كيفية حساب الارتباط الجزئي في R

يعد التحليل الإحصائي للعلاقات الارتباطية حجر الزاوية في العلوم السلوكية، والاجتماعية، والطبية، والبيانات الحيوية. ومع ذلك، فإن الارتباط البسيط بين متغيرين كثيراً ما يعطي صورة مضللة أو سطحية عن طبيعة التفاعل الحقيقي بينهما؛ نظراً لتداخل متغيرات وسيطة أو دخيلة تشترك في تفسير التباين الإجمالي. هنا تبرز أهمية تقنية الارتباط الجزئي (Partial Correlation) كأداة إحصائية قياسية تمكن الباحثين من قياس الارتباط الخالص بين متغيرين بعد إزالة وحذف أثر متغير ثالث أو مجموعة من المتغيرات الضابطة، مما يزيل التباين الزائف ويكشف النقاب عن الارتباط الخطي الحقيقي.

مع تطور بيئات البرمجة الإحصائية مفتوحة المصدر، أصبحت لغة R البيئة البرمجية القياسية الأكثر موثوقية ومرونة لتنفيذ تحليلات الارتباط الجزئي بمختلف مستوياتها؛ بدءاً من العلاقات البسيطة ذات الرتبة الأولى وحتى المصفوفات الجزئية المعقدة في النماذج متعددة المتغيرات. إن الانتقال من مجرد حساب معاملات الارتباط إلى فهم الأسس الخوارزمية، وتحقق الافتراضات الإحصائية، وبناء الأكواد القابلة للتكرار في بيئة R يمثل مهارة محورية لأي باحث يسعى لتقديم نتائج تتسم بالرصانة والصدق الإحصائي العالي.

يهدف هذا الدليل الشامل والمفصل إلى تزويد الباحث والمحلل الإحصائي بفهم نظري وتطبيقي متكامل لكيفية حساب وتفسير وعرض معاملات الارتباط الجزئي وشبه الجزئي باستخدام لغة R، مع الالتزام بالمعايير الصارمة لجمعية علم النفس الأمريكية (American Psychological Association – APA). سنتناول في الأقسام التالية التفاصيل الرياضية، وكيفية فحص الافتراضات الإحصائية، والتطبيق البرمجي عبر الحزم المتخصصة، وبناء التصورات البصرية المتقدمة، وصولاً إلى استكشاف الأخطاء ومعالجتها برمجياً.

1. مقدمة نظرية حول الارتباط الجزئي ومفهومه الإحصائي

1.1 تعريف الارتباط الجزئي والفرق بينه وبين الارتباط البسيط

يُعرَّف معامل الارتباط الجزئي بأنه مقياس إحصائي يقيس اتجاه وقوة العلاقة الخطية الصافية بين متغيرين مستمرين بعد استبعاد أو تحييد التباين المشترك الناتج عن متغير ثالث أو مجموعة من المتغيرات الخارجية. في المقابل، يقيس معامل ارتباط بيرسون البسيط (Zero-order Correlation) العلاقة المباشرة الإجمالية بين متغيرين دون مراعاة ما إذا كانت هذه العلاقة ناتجة عن تأثير متبادل بينهما فقط أو أنها مدفوعة جزئياً أو كلياً بمتغير خارجي يشاركهما نفس التباين.

تظهر الفروق الجوهرية بين المفهومين في البنية التفسيرية للبيانات؛ فالارتباط البسيط يفترض ضمنياً نظاماً ثنائي المتغيرات معزولاً عن أي تأثير خارجي، وهو افتراض نادراً ما يتحقق في الواقع التطبيقي. بينما يعمل الارتباط الجزئي على تفكيك التباين الكلي إلى تباين مشترك فريد بين المتغيرين المستهدفين وتباين مفسر بواسطة المتغيرات الضابطة، ومن ثم يتم حذف الأخير رياضياً. يتيح هذا الإجراء للباحثين التحقق مما إذا كانت العلاقة الإيجابية أو السلبية الملاحظة هي علاقة أصيلة أم أنها مجرد انعكاس لانتماء المتغيرين لمتغير نظامي أوسع.

إن إزالة التباين المشترك الناتج عن المتغيرات الخارجية تمثل خطوة تأسيسية لضمان دقة الاستدلال الإحصائي؛ إذ إن الاعتماد المطلق على معاملات الارتباط البسيط يؤدي في كثير من الحالات إلى استنتاجات خاطئة حول قوة الارتباط الفعلي، وقد يترتب عليه اتخاذ قرارات تدريبية أو علاجية أو سياساتية غير دقيقة بناءً على علاقات وهمية لا تصمد عند إخضاعها للضبط المنهجي.

1.2 الأهمية الإحصائية لضبط المتغيرات الدخيلة (Confounding Variables)

تمثل المتغيرات المربكة أو الدخيلة (Confounding Variables) تهديداً جوهرياً للصدق الداخلي لأي دراسة كمية؛ حيث ترتبط هذه المتغيرات بكل من المتغير التفسيري والمتغير التابع في آن واحد. يؤدي هذا التداخل المزدوج إلى نشوء ما يُعرف بـ العلاقات الزائفة (Spurious Relationships)، وهي روابط إحصائية قوية ومضللة بين متغيرين لا يرتبطان ببعضهما بشكل مباشر، ولكن تزامنهما يرجع إلى خضوعهما لنفس المتغير الدخيل الذي يقود حركتهما سوياً.

بالإضافة إلى خلق علاقات وهمية، فإن إهمال المتغيرات المربكة قد يتسبب في إخفاء أو تخفيف العلاقات الحقيقية بين المتغيرات محل الاهتمام، وهي الظاهرة المعاكسة المعروفة بـ التأثير القامع (Suppressor Effect). في هذا السياق، يقوم المتغير الدخيل بحجب التباين المشترك الحقيقي بين المتغيرين الأساسيين، ولا يظهر هذا الارتباط القوي إلا بعد ضبط المتغير القامع وإزالته إحصائياً، مما يعيد العلاقة الحقيقية إلى الواجهة بدقة بالغة.

يسهم ضبط المتغيرات الدخيلة عبر تقنيات الارتباط الجزئي في تحسين جودة النماذج التنبؤية والتفسيرية في البحوث العلمية؛ إذ يوفر تقديراً غير متحيز لمدى إسهام كل متغير بمفرده في النموذج الظاهري. هذا بدوره يعزز قدرة النماذج الإحصائية على تفسير التباين الفريد للظواهر المعقدة، ويحد من أخطاء التخصيص في النماذج الإحصائية اللاحقة كالنمذجة بالمعادلات البنائية ونماذج المسار.

1.3 التطبيقات المنهجية في البحوث النفسية والتربوية

تعتمد العلوم النفسية والتربوية بشكل مكثف على الارتباط الجزئي لحل التداخلات المفاهيمية بين السمات والقدرات المعرفية والبيئية. على سبيل المثال، عند دراسة العلاقة بين عدد ساعات الاستذكار الأسبوعية والتحصيل الأكاديمي النهائي لدى الطلاب، يبرز الذكاء العام أو التحصيل الدراسي السابق كمتغير دخيل قوي؛ فإذا لم يتم عزل تأثير القدرة المعرفية العامة، فإن معامل الارتباط البسيط سيبالغ في تقدير الأثر الحقيقي لعدد ساعات الاستذكار وحدها.

وفي مجال علم النفس الإكلينيكي والصحة النفسية، يكثر استخدام الارتباط الجزئي لفحص العلاقة النوعية بين أعراض القلق وأعراض الاكتئاب مع تحييد أثر الضغوط الحياتية المزمنة أو الاضطراب الوجداني العام (Negative Affectivity). يتيح هذا الضبط تحديد ما إذا كان التداخل بين القلق والاكتئاب ناتجاً عن ارتباط بنيوي خالص بين المتلازمتين أم أنه مجرد استجابة مشتركة لعوامل الضغط البيئي الخارجي التي تزيد من حدة الاضطرابين في آن واحد.

كما يُستخدم الارتباط الجزئي بصورة موسعة في تطوير وتقنين الاختبارات والمقاييس السيكومترية؛ لتحديد الصدق التمييزي (Discriminant Validity) والصدق البنائي (Construct Validity). فمن خلال حساب الارتباط الجزئي بين فقرات المقياس والسمة المستهدفة بعد ضبط السمات المتداخلة (كالميل نحو المرغوبية الاجتماعية)، يمكن للمطورين التأكد من أن المقياس يقيس السمة المستهدفة بدقة دون تلوث ناتج عن أساليب الاستجابة الشخصية.

