الإحصاء النفسيالقياس النفسيمناهج البحث العلمي

توزيع ذي الحدين السالب: الاستخدامات، الآلة الحاسبة والصيغة

دليل أكاديمي شامل حول توزيع ذي الحدين السالب (توزيع باسكال): الصيغ الرياضية، الخصائص الإحصائية، التطبيقات السلوكية والنفسية، وآليات الحساب البرمجية.

تاريخ النشر

تُعد النمذجة الاحتمالية للظواهر المتقطعة ركيزة جوهرية في صرح الإحصاء التطبيقي والقياس النفسي والسلوكي المعاصر؛ إذ تمثل حجر الزاوية في تفسير سلاسل الأحداث العشوائية واستيعاب التباينات الفردية الكامنة وراء السلوك البشري والظواهر الطبيعية. وعلى الرغم من الهيمنة التاريخية للنماذج الاحتمالية التقليدية مثل توزيع ذي الحدين الاعتيادي وتوزيع بواسون، إلا أن التطبيقات الواقعية سرعان ما كشفت عن قصور هذه النماذج الكلاسيكية في معالجة البيانات الواقعية التي تنتهك الفروض الصارمة للاستقرار وتساوي المتوسط مع التباين. ومن هنا يبرز توزيع ذي الحدين السالب (Negative Binomial Distribution) كإطار رياضي فائق المرونة وعميق الأثر، يتيح نمذجة احتمالية الوصول إلى غايات محددة عبر سلاسل من التجارب غير المحدودة مسبقاً، متجاوزاً بذلك القيود الهيكلية للتوزيعات الثنائية التقليدية.

يتجلى توزيع ذي الحدين السالب كأداة لا غنى عنها في الأبحاث السلوكية، والعلوم العصبية، والوبائيات، والاقتصاد القياسي؛ حيث يقدم حلاً رياضياً أنيقاً لمعضلة التشتت الفائق (Overdispersion) التي تعجز النماذج البواسونية عن احتوائها. إن فهم هذا التوزيع لا يقتصر على استيعاب رموزه ومعادلاته الجبرية فحسب، بل يمتد إلى إدراك فلسفته المعرفية في تحويل مفهوم “المحاولة حتى النجاح” إلى نموذج كمي قادر على التنبؤ، وتفسير ديناميات التعلم الإنساني، وتقييم وتيرة الانتكاسات السلوكية، وضبط القياسات في الاختبارات التكيفية المحوسبة بدقة فائقة ورصانة منهجية.

يقدم هذا الدليل المرجعي الشامل تفكيكاً نظرياً وتطبيقياً متكاملاً لتوزيع ذي الحدين السالب، بدءاً من أصوله المفاهيمية واشتقاقاته الرياضية الصارمة، مروراً بمقارناته الإحصائية مع التوزيعات المجاورة ونماذج انحداره المتقدمة، ووصولاً إلى خوارزميات الحساب الآلي وتطبيقاته البرمجية في لغات R وPython وحزم SPSS، معززاً بدراسات حالة عملية وأدلة إرشادية تواكب أحدث معايير النشر الأكاديمي الرصين.

جدول المحتويات

1. المدخل المفاهيمي لتوزيع ذي الحدين السالب (توزيع باسكال)

1.1 التعريف الرياضي والإحصائي للظاهرة

يُعرَّف توزيع ذي الحدين السالب في النظرية الاحتمالية الكلاسيكية بأنه دالة توزيع احتمالي متقطع تحكم تجارب برنولي المستقلة والمتطابقة، حيث يُعنى بحساب احتمالية وقوع عدد محدد من الإخفاقات قبل تحقق عدد معين ومحدد مسبقاً من النجاحات، أو بدلالة أخرى، حساب إجمالي عدد المحاولات التجريبية المطلوبة لبلوغ النجاح رقم $r$. ينشأ التمايز الجوهري هنا بين متغير التجربة العشوائية في ذي الحدين الاعتيادي—الذي يمثل عدد النجاحات في عدد ثابت من المحاولات—وبين ذي الحدين السالب، الذي يجعل من عدد المحاولات ذاتها أو عدد الإخفاقات متغيراً عشوائياً حراً ينتهي بالضرورة بلحظة تحقق النجاح المستهدف رقم$r$.

تاريخياً، يعود الفضل في صياغة اللبنات الأولى لهذا التوزيع إلى عالم الرياضيات الفرنسي بليز باسكال ضمن مراسلاته الشهيرة مع بيير دي فيرما في القرن السابع عشر حول “مسألة النقاط”، ولهذا السبب يُطلق عليه في الأدبيات الإحصائية الكلاسيكية اسم توزيع باسكال (Pascal Distribution) عندما يكون عدد النجاحات المطلوبة عدداً صحيحاً موجباً. وقد تطور المفهوم لاحقاً على يد رواد الإحصاء الحديث ليتسع ويشمل الحالات التي تأخذ فيها المعلمة $r$ قيماً حقيقية موجبة مستمرة، ليصبح التوزيع العام المعروف بذي الحدين السالب، وهو ما وسّع آفاقه الرياضية بشكل غير مسبوق.

تكمن الأهمية القصوى لهذا التوزيع في قدرته الفريدة على نمذجة البيانات المتقطعة غير المقيدة بنطاق أعلى مغلق؛ فبينما يفرض توزيع ذي الحدين سقفاً صارماً لا يمكن تجاوزه لعدد الأحداث، يسمح توزيع ذي الحدين السالب بتمدد فضاء العينة إلى المالانهاية النظرية. هذا الامتداد يجعله النموذج الرياضي المثالي لمحاكاة الظواهر التي لا يمكن التنبؤ مسبقاً بعدد المحاولات الكلية اللازمة لإنجازها، كالبحث العلمي، وتجارب الاكتشاف الدوائي، ومحاولات اكتساب المهارات المعقدة في علم النفس التجريبي.

1.2 الافتراضات المنهجية لتطبيق التوزيع

يرتكز التطبيق الإحصائي الدقيق لتوزيع ذي الحدين السالب على منظومة صارمة من الافتراضات الرياضية التي يجب التحقق من استيفائها تجريبياً قبل تبني النموذج؛ وأول هذه الافتراضات هو الاستقلالية الإحصائية التامة بين المحاولات المتتابعة. يعني هذا الشرط أن نتيجة أي محاولة راهنة لا تتأثر مطلقاً، ولا تؤثر بدورها، في نتائج المحاولات السابقة أو اللاحقة، مما يلغي وجود أي ارتباط تسلسلي أو ذاكرة تراكمية بين المحاولات الفردية، وهو ما يتطابق جوهرياً مع بنية تجارب برنولي النقية.

يتمثل الافتراض الثاني في ثبات احتمالية النجاح $p$ واحتمالية الفشل المقابلة $q = 1 – p$ عبر جميع التكرارات التجريبية دون أدنى تذبذب؛ إذ يفترض النموذج أن البيئة التجريبية والخصائص الجوهرية للوحدة الخاضعة للدراسة تظل مستقرة عبر الزمن. يُضاف إلى ذلك اشتراط ثنائية المخرجات (Binary Outcomes)، بحيث تُصنف كل محاولة إلى إحدى فئتين حصريتين وشاملتين: إما نجاح محقق أو فشل صريح، دون وجود احتمالات وسيطة أو مخرجات متعددة الأبعاد داخل المحاولة الواحدة.

أما الافتراض الهيكلي الحاسم فهو الإنهاء المشروط للتجربة؛ حيث تنص البنية الرياضية للتوزيع على أن التجربة تستمر بصورة إجبارية حتى يتم تسجيل النجاح رقم $r$ تحديداً، وتتوقف التجربة فوراً وبشكل حتمي عند تلك النقطة. يترتب على هذا الشرط أن المحاولة الأخيرة في السلسلة التجريبية تكون دائماً وأبداً نجاحاً، وهو القيد الجبري الذي يمنح التوزيع مصفوفة توافيقه المميزة ويفرقه جذرياً عن باقي التوزيعات المنفصلة في الفضاء العيني.

1.3 البيانات النفسية والسلوكية المتوافقة مع النموذج

في ميدان القياس النفسي والأبحاث السلوكية، تتطابق البنية الرياضية لتوزيع ذي الحدين السالب مع طيف واسع من الظواهر التجريبية والإكلينيكية؛ فهو يمثل النموذج الأمثل لمحاكاة السلوكيات التكرارية المتتابعة في بيئات التعلم الشرطي والإجرائي، حيث يُقاس الأداء السلوكي بعدد المحاولات الخاطئة أو الزمن المتقطع الذي يستغرقه المفحوص لبلوغ عتبة الإتقان المحددة مسبقاً بعدد $r$ من الاستجابات الصحيحة المتتالية أو التراكمية.

تتجلى ملاءمة هذا التوزيع بوضوح عند دراسة أوقات الاستجابة المتقطعة ومعدلات التردد السلوكي؛ فالإنسان في مواقف اتخاذ القرار أو حل المشكلات المعرفية المعقدة يخوض سلسلة من المحاولات الاستكشافية التي تتباين فيها معدلات الخطأ تبايناً هائلاً بين الأفراد. ونظراً لأن الأفراد يمتلكون قدرات معرفية متباينة وخلفيات دافعية متفاوتة، فإن البيانات التجريبية الناتجة غالباً ما تُظهر تشتتاً فائقاً (Overdispersion) حاداً لا يمكن لنموذج بواسون استيعابه، حيث يتجاوز التباين التجريبي الفعلي قيمة المتوسط الحسابي بمراحل كبيرة.

يمتد هذا التوافق الإحصائي إلى مجالات الطب النفسي ودراسات الإدمان والانتكاس السلوكي؛ حيث يمكن نمذجة عدد الأيام الخالية من الأعراض حتى حدوث عدد معين من الانتكاسات، أو عدد الجلسات العلاجية النفسية المطلوبة لتحقيق استقرار وجداني مقاس بمعايير إكلينيكية معيارية. يتيح توزيع ذي الحدين السالب للباحثين النفسيين صياغة نماذج كمية تحترم الطبيعة المنفصلة وغير المتماثلة لتلك البيانات، مما يجنبهم الوقوع في أخطاء التقدير الناجمة عن افتراض التوزيع الطبيعي للبيانات المتقطعة والمقيدة بالصفر.

