة رياضية متقدمة تختزن كافة عزوم التوزيع الاحتمالي (المتوسط، التباين، الالتواء، التفرطح). تُعرف الدالة المولدة للعزوم الهامشية للمتغير X بالصيغة:

M_X(t) = E[e^tX]

تتجلى روعة البناء الرياضي للتوزيعات الهامشية في سهولة اشتقاق الدالة المولدة للعزوم الهامشية من الدالة المولدة للعزوم المشتركة M_X,Y(t₁, t₂) = E[e^{t₁X + t₂Y}]. فببساطة شديدة، يتم الحصول على الدالة المولدة الهامشية للمتغير X بتصفير المعلمة المقترنة بالمتغير Y (أي وضع t₂ = 0):

M_X(t) = M_X,Y(t, 0)

وبالمثل، تكون الدالة المولدة الهامشية للمتغير Y هي M_Y(t) = M_X,Y(0, t). يتيح هذا الاستخراج الرمزي السريع للباحثين اشتقاق العزوم الهامشية العليا بسهولة عبر التفاضل المتتالي للدالة عند النقطة t = 0. في النمذجة السيكومترية المتقدمة، تُستخدم الدوال المولدة للعزوم الهامشية للتحقق من تقارب توزيعات درجات الاختبارات نحو التوزيع الطبيعي المعياري وفق مبرهنة النهاية المركزية، ولتحديد خصائص الالتواء بدقة رياضية متناهية.

8. التوزيعات الهامشية متعددة الأبعاد (Multivariate Marginal Distributions)

8.1 توسيع المفهوم إلى أكثر من متغيرين (n-Dimensions)

عند الانتقال من الفضاء ثنائي البعد إلى فضاءات متعددة المتغيرات تضم n من المتغيرات العشوائية Z = (X₁, X₂, …, X_n)^T، يتسع مفهوم التوزيع الهامشي ليشمل إمكانية تهميش مجموعة فرعية كاملة من المتغيرات لاستبقاء متجه فرعي مكون من k متغير (حيث k < n). على سبيل المثال، في مساحة تتكون من أربعة متغيرات (X₁, X₂, X₃, X₄)، قد نرغب في استخراج التوزيع الهامشي المشترك للمتغيرين (X₁, X₂) معاً بمعزل عن (X₃, X₄).

يتم هذا الإسقاط الرياضي المتعدد عبر إجراء تكاملات أو مجاميع متعددة (Multiple Integrals or Sums) عبر كامل مجالات المتغيرات المراد التخلص منها. تُصاغ دالة الكثافة الهامشية لمتجه فرعي بالمعادلة التكاملية الموسعة:

f_X1,…,Xk(x₁, …, x_k) = ∫ … ∫ f_X1,…,Xn(x₁, …, x_n) dx_k+1 … dx_n

يعد هذا التوسيع الرياضي ركيزة أساسية في تحليل بطاريات الاختبارات النفسية متعددة العوامل (مثل مقاييس القدرات العقلية والذكاء المتعدد). فعند تقييم بطارية تضم عشرات القدرات المعرفية الفرعية، يمكن تهميش القدرات الحسية والحركية لعزل ودراسة التوزيع الهامشي المشترك للقدرات اللفظية والمنطقية فقط كبنية فرعية مستقلة ومترابطة داخلياً.

8.2 التوزيع الطبيعي متعدد المتغيرات والتوزيعات الهامشية

يتمتع التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution) بخاصية رياضية استثنائية وأنيقة تُعرف بـ «خاصية بقاء واستقرار التوزيع الطبيعي تحت التهميش» (Stability under Marginalization). تنص هذه النظرية على أنه إذا كان المتجه العشوائي X يتوزع توزيعاً طبيعياً متعدد المتغيرات بمتوسط μ ومصفوفة تغاير Σ، أي X ~ N_n(μ, Σ)، فإن أي متجه فرعي هامشي يُشتق منه يتبع بالضرورة توزيعاً طبيعياً متعدداً (أو توزيعاً طبيعياً أحادياً في حالة المتغير الواحد).