2. الأسس الرياضية والخوارزمية لمعامل الارتباط الجزئي

2.1 معادلة الارتباط الجزئي من الرتبة الأولى (First-Order Partial Correlation)

يُقصد بالارتباط الجزئي من الرتبة الأولى قياس العلاقة بين متغيرين (ليكن المتغير X والمتغير Y) مع ضبط وتحييد أثر متغير ثالث واحد فقط (ليكن المتغير Z). تعتمد الصياغة الجبرية الكلاسيكية لحساب معامل الارتباط الجزئي $r_{xy.z}$ على معاملات ارتباط بيرسون البسيطة بين أزواج المتغيرات الثلاثة، وفق الصيغة الرياضية التالية:

$$r_{xy.z} = \frac{r_{xy} – (r_{xz} \times r_{yz})}{\sqrt{(1 – r_{xz}^2)(1 – r_{yz}^2)}}$$

حيث يمثل $r_{xy}$ معامل الارتباط البسيط بين X وY، بينما يمثل $r_{xz}$ و$r_{yz}$ معاملات الارتباط بين المتغيرين المستهدفين والمتغير الضابط Z على التوالي. يوضح البسط في هذه المعادلة كيفية طرح التباين المشترك الناتج عن الوساطة المتبادلة لـ Z من الارتباط الأصلي بين X وY، في حين يقوم المقام بتعديل الانحراف المعياري للمتغيرين بعد خصم التباين المفسر بـ Z من كل منهما، لضمان بقاء قيمة المعامل ضمن المجال القياسي المحصور بين -1 و +1.

يؤثر حساب الارتباط الجزئي بشكل مباشر على درجات الحرية (Degrees of Freedom) المتاحة لاختبار الفرضيات الإحصائية. ففي حين تُحسب درجات الحرية للارتباط البسيط بالمعادلة $df = N – 2$ (حيث $N$ هو حجم العينة)، فإن درجات الحرية للارتباط الجزئي من الرتبة $k$ (حيث $k$ هو عدد المتغيرات المضبوطة) تُحسب بالمعادلة:

$$df = N – 2 – k$$

في حالة الرتبة الأولى ($k=1$)، تصبح درجات الحرية $df = N – 3$. هذا الخصم يعكس التكلفة الإحصائية لتقدير معالم إضافية، مما يؤدي إلى تقليل طفيف في حساسية الاختبار الإحصائي وقيمته الدلالية، ويتطلب أحجام عينات كافية لتعويض هذا الفقد.

2.2 الارتباط الجزئي من الرتب العليا وضبط متغيرات متعددة

عندما تتطلب الدراسة ضبط متغيرين أو أكثر في وقت واحد (مثل ضبط $Z_1, Z_2, dots, Z_k$)، فإننا ننتقل إلى معاملات الارتباط الجزئي من الرتب العليا (Higher-Order Partial Correlations). تصبح الصيغ الرياضية التكرارية اليدوية شديدة التعقيد في هذه الحالات، لذلك تعتمد الخوارزميات الحاسوبية الحديثة على الجبر الخطي وتفكيك مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix) أو مصفوفة الارتباط البسيط $R$.

تعتمد الطريقة القياسية المطبقة برمجياً على حساب مصفوفة الدقة (Precision Matrix) أو ما يُعرف بمعكوس مصفوفة الارتباط $\Omega = R^{-1}$. إذا كانت العناصر القطرية وغير القطرية لمعكوس المصفوفة يرمز لها بـ $\omega_{ij}$، فإن معامل الارتباط الجزئي بين المتغير $i$ والمتغير $j$ بعد ضبط جميع المتغيرات الأخرى في المصفوفة يُحسب مباشرة عبر المعادلة:

$$r_{ij.\text{rest}} = -\frac{\omega_{ij}}{\sqrt{\omega_{ii} \times \omega_{jj}}}$$

توفر هذه المقاربة المصفوفية كفاءة حسابية فائقة تتيح حساب جميع معاملات الارتباط الجزئي لشبكة ضخمة من المتغيرات في خطوة جبرية واحدة، وتضمن استقرار النتائج رياضياً دون الحاجة إلى تكرار المعادلات الثنائية.

ومع ذلك، تفرض هذه الطريقة قيوداً جبرية صارمة تتعلق بقابلية المصفوفة للعكس (Invertibility)؛ فإذا كان عدد المتغيرات $p$ يقترب من حجم العينة $N$، أو في حال وجود ارتباط خطي متعدد تام (Perfect Multicollinearity)، تصبح مصفوفة الارتباط مصفوفة مفردة (Singular Matrix) ذات محدد يقترب من الصفر، مما يمنع إتمام عملية القلب الحسابي ويتطلب تقنيات انكماشية متقدمة.

2.3 العلاقة البنيوية بين الارتباط الجزئي ونماذج الانحدار الخطي

يرتبط مفهوم الارتباط الجزئي ارتباطاً بنيوياً وثيقاً بنماذج الانحدار الخطي المتعدد (Multiple Linear Regression). يمكن فهم الارتباط الجزئي إجرائياً بأنه معامل ارتباط بيرسون البسيط بين بواقي (Residuals) نموذجي انحدار مستقلين. لتوضيح ذلك، إذا قمنا ببناء نموذج انحدار يتنبأ بالمتغير X بناءً على المتغير الضابط Z واستخرجنا البواقي $e_{x.z}$، ثم بنينا نموذج انحدار آخر يتنبأ بالمتغير Y بناءً على Z واستخرجنا البواقي $e_{y.z}$، فإن الارتباط الجزئي $r_{xy.z}$ يطابق تماماً معامل ارتباط بيرسون بين هذين المتجهين من البواقي:

$$r_{xy.z} = r(e_{x.z}, e_{y.z})$$

تمثل هذه البواقي الأجزاء النقية من المتغيرين X وY التي عجز المتغير Z عن تفسيرها، وبالتالي فإن ربط هذه البواقي يعكس التباين المتبادل الصافي بين المتغيرين دون أي تشويش خارجي.

علاوة على ذلك، يرتبط معامل الارتباط الجزئي بالوزن الانحداري المعياري الجزئي وبإحصائية $t$ الناتجة عن اختبار معامل الانحدار في النموذج المتعدد عبر الصيغة:

$$r_{xy.z} = \frac{t}{\sqrt{t^2 + df}}$$

وعند تربيع معامل الارتباط الجزئي نحصل على معامل التحديد الجزئي ($r_{xy.z}^2$)، والذي يفسر رياضياً كنسبة التباين الفريد (Unique Explained Variance) المشترك بين X وY منسوباً إلى التباين المتبقي في Y بعد خصم إسهام المتغير Z. يمنح هذا التفسير الباحثين أداة واضحة لقياس الأهمية النسبية للمتغيرات بصورة تتجاوز مجرد الدلالة الإحصائية الاسمية.

3. الافتراضات الإحصائية اللازمة لتطبيق الارتباط الجزئي

3.1 فرضية الخطية (Linearity) واستقلال الملاحظات

تستند خوارزميات الارتباط الجزئي – المشتقة من عائلة النماذج الخطية العامة – إلى افتراض أساسي مؤداه أن العلاقات الثنائية بين جميع أزواج المتغيرات (المتغيرات المستهدفة والمتغيرات الضابطة) تتخذ نمطاً خطياً مستقيماً. إذا كانت العلاقة الحقيقية بين أي زوج من المتغيرات علاقة منحنية (Curvilinear) أو أسية أو لوجستية، فإن تطبيق الارتباط الجزئي سيؤدي إلى فشل النموذج في إزالة التباين المشترك بالكامل، مما يترك أثراً متبقياً مشوهاً ينتج عنه معاملات ارتباط جزئية غير دقيقة ومتحيزة.

للتحقق من هذا الافتراض في R، ينبغي فحص مصفوفات مخططات التشتت (Scatterplot Matrices) لكل زوج من المتغيرات قبل البدء بالتحليل، مع إضافة خطوط التنعيم المحلية (Loess Smoother) للتأكد من عدم وجود انحناءات حادة أو أنماط دائرية في البيانات.

