تشهد الأبحاث الحديثة — خصوصًا في المجالات الصحية، العصبية، السلوكية، والتعليمية — اهتمامًا متزايدًا بنماذج Longitudinal Mixture Models (LMMs)، لما توفره من قدرة فريدة على فهم الأنماط المخفية داخل البيانات التي تُجمع عبر الزمن.
فبدلًا من التعامل مع المشاركين ككتلة واحدة، تساعد هذه النماذج في تحديد مجموعات فرعية (latent classes) تسلك مسارات تطور مختلفة، حتى لو لم يكن هذا الاختلاف ظاهرًا بشكل مباشر في البيانات.
في هذه المقالة، نشرح بطريقة مبسّطة ما هو هذا النموذج، ولماذا يُستخدم، وكيف يعمل، مع أمثلة عملية تساعد القارئ على استيعاب الفكرة بشكل سلس ودقيق.
أولًا: ما المقصود بـ Longitudinal Mixture Model؟
هو نموذج إحصائي يُستخدم لتحليل البيانات التي تُقاس على نفس الأفراد عدة مرات عبر الزمن، مع افتراض وجود مجموعات مخفية من الأفراد يتبع كل منها مسارًا مختلفًا في التغير الزمني.
بمعنى آخر:
النموذج يفترض أن العينة ليست متجانسة، وأن كل فرد لا يتطور بمرور الزمن بالطريقة نفسها، بل توجد أنماط تطور مختلفة يمكن اكتشافها آليًا من البيانات.
هذه المجموعات لا تكون معروفة مسبقًا، ولذلك تُسمى latent classes.
ثانيًا: لماذا نحتاج إلى Longitudinal Mixture Models؟
لأن العديد من الظواهر لا تتطور بنفس الشكل عند جميع الأشخاص.
على سبيل المثال:
- التعافي بعد السكتة الدماغية: بعض المرضى يتعافون بسرعة، والبعض ببطء، والبعض يتوقف تحسنهم مبكرًا.
- التقدم الدراسي عند الطلاب: بعضهم يتحسن تدريجيًا، وآخرون قد يتراجعون.
- الأمراض المزمنة: قد يتميز المرضى بمسارات تطور مختلفة حسب حالتهم الأساسية.
تعتمد النماذج التقليدية على افتراض أن الجميع يمتلك منحنى تطور واحدًا، بينما تقدم الـ LMMs رؤية أعمق وأكثر واقعية.
ثالثًا: ما الذي يجعل هذه النماذج مميزة؟
- تكتشف مجموعات مخفية دون تحديدها مسبقًا.
- تقدّم توصيفًا تفصيليًا لمسار كل مجموعة عبر الزمن.
- تسمح بفهم عدم التجانس (Heterogeneity) داخل العينة.
- تمكّن من التنبؤ بنتائج مستقبلية بناءً على المجموعة التي ينتمي إليها الشخص.
- يمكن دمج المتغيرات التفسيرية (covariates) للتنبؤ بالانتماء للمجموعات.
رابعًا: كيف يعمل النموذج؟ (شرح مبسّط)
يتكون نموذج المزيج الطولي من خطوتين رئيسيتين:
1. بناء نموذج نمو (Growth Curve Model)
يصف كيفية تغير المتغير (مثل مستوى التحسن، أو الأداء، أو القياسات الصحية) عبر الزمن.
عادة يُستخدم:
- خط مستقيم (Linear trajectory)
- منحنى من الدرجة الثانية (Quadratic)
- نموذج لوجستي (Logistic growth)
أو أي نموذج يناسب البيانات
2. تقسيم الأفراد إلى مجموعات مخفية (Latent Classes)
يقوم النموذج آليًا بتجميع الأشخاص في مجموعات فرعية، بحيث:
كل مجموعة لها مسار نمو مختلف
يتم تقدير عدد المجموعات بناءً على معايير إحصائية مثل
- AIC
- BIC
- Entropy
تحديد كل فرد يتم باستخدام probability-based classification
خامسًا: مثال تطبيقي — التعافي بعد السكتة الدماغية
افترض أن لدينا بيانات لمرضى قيست لديهم القدرة الحركية 10 مرات خلال 12 أسبوعًا.
باستخدام Longitudinal Mixture Model، قد نحصل على:
- مجموعة 1: تعافٍ سريع جدًا
- مجموعة 2: تعافٍ متوسط
- مجموعة 3: تعافٍ بطيء لكن يتقدم
- مجموعة 4: لا تحسّن ملحوظ
كل مجموعة سيكون لها:
- منحنى زمني يصف تطورها
- نسبة من المرضى
- خصائص سلوكية أو صحية قد تميّزها
هذا يسمح للأطباء بتخصيص العلاج وتوقع مسار التحسن.
سادسًا: المفاهيم الأساسية داخل النموذج
1. Latent Classes
مجموعات مخفية داخل البيانات تم اكتشافها آليًا.
2. Trajectories
منحنيات التغير عبر الزمن لكل مجموعة.
3. Posterior Probability
احتمال انتماء كل فرد لكل مجموعة.
4. Time-invariant & Time-varying Covariates
متغيرات ثابتة أو متغيرة تُستخدم للتنبؤ بالمسارات.
5. Model Fit Indices
مثل AIC وBIC لتحديد النموذج الأفضل.
سابعًا: أهم البرامج الإحصائية المستخدمة
- Mplus (الأكثر انتشارًا)
- R (حزم مثل lcmm، flexmix، وgrowthmix)
- SAS
- Stata (بحدود معينة)
ثامنًا: مزايا النموذج
- يعالج تباين الاستجابات بين الأشخاص
- يكشف الأنماط غير المرئية
- مناسب للبيانات الصحية والتعليمية والنفسية
- يقدّم إمكانيات تنبؤية قوية
- يساعد في تصميم تدخلات موجهة حسب المجموعة
تاسعًا: القيود والتحديات
- الحاجة إلى حجم عينة جيد
- نماذج معقدة تتطلب خبرة إحصائية
- احتمالية الإفراط في ملاءمة البيانات Overfitting
- تفسير المجموعات قد يكون صعبًا في بعض الحالات
عاشرًا: خاتمة
نماذج Longitudinal Mixture Models تمثل نقلة نوعية في فهم التطور الزمني للظواهر البشرية والصحية.
فبدلًا من التعامل مع الجميع كمتوسط واحد، يتيح هذا النموذج رؤية دقيقة تكشف المسارات الحقيقية للتغير.
سواء كنت باحثًا في الصحة، العلاج الطبيعي، علوم الأعصاب، علم النفس، التعليم، أو أي مجال يعتمد على البيانات الزمنية — فإن فهم هذا النموذج سيساعدك على تحليل بياناتك بمستوى أعمق، واتخاذ قرارات مبنية على العلم والدليل.