يشكل انحدار المربعات الصغرى الجزئية ثورة إحصائية ومنهجية رائدة في دراسة الظواهر الإنسانية والنفسية المعقدة، حيث يتيح للباحثين تفكيك البنى الكامنة وفحص الشبكات الترابطية المتشابكة بين أعداد ضخمة من المتغيرات في ظل التعدد الخطي العالي وصغر حجم العينات. وتتجلى أهمية هذه الأداة في قدرتها الفريدة على التجسير بين النمذجة التفسيرية والنوايا التنبؤية، مما يمنح القياس النفسي والعلوم العصبية السلوكية أفقاً تحليلياً متقدماً يتجاوز المآزق الكلاسيكية للانحدار الخطي التقليدي.
انحدار المربعات الصغرى الجزئية (Partial Least Squares Regression)
1. التعريف الموجز والدلالة الاصطلاحية
انحدار المربعات الصغرى الجزئية (يرمز له اختصاراً بـ PLS-R أو PLS) هو تقنية إحصائية متقدمة تنتمي إلى عائلة النمذجة الخطية متعددة المتغيرات، تهدف إلى إيجاد علاقة خطية تنبؤية بين مصفوفتين من البيانات من خلال إسقاط المتغيرات التفسيرية والمتغيرات التابعة على فضاء كامن جديد ذي أبعاد منخفضة. يركز هذا الأسلوب على استخلاص مركبات كامنة متعامدة تعظم التغاير المشترك بين المتغيرات المستقلة والمتغيرات التابعة، مما يجعله نموذجاً تنبؤياً فائق الكفاءة عند التعامل مع بيانات عالية الأبعاد أو شديدة الارتباط البيني.
في سياق القياس النفسي والعلوم السلوكية، لا يقتصر هذا الأسلوب على مجرد التنبؤ الحسابي، بل يمتد ليكون إطاراً بنيوياً لفهم كيف تسهم المؤشرات السلوكية والفسيولوجية المتعددة في تشكيل سمات نفسية مركبة أو نواتج إكلينيكية محددة. يجمع هذا الأسلوب بين مزايا تحليل الانحدار المتعدد ومزايا تحليل المكونات الأساسية، ولكنه يختلف عنهما جوهرياً بكونه موجهاً بالهدف؛ إذ يستخلص الأبعاد الكامنة من المتنبئات ليس فقط لتفسير تباينها الداخلي، بل لتعظيم قدرتها التفسيرية للتباين الموجود في المتغيرات المحكية في آنٍ واحد.
ويعد هذا المنهج بمثابة حجر الزاوية لما يُعرف حديثاً بالنمذجة بالمعادلات البنائية المعتمدة على التباين، حيث يقدم بديلاً متيناً للنماذج المعتمدة على التغاير، خصوصاً حينما لا تستوفي البيانات الافتراضات الصارمة للتوزيع الطبيعي متعدد المتغيرات، أو عندما تسعى الدراسة إلى التركيز على دقة التنبؤ والاستكشاف النظري بدلاً من تأكيد النماذج المحددة مسبقاً بدقة مقيدة.
2. التأصيل اللغوي والاشتقاقي
يعود الأصل اللغوي للمصطلح الإنجليزي (Partial Least Squares) إلى الجذر الرياضي لمفهوم “المربعات الصغرى” (Least Squares) الذي صاغه في مطلع القرن التاسع عشر عالما الرياضيات كارل فريدريش غاوس وأدريان ماري ليجاندر كطريقة لتقليل مجموع مربعات الفروق أو الأخطاء المتبقية بين القيم الملاحظة والقيم المقدرة. أما لفظ “الجزئية” (Partial)، فيشير إلى الطبيعة التكرارية الخوارزمية للحل، حيث يتم حل المسألة الرياضية متعددة الأبعاد عبر خطوات جزئية أحادية البعد يتم فيها تقدير الأوزان والأبعاد خطوة تلو الأخرى بدلاً من حساب مصفوفة الانعكاس بالكامل دفعة واحدة.
دخل المصطلح إلى القاموس الإحصائي والقياسي بفضل جهود الاقتصادي والإحصائي السويدي هيرمان وولد خلال ستينيات وسبعينيات القرن العشرين، والذي أطلق عليه في البداية مصطلح “نمذجة المسار المعتمدة على المكونات اللينة” (Soft Modeling) لتمييزه عن “النمذجة الصلبة” (Hard Modeling) التي تتطلب افتراضات صارمة حول التوزيعات الاحتمالية للمجتمع. وقد نحت وولد هذا المصطلح ليؤكد أن الإجراء لا يحل النظام ككتلة واحدة غير قابلة للتجزئة، بل يعتمد على خوارزمية النيبلز (NIPALS) التي تكرر المربعات الصغرى على مقاطع وأجزاء مصفوفية متتالية حتى تلتقي عند الحل الأمثل.