أما فيما يخص فرضية استقلال الملاحظات (Independence of Observations)، فيجب أن تكون كل مشاهدة في العينة مستقلة إحصائياً عن المشاهدات الأخرى، دون وجود تداخل ناتج عن أخذ العينات العنقودية غير المضبوطة أو القياسات المتكررة لنفس الأفراد عبر الزمن (Autocorrelation). إن خرق فرضية الاستقلال يضخم الأخطاء المعيارية ويؤدي إلى ارتفاع معدلات الخطأ من النوع الأول (Type I Error).

3.2 التوزيع الطبيعي متعدد المتغيرات (Multivariate Normality)

بينما يمكن حساب القيمة النقطية لمعامل الارتباط الجزئي وصفياً لأي توزيع عددي، فإن إجراء الاختبارات الاستدلالية (مثل حساب القيمة الاحتمالية $p$-value وبناء فترات الثقة) يفترض أن جميع المتغيرات مجتمعة تتبع التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution). يعني هذا الافتراض أن كل متغير يتبع التوزيع الطبيعي بمفرده، وأن كل تركيبة خطية من هذه المتغيرات تتبع أيضاً توزيعاً طبيعياً مع وجود تجانس في التباين المشترك.

في بيئة R، يمكن فحص هذا الافتراض بدقة من خلال اختبارات إحصائية متخصصة مثل اختبار مارديا (Mardia’s Test) لحساب التفرطح والالتواء المتعدد، واختبار رويا وطاقة هينز (Henze-Zirkler Test) المتاحين عبر حزمة MVN الإحصائية. إذا أشارت النتائج إلى دلالة إحصائية عند مستوى $\alpha = 0.05$، فإن ذلك يعكس خرقاً لفرضية التوزيع الطبيعي متعدد المتغيرات.

في حالات عدم تحقق التوزيع الطبيعي، يتاح للباحث عدة خيارات علاجية؛ منها تطبيق التحويلات الرياضية على البيانات مثل تحويل بوكس-كوكس (Box-Cox Transformation) أو تحويل ييو-جونسون (Yeo-Johnson)، أو اللجوء إلى البدائل اللامعلمية مثل استخدام معاملات ارتباط الرتب الجزئية القائمة على سبيرمان (Spearman’s Partial Correlation)، أو استخدام أساليب إعادة أخذ العينات التكرارية (Bootstrapping) لحساب فترات الثقة التجريبية دون الاعتماد على افتراضات التوزيع المعلمي.

3.3 غياب القيم الشاذة المتعددة وتجانس التباين

تتميز معاملات الارتباط الجزئي بحساسيتها الشديدة لوجود القيم الشاذة المتعددة (Multivariate Outliers). فالقيمة المتطرفة متعددة المتغيرات هي مشاهدة قد تبدو طبيعية تماماً عند فحص كل متغير بمعزل عن الآخر، لكنها تمثل تركيبة غير نمطية ومتباعدة جداً عند دمج المتغيرات في فضاء متعدد الأبعاد. يمكن لمشاهدة شاذة واحدة ذات قوة تأثير عالية (High Leverage) أن تغير إشارة معامل الارتباط الجزئي من موجبة إلى سالبة أو العكس.

يتم الكشف عن هذه القيم رياضياً في R عبر حساب مسافة ماهالانوبيس (Mahalanobis Distance) لكل حالة ومقارنتها بقيم التوزيع الاحتمالي لكاي تربيع ($\chi^2$) عند درجات حرية مساوية لعدد المتغيرات، وفق دالة mahalanobis() المدمجة. المشاهدات التي تتجاوز القيم الحرجة (عادة عند مستوى $p < 0.001$) يجب فحصها بدقة لتحديد أسباب تطرفها واستبعادها أو معالجتها بنماذج قوية.

كذلك يجب التحقق من فرضية تجانس التباين البواقي (Homoscedasticity)، والتي تشترط أن يكون انتشار بواقي المتغيرات ثابتاً وموزعاً بالتساوي عبر كافة مستويات المتغيرات الضابطة، حيث يؤدي عدم تجانس التباين إلى تقديرات غير دقيقة للأخطاء المعيارية واختبارات الدلالة الإحصائية.

4. إعداد بيئة العمل وتجهيز حزم لغة R المخصصة

4.1 تثبيت وتحميل حزمة ppcor الأساسية

تعد حزمة ppcor (Point-and-Click Partial and Semi-Partial Correlation) الحزمة المعيارية والأكثر انتشاراً في مجتمع R لحساب معاملات الارتباط الجزئي وشبه الجزئي بدقة حسابية عالية وسرعة استثنائية. تم تطوير الحزمة بواسطة الباحث Seongho Seong، وهي تعتمد على تفكيك معكوس المصفوفة لإنجاز الحسابات بكفاءة.

لتثبيت الحزمة من المستودع الرسمي الشامل لـ R (CRAN)، يتم تنفيذ الأمر البرمجي التالي داخل موجه الأوامر:

install.packages("ppcor")

بعد اكتمال التثبيت، يتم استدعاء الحزمة إلى جلسة العمل البرمجية الحالية عبر كتابة:

library(ppcor)

توفر الحزمة ثلاث دوال رئيسية تغطي كافة الاحتياجات البحثية:

• pcor.test(): لحساب الارتباط الجزئي لزوج محدد من المتغيرات مع ضبط متغير أو أكثر.
• pcor(): لحساب مصفوفة الارتباط الجزئي الكاملة بين جميع متغيرات إطار البيانات.
• spcor() وspcor.test(): لحساب معاملات الارتباط شبه الجزئي (Semi-Partial / Part Correlations).

تتميز دوال هذه الحزمة بتوافقها الكامل مع الإصدارات الحديثة من لغة R وقدرتها على التعامل مع المتجهات ومصفوفات الأعداد بكفاءة استرجاع عالية.

4.2 الحزم الإضافية المساعدة للتحليل النفسي والإحصائي

إلى جانب حزمة ppcor، يوفر النظام البيئي للغة R مجموعة من الحزم الإحصائية المتقدمة التي تمنح الباحث أدوات مكملة لتحليل العلاقات البنيوية والمصفوفات المتعددة، ومن أبرزها:

• حزمة psych: حزمة استثنائية طوّرها ويليام ريفيل (William Revelle) بجامعة نورث وسترن، توفر دالة partial.r() ودوال تقييم الأدوات السيكومترية وإعادة أخذ العينات (Bootstrapping)، وتتعامل مباشرة مع مصفوفات الارتباط الجاهزة.
• حزمة ggm: متخصصة في النمذجة البيانية الغاوسية (Gaussian Graphical Models)، وتستخدم على نطاق واسع في دراسة الارتباطات الجزئية كشبكات سببية مشروطة وتحليل الرسوم الموجهة غير الدائرية (DAGs).
• حزمة corpcor: موجهة للتعامل مع البيانات عالية الأبعاد (عندما يكون عدد المتغيرات $p$ أكبر من حجم العينة $N$)، حيث توفر تقديرات انكماشية متقدمة لمصفوفة الدقة تحول دون الوقوع في مشاكل المصفوفات المفردة.
• حزمة tidyverse: الحزمة المتكاملة لمعالجة وهندسة وتنظيف البيانات وتجهيز المخرجات الإحصائية في أطر بيانات أنيقة وتفاعلية.

يُنصح بتثبيت هذه الحزم مجتمعة لضمان مرونة سير العمل التحليلي من خلال كتابة: install.packages(c("psych", "ggm", "corpcor", "tidyverse", "corrplot", "qgraph")).

4.3 إعداد بيئة RStudio وإدارة مخرجات التحليل

لضمان تجربة تحليلية رصينة وقابلة لإعادة الإنتاج (Reproducibility)، يُنصح بتجهيز بيئة التطوير المتكاملة RStudio عبر ضبط خيارات العرض الإحصائي العام. يفضل تقييد عدد الكسور العشرية المعروضة في مخرجات شاشة التحكم لتسهيل القراءة وتجنب التشتت البصري عبر تطبيق الأمر:

options(digits = 4, scipen = 999)

حيث يضمن معامل digits = 4 تقريب النتائج إلى أربعة أرقام عشرية، بينما يمنع scipen = 999 التحويل التلقائي للأرقام إلى الترميز العلمي، مما يجعل قراءة القيم الاحتمالية المعقدة مثل $0.0003$ واضحة ومباشرة.

