الحذف التراجعي في الإحصاء النفسي: الأسس المنهجية والتطبيقات البحثية

يمثل أسلوب الحذف التراجعي (Backward Elimination) أحد الركائز المنهجية الكلاسيكية في النمذجة الإحصائية المتقدمة وتحديد المتغيرات داخل بحوث علم النفس والعلوم السلوكية. يهدف هذا الأسلوب الإحصائي إلى تبسيط النماذج التفسيرية والتنبؤية المعقدة عبر البدء بنموذج انحداري يضم كافة المتغيرات المستقلة المفترضة، ثم التخلص التدريجي والمنظم من المتغيرات التي لا تقدم إسهاماً إحصائياً ذا دلالة، استناداً إلى معايير كمية صارمة. تنبع الأهمية المعرفية لهذا النهج في الحقل السلوكي من الطبيعة المتشابكة للظواهر الإنسانية؛ حيث يواجه الباحثون النفسيون غالباً تحديات تتعلق بوجود مصفوفات واسعة من المقاييس الفرعية والسمات الشخصية والمحددات المعرفية التي يصعب تحديد وزنها النسبي دون استخدام أدوات فحص وتجريد دقيقة وعالية الموثوقية تحول دون تشتيت النموذج التفسيري.

مدخل نظري ومفاهيمي لأسلوب الحذف التراجعي في القياس النفسي

يُعرف الحذف التراجعي بأنه تقنية خوارزمية تُستخدم في سياق تحليل الانحدار المتعدد (Multiple Regression Analysis) بهدف اختيار أفضل مجموعة فرعية من المتغيرات المتنبئة القادرة على تفسير التباين في المتغير التابع، مثل الاضطراب النفسي أو الأداء المعرفي أو السلوك الاجتماعي. يبدأ هذا المسار الحسابي بما يُعرف بالنموذج الكامل (Full Model)، وهو النموذج الذي يدمج جميع المتغيرات المحتملة المقاسة دفعة واحدة داخل المعادلة الرياضية، دون افتراضات مسبقة حول أولويتها التفسيرية، مما يسمح للباحث برؤية التفاعل الأولي لكافة العوامل مجتمعة قبل البدء بعملية التقليم الإحصائي.

في بيئة البحث السلوكي، تكتسب هذه المنهجية فرادتها من خلال تركيزها على الحفاظ على أكبر قدر ممكن من القوة التفسيرية مع تقليل التعقيد الرياضي والنمذجي، وفق مبدأ نصل أوكام الشهير الذي يرجح النماذج الأكثر بساطة وتماسكاً لتفسير السلوك البشري. يتم اختبار المتغيرات المستقلة بناءً على مساهمتها الفريدة في تفسير التباين التابع، حيث يتم عزل المتغير ذي القيمة الاحتمالية الأضعف والأقل تأثيراً، وإخراجه من المعادلة خطوة تلو الأخرى بشكل متسلسل ودوري إلى حين استقرار النموذج على المتغيرات الأكثر ثباتاً ودلالة منهجية وسريرية.

علاوة على ذلك، لا يعد الحذف التراجعي مجرد تقنية إحصائية بحتة، بل هو أداة تفكير قياسية تتقاطع مع نظريات بناء الاختبارات وتطوير المقاييس النفسية، حيث يُستفاد منه في تقليص بنود الاستبانات الطويلة وحذف العوامل النفسية الفائضة التي تشكل عبئاً على المفحوصين دون أن تقدم إضافة تفسيرية حقيقية للبعد المقاس. إن التعامل مع الظواهر النفسية المعقدة يتطلب تحصين النموذج الرياضي ضد التشويش المعلوماتي، وهو الدور الجوهري الذي تؤديه هذه الخوارزمية من خلال التخلي الواعي عن الضجيج الإحصائي والإبقاء على الإشارات المعرفية والسلوكية الجوهرية فقط.

يتطلب الفهم العميق لأسلوب الحذف التراجعي إدراكاً لطبيعة البيانات السيكولوجية التي غالباً ما تعاني من تداخل المفاهيم وتشابه الأدوات المقاسة؛ حيث يؤدي إدخال المتغيرات جميعها في البداية إلى إعطاء فرصة متكافئة لكل بُعد نفسي ليُظهر ارتباطه المستقل بالمتغير التابع تحت مظلة السيطرة الإحصائية على العوامل المربكة الأخرى، وهو ما يمنح الحذف التراجعي أفضلية نظرية ملحوظة مقارنة بالطرق الاستكشافية الأخرى التي تبدأ من الصفر وتخاطر بإغفال العوامل ذات التأثيرات المشتركة.