وفي اللغة العربية، صيغ المصطلح بدقة علمية تحت مسمى “انحدار المربعات الصغرى الجزئية” أو “انحدار الأصاغر التربيعية الجزئية”؛ حيث تشير مفردة “انحدار” إلى انحدار قيمة متغير تابع على متغير مستقل أو أكثر، و”المربعات الصغرى” تصف مبدأ تصغير البواقي التربيعية، بينما تصف “الجزئية” أسلوب المعالجة المجزأ للمتغيرات الكامنة وأوزانها وفق تتابع خوارزمي دقيق.
3. النطق والبنية النحوية والمصطلحية
يُنطق المصطلح باللغة العربية الفصحى بكسر همزة “انحدار” (اِنْحِدَار) وهو مصدر قياسي من الفعل الخماسي “انحدر”، تليه عبارة الإضافة الموصوفة “المربَّعات الصُّغرى” بنصب أو جر المضاف إليه وفق موقعه الإعرابي، ثم نعت “الجزئية” بياء مشددة مع تاء التأنيث المربوطة للدلالة على الطبيعة المنهجية للتقنية. واصطلاحياً، يُعامل التركيب كوحدة إسنادية تدل على خوارزمية أو عائلة من النماذج الإحصائية القياسية في الأبحاث النفسية والتطبيقية.
من حيث البنية النحوية والمصطلحية في الدراسات النفسية العربية، يظهر المصطلح في عدة سياقات وظيفية؛ فيقال: “طريقة انحدار المربعات الصغرى الجزئية” (كنعت للطريقة الإحصائية)، أو “نمذجة المسار بالمربعات الصغرى الجزئية” عند استخدامه في إطار النمذجة البنائية للمتغيرات الكامنة (PLS-SEM)، أو اختصاراً “تحليل PLS”. ويشيع استخدام المصطلح كاسم علم منهجي يعبر عن تقنية تحويلية تعيد تشكيل الفضاء الرياضي للبيانات بهدف عزل التباين ذي الأهمية التنبؤية المشتركة بين مجموعتين من المقاييس السلوكية أو البيولوجية المترابطة.
4. الشرح المفاهيمي الموسع والحدود المنهجية
يقوم مفهوم انحدار المربعات الصغرى الجزئية على فكرة مركزية مفادها أن النظم البيولوجية والسلوكية نادراً ما تعمل من خلال متغيرات معزولة ونقية؛ فالاستجابات النفسية، مثل درجات القلق، والاكتئاب، والوظائف التنفيذية، والأنشطة الدماغية المقاسة بالتصوير بالرنين المغناطيسي الوظيفي، ترتبط فيما بينها بشبكات كثيفة من العلاقات التبادلية والتداخل الإحصائي. وفي النماذج الخطية العادية، يؤدي وجود التعدد الخطي العالي (Multicollinearity) بين المتغيرات المستقلة إلى تضخم التباين في تقديرات المعلمات، مما يجعل المعاملات غير مستقرة ويصعب تفسير مساهمة كل متغير بدقة. يعالج انحدار المربعات الصغرى الجزئية هذا التحدي عبر بناء مركبات خطية متعامدة تُعرف بـ “المتغيرات الكامنة” (Latent Variables) أو الدرجات المركبة، بحيث تستوعب هذه المركبات أكبر قدر ممكن من تباين المتنبئات، ولكن بشرط رياضي صارم وهو أن تكون هذه المركبات ذات أقصى تغاير ممكن مع المتغيرات التابعة.
يتجاوز انحدار المربعات الصغرى الجزئية القيود الكلاسيكية التي تفرضها الأساليب المجاورة له؛ فبينما يقوم تحليل المكونات الأساسية بالبحث عن أبعاد تعظم التباين داخل مصفوفة المتغيرات المستقلة وحدها دون الاكتراث بمدى ارتباط تلك الأبعاد بالمتغير التابع (وهو أسلوب غير موجه)، ويقوم الانحدار المتعدد بالتركيز التام على التنبؤ بالمتغير التابع دون اكتراث ببنية التباين المشترك بين المتنبئات ذاتها، يقف PLS كمنهج توفيقي هجين ومتفوق. إنه يسقط كلاً من مصفوفة المدخلات ومصفوفة المخرجات على فضاءات منخفضة البعد متناظرة، ثم يربط بين الفضاءين عبر نموذج داخلي يُسمى “العلاقة الداخلية” (Inner Relation)، مما ينتج تمثيلاً يوازن بين البساطة الرياضية والقوة التفسيرية.
تتحدد التخوم المنهجية لانحدار المربعات الصغرى الجزئية بكونه نموذجاً معتمداً على البيانات (Data-Driven) إلى حد كبير، يميل نحو الاستقراء والتعميم التنبؤي بدلاً من اختبار الفرضيات الصارمة المتعلقة بمطابقة النماذج النظرية المغلقة. وتبرز حدوده الواضحة عندما يكون الهدف البحثي الأساسي هو إثبات وجود بنية عاملية محددة بدقة رياضية صارمة وفق فلسفة التباين المشترك، حيث يُفضل حينها استخدام نمذجة المعادلات البنائية القائمة على التغاير (CB-SEM). ومع ذلك، تتلاشى هذه الحدود عندما يواجه الباحث مشكلات قياسية واقعية مثل أحجام العينات المحدودة، والبيانات التوزيعية غير المتناظرة، ووجود مقاييس مكونة تكوينياً (Formative Measures) بدلاً من المقاييس الانعكاسية (Reflective Measures)، مما يجعل هذا الانحدار الخيار العملي الأكثر اتساقاً وثباتاً في البيئات البحثية المعاصرة.
