اختبار بروش-باغان: التعريف والمثال

تُعد النمذجة الإحصائية عبر الانحدار الخطي إحدى الركائز الأساسية التي يعتمد عليها الباحثون في العلوم الاجتماعية، والسلوكية، والاقتصادية، والطبية لفهم طبيعة العلاقات المعقدة بين المتغيرات وتفسيرها والتنبؤ بها. ومع ذلك، فإن القوة التفسيرية والاستدلالية لهذه النماذج لا تنبع فقط من جودة البيانات المجمعة، بل تعتمد بالأساس على مدى تحقق مجموعة من الافتراضات الرياضية الصارمة التي بُنيت عليها طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS). ومن أبرز هذه الفرضيات المحورية فرضية تجانس تباين الأخطاء العشوائية، والتي تفترض أن تشتت البواقي يظل ثابتاً ومستقراً عبر جميع المستويات والقيم التي تتخذها المتغيرات المستقلة المفسرة.

عندما يختل هذا الافتراض المحوري، يقع النموذج في معضلة إحصائية تُعرف باسم “عدم تجانس التباين” (Heteroscedasticity)، وهي ظاهرة تؤدي إلى عواقب وخيمة على الاستدلال الإحصائي؛ حيث تفقد المقدرات كفاءتها الإحصائية، وتصبح الأخطاء المعيارية المحسوبة مضللة ومتحيزة، مما ينعكس سلباً على صحة فترات الثقة ودقة اختبارات الدلالة الإحصائية مثل اختبار (t) واختبار (F). ومن هنا، نشأت الحاجة الملحة في الأدبيات القياسية والإحصائية لتطوير أدوات تشخيصية واختبارات بارامترية قادرة على رصد هذه المشكلة وكشفها بدقة وموضوعية لتفادي الوقوع في استنتاجات بحثية مضللة.

يمثل اختبار بروش-باغان (Breusch-Pagan Test) أحد أهم وأشهر الاختبارات القياسية التي صُممت خصيصاً للتحقق من فرضية تجانس التباين في نماذج الانحدار الخطي. يقدم هذا الدليل المرجعي الشامل تفصيلاً معمقاً لاختبار بروش-باغان من حيث جذوره التاريخية، وأسسه النظرية، واشتقاقاته الرياضية، وكيفية تطبيقه يدوياً وعبر البرمجيات الإحصائية المتقدمة، مع استعراض دراسة حالة تطبيقية في العلوم النفسية والسلوكية، وتقديم حلول منهجية متكاملة لمعالجة عدم تجانس التباين لضمان دقة ونزاهة البحث العلمي.

1. مقدمة إلى اختبار بروش-باغان ومفهوم تجانس التباين

1.1 فرضية تجانس التباين (Homoscedasticity) في النماذج الخطية

تمثل فرضية تجانس التباين، أو ما يُعرف في الأدبيات الإحصائية بمصطلح (Homoscedasticity) المشتق من أصول إغريقية تعني “التشتت المتساوي”، أحد الشروط البنيوية الجوهرية ضمن مبرهنة غاوس-ماركوف (Gauss-Markov Theorem). ينص هذا الافتراض على أن تباين حد الخطأ العشوائي ($\epsilon_i$) المحيط بكل مشاهدة تنبؤية يجب أن يكون مقداراً ثابتاً لا يتغير بتغير قيم المتغيرات التفسيرية ($X$)، ويُعبر عن ذلك رياضياً بالصيغة: $Var(\epsilon_i | X) = \sigma^2$. يعني هذا التوصيف الرياضي أن درجة عدم اليقين أو التشتت العشوائي للقيم الفعلية حول خط الانحدار المقدر تظل متطابقة ومنتظمة عبر كامل نطاق فضاء المتغيرات المستقلة.