كما يُنصح بإنشاء هيكل مجلدات تنظيمي محكم للمشروع البحثي، يتضمن مجلدات فرعية مخصصة: للبيانات الخام (/data)، ونصوص الأكواد (/scripts)، والمخرجات والجداول (/output)، والرسوم البيانية (/figures). يُفضل توثيق التحليلات بالكامل ضمن تقارير ديناميكية تفاعلية مبنية باستخدام R Markdown أو Quarto، لضمان تحديث الجداول والأرقام تلقائياً عند أي تعديل يطرأ على البيانات الخام.

5. بناء وهيكلة مجموعات البيانات في R

5.1 إنشاء أطر البيانات (Data Frames) للمتغيرات التجريبية

لتطبيق الحسابات الإحصائية للارتباط الجزئي عملياً، سنقوم بإنشاء إطار بيانات تركيبي يحاكي دراسة بحثية تربوية ونفسية واقعية. لنفترض أننا نريد فحص العلاقة الصافية بين ساعات الاستذكار الأسبوعية (Study_Hours) ودرجة الاختبار النهائي (Exam_Score) مع ضبط متغيرين دخيلين هما: معدل القلق من الاختبار (Exam_Anxiety) ومستوى التحصيل السابق (Prior_GPA)، لدى عينة من $N = 100$ طالب.

يمكننا توليد هذه البيانات في R باستخدام مصفوفة ارتباط متداخلة تضمن بناء علاقات مسبقة ومضبوطة عبر الكود التالي:

set.seed(12345)
n <- 100
Prior_GPA <- rnorm(n, mean = 3.2, sd = 0.4)
Exam_Anxiety <- rnorm(n, mean = 50, sd = 10) - (Prior_GPA * 5) + rnorm(n, 0, 5)
Study_Hours <- rnorm(n, mean = 20, sd = 5) + (Prior_GPA * 3) - (Exam_Anxiety * 0.1) + rnorm(n, 0, 3)
Exam_Score <- 30 + (2.5 * Study_Hours) + (10 * Prior_GPA) - (0.4 * Exam_Anxiety) + rnorm(n, 0, 6)
academic_data <- data.frame(Study_Hours, Exam_Score, Exam_Anxiety, Prior_GPA)

بعد إنشاء إطار البيانات، يجب فحص بنيته الهيكلية والتأكد من أن جميع المتغيرات معرفة كمتغيرات عددية مستمرة (Numeric/Double) وليست عوامل نصية، من خلال تنفيذ:

str(academic_data)
summary(academic_data)

حيث يوفر هذا الفحص الأولى وصفاً إحصائياً دقيقاً للمتوسطات والانحرافات المعيارية والمدى لكل متغير، ويضمن جاهزية المتغيرات للمعالجة الجبرية.

5.2 استيراد البيانات الخارجية وتنظيف القيم المفقودة

في التطبيقات الميدانية، يستورد الباحثون مجموعات البيانات من ملفات خارجية ذات تنسيقات متعددة. توفر لغة R عبر حزمها المتخصصة دوال سريعة لهذا الغرض، مثل دالة read_csv() من حزمة readr لملفات CSV، أو دالة read_sav() من حزمة haven لاستيراد ملفات برنامج SPSS الإحصائي مع الاحتفاظ ببيانات التعريف (Labels).

تعد القيم المفقودة (Missing Values) من أكبر العوائق التي تواجه حساب معاملات الارتباط؛ إذ إن دوال حزمة ppcor تتطلب مصفوفات مكتملة تماماً، وستتوقف عن العمل تلقائياً مع ظهور رسالة خطأ صريحة في حال وجود أي قيمة مفقودة من نوع NA. للتعامل مع هذا التحدي، يمكن استخدام أسلوب الحذف القائم على القوائم (Listwise Deletion) عبر دالة na.omit():

clean_data <- na.omit(raw_data)

ومع ذلك، إذا كانت نسبة الفقد ملحوظة (تتجاوز 5%) وكان نمط الفقد عشوائياً (Missing at Random – MAR)، فإن الحذف يؤدي إلى تحيز النتائج وتقليل القوة الإحصائية. في هذه الحالات، يعد استخدام خوارزميات التعويض المتعدد (Multiple Imputation) عبر حزمة mice الخيار المنهجي الأمثل؛ حيث يتم تقدير القيم المفقودة وتكرار حساب معاملات الارتباط الجزئي عبر مجموعات البيانات المعوضة ثم دمج النتائج وفق قواعد روبين (Rubin’s Rules).

5.3 فحص مصفوفة الارتباط البسيط الأولية (Zero-Order Matrix)

قبل الشروع في إجراءات الضبط وعزل التباين، يتعين على الباحث فحص مصفوفة ارتباط بيرسون البسيطة (Zero-order correlation matrix) لجميع المتغيرات المستهدفة والضابطة. يتيح هذا الفحص الأولي تكوين نظرة عامة شاملة حول قوة واتجاه العلاقات الخام وتحديد ما إذا كانت المتغيرات الضابطة ترتبط بالفعل بالمتغيرات التفسيرية والتابعة لتبرير إدراجها كمتغيرات مربكة.

لحساب مصفوفة الارتباط البسيط في R لإطار البيانات academic_data، نستخدم الدالة الأساسية:

cor_matrix <- cor(academic_data)
round(cor_matrix, 3)

يُظهر فحص هذه المصفوفة عادة ارتباطاً إيجابياً مرتفعاً بين ساعات الاستذكار ودرجات الاختبار النهائي ($r \approx 0.75$)، ولكن في الوقت ذاته، نلاحظ ارتباطاً إيجابياً بين ساعات الاستذكار ومعدل التحصيل السابق ($r \approx 0.45$)، وارتباطاً سلبياً مع قلق الاختبار ($r \approx -0.38$).

تثبت هذه الترابطات المتداخلة أن العلاقة الظاهرية بين ساعات الاستذكار ودرجات الاختبار ليست علاقة نقية، بل هي ملوثة بجزء من التباين المشترك مع المتغيرات الأخرى؛ وهو ما يشكل الأساس المنطقي والإحصائي للانتقال إلى حساب معامل الارتباط الجزئي للتحقق من بقاء العلاقة دالة بعد إزالة هذه التأثيرات المتشابكة.

6. حساب الارتباط الجزئي الثنائي باستخدام دالة pcor.test()

6.1 بناء الكود لضبط متغير دخيل واحد (Single Covariate)

تستخدم دالة pcor.test() لحساب معامل الارتباط الجزئي بين متغيرين اثنين فقط مع تحييد متغير ضابط واحد أو أكثر. تأخذ الدالة الصيغة العامة التالية:

pcor.test(x, y, z)

حيث يمثل x المتجه العددي للمتغير الأول، وy المتجه العددي للمتغير الثاني، في حين يمثل z المتغير الضابط المحيّد. لتطبيق ذلك عملياً على بياناتنا وحساب الارتباط الصافي بين ساعات الاستذكار (Study_Hours) ودرجات الاختبار (Exam_Score) بعد تحييد أثر قلق الاختبار (Exam_Anxiety) فقط (ارتباط جزئي من الرتبة الأولى)، ننفذ الكود التالي:

result_single <- pcor.test(x = academic_data$Study_Hours, y = academic_data$Exam_Score, z = academic_data$Exam_Anxiety)
print(result_single)

عند تمرير المتغيرات للدالة، يجب التأكد التام من أن كافة المتجهات متطابقة في الطول ($N$) وخالية من القيم النصية، وأن يتم استدعاء الأعمدة باستخدام مشغل الربط $ أو عبر تمرير المصفوفات الفرعية لضمان التوافق الحسابي.