تتم عملية استخراج معالم التوزيع الهامشي في التوزيع الطبيعي المتعدد بسهولة جبرية فائقة دون الحاجة لإجراء أي تكاملات عددية معقدة. يتم تقسيم متجه المتوسط الكلي ومصفوفة التغاير الكلية إلى كتل مصفوفية مجزأة (Partitioned Blocks):

μ = [ μ₁ , μ₂ ]^T      و      Σ = [ [ Σ₁₁, Σ₁₂ ], [ Σ₂₁, Σ₂₂ ] ]

فيكون التوزيع الهامشي للمتجه الفرعي الأول X₁ هو ببساطة شديدة: X₁ ~ N_k(μ₁, Σ₁₁). ومع ذلك، يجب الحذر من مغالطة إحصائية شهيرة ذات شأن كبير: إن اعتدالية التوزيعات الهامشية الفردية لجميع المتغيرات لا تضمن بأي حال من الأحوال أن التوزيع المشترك لها طبيعي متعدد! فالاعتدالية المشتركة تتطلب شروطاً بنائية أكثر صرامة تتجاوز مجرد اعتدالية الهوامش المنفصلة.

8.3 نماذج المعادلات البنائية والتحليل العاملي

تلعب التوزيعات الهامشية دوراً محورياً في تقدير معالم نماذج المعادلات البنائية (Structural Equation Modeling – SEM) والتحليل العاملي التوكيدي (CFA). في هذه النماذج المعقدة، ترتبط المؤشرات المشاهدة (مثل استجابات مقاييس ليكرت المتعددة) بعوامل ومتغيرات كامنة غير مقيسة مباشرة. تتطلب خوارزميات التقدير الإحصائي فحص الخصائص التوزيعية الهامشية لكل مؤشر مشاهد على حدة للتحقق من افتراضات التوزيع الطبيعي المتعدد.

عندما تظهر البيانات التجريبية انحرافات حادة عن الاعتدالية الهامشية (مثل وجود التواء شديد في استجابات المقاييس النفسية الفئوية)، تفشل طرائق التقدير الكلاسيكية مثل طريقة الإمكانية العظمى القياسية (ML). في هذه الحالات، يتم اللجوء إلى طرائق التهميش القوية واستخدام مصفوفات الارتباط متعددة التصنيف (Polychoric Correlations) التي تعتمد على تهميش التوزيعات الاحتمالية المستمرة الكامنة وراء الاستجابات المنفصلة.

تساعد تقنيات التهميش في التخلص من معالم الإزعاج (Nuisance Parameters) داخل النماذج البنائية عبر دمج التوزيعات الشرطية، مما يرفع من دقة الملاءمة البنائية للمقاييس واستقرار معاملات الثبات والصدق العاملي للأدوات السيكومترية المستخدمة في البحوث النفسية الكبرى.

9. تطبيقات التوزيع الهامشي في القياس النفسي ونظرية الاستجابة للمفردة

9.1 التهميش في نظرية الاستجابة للمفردة (IRT)

تمثل نظرية الاستجابة للمفردة (Item Response Theory – IRT) الإطار القياسي الحديث لبناء وتقنين الاختبارات النفسية والتربوية. في هذا الإطار، ترتبط استجابة المفحوص على فقرة امتحانية معينة بقدرته الكامنة التي يُرمز لها بالرمز ثيتا (θ). تكمن المعضلة الإحصائية الكلاسيكية في الرغبة بتقدير معالم الفقرات (مثل الصعوبة والتمييز والتخمين) دون معرفة مسبقة بالقدرات الفعلية الدقيقة للأفراد في العينة.

لحل هذه المعضلة، ابتكر علماء القياس طريقة الإمكانية الهامشية العظمى (Marginal Maximum Likelihood – MML) التي تعتمد اعتماداً كلياً على تهميش متغير القدرة الكامنة θ. تُصاغ دالة الإمكانية الهامشية لعينة من المفحوصين عبر تهميش (تكامل) القدرة الكامنة عبر توزيعها السكاني المفترض g(θ):

L_marginal(β) = ∏_i ∫ [ ∏_j P(U_ij = u_ij | θ, β_j) ] g(θ) dθ

حيث تمثل β_j معالم الفقرة j، و u_ij الاستجابة المسجلة للمفحوص. نظراً لتعذر الحل التحليلي المباشر لهذا التكامل، تُستخدم طرائق التكامل العددي مثل تربيع غاوس-هيرميت (Gauss-Hermite Quadrature). تتيح هذه الطريقة الهامشية تقدير معالم الاختبار بموضوعية تامة وبمعزل عن عينة المفحوصين المحددة، وهو ما يتفوق جذرياً على طرائق التقدير المشترك التقليدية (Joint Maximum Likelihood) التي تعاني من عدم الاتساق الإحصائي.