5. التطور التاريخي والمحطات التأسيسية
تعود الجذور المعرفية والرياضية لانحدار المربعات الصغرى الجزئية إلى ستينيات القرن العشرين، حينما كان الإحصائي السويدي البارز هيرمان وولد يعمل على تطوير خوارزمية قادرة على تجاوز قيود المصفوفات المعكوسة التي كانت تمثل عقبة حسابية ضخمة أمام الحواسيب في ذلك العصر. قدم وولد عام 1966 خوارزمية النيبلز (Nonlinear Iterative Partial Least Squares – NIPALS)، والتي أتاحت للباحثين استخراج العوامل والمكونات دون الحاجة إلى الحساب المباشر لجميع القيم الذاتية والمتجهات الذاتية للمصفوفات الضخمة.
في مطلع سبعينيات القرن العشرين، وتحديداً بين عامي 1973 و1975، حول وولد اهتمامه من الاقتصاد القياسي إلى القياس النفسي والعلوم السلوكية، بعدما لاحظ الإحباط المنهجي الذي واجهه الباحثون عند استخدام نماذج كارل يوريسكوغ المعتمدة على التغاير (المعروفة ببرنامج LISREL) في ظل البيانات غير المعيارية. قدم وولد آنذاك ما عرف بـ “النمذجة اللينة”، طارحاً مسار انحدار المربعات الصغرى الجزئية كأداة لتحليل المنظومات النفسية والاجتماعية المعقدة ذات المتغيرات الكامنة المتعددة والمؤشرات المتشابكة دون اشتراط التوزيع الطبيعي المتعدد أو العينات الضخمة.
شهدت فترة الثمانينيات نقلة نوعية للتقنية حينما قام نجل هيرمان وولد، سفانتي وولد، بنقل انحدار المربعات الصغرى الجزئية إلى ميدان الكيمياء القياسية وتصميم الأدوية، حيث كانت المشكلة الرياضية السائدة تتمثل في وجود آلاف المتغيرات الطيفية المستقلة في مقابل بضع عينات بيولوجية فقط، وهو ما يُعرف رياضياً بمشكلة (p >> n). أثبت هذا التطبيق المتطرف كفاءة الخوارزمية الفائقة، مما أدى إلى صقل المعادلات الرياضية وتطوير حزم برمجية تجارية وأكاديمية رسخت استقرار الطريقة.
مع مطلع القرن الحادي والعشرين والتحول الهائل نحو البيانات الضخمة وعلم الأعصاب السلوكي والمعرفي، عاد انحدار المربعات الصغرى الجزئية بقوة إلى علم النفس بفضل أبحاث راندي ماكنتوش وميهاي كوفاتشيفيتش، اللذين طورا أسلوب التصوير العصبي السلوكي المعتمد على انحدار وتفكيك المربعات الصغرى الجزئية لتحليل الرنين المغناطيسي الوظيفي وتخطيط أمواج الدماغ. وفي الوقت ذاته، قاد علماء القياس النفسي والإداري، مثل كلين هانسلر وديفيد غارفينغ وجو هير، ثورة جديدة بتطوير معايير الجودة والتقييم الصارمة لنمذجة PLS-SEM، مما وضع هذه التقنية في صدارة الأدوات الإحصائية المستعملة في أبحاث السلوك المعاصر.
6. الأسس النظرية والرياضية
تستند النظرية الرياضية لانحدار المربعات الصغرى الجزئية إلى عملية تحليل متزامن ومزدوج لمصفوفتين أساسيتين: مصفوفة المتغيرات المستقلة المتنبئة $X$ ذات الأبعاد $(n imes p)$، ومصفوفة المتغيرات التابعة المحكية $Y$ ذات الأبعاد $(n imes q)$، حيث يمثل $n$ حجم العينة، و$p$ عدد المتنبئات، و$q$ عدد المتغيرات التابعة. يفترض النموذج تفكيك كلتا المصفوفتين إلى مركبات درجات كامنة ومصفوفات أوزان وتحميلات وبواقي خطأ وفق الصيغتين التاليتين:
$$X = T P^T + E$$
$$Y = U Q^T + F$$
حيث تمثل $T$ مصفوفة درجات العوامل الكامنة للمتغيرات المستقلة، و$U$ درجات العوامل الكامنة للمتغيرات التابعة، بينما تمثل $P$ و$Q$ مصفوفات التحميلات (Loadings) المتعامدة، وتمثل $E$ و$F$ مصفوفات الأخطاء أو البواقي العشوائية غير المفسرة.