الجذور التاريخية والتطور المنهجي في القياس والإحصاء السلوكي

تعود الجذور الأولى لمناهج اختيار المتغيرات في الإحصاء الرياضي إلى منتصف القرن العشرين مع تطور الحواسيب الإلكترونية وبرمجيات معالجة البيانات، حيث كان علماء النفس في السابق يقتصرون على استخدام الانحدار الخطي البسيط والتحليل العاملي التقليدي نظراً للصعوبة الهائلة في حساب المعكوسات المصفوفية للنماذج التي تحتوي على عدد كبير من المتغيرات يدوياً. ومع ظهور لغات البرمجة الإحصائية الأولى وظهور حزم البرمجيات الرائدة، بات من الممكن أتمتة خوارزميات الاستبعاد المتسلسل وفحص نماذج متعددة الأبعاد في غضون ثوانٍ معدودة، مما فتح آفاقاً ثورية أمام الباحثين في العلوم الإنسانية.

شهدت سبعينيات وثمانينيات القرن الماضي نقاشات حامية بين علماء القياس النفسي والإحصائيين الرياضيين حول مصداقية اختيار النماذج القائم على البيانات مقابل النماذج القائمة على النظرية المسبقة؛ حيث قاد علماء مثل جاكوب كوهين (Jacob Cohen) حركات نقدية لتوضيح حدود الاعتماد الأعمى على الآليات الأوتوماتيكية في الانحدار التدريجي، داعين إلى ضرورة اقتران القرارات الإحصائية بمفاهيم متجذرة في الإطار النظري النفسي لتجنب الوقوع في فخ النتائج العرضية أو التفسيرات الزائفة.

ومع تطور الأبحاث في علم الأعصاب المعرفي وعلم النفس العصبي خلال العقدين الأخيرين، قفز استخدام الحذف التراجعي قفزة نوعية ليتعامل مع مجموعات البيانات الضخمة المستخرجة من أجهزة الرنين المغناطيسي الوظيفي والتخطيط الدماغي، حيث أصبحت الحاجة ملحة لاستبعاد المؤشرات العصبية غير النشطة أو غير المؤثرة في النمط السلوكي المستهدف. وقد أدى هذا التطور إلى تحسين وتعديل معايير التوقف في الخوارزميات التاريخية لتتجاوز مجرد فحص الدلالة الكلاسيكية عبر اختبار (t) إلى اعتماد معايير متقدمة في نظرية المعلومات.

اليوم، يُنظر إلى الحذف التراجعي بوصفه جزءاً من الطيف الواسع لتعلم الآلة والنمذجة التنبؤية في علم النفس الحاسوبي، حيث تمت إعادة صياغته ليتماشى مع التحديات الإحصائية المعاصرة مثل التحقق المتبادل وضبط معدلات الاكتشاف الكاذب، مما يبرهن على مرونة هذه الأداة التاريخية وقدرتها على البقاء كعنصر منهجي حيوي في ترسانة الباحث النفسي الحديث المهتم بفهم التعقيد البشري بأعلى درجات الدقة الممكنة.

خوارزمية الحذف التراجعي: الآلية الرياضية ومحددات القرار الإحصائي

تسير خوارزمية الحذف التراجعي وفق تسلسل مصفوفي وميكانيكية خطوات متكررة محكمة الصياغة رياضياً، تبدأ بتوليد معادلة الانحدار الخطي أو اللوجستي لكامل مصفوفة التنبؤ:

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + dots + \beta_k X_k + \epsilon$$

حيث يمثل $Y$ المتغير النفسي التابع، و$X$ المتغيرات المستقلة المقاسة، و$\beta$ معاملات الانحدار الموزونة، و$epsilon$ الخطأ العشوائي غير المفسر. في الخطوة الأولى، يتم احتساب معاملات النموذج الكامل وتقدير الأخطاء المعيارية لكل متغير بالتزامن، مع استخراج القيمة الاحتمالية المقترنة باختبار الفرضيات الصفرية المتعلقة بكل معامل بمفرده.

