استغلال الصدفة الإحصائي في القياس النفسي والبحث السلوكي

يمثل مفهوم استغلال الصدفة الإحصائي (Capitalization on Chance) إحدى المعضلات المنهجية والرياضية البالغة الأهمية في مجال القياس النفسي والبحث التجريبي، حيث يشير إلى الميل الحتمي للنماذج الإحصائية نحو تضخيم الدلالة، وتقدير العلاقات الارتباطية بين المتغيرات بصورة تفوق حجمها الفعلي في المجتمع الأصلي نتيجة استجابة التحليل للفروق العشوائية والضجيج الإحصائي الخاص بالعينة المدروسة. وتكمن خطورة هذه الظاهرة في تقديمها لنتائج تبدو للوهلة الأولى رصينة ومطابقة للفروض النظرية، بينما هي في حقيقتها مجرد نتاج تباينات غير جوهرية لن تتكرر في حال إعادة تطبيق المقياس أو إعادة إجراء التجربة على عينات مستقلة. يهدف هذا المدخل الموسوعي إلى سبر أغوار هذا المفهوم، وتفكيك أبعاده الرياضية والمنهجية، ورصد انعكاساته العميقة على موثوقية البحوث النفسية والتشخيص الإكلينيكي المعاصر.

الجذور النظرية والرياضية لظاهرة استغلال الصدفة

تستند النمذجة الإحصائية الكلاسيكية على افتراض أن البيانات المرصودة تتكون من جزأين رئيسيين: التباين الحقيقي الذي يعكس الخصائص الثابتة للمجتمع الأصلي، وتباين الخطأ العشوائي الناجم عن حدود المعاينة، وظروف التطبيق، وأدوات القياس ذاتها. عند استخدام خوارزميات التقدير الرياضي، كطريقة المربعات الصغرى أو التقدير الاحتمالي الأعظمي، فإن هذه الخوارزميات تسعى بطبيعتها الحسابية الصرفة إلى تعظيم المؤشرات الإحصائية كمعامل التحديد ($R^2$) أو معاملات الارتباط، دون أن تمتلك القدرة الذاتية على التمييز الواعي بين الإشارات الحقيقية والضجيج الإحصائي الشائب. وبالتالي، تلتقط النماذج الرياضية الصدف المحضة المميزة للعينة الفريدة، وتتعامل معها وكأنها قوانين سلوكية عامة تنطبق على عموم الأفراد.

ويرتبط هذا المأزق بمفهوم خطأ المعاينة، حيث تبتعد كل عينة مسحوبة بطرق عشوائية عن المعالم الحقيقية للمجتمع الأصلي بدرجات متفاوتة تتحدد بحجم العينة وطبيعة التوزيع الاحتمالي. في العينات الصغيرة أو المتوسطة، تتسع مساحة التذبذبات الصدفية، مما يهيئ بيئة خصبة تتيح للمحلل الإحصائي استخلاص علاقات ارتباطية زائفة تتلاشى سريعاً عند إعادة الاختبار. إن الاعتماد الأعمى على الحلول الرياضية الاستمثالية دون فحص نقدي لطبيعة العينة يقود حتماً إلى تزييف التقديرات النظرية، مما يورث الأدبيات النفسية مفاهيم متضخمة حول قوة العلاقات وتأثير التدخلات النفسية المختلفة.

يتجلى المفهوم كذلك عبر ظاهرة التراجع نحو المتوسط (Regression to the Mean)؛ فالقيم المتطرفة، سواء كانت موجبة أو سالبة في مصفوفات الارتباط، ترجع في الغالب إلى اجتماع تباين حقيقي مع حظ عشوائي مؤاتٍ في تلك اللحظة التقديرية المحددة. وعندما يعتمد الباحث على انتقاء أعلى المتغيرات ارتباطاً لإدراجها في نموذجه التفسيري، فإنه يقوم عملياً بالانحياز لتلك المتغيرات التي حظيت بأكبر قدر من الدعم الصدفي في العينة المتاحة. يؤدي ذلك بالضرورة إلى انكماش ملحوظ (Shrinkage) في قوة النموذج وتدني قدرته التنبؤية عند اختباره على مجتمع جديد لم تشهد بياناته نفس التوافقات العشوائية التي شهدتها بيانات العينة الاستكشافية الأولى.

