المحتويات:
إجراء دان-بونفيروني
Primary Disciplinary Field(s): الإحصاء، اختبار الفرضيات، المقارنات المتعددة
1. التعريف الجوهري
إجراء دان-بونفيروني، والمعروف أيضًا باسم تصحيح بونفيروني، هو طريقة إحصائية حاسمة تستخدم للتحكم في معدل الخطأ العائلي (Family-wise Error Rate, FWER) عند إجراء مجموعة من اختبارات الفرضيات الإحصائية المتعددة في وقت واحد. يعتبر هذا الإجراء ضروريًا في الأبحاث التي تتضمن مقارنات متعددة، حيث أن إجراء عدة اختبارات مستقلة يزيد بشكل كبير من احتمال ارتكاب خطأ من النوع الأول (رفض فرضية العدم الصحيحة) في أي من تلك الاختبارات. يتميز إجراء دان-بونفيروني بكونه طريقة محافظة (Conservative)، مما يضمن أن معدل الخطأ الكلي يظل أقل من أو يساوي مستوى الدلالة المخصص (α) للمجموعة الكاملة من الاختبارات.
تنشأ الحاجة إلى هذا التصحيح عندما يقوم الباحث بإجراء K من الاختبارات المستقلة أو المترابطة على نفس مجموعة البيانات. فإذا تم تعيين مستوى الدلالة α (على سبيل المثال، 0.05) لكل اختبار على حدة، فإن احتمال ارتكاب خطأ من النوع الأول في اختبار واحد هو α. ومع زيادة عدد الاختبارات، يرتفع الاحتمال الكلي لارتكاب خطأ واحد على الأقل داخل العائلة الكاملة من المقارنات بشكل كبير جدًا، مما يقوض مصداقية النتائج النهائية ويؤدي إلى زيادة في النتائج الإيجابية الكاذبة. يوفر إجراء دان-بونفيروني حلاً رياضيًا مباشرًا لمعالجة هذه المشكلة عن طريق تعديل مستوى الدلالة لكل اختبار فردي ليصبح أكثر صرامة.
في جوهره، يتطلب الإجراء أن يتم قسمة مستوى الدلالة الأصلي (α) على عدد المقارنات التي يتم إجراؤها (m). المستوى المعدل، المسمى α’، هو الذي يتم استخدامه بعد ذلك للحكم على دلالة النتائج لكل اختبار فرعي. هذا التعديل يضمن أن الاحتمال التراكمي لارتكاب خطأ من النوع الأول عبر جميع الاختبارات لا يتجاوز القيمة الأصلية α المحددة مسبقًا، بناءً على مبدأ متباينة بونفيروني. هذا المنهج يجعله أداة قوية لكنها قد تكون صارمة جدًا، مما يؤدي في بعض الأحيان إلى انخفاض في القوة الإحصائية (Statistical Power)، وهي نقطة محورية في النقاشات النقدية المحيطة بالتقنية.
2. أصل التسمية والتطور التاريخي
يجمع اسم “إجراء دان-بونفيروني” بين إسهامات عالمة الإحصاء الأمريكية أوليف جين دان (Olive Jean Dunn) والمتباينة الرياضية المعروفة باسم متباينة بونفيروني. تعود المتباينة الأصلية إلى عالم الرياضيات الإيطالي كارلو إميليو بونفيروني في ثلاثينيات القرن العشرين، حيث طورها في سياق نظرية الاحتمالات لتحديد حدود احتمال اتحاد الأحداث. ومع ذلك، لم يتم تطبيقها بشكل منهجي على مشكلة المقارنات المتعددة في الإحصاء التطبيقي إلا لاحقًا.
كانت دان هي الرائدة في تطبيق هذه المتباينة تحديداً لغرض التحكم في معدل الخطأ العائلي في سياق اختبارات الفرضيات المتعددة في مجال الإحصاء التطبيقي، وخاصة في تصميم التجارب المعقدة خلال الخمسينيات والستينيات. كانت ورقتها البحثية الشهيرة عام 1961 حاسمة، حيث أظهرت كيف يمكن استخدام هذا التعديل البسيط لبناء فترات الثقة المتزامنة (Simultaneous Confidence Intervals) بشكل فعال، مما يضمن أن جميع الفترات المحسوبة ستغطي المعلمات السكانية الحقيقية باحتمالية محددة مسبقًا (1 – α).