2. الصيغة الرياضية والدوال الاحتمالية المرتبطة

2.1 صيغة دالة الكتلة الاحتمالية (PMF)

تأخذ دالة الكتلة الاحتمالية (Probability Mass Function) لتوزيع ذي الحدين السالب صورتين رياضيتين شهيرتين بحسب تعريف المتغير العشوائي المستهدف. إذا تم تعريف المتغير العشوائي $Y$ بأنه إجمالي عدد المحاولات اللازمة لتحقيق $r$ من النجاحات، فإن دالة الكتلة الاحتمالية تُصاغ رياضياً على النحو التالي:

$$P(Y = y) = \binom{y – 1}{r – 1} p^r (1 – p)^{y – r}, \quad y = r, r+1, r+2, dots$$

أما في الصياغة الإحصائية الأكثر شيوعاً في حزم البرمجة الحديثة ونماذج الانحدار، حيث يُعرَّف المتغير العشوائي $K$ بأنه عدد الإخفاقات التي تسبق تحقيق النجاح رقم $r$، فإن المعادلة تتحول إلى الشكل الجبري المقابل:

$$P(K = k) = \binom{k + r – 1}{k} p^r (1 – p)^k = \binom{k + r – 1}{r – 1} p^r (1 – p)^k, \quad k = 0, 1, 2, dots$$

يرجع سبب تسمية هذا التوزيع بـ “ذي الحدين السالب” إلى إمكانية إعادة كتابة المعامل التوافقي باستخدام متسلسلة ذات الحدين للأس السالب؛ حيث يُعرف المعامل التوافقي المعمم بالشكل الرياضي:

$$\binom{-r}{k} = \frac{(-r)(-r-1)dots(-r-k+1)}{k!} = (-1)^k \binom{k + r – 1}{k}$$

وبالتعويض في متسلسلة تايلور لدالة الحدين السالبة، يتضح جلياً أن مجموع الاحتمالات عبر كامل فضاء العينة اللانهائي من حالات الفشل $k in {0, 1, 2, dots}$ يتقارب بالضرورة ليعطي المجموع الإجمالي:

$$\sum_{k=0}^{\infty} P(K = k) = p^r \sum_{k=0}^{\infty} \binom{k + r – 1}{k} (1 – p)^k = p^r [1 – (1 – p)]^{-r} = p^r (p)^{-r} = 1$$

وهذا الاشتقاق الصارم يُثبت أن التوزيع يستوفي شرط التكامل الاحتمالي التام كدالة كتلة احتمالية مكتملة الأركان الرياضية.

2.2 دالة التوزيع التراكمي (CDF)

تُعنى دالة التوزيع التراكمي (Cumulative Distribution Function – CDF) بحساب الاحتمال التراكمي لوقوع عدد من الإخفاقات يقل عن أو يساوي قيمة محددة $k$، وتُمثَّل بالمجموع الرياضي المنفصل للدوال الاحتمالية النقطية من الصفر وحتى النقطة المستهدفة:

$$F(k; r, p) = P(K le k) = \sum_{j=0}^{k} \binom{j + r – 1}{j} p^r (1 – p)^j$$

نظراً لصعوبة حساب هذا المجموع يدوياً عند تعاظم قيم $k$ و$r$، ترتبط دالة التوزيع التراكمي برباط رياضي وثيق مع دالة بيتا غير المكتملة المنتظمة (Regularized Incomplete Beta Function)، والتي يُرمز لها بالرمز $I_x(a, b)$. تُرجم هذه العلاقة عبر التحويل التحليلي الأنيق التالي:

$$F(k; r, p) = I_p(r, k + 1) = 1 – I_{1-p}(k + 1, r) = \frac{\mathrm{B}(p; r, k + 1)}{\mathrm{B}(r, k + 1)}$$

حيث تمثل $\mathrm{B}(a, b)$ دالة بيتا الكاملة، بينما تمثل $\mathrm{B}(x; a, b)$ التكامل غير المكتمل لدالة بيتا. يتيح هذا الربط الرياضي استخدام التكاملات المستمرة والخوارزميات العددية المتقدمة لتقييم الاحتمالات التراكمية بدقة فائقة تتجاوز مشكلات التكرار اللانهائي في الحسابات المنفصلة.

وعند التعامل مع الفترات الاحتمالية المفتوحة والمغلقة في المتغيرات المنفصلة، يجب مراعاة قفزات الدالة عند كل عدد صحيح؛ إذ يُحسب احتمال وقوع المتغير في الفترة المغلقة $[a, b]$ عبر طرح $F(a-1)$ من $F(b)$، وهو تمييز جوهري يفصل الإحصاء المنفصل عن نظيره المستمر ويتطلب دقة برمجية لتفادي أخطاء الحدود الطرفية في الاختبارات الفرضية.

2.3 الدوال المولدة والعزوم الرياضية

تُعد الدالة المولدة للاحتمال (Probability Generating Function – PGF) الأداة التحليلية الأقوى لاستخلاص العزوم الصافية لتوزيع ذي الحدين السالب؛ وتُشتق الدالة $G_K(t) = \mathbb{E}[t^K]$ عبر فك المتسلسلة الاحتمالية على النحو التالي:

$$G_K(t) = \sum_{k=0}^{\infty} t^k \binom{k + r – 1}{k} p^r (1 – p)^k = p^r \sum_{k=0}^{\infty} \binom{k + r – 1}{k} [(1 – p)t]^k = \left( \frac{p}{1 – (1 – p)t} \right)^r$$

بشرط أن يكون مقياس $|(1 – p)t| < 1$ لضمان تقارب المتسلسلة الهندسية المعممة. ومن خلال التعويض بالتحويل الأسي $t = e^u$، نحصل مباشرة على الدالة المولدة للعزوم (Moment Generating Function – MGF):

$$M_K(u) = \mathbb{E}[e^{uK}] = \left( \frac{p}{1 – (1 – p)e^u} \right)^r, \quad \text{for } u < -\ln(1 – p)$$

تتيح المشتقات المتتالية للدالة المولدة للعزوم حساب الخصائص الهندسية التوزيعية العليا، كمعامل الالتواء (Skewness) ومعامل التفرطح (Kurtosis)؛ حيث يُشتق معامل الالتواء الرياضي $\gamma_1$ ليعكس انحراف التوزيع نحو اليمين الإيجابي:

$$\gamma_1 = \frac{2 – p}{\sqrt{r(1 – p)}}$$

بينما يُشتق معامل التفرطح الزائد (Excess Kurtosis) $\gamma_2$ ليقيس ثقل ذيل التوزيع مقارنة بالتوزيع الطبيعي القياسي:

$$\gamma_2 = \frac{6}{r} + \frac{p^2}{r(1 – p)}$$

تُبرز هذه العزوم العليا حقيقة أن التوزيع يميل دائماً لامتلاك ذيل ممتد نحو اليمين، غير أن هذا الالتواء يتلاشى تدريجياً كلما تعاظمت قيمة المعلمة $r$، ليتجه التوزيع نحو التماثل التام.

3. الخصائص الإحصائية الأساسية ومعلمات التوزيع

3.1 المتوسط الحسابي (القيمة المتوقعة)

يُمثل المتوسط الحسابي، أو القيمة المتوقعة (Expected Value)، المركز الثقلي للتوزيع الاحتمالي. في سياق المتغير العشوائي $K$ الذي يمثل عدد حالات الفشل قبل بلوغ $r$ من النجاحات، يُشتق التوقع الرياضي $\mathbb{E}[K]$ من المشتقة الأولى لدالة توليد الاحتمال عند النقطة $t = 1$:

$$\mathbb{E}[K] = G’_K(1) = left. \frac{d}{dt} \left( \frac{p}{1 – (1 – p)t} \right)^r right|_{t=1} = \frac{r(1 – p)}{p}$$

أما إذا عُرِّف التوزيع بدلالة إجمالي عدد المحاولات الكلية $Y = K + r$، فإن القيمة المتوقعة لإجمالي المحاولات تصبح بحسب خاصية الخطية للتوقع الرياضي:

$$\mathbb{E}[Y] = \mathbb{E}[K + r] = \frac{r(1 – p)}{p} + r = \frac{r}{p}$$

يحمل هذا التعبير الرياضي دلالة سلوكية ونفسية عميقة في دراسات القياس المعرفي والتعلم؛ فإذا كان احتمال نجاح الفرد في تجاوز مهمة إدراكية معقدة هو $p = 0.25$، والمطلوب تحقيق $r = 2$ من النجاحات لتأكيد اكتساب المهارة، فإن القيمة المتوقعة لعدد الإخفاقات هي $2(0.75)/0.25 = 6$ إخفاقات، بينما إجمالي المحاولات المتوقعة هو $2 / 0.25 = 8$ محاولات. يعكس هذا الرقم حجم الجهد المعرفي والمثابرة السلوكية المطلوبة من المفحوص لتحقيق الأداء المعياري المستهدف، ويوفر مقياساً كمياً لمستوى صعوبة المهمة بالنسبة للمستجيب.

3.2 التباين والانحراف المعياري

يُشتق التباين الرياضي $\mathrm{Var}(K)$ لمتغير ذي الحدين السالب باستخدام المشتقة الثانية لدالة توليد الاحتمال عبر العلاقة $\mathrm{Var}(K) = G”_K(1) + G’_K(1) – [G’_K(1)]^2$، مما يقود إلى الصيغة التحليلية المغلقة:

$$\mathrm{Var}(K) = \frac{r(1 – p)}{p^2}$$

وبأخذ الجذر التربيعي الموجب للتباين، نحصل على الانحراف المعياري (Standard Deviation) $\sigma$ الذي يقيس مقدار التشتت الفعلي حول القيمة المتوقعة:

$$\sigma_K = \frac{\sqrt{r(1 – p)}}{p}$$

تتجلى في هذه المعادلة إحدى أعمق الخصائص الرياضية لتوزيع ذي الحدين السالب، وهي خاصية التشتت الفائق (Overdispersion). يمكن إثبات هذه الخاصية بمقارنة التباين بالمتوسط الحسابي مباشرة:

$$\mathrm{Var}(K) = \frac{r(1 – p)}{p^2} = \left( \frac{r(1 – p)}{p} \right) \cdot \frac{1}{p} = \mathbb{E}[K] \cdot \frac{1}{p}$$

وحيث إن احتمال النجاح $p$ محصور بدقة في الفترة المفتوحة $(0, 1)$، فإن المقدار $\frac{1}{p} > 1$ بصورة حتمية، مما يعني رياضياً أن:

$$\mathrm{Var}(K) > \mathbb{E}[K]$$

هذا التفاوت البنيوي يثبت أن تباين ذي الحدين السالب يتجاوز قيمته المتوقعة دائماً، وتتسع الفجوة بين المتوسط والتباين كلما انخفضت قيمة $p$ واقتربت من الصفر، مما يجعله الإطار الإحصائي الطبيعي لمعالجة البيانات التي تُظهر تفاوتاً واسعاً يفوق افتراضات النماذج البديلة.

