T_root by Default: A Reporting Standard for Independence in Contingency Tables

في عالم البحث العلمي، غالبًا ما تأتي البيانات في شكل شبكات بسيطة، حيث يقوم الباحثون بعدّ عدد الأشخاص الذين يقعون في فئات مختلفة. تخيل جدولاً يقارن بين مجموعتين، مثل المرضى الذين تلقوا علاجاً جديداً وأولئك الذين تلقوا علاجاً قياسياً، والتحقق مما إذا كانوا قد تعافوا أم لا. ولتقرير ما إذا كان العلاج قد أحدث فرقاً بالفعل، يستخدم العلماء أداة رياضية لحساب رقم يخبرهم ما إذا كان النمط الذي يروه حقيقياً أم مجرد صدفة عشوائية. لعقود من الزمن، كانت الممارسة القياسية هي الاعتماد على أداتين محددتين لهذه المهمة. إحدى الأداتين مشهورة بكونها "دقيقة" (exact)، مما يعني أنها تحسب الاحتمالات دون وضع تخمينات واسعة، بينما الأداة الأخرى هي طريقة كلاسيكية تعمل جيداً عندما تكون البيانات وفيرة وموزعة بشكل متساوٍ. ومع ذلك، يشير تحليل جديد إلى أن الطريقة التي تختار بها البرمجيات الحالية بين هاتين الأداتين معيبة، مما يؤدي إلى استنتاجات مضللة في الغالبية العظمى من الدراسات الواقعية. المشكلة ليست في أن الأدوات معطلة، بل في أن القواعد المستخدمة لتشغيلها جامدة للغاية، مما يتسبب في جعل الباحثين إما يفقدون تأثيرات حقيقية أو يرون أنماطاً لا وجود لها.

لقد اقترح باحث في جامعة ماساتشوستس لول، ويليام جيه دوير، معياراً جديداً لإصلاح خطأ التقرير هذا. وهو يجادل بأن العادة الحالية المتمثلة في التحول تلقائياً إلى الأداة "الدقيقة" كلما كان الجدول يحتوي على أرقام صغيرة هي خطأ. فبينما تعد تلك الأداة دقيقة في حساباتها، إلا أنها حذرة للغاية، وغالباً ما تخفي الاكتشافات الحقيقية بجعل الأدلة تبدو أضعف مما هي عليه في الواقع. وعلى العكس من ذلك، فإن الأداة الأخرى الشائعة تصبح متحمسة جداً لإيجاد الأنماط عندما تكون البيانات غير متوازنة، مما يجعلها تصرخ بكلمة "اكتشاف" في حين لا يوجد شيء. ووجد المؤلف أن هاتين الطريقتين التقليديتين في الواقع متساويتان في الجودة في إيجاد التأثيرات الحقيقية عندما تكون البيانات متوازنة، لكن كلتاهما تفشلان في الإبلاغ عن المستوى الصحيح من اليقين عندما تكون البيانات فوضوية أو متفرقة. وبدلاً من إجبار الباحثين على الاختيار بين أداة خجولة جداً وأخرى جريئة جداً، تقدم الورقة إحصائية واحدة جديدة تسمى T_root، والتي تم تطويرها والتحقق من صحتها في ورقة منهجية مصاحبة. تعمل هذه الإحصائية بشكل موثوق عبر كامل طيف أنواع البيانات.

بدأت الدراسة باختبار آلاف الجداول المحاكية لمعرفة كيفية أداء الطرق القديمة تحت ظروف مختلفة. وأظهرت النتائج أن الأداة "الدقيقة"، رغم اسمها، لا تضبط معدلات الخطأ كما هو موعود. ولأنها لا تستطيع إنتاج سوى خطوات احتمالية محددة ومنفصلة، فإنها غالباً ما تنتهي بكونها أكثر صرامة مما هو مقصود، مما يؤدي فعلياً إلى خفض العتبة لما يعتبر اكتشافاً دون إخبار أحد. وفي هذه المحاكاة، كانت الأداة تفشل تكراراً في رصد صلة حقيقية، حتى وإن كانت البيانات تظهر ذلك بوضوح. وفي الوقت نفسه، كانت الأداة البديلة غالباً ما ترصد صلات ناتجة عن ضجيج عشوائي، خاصة عندما تكون المجموعات التي تتم مقارنتها ذات أحجام متفاوتة جداً. وقد أثبت البحث أن الاختيار بين هذين الأسلوبين لم يكن أبداً يتعلق بأيهما أكثر قوة في إيجاد الحقيقة؛ فكلاهما وجد الحقيقة بنفس المعدل. المشكلة الحقيقية كانت في المعايرة: فلا يمكن الوثوق بأي منهما للإبلاغ عن المستوى الصحيح من الثقة عبر جميع أنواع الجداول.

