معامل التحديد المتعدد

يمثل معامل التحديد المتعدد (المعروف رمزياً بـ R²) أحد أكثر المؤشرات الإحصائية رسوخاً وأهمية في أبحاث علم النفس والعلوم السلوكية والقياس النفسي الحديث. يُعنى هذا المؤشر بتحديد نسبة التباين الإجمالي في متغير تابع معين والتي يمكن تفسيرها أو التنبؤ بها بدقة من خلال مجموعة خطية مؤلفة من متغيرين مستقلين أو أكثر. إن فهم هذا المفهوم لا يقتصر فقط على الجانب الحسابي المجرد، بل يمتد ليكون حجر الزاوية المنهجي الذي يتيح للباحثين النفسيين الحكم على القوة التفسيرية للنماذج النظرية المعقدة، وتقييم مدى كفاءة الفروض التنبؤية إزاء الظواهر السلوكية المتشابكة.

مفهوم معامل التحديد المتعدد وتعريفه السيكومتري

في ميدان القياس النفسي والتقييم السلوكي، لا تنشأ الظواهر النفسية—كالدافعية، والاكتئاب، والذكاء، والأداء الوظيفي—بمعزل عن شبكة معقدة من المؤثرات المتداخلة. من هذا المنطلق، يأتي معامل التحديد المتعدد ليقدم تقديراً كمياً موحداً يلخص القدرة التفسيرية المشتركة لمصفوفة من المتغيرات التنبؤية تجاه متغير معيار محدد. يُعرَّف هذا المعامل رياضياً بأنه النسبة المئوية من التباين في المتغير التابع المستهدف التي تشترك فيها مجموعة المتغيرات المستقلة الداخلة في معادلة الانحدار الخطي المتعدد.

يتراوح المدى النظري لقيمة معامل التحديد المتعدد في العينات الإحصائية بين الصفر (0) والواحد الصحيح (1)، حيث تشير القيمة صفر إلى انعدام تام لأي قدرة تفسيرية أو تنبؤية للنموذج المفترض، مما يعني أن معرفة قيم المتغيرات المستقلة لا تقدم أي معلومة إضافية لتقليل خطأ التنبؤ بالمتغير التابع. وعلى النقيض من ذلك تماماً، تدل القيمة واحد صحيح على وجود علاقة خطية تامة ومثالية، حيث تقع جميع نقاط المشاهدات التجريبية أو الميدانية بدقة متناهية على مستوى الانحدار الفوقي، وهو سيناريو يكاد يكون مستحيلاً في الدراسات النفسية الواقعية بسبب وجود أخطاء القياس والتشتت السلوكي الطبيعي.

عند ضرب قيمة R² في مئة، تتحول القيمة مباشرة إلى نسبة مئوية مألوفة، كأن يقال مثلاً إن 45% من التباين الملاحظ في مستويات الاحتراق النفسي لدى المعلمين يمكن عزوه وتفسيره بمتغيرات ضغط العمل، والدعم التنظيمي المدرك، والصلابة النفسية مجتمعة. ويتبقى الجزء المتبقي، وهو ما يُعرف رياضياً بنسبة (1 – R²)، ليمثل معامل عدم التحديد أو التباين غير المفسر، والذي يعود إلى أخطاء القياس العشوائية، أو إلى متغيرات كامنة مؤثرة لم يتم إدراجها داخل النموذج التحليلي قيد الاختبار.

تكمن الأهمية الجوهرية لهذا المعامل في النمذجة النفسية في كونه مقياساً لجودة المطابقة (Goodness of Fit)، يتيح للمنظر النفسي التحقق مما إذا كانت صياغته المفاهيمية المترجمة إلى علاقات رياضية تتماشى بالفعل مع بنية البيانات التجريبية المستقاة من الميدان. وبالتالي، فهو يتجاوز كونه مجرد دالة ارتباطية ليصبح معياراً لتقييم الصدق التنبؤي وصلاحية النماذج النظرية المفسرة للسلوك البشري.