من الناحية المعرفية، يرتبط استغلال الصدفة بالإفراط في الثقة الإحصائية الناتجة عن الخلط بين الصدق الداخلي للنموذج المحسوب وقدرته على التعميم الخارجي. إن تطابق النموذج الحسابي التام مع البيانات لا يعني بالضرورة صحته النظرية، بل قد يعكس على النقيض من ذلك ظاهرة فرط التوفيق الإحصائي (Overfitting)، حيث يصبح النموذج عبداً للخصائص الصدفية للعينة الأصلية، ويفقد بالتبعية أي مرونة تنبؤية للتعامل مع حالات سريرية أو تجريبية مغايرة، مما ينسف أسس المنهج العلمي القائم على قابلية التكرار والاستقرار عبر السياقات المتعددة.

مظاهر استغلال الصدفة في بناء المقاييس والاختبارات النفسية

يشهد ميدان بناء وتطوير الأدوات السيكومترية أوسع تجليات استغلال الصدفة، وتحديداً في مرحلة اختيار البنود وتحليلها (Item Selection and Analysis). يلجأ مطورو المقاييس غالباً إلى كتابة بنك ضخم من البنود التجريبية ثم تطبيقها على عينة تجريبية واستبعاد العبارات التي لا تظهر معاملات تمييز مرتفعة أو ارتباطات كافية بالدرجة الكلية للمقياس. هذا الإجراء، رغم كلاسيكيته المنهجية، ينطوي على فخ استغلال الصدفة، إذ إن البنود التي تم الإبقاء عليها قد اكتسبت تفوقها السيكومتري نتيجة أخطاء قياس إيجابية خاصة بأفراد تلك العينة، مما يجعل المقياس يبدو ممتاز الاتساق الداخلي عند تقنينه، لكنه يعاني من تدهور بنيوي واضح عند توظيفه الميداني الفعلي لاحقاً.

كما تمتد الظاهرة لتطال حساب معاملات الاتساق الداخلي مثل معامل ألفا كرونباخ (Cronbach’s Alpha) أو ماككدونالد أوميغا، حيث يقوم بعض الباحثين بحذف البنود بصورة لاحقة بناءً على مخرجات التحليل الإحصائي الآلي (Alpha if item deleted). يؤدي هذا التعديل البعدي الموجه بالبيانات إلى تعظيم مصطنع للثبات الظاهري للمقياس عبر انتقاء التوليفات التي تتلاقى عشوائياً في بيانات العينة الراهنة. ويترتب على ذلك إنتاج مقاييس تبدو ظاهرياً ذات موثوقية عالية، في حين أنها تعاني من ضيق شديد في مجال التمثيل البنائي السلوكي وتفتقر إلى الثبات الحقيقي عند انتقالها إلى فئات إكلينيكية جديدة.

وفي مجال التحليل العاملي الاستكشافي (EFA)، يتضخم استغلال الصدفة بصورة مقلقة للغاية عندما يُترك للبرنامج الإحصائي حرية استخلاص العوامل وتدويرها بناءً على معايير رياضية بحتة مثل جذر كايزر (Eigenvalues greater than 1) دون استناد إلى نظرية نفسية واضحة. تؤدي التقلبات العشوائية في التباين المشترك بين البنود إلى ظهور تشبعات عاملية زائفة وتفريعات للأبعاد لا أصل لها في البنية النفسية للظاهرة المدروسة، مما يربك التحقق من صدق البناء، ويجعل الانتقال اللاحق إلى نماذج التحليل العاملي التوكيدي (CFA) محفوفاً بالفشل لعدم صمود تلك الهياكل العشوائية أمام اختبارات التطابق الصارمة.

أما في سياق تقنين المحكات والمعايير المعيارية (Norming Procedures)، فإن استغلال الصدفة يقود إلى تحديد نقاط قطع تشخيصية (Cutoff Scores) غير دقيقة للأمراض النفسية والاضطرابات العقلية. فإذا تم تحديد درجة القطع بهدف تحقيق أفضل توازن بين الحساسية والنوعية اعتماداً حصرياً على عينة إكلينيكية محدودة، فإن المنحنيات التمايزية ستتأثر بالحالات الشاذة أو الفروق العارضة في تلك العينة، مما يفضي إلى تزايد معدلات التشخيص الإيجابي الكاذب (False Positives) أو السلبي الكاذب (False Negatives) عند استخدام هذه الأدوات في المستشفيات والعيادات اليومية.

