مُقدِّر لوغاريتمي فعّال في أخذ العينات الطبقية العشوائية باستخدام متغير مساعد واحد

لماذا تهمّ طرق أخذ العينات الأذكى

عندما تُجري الحكومات أو العلماء أو الشركات مسوحات، نادراً ما يقيسون كل شخص أو كل عنصر. بدلاً من ذلك، يأخذون عينات ويستخدمون الإحصاء لتقدير المتوسطات العامة — مثل متوسط إنتاج المحاصيل أو هطول الأمطار أو الالتحاق بالمدارس. تحسّنات صغيرة في طريقة تقدير هذه المتوسطات يمكن أن توفّر المال، وتقلّل العمل الميداني، وتظل تقدم أرقاماً أكثر موثوقية. تقدم هذه الورقة طريقة جديدة لاستخلاص مزيد من الدقة من نفس بيانات المسح عبر حيلة رياضية ذكية تعتمد على اللوغاريتمات.

تقسيم المجتمع إلى مجموعات ذات معنى

العديد من المسوحات الكبيرة تقسم المجتمع إلى مجموعات، أو شرائح، قبل أخذ العينات. على سبيل المثال، قد تُجَمَّع المزارع حسب المنطقة، أو المدارس حسب المديرية، أو محطات الطقس حسب المنطقة المناخية. داخل كل مجموعة تُؤخذ عينة صغيرة، وتُدمَج هذه الأجزاء لتقدير المتوسط العام. هذه المقاربة، المسماة أخذ العينات الطبقية، تعمل بشكل جيد خصوصاً عندما تكون كل مجموعة متجانسة إلى حد ما من الداخل لكنها تختلف كثيراً عن المجموعات الأخرى. يركّز المؤلفون على هذا التصميم الشائع ويتساءلون: بما أننا نأخذ عينات بالفعل حسب المجموعات، هل يمكننا استخدام معلومات إضافية داخل كل مجموعة لتحسين تقديراتنا أكثر؟

استخدام متغير مرافق مفيد

في العديد من المسوحات الواقعية، يكون من الأسهل قياس متغير واحد مقارنة بغيره. على سبيل المثال، قد يكون من الأسهل عدّ عدد الأشجار في بستان من قياس محصول التفاح الكلي، أو تسجيل عدد المدارس في مديرية بدلاً من إحصاء كل الطلاب الملتحقين. عندما يرتبط هذا المقدار السهل القياس ارتباطاً قوياً بالمقدار الرئيسي محل الاهتمام، يسميه الإحصائيون متغيراً مساعداً. الطرق الحالية، مثل مقدّرات النسبة والانحدار، تستخدم هذا المتغير المرافق لتحسين تقديرات المتوسط الرئيسي. مع ذلك، غالباً ما تفترض هذه الأدوات التقليدية علاقات بسيطة تكاد تكون خطية وقد لا تعمل جيداً عندما تكون البيانات أكثر تفاوتاً أو تتبع علاقة غير خطية.

لمسة جديدة: المقدّر اللوغاريتمي

المساهمة المركزية في هذه الدراسة هي مُقدِّر جديد يمزج بين أخذ العينات الطبقية وتحويل لوغاريتمي للمتغير المساعد. بدلاً من العمل مباشرةً مع المتوسطات المساعدة الخام في كل مجموعة، يحوّل الأسلوب هذه المتوسطات باستخدام اللوغاريتم الطبيعي قبل دمج المعلومات. هذا التحويل يمكن أن يكبح الاختلافات الكبيرة بين المجموعات ويُجسّد بشكل أفضل العلاقات المنحنية أو غير المتكافئة بين المتغيرين الرئيسي والمساعد. يستخرج المؤلفون تعبيرات رياضية تصف مدى انحياز هذا المقدّر الجديد ومدى تباينه، ويحددون الشروط التي ينبغي أن يتفوّق فيها على عدة بدائل معروفة.

الاختبار ببيانات حقيقية ومحاكاة

لرؤية كيف يتصرف المقدّر الجديد عملياً، يطبق المؤلفون الأسلوب على ثلاث مجموعات بيانات حقيقية: غلات التفاح المرتبطة بعدد الأشجار، الالتحاق المدرسي المرتبط بعدد المدارس، وأيام الرطوبة المرتبطة بساعات الشمس. في كل حالة يُقسّم المجتمع إلى شرائح مثل المناطق أو المناطق المناخية. كما يُجَرّون محاكاة حاسوبية على مجتمعات اصطناعية حيث تكون العلاقة بين المتغيرين الأساسي والمساعد قوية وتحت سيطرة الباحث. عبر أحجام عينات وبُنى مجتمعات مختلفة، يظهر المقدّر الجديد مراراً أخطاء أقل ونِسَب كفاءة نسبية أعلى، مما يعني أنه ينتج تقديرات تكون في المتوسط أقرب إلى المتوسط الحقيقي للسكان مقارنة بالطرق المنافسة التي تستخدم نفس البيانات.

ماذا يعني هذا لمسوحات العالم الواقعي

لغير المتخصصين، الرسالة الأساسية هي أن هذا المقدّر اللوغاريتمي يُقدّم وسيلة للحصول على متوسطات أكثر دقة من المسوحات دون جمع بيانات إضافية. عندما توجد علاقة قوية بين مقدار يصعب قياسه ومقدار أسهل، وعندما يكون المجتمع مقسماً طبيعياً إلى مجموعات، يمكن لهذه الطريقة أن تقلّل بشكل ملحوظ عدم اليقين في التقديرات النهائية. هذا يجعلها جذابة لتطبيقات تمتد من الزراعة والمراقبة البيئية إلى إحصاءات التعليم ومراقبة جودة الصناعة، حيث تدعم الأرقام الأفضل اتخاذ قرارات أفضل.

الاستشهاد: Shakoor, F., Asif, M., Atif, M. et al. An efficient logarithmic estimator in stratified random sampling using single auxiliary variable. Sci Rep 16, 11126 (2026). https://doi.org/10.1038/s41598-026-41448-9

الكلمات المفتاحية: العينات الطبقية, دقة المسوح, البيانات المساعدة, التقدير الإحصائي, طرق لوغاريتمية