الجذور التاريخية والتطور الفكري في الإحصاء النفسي

تعود الجذور المعرفية والتاريخية لمعامل التحديد إلى أواخر القرن التاسع عشر وبدايات القرن العشرين، وهي الفترة التأسيسية التي شهدت ولادة حركة القياس النفسي على يد رواد مثل السير فرانسيس غالتون وكارل بيرسون. كان غالتون يسعى بجدية لفهم آليات توارث السمات البشرية الجسدية والعقلية، مما قاده إلى استكشاف ظاهرة الارتداد أو الانحدار نحو المتوسط، وهي الفكرة التي أسست لاحقاً للتحليل الرياضي للانحدار الخطي البسيط ومفهوم الارتباط الخطي.

قام عالم الرياضيات البريطاني كارل بيرسون، متأثراً بأعمال غالتون، بصياغة معامل الارتباط الخطي البسيط المعروف بمعامل ارتباط بيرسون للرتب والكميات، والذي وفر القاعدة الأساسية التي بُني عليها معامل التحديد البسيط كتربيع مباشر لتلك القيمة. ومع تعقد المسائل السيكومترية والحاجة إلى تفسير السمات المعرفية المعقدة كمعامل الذكاء عبر مؤشرات عقلية وبيئية متعددة، ظهرت الحاجة الماسة لدى الإحصائيين مثل جورج أودني يول ورونالد فيشر لتوسيع إطار التحليل ليشمل أبعاداً متعددة في وقت واحد.

شهدت ثلاثينيات وأربعينيات القرن العشرين نقلة نوعية مع تبلور مناهج علم النفس الكمي وظهور أساليب التحليل متعدد المتغيرات بفضل إسهامات علماء بارزين مثل لويس ثورستون في التحليل العاملي، وهارولد هوتلنج في التحليل القانوني. خلال هذه الحقبة، تم تقنين مصفوفات الارتباط وتحويل معادلات الانحدار إلى صيغ الجبر الخطي، مما سمح باشتقاق معامل التحديد المتعدد كصيغة رياضية مصفوفية دقيقة تقيس الارتباط المتعدد بين متغير معيار ومجموعة خطية مركبة من المتغيرات التنبؤية.

مع اندلاع الثورة الحاسوبية في النصف الثاني من القرن العشرين وتطور الحزم الإحصائية البرمجية المتقدمة مثل SPSS وSAS وصولاً إلى لغات البرمجة الإحصائية الحديثة مثل R وPython، بات حساب معامل التحديد المتعدد إجراءً فورياً ومتاحاً للباحثين السلوكيين. وقد قاد ذلك إلى طفرة منهجية هائلة في دراسة النماذج التفاعلية والوسيطة والمعقدة في العلوم الإنسانية، حيث أصبح بالإمكان اختبار نماذج تحتوي على عشرات المتغيرات وتقييم نسب التباين بدقة فائقة لم تكن ممكنة في الحسابات اليدوية السابقة.

الأساس الرياضي والاشتقاق الإحصائي لمعامل التحديد

يستند الاشتقاق الرياضي لمعامل التحديد المتعدد إلى مبدأ تجزئة مجموع المربعات الكلية (Partitioning of Sum of Squares)، وهو مبدأ محوري في نظرية النماذج الخطية العامة. عند تحليل سلوك عينة من الأفراد، يمكن التعبير عن التباين الكلي للمتغير التابع (Y) من خلال حساب مجموع مربعات الانحرافات الكلية عن المتوسط الحسابي العام، وهو ما يُعرف رياضياً بمجموع المربعات الكلي (Total Sum of Squares – SST).

في نموذج الانحدار الخطي المتعدد، يتم تفتيت هذا المجموع الكلي للمربعات بدقة إلى مركبين رئيسيين غير متداخلين: المركب الأول هو مجموع مربعات الانحدار المفسر (Regression Sum of Squares – SSR)، والذي يعبر عن مقدار التباين الذي استطاع النموذج التنبؤي اقتناصه بناءً على الأوزان الانحدارية للمتغيرات المستقلة؛ والمركب الثاني هو مجموع مربعات البواقي أو الخطأ (Error Sum of Squares – SSE)، والذي يمثل مقدار التشتت الفعلي للنقاط حول مستوى الانحدار المتوقع. تأخذ العلاقة التفكيكية الصيغة الرياضية التالية:

SST = SSR + SSE

بناءً على هذه العلاقة الرياضية الجوهرية، يُعرف معامل التحديد المتعدد بنسبة مجموع مربعات الانحدار إلى مجموع المربعات الكلي، أو بصيغة مكافئة تركز على طرح نسبة الخطأ من الواحد الصحيح:

R² = SSR / SST = 1 – (SSE / SST)