6.2 تفسير المخرجات الإحصائية المستخرجة من دالة pcor.test()

تنتج دالة pcor.test() إطار بيانات يحتوي على سطر واحد يشتمل على المعالم الإحصائية الأساسية التالية:

• $estimate: القيمة النقطية لمعامل الارتباط الجزئي الصافي ($r_p$). تشير هذه القيمة إلى حجم واتجاه العلاقة المتبقية بعد عزل المتغير الضابط. إذا كانت القيمة مثلاً $0.6821$، فهذا يعني بقاء علاقة طردية قوية بين ساعات المذاكرة والتحصيل حتى بعد استبعاد أثر القلق.
• $p.value: القيمة الاحتمالية لاختبار الفرضية الصفرية التي تفترض أن $r_p = 0$. إذا كانت القيمة أقل من مستوى الدلالة المعتمد ($\alpha = 0.05$ أو $0.01$)، فإننا نرفض الفرضية الصفرية ونستنتج وجود علاقة ذات دلالة إحصائية.
• $statistic: القيمة التائية المحسوبة ($t$-statistic) المستخدمة لاختبار دلالة المعامل بناءً على درجات الحرية.
• $n: حجم العينة الإجمالي المدرج في التحليل.
• $gp: عدد المتغيرات الضابطة المحيدة (Given Parameters)، ويساوي هنا $1$ في حالة الرتبة الأولى.
• $Method: يوضح نوع معامل الارتباط المستخدم، وهو هنا ارتباط بيرسون الجزئي (Pearson).

يتيح هذا التنسيق المباشر للباحث استخراج القيم الإحصائية بدقة ودمجها برمجياً في التقارير الإحصائية والجداول المجدولة.

6.3 ضبط متغيرات ضابطة متعددة في الاختبار الثنائي

عندما تقتضي الضرورة المنهجية ضبط أكثر من متغير دخيل في وقت واحد، مثل تحييد قلق الاختبار (Exam_Anxiety) ومعدل التحصيل السابق (Prior_GPA) معاً لدراسة العلاقة بين ساعات الاستذكار ودرجات الاختبار (ارتباط جزئي من الرتبة الثانية)، نقوم بتمرير المتغيرات الضابطة داخل معامل z كإطار بيانات أو مصفوفة تتضمن هذه الأعمدة مجتمعة، كما يلي:

covariates <- academic_data[, c("Exam_Anxiety", "Prior_GPA")]
result_multiple <- pcor.test(x = academic_data$Study_Hours, y = academic_data$Exam_Score, z = covariates)
print(result_multiple)

عند تنفيذ هذا الكود، ستشير قيمة gp في المخرجات إلى $2$، وستنخفض درجات الحرية الفعلية للاختبار إلى $N – 2 – 2 = 96$.

بمقارنة قيمة معامل الارتباط الجزئي الجديد ($r_p \approx 0.54$) بالارتباط البسيط الأصلي ($r \approx 0.75$)، نلاحظ انخفاضاً ملحوظاً في حجم المعامل؛ مما يثبت تجريبياً أن جزءاً لا يستهان به من العلاقة الأولية كان مفسراً بالقدرات الأكاديمية السابقة وانخفاض القلق، ومع ذلك تظل العلاقة دالة إحصائياً ($p < 0.001$)، مما يؤكد الإسهام الأصيل لساعات المذاكرة في رفع الدرجات بصورة مستقلة.

7. حساب مصفوفة الارتباط الجزئي الكاملة عبر دالة pcor()

7.1 توليد المصفوفة الشاملة لجميع المتغيرات في مجموعة البيانات

عند التعامل مع دراسات تشتمل على متغيرات متعددة، يصبح من غير العملي تطبيق دالة pcor.test() لكل زوج على حدة. توفر دالة pcor() حلاً شاملاً يقوم بحساب معاملات الارتباط الجزئي لجميع أزواج المتغيرات الموجودة في إطار البيانات دفعة واحدة، مع ضبط كافة المتغيرات المتبقية تلقائياً لكل زوج (Fully Conditioned Partial Correlation Matrix).

لتوليد المصفوفة الكاملة لإطار البيانات academic_data، نكتب الكود الآتي:

full_pcor_results <- pcor(academic_data)

يقوم الكائن الناتج full_pcor_results بتخزين قائمة برمجية تتكون من ثلاثة عناصر مصفوفية رئيسية:

1. full_pcor_results$estimate: مصفوفة مربعة متماثلة تتضمن معاملات الارتباط الجزئي الصافية بين كل متغيرين بعد ضبط جميع المتغيرات الأخرى، وتحتوي عناصر القطر الرئيسي فيها على القيمة $1.000$.
2. full_pcor_results$p.value: مصفوفة القيم الاحتمالية المقابلة لكل معامل ارتباط جزئي في مصفوفة التقديرات.
3. full_pcor_results$statistic: مصفوفة القيم التائية المحسوبة المستخدمة في اختبار الفرضيات لكل زوج.

يمكن استعراض مصفوفة المعاملات الجزئية وتنسيقها للعرض الأكاديمي عبر تنفيذ: round(full_pcor_results$estimate, 3).

7.2 استخراج وتنسيق مصفوفة القيم الاحتمالية وإحصاءات الاختبار

عند فحص مصفوفات الارتباط الكبيرة التي تشتمل على عدد كبير من المقارنات المتزامنة، يرتفع خطر الوقوع في الخطأ من النوع الأول وتضخم الدلالة الزائفة (Family-wise Error Rate). لذلك، ينبغي عزل مصفوفة القيم الاحتمالية وتطبيق تصحيحات المقارنات المتعددة مثل تصحيح بونفيروني (Bonferroni) أو معدل الاكتشاف الخاطئ لبنجاميني-هوشبرغ (FDR / Benjamini-Hochberg).

يمكن استخراج وتنسيق مصفوفة الدلالة برمجياً باستخدام حزمة tidyverse وتطبيق تصحيح بنجاميني-هوشبرغ من خلال الكود التالي:

p_matrix <- full_pcor_results$p.value
# تحويل المصفوفة إلى شعاع وتطبيق التصحيح مع الحفاظ على الأبعاد
adjusted_p <- matrix(p.adjust(as.vector(p_matrix), method = "BH"), nrow = nrow(p_matrix), dimnames = dimnames(p_matrix))
round(adjusted_p, 4)

تضمن هذه الخطوة المنهجية أن تكون العلاقات التي تحافظ على دلالتها الإحصائية بعد التعديل ($p_{\text{adj}} < 0.05$) علاقات رصينة وموثوقة ولا تعود لمحض الصدفة الإحصائية الناتجة عن تكرار الاختبارات.

7.3 التعامل مع المصفوفات المعقدة في الدراسات متعددة المتغيرات

في الأبحاث المتقدمة التي تتضمن عشرات المتغيرات السيكومترية أو البنود الفرعية للاختبارات، يبرز التحدي في كيفية تلخيص هذه المصفوفات الضخمة وتصديرها بصورة منسقة للنشر العلمي. يوفر دمج أدوات R البرمجية إمكانية فرز العلاقات الدالة وإعادة تشكيل المصفوفات من الشكل العريض (Wide Format) إلى الشكل الطولي المجدول (Long/Tidy Format).

يمكن تحقيق ذلك عبر تحويل مصفوفة التقديرات إلى جدول منظم يستبعد التكرارات الناتجة عن التماثل القطري عبر الكود الآتي:

estimate_df <- as.data.frame(as.table(full_pcor_results$estimate))
p_value_df <- as.data.frame(as.table(full_pcor_results$p.value))
tidy_pcor <- data.frame(Var1 = estimate_df$Var1, Var2 = estimate_df$Var2, r_partial = estimate_df$Freq, p_val = p_value_df$Freq)
# استبعاد القطر الرئيسي والتكرارات المزدوجة
tidy_pcor <- tidy_pcor[as.character(tidy_pcor$Var1) < as.character(tidy_pcor$Var2), ]
# الترتيب حسب القوة المطلقة للارتباط الجزئي
tidy_pcor <- tidy_pcor[order(-abs(tidy_pcor$r_partial)), ]
print(head(tidy_pcor, 10))

يمكن بعد ذلك تصدير هذا الجدول النهائي المهيكل بسهولة إلى ملف CSV خارجي أو جدول Word جاهز للنشر باستخدام حزمة writexl أو flextable.

8. حساب الارتباط الجزئي عبر حزمة psych ودوالها المتقدمة

8.1 استخدام الدالة partial.r() لتحليل المجموعات الفرعية

توفر حزمة psych المتقدمة مقاربة منهجية بالغة المرونة لحساب الارتباطات الجزئية عبر دالة partial.r(). تتميز هذه الدالة بقدرتها الفريدة على قبول كل من البيانات الخام (Raw Data Frames) أو مصفوفات الارتباط المحسوبة مسبقاً (Correlation Matrices)، وهو ما يفيد الباحثين عند الرغبة في إعادة تحليل دراسات منشورة تقتصر بياناتها على مصفوفات الارتباط المنشورة دون توفر البيانات الخام الأصلية.