تتجلى الأهمية النظرية لتحقق هذا الافتراض في منح مقدرات طريقة المربعات الصغرى العادية (OLS) صفة “أفضل مقدر خطي غير متحيز” (Best Linear Unbiased Estimator – BLUE). وتعني الكفاءة الإحصائية هنا أن تباين هذه المقدرات يكون في حده الأدنى مقارنة بأي مقدرات خطية أخرى غير متحيزة، مما يجعل التقديرات الناتجة أكثر دقة وثباتاً عند تكرار سحب العينات من المجتمع الأصلي. إن ثبات تباين الأخطاء يضمن أن كل مشاهدة في العينة تسهم بنفس المقدار النسبي من المعلومات في تحديد موضع وميل خط الانحدار، دون أن تطغى مشاهدات معينة على حساب مشاهدات أخرى نتيجة لتباينات شاذة.

وعلى النقيض من ذلك، فإن انتهاك هذا الافتراض لا يؤثر على خاصية عدم التحيز لمعاملات الانحدار بحد ذاتها، بل يضرب في الصميم البنية التقديرية لمصفوفة التباين والتغاير (Variance-Covariance Matrix) لتلك المعاملات. ويترتب على ذلك تقدير غير صحيح للأخطاء المعيارية (Standard Errors)، والتي تعد حجر الزاوية في بناء فترات الثقة (Confidence Intervals) وإجراء اختبارات الفرضيات، مما يجعل النموذج عرضة لإعطاء دلالات إحصائية زائفة أو إخفاء تأثيرات حقيقية موجودة في الواقع الميداني.

1.2 ماهية اختبار بروش-باغان وتاريخ نشأته الإحصائية

طُوِّر اختبار بروش-باغان في عام 1979 بواسطة الاقتصاديين تريفور بروش (Trevor Breusch) وأدريان باغان (Adrian Pagan) من خلال ورقتهما البحثية الرائدة المنشورة في مجلة Econometrica المرموقة بعنوان “A Simple Test for Heteroscedasticity and Random Coefficient Variation”. جاء تطوير هذا الاختبار استجابة للحاجة الماسة إلى منهجية تشخيصية مرنة ومنظمة تعتمد على مبدأ مضاعف لاغرانج (Lagrange Multiplier – LM)، وقادرة على فحص ما إذا كان تباين الأخطاء يرتبط دالياً بمجموعة محددة من المتغيرات التفسيرية، سواء كانت تلك المتغيرات مضمنة في نموذج الانحدار الأساسي أو متغيرات خارجية يُشتبه في تأثيرها على تشتت البواقي.

يقوم الاختبار في جوهره على فحص الارتباط الخطي بين مربعات البواقي (المعيارية) الناتجة عن تقدير نموذج الانحدار الخطي الأصلي وبين المتغيرات المفسرة المحتملة. فإذا أظهرت النتائج أن المتغيرات المستقلة قادرة مجتمعة على تفسير جزء معنوي إحصائياً من التباين الموجود في مربعات البواقي، فإن ذلك يُعد دليلاً قاطعاً على غياب التجانس ووجود علاقة نسقية تحكم تشتت الأخطاء بدلاً من كونها تشويشاً عشوائياً خالصاً.

شهد الاختبار لاحقاً تطويراً بنيوياً مهماً في عام 1981 على يد الإحصائي روجر كوينكر (Roger Koenker) في بحثه المنشور في مجلة Journal of Econometrics؛ حيث لاحظ كوينكر أن النسخة الأصلية لاختبار بروش-باغان تتسم بحساسية مفرطة لافتراض التوزيع الطبيعي للبواقي (Normality Assumption). وإذا كانت البواقي تعاني من الالتواء (Skewness) أو التفرطح (Kurtosis)، فإن الاختبار الأصلي يميل إلى تضخيم معدل الخطأ من النوع الأول (رفض فرضية التجانس وهي صحيحة). قدم كوينكر نسخة معدلة تسمى بالنسخة المتدرجة تقاربياً (Studentized Breusch-Pagan Test)، والتي عدلت حساب إحصائية الاختبار لتصبح منيعة وقوية ضد انتهاك فرضية التوزيع الطبيعي، وهي النسخة المعتمدة افتراضياً في معظم الحزم الإحصائية الحديثة اليوم مثل حزمة `lmtest` في لغة R.