ولحل هذه المشكلة، يستخدم المؤلف الإحصائية الجديدة T_root. وهي صيغة واحدة قائمة بذاتها تعدل نفسها بناءً على الشكل والحجم المحدد لجدول البيانات الذي تحلله. وخلافاً للطرق القديمة، التي تتطلب شجرة قرار معقدة لتحديد الأداة التي يجب استخدامها، تعمل T_root بنفس الطريقة لكل جدول، من الشبكات الصغيرة والفارغة إلى الجداول الكبيرة والمزدحمة. وفي اختبارات واسعة النطاق، حافظت هذه الطة الجديدة على ثباتها تماماً، حيث أبلغت عن معدلات خطأ بقيت قريبة جداً من الهدف المنشود، حتى في أكثر السيناريوهات صعوبة أو عدم توازن أو تشتت. كما استعادت القدرة على اكتشاف الارتباطات الحقيقية التي فاتتها الأداة "الدقيقة" القديمة، مما ضاعف فعلياً القدرة على إيجاد الإشارات الحقيقية في أكثر مناطق البيانات إشكالية. وتتميز الطريقة الجديدة بالسرعة، ولا تتطلب تعديلات معقدة، وتعطي إجابة واحدة واضحة دون الحاجة إلى تشغيل آلاف عمليات المحاكاة الحاسوبية للوصول إليها.

كما نظرت الورقة في آلاف الجداول من مجموعات البيانات العامة لمعرفة عدد المرات التي يفشل فيها النظام الحالي. وكانت النتائج مذهلة: حوالي 94 بالمائة من الجداول التي تم تحليلها وقعت في فئة تؤدي فيها إعدادات البرامج الافتراضية إلى نتيجة غير موثوقة. وفي هذه الحالات، كانت الأدوات القياسية إما متحفظة للغاية أو متساهلة للغاية، مما أدى إلى استنتاجات خاطئة حول ما إذا كانت هناك علاقة موجودة أم لا. وتضمن أحد الأمثلة المحددة دراسة حول جروح الحروق، حيث ذكر البرنامج القياسي أنه لا توجد صلة ذات دلالة إحصائية بين علاج التنظيف والحاجة إلى الجراحة. ومع ذلك، اكتشفت الطريقة الجديدة رابطاً واضحاً، مما غير الاستنتاج من "لا يوجد تأثير" إلى "تأثير معتد به" ووفر نطاقاً أكثر دقة لمدى قوة ذلك التأثير. وهذا النوع من التحول في الحكم ليس شذوذاً نادراً بل هو حدوث شائع في البيانات التي يستخدمها علماء البيانات يومياً.

الحل المقترح هو تغيير الإعداد الافتراضي في البرمجيات الإحصائية. فبدلاً من مطالبة المستخدمين بالاختيار بين اختبارات مختلفة أو الاعتماد على قواعد قديمة تتعلق بالأرقام الصغيرة، يجب أن تقوم البرمجيات تلقائياً بالإبلاغ عن إحصائية T_root الجديدة لكل جدول تقريباً. وهناك استثناء واحد فقط: إذا كان الجدول صغيراً وفارغاً لدرجة تجعله ينهار في شكل بسيط جداً لا يمكن تحليله، فيجب على البرنامج حينها العودة إلى الطريقة "الدقيقة" التقليدية. وهذا يخلق معياراً بسيطاً وصادقاً: استخدم الأداة الجديدة لكل شيء، واستخدم الأداة القديمة فقط في الزاوية القصوى حيث لا يمكن لأي طريقة أخرى أن تعمل. كما يوصي المؤلف بأن تتضمن التقارير ليس فقط رقماً واحداً، بل أيضاً مقياساً لمدى جودة أداء الاختبار في ذلك الموقف المحدد، مما يضمن أن يعرف القراء بالضبط مقدار الثقة التي يمكن وضعها في النتيجة.

يعيد هذا العمل صياغة مشكلة طويلة الأمد في الإحصاء، ليس كأحجية حول أي أداة نختار، بل كفشل في معايير التقرير. ويظهر البحث أن الخلط بين "الحساب الدقيق" و"الضبط الدقيق للخطأ" قد أدى إلى عقود من النتائج المضللة. ومن خلال اعتماد إحصائية واحدة معايرة تعمل عبر كافة المجالات، يمكن للمجتمع العلمي ضمان أن تكون الاستنتاجات المستخلصة من البيانات قوية وصادقة. وتخلص الورقة إلى أن عصر أشجار القرار المعقدة والإعدادات الافتراضية المتضاربة يجب أن ينتهي، ليحل محله قاعدة مباشرة تبلغ عن الحقيقة، بغض النظر عن مدى فوضوية البيانات.