الركيزة الجوهرية التي تميز انحدار المربعات الصغرى الجزئية عن غيره هي صياغة “العلاقة الداخلية”؛ حيث يتم ضبط الدرجات الكامنة $T$ و$U$ بطريقة تجعل التغاير المشترك بينهما في أقصى قيمة ممكنة. رياضياً، يتم البحث عن متجهات أوزان $w$ و$c$ تحقق المعادلة التحسينية:
$$\max_{{w, c}} \left[ ext{Cov}(Xw, Yc)
ight]^2 \quad ext{مع ثبات} \quad |w| = 1, |c| = 1$$
يتم حل هذه المشكلة الرياضية عبر خوارزميات تفكيك القيمة المفردة (Singular Value Decomposition) للمصفوفة المتقاطعة $X^T Y$، أو عبر خوارزمية النيبلز (NIPALS) التكرارية، حيث يتم استخراج المكون الأول، ثم طرح التباين المفسر من المصفوفتين (عملية تسمى Deflation)، وتكرار الإجراء لاستخراج المكون الثاني فالثالث، حتى الوصول إلى عدد المكونات الأمثل الذي يحدده اختبار التحقق المتقاطع.
في النموذج النهائي، يتم التعبير عن المتغيرات التابعة $Y$ بدلالة المتغيرات المستقلة $X$ من خلال مصفوفة معاملات الانحدار المجمعة $\eta_{PLS}$ وفق المعادلة الخطيـة:
$$\hat{Y} = X \eta_{PLS}$$
تتميز مصفوفة المعاملات $\eta_{PLS}$ بأنها محسوبة بطريقة تجتنب مشكلة عدم انعكاس مصفوفة الارتباط $(X^T X)^{-1}$ التي تسقط نماذج الانحدار الخطي العادي في حالة التعدد الخطي الكامل أو عندما يكون عدد المتغيرات أكبر من حجم العينة، مما يوفر حلاً مستقراً للغاية ومقاوماً للتشويه الرياضي الناتج عن التكرار المعلوماتي بين المقاييس النفسية.
7. المكونات والأنواع والأبعاد الأساسية
يتألف انحدار المربعات الصغرى الجزئية من شبكة من المكونات المتشابكة والأنواع الفرعية المصممة للتعامل مع الطبيعة التعددية للبيانات السلوكية، ويمكن تصنيفها بنيوياً كما يلي:
- درجات المتغيرات الكامنة (Latent Variable Scores): هي الإحداثيات الجديدة للأفراد ضمن الفضاء الكامن المختزل، والتي تمثل الدرجات المركبة الخالية من الارتباط الخطي التداخلي، وتستخدم هذه الدرجات لتفسير موقع الفرد على السمات أو القدرات المستخلصة.
- الأوزان والتحميلات (Weights and Loadings): تمثل الأوزان إسهام كل متغير أصلي ملحوظ في بناء المركب الكامن، بينما تعكس التحميلات معاملات الارتباط الثنائية بين المتغير الأصلي والدرجة الكامنة المركبة، وهي حاسمة في تقييم الصدق التكويني والصدق الانعكاسي للمقاييس.
- المعادلة الداخلية (Inner Model Relation): هي المعادلة الهيكلية التي تربط الدرجة الكامنة للمتغيرات التفسيرية بالدرجة الكامنة للمتغيرات المحكية، وتعد المكافئ الرياضي لمعامل المسار في النمذجة البنائية.
- انحدار PLS أحادي المتغير التابع (PLS1): الصورة المتخصصة التي تُطبق عندما يكون هناك متغير تابع وحيد ($y$) في مقابل مصفوفة من المتغيرات المستقلة المتعددة شديدة الترابط، وتعتبر ذات كفاءة رياضية وسرعة فائقة في استخلاص الحلول.
- انحدار PLS متعدد المتغيرات التابعة (PLS2): الصورة الموسعة التي تتيح التنبؤ المتزامن بمصفوفة كاملة من المتغيرات التابعة ($Y$)، مما يسمح باكتشاف البنى الكامنة المشتركة التي تربط عدة متنبئات بعدة نواتج نفسية في نموذج تحليلي موحد.
- انحدار PLS المتعامد (Orthogonal PLS – O-PLS): امتداد متقدم يقوم بفصل التباين المفسر في المتغيرات المستقلة إلى جزأين: جزء تنبؤي يرتبط بالمتغير التابع، وجزء متعامد يمثل تبايناً منتظماً لكنه غير مرتبط بالمحك (تشويش هيكلي)، مما يرفع القدرة على تفسير البيانات البيولوجية والنفسية المعقدة.
- تحليل PLS للمسار (PLS Path Modeling / PLS-SEM): إطار شامل يدمج بين انحدار PLS والنمذجة الشبكية لتقدير علاقات سببية معقدة بين عشرات المتغيرات الكامنة، شائعة الاستخدام في أبحاث الشخصية، والسلوك التنظيمي، والتسويق النفسي.
