لماذا لا يثبت وجود نمط قوي في بياناتك علاقة سببية؟
لا يثبت النمط القوي وجود علاقة سببية، لأن النمط نفسه قد يظهر عندما يؤثر عامل ثالث في كلا الرقمين، أو عندما تكون السببية في الاتجاه المعاكس، أو عندما يكون التطابق مصادفة. يقيس الارتباط مدى تلازم تغيّر شيئين، لكنه لا يفسر السبب.
لنفترض وجود سلسلة متاجر خيالية للأدوات المنزلية اسمها لاركفيلد هوم، تضم 30 متجرًا. تراجع المديرة التجارية، بريا، نتائج الربع السابق. قدّمت ثمانية متاجر عروضًا توضيحية لأدوات الطهي في عطلات نهاية الأسبوع، ولم يقدمها 22 متجرًا. تبدو البيانات التي صدّرتها كما يلي: 'متاجر العروض: متوسط المبيعات الأسبوعية 41,200. المتاجر دون عروض: 34,900. الفرق: +18%. ملاحظة: اختار مديرو المناطق المتاجر التي تقدم العروض. جرت العروض غالبًا من نوفمبر إلى ديسمبر. تشمل متاجر العروض 5 من أكبر 6 مواقع لدينا.' وكتب مساعد ذكاء اصطناعي لخّص الجدول: 'تؤدي العروض التوضيحية لأدوات الطهي إلى زيادة المبيعات الأسبوعية بنسبة 18%. ومن المفترض أن يؤدي تعميمها على جميع المتاجر إلى زيادة الإيرادات.' يريد مجلس الإدارة الموافقة على التعميم يوم الاثنين.
| مجموعة المتاجر | المتاجر | متوسط المبيعات الأسبوعية | أكبر المواقع المشمولة | الأشهر التي أُجريت فيها العروض التوضيحية |
|---|---|---|---|---|
| متاجر تجريبية | 8 | 41,200 | 5 من 6 | في الغالب خلال نوفمبر وديسمبر |
| متاجر غير مخصصة للعروض التوضيحية | 22 | 34,900 | 1 من 6 | لا شيء |
كيف تختبر ما إذا كان الارتباط يدل على علاقة سببية؟
اختبر الارتباط باستبعاد التفسيرات البديلة الثلاثة واحدًا تلو الآخر، ثم أجرِ، حيثما أمكن، مقارنة عادلة لا يختلف فيها إلا السبب المشتبه به. كل خطوة أدناه هي سؤال تطرحه على البيانات قبل أن ينفق أي شخص المال.
1. ابحث عن عامل مُربك
العامل المُربِك هو عامل ثالث يؤثر في كلا الأمرين اللذين تقارنهما. في لاركفيلد، يُحتمل أن يكون حجم المتجر والموسم من هذه العوامل: فالمتاجر الكبيرة تبيع أكثر على أي حال، وشهرا نوفمبر وديسمبر يشهدان إقبالًا كبيرًا على أواني الطهي. اسأل عمّا يختلف أيضًا بين المجموعتين.
2. تحقّق من الاتجاه
تعني السببية العكسية أن النتيجة هي في الواقع ما يسبب السبب المفترض. إذا قدّم مديرو المناطق عروضًا توضيحية لمتاجر كانت تحقق بالفعل أداءً تجاريًا جيدًا، فإن ارتفاع المبيعات هو ما أدى إلى تقديم العروض، وليس العكس. اسأل عن كيفية اختيار المجموعات.
3. ضع المصادفة في الحسبان
عند دراسة ثمانية متاجر وربع سنة واحد، قد يظهر فرق بالمصادفة، خاصة إذا فحص أحدهم عروضاً ترويجية كثيرة ولم يعرض سوى العرض الذي برز بينها. اسأل عن عدد المقارنات التي أُجريت، وما إذا كان النمط يتكرر في فترة أخرى.
4. قارن بين الأشياء المتشابهة
قارن المتاجر التي أُجري فيها العرض التجريبي بمتاجر مشابهة لم يُجرَ فيها، خلال الأسابيع نفسها: الكبيرة بالكبيرة، والصغيرة بالصغيرة. إذا اختفى معظم الفارق، فالعوامل المربكة هي التي كانت وراءه.
5. نفّذ تجربة
أقوى اختبار هو تجربة مضبوطة: اختر متاجر قابلة للمقارنة، ووزّع العروض التوضيحية عشوائيًا على نصفها خلال الأسابيع نفسها، ثم قارن النتائج. يوزّع التخصيص العشوائي الاختلافات في الحجم والموقع وسجل النشاط التجاري بالتساوي، لذا يصبح من الأرجح بكثير أن يكون أي فرق متبقٍ ناتجًا عن العرض التوضيحي.