9.2 معايرة الاختبارات والتقييم السيكومتري للفقرات

تعتمد معايرة الاختبارات النفسية والتحصيلية على التحليل الدقيق للتوزيع الهامشي للإجابات الصحيحة والخاطئة لكل فقرة امتحانية. يُحسب معامل صعوبة الفقرة الكلاسيكي (p-value) كاحتمال هامشي مباشر لنسبة الأفراد الذين أجابوا عن الفقرة بشكل صحيح في المجتمع المعياري الكلي:

P(Item = Correct) = n_correct / N

يُستخدم التوزيع الهامشي أيضاً في الكشف عن التحيز في المفردات الاختبارية والمعروف منهجياً بـ «الأداء التفاضلي للمفردة» (Differential Item Functioning – DIF). يتم فحص ما إذا كان التوزيع الهامشي لاستجابات الفقرة يتطابق عبر المجموعات السكانية المختلفة (مثل الذكور والإناث، أو الثقافات المتباينة) بعد ضبط مستوى القدرة الكامنة، مما يضمن خلو الاختبارات من أي تحيز ثقافي أو جندري.

علاوة على ذلك، تُبنى معايير الأداء الوطنية والمقننة (National Benchmarks) ورتب المئينات (Percentile Ranks) للاختبارات النفسية الكبرى بالاعتماد الحصري على التوزيع الهامشي التراكمي لدرجات عينات التقنين، مما يمنح الدرجات الخام معنى قياسياً واضحاً يمكن تفسيره واستخدامه في القرارات التربوية والإكلينيكية المصيرية.

9.3 التحليل النفسي لتفضيلات المستهلك وصنع القرار

يمتد تطبيق النماذج الهامشية إلى مجالات علم النفس المعرفي، وسيكولوجيا المستهلك، ونظرية القرار السلوكي (Behavioral Decision Theory). عند دراسة اختيارات الأفراد بين بدائل شرائية أو قرارات سلوكية متعددة، يواجه الباحثون نماذج اختيار متداخلة تضم مئات المتغيرات السياقية والشخصية المصاحبة.

تُستخدم نماذج الانحدار اللوجستي الهامشي (Marginal Logistic Regression) ونماذج المعادلات التقديرية المعممة (Generalized Estimating Equations – GEE) في الدراسات السلوكية الطولية (Longitudinal Studies) لدراسة تطور تفضيلات الأفراد وقراراتهم بمرور الوقت. تتيح هذه النماذج تقدير «التأثيرات الهامشية المتوسطة على مستوى المجتمع» (Population-Averaged Marginal Effects) بمعزل عن الفروق الفردية الكامنة غير المشاهدة.

يساعد تفسير نسب الأرجحية الهامشية (Marginal Odds Ratios) صانعي القرار الإكلينيكي والطبي في تحديد مدى فاعلية برامج التدخل الصحي العام؛ كمعرفة الاحتمال الهامشي لالتزام المرضى بتناول الدواء النفسي عند تبسيط الجرعات العلاجية، مع تهميش التباينات المعقدة في تاريخهم المرضي الفردي.

10. حساب التوزيع الهامشي باستخدام البرمجيات الإحصائية ولغات البرمجة

10.1 استخراج التوزيعات الهامشية باستخدام بيئة R

توفر لغة البرمجة الإحصائية R بيئة برمجية ثرية وفائقة المرونة لاستخراج وتحليل التوزيعات الهامشية للمتغيرات المنفصلة والمتصلة. في حالة جداول التوافق المنفصلة، تُستخدم الدوال الأساسية المدمجة في بيئة R مثل دالة margin.table() ودالة marginTables() لحساب المجاميع الهامشية مباشرة، بالإضافة إلى دالة prop.table() لتحويل التكرارات المشتركة إلى احتمالات نسبية هامشية عند تحديد المحور المطلوب (1 للصفوف، 2 للأعمدة).