تستخدم الدالة أسماء الأعمدة أو أرقامها لتحديد المتغيرات المستهدفة والمتغيرات المراد ضبطها، كما في الصيغة التالية:

library(psych)
# حساب الارتباط الجزئي بين أول متغيرين مع ضبط المتغيرين الثالث والرابع
psych_pcor <- partial.r(data = academic_data, x = c("Study_Hours", "Exam_Score"), y = c("Exam_Anxiety", "Prior_GPA"))
print(psych_pcor)

تتيح هذه البنية المرنة تحديد مجموعات متباينة من المتغيرات التفسيرية والمتغيرات الضابطة، مما يجعلها مثالية للتحليلات الجزئية الاستكشافية والمقارنات بين المجموعات الفرعية من المقاييس السيكومترية.

8.2 فحص الدلالة وحساب فترات الثقة عبر الدالة corr.p()

لا تقوم دالة partial.r() بحساب القيم الاحتمالية تلقائياً في مخرجاتها المباشرة، ولكن يمكن تمرير مصفوفة الارتباط الجزئي الناتجة عنها مباشرة إلى دالة corr.p() التابعة لنفس الحزمة لاختبار الفرضيات وحساب فترات الثقة (Confidence Intervals) الدقيقة عند مستوى 95%.

يتم تنفيذ ذلك من خلال الكود التالي مع تحديد درجات الحرية المعدلة بحجم العينة وعدد المتغيرات الضابطة:

# حساب الدلالة مع مراعاة حجم العينة وضبط درجات الحرية (N = 100, 2 covariates -> adjust = 2)
test_psych <- corr.p(r = psych_pcor, n = 100, adjust = "none", alpha = 0.05)
print(test_psych, short = FALSE)

يوفر هذا التحليل حدود فترات الثقة الدنيا والعليا (Lower and Upper CI) لمعامل الارتباط الجزئي، وهو ما يتوافق بشكل صارم مع توصيات التحليل الإحصائي الحديث التي تؤكد على ضرورة نشر فترات الثقة بجانب القيم الاحتمالية لتقييم مدى دقة التقدير الإحصائي واستقراره.

8.3 مقارنة منهجية وحسابية بين حزمة ppcor وحزمة psych

على الرغم من أن كلتا الحزمتين تقدمان نتائج حسابية متطابقة للمعاملات النقطية، إلا أن هناك فروقاً تشغيلية ومنهجية تحدد السياق الأنسب لاستخدام كل منهما:

• حزمة ppcor: تركز بشكل أساسي ومباشر على السرعة الحسابية وتوفر إطار عمل متكامل يتضمن حساب المعامل، والقيمة التائية، والقيمة الاحتمالية في خطوة برمجية واحدة عبر دالة pcor.test(). تعتبر الخيار الأسرع والأسهل للتحليلات الإحصائية القياسية المباشرة.
• حزمة psych: تمثل منظومة سيكومترية متكاملة تتيح الربط المباشر بين الارتباط الجزئي وتحليلات العوامل الاستكشافية (EFA)، وتحليل المسارات، وحساب الثبات، مع إمكانية إدخال مصفوفات الارتباط المجردة. كما توفر دعماً مدمجاً لتقدير فترات الثقة اللامعلمية باستخدام Bootstrapping عبر دالة cor.ci().

يوصى باستخدام ppcor في التحليلات الروتينية السريعة والتحقق الثنائي، والاعتماد على psych في مشاريع تقنين المقاييس والأبحاث النفسية المعقدة التي تتطلب تقييماً متقدماً للخصائص السيكومترية وفترات الثقة.

9. الارتباط شبه الجزئي (Semi-Partial Correlation) وتطبيقه في R

9.1 التمييز المفاهيمي بين الارتباط الجزئي وشبه الجزئي

يعد التمييز بين الارتباط الجزئي (Partial Correlation) والارتباط شبه الجزئي (Semi-Partial Correlation – أو Part Correlation) من أهم المفاهيم الدقيقة في الإحصاء التطبيقي متعدد المتغيرات:

• الارتباط الجزئي ($r_{xy.z}$): يقوم بحذف أثر المتغير الضابط $Z$ من كلا المتغيرين $X$ و$Y$. يقيس هذا المعامل الارتباط بين البواقي النقية للمتغيرين بعد تجريدهما معاً من تأثير $Z$.
• الارتباط شبه الجزئي ($sr_{x(y.z)}$): يقوم بحذف أثر المتغير الضابط $Z$ من متغير مستقل واحد فقط (ليكن $X$) مع ترك المتغير التابع ($Y$) بشكله الخام دون أي تعديل.

تكمن الأهمية الرياضية للارتباط شبه الجزئي في أنه يمثل الجذر التربيعي المباشر لمقدار الزيادة الفريدة في معامل التحديد ($\Delta R^2$) التي يضيفها المتغير $X$ عند إدراجه في الخطوة الأخيرة من نموذج الانحدار الخطي المتعدد بعد وجود كافة المتغيرات الضابطة الأخرى. وبذلك، يعبر مربع الارتباط شبه الجزئي ($sr^2$) عن النسبة المئوية الدقيقة من إجمالي تباين المتغير التابع التي يفسرها المتغير المستهدف بمفرده وبشكل فريد.

9.2 تطبيق دالتي spcor() وspcor.test() في R

توفر حزمة ppcor دالتين مخصصتين لحساب معاملات الارتباط شبه الجزئي هما spcor.test() للتحليل الثنائي وspcor() للمصفوفات الكاملة.

لحساب الارتباط شبه الجزئي بين ساعات الاستذكار (Study_Hours) ودرجات الاختبار (Exam_Score) مع عزل أثر قلق الاختبار (Exam_Anxiety) والتحصيل السابق (Prior_GPA) عن ساعات الاستذكار فقط، نكتب الكود الآتي:

spcor_result <- spcor.test(x = academic_data$Study_Hours, y = academic_data$Exam_Score, z = academic_data[, c("Exam_Anxiety", "Prior_GPA")])
print(spcor_result)

تُظهر مخرجات هذا الاختبار قيمة $sr = 0.3842$. وعند تربيع هذه القيمة ($0.3842^2 \approx 0.1476$)، نستنتج أن ساعات الاستذكار تفسر بمفردها وبشكل مستقل $14.76%$ من إجمالي التباين الكلي لدرجات الاختبار النهائي للطلاب بعد ضبط كافة العوامل الأخرى، وهو ما يمثل مقياساً ناصعاً للأهمية التفسيرية النسبية للمتغير.

9.3 تطبيقات سيكومترية للارتباط شبه الجزئي

تتعدد التطبيقات السيكومترية والعملية للارتباط شبه الجزئي؛ ومن أبرزها تقييم الصدق التزايدي (Incremental Validity) لأدوات القياس النفسي والاختبارات التوظيفية الجديدة. على سبيل المثال، إذا طوّرت مؤسسة مقياساً جديداً لـ “الذكاء العاطفي”، وترغب في إثبات قدرته على التنبؤ بالأداء الوظيفي بما يتجاوز اختبارات الذكاء المعرفي التقليدية واختبارات الشخصية القائمة؛ فإن حساب الارتباط شبه الجزئي بين المقياس الجديد والأداء الوظيفي بعد ضبط الاختبارات القائمة يحدد بدقة حجم القيمة التنبؤية المضافة التي يقدمها المقياس الجديد.

كما يُستخدم الارتباط شبه الجزئي في تحليل الانحدار الهرمي (Hierarchical Regression Analysis) لتحديد الترتيب المنطقي لدخول المتغيرات وفصل الإسهام الفريد لكل سمة من سمات الشخصية (مثل سمات النموذج الخماسي العام) في التنبؤ بالسلوكيات الصحية أو الأكاديمية دون خلط بين التباينات المشتركة العامة.

10. التصور البصري المتقدم لنتائج الارتباط الجزئي في R

10.1 رسم مخططات البواقي (Residual Plots) عبر ggplot2

يعد التمثيل البصري للارتباط الجزئي من أفضل الوسائل لتوضيح طبيعة العلاقة الخالصة للمتلقي. وبما أن الارتباط الجزئي هو ارتباط بين بواقي الانحدار، فإن أفضل طريقة لتصويره بيانياً هي استخراج هذه البواقي ورسمها باستخدام حزمة ggplot2.