1.3 أهمية الاختبار في النمذجة الإحصائية والبحوث السلوكية والنفسية

تحظى مسألة التحقق من استقرار التباين بأهمية استثنائية في مجالات البحوث النفسية والتربوية والعلوم السلوكية، حيث تتسم الظواهر الإنسانية بطبيعتها بتعقد شديد وفروق فردية واسعة تزيد من احتمالية حدوث عدم تجانس التباين. على سبيل المثال، عند دراسة العلاقة بين مستويات القلق والتحصيل الدراسي، أو تأثير الضغوط المهنية على الأداء الوظيفي، يلاحظ الباحثون تكراراً أن تشتت درجات الاستجابة يتسع أو يضيق عند مستويات معينة من المتغير المستقل، مما يولد تباينات غير متساوية عبر فئات العينة المختلفة.

يساعد اختبار بروش-باغان الباحثين في هذه الميادين على تجنب الوقوع في أخطاء النوع الأول (Type I Error) المتمثلة في الادعاء الزائف بوجود فروق ذات دلالة إحصائية أو تأثيرات جوهرية غير موجودة في الواقع نتيجة لتقليل الخطأ المعياري اصطناعياً. كما يحمي الاختبار الباحثين من الوقوع في أخطاء النوع الثاني (Type II Error)، حيث قد يؤدي تضخيم الأخطاء المعيارية إلى الفشل في إثبات فرضيات بحثية صحيحة ونظريات واعدة بسبب عدم دقة التقدير.

إضافة إلى ذلك، فإن الفحص المنهجي الدقيق للتباين باستخدام اختبار بروش-باغان يمنح المحكمين والمجتمع العلمي ثقة مطلقة في سلامة النتائج المستخلصة ومصداقية التوصيات التطبيقية. فعندما يثبت الباحث خلو نموذجه من مشكلات التباين أو يقدم المعالجات التصحيحية اللازمة عند اكتشافها، فإنه يضمن استيفاء المعايير الصارمة للنشر الأكاديمي الرصين، ويقدم نماذج تنبؤية تتمتع بقابلية عالية للتعميم على مجتمعات دراسية أوسع نطاقاً.

2. الإطار النظري لظاهرة عدم تجانس التباين (Heteroscedasticity)

2.1 تعريف ظاهرة عدم تجانس التباين وأسباب نشوئها

تُعرف ظاهرة عدم تجانس التباين (Heteroscedasticity) رياضياً بأنها الحالة التي لا يكون فيها تباين حد الخطأ العشوائي ($\epsilon_i$) ثابتاً عبر جميع المشاهدات داخل فضاء العينة، بل يتغير كدالة مرتبطة برقم المشاهدة أو بقيم واحدة أو أكثر من المتغيرات المستقلة، أي أن: $Var(\epsilon_i | X_i) = \sigma_i^2 \neq \sigma^2$. هذا التباين المشروط المتغير يعني أن النموذج الخطي يقدم تنبؤات ذات مستويات دقة متباينة باختلاف قيم المتغيرات التفسيرية، بحيث تكون التنبؤات شديدة الدقة ومحكمة في نطاقات معينة، بينما تصبح مشتتة وفضفاضة في نطاقات أخرى.