للتعامل مع الدوال المتصلة التي تتطلب تكاملاً عددياً متعدد الأبعاد لاستخراج الكثافات الهامشية، تبرز حزم متخصصة مثل حزمة cubature وحزمة integrate() القياسية. تتيح هذه الأدوات تنفيذ عمليات التكامل العددي للدوال المعقدة وتهميش المتغيرات بدقة خوارزمية عالية جداً، مع توفير تقديرات دقيقة لحدود الخطأ العددي المصاحب لعملية التكامل.

أما على صعيد التمثيل البصري والرسومي المتقدم، تتيح حزمة ggplot2 المدعومة بحزمة ggExtra توليد مخططات بيانية احترافية عالية الجودة تدمج المخطط النقطي للبيانات المشتركة (Scatter Plot) مع مدرجات تكرارية أو منحنيات كثافة هامشية (Marginal Histograms / Marginal Density Plots) مثبتة على الحواف الخارجية للمخطط عبر دالة ggMarginal()، مما يعطي رؤية بصرية متكاملة للتوزيع المشترك ومساقطه الهامشية في آن واحد.

10.2 التطبيق العملي بلغة بايثون (Python)

تحظى لغة Python بمكانة رائدة في التحليل الإحصائي وعلوم البيانات، وتوفر منظومة متكاملة من المكتبات لمعالجة التوزيعات الهامشية. عند العمل مع البيانات التجريبية المنفصلة والجداول المتقاطعة، توفر مكتبة pandas دالة قوية وشاملة هي pandas.crosstab()، والتي تتيح عند تفعيل الوسيط margins=True استخراج كافة المجاميع الهامشية للصفوف والأعمدة تلقائياً وحساب النسب المئوية الهامشية بسهولة عبر تحديد المعلمة normalize='all' أو normalize='index'.

في حالة المتغيرات المتصلة والنماذج الرياضية، تقدم مكتبة scipy.integrate دوال التكامل المتقدمة مثل quad() للتكامل الأحادي و dblquad() للتكامل الثنائي، مما يتيح للباحث صياغة دوال الكثافة المشتركة برمجياً وتهميش أي متغير رقمياً للحصول على قيم الكثافة الهامشية عند أي نقطة مطلوبة في فضاء الإسناد.

وللتمثيل المرئي الفعال للبيانات السلوكية الضخمة، توفر مكتبة seaborn الدالة الشهيرة sns.jointplot()، والتي تقوم برسم العلاقة المشتركة بين متغيرين مع رسم التوزيعات الهامشية المقابلة لكل متغير على حواف الشكل بشكل تلقائي وأنيق عبر رسوم الكثافة (KDE) أو الصناديق التكرارية، مما يسهل الاكتشاف البصري السريع لخصائص الهوامش وشذوذ البيانات في البحوث السيكولوجية الحسابية.

10.3 التحليل عبر حزمة SPSS الإحصائية

تُعد الحزمة الإحصائية للعلوم الاجتماعية SPSS الأداة الأكثر انتشاراً بين الباحثين في العلوم النفسية والتربوية، وتوفر واجهة تطبيقية مباشرة لاستخراج التوزيعات الهامشية المنفصلة. يتم الوصول إلى جداول التوافق عبر القائمة المنسدلة: Analyze → Descriptive Statistics → Crosstabs. من خلال نافذة الخيارات الفرعية (Cells)، يمكن تفعيل خيارات حساب النسب المئوية للصفوف (Row Percentages)، والنسب المئوية للأعمدة (Column Percentages)، والمجموع الكلي (Total Percentages)، والتي تمثل التوزيعات الاحتمالية الهامشية المشاهدة.

تُظهر مخرجات جداول التوافق في SPSS الهوامش التكرارية والنسبية بشكل منظم ومقنن؛ حيث يُقرأ التوزيع الهامشي للمتغير الصفي في أقصى يمين الجدول تحت خانة «Total»، بينما يُقرأ التوزيع الهامشي للمتغير العمودي في أسفل الجدول. يمكن أيضاً حفظ هذه التوزيعات التكرارية والهامشية كمتغيرات جديدة في ورقة البيانات (Data View) لاستخدامها في تحليلات مرجعية لاحقة أو لإجراء اختبارات المطابقة المعيارية.