3.3 معلمات التوزيع وأثرها البياني

يتحدد الشكل الهندسي والتوزيعي لمنحنى ذي الحدين السالب عبر التفاعل الديناميكي بين معلمتيه الأساسيتين: معلمة الحجم أو الشكل $r$ (المعروفة أيضاً بمعلمة التشتت أو عدد النجاحات المطلوبة)، ومعلمة الاحتمال $p$. تلعب المعلمة$r$ دوراً حاسماً في ضبط درجة اعتدالية المنحنى؛ فعندما تكون $r$ صغيرة (مثل $r = 1$، وهو ما يمثل التوزيع الهندسي)، يكون التوزيع شديد الانحدار نحو اليمين مع قمة بارزة عند الصفر ($k = 0$). ومع زيادة قيمة $r$ تدريجياً، يبدأ التوزيع بالانزياح نحو اليمين وتتسطح قمته وتتحول كتلته الاحتمالية نحو شكل جَرَسي متماثل.

من ناحية أخرى، تضبط معلمة الاحتمال $p$ سرعة اضمحلال الذيل الأيمن للتوزيع؛ فالقيم المرتفعة لـ $p$ (التي تقترب من $1.0$) تؤدي إلى تركز الاحتمالات بصورة كثيفة حول القيم الصغرى لـ$k$ مع تلاشٍ فوري للذيل، دلالة على انخفاض عدد الإخفاقات المتوقعة لسهولة النجاح. وعلى النقيض من ذلك، فإن القيم الضئيلة لـ $p$ تمد الذيل الأيمن لمسافات شاسعة، مما يولد احتماليات غير صفرية لقيم بالغة الكبر لحالات الفشل.

تخضع هذه الديناميكية لمبرهنة التقارب المقارب (Asymptotic Convergence)؛ فبموجب مبرهنة النهاية المركزية، عندما تنمو المعلمة $r$ لتصل إلى مستويات كبيرة جداً ($r to \infty$) مع بقاء $p$ ثابتاً، فإن التوزيع المتقطع يتقارب تدريجياً وبصورة منتظمة نحو التوزيع الطبيعي القياسي بالمتوسط والتباين المحددين سلفاً:

$$\frac{K – \mathbb{E}[K]}{\sqrt{\mathrm{Var}(K)}} x\rightarrow{d} \mathcal{N}(0, 1) \quad \text{as } r to \infty$$

وهذا التقارب يفسر سبب استخدام التقريبات المستمرة في العينات الكبيرة لتبسيط العمليات الاستدلالية والحسابية.

4. المقارنات الإحصائية مع التوزيعات المتقاطعة

4.1 المقارنة مع توزيع ذي الحدين الاعتيادي

يُمثل التمييز بين توزيع ذي الحدين الاعتيادي (Binomial Distribution) وتوزيع ذي الحدين السالب نقطة ارتكاز منهجية في التصميم التجريبي والاستدلال الإحصائي. يكمن الفارق الجوهري في طبيعة المتغير العشوائي المحدد مسبقاً مقابل المتغير المتحرر؛ ففي توزيع ذي الحدين الاعتيادي، يتم تثبيت عدد المحاولات الكلية $n$ بصورة قطعية قبل بدء التجربة، ويكون المتغير العشوائي $X$ هو عدد النجاحات المحققة ضمن هذا الإطار الثابت، بحيث ينحصر فضاء العينة في المجموعة المنتهية ${0, 1, dots, n}$.

في المقابل، يقوم توزيع ذي الحدين السالب بقلب هذه المعادلة الهيكلية؛ إذ يتم تثبيت عدد النجاحات المطلوبة $r$ كهدف إلزامي لإيقاف التجربة، بينما يتحول إجمالي عدد المحاولات $Y$ (أو عدد الإخفاقات $K$) إلى متغير عشوائي ينبسط فضاء عينته ليشمل الأعداد غير المحدودة${0, 1, 2, dots}$. يترتب على هذا التمايز اختلاف جذري في صياغة الفرضيات الإحصائية وحساب دوال الإمكان.

يتحول الباحث من استخدام نموذج ذي الحدين إلى النموذج السالب عندما يتحول بروتوكول التجربة من مراقبة عدد الأهداف المحققة في زمن أو عينة ثابتة (مثل: “كم فقرة أجاب عنها الطالب بشكل صحيح من أصل 50 فقرة؟”) إلى بروتوكول الاختبار حتى بلوغ الكفاءة (مثل: “كم محاولة احتاجها الطالب ليحقق 10 إجابات صحيحة؟”). هذا التحول يغير شكل دوال الإمكان ويؤثر تأثيراً مباشراً على قيم الاحتمال وفترات الثقة المقدرة للمعلمات.

4.2 المقارنة مع التوزيع الهندسي

تربط توزيع ذي الحدين السالب بـ التوزيع الهندسي (Geometric Distribution) علاقة اشتقاقية مباشرة؛ حيث يُعد التوزيع الهندسي حالة خاصة وبسيطة من توزيع ذي الحدين السالب عندما تُضبط معلمة عدد النجاحات المستهدفة عند القيمة المفردة $r = 1$. في هذه الحالة الخاصة، تصبح دالة الكتلة الاحتمالية مقتصرة على حساب احتمال وقوع $k$ من الإخفاقات قبل النجاح الأول والوحيد مباشرة:

$$P(K = k) = \binom{k + 1 – 1}{k} p^1 (1 – p)^k = p (1 – p)^k$$

تتمثل إحدى أهم الخصائص الفريدة للتوزيع الهندسي في امتلاكه لخاصية فقدان الذاكرة (Memoryless Property)، والتي تُصاغ رياضياً بالمعادلة $P(K ge s + t mid K ge s) = P(K ge t)$. تعني هذه الخاصية أن احتمالية حدوث النجاح الأول في المحاولات اللاحقة لا تعتمد إطلاقاً على عدد الإخفاقات السابقة المستهلكة؛ فالنظام يبدأ من جديد عند كل محاولة.

ومع ذلك، تفقد هذه الخاصية انطباقها تماماً في توزيع ذي الحدين السالب عندما يتجاوز عدد النجاحات المستهدفة الواحد الصحيح ($r > 1$)؛ حيث تصبح احتمالية إتمام التجربة مشروطة بعدد النجاحات التراكمية المتبقية. إن توزيع ذي الحدين السالب يمثل في حقيقته مجموع $r$ من المتغيرات العشوائية المستقلة والمتطابقة التي يتبع كل منها توزيعاً هندسياً مستقلاً، مما يمنحه بنية تراكمية تلغي خاصية فقدان الذاكرة وتجعله نموذجاً حقيقياً لأوقات الانتظار المتعددة في الأنظمة المعقدة.

4.3 المقارنة مع توزيع بواسون

تُعد المقارنة بين توزيع بواسون (Poisson Distribution) وتوزيع ذي الحدين السالب إحدى أكثر القضايا إلحاحاً في نمذجة بيانات العدّ (Count Data). يتسم توزيع بواسون بخاصية بنيوية مقيدة للغاية تُعرف بـ التشتت المتساوي (Equidispersion)، والتي تفرض التساوي الرياضي الصارم بين المتوسط الحسابي والتباين:

$$\mathbb{E}[X] = \mathrm{Var}(X) = \lambda$$

غير أن البيانات السلوكية والنفسية والبيولوجية نادراً ما تستوفي هذا الشرط المثالي؛ فغالباً ما يكون التباين الفعلي للبيانات أكبر بكثير من المتوسط الحسابي نتيجة عدم تجانس الأفراد واختلاف سماتهم الكامنة، وهي المعضلة الإحصائية المعروفة بالتشتت الفائق. وهنا يقدم توزيع ذي الحدين السالب الحل المنهجي الأمثل عبر تقدير معلمة تشتت إضافية تسمح للتباين بتجاوز المتوسط بحرية.

يُفسَّر توزيع ذي الحدين السالب في الرياضيات الإحصائية المتقدمة كـ خليط غاما-بواسون (Gamma-Poisson Mixture). يوضح هذا المنظور أننا إذا افترضنا أن البيانات تتبع محلياً توزيع بواسون بمعلمة معدل $lambda$، ولكن هذه المعلمة $lambda$ ليست ثابتة بل تتغير عشوائياً بين الأفراد في المجتمع وفقاً لـ توزيع غاما بمعلمة شكل $r$ ومعلمة مقياس $\frac{1-p}{p}$، فإن التوزيع الحدي التراكمي للبيانات المشاهدة سيندمج جبرياً ليعطي تماماً توزيع ذي الحدين السالب:

$$P(K = k) = \int_{0}^{\infty} \frac{e^{-\lambda} \lambda^k}{k!} \cdot \frac{\beta^r \lambda^{r-1} e^{-\beta \lambda}}{\Gamma(r)} , d\lambda = \binom{k + r – 1}{k} p^r (1 – p)^k$$

حيث $p = \frac{\beta}{\beta + 1}$. يفسر هذا التأصيل الرياضي سبب قدرة ذي الحدين السالب الفائقة على استيعاب التباينات الكامنة غير الملحوظة في عينات الدراسات الإنسانية والتجريبية.

5. التطبيقات المتقدمة في القياس النفسي والأبحاث السلوكية

5.1 نمذجة التعلم واكتساب المهارات السلوكية

يحتل توزيع ذي الحدين السالب مكانة ريادية في نماذج المنحنيات المعرفية وعلم النفس التجريبي عند نمذجة معدلات التعلم واكتساب المهارات الحركية والإدراكية. في التجارب المصممة لقياس كفاءة استيعاب مهمة معقدة، يُعرّف بروتوكول التعلم عادةً بالوصول إلى عتبة إتقان تتطلب إحراز عدد معين من الاستجابات الصحيحة $r$ في مهام حل المشكلات، أو في متاهات التعلم الإجرائي لدى حيوانات التجارب.