تتعدد الأسباب النظرية والعملية التي تؤدي إلى نشوء هذه الظاهرة في البيانات التجريبية والمسحية، ومن أبرزها:

• أثر التعلم وتراكم الخبرة (Learning-Curve Effect): مع مرور الوقت أو زيادة الممارسة (مثل ساعات التدريب أو سنوات التعليم)، تتفاوت قدرات الأفراد على استيعاب المهارات، مما يجعل سلوك بعضهم أكثر انتظاماً وقابلياً للتنبؤ بينما يظل سلوك البعض الآخر متذبذباً، وهو ما يولد تبايناً متزايداً في البواقي.
• توسع خيارات التصرف مع زيادة الموارد: في الدراسات الاقتصادية والسلوكية، يمتلك الأفراد ذوو الدخل المرتفع أو الموارد المعرفية الواسعة خيارات استهلاكية وسلوكية أكثر تنوعاً مقارنة بذوي الموارد المحدودة، مما يؤدي إلى زيادة تشتت البواقي عند المستويات العليا للمتغير.
• وجود القيم المتطرفة والشاذة (Outliers): يؤدي وجود مشاهدات شاذة ناتجة عن أخطاء قياس أو حالات نادرة إلى سحب خط الانحدار وتوليد بواقي ذات مربعات ضخمة تؤثر بشكل غير متناسب على تقدير التباين الإجمالي.
• خطأ توصيف النموذج (Model Misspecification): يُعد إهمال تضمين متغيرات تفسيرية جوهرية ذات قدرة تنبؤية عالية، أو إغفال وجود علاقات غير خطية (مثل التأثيرات التربيعية أو التفاعلية)، أحد الأسباب الجذرية لانتقال تأثير تلك المتغيرات المحذوفة إلى حد الخطأ العشوائي، مما يظهر على هيئة عدم تجانس في التباين.

2.2 التمييز بين عدم تجانس التباين الشرطي وغير الشرطي

يعد التمييز بين المفهوم الشرطي (Conditional) وغير الشرطي (Unconditional) لعدم تجانس التباين ركيزة منهجية بالغة الأهمية لتحديد أداة القياس والتحليل المناسبة. يشير عدم تجانس التباين غير الشرطي (Unconditional Heteroscedasticity) إلى الحالة التي يتغير فيها التباين الهيكلي العام للأخطاء العشوائية عبر الزمن أو بين مجموعات البيانات دون أن يرتبط هذا التغير بقيم محددة للمتغيرات التفسيرية المستقلة المضمنة في النموذج. يشيع هذا النمط بشكل ملحوظ في تحليلات السلاسل الزمنية المالية والاقتصادية التي تشهد فترات تاريخية متمايزة من التقلبات الحادة تليها فترات من الهدوء والاستقرار النسبي.

في المقابل، يمثل عدم تجانس التباين الشرطي (Conditional Heteroscedasticity) الحالة التي يكون فيها تباين الأخطاء معتمداً اعتماداً مباشراً ومرتبطاً دالياً بالقيم اللحظية للمتغيرات المستقلة المضمنة داخل نموذج الانحدار نفسه، أي أن: $\sigma_i^2 = f(X_{1i}, X_{2i}, dots, X_{ki})$. في هذه الحالة، يتغير التشتت التنبؤي صعوداً أو هبوطاً كاستجابة نظامية لتحركات المتغيرات التفسيرية.

ترجع أهمية هذا التمييز إلى أن اختبار بروش-باغان صُمم بالأساس لاكتشاف ورصد عدم تجانس التباين الشرطي الخطي؛ حيث يفحص الاختبار الفرضية القائلة بأن التباين هو دالة خطية في المتغيرات التفسيرية. وإذا كان عدم التجانس في البيانات غير شرطي أو يتخذ أشكالاً ديناميكية معقدة تعتمد على تباينات الفترات السابقة، فإن اختبارات أخرى مثل نماذج ARCH و GARCH تصبح هي الخيار التحليلي الأمثل لمعالجة هذه الديناميكيات الزمنية.