علاوة على ذلك، يمكن للمحللين أتمتة هذه العمليات ومعالجة مئات المتغيرات السيكومترية دفعة واحدة من خلال كتابة أوامر برمجية مخصصة في نافذة بناء الجمل البرمجية (SPSS Syntax)، باستخدام الأمر الإجرائي CROSSTABS /TABLES=VarA BY VarB /CELLS=COUNT ROW COLUMN TOTAL.، مما يضمن سرعة المعالجة ودقة التوثيق وتكرارية التحليل الإحصائي (Reproducibility).

11. التحديات المنهجية والأخطاء الشائعة في تفسير التوزيع الهامشي

11.1 مغالطة سيمبسون (Simpson’s Paradox)

تُعد مغالطة سيمبسون (Simpson’s Paradox) إحدى أخطر المعضلات الإحصائية والمنهجية التي ترتبط مباشرة بالتوزيعات الهامشية وتهميش المتغيرات. تحدث هذه المغالطة عندما يختفي اتجاه ارتباط معين أو ينعكس تماماً (من علاقة موجبة إلى علاقة سالبة، أو العكس) عند تجميع البيانات وتهميش متغير ثالث وسيط أو مشوش (Confounding Variable)، مقارنة بالاتجاه المشاهد داخل الفئات والطبقات الشرطية المنفصلة.

في السياق السيكولوجي والطبي، يمكن لظاهرة سيمبسون أن تقود إلى استنتاجات سريرية كارثية. لنفترض دراسة تفحص كفاءة علاج نفسي جديد مقارنة بعلاج تقليدي على مجموعتين من المرضى (حالات خفيفة وحالات حادة). قد يظهر العلاج الجديد تفوقاً واضحاً على العلاج التقليدي داخل فئة الحالات الخفيفة، وتفوقاً مستقلاً أيضاً داخل فئة الحالات الحادة (التحليلات الشرطية). ومع ذلك، إذا تم تهميش متغير «شدة الحالة» ودمج المرضى لحساب الفاعلية الهامشية الإجمالية، فقد يظهر العلاج التقليدي متفوقاً ظاهرياً نتيجة لعدم تكافؤ توزيع الحالات الحادة بين المجموعتين التجريبيتين!

تفرض هذه المغالطة على الباحثين الحذر الشديد وعدم الاعتماد المطلق على الاستنتاجات الهامشية المعزولة دون فحص التوزيعات الشرطية الفرعية. وتتطلب المعالجة المنهجية إجراء اختبارات التجانس (Homogeneity Tests) واستخدام تقنيات التحليل الطبقي مثل اختبار كوشران-مانتل-هانزل (Cochran-Mantel-Haenszel) للتأكد من أن التهميش لا يطمس آليات التأثير الحقيقية الكامنة في البيانات.

11.2 الخلط بين التوزيع الهامشي والتوزيع الشرطي

يقع كثير من الممارسين والباحثين في خطأ مفاهيمي وإبستيمولوجي فادح يتمثل في الخلط والتبديل غير الواعي بين الاحتمال الهامشي P(A) والاحتمال الشرطي P(A | B). يتجلى هذا الخطأ في التفسير الإكلينيكي لنتائج الاختبارات التشخيصية؛ حيث يتم الخلط بين الاحتمال الهامشي لوجود اضطراب نفسي نادر في المجتمع (معدل الانتشار الأساسي Base Rate)، وبين الاحتمال الشرطي لوجود الاضطراب لدى مريض حصل على نتيجة إيجابية في الاختبار التشخيصي.

يُعرف هذا الخطأ الشائع في أدبيات علم النفس المعرفي بمغالطة «تجاهل المعدل الأساسي» (Base Rate Fallacy). فعندما يتجاهل الطبيب النفسي التوزيع الهامشي للمرض في المجتمع العام، فإنه يميل إلى المبالغة الشديدة في تقدير احتمالية إصابة المريض بالمرض بناءً على نتيجة اختبار إيجابية، متناسياً أن التوزيع الهامشي المنخفض للمرض يجعل معظم النتائج الإيجابية في الاختبارات نتائج إيجابية كاذبة (False Positives).

لتجنب هذا الانزلاق التفسيري، يجب تدريب الباحثين على التمييز الصارم بين الأسئلة البحثية التي تجيب عنها التوزيعات الهامشية (مثل: ما هي النسبة العامة للظاهرة في المجتمع؟) والأسئلة التي تتطلب تحليلاً شرطياً (مثل: ما هي احتمالية حدوث السلوك في ظل توفر شروط بيئية محددة؟)، مع التأكيد الدائم على تطبيق معادلة بايز لربط الهوامش بالشروط بطريقة رياضية منضبطة.