الانحدار المتعدد ومأزق الانحدار التدريجي

يعد نموذج الانحدار المتعدد (Multiple Regression) بيئة كلاسيكية تتجلى فيها عواقب استغلال الصدفة بأوضح صورها، لاسيما عند تطبيق أساليب الانحدار التدريجي (Stepwise Regression) بكافة تنويعاتها (الأمامي، الخلفي، والمتدرج). تعتمد هذه الأساليب المؤتمتة على فحص مئات التباديل والارتباطات بين المتغيرات المستقلة المحتملة والمتغير التابع، ثم اختيار المتغيرات ذات الإسهام الإحصائي الأعلى خطوة بخطوة. ورغم الجاذبية العملية لهذه الطريقة وسهولتها الإجرائية، إلا أنها تمثل تجسيداً فادحاً للتنقيب العشوائي، حيث تعامل البرمجيات كل ارتباط طفيف ناتج عن خطأ المعاينة كدليل قاطع على قوة التأثير السببي للمتغير.

يترتب على استغلال الصدفة في نماذج الانحدار التدريجي تضخيم كبير في قيمة معامل التحديد ($R^2$)؛ فالنموذج يسجل قدراً من التباين المفسر يفوق بكثير ما يمكن للظاهرة أن تظهره في الواقع. كما أن قيم الدلالة الإحصائية ($p$-values) المرافقة لمعاملات الانحدار تصبح مشوهة بصورة جذرية وفاقدة للمعنى؛ لأن توزيعات الاختبارات الإحصائية (مثل اختبار $F$ واختبار $t$) تفترض مسبقاً أن النماذج تم تحديدها نظرياً قبل فحص البيانات، وليس بعد مئات الاختبارات البعدية غير المعلنة التي قام بها الحاسوب خلف الكواليس لاختيار أفضل النماذج تطابقاً مع التباين العشوائي.

علاوة على ذلك، تؤدي هذه الخوارزميات إلى ارتكاب خطأ استبعاد المتغيرات الجوهرية (Type II Error) وتضمين المتغيرات التافهة زائفاً (Type I Error). ففي حال وجود متغيرين مستقلين مترابطين بشدة، قد يختار الحاسوب أحدهما بمجرد تفوقه الهامشي في العينة الراهنة بفارق طفيف جداً يعود للصدفة الصرفة، مستبعداً المتغير الآخر تماماً ومجرداً إياه من أهميته النظرية. هذا السلوك الإحصائي يقود الباحثين إلى صياغة تفسيرات نفسية معقدة ومصطنعة لتبرير ظهور متغير ما واختفاء آخر، بينما الحقيقة العلمية تشير إلى أن الفارق بينهما لم يكن سوى ومضة عشوائية في بيانات العينة لا غير.

الأثر على أزمة التكرارية والتحيزات المنهجية في علم النفس

ترتبط أزمة التكرارية (Replication Crisis) التي عصفت بالعلوم السلوكية والنفسية خلال العقدين الأخيرين ارتباطاً وثيقاً بظاهرة استغلال الصدفة، حيث أظهرت مشاريع إعادة الإنتاج واسعة النطاق عجز نسبة صادمة من الدراسات النفسية الرائدة عن إثبات نتائجها عند إعادة تطبيقها على عينات جديدة. يرجع هذا الإخفاق المنهجي بصورة مباشرة إلى اعتماد النتائج الأصلية على تباينات صدفية تم تضخيمها وتأطيرها قسرياً داخل قوالب دالة إحصائياً، مما أسفر عن أدبيات بحثية حافلة بتأثيرات وهمية يصعب تكرارها بمجرد زوال التوزيع العشوائي الخاص بتلك العينات الاستكشافية الأولى.