8. الأمثلة التوضيحية والحالات التطبيقية
لتوضيح الطبيعة التطبيقية لانحدار المربعات الصغرى الجزئية، نستعرض دراسة في علم النفس العصبي تهدف إلى التنبؤ بكفاءة الذاكرة العاملة لدى كبار السن المعرضين لخطر التدهور المعرفي. استخدم الباحثون 150 مؤشراً عصبياً مشتقاً من مسوحات الدماغ المقطعية (سمك القشرة الدماغية في 100 منطقة، و50 مساراً من المادة البيضاء) إلى جانب 20 مقياساً فسيولوجياً حيوياً، على عينة مؤلفة من 80 مشاركاً فقط. يمثل هذا التكوين حالة حرجة يستحيل معها تطبيق الانحدار الخطي التقليدي بسبب تجاوز عدد المتنبئات لحجم العينة ($p = 170$ مقابل $n = 80$) ووجود ارتباطات عالية جداً بين مناطق الدماغ المتجاورة. من خلال تطبيق خوارزمية PLS1، تمكن الباحثون من تقليص الـ 170 متغيراً إلى 3 مركبات كامنة متعامدة، ارتبط المركب الأول منها بنمط ضمور الفصين الصدغي والجبهي، مفسراً ما يقرب من 48% من التباين في أداء الذاكرة العاملة بدقة تنبؤية عالية وثبات تم إثباته عبر التحقق التبادلي.
وفي حالة تطبيقية ثانية في ميدان علم النفس التنظيمي، رغب فريق بحثي في دراسة تأثير “الاحتراق النفسي الوظيفي” و”المناخ الأخلاقي للعمل” على أربعة مخرجات سلوكية متزامنة: “النية لترك العمل”، و”السلوك الانسحابي الخفي”، و”التغيب المرضي”، و”الانخفاض في كفاءة المهمة”. نظراً لأن المقاييس التشخيصية للاحتراق النفسي تتضمن أبعاداً متداخلة شديدة الترابط، والمخرجات الأربعة تتأثر ببعضها وتتداخل مفاهيمياً، تم تطبيق انحدار PLS2 متعدد التوابع. كشفت النتائج عن مركبين كامنين أساسيين: الأول يمثل “الاستنزاف الانفعالي الحاد” الذي تنبأ مباشرة بكل من النية لترك العمل والسلوك الانسحابي، في حين مثل المركب الثاني “تبلد المشاعر نحو المنظمة” الذي تنبأ بالانخفاض الأدائي، مما أتاح لإدارة الموارد البشرية توجيه التدخلات النفسية بدقة نحو كل بُعد سلوكي على حدة.
أما الحالة الثالثة فتتجلى في دراسات القياس النفسي لتطوير بطاريات الاختبار؛ حيث واجه باحثون صمموا مقياساً تجريبياً للألكسيثيميا (صعوبة وصف المشاعر) مؤلفاً من 90 بنداً مشكلة تدلي البنود وتكرارها المفاهيمي. تم استخدام انحدار PLS لربط استجابات البنود الـ 90 بمؤشرات التنظيم الانفعالي الموضوعية واستجابات الجلد الكلفانية للمشاركين أثناء التعرض لمثيرات ضاغطة. ساعدت أوزان PLS في استبعاد 60 بنداً ذات إسهام تغايري ضئيل والاحتفاظ بـ 30 بنداً شكلت معاً أفضل نموذج تكويني قادر على التنبؤ بالتنظيم الانفعالي، مما قلص زمن تطبيق الاختبار دون المساس بقدرته التنبؤية الفائقة.
9. القياس والتقييم واختبار الجودة الإحصائية
تختلف معايير تقييم نماذج انحدار المربعات الصغرى الجزئية عن المقاييس المألوفة في النماذج البارامترية التقليدية مثل اختبار (F) أو مؤشرات المطابقة العالمية ($Chi-Square$, $CFI$, $RMSEA$)، إذ ترتكز فلسفة PLS على تقييم القدرة التنبؤية غير المنحازة عبر تقنيات إعادة أخذ العينات مثل أسلوب التمهيد (Bootstrapping) واختبار الطي والقطع المتبادل (Cross-Validation / Jackknifing).
تتضمن خطوات تقييم جودة النموذج مصفوفة من الإجراءات الإحصائية الصارمة، تشمل ما يلي:
- معامل التحديد ($R^2$): يقيس نسبة التباين المفسر في المتغيرات التابعة بواسطة المركبات الكامنة المستخرجة، ويقيم في الدراسات النفسية كمعيار لقوة التفسير الداخلي للنموذج.
- معامل التنبؤ بالتحقق المتقاطع ($Q^2$): المشتق عبر أسلوب الطمس المتكرر (Blindfolding)، ويعد المعيار الأبرز لتأكيد الملاءمة التنبؤية للنموذج؛ حيث تدل القيم التي تتجاوز الصفر على امتلاك النموذج دلالة تنبؤية واقعية خارج العينة المستخدمة في بنائه.
- أهمية المتغير في الإسقاط (Variable Importance in Projection – VIP): مقياس مركب يُحسب لكل متغير مستقل لتقييم مدى مساهمته النسبية في تشكيل جميع المركبات الكامنة المستخدمة في النموذج. المتغيرات التي تمتلك قيمة $VIP > 1.0$ تعتبر حاسمة وجوهرية للنموذج النفسي، بينما المتغيرات ذات القيم الأقل من $0.7$ تعد مرشحة للاستبعاد لكونها لا تقدم إسهاماً ملموساً.