في سياق المصفوفات الجبرية، يُشتق معامل الارتباط المتعدد (R) أولاً عبر ضرب متجه ارتباطات المتغيرات المستقلة بالمتغير التابع في معكوس مصفوفة الارتباطات البينية للمتغيرات المستقلة، متبوعاً بالضرب في المتجه المنقول. وعند تربيع القيمة الناتجة، نحصل على معامل التحديد المتعدد R²، والذي يمثل حرفياً مربع معامل الارتباط البسيط بين القيم الفعلية المرصودة للمتغير التابع والقيم المقدرة تنبؤياً بواسطة معادلة الانحدار المتعدد (أي ارتباط Y بـ Ŷ).

التمييز المنهجي: معامل التحديد البسيط، المتعدد، والمعدل

من الضروري في البحث النفسي الرصين التمييز الدقيق بين الصيغ المختلفة لمعامل التحديد، إذ يؤدي الخلط بينها إلى مغالطات في تفسير النتائج ونشر استنتاجات مضللة. في حالة معامل التحديد البسيط (Simple R²)، يتعامل النموذج مع متغير مستقل واحد ومتغير تابع واحد، وتكون القيمة ببساطة هي التربيع المباشر لمعامل ارتباط بيرسون (r²). في هذا السياق، تكون العلاقة ثنائية وثابتة ولا تتأثر بمشاكل التداخل بين التنبؤات المتعددة.

أما معامل التحديد المتعدد التقليدي (R²)، فهو يتعامل مع فضاء متعدد الأبعاد يضم متغيرين مستقلين أو أكثر. تكمن الخاصية الإحصائية الحرجة لهذا المعامل في كونه دالة رتيبة متزايدة؛ بمعنى أنه كلما أضاف الباحث متغيراً مستقلاً جديداً إلى النموذج—حتى وإن كان هذا المتغير عشوائياً تماماً ولا يحمل أي ارتباط حقيقي بالظاهرة النفسية المدروسة—فإن قيمة R² الحسابية ترتفع حتماً أو تظل ثابتة على أقل تقدير، ولا يمكن أن تنخفض رياضياً أبداً في عينة التحليل الحالية.

تخلق هذه الخاصية معضلة منهجية خطيرة تُعرف بالتطابق المفرط (Overfitting)، حيث يبدو النموذج ذا كفاءة عالية زائفاً في عينة الدراسة، لكنه يفشل فشلاً ذريعاً عند تعميمه على عينات مستقلة أخرى من نفس المجتمع النفسي. ولمعالجة هذا التضخم المصطنع، ابتكر الإحصائيون ما يُعرف بـ معامل التحديد المتعدد المعدل (Adjusted R²)، والذي يُدخل معامل تصحيح صارم يأخذ في الاعتبار كلاً من حجم العينة (n) وعدد المتغيرات التنبؤية (k) المدرجة في النموذج.

تُصاغ معادلة معامل التحديد المعدل على النحو التالي:

R²_adj = 1 – [(1 – R²) * (n – 1) / (n – k – 1)]

يفرض هذا التعديل عقوبة إحصائية على النموذج عند إضافة أي متغير تفسيري جديد لا يقدم مساهمة فعلية تخفض تباين الخطأ بما يتجاوز ما يُتوقع حدوثه بمحض الصدفة العشوائية. ولهذا السبب، فإن معامل التحديد المعدل يكون دائماً أقل قيمة من معامل التحديد العادي، ويمكن في حالات نادرة جداً ذات عينات صغيرة ومتغيرات غير ذات صلة أن يصبح سالباً، مما يجعله المؤشر الأصدق والأكثر موثوقية في المقارنة بين النماذج المتنافسة في علم النفس التجريبي.

التطبيقات السيكومترية والنفسية لمعامل التحديد المتعدد

تتعدد التطبيقات السيكومترية لمعامل التحديد المتعدد، حيث يشكل ركيزة منهجية في التحقق من الصدق المرتبط بمحك (Criterion-related Validity) للمقاييس والاختبارات النفسية. عند بناء مقياس جديد للأداء الأكاديمي أو التوافق المهني، يحتاج مطورو المقياس إلى اختبار مدى قدرة بطارية من الاختبارات الفرعية (كالمصفوفات المعرفية، واختبارات الذاكرة، وسمات الشخصية) على التنبؤ بالأداء الفعلي، ويقدم معامل التحديد المتعدد هنا دليلاً كمياً قاطعاً على الصدق التنبؤي المشترك لتلك البطارية.

في ميدان دراسات الشخصية وعلم النفس الإكلينيكي، يُستخدم المعامل على نطاق واسع لفحص إسهام سمات نموذج العوامل الخمسة الكبرى للشخصية (العصابية، الانبساط، الانفتاح، المقبولية، يقظة الضمير) في تفسير المظاهر السلوكية المختلفة مثل المرونة النفسية، أو تعاطي المواد المخدرة، أو الرضا عن الحياة. ومن خلال الانحدار المتعدد، يحدد الباحث بدقة النسبة التراكمية للتباين التي تحسمها هذه السمات مجتمعة، مما يبرز الدور التكاملي للبنية النفسية المتعددة الأبعاد.

يمتد التطبيق أيضاً إلى نماذج الانحدار الهرمي المتعدد (Hierarchical Multiple Regression)، وهو تكنيك شائع للغاية في الأدبيات النفسية لاختبار الإسهام الإضافي أو المتزايد (Incremental Validity) لمتغير معين. في هذا الإجراء، يقوم الباحث بإدخال المتغيرات الديموغرافية (كالعمر والجنس) في الخطوة الأولى، مسجلاً قيمة R² الابتدائية، ثم يضيف في الخطوة الثانية متغيراً نفسياً جديداً (كالكفاءة الذاتية). إن التغير في معامل التحديد (ΔR²) واختبار دلالته الإحصائية عبر اختبار فاء (F-test) هو المحك الأساسي لإثبات أن المفهوم النفسي الجديد يقدم قيمة معرفية إضافية تتجاوز العوامل الأساسية المضبوطة.

علاوة على ذلك، يشكل معامل التحديد المتعدد عنصراً لا غنى عنه في تحليل المسار (Path Analysis) ونمذجة المعادلات البنائية (SEM)، حيث يُحسب لكل متغير كامن أو مشاهد داخلي (Endogenous Variable) معامل تحديد خاص به يوضح نسبة التباين التي تشرحها المسارات السببية الموجهة نحوه من المتغيرات التفسيرية السابقة، مما يوفر تقييماً هيكلياً شاملاً لصلاحية النموذج النظري ككل.

الافتراضات الإحصائية والشروط المنهجية اللازمة لدقة المعامل

لكي يعكس معامل التحديد المتعدد حقيقة العلاقات السيكومترية بصدق، يجب أن تستوفي مصفوفة البيانات مجموعة من الافتراضات الإحصائية الصارمة التي تتطلبها النماذج الخطية الكلاسيكية. في حال انتهاك هذه الافتراضات، تصبح قيمة R² مضللة، وقد يبالغ النموذج في تقدير الكفاءة التفسيرية أو يقلل منها بشكل حاد، مما يقود الباحث إلى استنتاجات خاطئة.

• الخطية (Linearity): يفترض النموذج أن العلاقة بين كل متغير مستقل والمتغير التابع هي علاقة خطية بالأساس. إذا كانت العلاقة غير خطية (كمنحنيات القلق والأداء وفق قانون يركيز-دوتسون)، فإن معامل التحديد الخطي سيعجز عن التقاط النمط الحقيقي للبيانات، مما ينتج عنه قيمة منخفضة اصطناعياً لا تعبر عن القوة الفعلية للارتباط.
• اعتدالية توزيع البواقي (Normality of Residuals): تتطلب الدقة الاستدلالية لاختبار دلالة R² أن تتبع الأخطاء العشوائية أو البواقي التوزيع الطبيعي المعياري حول خط الانحدار، وهو أمر حيوي في العينات المتوسطة والصغيرة لضمان سلامة اختبارات فاء وتي المرتبطة بالنموذج.
• تجانس تباين البواقي (Homoscedasticity): يفترض هذا المبدأ أن تباين الأخطاء يظل ثابتاً عبر جميع مستويات المتغيرات التنبؤية. إذا حدث تباين في تشتت الأخطاء (Heteroscedasticity)—كما يحدث أحياناً عند تباين دقة الإجابات بين فئات عمرية مختلفة في المقاييس النفسية—فإن تقديرات الأخطاء المعيارية تختل، مما يضعف الثقة في استدلالات معامل التحديد.
• استقلالية الملاحظات (Independence of Observations): يجب ألا تكون هناك ارتباطات ذاتية بين بواقي المشاهدات، وهو افتراض ينتهك كثيراً في الدراسات النفسية الطولية (Longitudinal Studies) أو عند جمع البيانات من بيئات متداخلة كالمدارس والمستشفيات، حيث يتطلب الأمر استخدام نماذج خطية هرمية (HLM) لتصحيح التداخل.