يتشابك استغلال الصدفة مع ممارسات البحث المشكوك فيها (Questionable Research Practices)، وفي مقدمتها الصيد الإحصائي أو ما يعرف بالتنقيب عن الدلالة (p-hacking). في هذا السياق، يقوم الباحث باستكشاف أنماط متعددة لتحليل البيانات، كإضافة متغيرات وسيطة، أو إسقاط بعض الملاحظات المتطرفة، أو إعادة تصنيف المتغيرات الاسمية، والاستمرار في هذه التعديلات التكرارية حتى يظهر التحليل قيمة $p$ تقل عن 0.05. إن هذا الإجراء المنهجي المنحرف يمثل استثماراً واعياً للصدفة، حيث يتم تعريض البيانات لاختبارات متكررة حتى تنتج في النهاية ارتباطاً صدفياً بحتاً يُحتفى به ككشف علمي مبهر.

كما يعزز نهج صياغة الفروض بعد معرفة النتائج، المعروف اختصاراً بـ (HARKing: Hypothesizing After the Results are Known)، هذه الإشكالية عبر إلباس النتائج الصدفية رداءً نظرياً خادعاً. فبدلاً من الاعتراف بأن النتيجة ظهرت كعلاقة غير متوقعة ناجمة عن التباين العشوائي للبيانات، يقوم الباحث بالبحث في التراث السيكولوجي عن أي نظرية تدعم هذه العلاقة العارضة وصياغتها كفرضية مسبقة، مما يحول الصدفة الإحصائية إلى وهم نظري يضلل الباحثين اللاحقين ويدفعهم لإهدار الموارد البحثية في تتبع فرضيات عقيمة لا أساس واقعي لها.

يضاف إلى ذلك تحيز النشر (Publication Bias) أو ما يعرف بظاهرة الأدراج المغلقة (The File-Drawer Effect)، حيث تميل الدوريات العلمية المرموقة إلى نشر الدراسات التي تسفر عن نتائج ذات دلالة إحصائية ورفض البحوث التي تصل إلى نتائج صفرية. هذا الانتقاء المنهجي المتحيز للمخرجات يخلق تأثيراً تراكمياً ضاراً؛ إذ إن الدراسات التي حققت الدلالة غالباً ما تكون هي تلك التي حالفها الحظ الصدفي في العينة، بينما الدراسات التي عكست المعلمة الحقيقية الصفرية للمجتمع تظل حبيسة الأدراج، مما يؤدي إلى تشويه المعرفة السيكولوجية التراكمية وتقديم تصور مفرط في التفاؤل حول حقيقة الظواهر الإنسانية.

المعادلات الإحصائية وتصحيحات الانكماش

سعياً لمواجهة هذا التضخم الصدفي، طور علماء القياس النفسي والإحصاء المتقدم طائفة من المعادلات الرياضية الهادفة إلى تعديل المؤشرات السطحية وضبطها، ولعل أبرزها معادلات انكماش معامل التحديد (Adjusted $R^2$). بينما يعتمد معامل التحديد البسيط على النسبة المباشرة لمربعات الانحرافات في العينة، فإن معامل التحديد المعدل، كنتاج لتطوير إزيكييل (Ezekiel)، يأخذ في الحسبان عدد المتغيرات التنبؤية المضافة بالنسبة لحجم العينة الكلي، كما تبرزه الصيغة الرياضية الآتية:

$$R_{adj}^2 = 1 – \left[ (1 – R^2) \frac{N – 1}{N – k – 1} \right]$$

حيث تمثل $N$ حجم العينة الإجمالي، بينما تمثل $k$ عدد المتغيرات المستقلة المضمنة في النموذج. تفرض هذه المعادلة غرامة حسابية (Penalty) على كل متغير جديد يتم إدراجه، مما يحد من الارتفاع الصوري لقيمة $R^2$؛ فإذا لم يقدم المتغير الإضافي تباعداً تفسيرياً يفوق ما يمكن أن تضيفه الصدفة، فإن قيمة $R_{adj}^2$ ستنخفض فوراً، مما يعطي تقديراً أكثر تحفظاً ومطابقة لواقع التنبؤ في المجتمع الأصلي.

