المحتويات:
المتغير الفئوي
Primary Disciplinary Field(s): الإحصاء، علم البيانات، الرياضيات التطبيقية، البحث الاجتماعي
1. التعريف الجوهري
يمثل المتغير الفئوي (Categorical Variable) أحد الأركان الأساسية في نظرية القياس الإحصائي، ويُعرَّف بأنه متغير لا تأخذ قيمته شكلاً عددياً ذا دلالة كمية مستمرة، بل يتمثل في مجموعات أو تصنيفات منفصلة ومحددة. هذه التصنيفات، أو الفئات، تقوم بتقسيم مجموعة البيانات إلى مجموعات متجانسة يتميز أعضاؤها بامتلاك نفس الخاصية النوعية. على سبيل المثال، تعتبر متغيرات مثل الجنس (ذكر/أنثى)، الحالة الاجتماعية (أعزب/متزوج/مطلق)، أو لون العين (أزرق/بني/أخضر) أمثلة نموذجية للمتغيرات الفئوية، حيث لا يمكن إجراء عمليات حسابية مثل الجمع أو الطرح على هذه الفئات بشكل مباشر، بل يتم الاعتماد عليها في حساب التكرارات والنسب.
تكمن أهمية المتغير الفئوي في كونه يسمح للباحثين بتنظيم البيانات النوعية المعقدة وتحويلها إلى شكل قابل للتحليل الإحصائي. فبدلاً من التعامل مع بيانات نصية وصفية بحتة، يوفر المتغير الفئوي إطاراً لتحديد مدى شيوع خاصية معينة ضمن مجتمع الدراسة. على الرغم من أن الفئات قد تُعطى رموزاً رقمية (مثل 1 لـ “ذكر” و 2 لـ “أنثى”)، يجب التأكيد على أن هذه الأرقام هي مجرد تسميات أو “بطاقات” (Labels) ولا تحمل أي قيمة كمية أو ترتيبية حقيقية، ما لم يكن المتغير من النوع الترتيبي، وهو تمييز جوهري عن المتغيرات الكمية (مثل العمر أو الدخل) التي تمثل كميات قابلة للقياس الرياضي المستمر أو المنفصل.
إن فهم طبيعة المتغير الفئوي أمر بالغ الأهمية عند اختيار الأساليب الإحصائية المناسبة. ففي الإحصاء الوصفي، يتم استخدام هذه المتغيرات لحساب المنوال (Mode) والتوزيعات التكرارية والنسب المئوية، بدلاً من المتوسط (Mean) أو الانحراف المعياري (Standard Deviation) اللذين يطبقان على البيانات الكمية. وفي الإحصاء الاستدلالي، تتطلب المتغيرات الفئوية استخدام اختبارات غير معلمية (Non-parametric tests) في كثير من الأحيان، مثل اختبار مربع كاي، لدراسة العلاقة بين متغيرين فئويين.
2. السياق الإحصائي ونظرية القياس
يتم وضع المتغيرات الفئوية ضمن مستويات القياس التي صاغها عالم النفس ستانلي سميث ستيفنز (S. S. Stevens) في منتصف القرن العشرين. تشمل هذه النظرية أربعة مستويات: الاسمي، الترتيبي، الفتري، والنسبي. وتتصدر المتغيرات الفئوية المستويين الأدنى، وهما القياس الاسمي والقياس الترتيبي. يمثل هذا التصنيف أساساً فلسفياً ومنهجياً لتحديد العمليات الرياضية المسموح بها والمناسبة لكل نوع من البيانات. فإذا كان القياس اسمياً أو ترتيبياً، فإن معظم العمليات الرياضية المتقدمة التي تتطلب مسافات متساوية بين القيم تصبح غير صالحة إحصائياً.
يساعد هذا السياق في التمييز الواضح بين المتغيرات الفئوية والمتغيرات الكمية. فالمتغيرات الكمية، سواء كانت منفصلة (Discrete) مثل عدد الأطفال، أو مستمرة (Continuous) مثل درجة الحرارة، تقع ضمن مستويي القياس الفتري والنسبي، وتتميز بوجود مسافات ذات معنى بين القيم (على سبيل المثال، الفرق بين 10 كيلوغرامات و 20 كيلوغراماً هو 10 كيلوغرامات). في المقابل، المتغيرات الفئوية، حتى عندما تكون الفئات مرتبة، لا تضمن أن تكون المسافة بين الفئة الأولى والثانية هي نفسها المسافة بين الفئة الثانية والثالثة، مما يفرض قيوداً صارمة على كيفية معالجة البيانات وتحليلها.
