الوحدة السادسة عشرة: الإحصاء البايزي وحدود NHST
مقدمة: لا يُعد الإحصاء البايزي خاتمة معزولة، بل هو استجابة مباشرة لحدود التفكير الثنائي في NHST التي درستها في الوحدة السادسة، وجسر إلى مقارنة النماذج التي درستها في الوحدة التاسعة.
الجسر من حدود NHST إلى التفكير البايزي
عندما تقول نتيجة تكرارية "p = 0.06"، فهي لا تعني أن الفرضية خاطئة أو صحيحة. التفكير البايزي يحاول وصف قوة الدليل مباشرة عبر العلاقة بين المعرفة السابقة والبيانات الحالية.
- الوحدة 6: تعلمت أن p-value لا يقيس احتمال صحة الفرضية.
- الوحدة 9: تعلمت أن AIC/BIC يقارنان النماذج بدل الاكتفاء بنموذج واحد.
- هذه الوحدة: تستخدم priors وposteriors وBayes factors لتفسير الدليل بطريقة تراكمية.
التكراري مقابل البايزي
| المعيار | الإحصاء التكراري (Frequentist) | الإحصاء البايزي (Bayesian) |
|---|---|---|
| تعريف الاحتمال | تكرار الحدث على المدى البعيد | درجة الاعتقاد/اليقين بناءً على الأدلة |
| النتيجة الرئيسية | p-value، فترة الثقة | التوزيع الخلفي، عامل بايز، فترة المعقولية |
| المعرفة المسبقة | لا تُدرج رسمياً | مُدرجة صراحةً في التوزيع السابق (Prior) |
| السؤال المُجاب | "ما احتمال الحصول على هذه البيانات إذا كانت H₀ صحيحة؟" | "ما احتمال صحة الفرضية بناءً على البيانات والمعرفة السابقة؟" |
| إمكانية قبول H₀ | لا — فقط "لا ترفض" | نعم — يمكن تقديم دليل لصالح H₀ |
لا — هما مكمّلان. الإحصاء التكراري لا يزال الأكثر شيوعاً والأكثر متطلباً من المجلات. البايزي يُضيف قيمةً في: الدراسات الاستكشافية، التحليلات الترابطية، مقارنة الفرضيات البديلة، وحين تتوفر معرفة سابقة موثوقة.
نظرية بايز في الاستدلال الإحصائي
P(Data|H) = الاحتمالية (Likelihood) — مدى تفسير H للبيانات
P(H) = التوزيع السابق (Prior) — ما نعتقده في H قبل البيانات
P(Data) = ثابت التطبيع — يضمن أن مجموع الاحتمالات = 1
اختبار جديد لتشخيص إصابة الرباط الصليبي الأمامي:
- معدل انتشار الإصابة في نادٍ: P(مصاب) = 0.10
- حساسية الاختبار: P(إيجابي|مصاب) = 0.90
- خصوصية الاختبار: P(سلبي|غير مصاب) = 0.85 → P(إيجابي|غير مصاب) = 0.15
التفسير البايزي: رغم إيجابية الاختبار، احتمال الإصابة الحقيقية 40% فقط — لأن الانتشار الأولي كان منخفضاً (10%). هذا يُوضح أهمية التوزيع السابق (Prior).
التوزيعات السابقة Prior Distributions
اختيار التوزيع السابق هو الخطوة الأكثر تأثيراً — وأحياناً أكثر جدلاً — في التحليل البايزي:
أنواع التوزيعات السابقة
- غير مُعلوماتي (Uninformative/Diffuse): يوزع الاحتمال بشكل متساوٍ — مناسب عند غياب المعرفة المسبقة
- ضعيف (Weakly Informative): ضبط خفيف بناءً على القيم المعقولة — الموصى به للمبتدئين
- مُعلوماتي (Informative): يعكس معرفة سابقة قوية (meta-analysis، خبرة) — قوي لكن يستلزم تبريراً
تحليل الحساسية للـ Prior
أجرِ التحليل بأكثر من prior وتحقق من استقرار النتائج:
- إذا تغيرت النتيجة كثيراً مع تغيير Prior → البيانات ضعيفة التأثير
- إذا بقيت النتيجة ثابتة → البيانات قوية — أبلّغ بثقة أكبر
اختيار Prior مُصمَّم لإعطاء نتيجة مرغوبة يُعدّ تحيزاً منهجياً خطيراً. أبلّغ دائماً عن Prior المستخدم ومبرراته. استخدام نتائج مراجعة منهجية سابقة كـ Prior هو الممارسة الأمثل.