- خطأ الجذر التربيعي المتوسط للتنبؤ (RMSEP): المؤشر القياسي لتقييم دقة التنبؤ، حيث يُحسب عبر مقارنة الاستجابات التنبؤية بالاستجابات الحقيقية خلال دورات التحقق المتقاطع لتجنب خطر الإفراط في المطابقة (Overfitting).
- التمهيد اللامعلمي (Non-parametric Bootstrapping): إجراء يعتمد على توليد آلاف العينات العشوائية التكرارية من البيانات الأصلية لحساب فترات الثقة والخطأ المعياري للأوزان وتحميلات المسار ومعاملات الانحدار واختبار دلالتها الإحصائية دون أي افتراض مسبق لطبيعة التوزيع الاحتمالي.
10. التطبيقات النفسية والعملية
أحدث انحدار المربعات الصغرى الجزئية نقلة كيفية في العديد من الفروع التطبيقية لعلم النفس والعلوم المجاورة بفضل مرونته وقوته التنبؤية. في علم النفس العصبي والتصوير الدماغي، أضحى أسلوب PLS السلوكي (Behavioral PLS) وأسلوب PLS للبيانات المرتبطة بالمهمة (Task PLS) من أكثر المناهج رسوخاً؛ إذ يسمح هذا الأسلوب بربط النشاط الكهربائي للدماغ أو تغيرات تدفق الدم في آلاف الفوكسلات المكانية (Voxels) بالاستجابات السلوكية واختبارات زمن الرجع والوظائف المعرفية للمفحوصين، كاشفاً عن الشبكات العصبية الوظيفية المسؤولة عن العمليات العقلية العليا.
وفي القياس النفسي وتصميم الاختبارات التشخيصية، يُستخدم PLS بصورة واسعة في بناء وفحص النماذج متعددة الأبعاد للبنى النفسية التكوينية (Formative Constructs). في هذه النماذج، لا تُعتبر البنود مجرد انعكاسات متجانسة لسمة كامنة مشتركة (كما هو الحال في نماذج السمات التقليدية)، بل هي مكونات تجمعية تسهم معاً في تشكيل المفهوم، مثل مؤشرات الوضع الاجتماعي-الاقتصادي، أو مصادر الضغوط الحياتية اليومية، حيث يوفر PLS الإطار الرياضي الأنسب لوزن تلك البنود وتحديد مساهماتها النسبية في التنبؤ بالسلوك.
أما في علم النفس الصحي والطب النفسي الدقيق، فيُوظف انحدار PLS لدمج البيانات البيولوجية المعقدة (مثل المؤشرات الجينية، وملفات الإفرازات الهرمونية، واستجابات الجهاز العصبي الذاتي) مع المؤشرات النفسية السلوكية للتنبؤ بالقابلية للإصابة باضطرابات المزاج أو التنبؤ بمدى الاستجابة لبروتوكولات العلاج المعرفي السلوكي. وفي علم النفس الصناعي والتنظيمي، يوفر الأسلوب لصناع القرار نماذج محاكاة قادرة على التنبؤ بالأداء المؤسسي، والارتباط المهني، ومعدلات الدوران الوظيفي انطلاقاً من استبيانات مناخ المنظمة ذات الأبعاد المتشابكة.
11. الأبحاث والدلائل التجريبية المعاصرة
تؤكد الأدبيات المنهجية المعاصرة عبر دراسات المحاكاة واسعة النطاق التفوق الواضح لانحدار المربعات الصغرى الجزئية في ظروف جمع البيانات الواقعية المعقدة. في دراسة مرجعية محورية أجراها ماكنتوش ولوبار (McIntosh & Lobaugh, 2004)، تم توثيق قدرة تقنية PLS على عزل الإشارات العصبية ذات الدلالة النفسية بدقة تفوق تحليل الانحدار الخطي العادي وتحليل التباين متعدد المتغيرات في دراسات الرنين المغناطيسي وتخطيط الدماغ، موضحين كيف تتجنب التقنية مشكلة التعدد الخطي العالي الحتمية في بيانات المسح العصبي الشامل.
وفي دراسة إمبريقية متقدمة قادها كيرستن ورينغل وهير (Hair et al., 2017)، تم إجراء مقارنة إحصائية عبر محاكاة مونت كارلو لمقارنة سلوك انحدار PLS بنمذجة المعادلات البنائية القائمة على التغاير. أظهرت النتائج أن خوارزميات PLS تحقق مستويات قوة إحصائية فائقة (Statistical Power) عند التعامل مع أحجام عينات معتدلة وصغيرة وتوزيعات متباينة للغاية تنتهك شروط التوزيع الطبيعي، مع الحفاظ على معدلات خطأ من النوع الأول مساوية تقريباً للنماذج التقليدية، مما رسخ مكانة PLS كأداة قوية في الأبحاث النفسية الميدانية المعقدة.