يتيح التوزيع نمذجة احتمالية عدد المحاولات الخاطئة التي يرتكبها المتعلم قبل الوصول إلى تلك العتبة، مما يوفر مقياساً دقيقاً وموضوعياً لمعدل سرعة التعلم الإدراكي للفرد. وبدلاً من الاعتماد على المتوسطات البسيطة التي تتأثر بالقيم المتطرفة وتفترض اعتدالية وهمية، يوفر نموذج ذي الحدين السالب تقديرات دقيقة للمعالم المعرفية، ممكّناً الباحثين من المقارنة بين كفاءة التدخلات التعليمية عبر اختبار الفروق في معلمة الاحتمال $p$ التي تمثل سهولة الاستيعاب لدى المفحوصين.

علاوة على ذلك، يُستخدم التوزيع في تقييم برامج إعادة التأهيل المعرفي لمرضى السكتات الدماغية والإصابات العصبية الرضحية؛ حيث يُمكّن الباحثين من قياس الانخفاض التدريجي في عدد الإخفاقات المطلوبة لإتمام اختبارات الذاكرة العاملة أو التناسق الحركي البصري، مما يقدم دليلاً إحصائياً متيناً وموثوقاً على استعادة الوظائف العصبية عبر جلسات العلاج الطبيعي والتأهيلي المتعاقبة.

5.2 تحليل السلوكيات النمطية والانتكاسات النفسية

في الأبحاث الإكلينيكية ودراسات الطب النفسي، تواجه دراسة الانتكاسات السلوكية—كنوبات الهوس في الاضطراب الوجداني ثنائي القطب، أو نوبات الشره العصبي في اضطرابات الأكل، أو الانتكاسات في تعاطي المواد المخدرة—تحدياً إحصائياً بارزاً ناجماً عن الطبيعة المتقطعة وغير المتماثلة لتلك الأحداث. يُوظف توزيع ذي الحدين السالب ببراعة لنمذجة عدد الفترات الزمنية المستقرة (كالأيام أو الأسابيع) التي تسبق وقوع عدد محدد $r$ من الانتكاسات السلوكية.

تكمن القوة المنهجية للنموذج في قدرته على استيعاب التفاوت الفردي غير المشاهد (Unobserved Heterogeneity) بين عينات المرضى؛ فالمرضى لا يمتلكون جميعاً نفس درجة الهشاشة النفسية أو القابلية للانتكاس. إن التعامل مع البيانات عبر نموذج يفترض تجانس المجتمع يؤدي حتماً إلى تقديرات مضللة وفترات ثقة ضيقة بصورة زائفة. ومن خلال افتراض توزيع ذي الحدين السالب كخليط احتمالي، يستطيع النموذج احتساب التباين المتأصل بين الأفراد دون الحاجة لقياس جميع المتغيرات الكامنة المعقدة.

كما يُسهم التوزيع في تحديد الجرعات والجلسات العلاجية في برامج العلاج السلوكي المعرفي (CBT)؛ إذ يُستخدم لتقدير عدد الجلسات النفسية التي يحتاجها مريض الرهاب الاجتماعي لتحقيق تحسن مستقر (يُعرّف باجتياز $r$ من مواقف التعرض بنجاح دون نوبات هلع)، مما يدعم الطب النفسي المبني على الدليل في تخطيط الموارد العلاجية ووضع توقعات واقعية لمسار التعافي الإكلينيكي.

5.3 تصميم الاختبارات والمقاييس النفسية

يشهد القياس النفسي الحديث تحولاً واسعاً نحو نماذج الاختبارات المصممة لإنهاء القياس عند الوصول إلى سقف محدد من الأداء، أو ما يُعرف في سيكومترية القياس بـ اختبارات الإتقان التكيفية. في هذه الاختبارات، لا يُطلب من المفحوص الإجابة عن بنك الأسئلة بأكمله، بل يستمر الاختبار حتى يجمع المفحوص عدداً معيناً $r$ من الإجابات الصحيحة التي تضمن وصوله إلى مستوى الكفاية المعيارية، أو حتى يتجاوز حداً أقصى من الأخطاء يستوجب إيقاف الاختبار لعدم الأهلية.

يُعد توزيع ذي الحدين السالب الأساس الرياضي لاشتقاق معايير الثبات والدقة القياسية في هذه النماذج المنفصلة، وخاصة في إطار الاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT). يتيح التوزيع حساب دالة المعلومات للاختبار عند مستويات القدرة المختلفة، وتقدير احتمالية إنهاء الاختبار عند كل طول اختباري محتمل، مما يسهم في تحسين كفاءة الاختبار عبر تقليل عدد الفقرات المقدمة للمفحوصين دون الإخلال بالدقة القياسية للأداة.

كذلك يوظف التوزيع في فحص خصائص المفردات الاختبارية (Item Properties) وتحليل أوقات الاستجابة المتقطعة؛ حيث يساعد في الكشف عن التخمين العشوائي أو التراخي السلوكي من خلال مقارنة توزيع عدد المحاولات الفعلي للمفحوصين بالتوزيع النظري المتوقع تحت فرضية الأداء الموجه بالقدرة، مما يوفر أدلة صدق بنيوية بالغة الأهمية لمطوري المقاييس والاختبارات النفسية والتربوية.

6. نموذج انحدار ذي الحدين السالب (Negative Binomial Regression)

6.1 الأسس النظرية للنموذج الخطي المعمم (GLM)

يمثل نموذج انحدار ذي الحدين السالب توسيعاً إحصائياً ضمن عائلة النماذج الخطية المعممة (Generalized Linear Models – GLM)، وهو مصمم خصيصاً للتنبؤ ببيانات العدّ التي تعاني من التشتت الفائق الحاد وتجاوز تباينها لحدود نماذج انحدار بواسون. يُصاغ النموذج بافتراض أن المتغير التابع المنفصل $Y_i$ يتوزع وفق ذي الحدين السالب بالمتوسط المتوقع $\mu_i$ ومعلمة التشتت $\alpha$ (حيث $\alpha = 1/r$).

تُستخدم دالة الربط اللوغاريتمية (Log Link Function) لربط المتوسط المشروط بالتركيبة الخطية للمتغيرات التفسيرية المستقلة، مما يضمن بقاء القيم المتوقعة موجبة دائماً كما تتطلب طبيعة بيانات العدّ:

$$\ln(\mu_i) = \mathbf{x}_i^T boldsymbol{\beta} = \beta_0 + \beta_1 x_{i1} + \beta_2 x_{i2} + dots + \beta_p x_{ip} implies \mu_i = \exp(\mathbf{x}_i^T boldsymbol{\beta})$$

في هذا النموذج، تُعرّف دالة التباين المشروط بدلالة المتوسط ومعلمة التشتت $\alpha$ وفق صياغة نموذج (NB2) الأكثر شهرة في العلوم الاجتماعية:

$$\mathrm{Var}(Y_i mid \mathbf{x}_i) = \mu_i + \alpha \mu_i^2$$

تؤدي معلمة التشتت $\alpha$ دور المنظم الديناميكي لنموذج الانحدار؛ فإذا كانت $\alpha = 0$، يتلاشى الحد التربيعي بالكامل وتتحول دالة التباين إلى $\mathrm{Var}(Y_i) = \mu_i$، ليرتد النموذج تلقائياً إلى انحدار بواسون القياسي. أما إذا كانت $\alpha > 0$، فإن النموذج يستوعب التشتت الإضافي، مما يصحح الأخطاء المعيارية للمعاملات ويمنع تضخم الدلالة الإحصائية الوهمية التي تحدث عند تطبيق انحدار بواسون على بيانات غير متكافئة التشتت.

6.2 تفسير المعاملات ونسب معدل الحدوث (IRR)

نظراً لطبيعة دالة الربط اللوغاريتمية غير الخطية، لا تُفسَّر معاملات الانحدار $\beta_j$ كتغيرات خطية مباشرة في المتغير التابع، بل تمثل التغير في اللوغاريتم الطبيعي للمعدل المتوقع لكل وحدة زيادة في المتغير المستقل $x_j$. ولتسهيل التفسير العلمي والميداني، تُحوَّل هذه المعاملات رياضياً باستخدام الدالة الأسية للحصول على ما يُعرف بـ نسب معدل الحدوث (Incident Rate Ratios – IRR):

$$\mathrm{IRR}_j = \exp(\beta_j)$$

يُفسَّر مؤشر $\mathrm{IRR}_j$ كنسبة تضاعفية في تكرار وقوع الحدث؛ فإذا كانت قيمة المعامل لأحد المتغيرات النفسية (مثل مستوى القلق المقاس معيارياً) هي $\beta_1 = 0.223$، فإن نسبة معدل الحدوث المقابلة هي $\mathrm{IRR} = \exp(0.223) \approx 1.25$. يعني هذا أن كل ارتفاع بمقدار درجة واحدة في مقياس القلق يرتبط بزيادة متوقعة بنسبة $25%$ في معدل تكرار السلوك المستهدف (كنوبات الغضب أو مرات الغياب)، مع تثبيت سائر المتغيرات التفسيرية في النموذج.

أما إذا كانت قيمة $\mathrm{IRR} < 1.0$ (كأن تكون $0.80$ لمتغير يمثل الدعم الاجتماعي)، فإن التفسير المباشر يشير إلى أن كل وحدة زيادة في الدعم الاجتماعي تؤدي إلى خفض معدل السلوك بنسبة $20%$ ($1 – 0.80 = 0.20$). تُحسب فترات الثقة للنسب عبر تحويل الحدود الدنيا والعليا لفترة ثقة$beta_j$ أسياً، مما يوفر مقياساً إحصائياً رصيناً لحجم التأثير وموثوقيته الاستدلالية.

6.3 تقييم جودة المطابقة واختبار الفروض

يستند التقييم المنهجي لنماذج انحدار ذي الحدين السالب إلى حزمة من الاختبارات الاستدلالية الصارمة، وأبرزها اختبار نسبة الإمكان (Likelihood Ratio Test – LRT) لتقييم معنوية معلمة التشتت $\alpha$. يختبر هذا الإجراء الفرضية الصفرية $H_0: \alpha = 0$ (نموذج بواسون كافٍ) في مقابل الفرضية البديلة $H_1: \alpha > 0$ (نموذج ذي الحدين السالب ضروري). ونظراً لأن القيمة الصفرية تقع على حدود فضاء المعلمات (Boundary Parameter Issue)، فإن إحصاء الاختبار يتبع توزيعاً خليطاً من كاي تربيع $0.5 chi_0^2 + 0.5 chi_1^2$، مما يتطلب تصحيح قيمة الدلالة الإحصائية الناتجة.

للمفاضلة بين النماذج التنافسية المختلفة، يعتمد الباحثون على معايير المعلومات النظرية التي توازن بين جودة التوفيق ودرجة تعقيد النموذج؛ وأهمها معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) ومعيار بايز للمعلومات (Bayesian Information Criterion – BIC):

$$\mathrm{AIC} = -2\ln(\hat{L}) + 2k, \qquad \mathrm{BIC} = -2\ln(\hat{L}) + k\ln(n)$$

حيث تمثل $\hat{L}$ دالة الإمكان الأعظم المقدرة، و$k$ عدد معلمات النموذج، و$n$ حجم العينة. النموذج الذي يحقق أدنى قيمة لمعايير AIC وBIC يُعد النموذج الأفضل والأكثر كفاءة في تمثيل البنية الكامنة للبيانات المشاهدة.

تكتمل منظومة الفحص المنهجي بتحليل تشخيصي دقيق للبواقي (Residual Diagnostics)، وخاصة بواقي أنسكومب (Anscombe Residuals) وبواقي الانحراف (Deviance Residuals)، للتحقق من عدم وجود أنماط غير خطية متبقية، واكتشاف القيم الشاذة والملاحظات ذات التأثير المرتفع (High Leverage Points) عبر حساب مسافات كوك المخصصة للنماذج الخطية المعممة، لضمان استقرار وموثوقية النتائج المستخلصة.

7. النماذج الموسعة: التضخم الصفري والانقطاع

7.1 نموذج ذي الحدين السالب المتضخم بالصفر (ZINB)

تتميز العديد من البيانات النفسية والسلوكية بظاهرة التراكم الكثيف للمشاهدات الصفرية، حيث تفوق نسبة الأصفار في العينة ما يمكن حتى لنموذج ذي الحدين السالب القياسي استيعابه. يرجع هذا التراكم في جوهره إلى وجود نوعين متباينين بنيوياً من الأصفار: الأصفار الهيكلية (Structural Zeros) الناتجة عن أفراد يمتلكون حصانة مطلقة أو انعدام تام لفرصة ممارسة السلوك، والأصفار العارضة أو الإحصائية (Sampling Zeros) الناتجة عن أفراد يمتلكون القابلية للسلوك لكنهم لم يمارسوه خلال نافذة الملاحظة الزمنية بمحض الصدفة.

يقدم نموذج ذي الحدين السالب المتضخم بالصفر (Zero-Inflated Negative Binomial – ZINB) حلاً رياضياً بارعاً لهذه المعضلة عبر تبني بنية ثنائية توليدية تجمع بين نموذجين إحصائيين في آن واحد:

$$P(Y_i = y_i mid \mathbf{x}_i, \mathbf{z}_i) = \begin{\cases} \pi_i + (1 – \pi_i) P_{\mathrm{NB}}(0 mid \mathbf{x}_i), &a\mp; \text{for } y_i = 0 \ (1 – \pi_i) P_{\mathrm{NB}}(y_i mid \mathbf{x}_i), &a\mp; \text{for } y_i > 0 \end{\cases}$$

حيث تمثل $\pi_i$ احتمالية الانتماء إلى الفئة ذات الأصفار الهيكلية الدائمة وتُنمذج عبر انحدار لوجستي (Logit Model) بدلالة المتغيرات التنبؤية $\mathbf{z}_i$، بينما يمثل $P_{\mathrm{NB}}(y_i mid \mathbf{x}_i)$ دالة الكتلة الاحتمالية لذي الحدين السالب التي تحكم الأفراد المعرضين للحدث وتُنمذج بدلالة المتغيرات $\mathbf{x}_i$.

يبرز تطبيق نموذج ZINB بقوة في دراسة السلوكيات المعقدة والنادرة، مثل تكرار السلوكيات العدوانية الشديدة لدى الأطفال أو تعاطي المخدرات الصلبة بين طلاب المدارس؛ حيث إن الغالبية العظمى من العينة ستمتلك صفراً هيكلياً ناتجاً عن الامتناع المبدئي التام، بينما تعكس الأعداد الإيجابية لدى الفئة الأخرى نمط التكرار السلوكي المحكوم بنموذج ذي الحدين السالب.

7.2 النماذج المجتزأة عند الصفر (Zero-Truncated Models)

في سياقات مسحية وإكلينيكية محددة، تقتضي آليات جمع البيانات استبعاد القيمة صفر تماماً من فضاء العينة المتاح للملاحظة؛ ويحدث هذا الانقطاع المنهجي عندما لا يدخل الفرد في سجلات الدراسة إلا إذا مارس السلوك المستهدف لمرة واحدة على الأقل. ومن الأمثلة البارزة على ذلك: دراسة مدد الإقامة في المستشفيات النفسية، أو عدد الجلسات الإرشادية لرواد العيادات؛ فالأفراد الذين لم يزوروا العيادة إطلاقاً (أصحاب القيمة صفر) لا يظهرون في قواعد البيانات المأخوذة من سجلات الدخول.

تُعالج هذه الظاهرة عبر نموذج ذي الحدين السالب المجتزأ عند الصفر (Zero-Truncated Negative Binomial – ZTNB). يُشتق هذا التوزيع رياضياً بإعادة قياس وتطبيع دالة الكتلة الاحتمالية الأصلية عبر شرطية الاستبعاد $Y > 0$:

$$P(Y = y mid Y > 0) = \frac{P(Y = y)}{P(Y > 0)} = \frac{P(Y = y)}{1 – P(Y = 0)} = \frac{\binom{y + r – 1}{y} p^r (1 – p)^y}{1 – p^r}, \quad y = 1, 2, 3, dots$$

تؤدي هذه القسمة على الاحتمال المتمم $1 – P(Y = 0)$ إلى إعادة توزيع الثقل الاحتمالي للقيمة الصفرية المبتورة على سائر القيم الإيجابية ${1, 2, 3, dots}$ بصورة تناسبية تضمن أن مجموع الاحتمالات عبر الفضاء المجتزأ يساوي الواحد الصحيح تماماً.

يتطلب تقدير معلمات هذا النموذج استخدام دوال الإمكان الأعظم المعدلة بدقة، حيث يؤدي إغفال هذا الاجتزاء وتطبيق النماذج القياسية إلى تحيز منهجي خطير في تقدير المعاملات وانحياز تقديرات التشتت نحو الانخفاض، مما يقود إلى استنتاجات سيكومترية وإكلينيكية خاطئة حول ديناميات التردد السلوكي للمرضى.

7.3 اختبار فولون المنهجي (Vuong Test)

عند المفاضلة بين نموذج ذي الحدين السالب القياسي (Standard NB) ونموذج ذي الحدين السالب المتضخم بالصفر (ZINB)، يواجه الباحث معضلة إحصائية تتمثل في أن هذين النموذجين غير متداخلين (Non-Nested Models)؛ أي إنه لا يمكن اشتقاق أحدهما ببساطة عبر تقييد بعض معلمات الآخر إلى الصفر. وبالتالي، تصبح اختبارات نسبة الإمكان الكلاسيكية غير صالحة رياضياً للمفاضلة بينهما.

يقدم اختبار فولون المنهجي (Vuong Non-Nested Hypothesis Test) الحل القياسي المعتمد لهذه المعضلة. يعتمد الاختبار على مقارنة متوسط لوغاريتم نسبة الإمكان لكل مشاهدة فردية $i$ بين النموذجين التنافسيين:

$$m_i = \ln \left( \frac{P_{\mathrm{ZINB}}(y_i mid \mathbf{x}_i)}{P_{\mathrm{NB}}(y_i mid \mathbf{x}_i)} \right)$$

ثم يُحسب إحصاء فولون المعياري $V$ بقسمة المتوسط الحسابي للفروق $\bar{m}$ على خطئه المعياري المقدر:

$$V = \frac{\sqrt{n} , \bar{m}}{s_m} x\rightarrow{d} \mathcal{N}(0, 1)$$

تُفسر نتائج إحصاء فولون المقارب للتوزيع الطبيعي المعياري وفق القواعد الاستدلالية التالية:

  • إذا كانت قيمة $V > +1.96$ بدلالة إحصائية ($p < 0.05$)، فإن الاختبار يدعم بقوة تفوق النموذج المتضخم بالصفر (ZINB) على النموذج القياسي.
  • إذا كانت قيمة $V < -1.96$ بدلالة إحصائية ($p < 0.05$)، فإن الاختبار يرجح كفة نموذج ذي الحدين السالب القياسي لعدم وجود مبرر لتعقيد النموذج.
  • إذا وقعت القيمة في النطاق المحايد $[-1.96, +1.96]$، فإن الاختبار يشير إلى عدم وجود فارق جوهري حاسم بين النموذجين، ويفضل حينها تبني النموذج الأبسط التزاماً بمبدأ شفرة أوكام.

8. الآلة الحاسبة الإحصائية: آليات الحساب اليدوي والخوارزمي

8.1 خطوات الحساب اليدوي والتعامل مع التوافيق المعقدة

يتطلب الحساب اليدوي لاحتمالات ذي الحدين السالب إتقاناً للتعامل مع معاملات التوافيق التي قد تتضخم أعدادها بسرعة هائلة. لتطبيق صيغة دالة الكتلة الاحتمالية لحساب احتمال تسجيل $k$ من الإخفاقات لتحقيق $r$ من النجاحات، نبدأ بتفكيك المعامل التوافقي إلى مضاريب صريحة:

$$\binom{k + r – 1}{k} = \frac{(k + r – 1)!}{k! , (r – 1)!} = \frac{(k + r – 1) \times (k + r – 2) \times dots \times (r)}{k!}$$

لتجنب الحسابات الفلكية للمضاريب المباشرة وتفادي أخطاء الطفح الحسابي (Arithmetic Overflow)، يُستخدم مبدأ الاختزال الجبري قبل إجراء عمليات الضرب، أو اللجوء إلى التحويل اللوغاريتم الطبيعي للمضاريب باستخدام دالة لوغاريتم غاما (Log-Gamma Function – $\ln \Gamma$):

$$\ln P(K = k) = \ln \Gamma(k + r) – \ln \Gamma(k + 1) – \ln \Gamma(r) + r \ln(p) + k \ln(1 – p)$$

بعد تجميع هذه الحدود اللوغاريتمية البسيطة، يُسترجع الاحتمال النقطي الصافي بأخذ الدالة الأسية للناتج النهائي: $P(K = k) = exp(ln P(K = k))$. تضمن هذه المنهجية اللوغاريتمية دقة متناهية واستقراراً رقمياً تاماً حتى عندما تصل قيم $k$ و$r$ إلى مئات أو آلاف التكرارات.