ترتكز الخطوة الجوهرية التالية على مسح دقيق لجميع قيم الدلالة الإحصائية ($p$-values) المرتبطة بمعاملات الانحدار، وتحديد المتغير ذي القيمة الأعلى (الأقل دلالة)، ثم مقارنة هذه القيمة بمستوى دلالة مسبق التحديد يُعرف بـ “عتبة الإلغاء” أو “معيار الحذف” ($p_{\text{remove}}$)، والذي يُحدد عادة في البحوث النفسية عند 0.05 أو 0.10 تبعاً للأهداف الاستكشافية للدراسة. إذا كانت أعلى قيمة احتمالية تزيد عن هذه العتبة، يُلغى المتغير المقابل تماماً من مصفوفة البيانات وتتم إعادة تقدير النموذج من دونه.

تتكرر هذه العملية التكرارية (Iterative Process) دورياً، حيث يُعاد في كل دورة تقدير معاملات الانحدار والقيم التائية أو الفائية لجميع المتغيرات المتبقية، وذلك لأن إزالة متغير واحد تؤثر مباشرة على تقديرات الأوزان النسبية وتباين المتغيرات الأخرى، خصوصاً في حال وجود درجات من الارتباط المتبادل بينها. تستمر الحلقات الإحصائية بالدوران حتى تصل الخوارزمية إلى نقطة التوقف الحرج؛ وهي اللحظة التي تصبح فيها كافة المتغيرات المتبقية داخل النموذج ذات دلالة إحصائية تقل عن عتبة الحذف الموضوعة سلفاً، ليتوقف البرنامج ويعلن عن النموذج النهائي.

لا تتوقف معايير الحذف التراجعي في الممارسة المنهجية المعاصرة على قيمة ($p$) فحسب، بل تمتد لتشمل معايير تقييم جودة المطابقة والمفاضلة التنافسية للنماذج، وأبرزها:

• معيار أكايكي للمعلومات (Akaike Information Criterion – AIC): يقيس التوازن الدقيق بين دقة تفسير التباين وعدد المتغيرات المستخدمة، حيث يُحذف المتغير إذا كان خروجه يؤدي إلى خفض قيمة AIC الإجمالية.
• معيار بييز للمعلومات (Bayesian Information Criterion – BIC): يتميز بفرضه عقوبة رياضية أشد قسوة على النماذج التي تحتوي على عدد كبير من المعلمات، ويُفضل استخدامه في العينات الكبيرة لضمان أعلى درجات التجريد والتحديد.
• معامل التحديد المعدل ($R^2_{\text{adj}}$): يُستخدم لمراقبة التغير في القدرة التنبؤية؛ حيث يتم حذف المتغير إذا لم يتسبب خروجه في هبوط ملحوظ في التباين المفسر المصحح بحجم العينة وعدد الحدود.

هذا الانضباط الخوارزمي الصارم يوفر الشفافية والقابلية لإعادة الإنتاج في البحوث النفسية الكمية، مؤكداً أن الاستبعاد لم يكن مبنياً على تحيزات ذاتية للباحث، بل نتج عن عملية حسابية منهجية ومبرهنة خضعت لاختبارات تجريبية صارمة عبر خطوات متتالية تعكس التفاعل الحقيقي بين مختلف المتغيرات السلوكية.

التطبيقات السريرية والبحثية في علم النفس والعلوم السلوكية

تحظى خوارزمية الحذف التراجعي بمكانة متميزة في أبحاث علم النفس السريري والطب النفسي، ولا سيما في مجالات النمذجة التنبؤية بالمخاطر النفسية والتشخيص الفارقي. على سبيل المثال، عند بناء نماذج لتقييم احتمالية الانتكاس لدى مرضى الاكتئاب الجسيم، قد يبدأ المعالجون بمصفوفة واسعة تضم عشرات المؤشرات تشمل: شدة الأعراض السابقة، التاريخ العائلي، مستويات الدعم الاجتماعي، جودة النوم، المرونة المعرفية، واستراتيجيات التكيف. يساعد أسلوب الحذف التراجعي هنا في استبعاد العوامل التي تبدو شائعة لكنها لا تساهم بشكل نوعي ومستقل في التنبؤ بحدوث الانتكاسة، مما ينتج أداة تقييم سريرية مختصرة وعملية يمكن للأطباء تطبيقها في زمن قياسي داخل غرف الطوارئ والعيادات المزدحمة دون المساس بدقة التنبؤ.