11.3 تأثير خطة المعاينة والبيانات المبتورة

يتأثر التوزيع الهامشي المستخرج من البيانات الميدانية تأثراً بالغاً بنوع خطة المعاينة (Sampling Design) المتبعة في جمع البيانات. في دراسات المعاينة الطبقية غير المتناسبة (Disproportionate Stratified Sampling)، يقوم الباحثون عمداً بزيادة تمثيل فئات نادرة معينة في العينة لضمان كفاية التحليل الإحصائي لتلك الفئات. إذا تم استخراج التوزيع الهامشي مباشرة من البيانات الخام لهذه العينات دون تصحيح، فإن التوزيع الناتج سيكون مشوهاً بشدة ولا يمثل بأي حال التوزيع الهامشي الحقيقي للمجتمع الأصلي.

تتطلب معالجة هذا التشويه استخدام «أوزان المعاينة الاحتمالية» (Sampling Weights) لإعادة ضبط التكرارات وإعادة بناء التوزيع الهامشي للمجتمع بدقة متناهية. تبرز أيضاً معضلة «البيانات المبتورة أو الخاضعة للرقابة» (Censored and Truncated Data)، كأن يتوقف اختبار نفسي عند زمن محدد مما يمنع تسجيل درجات الأفراد بطيئي الاستجابة، أو في دراسات الدخل والتحصيل التي تفرض سقفاً أعلى للقياس.

في حالات البتر التوزيعي، يؤدي التهميش التقليدي عبر التكامل العادي إلى تقديرات متحيزة للمتوسطات والتباينات الهامشية. يستلزم التعامل مع هذه البيانات المعقدة استخدام نماذج البتر المتقدمة مثل نموذج توبيت (Tobit Model) وخوارزميات تقدير الإمكانية العظمى المصححة للبتر لضمان استرجاع المعالم الهامشية الحقيقية للمجتمع المستهدف.

12. الخلاصة والاتجاهات الحديثة في النمذجة الإحصائية الهامشية

12.1 ملخص شامل للمبادئ والخطوات الرياضية

استعرض هذا الدليل الأكاديمي الموسع البنية الشاملة للتوزيع الاحتمالي الهامشي بوصفه حجر الزاوية في اختزال الأنظمة العشوائية متعددة الأبعاد وتحليل سلوك المتغيرات الفردية. تلخص المبادئ الرياضية الأساسية عملية التهميش في قاعدتين جوهريتين: الجمع الاختزالي عبر فضاء المتغيرات المصاحبة في حالة المتغيرات المنفصلة (∑_y P(x, y))، والتكامل المحدد عبر كامل مجالات الإسناد في حالة المتغيرات المتصلة (∫ f(x, y) dy).

يوضح المسار المنهجي السليم أن استخراج التوزيع الهامشي يجب أن يمر بسلسلة من الخطوات المنضبطة: فحص مستويات القياس، تنظيف وتجهيز البيانات، تحديد حدود وفضاءات الإسناد، تنفيذ الجمع أو التكامل، التحقق من شرط المعايرة ومطابقة المجموع للواحد الصحيح، وأخيراً فحص المعالم التوزيعية (التوقع الرياضي والتباين). يحقق هذا التسلسل الإجرائي توازناً مثالياً بين بساطة التحليل الأحادي والعمق النظري المشتق من التوزيعات المشتركة متعددة المتغيرات.

يظل التوزيع الهامشي الأداة التي لا غنى عنها في القياس المعياري، واختبارات الاستقلالية الإحصائية، وبناء الفرضيات العلمية المؤسسة للعلوم السلوكية، مع ضرورة الوعي الدائم بحدوده التفسيرية والحرص على عدم طمس العلاقات التفاعلية الدقيقة التي تختزنها التوزيعات المشتركة والشرطية.

