📉 اتجاه ينقلب
إليك تأكيدًا يبدو سخيفًا: دواء يشفي بشكل أفضل الرجال مقارنة بالدواء الوهمي، ويشفي بشكل أفضل النساء مقارنة بالدواء الوهمي… ومع ذلك، إذا خلطنا الجميع معًا، فإنه يشفي بشكل أقل من الدواء الوهمي.
هذا ليس خطأ في الحساب. إنها حقيقة رياضية تحمل اسم إدوارد ه. سيمبسون، الإحصائي البريطاني الذي وصفها سنة 1951. تُسمى مفارقة سيمبسون (وأحيانًا أثر يول-سيمبسون). وهي تخدع الجميع: الأطباء والقضاة والوزراء والصحفيين.
🔬 شاهدها بأم عينيك
كل نقطة هي ملاحظة. هناك مجموعتان (حمراء وزرقاء). انظر إلى الاتجاه الإجمالي، ثم الاتجاه حسب المجموعة: المنحدرات تنقلب.
📈 سحابة نقط ومستقيمات الانحدار
انحدار بالمربعات الصغرى، محسوب مباشرة على النقط المعروضة.
الاتجاه الإجمالي
المنحدر ≈ +0,00
…
💊 مثال حصى الكلى
إنها الدراسة الأشهر من نوعها (Charig وزملاؤه، 1986). نقارن بين علاجين لحصى الكلى: الجراحة المفتوحة (العلاج A) وتقنية أقل تدخلًا (العلاج B). إليك نسب النجاح:
الحصى الصغيرة (الحالات السهلة):
- العلاج A: 81 نجاحًا من أصل 87 → 93 %
- العلاج B: 234 نجاحًا من أصل 270 → 87 %
الحصى الكبيرة (الحالات الصعبة):
- العلاج A: 192 نجاحًا من أصل 263 → 73 %
- العلاج B: 55 نجاحًا من أصل 80 → 69 %
العلاج A يفوز في الحصى الصغيرة (93 > 87) و في الحصى الكبيرة (73 > 69). إنه يفوز في الحالتين!
الآن، لنجمّع جميع المرضى:
- العلاج A: 81 + 192 = 273 نجاحًا من أصل 87 + 263 = 350 → 78 %
- العلاج B: 234 + 55 = 289 نجاحًا من أصل 270 + 80 = 350 → 83 %
إجمالًا، العلاج B هو الذي يفوز (83 % مقابل 78 %). لقد انقلبت النتيجة مقارنة بكل مجموعة فرعية. ها هي المفارقة، حيّة ملموسة.
🕵️ من أين يأتي الانقلاب؟
المتهم هو متغير خفي (أو عامل التباس) مرتبط في آن واحد بالعلاج وبالنتيجة. هنا، إنه خطورة الحالة.
كان الأطباء يخصصون الجراحة الثقيلة (A) للحالات الصعبة (الحصى الكبيرة)، و التقنية اللطيفة (B) للحالات السهلة (الحصى الصغيرة). والنتيجة: العلاج A يحمل حصة هائلة من الحالات الصعبة، مما يثقل متوسطه الإجمالي، في حين أنه في الواقع أفضل عند تساوي الخطورة.
الآلية تقوم على مكوّنين:
- متغير خفي يؤثر في النتيجة (هنا خطورة الحالة).
- أحجام مجموعات غير متوازنة: العلاجان ليسا موزّعين بالطريقة نفسها بين الحالات السهلة والحالات الصعبة.
عندما نحسب المتوسط الإجمالي، فإن هذه الاختلالات ترجّح الأرقام ويمكن أن تقلب النتيجة. متوسط الخليط ليس هو متوسط الاتجاهات.
🎓 قضية بيركلي (1973)
أشهر مثال في العلوم الاجتماعية. سنة 1973، اشتُبه في جامعة بيركلي بالتمييز ضد النساء في القبول: حوالي 44 % من الرجال المترشحين قُبلوا، مقابل 35 % فقط من النساء. فارق هائل.
لكن عندما فحص إحصائيون (Bickel وHammel وO'Connell) القبول قسمًا قسمًا، تبيّن أن معظم الأقسام تقبل النساء بنسبة مساوية أو أعلى من الرجال. كيف ذلك؟
المتغير الخفي هو اختيار القسم. كانت النساء يترشحن أكثر في شعب انتقائية جدًا (مقاعد قليلة، نسبة قبول منخفضة)، في حين كان الرجال يترشحون في أقسام أسهل ولوجًا. عند تساوي القسم، لا تمييز ضد النساء — جاء الأثر الإجمالي من أين يترشح كل منهم.
⚠️ لماذا هذا خطير
🧮 آلية الكسور
رياضيًا، تأتي المفارقة من هذا: إذا كان ab > cd و ef > gh، فإنه ليس مضمونًا أن a+eb+f > c+gd+h.
جمع البسوط والمقامات ليس جمع كسور: إنه متوسط مرجّح يمكن لأوزانه (المقامات b، d، f، h) أن تقلب اتجاه المتراجحة. هذا بالضبط ما يحدث مع أحجام مجموعات غير متوازنة.
🧠 الدرس المستفاد
القاعدة الذهبية أمام كل إحصاء مجمّع: ابحث دائمًا عن المتغير الخفي.
- قبل أن تصدّق متوسطًا إجماليًا، اسأل نفسك أي مجموعات فرعية يخلطها.
- احذر عندما تكون للمجموعات أحجام مختلفة جدًا.
- فكّك المعطيات: انظر إن كان الاتجاه ما يزال صامدًا في كل مجموعة فرعية.
- ابحث عن عامل الالتباس: خطورة الحالة، نوع القسم، السن، المستوى الاجتماعي… يوجد دائمًا واحد تقريبًا.
مفارقة سيمبسون هي الدليل على أن رقمًا صحيحًا يمكن أن يروي كذبة. الدفاع الوحيد هو ألّا تتوقف أبدًا عند المتوسط: يجب أن تعرف كيف تقطّع الواقع لترى ما يخفيه.