على الرغم من أن المتغيرات الفئوية لا تحمل قيمة عددية في حد ذاتها، إلا أنها تشكل العمود الفقري للعديد من نماذج التصنيف والتنبؤ في الإحصاء وعلم البيانات. إن القدرة على تحديد مجموعة الخصائص النوعية وتحويلها إلى فئات قابلة للاستخدام هي الخطوة الأولى في العديد من مهام التعلم الآلي، خاصة تلك التي تهدف إلى تصنيف المدخلات إلى مخرجات محددة سلفاً (مثل تصنيف رسائل البريد الإلكتروني إلى رسائل غير مرغوب فيها أو غير مرغوب فيها).
3. الأنواع الرئيسية للمتغيرات الفئوية
تنقسم المتغيرات الفئوية بشكل أساسي إلى نوعين، يتم التمييز بينهما بناءً على وجود أو عدم وجود ترتيب منطقي بين الفئات المكونة للمتغير: المتغير الاسمي والمتغير الترتيبي. يعد هذا التمييز حاسماً لأنه يحدد نوع الاختبارات الإحصائية ونماذج الترميز (Encoding) التي يمكن تطبيقها بشكل صحيح على البيانات.
أولاً: المتغير الاسمي (Nominal Variable). هذا هو أبسط أنواع المتغيرات الفئوية، حيث تُستخدم الفئات لتعيين الأسماء أو التسميات دون أي دلالة ترتيبية أو كمية. لا يوجد ترتيب متأصل أو منطقي بين الفئات. على سبيل المثال، إذا كان المتغير هو الجنسية (مصري، سعودي، أردني)، لا يمكن القول إن الجنسية المصرية “أكبر” أو “أفضل” من الأردنية؛ الفئات هي مجرد تصنيفات متساوية القيمة من حيث التسلسل. تشمل الأمثلة الأخرى لون الشعر، أو نوع نظام التشغيل المستخدم (Windows, macOS, Linux). في هذه الحالة، الإجراء الإحصائي الوحيد ذو المعنى هو عد التكرارات وحساب المنوال.
ثانياً: المتغير الترتيبي (Ordinal Variable). في هذا النوع، توجد علاقة ترتيبية طبيعية بين الفئات، مما يعني أن الفئة الواحدة أعلى أو أدنى من الأخرى. ومع ذلك، على الرغم من وجود الترتيب، لا يمكن قياس الفروق بين الفئات. المثال الأكثر شيوعاً هو مقياس ليكرت (Likert Scale) المستخدم في الاستبيانات، حيث يتم تصنيف الإجابات من “غير موافق بشدة” إلى “موافق بشدة”. نعرف أن “موافق” أعلى من “محايد”، لكننا لا نستطيع تحديد ما إذا كانت المسافة النفسية بين “غير موافق” و “محايد” هي نفسها المسافة بين “محايد” و “موافق”. هذا النقص في التساوي الفتري هو ما يميز المتغيرات الترتيبية عن المتغيرات الفترية الحقيقية (Interval variables).
ثالثاً: المتغيرات الثنائية (Dichotomous/Binary Variables). هي حالة خاصة للمتغير الاسمي حيث يحتوي المتغير على فئتين فقط، مثل (نعم/لا) أو (نجاح/رسوب). هذه المتغيرات مهمة بشكل خاص لأنها يمكن أن تُعامل إحصائياً بطرق متنوعة، وأحياناً تُستخدم كمتغيرات كمية (عادةً 0 و 1) في نماذج الانحدار، بما في ذلك الانحدار اللوجستي، نظراً لبساطتها وقدرتها على تمثيل الاحتمالات.
4. الترميز والتمثيل الرقمي
تكمن إحدى التحديات المركزية في التعامل مع المتغيرات الفئوية في حقيقة أن معظم الخوارزميات الإحصائية وخوارزميات التعلم الآلي (Machine Learning) تتطلب مدخلات رقمية. لذلك، يجب تحويل الفئات النصية أو النوعية إلى تمثيل رقمي مفهوم للخوارزمية، وهي عملية تعرف باسم الترميز (Encoding).