وعلى صعيد أكثر تقدماً، صاغ علماء مثل ويري (Wherry)، وستين (Stein)، وبراون (Browne) معادلات أعمق لحساب ما يسمى بمعامل التحديد لانكماش المجتمع المتوقع (Cross-Validity Shrinkage Formula). تحاول معادلة براون تحديد مقدار الفقدان المتوقع في القدرة التفسيرية للنموذج عند تطبيقه حرفياً على عينة جديدة بالكامل دون تعديل الأوزان التنبؤية، مما يمنح الباحثين فكرة دقيقة عن مقدار الهشاشة المنهجية التي تعتري نموذجهم نتيجة استغلال الصدفة في العينة الاستكشافية المتاحة، ويحثهم على التواضع المعرفي عند تقديم استنتاجاتهم.

استراتيجيات التحقق المتقاطع والتصميم البحثي الرصين

لمواجهة التحديات العميقة التي يفرضها استغلال الصدفة الإحصائي، يبرز التحقق المتقاطع (Cross-Validation) كأقوى الدرع المنهجية المتاحة لدى الباحث النفسي الرصين. تقوم الفكرة الجوهرية لهذه التقنية على تقسيم البيانات إلى مجموعتين مستقلتين وظيفياً: مجموعة التدريب أو الاستكشاف (Training Set) التي يُبنى عليها النموذج وتُقدَّر فيها المعلمات، ومجموعة التحقق أو الاختبار (Testing Set) التي يُختبر عليها النموذج المجرد دون السماح له بتعديل أوزانه بناءً على خصائصها. إذا حافظ النموذج على قدرته التفسيرية في المجموعة الثانية، فإن ذلك يعد برهاناً ساطعاً على أن العلاقات المرصودة حقيقية ولا ترجع لمصادفات العينة الأولى.

تتعدد أساليب التحقق المتقاطع لتلائم مختلف البيئات السيكومترية وأحجام العينات، ومن أبرز هذه الاستراتيجيات:

• تقسيم العينة إلى نصفين (Split-Half Validation): ويصلح هذا الأسلوب للعينات الكبيرة، حيث تقسم البيانات عشوائياً إلى نصفين متكافئين؛ يُستخدم النصف الأول لاستكشاف النموذج العاملي أو معادلة الانحدار، بينما يُستخدم النصف الثاني لتقييم مدى تطابق البنية المفترضة عبر التحليل العاملي التوكيدي.
• التحقق المتقاطع كافي الطيات (k-Fold Cross-Validation): يُقسَّم مجمل البيانات إلى عدد محدد ($k$) من الأجزاء المتساوية؛ ويتم تدريب النموذج على ($k-1$) من الأجزاء واختباره على الجزء المتبقي، وتتكرر العملية $k$ من المرات بالتبادل، مما يتيح حساب متوسط استقرار المعاملات عبر كافة التقسيمات المحتملة وتقليل التحيز الناتج عن اختيار عينة انقسام مفردة.
• طريقة إعادة أخذ العينات بالبوتستراب (Bootstrapping): وهي تقنية حاسوبية فائقة الأهمية في علم النفس التجريبي والقياس المتقدم، حيث يتم سحب آلاف العينات العشوائية مع الإحلال (With Replacement) من مصفوفة البيانات الأصلية، لإنشاء توزيع تجريبي دقيق للبارامترات يتيح تقدير فترات الثقة الحقيقية دون الاعتماد الحصري على افتراضات التوزيع الاعتدالي الصارمة.

إلى جانب هذه الحلول الحسابية، تفرض النزاهة العلمية اللجوء إلى التسجيل المسبق للدراسات (Preregistration). يتضمن هذا الإجراء تسجيل الفرضيات البحثية، وخطط تحليل البيانات، والمتغيرات المحددة سلفاً في منصات علمية مفتوحة ومؤرخة قبل البدء في جمع البيانات. يقطع التسجيل المسبق الطريق تماماً على استغلال الصدفة؛ نظراً لأنه يحرم الباحث من إمكانية تغيير النماذج أو الانتقاء البعدي للمتغيرات بناءً على ما تكشفه البيانات من تباينات عشوائية، مما يميز بوضوح بين البحوث التأكيدية الصارمة والبحوث الاستكشافية التوليدية.