وفي حقل علم نفس الشخصية، يُعد هذا الأسلوب أداة حيوية في تنقية المقاييس الطويلة وفحص الصدق التقاربي والتمايزي؛ حيث يُوظف الحذف التراجعي في دراسات التنبؤ بالسلوك المهني أو القيادي بناءً على سمات الشخصية الخمس الكبرى (Big Five) ومكوناتها الفرعية المعقدة. فبدلاً من الاعتماد على جميع الأبعاد الفرعية الثلاثين، يُمكّن التحليل الباحث من التحديد الدقيق للأبعاد الفرعية التي تؤثر جوهرياً في متغير مثل الرضا الوظيفي أو الاحتراق المهني، مما يسهم في تطوير بيئات عمل أكثر كفاءة وقائمة على أدلة نفسية رصينة.

كذلك يستفيد باحثو علم النفس المعرفي والتعليمي من الحذف التراجعي في عزل المتغيرات المفسرة للتحصيل الأكاديمي وصعوبات التعلم. فعند دراسة عوامل الفهم القرائي، قد تُدرج متغيرات متعددة مثل سعة الذاكرة العاملة، وسرعة المعالجة، والمحصلة اللغوية، والانتباه المستمر، والذكاء السائل؛ وبواسطة الحذف التراجعي يتم إقصاء المتغيرات المعرفية التي تشترك في تفسير تباين واحد مكرر، مما يساعد المربين في تصميم برامج تدخل علاجي تركز على العمليات الذهنية الأساسية الأكثر تأثيراً وإلحاحاً بدلاً من إهدار الموارد في تدريب وظائف ثانوية.

تمتد التطبيقات أيضاً إلى أبحاث الصحة النفسية المجتمعية والوبائيات السلوكية، حيث تُجمع عادة قواعد بيانات مسحية ضخمة تحتوي على متغيرات ديموغرافية واقتصادية وبيئية متشعبة للتنبؤ بمشكلات كالإدمان أو العنف الأسري. يتيح الحذف التراجعي في مثل هذه السياقات صياغة نماذج سببية وتفسيرية منظمة تسلط الضوء على بؤر الخطر الحقيقية ذات الأثر القوي والمستقل، وتفصل بين الارتباطات السطحية والآثار الجوهرية، مما يوجه السياسات الوقائية والصحية نحو الأهداف ذات الأولوية الحقيقية.

المقارنة المنهجية: الحذف التراجعي مقابل الاختيار التدريجي والتقدمي

لفهم مكانة الحذف التراجعي بدقة، ينبغي وضعه في مقارنة منهجية مع نظيريه الشائعين: الاختيار التقدمي (Forward Selection) والانحدار التدريجي ثنائي الاتجاه (Stepwise Selection). يتمثل التباين الجوهري في نقطة الانطلاق واتجاه المعالجة الإحصائية عبر الخطوات الموضحة في المقارنة التالية:

• نقطة البداية المنهجية: ينطلق الحذف التراجعي من النموذج الشامل متضمناً جميع المتغيرات، بينما يبدأ الاختيار التقدمي من نموذج فارغ لا يحتوي سوى على الثابت الإحصائي (Intercept)، ويتم إضافة المتغيرات واحداً تلو الآخر بناءً على أعلى ارتباط جزئي. في المقابل، يمثل الانحدار التدريجي مزيجاً ديناميكياً يتيح إضافة المتغيرات وحذفها في كل خطوة وفق عتبات دخول وخروج محددة.
• اكتشاف التفاعلات والآثار المقنعة (Suppressor Effects): يمتلك الحذف التراجعي تفوقاً منهجياً راسخاً في قدرته على اكتشاف المتغيرات الكابتة والتأثيرات التفاعلية الخفية؛ فبعض المتغيرات النفسية قد لا تُظهر دلالة إحصائية بمفردها (صفرية الارتباط الثنائي) وبالتالي لا يمكن أن تلتقطها طريقة الاختيار التقدمي، ولكنها تصبح شديدة الأهمية التفسيرية عندما توضع في إطار وجود متغيرات أخرى في النموذج الأولي الشامل، وهو ما يعجز الاختيار التقدمي عن استيعابه بالكامل.
• التعامل مع التعددية الخطية (Multicollinearity): يتيح الحذف التراجعي فرصة مراقبة مؤشرات تضخم التباين (Variance Inflation Factor – VIF) منذ البداية لجميع المتغيرات المتنافسة داخل نموذج موحد، في حين قد يؤدي الاختيار التقدمي إلى حجز متغير معين للمساحة التفسيرية لمتغير آخر أكثر أهمية سريرية لمجرد أنه ارتبط ارتباطاً أولياً طفيفاً يسبق نظيره في الترتيب الخطي.
• التكلفة الحسابية ومتطلبات حجم العينة: يتطلب الحذف التراجعي استقراراً أكبر في حجم العينة نظراً لبدئه بنموذج كبير يستهلك درجات حرية كثيرة ($N gg k$)؛ فإذا كان حجم العينة صغيراً مقارنة بعدد المتغيرات، ينهار الحذف التراجعي ولا يمكن حساب مصفوفة التغاير له، بينما قد يواصل الاختيار التقدمي عمله بحسابات مجتزأة وإن كانت مضللة إحصائياً.