وعلاوة على ذلك، استخدمت أبحاث حديثة في علم نفس الشخصية (مثل دراسات كوستنر وزملائه المنشورة في مجلات القياس النفسي الدولية) انحدار PLS لفحص الارتباطات التفاعلية بين السمات الفرعية المتشعبة لنموذج العوامل الخمسة الكبرى ومؤشرات الرفاه النفسي الذاتي. برهنت هذه الدراسات على أن PLS يمتلك كفاءة نوعية في كشف العلاقات التنبؤية الدقيقة التي كانت تطمسها الطرق التقليدية نتيجة التداخل والارتباطات الذاتية العالية بين الأبعاد الفرعية للشخصية، مما قدم شواهد حاسمة على جدوى التقنية كأداة اكتشاف واستدلال علمي دقيق.
12. الاعتبارات الثقافية وسياقات القياس عبر المجتمعات
تكتسب المنهجيات الإحصائية أبعاداً تطبيقية خاصة عند نقل النماذج وتطبيق الاختبارات عبر ثقافات متعددة؛ وفي هذا الإطار يطرح انحدار المربعات الصغرى الجزئية مجموعة من المزايا والتحديات المرتبطة بالتنوع الثقافي واللغوي. فعند تعريب واستخدام مقاييس نفسية صُممت أصلاً في بيئات غربية (مثل مقاييس جودة الحياة أو الدعم الاجتماعي)، غالباً ما تختلف أنماط الاستجابة ومستويات التباين والتداخل بين المفاهيم في السياقات الثقافية الجمعية كالمجتمعات العربية، حيث تميل استجابات الأفراد نحو إظهار تلازمية عالية بين المفاهيم المتقاربة نتيجة الرغبة الاجتماعية أو الخلفيات القيمية المشتركة.
يتيح انحدار المربعات الصغرى الجزئية للباحثين عبر الثقافات فحص ما إذا كانت الأوزان المخصصة للمؤشرات السلوكية داخل المركبات الكامنة متكافئة بين المجتمعات المختلفة عبر أسلوب التحليل متعدد المجموعات بالحد الأدنى من المربعات الصغرى الجزئية (PLS-MGA). يساعد هذا الأسلوب في الكشف عن التحيزات الثقافية للبند واختبار “التكافؤ القياسي” (Measurement Invariance) من خلال فحص خطوات تكافؤ التكوين والتركيب، مما يضمن أن النموذج يفسر البنية النفسية بنفس المنطق التنبؤي في كل ثقافة دون افتراض تطابق تام قد يكون غير واقعي.
ومع ذلك، ينبغي على الباحثين الحذر من استخدام النموذج كأداة شكلية لتجاوز عيوب الترجمة أو التباين البنيوي للمقاييس؛ فالمرونة الإحصائية لـ PLS في التعامل مع البيانات غير المتسقة لا تعني أبداً تعويض الخلل المنهجي الناجم عن غياب المواءمة الدلالية والنفسية لبنود الاستبيان في السياق الثقافي المحلي. ويتطلب الاستخدام المنهجي السليم في البيئات العربية الجمع بين دقة الفحص اللغوي والمفاهيمي وتطبيق معايير التحقق التنبؤي الصارمة التي توفرها التقنية.
13. الانتقادات والجدليات المنهجية والمحددات
على الرغم من الانتشار الواسع والمزايا الملموسة لانحدار المربعات الصغرى الجزئية، فقد ظل موضع جدل إحصائي حاد ونقد أكاديمي مستمر منذ عقود. يتمثل الانتقاد الكلاسيكي الأبرز، الذي قاده إحصائيون مثل رونك وتينينهاوس وجاكوبز، في ما يُعرف بـ “تحيز المربعات الصغرى الجزئية نحو الاتساق” (PLS Consistency at Large)؛ حيث تميل تقديرات مسارات وانحدارات PLS إلى المبالغة الطفيفة في تقدير تحميلات القياس في النماذج الانعكاسية والتقليل الطفيف في تقدير معاملات المسار بين المتغيرات الكامنة في العينات متناهية الصغر، ولا تتقارب التقديرات مع القيم المعلمية الحقيقية إلا عند زيادة حجم العينة وعدد المؤشرات معاً نحو اللانهاية.
كما يوجه نقاد الطريقة لوماً لاذعاً لاستخدام PLS كذريعة للاستسهال المنهجي أو التبرير لجمع عينات بالغة الصغر في دراسات نفسية غير منضبطة؛ حيث يروج بعض الباحثين لفكرة مغلوطة مفادها أن “PLS قادر على تحليل أي عينة مهما كان صغرها”، متناسين أن القوة الإحصائية تنخفض حتماً بصغر العينة مما يؤدي إلى عدم القدرة على كشف التأثيرات النفسية الحقيقية الهامشية وتضخيم أخطاء المعاينة العشوائية.
وينصب انتقاد منهجي آخر على طبيعة الاختبارات التوافقية الشاملة؛ فغياب مؤشر مطابقة كلي مطلق ومعياري موحد (مثل الـ Chi-Square ومؤشرات حسن المطابقة في CB-SEM) يحرم الباحث أحياناً من فحص ما إذا كانت النظرية النفسية المقترحة بمجملها متوافقة بنيوياً مع الواقع، مما يحصر PLS في خانة “النمذجة التنبؤية الاستكشافية” ويقلل من فائدته عند الرغبة الصارمة في نفي الفرضيات المتنافسة وتأكيد نظرية نفسية بعينها في بيئة مخبرية مقيدة.