الانعكاسات الأخلاقية والتطبيقية في التشخيص السريري واتخاذ القرارات

لا تتوقف أضرار استغلال الصدفة عند الحدود الأكاديمية والجدل المنهجي النظري، بل تمتد لتخلف عواقب إكلينيكية وأخلاقية خطيرة تمس حياة الأفراد ومصائرهم. فعندما يعتمد التشخيص النفسي على اختبارات ومقاييس شيدت بناءً على علاقات صدفية متضخمة، فإن القرارات الناتجة عن هذه الأدوات تفتقر إلى الثبات والموثوقية، مما يقود إلى وصف بروتوكولات علاجية دوائية أو نفسية لأفراد تم تصنيفهم خطأً كمرضى، أو العكس بحرمان أفراد في حاجة ماسة للتدخل السريري بسبب فشل الاختبار في التقاط معاناتهم خارج العينة التي قُنن عليها أصلاً.

وفي قطاع القياس المهني واختيار الموظفين للمؤسسات الحساسة (Personnel Selection)، تستخدم العديد من الجهات اختبارات القدرات العقلية وسمات الشخصية لتحديد الجدارة الوظيفية. إن الاعتماد على بطاريات مقاييس استغلت الصدفة يؤدي إلى إقصاء كفاءات مهنية مؤهلة بناءً على أوزان تنبؤية زائفة ثبت عدم فاعليتها على أرض الواقع، مما يلحق أضراراً اقتصادية واجتماعية جسيمة بالمرشحين ويزيد من احتمالية الطعون القانونية في سلامة إجراءات الاختيار وعدالتها.

وعلى المنوال ذاته، يشهد مجال التقويم التربوي ونفسية التعليم تحديات بالغة الخطورة عند بناء اختبارات الذكاء والمقاييس التحصيلية الوطنية. فاستغلال الصدفة في استبقاء البنود الامتحانية قد يضفي تحيزاً ثقافياً أو جندرياً خفياً يبدو ظاهرياً كقدرة تمييزية للمقياس، بينما هو في حقيقته استجابة عشوائية لخصائص العينة الاستطلاعية المحدودة. هذا الخلل ينتج عنه تصنيف ظالم للطلاب، وتوزيع غير عادل للمنح والموارد التعليمية، مما يقوض من مصداقية المنظومة التعليمية ككل ويعيد إنتاج الفروق الطبقية والاجتماعية تحت مظلة زائفة من العلمية السيكومترية.

الخاتمة

يمثل استغلال الصدفة الإحصائي تذكيراً دائماً بالحدود الكامنة في أدوات القياس والاستدلال الكمي، ويؤكد أن الأرقام والدلالات الإحصائية البراقة ليست بديلاً كافياً عن الرصانة المنهجية والتأصيل النظري الصارم. إن حماية البحث النفسي والسلوكي من الانزلاق في مستنقع التأثيرات الوهمية تتطلب تظافر الجهود الأكاديمية، بدءاً من تعميق الوعي بالآليات الرياضية للانكماش والتكرارية، وتوظيف أساليب التحقق المتقاطع والبوتستراب كإجراءات أساسية لا غنى عنها، وانتهاءً بتبني مبادئ العلم المفتوح والتسجيل المسبق للمخططات البحثية. فقط عبر هذا الانضباط المعرفي متعدد المستويات يمكن لعلم النفس أن يرتقي ببياناته إلى مصاف القوانين السلوكية الراسخة القابلة للتعميم، متجاوزاً أوهام الصدفة العابرة نحو المعرفة العلمية الموثوقة التي تخدم الإنسانية بصورة حقيقية ومستدامة.

المراجع

• Browne, M. W. (2000). Cross-validation methods. Journal of Mathematical Psychology, 44(1), 108–132. https://doi.org/10.1006/jmps.1999.1279
• Cattell, R. B. (1978). The scientific use of factor analysis in behavioral and life sciences. Plenum Press.
• 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.
• Ioannidis, J. P. A. (2005). Why most published research findings are false. PLoS Medicine, 2(8), Article e124. https://doi.org/10.1371/journal.pmed.0020124
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
• Maxwell, S. E., & Delaney, H. D. (2004). Designing experiments and analyzing data: A model comparison perspective (2nd ed.). Lawrence Erlbaum Associates.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), Article aac4716. https://doi.org/10.1126/science.aac4716
• Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366. https://doi.org/10.1177/0956797611417632
• Wherry, R. J. (1931). A new formula for predicting the shrinkage of the coefficient of multiple correlation. The Annals of Mathematical Statistics, 2(4), 440–457. https://doi.org/10.1214/aoms/1177732951