8.2 الخوارزميات الحاسوبية للتوزيعات التراكمية

في الحوسبة الإحصائية الحديثة، لا تعتمد المحركات البرمجية على جمع الاحتمالات النقطية لحساب دالة التوزيع التراكمي (CDF) لتجنب تراكم أخطاء الفاصلة العائمة (Floating-point round-off errors)؛ بل تستدعي خوارزميات التقريب التحليلي لدالة بيتا غير المكتملة المنتظمة عبر الكسور المستمرة (Continued Fractions) أو متسلسلات ليجاندر المتعامدة، مثل خوارزمية تومسون-ديدوناتو المعتمدة في مكتبات FORTRAN وC الإحصائية.

وعند محاكاة البيانات وتوليد الأرقام العشوائية التابعة لذي الحدين السالب (Random Variate Generation)، تعتمد الخوارزميات الحاسوبية على خاصية خليط غاما-بواسون؛ حيث تقوم الخوارزمية بخطوتين متتابعتين:

  1. توليد قيمة عشوائية للمعدل $lambda$ من توزيع غاما بمعلمة شكل $r$ ومعلمة مقياس $\frac{1-p}{p}$.
  2. توليد القيمة النهائية للمتغير العشوائي $K$ بسحب رقم عشوائي من توزيع بواسون بمعلمة المعدل $lambda$ الناتجة من الخطوة الأولى.

تتميز هذه الخوارزمية بكفاءة حسابية فائقة وتعقيد زمني من الرتبة الثابتة $\mathcal{O}(1)$، وتتيح توليد ملايين المشاهدات العشوائية في أجزاء من الثانية لإجراء دراسات محاكاة مونت كارلو المعقدة في القياس والتقييم النفسي.

8.3 بناء آلة حاسبة تفاعلية مخصصة للباحثين

لتصميم أداة حسابية إحصائية متكاملة تخدم الباحثين في المختبرات السلوكية، يجب هيكلة المدخلات والمخرجات وفق معايير برمجية وإحصائية صارمة تمنع أخطاء الإدخال الشائعة. تتحدد المدخلات الأساسية للآلة الحاسبة في ثلاثة حقول رئيسية:

  • معلمة الهدف ($r$): عدد النجاحات المطلوبة (قيمة صحيحة أو حقيقية موجبة، $r > 0$).
  • معلمة الاحتمال ($p$): احتمالية النجاح في المحاولة الواحدة (قيمة احتمالية محصورة بدقة: $0 < p < 1$).
  • متغير الملاحظة ($k$ أو $y$): عدد الإخفاقات المستهدفة $k ge 0$ أو عدد المحاولات الكلية $y ge r$.

تقوم الواجهة البرمجية للآلة الحاسبة بمعالجة المدخلات فورياً وإرجاع لوحة نتائج شاملة تتضمن: الاحتمال النقطي الدقيق $P(K = k)$، والاحتمال التراكمي السفلي $P(K le k)$، والاحتمال التراكمي العلوي المتمم $P(K ge k)$، إلى جانب الحساب التلقائي للمتوسط النظري $\mathbb{E}[K]$، والتباين $\mathrm{Var}(K)$، ومعامل الالتواء والانحراف المعياري.

يُدعم النظام الحاسوبي بعارض بياني تفاعلي يُنشئ تلقائياً مخطط الأعمدة لكتلة الاحتمال (Probability Mass Chart) مع تظليل المنطقة الاحتمالية المحسوبة، مما يمنح الباحث تصوراً بصرياً فورياً لشكل التوزيع وموقع المشاهدة الحالية بالنسبة للمجتمع النظري المفترض.

9. التطبيق البرمجي والحساب عبر الحزم الإحصائية

9.1 التحليل الإحصائي باستخدام لغة R

توفر بيئة لغة R الإحصائية ترسانة شاملة ومتطورة للتعامل مع توزيع ذي الحدين السالب ونماذج انحداره المتقدمة. تدعم الدوال الأساسية في R العمليات التوزيعية الكلاسيكية الأربع عبر حزمة base-stats:

  • dnbinom(x, size = r, prob = p): لحساب دالة الكتلة الاحتمالية النقطية.
  • pnbinom(q, size = r, prob = p): لحساب دالة التوزيع التراكمي الاحتمالي.
  • qnbinom(p, size = r, prob = p): لحساب القيم المئينية والدوال الإئينية المعكوسة.
  • rnbinom(n, size = r, prob = p): لتوليد عينات عشوائية تحاكي التوزيع.

لبناء نماذج الانحدار للبيانات فائقة التشتت، تُستخدم الدالة glm.nb() المستقرة والمتاحة في الحزمة الشهيرة MASS، والتي تُقدّر معلمات الانحدار ومعلمة التشتت $\theta$ (المكافئة لـ $r$) بالتزامن عبر خوارزمية الإمكان الأعظم المعدلة:

library(MASS)
model_nb <- glm.nb(errors ~ anxiety_score + intervention_type, data = behavioral_data)
summary(model_nb)

أما عند معالجة التضخم الصفري وتطبيق اختبار فولون، تُوظف حزمة pscl عبر الدالة zeroinfl() لتحديد نموذج الأصفار ونموذج العدّ بدقة بالغة:

library(pscl)
model_zinb <- zeroinfl(aggression_events ~ peer_rejection | empathy_score, dist = "negbin", data = clinical_data)
vuong(model_nb, model_zinb)

9.2 التطبيق باستخدام لغة Python

في النظام البيئي للغة بايثون، تتكامل مكتبتا scipy.stats وstatsmodels لتقديم حلول برمجية متقدمة في النمذجة الاحتمالية وتحليل الانحدار. لحساب الاحتمالات الأساسية والخصائص الإحصائية، تُستخدم الفئة nbinom من وحدة scipy.stats:

from scipy.stats import nbinom
# حساب احتمال تسجيل k=4 إخفاقات قبل r=3 نجاحات باحتمال p=0.4
prob_k = nbinom.pmf(k=4, n=3, p=0.4)
cdf_k = nbinom.cdf(k=4, n=3, p=0.4)

ولبناء نماذج انحدار ذي الحدين السالب وتقدير نسب معدل الحدوث (IRR) مع فترات الثقة، تُوظف مكتبة statsmodels عبر واجهة الصيغ التفاعلية:

import statsmodels.api as sm
import statsmodels.formula.api as smf
import numpy as np
nb_model = smf.negativebinomial(formula="errors ~ reaction_time + fatigue_index", data=df).fit()
print(nb_model.summary())
# استخراج نسب معدل الحدوث وفترات الثقة
irr_estimates = np.exp(nb_model.params)
conf_int_irr = np.exp(nb_model.conf_int())

تُدعم المخرجات بالتصورات البيانية عبر مكتبتي matplotlib وseaborn لرسم منحنيات البواقي، ومقارنة التوزيعات المتوقعة مع التوزيعات الفعلية للمشاهدات السلوكية لتقييم جودة النموذج بصرياً.

9.3 التطبيق عبر حزمة SPSS و Jamovi

تتيح حزمة IBM SPSS Statistics الوصول إلى انحدار ذي الحدين السالب من خلال واجهة النماذج الخطية المعممة (Generalized Linear Models – GENLIN). يتطلب التطبيق التنقل عبر المسار التالي:

Analyze > Generalized Linear Models > Generalized Linear Models...

ضمن نافذة Type of Model، يختار الباحث Negative binomial with log link، حيث يتيح البرنامج تحديد معلمة التشتت إما كقيمة ثابتة مفروضة، أو كمعلمة حرة تُقدّر تلقائياً عبر طريقة الإمكان الأعظم (وهو الخيار الموصى به منهجياً). وضمن تبويب Response يُحدد المتغير التابع المنفصل، بينما تُدرج المتغيرات المستقلة التصنيفية في Factors والمتصلة في Covariates.

في برنامج Jamovi الإحصائي مفتوح المصدر والمبني على محرك R، يمكن تنفيذ التحليل بسلاسة فائقة عبر إضافة GAMLj المخصصة للنماذج الخطية المعممة. يختار الباحث Generalized Linear Models ويحدد توزيع المتغير كـ Negative Binomial مع دالة ربط Log.

تستخرج هذه البرمجيات تقارير إحصائية متكاملة تشمل جدول المعاملات، والأخطاء المعيارية القوية (Robust Standard Errors)، واختبارات والد (Wald Chi-Square)، ونسب معدل الحدوث ($\mathrm{Exp}(\beta)$) المقترنة بفترات ثقة بنسبة $95%$، مما يوفر منصة تحليلية ميسرة للباحثين غير المتخصصين في البرمجة النصية.