12.2 النماذج الهامشية الحديثة ودوال الكوبولا (Copulas)

تشهد النمذجة الإحصائية المعاصرة ثورة منهجية كبرى تقودها نظرية دوال الكوبولا (Copulas)، والتي أحدثت نقلة نوعية في كيفية فهم وتطبيق التوزيعات الهامشية. تستند هذه النظرية إلى مبرهنة سكلار (Sklar’s Theorem) الشهيرة، والتي تنص على أنه يمكن تفكيك أي توزيع احتمالي مشترك متعدد الأبعاد إلى شقين مستقلين تماماً: التوزيعات الهامشية الأحادية لكل متغير على حدة، ودالة كوبولا C التي تربط وتدمج هذه الهوامش معاً لتشكيل التوزيع المشترك:

F_X,Y(x, y) = C(F_X(x), F_Y(y))

تكمن القوة الهائلة لدوال الكوبولا في أنها تمنح الباحثين حرية رياضية مطلقة لاختيار أي توزيعات هامشية ملائمة لبياناتهم (مثل توزيع غاما لأحد المتغيرات، وتوزيع بيتا للمتغير الثاني، وتوزيع طبيعي للمتغير الثالث)، ثم دمج هذه الهوامش غير المتجانسة معاً باستخدام دالة كوبولا مناسبة (مثل Gaussian Copula أو Clayton Copula) لنمذجة الارتباطات المعقدة، وغير الخطية، والارتباطات الذيلية الحادة (Tail Dependence).

في العلوم السلوكية والبيانات النفسية الكبيرة (Big Behavioral Data)، تفتح دوال الكوبولا آفاقاً غير مسبوقة لدراسة البنى النفسية غير المتناظرة والتي تعجز النماذج الخطية الكلاسيكية عن استيعابها. إن هذا الفصل المرن بين شكل الهوامش الفردية وهيكل الارتباط المشترك يمثل قمة التطور المنهجي في توظيف التوزيعات الهامشية في الإحصاء التطبيقي الحديث.

12.3 توصيات تطبيقية للباحثين في علم النفس والقياس السلوكي

في ختام هذا المرجع المنهجي، نضع بين أيدي الباحثين وطلاب الدراسات العليا في مجالات القياس النفسي والعلوم السلوكية حزمة من التوصيات الإجرائية والممارسات الفضلى لضمان دقة الاستدلال الاحتمالي الهامشي:

• الجمع المتوازن بين الفحص الهامشي والتحليل الشرطي: لا تكتفِ أبداً بالإبلاغ عن المتوسطات والنسب الهامشية وحدها، بل قم دائماً بفحص التوزيعات الشرطية داخل الفئات الفرعية لتجنب الوقوع في مغالطة سيمبسون أو إغفال التأثيرات الوسيطة.
• فحص اعتدالية الهوامش بدقة: تحقق من الالتواء والتفرطح لكل توزيع هامشي قبل تطبيق النماذج البنائية أو اختبارات الفروق، واستخدم التحويلات الرياضية المناسبة أو النماذج اللامعلمية عند انتهاك افتراض الاعتدالية.
• توظيف أوزان المعاينة في الدراسات المسحية: تأكد دائماً من إدراج أوزان المعاينة عند حساب التوزيعات الهامشية المستخرجة من عينات غير متناسبة لضمان تطابق الهوامش التجريبية مع معالم المجتمع الأصلي.
• الاستفادة من البرمجيات الإحصائية الحديثة: اعتمد على البيئات البرمجية المتقدمة مثل R وPython لأتمتة حساب التكاملات وتوليد الرسوم الهامشية المدمجة بدقة، مما يرفع من جودة التوثيق والموثوقية العلمية للبحوث السيكومترية.

المراجع (References)

• Agresti, A. (2013). Categorical Data Analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. https://www.springer.com/gp/book/9780387310732
• Bock, R. D., & Aitkin, M. (1981). Marginal maximum likelihood estimation of item parameters: Application of an EM algorithm. Psychometrika, 46(4), 443–459. https://doi.org/10.1007/BF02293801
• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to Mathematical Statistics (8th ed.). Pearson.
• Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
• Lord, F. M., & Novick, M. R. (1968). Statistical Theories of Mental Test Scores. Addison-Wesley.
• Nelsen, R. B. (2006). An Introduction to Copulas (2nd ed.). Springer. https://doi.org/10.1007/0-387-28678-0
• Ross, S. M. (2014). A First Course in Probability (9th ed.). Pearson.
• Sklar, M. (1959). Fonctions de répartition à n dimensions et leurs marges. Publications de l’Institut de Statistique de l’Université de Paris, 8, 229–231.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
• Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4