لقد أضفت دان الطابع الرسمي على استخدام هذه التقنية كأداة قوية لضمان عدم تجاوز معدل الخطأ الكلي للمستوى المحدد، خاصة في تصميمات الأبحاث التي تتطلب إجراء العديد من المقارنات البعدية (Post-hoc comparisons) بعد الحصول على نتيجة دالة في اختبار إجمالي، مثل تحليل التباين (ANOVA). يُشار إلى هذا الإجراء غالبًا باسم “تصحيح بونفيروني” في سياق تعديل قيم p، ولكنه يُسمى “إجراء دان-بونفيروني” عند التركيز على استخدامه في مقارنات المتوسطات وفي سياق فترات الثقة المتزامنة، تكريمًا لدور دان المحوري في تكييف المفهوم النظري ليصبح أداة إحصائية عملية ومستخدمة على نطاق واسع في البحث العلمي.
3. الآلية والمبدأ الأساسي
تعتمد الآلية الرياضية لإجراء دان-بونفيروني بالكامل على متباينة بونفيروني. ينص هذا المبدأ على أن احتمال وقوع اتحاد مجموعة من الأحداث (في سياقنا، حدث ارتكاب خطأ من النوع الأول في أي اختبار فرعي داخل العائلة) لا يمكن أن يتجاوز مجموع احتمالات وقوع كل حدث على حدة. إذا كان لدينا m من اختبارات الفرضيات، وكان Ei هو حدث ارتكاب خطأ من النوع الأول في الاختبار i، فإن المتباينة تضمن أن: P(FWER) ≤ Σ P(Ei).
هدف الإجراء هو ضمان أن معدل الخطأ العائلي (FWER)، وهو الاحتمال الموجود على الجانب الأيسر من المتباينة، يظل أقل من أو يساوي مستوى الدلالة المطلوب α. لتحقيق هذا التحكم الصارم، يقوم الإجراء بتقسيم α بالتساوي على جميع المقارنات m. فإذا قمنا بتعيين مستوى دلالة لكل اختبار فردي بحيث يكون P(Ei) = α’ = α / m، فإن مجموع هذه الاحتمالات يكون Σ P(Ei) = m * (α / m) = α. وبما أن FWER أقل من أو يساوي هذا المجموع، فإن FWER مضمون أن يكون أقل من أو يساوي α.
بمجرد حساب مستوى الدلالة المعدل α’، يتم تطبيق قاعدة القرار. يتم رفض فرضية العدم (H₀) لاختبار معين فقط إذا كانت قيمة p-value المحسوبة لذلك الاختبار أقل من أو تساوي α’. إذا كان p-value ≥ α’، يتم الاحتفاظ بفرضية العدم، حتى لو كانت القيمة أقل من α الأصلي (0.05). هذه الآلية تضمن أن الاحتمال التراكمي لرفض فرضية عدل صحيحة واحدة على الأقل في المجموعة الكاملة من الاختبارات لا يتجاوز α. هذه الخاصية تجعل الإجراء فعالاً للغاية في التحكم في الأخطاء العائلية، بغض النظر عما إذا كانت الاختبارات مستقلة أو مرتبطة ببعضها البعض، وهي ميزة قوية تضمن الصلاحية حتى في ظل الظروف غير المثالية.
4. الخصائص الرئيسية والتنفيذ العملي
يتميز إجراء دان-بونفيروني بعدة خصائص تجعله شائع الاستخدام، لا سيما بساطته الجبرية ووضوحه المفاهيمي. أولاً، إنه إجراء غير بارامتري بمعنى أنه لا يتطلب افتراضات محددة حول توزيع البيانات (مثل الافتراض الطبيعي)، مما يزيد من مرونته. ثانيًا، كما ذُكر سابقًا، فإنه يوفر تحكمًا صارمًا في FWER، وهي الخاصية الأكثر أهمية، حيث يضمن أن فرصة ارتكاب خطأ واحد على الأقل من النوع الأول عبر جميع المقارنات لا تتجاوز α.