بالنسبة للمتغيرات الترتيبية، غالباً ما يتم استخدام الترميز الترتيبي أو ترميز التسمية (Label Encoding)، حيث يتم تعيين أرقام صحيحة متتالية للفئات بناءً على ترتيبها (مثل: ضعيف = 1، متوسط = 2، جيد = 3). هذا الترميز فعال لأنه يحافظ على الترتيب المتأصل في البيانات. ومع ذلك، يجب استخدامه بحذر، لأن الخوارزميات قد تفسر الأرقام على أنها تحمل علاقة كمية (على سبيل المثال، قد تعتبر أن 3 أكبر بثلاث مرات من 1)، وهو ما قد يؤدي إلى تحيز في النماذج إذا كانت الفروق بين الفئات غير متساوية.
أما بالنسبة للمتغيرات الاسمية، فإن الطريقة القياسية والأكثر أماناً لتجنب إدخال ترتيب زائف هي الترميز الأحادي الساخن (One-Hot Encoding). في هذه العملية، يتم إنشاء متغير ثنائي جديد لكل فئة فريدة في المتغير الأصلي. إذا كان المتغير الأصلي “المدينة” يحتوي على ثلاث فئات (القاهرة، الرياض، عمان)، يتم استبداله بثلاثة متغيرات جديدة: (المدينة_القاهرة)، (المدينة_الرياض)، (المدينة_عمان). يتم تعيين القيمة 1 للمتغير الجديد الذي يمثل الفئة الصحيحة و 0 للبقية. هذا يضمن أن الخوارزمية تتعامل مع كل فئة بشكل مستقل، دون افتراض أي علاقة ترتيبية أو كمية بينها.
في حالات المتغيرات ذات الكثرة العالية (High Cardinality)، أي المتغيرات التي تحتوي على عدد كبير جداً من الفئات الفريدة (مثل رمز بريدي أو اسم شركة)، يصبح الترميز الأحادي الساخن غير عملي لأنه يؤدي إلى إنشاء عدد هائل من الأعمدة، مما يسبب مشكلة “لعنة الأبعاد” (Curse of Dimensionality). في هذه الحالات، يتم اللجوء إلى تقنيات أكثر تعقيداً مثل ترميز الهدف (Target Encoding)، أو تجميع الفئات النادرة في فئة واحدة تسمى “أخرى”، لتقليل عدد الأعمدة مع الحفاظ على القوة التفسيرية للمتغير.
5. التحليل الإحصائي للمتغيرات الفئوية
عند تحليل المتغيرات الفئوية، يتم التركيز على الإحصاءات التي تقيس التوزيع والارتباط بدلاً من المتوسطات والفروق القياسية. يبدأ التحليل الوصفي عادةً بإنشاء جداول التكرار (Frequency Tables) التي توضح عدد المرات التي تظهر فيها كل فئة ونسبتها المئوية من المجموع الكلي، بالإضافة إلى تحديد المنوال (Mode)، وهو الفئة الأكثر شيوعاً في مجموعة البيانات. يتم عادةً تصوير هذه التوزيعات بيانياً باستخدام الرسوم البيانية الشريطية (Bar Charts) أو الدوائر البيانية (Pie Charts).
فيما يتعلق بالتحليل الاستدلالي، عندما يرغب الباحث في اختبار وجود علاقة أو استقلال بين متغيرين فئويين، فإن الأداة الرئيسية المستخدمة هي اختبار مربع كاي (Chi-Square Test) للاستقلال. يتضمن هذا الاختبار مقارنة التكرارات المرصودة (Observed Frequencies) في جدول التوافق (Contingency Table) بالتكرارات المتوقعة (Expected Frequencies) التي كان من المفترض أن تحدث لو لم تكن هناك علاقة بين المتغيرين (فرضية العدم). هذا الاختبار يحدد ما إذا كان هناك ارتباط إحصائي مهم بين المتغيرين، مثل ما إذا كانت هناك علاقة بين الجنس واختيار حزب سياسي معين.