لهذه الأسباب، يُجمع معظم خبراء الإحصاء والقياس النفسي المتقدم على أن الحذف التراجعي يمثل الخيار الأكثر أماناً ونضجاً بين الطرق الاستكشافية الكلاسيكية، شرط أن يتوفر لدى الباحث حجم عينة كافٍ لتغذية النموذج الأولي بحرية إحصائية تامة تكفل الحصول على تقديرات دقيقة لمعاملات الانحدار.

التحديات الإحصائية والمخاطر الإبستمولوجية: التضخم النوعي والتوافق المفرط

على الرغم من النجاح العملي لأسلوب الحذف التراجعي، إلا أنه يواجه انتقادات منهجية وإبستمولوجية حادة في أوساط علماء القياس، ترتبط في المقام الأول بمخاطر التوافق المفرط (Overfitting). فعندما تفحص الخوارزمية عينة بحثية معينة عبر خطوات استبعاد متكررة، فإنها قد تلتقط وتعتمد على التباينات العشوائية والخصائص العرضية المحددة لتلك العينة بدلاً من التعبير عن الحقيقة السكانية، مما يجعل النموذج مفرط الدقة في العينة الحالية وفاشلاً بصورة مروعة عند محاولة تعميمه على عينات جديدة أو مجتمعات نفسية موازية.

يتمثل الخطر الثاني في ظاهرة التضخم النوعي لمعدل الخطأ من النوع الأول (Type I Error Inflation) وما يتصل بها من ممارسات التنقيب في البيانات غير الموجه (Data Dredging أو P-hacking). إن اتخاذ قرارات حذف متتالية بناءً على اختبارات الفرضيات الفردية يلغي في الواقع الأساس النظري لتوزيعات المعاينة الكلاسيكية؛ فالقيم الاحتمالية المتبقية في النموذج النهائي تصبح متفائلة بصورة مصطنعة وصغيرة جداً وغير حقيقية، نظراً لأن النموذج أجرى في الخفاء عشرات الاختبارات الفرضية المقارنة قبل الاستقرار، مما يؤدي إلى خداع الباحث بوهم القوة الإحصائية.

كذلك تبرز مشكلة تحيز تقديرات المعاملات (Parameter Estimation Bias) أو ما يعرف بانحياز التفاؤل؛ حيث تُظهر معاملات الانحدار للمتغيرات الناجية من عملية الحذف قيماً مطلقة أكبر من حجمها الحقيقي في المجتمع الأصلي، وذلك لأن المتغيرات التي استُبعدت كانت تتقاسم معها بعض التباين المشترك، مما يؤدي إلى تضخيم الأهمية السريرية لتلك المتغيرات على حساب الواقع الإكلينيكي المعاش.

من الناحية الإبستمولوجية والمعرفية، يحذر علماء النفس النظري من أن الاعتماد المفرط على الحذف التراجعي يحول العملية العلمية من اختبار نظري قائم على الفرضيات المحكمة إلى آلية نفعية عمياء تحكمها الخوارزمية؛ فالنظريات النفسية الراسخة قد تتضمن متغيرات ذات تأثيرات إحصائية متواضعة أو هامشية الدلالة لكنها تشكل صلب البناء المفاهيمي للظاهرة، وبالتالي فإن إقصاءها لمجرد ارتفاع طفيف في القيمة الاحتمالية فوق 0.05 يعد فقراً نظرياً قد يفرغ الظاهرة السلوكية من معناها وعمقها الإنساني المعقد.