10. دراسات حالة وأمثلة عملية محلولة تفصيلياً

10.1 مثال تطبيقي 1: تجارب التعلم الإجرائي في علم النفس المعرفي

سياق التجربة: صُممت دراسة في علم النفس المعرفي لفحص سرعة اكتساب الاستراتيجيات الحسابية لدى عينة من الأطفال ذوي صعوبات التعلم. نص البروتوكول على استمرار جلسة التدريب المحوسبة حتى ينجح الطفل في حل $r = 3$ مسائل معقدة بصورة صحيحة. أظهرت القياسات القبلية أن احتمال نجاح الطفل في المحاولة الواحدة هو $p = 0.40$. المطلوب إحصائياً: ما هو الاحتمال الدقيق لأن يحتاج أحد الأطفال إلى $8$ محاولات كلية لإتمام المهمة بنجاح؟

الحل والتعويض الرياضي التفصيلي:
أولاً، نحدد معلمات النموذج بدقة:
– إجمالي عدد المحاولات المطلوبة: $y = 8$
– عدد النجاحات المستهدفة: $r = 3$
– عدد الإخفاقات الواقعة: $k = y – r = 8 – 3 = 5$ إخفاقات.
– احتمالية النجاح: $p = 0.40$
– احتمالية الفشل: $1 – p = 0.60$

نطبق صيغة دالة الكتلة الاحتمالية لذي الحدين السالب:

$$P(Y = 8) = \binom{8 – 1}{3 – 1} (0.40)^3 (0.60)^{8 – 3} = \binom{7}{2} (0.40)^3 (0.60)^5$$

نحسب قيمة المعامل التوافقي:

$$\binom{7}{2} = \frac{7!}{2! , (7 – 2)!} = \frac{7 \times 6}{2 \times 1} = 21$$

نحسب الحدود الأسية:

$$(0.40)^3 = 0.064$$

$$(0.60)^5 = 0.07776$$

نحسب حاصل الضرب النهائي:

$$P(Y = 8) = 21 \times 0.064 \times 0.07776 = 21 \times 0.00497664 \approx 0.104509$$

التفسير السلوكي: تبلغ احتمالية حاجة الطفل إلى $8$ محاولات تحديداً لتحقيق الإتقان حوالي $10.45%$. يشير هذا التقدير إلى أن هذا المسار التدريبي يقع ضمن النطاق الاحتمالي الطبيعي للأداء، مما يدعم المعالج في وضع زمن معياري لجلسات التدريب الفردية.

10.2 مثال تطبيقي 2: دراسة الانتكاسات في العيادات النفسية

سياق الدراسة: في دراسة تتبعية إكلينيكية لمرضى الإدمان المتعافين الخاضعين لبرنامج علاج وقائي، عُرِّف “الفشل في استدامة التعافي” بوقوع $r = 2$ من الانتكاسات المسجلة. إذا كان احتمال مرور أسبوع كامل دون أي انتكاسة لمريض معين هو $p = 0.80$ (أي إن احتمالية التعافي المستمر في كل أسبوع هي $p = 0.80$). المطلوب: حساب الاحتمال التراكمي لأن يستقر المريض لمدة $3$ أسابيع خالية من الانتكاسات أو أقل ($k le 3$) قبل تسجيل الانتكاسة الثانية.

خطوات الحساب التراكمي:
نحسب الاحتمال التراكمي عبر جمع الاحتمالات النقطية لـ $k in {0, 1, 2, 3}$ حيث $r = 2$ و $p = 0.20$ (حيث يمثل الفشل هنا مرور الأسبوع بانتكاسة):

  • عند $k = 0$: $P(K = 0) = \binom{1}{0} (0.80)^2 (0.20)^0 = 1 \times 0.64 \times 1 = 0.6400$
  • عند $k = 1$: $P(K = 1) = \binom{2}{1} (0.80)^2 (0.20)^1 = 2 \times 0.64 \times 0.20 = 0.2560$
  • عند $k = 2$: $P(K = 2) = \binom{3}{2} (0.80)^2 (0.20)^2 = 3 \times 0.64 \times 0.04 = 0.0768$
  • عند $k = 3$: $P(K = 3) = \binom{4}{3} (0.80)^2 (0.20)^3 = 4 \times 0.64 \times 0.008 = 0.02048$

نجمع الاحتمالات النقطية للحصول على الاحتمال التراكمي:

$$P(K le 3) = 0.6400 + 0.2560 + 0.0768 + 0.02048 = 0.99328$$

التوصية الإكلينيكية: يُظهر التحليل أن احتمالية خوض المريض لأقل من أو يساوي $3$ أسابيع مستقرة فقط هي احتمالية كاسحة تبلغ $99.33%$ تحت هذه المعلمات الافتراضية، مما يوجه الفريق الطبي بضرورة تكثيف جلسات المتابعة الأسبوعية في المراحل المبكرة من البرنامج العلاجي للحد من وتيرة المخاطر الإكلينيكية.

10.3 مثال تطبيقي 3: مقارنة نواتج الانحدار بين Poisson و Negative Binomial

بيانات التجربة: أُجريت دراسة على عينة من $N = 450$ مريضاً مصابين باضطراب الهلع، لدراسة أثر متغيرين تنبؤيين: مستوى التوتر المزمن ($X_1$) والمشاركة في العلاج الجمعي ($X_2$: متغير ثنائي؛ 0 = لا، 1 = نعم) على المتغير التابع المنفصل: عدد نوبات الهلع المسجلة شهرياً ($Y$). أظهرت البيانات تشتتاً فائقاً ملحوظاً (المتوسط الحسابي$bar{Y} = 4.2$، والتباين$s^2 = 18.7$).

مقارنة نتائج النموذجين الإحصائيين:

1. نموذج انحدار بواسون (Poisson Regression):
– معامل التوتر ($\beta_1$): $0.185$ (الخطأ المعياري $\mathrm{SE} = 0.021$، قيمة $z = 8.81$، $p < 0.001$).
– معامل العلاج الجمعي ($\beta_2$): $-0.450$ (الخطأ المعياري $\mathrm{SE} = 0.055$، قيمة $z = -8.18$، $p < 0.001$).
– معيار أكايكي: $\mathrm{AIC} = 2845.6$

2. نموذج انحدار ذي الحدين السالب (Negative Binomial Regression):
– معامل التوتر ($\beta_1$): $0.182$ (الخطأ المعياري $\mathrm{SE} = 0.048$، قيمة $z = 3.79$، $p < 0.001$).
– معامل العلاج الجمعي ($\beta_2$): $-0.442$ (الخطأ المعياري $\mathrm{SE} = 0.124$، قيمة $z = -3.56$، $p < 0.001$).
– معلمة التشتت ($\alpha$): $0.852$ (الخطأ المعياري $\mathrm{SE} = 0.076$، اختبار نسبة الإمكان $\chi^1 = 412.3$، $p < 0.001$).
– معيار أكايكي: $\mathrm{AIC} = 1950.2$

الصياغة الأكاديمية المعتمدة للنتائج (وفق دليل APA 7th):
“أظهرت النتائج تفوقاً إحصائياً قاطعاً لنموذج انحدار ذي الحدين السالب على نموذج انحدار بواسون في نمذجة وتيرة نوبات الهلع الشهرية؛ حيث انخفض معيار أكايكي للمعلومات من $\mathrm{AIC} = 2845.6$ في نموذج بواسون إلى $\mathrm{AIC} = 1950.2$ في نموذج ذي الحدين السالب. أكد اختبار نسبة الإمكان المعنوية الإحصائية الفائقة لمعلمة التشتت ($\alpha = 0.852, , \mathrm{SE} = 0.076, , \chi^2(1) = 412.3, , p < .001$)، مما يثبت وجود تشتت فائق حاد في البيانات يستوجب التخلي عن افتراض بواسون.

وقد كشف نموذج ذي الحدين السالب أن الأخطاء المعيارية في نموذج بواسون كانت منخفضة بصورة زائفة بنسبة تفوق $120%$ نتيجة تجاهل التشتت الفائق. ارتبط التوتر المزمن بزيادة دالة إحصائياً في معدل نوبات الهلع ($\beta = 0.182, , \mathrm{SE} = 0.048, , z = 3.79, , p < .001, , \mathrm{IRR} = 1.20, , 95% \text{ CI } [1.09, 1.32]$)؛ مما يشير إلى أن كل وحدة زيادة في التوتر ترفع معدل حدوث النوبات بنسبة $20%$. في حين ارتبط العلاج الجمعي بانخفاض دال في معدل النوبات ($beta = -0.442, , mathrm{SE} = 0.124, , z = -3.56, , p < .001, , mathrm{IRR} = 0.64, , 95% text{ CI } [0.50, 0.82]$)، وهو ما يعكس انخفاضاً بنسبة $36%$ في وتيرة النوبات الشهرية لدى المشاركين في العلاج الجمعي مقارنة بغير المشاركين."

11. القيود المنهجية والأخطاء الشائعة في التحليل

11.1 مخاطر الخلط بين المعلمات والتعريفات البديلة

يُمثل الخلط بين التعريفات الرياضية البديلة لتوزيع ذي الحدين السالب أحد أكثر المزالق المنهجية شيوعاً بين الباحثين وطلاب الدراسات العليا. تتبنى الأدبيات الإحصائية والبرمجيات اتجاهين متباينين في تعريف المتغير العشوائي الأساسي:

  • الاتجاه الأول (عدد الإخفاقات $k$): يُعرّف التوزيع على الفضاء المنفصل ${0, 1, 2, dots}$، وتكون القيمة المتوقعة $\mathbb{E}[K] = \frac{r(1-p)}{p}$. هذا هو المعيار المعتمد في دالة dnbinom في لغة R ومكتبة scipy.stats في بايثون.
  • الاتجاه الثاني (إجمالي المحاولات $y$): يُعرّف التوزيع على الفضاء ${r, r+1, r+2, dots}$، وتكون القيمة المتوقعة $\mathbb{E}[Y] = \frac{r}{p}$. هذا المعيار شائع في بعض الكتب المرجعية الكلاسيكية ومقررات نظرية الاحتمالات المجردة.

يؤدي عدم الانتباه للترميز المعتمد في الحزمة البرمجية المستخدمة إلى تفسيرات كارثية؛ حيث قد يُدخل الباحث قيمة المحاولات الكلية $y$ في دالة تتوقع عدد حالات الفشل $k$، مما ينتج عنه إزاحة احتمالية خاطئة بمقدار$r$ وحدة، ويقود إلى تشويه كامل في استخراج القيم الاحتمالية وفترات الثقة والاستنتاجات العلمية المترتبة عليها.

11.2 تحديات تقدير معلمة التشتت في العينات الصغيرة

تعتمد معظم البرمجيات القياسية على خوارزميات الإمكان الأعظم (Maximum Likelihood Estimation – MLE) لتقدير معلمات نموذج ذي الحدين السالب ومعلمة التشتت $\alpha$. ومع ذلك، تعاني مقدرات الإمكان الأعظم من عدم الاستقرار الرياضي والتحيز الحاد نحو الانخفاض عندما يكون حجم العينة صغيراً ($N < 100$)، أو عندما تكون البيانات متفرقة (Sparse Data) ذات معدلات عدّ منخفضة للغاية.