التحديات المنهجية: التعددية الخطية وحجم العينة والتطابق المفرط

تواجه الباحثين النفسيين عقبة منهجية كبرى عند التعامل مع معامل التحديد المتعدد تتمثل في ظاهرة التعددية الخطية التداخلية (Multicollinearity). تحدث هذه الظاهرة عندما تكون المتغيرات المستقلة ذات ارتباطات بينية مرتفعة جداً فيما بينها، كأن يتم إدخال مقياسين يقيسان وجهين متطابقين تقريباً من القلق العام في نفس معادلة الانحدار. في هذه الحالة، قد تظل قيمة R² الإجمالية مرتفعة جداً وموحية بالقوة، إلا أن الأوزان الانحدارية الفردية للمتغيرات تفقد دلالتها الإحصائية، ويصبح من المستحيل عملياً عزل التأثير المستقل والفريد لكل متغير على حدة.

ترتبط هذه المعضلة بمفهوم تجزئة التباين، حيث يتشارك متغيران مستقلان في تفسير نفس المساحة من تباين المتغير التابع (Shared Variance)، مما يجعل معامل التحديد المتعدد يعكس التراكم الإجمالي دون توضيح الأهمية النسبية الحقيقية لكل مكون. وللتغلب على هذا التحدي، يلجأ علماء القياس المتقدم إلى أساليب مثل تحليل الانحدار التدريجي المتحفظ، أو استخدام مؤشر عامل تضخم التباين (VIF)، أو التحول إلى تحليلات الأهمية النسبية (Dominance Analysis) لتفكيك مكونات R² وتوزيعها بعدالة على المتغيرات المتنافسة.

يمثل حجم العينة (Sample Size) عاملاً حاسماً آخر في موثوقية معامل التحديد؛ ففي العينات الصغيرة مع وجود عدد كبير من المتغيرات التنبؤية، يتضخم R² بفعل الصدفة وأخطاء المعاينة، ملتقطاً الضوضاء العشوائية في البيانات بدلاً من البنية الحقيقية للمجتمع. وقد أوصت الأدبيات السيكومترية بقواعد إرشادية صارمة، مثل ألا تقل النسبة عن 15 إلى 20 مشاركاً لكل متغير مستقل، أو الاعتماد على حسابات القوة الإحصائية المسبقة (Statistical Power Analysis) لتحديد الحجم الأدنى للعينة الكفيل بتقديم تقدير موثوق لمعامل التحديد دون الوقوع في شباك التطابق المفرط.

معايير التفسير وحجم التأثير في البحوث السلوكية

يثير تفسير القيمة العددية لمعامل التحديد المتعدد نقاشات مستفيضة بين علماء المنهجية في علم النفس. على الصعيد الإحصائي البحت، يعتبر R² مقياساً مباشراً لـ حجم التأثير (Effect Size). وفي هذا الإطار، وضع عالم الإحصاء النفسي الشهير جيكوب كوهين (Jacob Cohen) معايير استرشادية واسعة الانتشار لتقييم حجم التأثير المستند إلى التباين المفسر في العلوم السلوكية:

• حجم تأثير صغير (Small Effect): يقابل قيمة R² تساوي تقريباً 0.01 (أي تفسير 1% فقط من التباين).
• حجم تأثير متوسط (Medium Effect): يقابل قيمة R² تساوي تقريباً 0.09 (أي تفسير نحو 9% من التباين).
• حجم تأثير كبير (Large Effect): يقابل قيمة R² تساوي 0.25 فما فوق (أي تفسير 25% أو أكثر من التباين الإجمالي).