يمكن تنفيذ ذلك عبر الكود النموذجي التالي:

library(ggplot2)
# استخراج بواقي انحدار درجات الاختبار على المتغيرات الضابطة
res_y <- residuals(lm(Exam_Score ~ Exam_Anxiety + Prior_GPA, data = academic_data))
# استخراج بواقي انحدار ساعات الاستذكار على نفس المتغيرات الضابطة
res_x <- residuals(lm(Study_Hours ~ Exam_Anxiety + Prior_GPA, data = academic_data))
residual_df <- data.frame(Res_Study_Hours = res_x, Res_Exam_Score = res_y)
# رسم المخطط البياني الصافي للبواقي
ggplot(residual_df, aes(x = Res_Study_Hours, y = Res_Exam_Score)) +
geom_point(color = "#2c3e50", alpha = 0.7, size = 2.5) +
geom_smooth(method = "lm", color = "#e74c3c", se = TRUE, fill = "#bdc3c7") +
labs(title = "مخطط التشتت للبواقي: العلاقة الجزئية الصافية",
subtitle = "الارتباط بين ساعات الاستذكار ودرجات الاختبار بعد ضبط القلق والمعدل السابق",
x = "بواقي ساعات الاستذكار (التباين الفريد)",
y = "بواقي درجات الاختبار (التباين الفريد)") +
theme_minimal(base_size = 13)

يعرض هذا المخطط العلاقة الخطية الخالية تماماً من الشوائب والوسائط، ويوضح ميل خط الانحدار الذي يعكس حجم معامل الارتباط الجزئي بشكل بصري بديهي.

10.2 إنشاء الخرائط الحرارية لمصفوفات الارتباط الجزئي

تعتبر الخرائط الحرارية (Correlation Heatmaps) وسيلة بصرية فائقة الكفاءة لعرض ومقارنة مصفوفات الارتباط الجزئي والارتباط البسيط جنباً إلى جنب؛ مما يسهل رصد التغيرات الهيكلية في العلاقات بين المتغيرات. يمكن تنفيذ ذلك باحترافية عبر حزمة corrplot.

يوضح الكود التالي كيفية رسم خريطة حرارية لمصفوفة الارتباط الجزئي مع إظهار المعاملات الدالة إحصائياً وتلوين التدرجات:

library(corrplot)
pcor_matrix <- full_pcor_results$estimate
p_values <- full_pcor_results$p.value
# رسم الخريطة الحرارية
corrplot(pcor_matrix, method = "color", type = "upper",
p.mat = p_values, sig.level = 0.05, insig = "blank",
tl.col = "black", tl.srt = 45, addCoef.col = "black",
number.cex = 0.8, col = colorRampPalette(c("#3498db", "white", "#e67e22"))(200),
title = "مصفوفة معاملات الارتباط الجزئي (المعاملات الدالة فقط)", mar = c(0,0,2,0))

يقوم هذا التمثيل بإخفاء العلاقات غير الدالة إحصائياً (عند مستوى $\alpha > 0.05$) وترك خلاياها بيضاء، مما يوجه انتباه الباحث فوراً إلى الروابط الجوهرية ذات المعنى الإحصائي الصادق.

10.3 بناء شبكات الارتباط الجزئي النفسية عبر حزمة qgraph

شهدت السنوات الأخيرة ثورة منهجية في علم النفس الإحصائي تُعرف بـ تحليل الشبكات السيكولوجية (Psychological Network Analysis). في هذا الإطار، لا يُنظر إلى المتغيرات أو الأعراض كنواتج لسمات كامنة فقط، بل كنظام ديناميكي مترابط من العقد (Nodes) تتصل فيما بينها بحواف أو روابط (Edges) تمثل معاملات الارتباط الجزئي المنتظمة.

تتيح حزمة qgraph رسم هذه الشبكات وتقديرها باستخدام خوارزميات الانكماش الغاوسية (Graphical LASSO) لعزل العلاقات غير المباشرة وتقديم نموذج شبكي نقي، كما في الكود الآتي:

library(qgraph)
# بناء شبكة الارتباط الجزئي المباشرة
qgraph(cor_matrix, graph = "pcor", layout = "spring",
theme = "classic", labels = colnames(academic_data),
vsize = 10, esize = 8, label.cex = 1.2,
title = "شبكة الارتباطات الجزئية المنتظمة للمتغيرات الأكاديمية والنفسية")

في هذه الرسوم، يمثل سمك الرابطة وكثافة لونها (أخضر للموجب وأحمر للسالب) قوة معامل الارتباط الجزئي بين المتغيرين بعد ضبط جميع العقد الأخرى في الشبكة، مما يكشف عن المتغيرات المركزية ذات التأثير الجذري في المنظومة النفسية محل الدراسة.

11. صياغة التقرير الإحصائي وتفسير النتائج وفق معايير APA

11.1 قواعد كتابة نتائج الارتباط الجزئي وفق دليل APA (الإصدار السابع)

يفرض دليل النشر العلمي لجمعية علم النفس الأمريكية (APA 7th Edition) معايير دقيقة ومحددة لصياغة نتائج الارتباط الجزئي داخل المتن الأكاديمي. تتطلب الصيغة المعيارية توثيق رمز المعامل، ودرجات الحرية بين قوسين، وقيمة المعامل مقربة إلى منزلتين أو ثلاث منازل عشرية (بدون وضع صفر قبل الفاصلة العشرية لأن القيمة لا تتجاوز الواحد الصحيح)، متبوعة بالقيمة الاحتمالية الدقيقة وفترة الثقة.

الصيغة النصية القياسية المعتمدة تكون كالتالي:

$r_p(df) = .xx, p = .xxx, 95% \text{ CI } [.xx, .xx]$

مثال تطبيقي للنص الأكاديمي الصالح للنشر:

“أُجري تحليل ارتباط جزئي لفحص العلاقة بين عدد ساعات الاستذكار الأسبوعية ودرجة الاختبار النهائي بعد تحييد وضبط أثر كل من قلق الاختبار ومعدل التحصيل الدراسي السابق. أظهرت النتائج وجود علاقة طردية موجبة ودالة إحصائياً وذات حجم أثر كبير بين ساعات الاستذكار ودرجات الاختبار حتى بعد عزل المتغيرات الضابطة، $r_p(96) = .54, p < .001, 95% \text{ CI } [.38, .67]$. يشير هذا إلى أن زيادة ساعات الاستذكار ترتبط بنحو مستقل بارتفاع الأداء الأكاديمي للطلاب."

11.2 التفسير الأكاديمي والسيكولوجي للتغير في معاملات الارتباط

عند كتابة قسم المناقشة في الأبحاث العلمية، يجب على الباحث تقديم قراءة تحليلية عميقة لأسباب التغير بين معامل الارتباط البسيط والارتباط الجزئي؛ حيث تنقسم هذه الحالات عادة إلى ثلاثة سيناريوهات نظرية رئيسية:

1. انخفاض المعامل مع بقاء الدلالة (Mediation / Spuriousness Component): كما في مثالنا (انخفاض الارتباط من $.75$ إلى $.54$). يفسر هذا بأن جزءاً من العلاقة الأولية كان تداخلاً ناتجاً عن ارتباط المتغيرين بالقدرة السابقة والقلق، إلا أن ساعات الاستذكار تحتفظ بقدرتها التفسيرية المستقلة.
2. اختفاء الارتباط تماماً وفقدان الدلالة الإحصائية: إذا انخفض المعامل إلى الصفر بعد الضبط ($p > .05$). هنا يستنتج الباحث جازماً أن العلاقة الثنائية الأولية كانت علاقة زائفة تماماً (Spurious Relationship) مدفوعة كلياً بالعامل المشترك المحيّد.
3. ظهور ارتباط أقوى أو انعكاس الإشارة (Suppressor Effect): إذا ارتفعت قيمة المعامل الجزئي بشكل ملحوظ مقارنة بالارتباط البسيط؛ يُفسر ذلك بوجود متغير قامع كان يمتص التباين المشترك غير المرتبط بالعلاقة الأصلية، وبمجرد ضبطه برزت العلاقة الحقيقية النقية.