الممارسات الفضلى والبدائل المعاصرة في النمذجة النفسية

لتفادي المزالق الإحصائية للحذف التراجعي التقليدي، يتبنى الباحثون المعاصرون في العلوم النفسية والسلوكية حزمة من الإجراءات المنهجية المتقدمة التي تضمن الحفاظ على رصانة النتائج واستقرارها؛ ومن أبرز هذه الإجراءات:

• التحقق المتبادل (Cross-Validation): مثل أسلوب التحقق المتصالب ذي الطيات العشر (10-Fold Cross-Validation)، حيث يتم تقسيم البيانات إلى عينات تدريب لتشغيل الحذف التراجعي، وعينات اختبار مستقلة للتأكد من قدرة النموذج النهائي على التنبؤ المستقر قبل اعتماده علمياً.
• التثبيت المسبق للمتغيرات المحورية (Hierarchical Forcing): الجمع بين النظرية والخوارزمية عبر إجبار الخوارزمية على إبقاء المتغيرات الأساسية ذات الثقل النظري الراسخ داخل المعادلة بصورة دائمة، وفتح مجال الحذف التراجعي فقط للمتغيرات التابعة أو الاستكشافية الثانوية.
• مراقبة التعددية الخطية بدقة: فحص مؤشر تضخم التباين (VIF) ومؤشر التسامح (Tolerance) في كل خطوة، مع استبعاد المتغيرات المتداخلة مفاهيمياً قبل تشغيل الأداة لضمان ألا يؤدي الارتباط المشترك إلى حذف مضلل لمتغيرات جوهرية.

إلى جانب التحسينات الإجرائية، برزت في التحليل الإحصائي الحديث بدائل خوارزمية أكثر قوة وحصانة ضد التوافق المفرط، وعلى رأسها أساليب الانحدار الجزائي أو التنظيمي (Penalized Regression). تتصدر هذه البدائل طريقة انحدار لاسـو (LASSO – Least Absolute Shrinkage and Selection Operator) التي تقوم بتقليص معاملات المتغيرات غير المفيدة تدريجياً وبشكل مستمر حتى تصل ببعضها إلى الصفر، مما ينجز مهمة الاختيار التلقائي للمتغيرات دون القفزات الحادة التي تميز الحذف التراجعي المتقطع، مما يجعلها مثالية للبيانات السيكومترية ذات الأبعاد المتعددة.

كما يُنصح باللجوء إلى نماذج الشبكة المرنة (Elastic Net) التي تدمج حسنات تنظيم لاسو وانحدار ريدج (Ridge)، لتوفير حماية مضاعفة في حال وجود كتل من المقاييس النفسية المترابطة خطياً بقوة. إن هذه المقاربات الهجينة الحديثة تعيد تعريف مفهوم النمذجة النفسية، وتنتقل بالبحث السلوكي من مرحلة التلقائية الإحصائية العمياء إلى فضاء النمذجة المرنة المتوافقة مع طبيعة النفس الإنسانية وشبكاتها المعقدة.

خاتمة وتطلعات مستقبلية في تحليل البيانات النفسية المعقدة

في الختام، يظل الحذف التراجعي أسلوباً تأسيسياً شديد القيمة والأثر في المنهجية الكمية لعلم النفس؛ فهو يقدم مساراً منطقياً قابلاً للفهم الرياضي لتقليم النماذج المتضخمة واستخلاص العوامل ذات الأثر المستقل والدلالة الإحصائية العالية. ومع ذلك، فإن الاستخدام الرشيد لهذا الأسلوب يقتضي من الباحث النفسي وعياً تاماً بحدوده الإحصائية ومخاطر الوقوع في فخ التوافق المفرط، مما يستوجب الجمع الدائم بين الحساب الخوارزمي والتفكير النظري السيكولوجي الأصيل والممارسة النقدية الصارمة التي تجعل الإحصاء خادماً للعلم النفسي وليس بديلاً عنه.

المراجع

• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Harrell, F. E. (2015). Regression modeling strategies: With applications to linear models, logistic and ordinal regression, and survival analysis (2nd ed.). Springer.
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.