يتضمن التنفيذ العملي لإجراء دان-بونفيروني خطوتين رئيسيتين. الخطوة الأولى هي تحديد عدد المقارنات المستقلة أو الزوجية التي سيتم إجراؤها (m). يجب أن يتم تحديد هذا العدد مسبقًا بناءً على تصميم الدراسة. على سبيل المثال، في تجربة تقارن خمسة علاجات مختلفة (A, B, C, D, E)، فإن عدد المقارنات الزوجية الممكنة هو m = 5(5-1)/2 = 10. الخطوة الثانية هي حساب مستوى الدلالة المعدل، فإذا كان α=0.05 ومجموع المقارنات m=10، فإن α’ = 0.05 / 10 = 0.005. يجب أن تكون قيمة p-value للاختبار الفردي أقل من 0.005 لاعتباره دالاً إحصائياً.
يمكن تنفيذ الإجراء بطريقة بديلة تُعرف باسم تعديل قيم p. بدلاً من تعديل α، يتم ضرب كل قيمة p-value تم الحصول عليها في عدد المقارنات m. إذا كانت القيمة المعدلة (p-value * m) لا تزال أقل من α الأصلي (0.05)، يعتبر الاختبار دالاً. هذه الطريقة مكافئة رياضياً وتسمح للباحثين بالإبلاغ عن قيم p المعدلة مباشرة، والتي تمثل الحد الأدنى لمعدل الخطأ العائلي الذي يجب قبوله لرفض الفرضية. ومع ذلك، يجب دائمًا التأكد من أن قيمة p المعدلة لا تتجاوز 1، وإذا تجاوزتها، يتم تثبيتها عند القيمة 1 للحفاظ على تفسير الاحتمالات.
5. المزايا والتطبيقات في البحث العلمي
تكمن الميزة الأبرز لإجراء دان-بونفيروني في بساطته وشفافيته. يمكن تطبيقه بسهولة حتى من قبل الباحثين غير المتخصصين في الإحصاء المتقدم، ولا يتطلب أي برمجيات متخصصة معقدة. الأهم من ذلك، أنه يوفر ضمانًا قويًا ضد التضخم الإحصائي للنتائج الإيجابية الكاذبة، وهو أمر بالغ الأهمية في الأبحاث حيث تكون العواقب المترتبة على الخطأ من النوع الأول كبيرة (مثل الأبحاث الطبية).
في مجال علم الوراثة والجينوميات، يعد دان-بونفيروني أداة أساسية. في دراسات الارتباط على مستوى الجينوم (GWAS)، يتم اختبار مئات الآلاف أو حتى الملايين من المتغيرات الجينية في وقت واحد. بدون تصحيح، ستكون نسبة هائلة من النتائج الدالة كاذبة. إن استخدام تصحيح بونفيروني هنا يفرض حدًا صارمًا للغاية (قد يصل α’ إلى 5×10⁻⁸)، ولكنه يضمن أن النتائج التي تمرر هذا الاختبار هي نتائج ذات دلالة إحصائية عالية وموثوقية قوية، مما يبرر الاستثمار في مزيد من التحقق.
بالإضافة إلى ذلك، يُستخدم الإجراء بشكل متكرر في التجارب السريرية لتحليل النقاط النهائية المتعددة. إذا كان الباحثون يقارنون مجموعتين على عدة مقاييس للنتيجة (مثل مستويات الكوليسترول، ووظيفة الكبد، ومعدل ضربات القلب)، فإن تطبيق دان-بونفيروني يمنع الاستنتاج الخاطئ بأن الدواء يعمل لمجرد أنه أحدث فرقًا دالًا في أحد هذه المقاييس عن طريق الصدفة. كما يجد الإجراء تطبيقًا في التعديلات البعدية (Post-hoc Adjustments) في تحليل التباين (ANOVA) للمقارنات الزوجية، رغم أن إجراءات مثل توكي (Tukey) قد تكون أكثر قوة في ظل ظروف معينة.