ينجم عن هذا التحيز في العينات المحدودة تضخم في تقدير الأخطاء المعيارية للمعاملات، وفقدان ملحوظ في القوة الإحصائية (Statistical Power) للاختبارات الفرضية، مما يزيد من احتمالية ارتكاب الخطأ من النوع الثاني (فشل الكشف عن التأثيرات الحقيقية الموجودة بالفعل). ولمعالجة هذا القصور المنهجي، يُوصى في الدراسات ذات العينات المحدودة بتطبيق حلول الاستدلال البايزي (Bayesian Estimation) المعتمدة على سلاسل ماركوف ومونت كارلو (MCMC) مع توظيف توزيعات قبلية منظمة (Regularizing Priors)، لضمان استقرار تقديرات التشتت وحماية النموذج من الإفراط في التوفيق (Overfitting).

11.3 انتهاك افتراض الاستقلالية وثبات الاحتمال

يفترض الإطار النظري لذي الحدين السالب ثبات احتمالية النجاح $p$ واستقلالية المحاولات عبر الزمن. غير أن الأبحاث السلوكية والنفسية الفعلية غالباً ما تنتهك هذه الفروض الهيكلية؛ فالأفراد يمرون بظواهر ديناميكية مثل أثر التعلم والتدريب (Learning Effects) الذي يرفع قيمة $p$ تدريجياً عبر المحاولات، أو أثر الإجهاد والتعب المعرفي (Fatigue Effects) الذي يخفض قيمة $p$ في المراحل المتأخرة من التجربة.

علاوة على ذلك، فإن جمع بيانات العدّ الطولية المتكررة من نفس الأفراد عبر جلسات زمنية متعددة يُولد ارتباطاً داخلياً (Intra-individual Correlation) ينتهك شرط الاستقلالية التامة للمشاهدات. إن الإصرار على تطبيق نموذج ذي الحدين السالب المقطعي البسيط في هذه الحالات يقود إلى تقديرات مضللة. ويتعين على الباحثين في مثل هذه البيئات المعقدة الانتقال إلى النماذج المختلطة ذات التأثيرات العشوائية (Negative Binomial Mixed-Effects Models) أو استخدام معادلات التقدير المعممة (Generalized Estimating Equations – GEE) لاحتساب التبعية الزمنية والارتباطات المتداخلة بدقة ومنهجية رصينة.

12. دليل إرشادي لاختيار وتطبيق النموذج في البحوث المستقبلية

12.1 شجرة اتخاذ القرار لاختيار التوزيع المناسب

يوفر المخطط الإرشادي التالي مساراً منطقياً وعملياً للباحثين للمفاضلة بين النماذج الإحصائية لبيانات العدّ، وضمان اختيار التوزيع الرياضي الأمثل المتوافق مع الخصائص الهيكلية للبيانات المشاهدة:

  1. فحص طبيعة المتغير التابع:
    • إذا كان المتغير متصلاً ومستمراً $to$ نماذج التوزيع الطبيعي والانحدار الخطي الكلاسيكي (OLS).
    • إذا كان المتغير ثنائياً حصرياً ($0$ أو $1$)$to$ انحدار لوجستي ثنائي (Binary Logistic Regression).
    • إذا كان المتغير بيانات عدّ متقطعة موجبة ($0, 1, 2, dots$)$to$ الانتقال إلى خطوة فحص التشتت.
  2. فحص التشتت الفائق (Overdispersion Check):
    • نُجري انحدار بواسون مبدئي، ونفحص النسبة $\text{Deviance}/\text{df}$، ونجري اختبار نسبة الإمكان لمعلمة التشتت.
    • إذا كان التباين مساوياً للمتوسط ($\alpha = 0$) $to$ اعتماد نموذج انحدار بواسون (Poisson Regression).
    • إذا كان التباين يتجاوز المتوسط بدلالة إحصائية ($\alpha > 0$) $to$ اعتماد نموذج ذي الحدين السالب (Negative Binomial).
  3. تقييم المشاهدات الصفرية والتجتزؤ:
    • إذا كانت القيمة صفر مستبعدة كلياً من آليات جمع البيانات $to$ استخدام النموذج المجتزأ عند الصفر (ZTNB).
    • إذا كانت نسبة الأصفار فائقة الارتفاع وتتضمن أصفاراً هيكلية $to$ إجراء اختبار فولون (Vuong Test).
      • إذا كان اختبار فولون دالاً إحصائياً ($p 1.96$) $to$ اعتماد نموذج ذي الحدين السالب المتضخم بالصفر (ZINB).
      • إذا لم يكن الاختبار دالاً $to$ الالتزام بـ نموذج ذي الحدين السالب القياسي (NB2).

12.2 معايير التوثيق والنشر الأكاديمي وفق APA

يتطلب التوثيق الأكاديمي الرصين لنتائج نماذج ذي الحدين السالب في المجلات المصنفة عالمياً الإفصاح المنهجي الكامل عن سلسلة من المؤشرات الإحصائية؛ لتمكين القراء والمراجعين من تقييم جودة التحليل وقابليته للتكرار:

  • تبرير اختيار النموذج: توضيح الأساس المنطقي لاستبعاد نموذج بواسون والتحول إلى ذي الحدين السالب، مع توثيق إحصاءات التشتت واختبارات نسبة الإمكان.
  • جدول المعاملات الشامل: يجب أن يتضمن الجدول: المعاملات غير المعيارية ($B$)، الأخطاء المعيارية ($mathrm{SE}$)، قيم إحصاء والد ($text{Wald } chi^2$ أو $z$)، مستويات الدلالة الدقيقة ($p$-values)، ونسب معدل الحدوث ($mathrm{IRR}$) مقترنة بفترات الثقة بنسبة $95%$.
  • معلمات الملاءمة والتشتت: الإبلاغ الصريح عن تقدير معلمة التشتت ($\alpha$ أو $\theta$) وخطئها المعياري، وقيم لوغاريتم الإمكان (Log-Likelihood)، ومعايير $\mathrm{AIC}$ و$\mathrm{BIC}$ لمقارنة النماذج المتنافسة.
  • الصياغة التفسيرية: تفسير النتائج بدلالة النسب المئوية للتغير في معدلات الحدوث ($\mathrm{IRR}$) لربط الأرقام الرياضية بالمعنى السلوكي والإكلينيكي المباشر في سياق الدراسة.

12.3 الآفاق المستقبلية في النمذجة الإحصائية النفسية

تشهد النمذجة الإحصائية النفسية آفاقاً تطويرية واعدة تدمج توزيع ذي الحدين السالب في أطر تحليلية متقدمة وفائقة التركيب. يبرز في طليعة هذه التطورات دمج انحدار ذي الحدين السالب ضمن نماذج المعادلات البنائية (Structural Equation Modeling – SEM) ونماذج المتغيرات الكامنة (Latent Variable Models)، مما يتيح دراسة المسارات السببية المعقدة بين سمات الشخصية الكامنة وبيانات العدّ المتقطعة فائقة التشتت دون الإخلال بخصائص القياس.

كذلك تتبنى خوارزميات تعلم الآلة (Machine Learning) الحديثة، كالشبكات العصبية الاصطناعية ونماذج تعزيز التدرج (Gradient Boosting Machines مثل XGBoost وLightGBM)، دوال خسارة مخصصة مبنية على دالة الإمكان السالبة لذي الحدين السالب (Negative Binomial Loss Functions). تتيح هذه الابتكارات التنبؤ الدقيق بالسلوكيات الرقمية المعقدة، والتردد على المنصات التعليمية، ومعدلات الاستهلاك في بيئات البيانات الضخمة (Big Data).

تتكامل هذه المناهج أيضاً مع تطوير أدوات القياس النفسي الديناميكية عبر تطبيقات الهواتف الذكية ومنهجية تقييم اللحظة البيئية (Ecological Momentary Assessment – EMA)، حيث تُوظف النماذج الاحتمالية المتقدمة لرصد التغيرات اللحظية في السلوكيات والأعراض النفسية في الزمن الحقيقي، مما يفتح آفاقاً جديدة للطب النفسي الدقيق والتدخلات السلوكية المصممة خصيصاً وفق الاحتياجات الفردية للمرضى.

خاتمة

يمثل توزيع ذي الحدين السالب قفزة نوعية في تاريخ الإحصاء التطبيقي والقياس المعرفي والسلوكي؛ فبفضل بنيته الرياضية المرنة، استطاع أن يحرر الباحثين من القيود الهيكلية الصارمة للنماذج البواسونية وتوزيعات ذي الحدين الاعتيادية. إن قدرته الفائقة على استيعاب التشتت الفائق والتعامل مع التباينات الفردية الكامنة عبر مفهوم خليط غاما-بواسون تجعل منه الأداة المنهجية المثلى لنمذجة الظواهر الإنسانية المتسمة بالتعقيد وعدم التجانس.

إن الاستخدام الرشيد لهذا التوزيع ونماذج انحداره المتطورة يتطلب فهماً عميقاً لافتراضاته، وتمييزاً دقيقاً لترميز معلمات دواله الرياضية، وحرصاً على إجراء الفحوصات التشخيصية المتقدمة لتقييم جودة المطابقة والمفاضلة بين النماذج القياسية والموسعة. ومع التطور المتسارع في البرمجيات الإحصائية وتقنيات تعلم الآلة ونماذج المعادلات البنائية، يواصل توزيع ذي الحدين السالب ترسيخ مكانته كركيزة لا غنى عنها في بناء بحوث نفسية وسلوكية تتسم بأعلى معايير الرصانة الإحصائية والصدق العلمي.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). توزيع ذي الحدين السالب: الاستخدامات، الآلة الحاسبة والصيغة. عرب سايكلوجي. https://arabpsychology.com/statistics/negative-binomial-distribution-uses-calculator-formula/
looti, Mohammed. “توزيع ذي الحدين السالب: الاستخدامات، الآلة الحاسبة والصيغة.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/negative-binomial-distribution-uses-calculator-formula/.
looti, Mohammed. “توزيع ذي الحدين السالب: الاستخدامات، الآلة الحاسبة والصيغة.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/negative-binomial-distribution-uses-calculator-formula/.