14. المصطلحات المقارنة والفروق المفاهيمية
لتجنب اللبس المنهجي الشائع في الأبحاث النفسية، تلخص النقاط التالية الفروق الجوهرية بين انحدار المربعات الصغرى الجزئية والأساليب الإحصائية المتقاطعة معه:
- الانحدار الخطي المتعدد (Multiple Linear Regression): يركز على نمذجة علاقة متغير تابع وحيد بمجموعة متنبئات، ويعجز تماماً عن التعامل مع التعدد الخطي العالي أو وجود متغيرات تابعة متعددة، ويفشل رياضياً عندما يتجاوز عدد المتغيرات حجم العينة ($p > n$)؛ في حين يتجاوز PLS كل هذه المحددات بسهولة من خلال الإسقاط الكامن.
- تحليل المكونات الأساسية (Principal Component Analysis – PCA): أسلوب اختزال بيانات غير موجه يسعى إلى تعظيم التباين الداخلي لمصفوفة المتغيرات المستقلة وحدها دون أدنى اعتبار للمتغيرات التابعة، بينما يعد PLS أسلوباً موجهاً ومقيداً بالهدف يعظم التغاير بين المتنبئات والمخرجات معاً لضمان فائدة الأبعاد المستخرجة في التنبؤ.
- انحدار المكونات الأساسية (Principal Component Regression – PCR): يختزل المتغيرات المستقلة عبر PCA أولاً ثم يُجري انحداراً خطياً للمتغير التابع على المركبات المستخلصة، وتكمن نقطة ضعفه في أن المركبات الأولى قد لا ترتبط بالضرورة بالمتغير التابع، في حين يستخلص PLS مركبات تضمن بأصل تصميمها أعلى ارتباط ممكن مع المتغير المحكي.
- النمذجة بالمعادلات البنائية القائمة على التغاير (CB-SEM): ترتكز على محاولة إعادة إنتاج مصفوفة التغاير التجريبية للبيانات بالكامل لاختبار مطابقة نموذج نظري مغلق، وتشترط توزيعاً طبيعياً وعينات كبيرة، وتتعامل أساساً مع المقاييس الانعكاسية؛ بينما تركز نمذجة PLS-SEM على تعظيم التباين المفسر في المتغيرات التابعة وتتميز بمرونة توزيعية فائقة وتلائم البنى التكوينية والاستكشاف النظري.
- التحليل القانوني للارتباط (Canonical Correlation Analysis – CCA): أسلوب تماثلي كلاسيكي يبحث عن علاقات خطية بين مجموعتين من المتغيرات دون افتراض اتجاه تأثير سببي أو علاقة تبعية تنبؤية بينهما، بينما يصيغ PLS العلاقة كنموذج انحدار تنبؤي غير متماثل يوجه المركبات لخدمة التنبؤ بالنواتج.
15. الخلاصة والرؤى المستخلصة
يمثل انحدار المربعات الصغرى الجزئية إطاراً إحصائياً وتحليلياً استثنائياً يلبي الاحتياجات المنهجية المعقدة لأبحاث علم النفس والعلوم السلوكية في عصر البيانات الضخمة والمتشابكة. ومن خلال إيجاد توازن رياضي مبتكر بين التلخيص البعدي للمتغيرات والتعظيم التنبؤي للمخرجات، استطاع هذا الأسلوب تخطي المعضلات الكلاسيكية للتعدد الخطي وقيود التوزيع الطبيعي وصغر حجم العينات مقارنة باتساع مصفوفات المتغيرات، مما منحه موقع الريادة في مجالات متنوعة تمتد من التصوير العصبي السلوكي إلى النمذجة الميدانية للبنى النفسية التكوينية.
إن التوظيف العلمي الأمثل لانحدار المربعات الصغرى الجزئية يتطلب من الباحث إدراكاً عميقاً لفلسفته التنبؤية؛ فهو ليس مجرد أداة لتخفيف شروط النمذجة البنائية، بل منهج استقرائي وتجريبي صارم يهدف إلى تحقيق أعلى درجات القوة التنبؤية خارج العينة. ومع استمرار تطور الحزم البرمجية وخوارزميات الذكاء الاصطناعي والإحصاء العصبي، يظل انحدار المربعات الصغرى الجزئية أداة قياسية لا غنى عنها في استكشاف شبكات السلوك البشري وفك ألغاز البنى المعرفية والفسيولوجية المتكاملة.
المراجع
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). SAGE Publications. https://www.sciencedirect.com/book/9780128054086/partial-least-squares-path-modeling
- McIntosh, A. R., & Lobaugh, N. J. (2004). Partial least squares analysis of neuroimaging data: Applications in functional imaging. NeuroImage, 23, S250–S263. https://doi.org/10.1016/j.neuroimage.2004.07.020
- Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction (Vol. 2, pp. 1–54). North-Holland.
- Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: A basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58(2), 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1
- Tenenhaus, M., Vinzi, V. E., Chatelin, Y. M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005