عوامل بايز Bayes Factors (BF)
عامل بايز (BF₁₀) يقيس نسبة الأدلة التي تُقدّمها البيانات لصالح الفرضية البديلة H₁ مقارنةً بالفرضية الصفرية H₀:
BF₁₀ < 1 : البيانات تدعم H₀ (أكثر من H₁)
BF₀₁ = 1/BF₁₀ (عامل بايز لصالح H₀)
| BF₁₀ | الدليل لصالح H₁ | قابل للمقارنة بـ |
|---|---|---|
| 1 – 3 | ضعيف — غير جوهري | p تقريبي > 0.10 |
| 3 – 10 | متوسط | p ≈ 0.05–0.01 |
| 10 – 30 | قوي ✓ | p ≈ 0.01–0.001 |
| > 30 | قوي جداً ✓✓ | p < 0.001 |
| 1/10 – 1/3 | دليل متوسط لصالح H₀ | — |
| < 1/10 | دليل قوي لصالح H₀ | — (ميزة فريدة للبايزي!) |
الميزة الفريدة: BF يمكنه تقديم دليل لصالح H₀ — شيء مستحيل في الإحصاء التكراري حيث لا نرفض H₀ فقط، لا نقبلها.
فترات المعقولية Credible Intervals
فترة الثقة التكرارية (CI)
تفسيرها الصحيح: "لو كررنا الدراسة 100 مرة، 95 منها ستضم القيمة الحقيقية ضمن الفترة".
غير صحيح: "احتمال 95% أن القيمة الحقيقية في هذه الفترة"
فترة المعقولية (Credible Interval)
تفسيرها الصحيح: "احتمال 95% أن القيمة الحقيقية تقع ضمن هذه الفترة — بناءً على البيانات والمعرفة السابقة".
هذا هو التفسير الذي يريده معظم الباحثين!
دراسة مع Prior من meta-analysis (mean = 2 مل/كجم/دقيقة، SD = 1.5):
التفسير: "احتمال 95% أن التحسن الحقيقي في VO₂max يتراوح بين 1.2 و4.2 مل/كجم/دقيقة. عامل بايز = 8.3 يُقدّم دليلاً متوسطاً إلى قوياً على فاعلية البرنامج."
JASP — التحليل البايزي التطبيقي
JASP برنامج مجاني (jasp-stats.org) يُتيح الإحصاء التكراري والبايزي معاً بواجهة رسومية سهلة الاستخدام:
| المخرج | SPSS (تكراري) | JASP (بايزي) |
|---|---|---|
| مقياس الدليل | p-value | BF₁₀ |
| فترة عدم اليقين | 95% Confidence Interval | 95% Credible Interval |
| الإجابة عن H₀ | "لا ترفض" فقط | يُقدّر BF₀₁ — دليل لصالح H₀ |
| استيعاب المعرفة السابقة | لا | نعم — Prior قابل للتخصيص |
ابدأ بتنفيذ تحليلك التكراري المعتاد في SPSS، ثم أعد نفس التحليل في JASP بـ Prior الافتراضي (Cauchy). قارن النتيجتَين: إذا اتفقتا (BF₁₀ > 3 مع p < 0.05) فثقتك في النتيجة تزداد. إذا اختلفتا فراجع حجم العينة والـ Prior.