إذا كان المتغير الفئوي هو المتغير التابع (Dependent Variable) في نموذج تنبؤي (على سبيل المثال، محاولة التنبؤ بما إذا كان العميل سينسحب أم لا)، يتم استخدام نماذج الانحدار المتخصصة. يعتبر الانحدار اللوجستي (Logistic Regression) هو النموذج المعياري عندما يكون المتغير التابع ثنائياً (بفئتين)، حيث يتنبأ باحتمالية وقوع حدث معين (الاحتمال أن تكون النتيجة 1 بدلاً من 0). وإذا كان المتغير التابع فئوياً متعدد المستويات (أكثر من فئتين)، يتم استخدام الانحدار اللوجستي متعدد الحدود (Multinomial Logistic Regression) أو الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression) حسب طبيعة المتغير.
6. التطبيقات العملية في البحث وعلم البيانات
تنتشر المتغيرات الفئوية انتشاراً واسعاً في جميع مجالات البحث العلمي والتحليل التطبيقي. في العلوم الاجتماعية وعلم النفس، تُستخدم هذه المتغيرات لجمع البيانات الديموغرافية الأساسية (العرق، الدين، الخلفية التعليمية) وتصنيف الاستجابات في الدراسات المسحية. تساعد هذه البيانات في تقسيم السكان إلى شرائح لتحديد الفروق في المواقف والسلوكيات بناءً على الخصائص النوعية. على سبيل المثال، يمكن استخدام المتغيرات الفئوية لتحديد ما إذا كانت هناك فروق ذات دلالة إحصائية في مستويات القلق بين مجموعات عمرية مختلفة.
في مجال علم البيانات والتعلم الآلي، تشكل المتغيرات الفئوية جزءاً أساسياً من عملية هندسة الميزات (Feature Engineering). غالباً ما تكون المتغيرات المدخلة إلى نماذج التصنيف (مثل أشجار القرار، أو آلات المتجهات الداعمة) مزيجاً من المتغيرات الكمية والفئوية. إن المعالجة السليمة لهذه المتغيرات، خاصة من خلال تقنيات الترميز المذكورة سابقاً، هي عامل حاسم في دقة وأداء النموذج التنبؤي، سواء كان الهدف هو التنبؤ باحتمالية تعثر قرض (فئوي ثنائي) أو تصنيف وثائق نصية إلى مواضيع محددة (فئوي متعدد).
كما تلعب المتغيرات الفئوية دوراً حيوياً في الإحصاء الحيوي والوبائيات، حيث تُستخدم لتصنيف حالة المرض (مريض/غير مريض)، نوع العلاج (العلاج أ/العلاج ب)، أو نتائج التجارب السريرية (تحسن/استقرار/تدهور). تسمح هذه التصنيفات بإجراء تحليلات للمخاطر وتحديد عوامل الخطر المرتبطة بحدوث نتائج صحية معينة، وغالباً ما يتم استخدامها في جداول الحياة ونماذج البقاء (Survival Models).
7. التحديات والمحددات
على الرغم من أهميتها، تواجه المتغيرات الفئوية عدة تحديات إحصائية وعملية. التحدي الأبرز، كما ذُكر سابقاً، هو الكثرة العالية (High Cardinality)، والتي تجعل عملية الترميز الأحادي الساخن غير مجدية، مما يتطلب تقليل الأبعاد أو استخدام أساليب ترميز متقدمة تتجنب إنشاء عدد كبير من الأعمدة.
التحدي الآخر يتعلق بالبيانات المفقودة. عندما تكون نسبة البيانات المفقودة في متغير فئوي كبيرة، قد يؤدي حذف الصفوف المفقودة إلى تحيز في العينة. ولذلك، يجب استخدام تقنيات إسناد (Imputation) مناسبة، مثل إسناد الفئة الأكثر شيوعاً (المنوال)، أو استخدام نماذج تنبؤية لتقدير الفئة المفقودة بناءً على المتغيرات الأخرى في مجموعة البيانات.
كما يمثل سوء التعامل مع المتغيرات الترتيبية خطراً منهجياً كبيراً. ففي كثير من الأحيان، يقوم الباحثون بإجراء تحليلات إحصائية تفترض وجود مسافات متساوية (مثل حساب المتوسط والانحراف المعياري) على متغيرات ترتيبية (مثل مقاييس ليكرت) على الرغم من أن هذا الافتراض قد يكون غير صحيح منهجياً. هذا التحول من التعامل مع البيانات الترتيبية كنوعية إلى معاملتها ككمية يمكن أن يؤدي إلى استنتاجات مضللة حول الفروق بين المجموعات.