11.3 توثيق حجم الأثر وفترات الثقة في التقارير الأكاديمية

يعد الاكتفاء بالقيمة الاحتمالية ($p$-value) ممارسة إحصائية قاصرة وفق التوجهات المعاصرة في التحليل الكمي؛ إذ إن القيمة الاحتمالية تتأثر بشدة بحجم العينة ولا تعبر عن الأهمية التطبيقية. لذلك، تشدد معايير APA على ضرورة تضمين معامل التحديد الجزئي ($r_p^2$) كمقياس لحجم الأثر، وتصنيفه وفق المعايير السيكومترية المعتمدة (مثل معايير كوهين: صغير = $0.01$، متوسط = $0.09$، كبير = $0.25$).

كما يُنصح بتصميم جداول مخصصة لمصفوفات الارتباط تتضمن معاملات الارتباط البسيط في الجزء السفلي الأيسر من المصفوفة ومعاملات الارتباط الجزئي في الجزء العلوي الأيمن مع تزويد أسفل الجدول بحواشٍ توضح المتغيرات المضبوطة ومستويات الدلالة (${}^*p < .05, {}^{**}p < .01, {}^{***}p < .001$).

وأخيراً، يجب توخي الحذر الشديد في اللغة المستخدمة لتجنب الخلط بين الارتباط الجزئي والسببية الحتمية (Causality)؛ فالارتباط الجزئي – على الرغم من عزله للتباين المشترك – يظل أسلوباً ارتباطياً وصفياً قائماً على بيانات رصدية، ولا يثبت علاقة سببية مباشرة إلا في سياق تصاميم تجريبية صارمة تضمن الترتيب الزمني والتحكم التام في كافة المهددات الخارجية.

12. استكشاف الأخطاء الشائعة وحلولها البرمجية والإحصائية في R

12.1 معالجة التعددية الخطية العالية (Multicollinearity)

تنشأ مشكلة التعددية الخطية الشديدة (High Multicollinearity) عندما تكون هناك ارتباطات مفرطة القوة بين المتغيرات التفسيرية والضابطة (مثلاً $r > 0.90$). يؤدي هذا التداخل الشديد إلى جعل مصفوفة التباين المشترك شبه مفردة، مما يتسبب في انفجار الخطأ المعياري لمعاملات الارتباط الجزئي وحدوث تذبذبات حادة في قيم التقديرات النقطية.

في بيئة R، يؤدي ذلك إلى ظهور رسالة خطأ صريحة توقف تنفيذ دوال ppcor مثل:

Error in solve.default(cv) : system is computationally singular: reciprocal condition number = ...

لتشخيص هذه المشكلة وحلها، يُنصح بحساب معامل تضخم التباين (Variance Inflation Factor – VIF) للمتغيرات واستبعاد المتغيرات المكررة بنيوياً التي تتجاوز قيم VIF لها حاجز الـ 5 أو 10. وفي الحالات التي يتعذر فيها حذف المتغيرات لأهميتها النظرية، يمكن اللجوء إلى الارتباط الجزئي المنكمش أو المنتظم (Regularized Partial Correlation) المتاح عبر حزم مثل huge أو corpcor، والتي تطبق عقوبات انكماشية (Shrinkage Penalties) تضمن استقرار المصفوفة وإمكانية قلبها جبرياً دون أخطاء برمجية.

12.2 حساسية العينات الصغيرة ومشاكل انخفاض القوة الإحصائية

تتأثر دقة معاملات الارتباط الجزئي بشكل بالغ بحجم العينة المتاحة للدراسة. فمع إضافة كل متغير ضابط إضافي ($k$)، يتم استنزاف درجة من درجات الحرية ($df = N – 2 – k$). في العينات الصغيرة ($N < 30$) ومع ضبط متغيرات متعددة، تنخفض درجات الحرية بسرعة، مما يؤدي إلى تراجع حاد في القوة الإحصائية (Statistical Power) وارتفاع احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error) المتمثل في فشل النموذج في اكتشاف العلاقات الحقيقية القائمة.

لتفادي الوقوع في ظاهرة الإفراط في الضبط الإحصائي (Over-controlling)، ينبغي على الباحث إجراء تحليل قوة إحصائية بعدي أو قبلي باستخدام حزمة pwr في R لتحديد الحد الأدنى المطلوب من الأفراد لاكتشاف حجم أثر معين بثقة $80%$، عبر الدالة:

library(pwr)
# حساب حجم العينة المطلوب لاكتشاف ارتباط جزئي متوسط (r = 0.30) مع ضبط متغيرين وبقوة 80%
pwr.r.test(r = 0.30, sig.level = 0.05, power = 0.80, alternative = "two.sided")

يوفر هذا التخطيط المسبق حماية ضد استنزاف درجات الحرية ويضمن توفر حجم عينة كافٍ لتبرير عمليات الضبط المتعددة.

12.3 استكشاف الأخطاء البرمجية الشائعة في R ومعالجتها

يواجه العديد من الممارسين أخطاء برمجية متكررة عند تنفيذ دوال الارتباط الجزئي في R؛ نلخص أبرزها وطرق التعامل السليم معها في النقاط التالية:

• خطأ القيم غير المعرفة (Error in pcor.test: NA/NaN/Inf in foreign function call): ينتج حصراً عن وجود خلايا فارغة أو قيم مفقودة (NA) أو قيم لا نهائية في البيانات. يُعالج بتنظيف البيانات واستخدام na.omit() قبل تمرير المتغيرات للدالة.
• خطأ التباين الصفري (Zero Variance / Constant Variable): يحدث إذا كان أحد المتغيرات يحتوي على قيمة ثابتة لجميع أفراد العينة (الانحراف المعياري = 0). يتسبب هذا في ظهور قيمة قسمة على صفر داخل خوارزمية الحساب، ويجب التأكد عبر دالة sapply(academic_data, sd) من أن جميع المتغيرات تظهر تبايناً حقيقياً ($sd > 0$).
• خطأ عدم تطابق الأبعاد (Dimensions Mismatch): يقع عند تمرير متجهات ذات أطوال مختلفة لـ x وy وz. يُفضل دائماً تجميع المتغيرات داخل إطار بيانات موحد واستدعائها منه مباشرة لضمان الاتساق الهيكلي الكامل.

إن تبني أسلوب البرمجة الدفاعية (Defensive Programming) وفحص سلامة مصفوفات البيانات قبل تطبيق الدوال الإحصائية يضمن تجربة تحليلية سلسة وخالية من الانقطاعات والأخطاء الحسابية.

خاتمة واستنتاجات منهجية

يمثل الارتباط الجزئي أداة إحصائية وتحليلية لا غنى عنها في الترسانة المنهجية للباحث المعاصر؛ إذ يوفر جسراً متيناً لعزل التباينات المربكة والوصول إلى تقديرات دقيقة وصادقة لطبيعة العلاقات الخطية الخالصة بين المتغيرات. وقد أثبتت بيئة لغة R جدارتها كمنصة رائدة تتيح للباحث مرونة لا محدودة في الانتقال بسلاسة من حساب الارتباطات الثنائية البسيطة من الرتبة الأولى إلى بناء مصفوفات الارتباط الجزئي المعقدة ونماذج الشبكات السيكومترية المتقدمة.

إن التطبيق الأمثل لهذه الأداة يتطلب مواءمة واعية بين الفهم الرياضي الدقيق للنموذج، والتحقق الصارم من الافتراضات الإحصائية (كالخطية والتوزيع الطبيعي وغياب التعددية الخطية)، والالتزام بالقواعد المهنية في تفسير حجم الأثر وتوثيق النتائج وفق المعايير الدولية لجمعية علم النفس الأمريكية (APA). ومن خلال تجنب مهددات العينات الصغيرة والإفراط في الضبط، يضمن الباحث تقديم استدلالات علمية رصينة تثري المعرفة الأكاديمية وتدعم اتخاذ القرارات القائمة على البيانات الموثوقة.

المراجع والمصادر الأكاديمية

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000

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.

Epskamp, S., Cramer, A. O., Waldorp, L. J., Schmittmann, V. D., & Borsboom, D. (2012). qgraph: Network visualizations of relationships in psychometric data. Journal of Statistical Software, 48(4), 1–18. https://doi.org/10.18637/jss.v048.i04

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.

Kim, S. (2015). ppcor: An R package for a fast calculation to semi-partial and partial correlation coefficients. Communications for Statistical Applications and Methods, 22(6), 665–674. https://doi.org/10.5351/CSAM.2015.22.6.665

Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (R package version 2.3.9). Northwestern University. https://CRAN.R-project.org/package=psych

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686