6. القيود والانتقادات
على الرغم من مزاياه، فإن الانتقاد الرئيسي الموجه لإجراء دان-بونفيروني هو كونه محافظًا بشكل مفرط. هذا التحفظ ناتج عن حقيقة أنه مصمم للتحكم في FWER تحت أسوأ الافتراضات (حتى لو كانت جميع الفرضيات صحيحة)، مما يؤدي إلى تقليل مستوى الدلالة الفردي بشكل كبير. النتيجة المباشرة لهذا التحفظ هي انخفاض كبير في القوة الإحصائية (Statistical Power)، مما يزيد من احتمال ارتكاب خطأ من النوع الثاني (قبول فرضية العدم الخاطئة)، المعروف باسم النتائج السلبية الكاذبة.
تصبح مشكلة انخفاض القوة الإحصائية أكثر حدة عندما تكون المقارنات التي يتم إجراؤها مرتبطة (Correlated) ببعضها البعض، وليس مستقلة. يفترض تصحيح بونفيروني في جوهره الاستقلال أو يستخدم حدود الاحتمال الأكثر صرامة التي توفرها المتباينة. إذا كانت المقارنات مرتبطة بشكل إيجابي، فإن FWER الفعلي سيكون أقل من القيمة المحافظة التي يضمنها بونفيروني، مما يعني أن التعديل كان أشد مما هو ضروري. هذا الهدر في القوة الإحصائية يمكن أن يؤدي إلى تفويت اكتشاف تأثيرات حقيقية وهامة.
ثمة انتقاد آخر يتعلق بتعريف العائلة (Family) التي يتم تطبيق التصحيح عليها. يطالب الإحصائيون بتحديد العائلة مسبقًا بشكل واضح، لكن في الممارسة العملية، قد يواجه الباحثون صعوبة في تحديد ما إذا كانت المقارنات المتنوعة (مثل مقارنة المتوسطات ومقارنة التباينات) يجب أن تُعامل كعائلة واحدة أو كعائلات منفصلة. هذا الغموض يمكن أن يؤدي إلى تطبيقات غير متسقة أو إلى اختيار متحيز (P-hacking) لتقليل عدد المقارنات m وبالتالي زيادة α’، وهو ما يتعارض مع الغرض الأساسي للإجراء.
7. مقارنته بالإجراءات البديلة (إجراء هولم)
يعد إجراء دان-بونفيروني نقطة انطلاق أساسية في مجال المقارنات المتعددة، ولكنه غالبًا ما يتم تجاوزه في الاستخدام العملي من قبل إجراءات أكثر قوة، وأهمها إجراء هولم (المعروف أيضًا باسم طريقة هولم-بونفيروني). تم تطوير إجراء هولم بواسطة سفين هولم في عام 1979، وهو يوفر تحكمًا دقيقًا في معدل الخطأ العائلي (FWER) ولكنه يتميز بكونه أقل تحفظًا من بونفيروني، وبالتالي يتمتع بقوة إحصائية أكبر.
بينما يستخدم دان-بونفيروني مستوى دلالة ثابتًا α’ = α / m لجميع الاختبارات الفردية، يستخدم إجراء هولم مقاربة متسلسلة خطوة بخطوة. يتم ترتيب قيم p-value لجميع المقارنات من الأصغر إلى الأكبر. ثم يتم مقارنة أصغر قيمة p بمستوى دلالة α / m، ثم القيمة الثانية بمستوى α / (m-1)، وهكذا. هذا التوزيع المتسلسل يسمح برفض عدد أكبر من فرضيات العدم مقارنة ببونفيروني البسيط، مع الحفاظ على التحكم في FWER.
إن الميزة الكبرى لإجراء هولم هي أنه يحافظ على نفس مستوى التحكم في FWER الذي يوفره بونفيروني، ولكنه يتفوق عليه في القوة الإحصائية، مما يجعله قويًا بشكل موحد. ونتيجة لذلك، يوصي الإحصائيون غالبًا باستخدام إجراء هولم كبديل مفضل لتصحيح بونفيروني البسيط عندما يكون عدد المقارنات متوسطًا إلى كبير. ومع ذلك، لا يزال دان-بونفيروني يحتفظ بقيمته التعليمية والعملية بسبب سهولة تطبيقه وكونه يوفر حدًا أعلى (أكثر صرامة) يمكن استخدامه كمعيار مرجعي سريع.