بعد أن أصبح الفرق النظري بين الارتباط (Correlation) والسببية (Causation) واضحًا، ينتقل المحلل الذكي من مرحلة الفهم إلى مرحلة التطبيق:
كيف نقيس العلاقة؟ وكيف نعرف هل هي مجرد ارتباط… أم سببية حقيقية نستطيع أن نبني عليها قرارًا أو استراتيجية؟

هذا الجزء هو الجسر بين النظرية والتطبيق.

كيف نقيس الارتباط إحصائيًا؟

هناك أكثر من طريقة لقياس قوة واتجاه العلاقة بين متغيرين، أشهرها:

مثال عملي:
إذا كانت العلاقة بين عدد الإعلانات والمبيعات ß r = 0.82 فهذا ارتباط قوي وإيجابي، لكنه لا يعني السببية بعد.

كيف نثبت السببية؟

إثبات السببية أصعب بكثير من إثبات الارتباط، لأنه يتطلب التأكد من أن المتغير (X) هو الذي تسبب مباشرة في تغيير المتغير (Y)، وليس مجرد تزامن عرضي.

هناك ثلاث طرق رئيسية لإثبات السببية:

الطريقة الأولى: التجربة العلمية  (Experiment / A/B Testing)

وهي الطريقة الأكثر قوة  (Gold Standard)، وتُطبق كالتالي:

مثال من البيزنس:
شركة تجارة إلكترونية تقرر تجربة لونين لزر “اشترِ الآن“:

·         عملاء A يرون الزر الأحمر

·         عملاء B يرون الزر الأخضر
بعد 10,000 زيارة:

·         الأحمر → 12% شراء

·         الأخضر → 7% شراء
→ هنا يمكن القول أن اللون الأحمر سبب زيادة المبيعات (Causation).

الطريقة الثانية : تحليل الانحدار  (Regression Analysis)

الانحدار (Regression) ليس مجرد رسم خط على البيانات، بل وسيلة لفهم:

·         هل المتغير المستقل X يؤثر فعليًا على المتغير Y؟

·         أم أن هناك متغيرات ثالثة تؤثر في الخلفية؟

o        الصيغة الأساسية للانحدار الخطي:

 Y=  المتغير التابع (النتيجة التي نريد تفسيرها، مثل المبيعات).

 X  = المتغير المستقل (السبب المحتمل، مثل الإنفاق على الإعلانات).

  β₀  =  الجزء الثابت ( قيمة Y عندما يكون X = 0) .

 β₁  =  معامل الانحدار، وهو الذي يُظهر مقدار التغيّر في Y عندما يتغير X بمقدار وحدة واحدة.

   ε =  العشوائية أو الأخطاء (العوامل غير المرصودة التي تؤثر في النتيجة).

“فإذا كانت قيمة β₁ كبيرة ودالة إحصائيًا (p-value < 0.05) → فهذا يدل على تأثير X على Y مع التحكم في العشوائية.”

v      ما معنى أن تكون قيمة β₁ “كبيرة ودالة إحصائيًا”؟

1. كبيرة (Magnitude):

أي أن التغيير في X يؤدي إلى تغيير ملموس في Y.
كلما كانت القيمة المطلقة لـ β₁ أكبر، كان التأثير أقوى.

مثال عملي:

المبيعات= 1000+20×الإعلانات  

هذا يعني أن كل زيادة بوحدة واحدة في الإنفاق الإعلاني تؤدي إلى زيادة 20 وحدة في المبيعات (تأثير قوي وواضح).

2.  دالة إحصائيًا (Statistically Significant):

أي أن هذا التأثير ليس مجرد صدفة.
يتم اختبار ذلك باستخدام ما يسمى بـ p-value.

¨       ما هي الـ p-value؟

هي احتمال أن نحصل على نفس النتيجة ( قيمة β₁ الحالية)  عن طريق الصدفة البحتة، حتى لو لم يكن هناك تأثير حقيقي بين X و Y في الواقع.

ü       إذا كانت p-value < 0.05  (أي أقل من 5%)
→ فهذا يعني أن احتمال أن تكون النتيجة صدفة = أقل من 5%.
→ وبالتالي نثق أن العلاقة حقيقية وليست عشوائية.

ü       أما إذا كانت p-value > 0.05
→ فهذا يعني أن النتيجة غير موثوقة إحصائيًا، ولا يمكننا الجزم بوجود تأثير فعلي.

ü        

مثال من الواقع لتوضيحها أكثر:

الحالة:

شركة تريد معرفة ما إذا كان الإنفاق الإعلاني (X) يؤثر على المبيعات الشهرية (Y).

بعد تحليل بيانات 12 شهرًا، كانت النتيجة:

Y=1500+25X

مع:

·         β₁ = 25

·         p-value = 0.01

التفسير:

·         قيمة β₁ =  25    ß كل زيادة بـ1,000 جنيه في الإعلانات تؤدي إلى زيادة 25,000 جنيه في المبيعات.

·          ß p-value = 0.01 الاحتمال أن تكون هذه النتيجة مجرد صدفة = 1% فقط ؞ موثوقة جدًا.

 الاستنتاج:

هناك علاقة سببية محتملة بين الإنفاق الإعلاني والمبيعات، ويمكن الاعتماد عليها في القرار.

لكن انتبه:

حتى لو كانت النتيجة “دالة إحصائيًا”، لا يعني ذلك أن العلاقة سببية بالضرورة !؟ فقد يكون هناك متغيرات خفية (Confounding Variables) لم تُدرج في النموذج، مثل:

·         تغيّر المواسم.

·         العروض الترويجية.

·         المنافسة.

لهذا السبب نقول دائمًا:

“الانحدار يُساعد في التحكم بالعشوائية… لكنه لا يثبت السببية الكاملة إلا إذا تم استبعاد جميع المتغيرات الأخرى المحتملة.”

الطريقة الثالثة  : نماذج الاستدلال السببي  (Causal Inference Models)

تُستخدم هذه الأدوات عندما لا يمكن إجراء تجارب حقيقية A/B Testing أو التحكم بالبيئة، مثل:

·         السياسات الحكومية،

·         الرعاية الصحية،

·         التعليم،

·         البيانات التاريخية.

v      أهم هذه النماذج: