الإحصاء النفسي, النماذج الخطية, تحليل البيانات بلغة R

كيفية حساب فترة الثقة لمعامل الانحدار في R

/ / 40 دقائق للقراءة

يمثل تحليل الانحدار الخطي الركيزة الأساسية للنمذجة الإحصائية الاستدلالية في العلوم السلوكية والاجتماعية والتربوية، حيث يتيح للباحثين فهم طبيعة العلاقات المعقدة بين المتغيرات وتحديد القوة التنبؤية لسمات وسلوكيات معينة. ومع ذلك، فإن الاكتفاء بتقدير نقطي وحيد لقيمة معامل الانحدار غالباً ما يطمس مقدار عدم اليقين المتأصل في عملية المعاينة الإحصائية، مما قد يقود إلى استنتاجات مضللة حول حجم الأثر الحقيقي في المجتمع الأصلي. ومن هنا تنبع الأهمية المحورية لحساب فترات الثقة (Confidence Intervals)، والتي تمنح الباحثين نافذة احتمالية رصينة توضح المدى الذي تقع ضمنه المعلمة الحقيقية بمستوى يقين محدد سلفاً.

تعتبر بيئة الحوسبة الإحصائية R الخيار الرائد عالمياً والأكثر مرونة ودقة في تنفيذ هذه التحليلات الإحصائية المتقدمة. توفر لغة R ترسانة برمجية واسعة تمتد من الدوال التحليلية المدمجة في نواتها الأساسية، مروراً بالحزم المتخصصة في الاستدلال القوي والتحويل النظيف للبيانات، وصولاً إلى أدوات التصور البصري المتقدمة وإعادة التشكيل اللامعلمي (Bootstrapping). يهدف هذا الدليل الشامل والمفصل إلى تزويد الباحثين وعلماء النفس والمحللين الإحصائيين بالمعرفة النظرية العميقة والمهارات التطبيقية الدقيقة اللازمة لاشتقاق وحساب وتفسير وتصور فترات الثقة لمعاملات الانحدار الخطي البسيط والمتعدد، وصياغة نتائجها وفق أعلى المعايير الأكاديمية الدولية المنصوص عليها في الدليل الإرشادي لجمعية علم النفس الأمريكية (APA Style).

جدول المحتويات

1. الأسس النظرية لمعاملات الانحدار الخطي في البحوث السلوكية والنفسية

1.1 طبيعة معامل الانحدار البسيط والمتعدد ودلالته التفسيرية

يُعرف معامل الانحدار الخطي غير المعياري، والذي يُرمز له بالرمز الرياضي B أو b، بأنه مقياس كمي دقيق يعبر عن المقدار المتوقع للتغير في المتغير التابع (Criterion/Outcome Variable) لكل زيادة مقدارها وحدة قياس واحدة في المتغير المستقل (Predictor Variable)، مع افتراض ثبات كافة المتغيرات الأخرى في النموذج عند التعامل مع الانحدار المتعدد. ينقسم هذا المعامل إلى مكونين بنيويين: معامل الميل (Slope) الذي يحدد زاوية واتجاه العلاقة الارتباطية التنبؤية سواء كانت طردية موجبة أو عكسية سالبة، ونقطة التقاطع (Intercept) التي تمثل القيمة المتوقعة للمتغير التابع عندما تنعدم قيمة المتغير المستقل كلياً وتصل إلى الصفر المطلق. في المقابل، يمثل معامل الانحدار المعياري (Standardized Beta Coefficient) مقدار التغير في المتغير التابع بوحدات الانحراف المعياري، مما يسمح بمقارنة الأهمية النسبية لمتغيرات تنبؤية مختلفة المقاييس والوحدات داخل نفس النموذج النفسي.

في إطار الاستدلال الإحصائي، يمثل المعامل المحسوب من عينة بحثية مجرد “تقدير نقطي” (Point Estimate) لمعلمة المجتمع المجهولة (Population Parameter $\beta$). إن الاعتماد الحصري على التقدير النقطي يتجاهل حقيقة أن عينة واحدة من بين عدد لا نهائي من العينات الممكنة لا يمكن أن تطابق القيمة الحقيقية للمجتمع بدقة مطلقة بسبب خطأ المعاينة العشوائي (Sampling Error). علاوة على ذلك، فإن الممارسة البحثية التقليدية المعتمدة على القيم الاحتمالية (p-values) المنبثقة من اختبار الفرضيات الصفرية تعاني من قصور جوهري؛ إذ إنها تخبرنا فقط بما إذا كان المعامل يختلف إحصائياً عن الصفر أم لا، دون أن تقدم أي مؤشر كمي حول دقة التقدير أو حجم عدم اليقين المحيط به، وهو ما يجعل التقدير المجالي (Interval Estimate) ضرورة منهجية ملحة في النمذجة الإحصائية الحديثة.

1.2 أهمية فترات الثقة في الاستدلال الإحصائي النفسي

تقدم فترات الثقة إطاراً استدلالياً متكاملاً يتجاوز مجرد رفض الفرضية الصفرية، حيث توفر نطاقاً عددياً يضم القيم المعقولة والمحتملة لحجم الأثر الحقيقي في المجتمع الإحصائي المدروس عند مستوى احتمالي محدد (كالـ 95% أو 99%). يعكس اتساع هذا النطاق درجة الدقة الإحصائية لعملية التقدير؛ فالفترة الضيقة تشير إلى تقدير دقيق للغاية ناتج عن حجم عينة كافٍ وتباين خطأ منخفض، بينما تكشف الفترة المتسعة عن وجود درجة عالية من عدم اليقين الإحصائي، مما يحذر الباحث من الإفراط في تعميم النتائج حتى وإن كانت القيمة الاحتمالية دالة إحصائياً ($p < .05$).

تنسجم هذه المقاربة تماماً مع التوصيات الصارمة لفرقة العمل المعنية بالاستدلال الإحصائي التابعة لـ جمعية علم النفس الأمريكية (APA)، والتي تنص على أن تضمين فترات الثقة لكل معامل إحصائي رئيسي يُعد الممارسة الأكثر أماناً وغنىً بالمعلومات لدعم تراكم المعرفة العلمية والتوليف التلوي (Meta-Analysis). إن فترات الثقة تحمي الباحثين الإكلينيكيين والممارسين من الخلط الشائع بين “الدلالة الإحصائية” (Statistical Significance) المعتمدة على حجم العينة، و”الأهمية الإكلينيكية والعملية” (Clinical or Practical Significance)؛ حيث يمكن لمعامل انحدار ذي أثر ضئيل جداً وعديم الجدوى التطبيقية أن يصبح دالاً إحصائياً في العينات الضخمة، ولكن فحص فترة ثقته سيكشف بوضوح أن حدوده تقع بالقرب من الصفر، مما يضع النتائج في سياقها الواقعي السليم.

1.3 مفاهيم التباين والخطأ المعياري لمعامل الانحدار

يرتبط مفهوم الخطأ المعياري لمعامل الانحدار، ويرمز له بـ $SE(b_1)$، ارتباطاً وثيقاً بمدى التشتت والتباين المتوقع في قيم المعاملات إذا قمنا بسحب عينات عشوائية متكررة من نفس المجتمع وتطبيق النموذج عليها. يعتمد الخطأ المعياري رياضياً على متغيرين رئيسيين: تباين البواقي (Residual Variance) الذي يعكس مقدار تشتت النقاط الفعلية حول خط الانحدار المقدر، ومجموع مربعات انحرافات المتغير المستقل عن وسطه الحسابي ($SS_X$). كلما قل تشتت البواقي وازداد تباين درجات المتغير المستقل عبر العينة، انخفض الخطأ المعياري وازدادت دقة التقدير.

يلعب حجم العينة ($n$) دوراً حاسماً في معادلة الخطأ المعياري؛ حيث يؤدي تضخيم حجم العينة إلى زيادة مجموع مربعات المتغير المستقل، وهو ما يقلص تلقائياً قيمة الخطأ المعياري ويؤدي إلى تضييق فترات الثقة المقابلة. كما تؤثر درجات الحرية (Degrees of Freedom)، والمحسوبة في الانحدار البسيط بالصيغة $df = n – 2$، على شكل توزيع المعاينة للمعامل؛ ففي العينات الصغيرة تكون ذيول التوزيع أثقل (Heavy-tailed Student’s t-distribution)، مما يوسع فترات الثقة لتعويض عدم اليقين الإضافي الناتج عن تقدير تباين المجتمع المجهول بواسطة تباين العينة.

2. الاشتقاق الرياضي والصيغة الإحصائية لفترة ثقة معامل الانحدار

2.1 البنية الرياضية العامة لمعادلة فترة الثقة

تستند البنية الرياضية الصارمة لحساب فترة الثقة لمعامل الانحدار $b_1$ إلى مبادئ التقدير الاستدلالي المعتمد على توزيع $t$ لستيودنت (Student’s t-distribution). تُصاغ المعادلة الرياضية العامة على النحو التالي:

$$CI_{1-\alpha} = b_1 \pm \left( t_{alpha/2, , df} \times SE(b_1) \right)$$

تتألف هذه المعادلة من ثلاثة مكونات رئيسية متكاملة:

  • التقدير النقطي ($b_1$): وهو ميل خط الانحدار المحسوب بطريقة المربعات الصغرى العادية (OLS)، ويمثل مركز فترة الثقة المتناظرة.
  • القيمة الحرجة ($t_{alpha/2, , df}$): وهي القيمة المستخرجة من جدول توزيع $t$ التي تترك مساحة احتمالية مقدارها $alpha/2$ في كل من ذيلي التوزيع، استناداً إلى مستوى الدلالة المختار $\alpha$ ودرجات حرية البواقي ($df = n – k – 1$، حيث $k$ هو عدد المتغيرات المستقلة).
  • الخطأ المعياري للمعامل ($SE(b_1)$): ويُحسب عبر الصيغة:
    $$SE(b_1) = \sqrt{\frac{MSE}{\sum (X_i – \bar{X})^2}} = \frac{s_e}{\sqrt{SS_X}}$$
    حيث $MSE$ هو متوسط مربعات الخطأ (Mean Squared Error)، و$s_e$ هو الخطأ المعياري للبواقي (Residual Standard Error).

ينطبق نفس المنطق الرياضي الدقيق على حساب فترة الثقة لنقطة التقاطع ($b_0$ أو Intercept)، ولكن مع استخدام الخطأ المعياري الخاص بها، والذي يأخذ في الاعتبار بعد الوسط الحسابي للمتغير المستقل عن نقطة الصفر وفق الصيغة التالية:

$$SE(b_0) = s_e \sqrt{\frac{1}{n} + \frac{\bar{X}^2}{\sum (X_i – \bar{X})^2}}$$

ومع تزايد حجم العينة واقتراب درجات الحرية من اللانهاية، يقترب توزيع $t$ تدريجياً من التوزيع الطبيعي المعياري ($Z$) وفقاً لنظرية النهاية المركزية (Central Limit Theorem)، وتتحول القيمة الحرجة عند مستوى ثقة 95% من قيم مرتفعة في العينات الصغيرة لتستقر عند القيمة الثابتة المعروفة $1.96$.

2.2 مستويات الثقة المختلفة ودلالاتها الاحتمالية

يُعد مستوى الثقة 95% ($\alpha = 0.05$) المعيار الذهبي الأكثر شيوعاً واستخداماً في الأبحاث النفسية والسلوكية، حيث يوازن بشكل مثالي بين تقليل مخاطر ارتكاب الخطأ من النوع الأول والدقة الإحصائية للمجال. ومع ذلك، قد يلجأ الباحثون إلى اختيار مستوى ثقة 90% ($\alpha = 0.10$) في الدراسات الاستطلاعية بهدف الحصول على فترات أضيق ترصد الآثار المحتملة، أو اعتماد مستوى ثقة 99% ($\alpha = 0.01$) في التجارب الإكلينيكية والدوائية النفسية الصارمة حيث تكون عواقب التقدير الخاطئ مكلفة للغاية.

من الضروري جداً استيعاب التفسير التكراري (Frequentist Interpretation) الصحيح لفترة الثقة؛ إذ إن القول بأن “هناك احتمال 95% بأن المعلمة الحقيقية تقع داخل هذه الفترة المحددة” هو خطأ مفاهيمي شائع. في الإحصاء التكراري، تعتبر المعلمة الحقيقية للمجتمع قيمة ثابتة غير عشوائية، بينما حدود الفترة هي المتغير العشوائي الذي يتغير من عينة لأخرى. وبالتالي، فإن التفسير الدقيق هو: “إذا كررنا سحب عينات عشوائية بنفس الحجم من المجتمع وبنينا فترة ثقة 95% لكل عينة، فإن 95% من هذه الفترات المحسوبة ستغطي المعلمة الحقيقية للمجتمع”.

علاوة على ذلك، يجب التمييز الجذري بين فترة الثقة (Confidence Interval) وفترة التنبؤ (Prediction Interval)؛ ففترة الثقة تقيس مقدار عدم اليقين المحيط بمتوسط الاستجابة المتوقعة لجميع الأفراد ذوي القيمة المحددة للمتغير المستقل، بينما تقيس فترة التنبؤ عدم اليقين المتعلق برصد قيمة استجابة فردية واحدة جديدة، مما يجعل فترة التنبؤ دائماً أكثر اتساعاً بكثير لأنها تدمج تباين تقدير المعلمة مضافاً إليه تباين الخطأ الفردي المستقل ($MSE$).

3. إعداد بيئة العمل واستيراد البيانات في لغة R

3.1 تهيئة حزم R الأساسية لتحليل الانحدار

لبناء بيئة عمل احترافية وقابلة للتكرار العلمي (Reproducible Research) داخل R، يتطلب الأمر تحميل وتفعيل منظومة متكاملة من الحزم الإحصائية المعتمدة. تشمل هذه المنظومة حزمة tidyverse المتكاملة لمعالجة وتنسيق البيانات، وحزمة broom لتحويل نتائج النماذج الإحصائية إلى جداول بيانات نظيفة ومرتبة (Tidy Tibbles)، وحزمة car لاختبار الفرضيات التشخيصية المتقدمة، وحزمة psych لحساب الإحصاءات الوصفية القياسية في البحوث السلوكية.

تتم عملية التهيئة عبر تثبيت الحزم وتفعيلها، مع ضرورة ضبط البذرة العشوائية (Random Seed) لضمان تطابق الأرقام والمخرجات العشوائية عند إعادة تشغيل الكود في أي وقت أو على أي جهاز آخر، وضبط خيارات الطباعة الرقمية لتجنب التدوين العلمي التلقائي للأرقام العشرية:

يتم تنفيذ ذلك برمجياً من خلال استدعاء الدوال الأساسية في R:

  • set.seed(2026) لضبط التكرارية التوليدية للبيانات.
  • options(scipen = 999, digits = 4) لمنع العرض الأسي وتحديد الدقة بأربعة أرقام عشرية.
  • استدعاء الحزم عبر دالة library() لكل من tidyverse، broom، car، وpsych.

3.2 بناء وهيكلة مجموعة بيانات تطبيقية في السياق النفسي والتربوي

لتطبيق المفاهيم النظرية على أرض الواقع، سنقوم بإنشاء إطار بيانات يحاكي دراسة نفسية وتربوية تبحث في أثر مستويات قلق الاختبار (Test Anxiety) وساعات الاستذكار الأسبوعية (Study Hours) ومستوى المرونة النفسية (Psychological Resilience) على التحصيل الأكاديمي النهائي (Exam Score) لعينة قوامها 150 طالباً جامعياً.

نقوم بتوليد البيانات الاصطناعية لتمتلك خصائص قياسية واقعية: تتوزع ساعات المذاكرة توزيعاً طبيعياً بمتوسط 15 ساعة وانحراف معياري 4، بينما يقاس قلق الاختبار بمقياس من 10 إلى 50 نقطة، وتتحدد درجات التحصيل الأكاديمي بناءً على تركيبة خطية تتأثر إيجاباً بساعات المذاكرة والمرونة وسلباً بالقلق النفسي، مع إضافة حد خطأ عشوائي يمثل الفروق الفردية غير المفسرة.

يتم فحص بنية مصفوفة البيانات المولدة بدقة باستخدام دوال الاستكشاف البنيوي والإحصائي في R:

  • str(academic_data) للتحقق من النوع البرمجي للمتغيرات والتأكد من أنها متجهات رقمية مستمرة (Numeric/Double).
  • psych::describe(academic_data) لحساب المتوسطات، والانحرافات المعيارية، ومعاملات الالتواء (Skewness) والتفرطح (Kurtosis) للتأكد من خلو البيانات من الانحرافات الشديدة.
  • colSums(is.na(academic_data)) للتحقق من عدم وجود قيم مفقودة، نظراً لأن القيم المفقودة غير المعالجة تؤدي إلى حذف الملاحظات تلقائياً (Listwise Deletion)، مما يخفض حجم العينة الفعلي ويؤثر بالتالي على درجات الحرية واتساع فترات الثقة الناتجة.

4. بناء نموذج الانحدار الخطي البسيط واستخراج المعلمات الأساسية

4.1 تطبيق دالة lm() لتقدير نموذج الانحدار الخطي

تُعد دالة lm() (Linear Model) في لغة R الأداة القياسية المركزية لتقدير معلمات الانحدار الخطي باستخدام خوارزمية المربعات الصغرى العادية. تتطلب الدالة صياغة تركيبية تعتمد على صيغة المعادلات (Formula Notation)، حيث يوضع المتغير التابع على يسار علامة التلدة (~) والمتغير المستقل على يمينها، مع تمرير إطار البيانات عبر وسيط data.

لبناء نموذج انحدار خطي بسيط يتنبأ بدرجات التحصيل الأكاديمي (exam_score) استناداً إلى ساعات المذاكرة (study_hours)، نقوم بكتابة الأمر:

simple_model <- lm(exam_score ~ study_hours, data = academic_data)

يقوم هذا الأمر بإنشاء كائن برمجي من فئة lm يحتوي على مصفوفة شاملة من النتائج الإحصائية والحسابية الداخلية، بما في ذلك المعاملات التقديرية، والقيم المتوقعة (Fitted Values)، والبواقي (Residuals)، ومصفوفة معاملات التصميم (Model Matrix)، والرتبة الحسابية للنظام الخطي.

يمكن استخراج المعاملات النقطية مباشرة عبر دالة coef(simple_model)، حيث يشير معامل الميل الإيجابي المحسوب إلى الزيادة النقطية المتوقعة في درجة الامتحان لكل ساعة استذكار إضافية يبذلها الطالب، مما يعكس اتجاه وقوة العلاقة الارتباطية المباشرة بين المتغيرين.

4.2 قراءة وتفكيك مخرجات summary() في R

يوفر استدعاء الدالة summary(simple_model) تقريراً إحصائياً شاملاً ومفصلاً يفكك كافة خصائص النموذج المقدر. يحتوي التقرير على جدول المعاملات (Coefficients Table) المكون من أربعة أعمدة رئيسية تمثل الأعمدة الاستدلالية الكلاسيكية:

  • Estimate: التقدير النقطي لمعامل نقطة التقاطع وميل المتغير المستقل.
  • Std. Error: الخطأ المعياري لكل تقدير، وهو القيمة الأساسية المشتقة التي ستُستخدم في حساب فترات الثقة.
  • t value: قيمة الإحصاء الاختباري $t$ المحسوبة بقسمة التقدير النقطي على خطئه المعياري ($t = b / SE(b)$).
  • Pr(>|t|): القيمة الاحتمالية لاختبار الفرضية الصفرية التي تفترض أن المعلمة الحقيقية تساوي صفراً في المجتمع.

بالإضافة إلى جدول المعاملات، يعرض الجزء السفلي من المخرجات مؤشرات جودة التوفيق الكلية للنموذج؛ حيث نجد الخطأ المعياري للبواقي (Residual Standard Error – RSE) ودرجات حرية البواقي المقترنة به ($df = n – 2$)، ومعامل التحديد ($R^2$) الذي يوضح النسبة المئوية للتباين في درجات التحصيل المفسرة بواسطة ساعات الاستذكار، متبوعاً بقيمة اختبار $F$ الإحصائي الكلي ودلالته الإحصائية العامة.

5. الحساب اليدوي المبرمج لفترة الثقة خطوة بخطوة داخل R

5.1 استخراج المعلمات وحساب الخطأ المعياري برمجياً

لتعميق الفهم الرياضي لكيفية بناء فترات الثقة، من الضروري كتابة خوارزمية برمجية تفكك الخطوات الحسابية يدخل R وتعتمد على المستخرجات المباشرة للنموذج دون الاعتماد على الدوال الآلية الجاهزة. نبدأ باستخراج معامل الانحدار النقطي $b_1$ باستخدام دالة coef() وتخزينه كمتغير عددي أحادي:

b1 <- coef(simple_model)["study_hours"]

لاستخراج الخطأ المعياري المقترن بهذا المعامل برمجياً، نستدعي مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix) الخاصة بالنموذج باستخدام دالة vcov(simple_model). تحتوي عناصر القطر الرئيسي لهذه المصفوفة على تباينات المعاملات المقدرة، وبالتالي فإن أخذ الجذر التربيعي للعنصر المقابل للمتغير يمنحنا الخطأ المعياري بدقة تامة:

se_b1 <- sqrt(vcov(simple_model)["study_hours", "study_hours"])

يمكن أيضاً التحقق من القيمة رياضياً من خلال حساب تباين البواقي يدوياً بقسمة مجموع مربعات البواقي على درجات الحرية، ثم قسمة الناتج على مجموع مربعات انحرافات المتغير المستقل عن وسطه الحسابي $\sum(X_i – \bar{X})^2$ وأخذ الجذر التربيعي للناتج النهائي، مما يؤكد التطابق التام بين الحساب المصفوفي والصيغة الجبرية الكلاسيكية.

5.2 تحديد القيمة الحرجة t وحساب الحدود الدنيا والعليا

تتمثل الخطوة التالية في استخراج القيمة الحرجة من توزيع $t$ لستيودنت. نستخدم في R الدالة الاحتمالية العكسية qt()، والتي تتطلب تمرير المساحة التراكمية في الذيل الأيمن ودرجات حرية النموذج. لحساب فترة ثقة 95%، يكون مستوى الدلالة $\alpha = 0.05$، وبالتالي تكون المساحة التراكمية المطلوبة هي $1 – alpha/2 = 0.975$:

alpha <- 0.05
df_res <- df.residual(simple_model)
t_critical <- qt(1 - alpha / 2, df = df_res)

نحسب بعد ذلك هامش الخطأ (Margin of Error) كحاصل ضرب القيمة الحرجة المستخرجة في الخطأ المعياري:

margin_of_error <- t_critical * se_b1

أخيراً، نحدد الحد الأدنى (Lower Bound) والحد الأعلى (Upper Bound) لفترة الثقة بطرح وإضافة هامش الخطأ من التقدير النقطي:

ci_lower <- b1 - margin_of_error
ci_upper <- b1 + margin_of_error

عند تجميع هذه القيم في جدول منسق، نحصل على النطاق العددي الدقيق للتقدير، والذي يثبت حسابياً ومنطقياً كيفية بناء الفترة حول التقدير النقطي المركزي.

6. الحساب الآلي لفترات الثقة باستخدام دالة confint() المدمجة في R

6.1 الاستخدام المباشر لدالة confint() وضبط معاملاتها

توفر حزمة stats المدمجة في نواة R دالة قياسية عالية الكفاءة لحساب فترات الثقة مباشرة لكافة معلمات النماذج الإحصائية وهي دالة confint(). تقوم هذه الدالة بتطبيق نفس الخطوات الحسابية المشروحة سابقاً بشكل آلي فوري، وتتعامل مباشرة مع كائن النموذج الناتج عن lm().

عند تنفيذ الأمر الافتراضي:

confint(simple_model)

تقوم الدالة بحساب فترة ثقة 95% لجميع المعلمات في النموذج، بما في ذلك نقطة التقاطع وجميع المتغيرات المستقلة. يمكن للمحلل التحكم الدقيق في مخرجات الدالة عبر وسيطين رئيسيين:

  • وسيط parm: يُستخدم لتحديد معلمة معينة مراد حساب فترتها وتجاهل بقية المعلمات، مثل: confint(simple_model, parm = "study_hours").
  • وسيط level: يُستخدم لتغيير مستوى الثقة المطلوب؛ فلحساب فترة ثقة 90% نمرر level = 0.90، ولحساب فترة ثقة 99% نمرر level = 0.99.

عند مطابقة الأرقام الناتجة من confint() مع النتائج اليدوية السابقة، يظهر تطابق حسابي مطلق حتى آخر خانة عشرية، مما يرسخ الثقة في الاعتماد على هذه الدالة في التطبيقات البحثية اليومية.

6.2 تحويل مخرجات فترات الثقة إلى جداول بيانات نظيفة باستخدام broom

في بيئات التحليل الحديثة وخطوط معالجة البيانات (Data Pipelines)، يُفضل تجنب المصفوفات التقليدية وتحويل نتائج النماذج إلى أطر بيانات متوافقة مع فلسفة البيانات المرتبة (Tidy Data). توفر حزمة broom دالة قوية واستثنائية تُدعى tidy() تفي بهذا الغرض تماماً.

بتمرير النموذج إلى الدالة وتفعيل خيار فترات الثقة:

tidy_results <- broom::tidy(simple_model, conf.int = TRUE, conf.level = 0.95)

ينتج إطار بيانات مهيكل يحتوي على أعمدة واضحة ومنسقة تشمل: اسم المتغير (term)، والتقدير النقطي (estimate)، والخطأ المعياري (std.error)، والإحصاء الاختباري (statistic)، والقيمة الاحتمالية (p.value)، والحد الأدنى للثقة (conf.low)، والحد الأعلى للثقة (conf.high).

يسهل هذا التنسيق البرمجي النظيف عمليات التصفية الرياضية، ودمج نتائج نماذج متعددة في جدول مقارن واحد، وتصدير الجداول مباشرة إلى ملفات خارجية بصيغ CSV أو LaTeX أو جداول HTML متوافقة مع متطلبات النشر العلمي الدولي دون الحاجة لإعادة كتابة الأرقام يدوياً وتفادي أخطاء النسخ البشري.

7. حساب فترات الثقة في نماذج الانحدار الخطي المتعدد

7.1 بناء النموذج المتعدد وحساب فترات الثقة للمعاملات الجزئية

عند الانتقال إلى نماذج الانحدار الخطي المتعدد، يصبح الهدف هو تقدير الأثر الجزئي (Partial Effect) أو الفريد لكل متغير مستقل على المتغير التابع، بعد التحكم الإحصائي وعزل أثر باقي المتغيرات المدرجة في المعادلة. نقوم بتقدير نموذج يشمل التنبؤ بالتحصيل الدراسي (exam_score) باستخدام ساعات المذاكرة (study_hours)، وقلق الاختبار (test_anxiety)، والمرونة النفسية (resilience):

multiple_model <- lm(exam_score ~ study_hours + test_anxiety + resilience, data = academic_data)

بحساب فترات الثقة لهذا النموذج باستخدام confint(multiple_model, level = 0.95)، نلاحظ أن كل معامل انحدار جزئي يحصل على فترة ثقة تعبر عن نطاق الأثر الصافي للمتغير. على سبيل المثال، تفسر فترة الثقة لمعامل قلق الاختبار بأنها: “مع بقاء ساعات المذاكرة ومستوى المرونة النفسية ثابتين دون تغيير، فإننا واثقون بنسبة 95% من أن كل زيادة بمقدار وحدة واحدة في قلق الاختبار تؤدي إلى انخفاض في متوسط درجات الامتحان يتراوح بين الحد الأدنى والحد الأعلى للفترة المحسوبة”.

تكتسب فترات الثقة الجزئية في النماذج المتعددة أهمية خاصة؛ فإذا تضمنت فترة ثقة أحد المعلمات القيمة (صفر)، فإن ذلك يعني عدم قدرتنا على الجزم بوجود أثر فريد مستقل لهذا المتغير عند تثبيت المتغيرات الأخرى، حتى وإن كان يرتبط بشكل قوي مع المتغير التابع في الانحدار البسيط الأحادي.

7.2 تأثير التعدد الخطي (Multicollinearity) على اتساع فترات الثقة

تنشأ ظاهرة التعدد الخطي (Multicollinearity) عندما تكون المتغيرات المستقلة داخل النموذج متعدد الارتباط مرتبطة بشكل قوي جداً فيما بينها. يؤدي هذا التشابك الارتباطي إلى صعوبة بالغة في عزل الأثر الفريد لكل متغير، مما ينعكس رياضياً في شكل تضخم حاد في الأخطاء المعيارية للمعاملات ($SE(b_j)$).

يتسبب تضخم الخطأ المعياري الناتج عن التعدد الخطي في اتساع مفرط وغير مرغوب في فترات الثقة، مما يجعلها غير دقيقة وعديمة الجدوى العملية، وقد يقود إلى تحول معاملات جوهرية إلى معاملات غير دالة إحصائياً (أي تصبح فترات ثقتها عريضة جداً وتعبر الصفر). لتشخيص هذه المشكلة بدقة في R، نستخدم معامل تضخم التباين (Variance Inflation Factor – VIF) عبر حزمة car:

vif_values <- car::vif(multiple_model)

تشير القيم العامة لـ VIF التي تتجاوز العتبة 5 أو 10 إلى وجود تعدد خطي شديد يستوجب التدخل المنهجي. تشمل استراتيجيات المعالجة لتضييق فترات الثقة واستعادة دقتها: دمج المتغيرات شديدة الارتباط في مؤشر مركب موحد (Composite Index) عبر التحليل العاملي، أو زيادة حجم العينة لتعويض التباين المشترك، أو استخدام تقنيات الانحدار الجزائي مثل انحدار الحرف (Ridge Regression) أو لاسو (LASSO).

8. التحقق من الفرضيات الإحصائية وتأثير انتهاكها على دقة فترات الثقة

8.1 فحص اعتدالية البواقي وتجانس التباين

تستند صحة الاشتقاق الرياضي لفترات الثقة المعتمدة على توزيع $t$ إلى تحقق مجموعة صارمة من الافتراضات الإحصائية الكلاسيكية لنموذج غاوس-ماركوف، وعلى رأسها افتراض اعتدالية توزيع البواقي (Normality of Residuals) وافتراض تجانس تباين البواقي (Homoscedasticity). إذا تعرضت هذه الفرضيات للانتهاك، تصبح الأخطاء المعيارية المقدرة بطريقة OLS متحيزة أو غير كفؤة، مما يجعل فترات الثقة إما ضيقة بشكل خادع (زيادة معدل الخطأ من النوع الأول) أو متسعة بصورة مفرطة.

لفحص اعتدالية البواقي تشخيصياً في R، نطبق اختبار شابيرو-ويلك واستكشاف الرسم البياني الكمي-الكمي (Q-Q Plot):

shapiro.test(residuals(multiple_model))
car::qqPlot(multiple_model)

أما لفحص تجانس التباين، فنستخدم اختبار بروش-باغان (Breusch-Pagan Test) المتوفر في حزمة lmtest:

lmtest::bptest(multiple_model)

إذا كانت القيمة الاحتمالية لهذا الاختبار أقل من 0.05، يتم رفض فرضية تجانس التباين وثبوت وجود مشكلة عدم تجانس التباين (Heteroscedasticity)، مما يعني أن تباين الخطأ يتغير عبر مستويات المتغير المستقل، وبالتالي فإن فترات الثقة التقليدية المستخرجة من دالة confint() تفقد مصداقيتها وصحتها الاستدلالية.

8.2 تطبيق الأخطاء المعيارية المتينة (Robust Standard Errors) لحساب فترات الثقة

عند ثبوت انتهاك فرضية تجانس التباين أو في وجود قيم متطرفة خفيفة لا تستدعي الحذف، يُعد الحل الإحصائي الأمثل هو استخدام مصفوفات تصحيح التباين المتينة ضد عدم تجانس التباين (Heteroscedasticity-Consistent Covariance Matrix Estimation – HCCME)، والمعروفة اختصاراً بـ Huber-White Robust Standard Errors. توفر حزمة sandwich في R هذه المقدرات المتقدمة، وخاصة المقدر المتفوق للعينات الصغيرة ومتوسطة الحجم HC3 أو HC1.

لحساب الأخطاء المعيارية المتينة واختبار المعاملات، ندمج حزمتي sandwich وlmtest:

robust_vcov <- sandwich::vcovHC(multiple_model, type = "HC3")
robust_test <- lmtest::coeftest(multiple_model, vcov = robust_vcov)

لبناء فترات الثقة المتينة (Robust Confidence Intervals) باستخدام هذه المصفوفة المصححة، نستخرج الأخطاء المعيارية المتينة من القطر الرئيسي لمصفوفة robust_vcov، ونعيد تطبيق معادلة الثقة باستخدام القيمة الحرجة لتوزيع $t$:

robust_se <- sqrt(diag(robust_vcov))
b_estimates <- coef(multiple_model)
ci_robust_lower <- b_estimates - t_critical * robust_se
ci_robust_upper <- b_estimates + t_critical * robust_se

توفر فترات الثقة المتينة تغطية احتمالية واقعية ودقيقة تحمي الاستدلال العلمي من النتائج المضللة الناتجة عن عدم استقرار التباين في البيانات السلوكية الحقيقية.

9. حساب فترات الثقة باستخدام أسلوب إعادة التشكيل (Bootstrapping) في R

9.1 الأسس اللامعلمية لإعادة التشكيل وفائدتها في القياس النفسي

يُعد أسلوب إعادة التشكيل أو التمهيد الإحصائي (Bootstrapping) ثورة في الإحصاء الحسابي المعاصر، حيث يقدم بديلاً لامعلمياً (Non-parametric) فائق القوة لتقدير فترات الثقة دون الحاجة إلى افتراض أن البواقي تتبع التوزيع الطبيعي، ودون اشتراط تحقق تجانس التباين، ودون الاعتماد على معادلات الخطأ المعياري النظرية المقيدة.

تعتمد الفلسفة الجوهرية للـ Bootstrap على التعامل مع العينة الأصلية المتاحة باعتبارها المجتمع التجريبي الفعلي؛ حيث يتم سحب آلاف العينات العشوائية التكرارية من العينة الأصلية مع الإحلال (Resampling with Replacement) وبنفس حجم العينة الأصلية ($n$). يتم في كل عينة تمهيدية إعادة تقدير نموذج الانحدار وحساب معاملات الانحدار، مما يؤدي في النهاية إلى توليد توزيع تجريبي تجريبي كامل لمعاينة المعامل (Empirical Sampling Distribution).

تتميز فترات ثقة التمهيد بتنوع طرق استخلاصها، وأبرزها:

  • فترة الثقة المئينية (Percentile Bootstrap CI): وتُحسب مباشرة باقتطاع النسب المئوية المتطرفة من التوزيع التجريبي (مثل المئين 2.5 والمئين 97.5 لفترة ثقة 95%).
  • فترة الثقة المصححة بالانحياز والمسرعة (BCa – Bias-Corrected and Accelerated): وهي الفئة الأكثر دقة وتطوراً؛ إذ تقوم بضبط حدود الفترة لتصحيح أي انحياز وسطي (Bias) في التقدير وأي لا تناظر أو التواء في توزيع المعاينة التمهيدي.

9.2 تنفيذ Bootstrap عملياً لمعاملات الانحدار باستخدام حزمة boot

لتنفيذ أسلوب إعادة التشكيل عملياً في R، نعتمد على الحزمة المرجعية المتخصصة boot. تتطلب هذه العملية خطوتين برمجيتين رئيستين: أولاً، بناء دالة إحصائية مخصصة تقبل مصفوفة البيانات وموجه الفهارس العشوائية (indices) وتقوم بإرجاع معاملات النموذج؛ وثانياً، تمرير الدالة إلى أمر boot() وتحديد عدد العينات التمهيدية (يفضل ألا يقل عن 2000 إلى 5000 تكرار).

نقوم بتعريف دالة التقدير المخصصة:

boot_reg <- function(data, indices) {
  d <- data[indices, ]
  fit <- lm(exam_score ~ study_hours + test_anxiety + resilience, data = d)
  return(coef(fit))
}

ثم نشغل عملية التمهيد التكراري بعد ضبط البذرة العشوائية:

set.seed(2026)
boot_results <- boot::boot(data = academic_data, statistic = boot_reg, R = 5000)

لاستخراج فترات الثقة المتقدمة للمعاملات، نستخدم دالة boot.ci(). على سبيل المثال، لحساب فترة الثقة المئينية وفترة BCa لمعامل ساعات المذاكرة (المعلمة رقم 2 في الترتيب):

boot.ci(boot_results, type = c("perc", "bca"), index = 2)

توفر نتائج فترات الثقة الناتجة عن BCa أقصى درجات الموثوقية الاستدلالية، لا سيما في النماذج النفسية التي تعاني من توزيعات ملتوية بشدة أو عند التعامل مع عينات إكلينيكية صغيرة الحجم يصعب فيها تبرير الافتراضات البارامترية.

10. التمثيل البصري المتقدم لفترات ثقة معاملات الانحدار باستخدام ggplot2

10.1 رسم خط الانحدار مع نطاق الثقة الشريطي (Confidence Band)

يُعد التواصل البصري للنتائج الإحصائية ركيزة لا غنى عنها في الأبحاث الحديثة. توفر حزمة ggplot2 إمكانات استثنائية لتمثيل عدم اليقين في نماذج الانحدار بشكل أنيق وبديهي. يُعتبر رسم خط الانحدار مصحوباً بـ “نطاق الثقة الشريطي” (Confidence Band) الطريقة القياسية لتوضيح مدى دقة تقدير متوسط الاستجابة عبر المدى الكامل للمتغير المستقل.

يتم بناء هذا المخطط بسلاسة تامة باستخدام الطبقة الهندسية geom_smooth() مع تحديد الطريقة الرياضية method = "lm" وضبط مستوى الثقة المطلوب:

ggplot(academic_data, aes(x = study_hours, y = exam_score)) +
  geom_point(alpha = 0.6, color = "#2c3e50", size = 2.5) +
  geom_smooth(method = "lm", level = 0.95, color = "#e74c3c", fill = "#e74c3c", alpha = 0.2) +
  theme_minimal(base_size = 14) +
  labs(title = "العلاقة التنبؤية بين ساعات المذاكرة ودرجات التحصيل",
       subtitle = "خط الانحدار مع نطاق ثقة 95% لمتوسط الاستجابة",
       x = "ساعات المذاكرة الأسبوعية",
       y = "درجة التحصيل الأكاديمي")

يتميز الشريط الشفاف المحيط بخط الانحدار بضيقه عند مركز البيانات (الوسط الحسابي للمتغير المستقل $\bar{X}$) واتساعه التدريجي كلما ابتعدنا نحو الأطراف، وهو انعكاس بصري مباشر للصيغة الرياضية للخطأ المعياري التي تتزايد طردياً مع المسافة من الوسط الحسابي.

10.2 إنشاء مخططات فترات الثقة للمعاملات (Coefficient Plots / Forest Plots)

في نماذج الانحدار المتعدد، يصبح من الصعب تمثيل العلاقات في رسم بياني ثنائي الأبعاد بسيط. الحل الاحترافي الرائد هنا هو استخدام “مخططات المعاملات” (Coefficient Plots أو Forest Plots)، والتي تعرض كل متغير مستقل كنقطة تمثل تقديره النقطي محاطاً بخط أفقي يمثل حدود فترة الثقة المحسوبة له (Point-Range Plot).

لبناء هذا المخطط الاحترافي، نستخدم مخرجات broom::tidy() مدمجة مع طبقة geom_pointrange() في ggplot2، مع استبعاد نقطة التقاطع للتركيز على المتغيرات التنبؤية، وإضافة خط عمودي متقطع عند القيمة (صفر) كمرجع بصري لتقييم الدلالة:

model_tidy <- broom::tidy(multiple_model, conf.int = TRUE) %>%
  filter(term != "(Intercept)")

ggplot(model_tidy, aes(x = estimate, y = term, xmin = conf.low, xmax = conf.high)) +
  geom_vline(xintercept = 0, linetype = "dashed", color = "gray50", size = 0.8) +
  geom_pointrange(color = "#16a085", size = 0.9, fatten = 3) +
  theme_light(base_size = 13) +
  labs(title = "التقديرات النقطية وفترات الثقة 95% لمعاملات الانحدار المتعدد",
       x = "قيمة معامل الانحدار غير المعياري (B)",
       y = "المتغيرات التنبؤية")

يتيح هذا المخطط للقارئ والمحكم العلمي تقييم دلالة واتجاه وحجم أثر كل متغير بصرياً في لمح البصر؛ فالمتغير الذي لا يقطع خط فترة ثقته الخط المرجعي للصفر يُعتبر دالاً إحصائياً، بينما يوضح موقع واتساع الخط الأثر النسبي ودرجة الدقة التقديرية بدقة فائقة.

11. تفسير النتائج وصياغة التقارير الإحصائية وفق معايير APA 7

11.1 القواعد الدقيقة لكتابة وتفسير فترات الثقة نصياً

تضع النسخة السابعة من دليل النشر لجمعية علم النفس الأمريكية (APA 7th Edition) معايير حاسمة وصارمة لكيفية الإبلاغ عن فترات الثقة داخل المتن النصي للأبحاث والتقارير العلمية. تنص القاعدة الأساسية على ضرورة إقران كل تقدير نقطي لفترة ثقته مع تحديد مستوى الثقة بوضوح بين قوسين معقوفين، واستخدام الرموز المائلة للمعلمات الإحصائية.

تُصاغ النتيجة في المتن وفق النموذج القياسي التالي:

“أظهرت نتائج الانحدار الخطي المتعدد أن ساعات المذاكرة ارتبطت إيجابياً وبشكل دال إحصائياً بالتحصيل الدراسي، $B = 2.45$, $SE = 0.31$, $95% \text{ CI } [1.84, 3.06]$, $t(146) = 7.90$, $p < .001$. كما تبين أن قلق الاختبار كان منبئاً سلبياً دالاً بدرجات الامتحان، $B = -0.58$, $SE = 0.12$, $95% \text{ CI } [-0.82, -0.34]$, $t(146) = -4.83$, $p < .001$."

عند صياغة التفسير النوعي، ينبغي تجنب الصياغات الخاطئة القائمة على الاحتمال المباشر للمعلمة، واستبدالها بصياغات تستند إلى دقة التقدير وحجم الأثر الواقعي، مثل: “تشير النتائج بدرجة ثقة 95% إلى أن كل ساعة مذاكرة إضافية ترتبط بزيادة في درجات الطلاب تتراوح بشكل معقول بين 1.84 و3.06 درجة، مما يؤكد أن الأثر ليس دالاً إحصائياً فحسب، بل يحمل قيمة تربوية وأهمية تطبيقية ملموسة”.

11.2 إعداد جداول الانحدار الاحترافية للنشر العلمي

يُفضل في المجلات الأكاديمية المصنفة عرض نتائج نماذج الانحدار المعقدة في جداول إحصائية متكاملة ومصممة وفق اشتراطات APA، والتي تحظر استخدام الخطوط العمودية وتقتصر على خطوط أفقية رئيسية محددة. توفر بيئة R حزماً احترافية رائدة لتوليد هذه الجداول مباشرة بجودة الطباعة والنشر، ومن أبرزها حزمة modelsummary وحزمة stargazer.

باستخدام حزمة modelsummary، يمكن إنشاء جدول انحدار احترافي يتضمن المعاملات وفترات الثقة وإحصاءات جودة التوفيق بضغطة زر واحدة:

modelsummary::modelsummary(
  list("نموذج بسيط" = simple_model, "نموذج متعدد" = multiple_model),
  estimate = "{estimate} [{conf.low}, {conf.high}]",
  statistic = NULL,
  conf_level = 0.95,
  gof_map = c("nobs", "r.squared", "adj.r.squared", "rmse"),
  title = "جدول 1: ملخص نماذج الانحدار الخطي وفترات الثقة 95% المنبئة بالتحصيل الأكاديمي",
  notes = "ملاحظة: القيم بين الأقواس المعقوفة تمثل حدود فترة الثقة 95% لمعاملات الانحدار غير المعيارية."
)

يضمن هذا التوليد البرمجي الآلي توافقاً تاماً مع متطلبات المجلات العلمية المفهرسة، ويلغي تماماً احتمالية تسرب الأخطاء الرقمية أثناء كتابة التقارير والرسائل الجامعية.

12. دراسة حالة تطبيقية متكاملة وسيناريوهات برمجية متقدمة في R

12.1 تطبيق عملي كامل من البيانات الخام حتى التقرير النهائي

لتتويج كافة الأدوات المنهجية التي تم استعراضها، نستعرض دراسة حالة متكاملة تبحث أثر الضغط النفسي المتصور (Perceived Stress) والدعم الاجتماعي (Social Support) على جودة الحياة الصحية (Quality of Life) لدى عينة بحثية واقعية. سنقوم بتنفيذ مسار التحليل الكامل بدءاً من التقدير النقطي، مروراً بفترات الثقة المعلمية، والأخطاء المعيارية المتينة، وانتهاءً بفترات الثقة التمهيدية (Bootstrapped CIs).

يوضح التحليل المقارن بين الطرق الإحصائية المختلفة كيف تتكامل هذه الأدوات:

  • الطريقة المعلمية الكلاسيكية: وفرت فترات ثقة دقيقة بافتراض تحقق الاعتدالية والتجانس التام، وبلغت فترة ثقة معامل الدعم الاجتماعي $95% \text{ CI } [0.452, 0.814]$.
  • طريقة الأخطاء المتينة (HC3): في ظل وجود عدم تجانس طفيف في أطراف تباين الضغط النفسي، قامت هذه الطريقة بتوسيع طفيف للحدود لحماية الاستدلال، فأصبحت الفترة $[0.438, 0.828]$.
  • طريقة التمهيد اللامعلمي (BCa Bootstrap): قامت برصد الالتواء الطفيف في توزيع المعاينة التجريبي، وأنتجت فترة ثقة معدلة بدقة بلغت $[0.446, 0.821]$.

يؤكد هذا التقارب والاتساق بين الطرق المتعددة متانة النتائج البحثية، ويمنح الباحث أساساً برهانياً راسخاً لتأكيد استنتاجاته في مناقشة النتائج العلمية.

12.2 الأخطاء الشائعة واستراتيجيات استكشاف الأخطاء وإصلاحها (Troubleshooting) في R

أثناء التعامل البرمجي مع فترات الثقة في R، قد يواجه الباحثون بعض الرسائل التحذيرية والأخطاء التقنية الشائعة. يستعرض الجدول التالي أهم هذه المشكلات وكيفية معالجتها برمجياً:

  • رسالة خطأ “matrix is computationally singular”: تظهر هذه المشكلة عند استدعاء vcov() أو confint() في ظل وجود تعدد خطي تام (Perfect Multicollinearity) أو وجود متغير ثابت بدون تباين. يتم حل المشكلة بفحص مصفوفة الارتباط وحذف المتغير المكرر تماماً باستخدام car::vif().
  • التعامل مع المتغيرات الفئوية (Factor Variables): عند إدخال متغير فئوي (مثل نوع التدخل النفسي: علاج معرفي سلوكي مقابل مجموعة ضابطة)، تقوم R تلقائياً بإنشاء متغيرات وهمية (Dummy Variables). تمثل فترة الثقة المحسوبة هنا الفرق بين الفئة المحددة والفئة المرجعية (Reference Level). لتغيير الفئة المرجعية وضبط فترات المقارنة، نستخدم دالة relevel(factor_var, ref = "Control").
  • تضارب أسماء المعلمات في دالة boot.ci(): يحدث هذا الخطأ عندما يتم استدعاء مؤشر غير صحيح للمعامل داخل كائن التمهيد. لتجنب ذلك، يجب فحص ترتيب المعلمات دائماً باستخدام boot_results$t0 لتحديد رقم الفهرس الدقيق للمتغير المستهدف.
  • القيم المفقودة الخفية: قد يؤدي وجود قيم مفقودة في بعض المتغيرات دون غيرها إلى اختلاف حجم العينة بين النماذج البسيطة والمتعددة، مما يجعل فترات الثقة غير قابلة للمقارنة المباشرة. يُوصى بتطبيق na.omit() على المتغيرات المدرجة قبل البدء لتوحيد العينة التحليلية.

الخاتمة

يمثل حساب وتفسير فترات الثقة لمعاملات الانحدار الخطي في لغة R نقلة نوعية من مجرد اتخاذ قرارات ثنائية مبسطة قائمة على رفض أو قبول الفرضيات الصفرية، إلى ممارسة استدلالية علمية متقدمة تقيس بدقة حجم الأثر ومقدار عدم اليقين الإحصائي. لقد أظهر هذا الدليل الشامل أن لغة R توفر بيئة برمجية ثرية لا تضاهى تمكن الباحث من التنقل بسلاسة بين الاشتقاق الرياضي اليدوي، والحساب الآلي فائق السرعة عبر confint()، وصولاً إلى الحلول الإحصائية المتقدمة كالنمذجة المتينة وإعادة التشكيل اللامعلمي (Bootstrapping).

إن الالتزام بتضمين فترات الثقة وتقديمها عبر تمثيلات بصرية احترافية وجداول منسقة وفق معايير APA 7 ليس مجرد استيفاء لمتطلبات النشر في المجلات العلمية المرموقة، بل هو تجسيد للمسؤولية المنهجية والأمانة الأكاديمية التي ترتقي بجودة البحوث السلوكية والنفسية وتسهم في بناء معرفة تراكمية رصينة وموثوقة.

References

اقتباس هذا المقال

looti, M. (2026, سبتمبر 2). كيفية حساب فترة الثقة لمعامل الانحدار في R. عرب سايكلوجي. https://arabpsychology.com/how-to-calculate-confidence-interval-for-regression-coefficient-in-r/
looti, Mohammed. “كيفية حساب فترة الثقة لمعامل الانحدار في R.” عرب سايكلوجي, 2 سبتمبر 2026, https://arabpsychology.com/how-to-calculate-confidence-interval-for-regression-coefficient-in-r/.
looti, Mohammed. “كيفية حساب فترة الثقة لمعامل الانحدار في R.” عرب سايكلوجي. سبتمبر 2, 2026. https://arabpsychology.com/how-to-calculate-confidence-interval-for-regression-coefficient-in-r/.

مقالات ذات صلة