مع ذلك، يشدد المنهجيون المعاصرون على ضرورة توخي الحذر الشديد وعدم التعامل مع هذه المحكات كقواعد دوغمائية جامدة ومطلقة. إن السياق النظري والتطبيقي للبحث هو الذي يحدد القيمة العملية لمعامل التحديد؛ ففي الدراسات الطبية-النفسية أو برامج التدخل الوقائي للحد من السلوك الانتحاري، قد تكون قيمة R² البالغة 0.04 (4% فقط من التباين) ذات أهمية حيوية وإنقاذية هائلة تسوغ اعتماد النموذج، بينما قد تكون نفس النسبة غير مرضية في تجارب القياس المعرفي المعملية المضبوطة بدقة.

يرتبط بمفهوم R² أيضاً مؤشر كوهين المشتق والمعروف بـ (f²)، والذي يُحسب وفق المعادلة: f² = R² / (1 – R²). يستخدم هذا المؤشر كمدخل أساسي في حسابات القوة الإحصائية وتحديد أحجام العينات في برمجيات مثل G*Power، حيث يتيح للباحثين تصميم دراسات تتمتع بحساسية منهجية كافية لاكتشاف نسب التباين المتوقعة بدقة وثقة إحصائية ملائمة.

الانتقادات والمحددات المنهجية لمعامل التحديد المتعدد

على الرغم من المكانة الرفيعة التي يحظى بها معامل التحديد المتعدد، فإنه يواجه انتقادات منهجية وتحذيرات جوهرية في الأدبيات الإحصائية الحديثة. أول هذه الانتقادات هو الخلط الشائع والمزمن بين القيمة التفسيرية الرياضية والسببية (Causality)؛ إذ إن تحقيق قيمة R² مرتفعة للغاية (تصل إلى 0.70 مثلاً) لا يعني بأي حال من الأحوال أن المتغيرات المستقلة تسبب المتغير التابع بالمعنى الفلسفي أو التجريبي الصارم للسببية، بل يشير فقط إلى ترافق خطي إحصائي قد يكون مدفوعاً بمتغيرات خارجية غائبة تماماً عن التحليل.

الانتقاد الثاني يتعلق بحساسية المعامل الشديدة تجاه القيم الشاذة والمتطرفة (Outliers) وتأثير تضيق المدى (Restriction of Range). إن وجود نقاط بيانات شاذة ذات رافعة إحصائية عالية (High Leverage) يمكن أن يرفع قيمة R² بشكل مصطنع ويوهم بوجود نموذج قوي، أو على العكس يطمس علاقة حقيقية ويهبط بالقيمة نحو الصفر. كما أن جمع البيانات من عينات متجانسة جداً (كطلاب الجامعات فقط في اختبارات الذكاء) يقلل تباين المتغيرات، مما يؤدي تلقائياً إلى انخفاض قيمة معامل التحديد مقارنة بما قد يسجله النموذج في المجتمع العام المفتوح.

أخيراً، يؤكد علماء القياس أن التركيز الحصري على تعظيم قيمة R² قد يقود الباحثين إلى الوقوع فيما يسمى بمصيدة التجريف الإحصائي للبيانات (Data Dredging أو P-hacking)، حيث يُقحم الباحث عدداً هائلاً من المتغيرات دون مسوغ نظري متين بهدف رفع نسبة التباين المفسر فحسب. ويُعد هذا المسلك انتهاكاً لمبدأ الاقتصاد العلمي (Parsimony أو نصل أوكام)، الذي يفضل النماذج النفسية البسيطة والعميقة التي تفسر قدراً معقولاً من التباين بأقل عدد ممكن من المتغيرات الافتراضية، بدلاً من النماذج المعقدة المتخمة التي تعاني من الهشاشة المنهجية وصعوبة التكرار في بيئات جديدة.

خاتمة

يظل معامل التحديد المتعدد (R²) ونسخته المصححة (Adjusted R²) أحد أعظم الأدوات التحليلية التي أسهمت في ترقية القياس النفسي من الوصف الانطباعي إلى النمذجة الرياضية الرصينة. إنه الميزان الإحصائي الذي يقيس بدقة مدى نجاح صياغاتنا المفاهيمية في فك شفرات التباين الإنساني والسلوكي المعقد. غير أن القيمة الحقيقية لهذا المؤشر لا تكمن في قيمته الرقمية المجردة التي تفرزها الحواسيب، بل في الوعي المنهجي النقدي للباحث النفسي الذي يدرك افتراضاته وحدوده، ويوظفه بحذر في سياق نظري متين يربط بين الأرقام وديناميات النفس البشرية في شتى تجلياتها.

المراجع

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• 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.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.