كيف تبدو قراءة بيانات لاركفيلد في صورتها الضعيفة وفي صورتها المحسّنة؟
تأخذ القراءة الضعيفة ملخص الذكاء الاصطناعي كما هو دون تمحيص: 'تزيد العروض التوضيحية المبيعات بنسبة 18%، لذا نفّذوها في كل مكان.' وهكذا تحوّل فرقًا ملحوظًا بين مجموعتين تختلفان في الحجم والموسم وطريقة الاختيار إلى وعد بما سيحدث في 22 متجرًا آخر.
تقول القراءة المحسّنة: 'باعت المتاجر التي أقامت عروضًا توضيحية أكثر بنسبة 18% أسبوعيًا، لكنها كانت في معظمها من أكبر فروعنا، وأقامت العروض خلال أكثر شهرين ازدحامًا لدينا، واختارها مديرو المناطق. وعند مقارنة المتاجر الخمسة الكبيرة التي أقامت عروضًا بمتاجر كبيرة لم تقم عروضًا في الأسابيع نفسها، يبلغ الفرق نحو 4%، وهو ضمن التفاوت الطبيعي من أسبوع إلى آخر. لا نستطيع بعد تحديد ما إذا كانت العروض مفيدة. المقترح: تجربة مدتها ستة أسابيع في 12 متجرًا متوسط الحجم ومتقاربًا في خصائصه، يُختار ستة منها عشوائيًا لإقامة العروض، مع قياس مبيعات أدوات الطهي وساعات عمل الموظفين.' تُطلع هذه النسخة مجلس الإدارة على ما نعرفه، وما لا نعرفه، وكيفية التحقق، مقابل تأخير مدته شهر واحد.
كيف يمكن لملخصات الذكاء الاصطناعي أن تضللك بالارتباطات الإحصائية؟
غالبًا ما تكون ملخصات الذكاء الاصطناعي مضللة عندما تصف ارتباطًا بكلمات تفيد السببية مثل 'يدفع' أو 'يؤدي إلى' أو 'يعزّز' أو 'بسبب'، مما يجعل النمط يبدو وكأنه تأثير مثبت. يكتب النموذج اللغوي تفسيرات سلسة للأرقام؛ لكنه لا يعرف كيف اختيرت المتاجر ما لم تخبره، ونادرًا ما يبادر إلى توضيح أنه لا يستطيع التمييز بين السببية والمصادفة.
يمكنك تقليل ذلك بتزويد المساعد بالسياق الذي يفتقر إليه (كيفية اختيار المجموعات، والتواريخ، وحجم العينة)، وطلب الفصل بين ما تُظهره البيانات والتفسيرات المحتملة له. ثم اقرأ المخرجات بحثًا عن أفعال تفيد السببية، واستبدل كلًا منها بوصف ما لوحظ فعليًا، مثل 'المتاجر التي قدّمت عروضًا توضيحية سجّلت أيضًا مبيعات أعلى'.
كيف تتحقق من ادعاء بوجود علاقة سببية قبل أن تتصرف بناءً عليه؟
تحقق من الادعاء السببي بالسؤال عن كيفية اختيار المجموعتين، وما إذا كان السبب قد سبق النتيجة في كلتيهما، وما إذا كان الفارق يستمر في فترة أخرى أو عينة أكبر، وما إذا كان الملخص يستخدم عبارة 'مرتبط بـ' حين لا تثبت الأدلة سوى وجود ارتباط. اكتب الإجابات بجانب الادعاء قبل أن يوافق أي شخص على الإنفاق.
ما الأخطاء الشائعة في فهم الارتباط والسببية؟
الخطأ الأكثر شيوعاً هو تعميم تغيير لأن لوحة متابعة أظهرت فجوة، دون السؤال عن كيفية تشكيل المجموعات. ومن الأخطاء الأخرى: اعتبار معامل ارتباط مرتفع دليلاً قاطعاً، والإبلاغ عن العرض الترويجي الوحيد الذي بدا ناجحاً من بين عشرين عرضاً، ونسيان التأثيرات الموسمية، وافتراض أن غياب الارتباط يعني غياب التأثير. والخطأ المعاكس يكلّف المال أيضاً: الامتناع عن التصرف حتى الوصول إلى يقين تام، مع أن تجربة عشوائية صغيرة تكون عادةً منخفضة التكلفة.
أين يقع هذا الدرس ضمن Tosheo.ai؟
هذا الدرس جزء من فئة علم البيانات والتحليلات، ويأتي في بداية دورة علم البيانات، لأن كل موضوع لاحق، من لوحات المعلومات إلى تعلم الآلة، يعتمد على عدم الخلط بين النمط والسبب. في Tosheo.ai، تعطيك المهمة التطبيقية مجموعة بيانات افتراضية وملخصًا كتبه الذكاء الاصطناعي، وتشير ملاحظات التقييم وفق دليل المعايير إلى كل ادعاء سببي لا تدعمه البيانات. إنه أساس مهني، وليس درجة علمية في الإحصاء.
المصادر والنطاق
المكتب الأسترالي للإحصاء: الارتباط والسببية (تم التحقق في 19 أكتوبر 2026) ↗