2.3 التداعيات الإحصائية لانتهاك فرضية التجانس على مقدرات المربعات الصغرى

تتنوع التداعيات السلبية لانتهاك فرضية تجانس التباين وتطال جوانب متعددة من عملية الاستدلال القياسي، ويمكن تلخيص أبرز هذه الآثار الإحصائية على النحو التالي:

الخاصية الإحصائية	حالة تجانس التباين (Homoscedasticity)	حالة عدم تجانس التباين (Heteroscedasticity)
عدم التحيز (Unbiasedness)	المقدرات غير متحيزة: $E(\hat{\beta}) = \beta$	تظل المقدرات غير متحيزة رياضياً: $E(\hat{\beta}) = \beta$
الاتساق التقاربي (Consistency)	المقدرات متسقة وتتقارب مع المعلمات الحقيقية	تظل المقدرات متسقة مع زيادة حجم العينة
الكفاءة الإحصائية (Efficiency)	المقدرات هي الأكثر كفاءة (BLUE) بأقل تباين ممكن	تفقد المقدرات صفة الكفاءة ولا تصبح ذات أقل تباين
تقدير الأخطاء المعيارية (SE)	تقديرات دقيقة وغير متحيزة لمصفوفة التباين	تقديرات متحيزة (غالباً ما يتم التقليل من قيمتها الحقيقية)
اختبارات الدلالة (t و F)	صالحة تماماً وتتبع التوزيعات النظرية الصحيحة	غير صالحة ومضللة وتؤدي لقرارات إحصائية خاطئة
فترات الثقة (Confidence Intervals)	دقيقة وتعكس هامش الخطأ الحقيقي بمستوى الثقة المحدد	إما ضيقة جداً بشكل زائف أو متسعة بصورة غير واقعية

يتضح من التحليل المقارن أن الخطر الأكبر لا يكمن في قيم معاملات الانحدار ذاتها ($\hat{\beta}$)، بل في الآلية الحسابية المعتمدة لتقييم الدلالة الإحصائية لتلك المعاملات. فالصيغة التقليدية لحساب مصفوفة تباين مقدرات المربعات الصغرى تعتمد على افتراض وجود تباين مشترك موحد ($\sigma^2$)، وعند غياب هذا التباين المشترك، تصبح تلك الصيغ الرياضية غير مطابقة للواقع الرياضي، مما ينزع المصداقية عن جميع الاستنتاجات المبنية عليها.

3. الفرضيات الإحصائية لاختبار بروش-باغان

3.1 صياغة الفرضية الصفرية ($H_0$) ودلالتها الرياضية

يقوم اختبار بروش-باغان على فحص فرضية إحصائية صفرية محددة بدقة تنص على تحقق التجانس التام في تباين الأخطاء العشوائية عبر كامل نطاق فضاء النموذج المدروس. ولصياغة هذه الفرضية رياضياً، يفترض الاختبار أن تباين الخطأ لكل مشاهدة يرتبط بدالة خطية بمجموعة من المتغيرات المستقلة المفسرة ($Z_1, Z_2, dots, Z_p$) على النحو التالي:

$$\sigma_i^2 = h(\alpha_0 + \alpha_1 Z_{1i} + \alpha_2 Z_{2i} + dots + \alpha_p Z_{\pi})$$

حيث تمثل $h(\cdot)$ دالة عامة مستمرة موجبة القيمة، وتمثل المعلمات ($\alpha_1, \alpha_2, dots, \alpha_p$) معاملات الانحدار التي تقيس استجابة تباين الخطأ للمتغيرات التفسيرية المحددة. ومن ثم، تُصاغ الفرضية الصفرية ($H_0$) بأن جميع معاملات الانحدار الخاصة بمتغيرات التباين تساوي صفراً بشكل متزامن:

$$H_0: \alpha_1 = \alpha_2 = dots = \alpha_p = 0$$

يعني قبول أو الإخفاق في رفض هذه الفرضية الصفرية أن تباين الخطأ يختزل إلى قيمة ثابتة مستقلة تماماً عن أي من المتغيرات التفسيرية، أي أن: $\sigma_i^2 = h(\alpha_0) = \sigma^2$ لجميع قيم $i$. ويدل هذا رياضياً على أن نموذج المربعات الصغرى العادية المطبق يستوفي بالكامل شروط مبرهنة غاوس-ماركوف، مما يمنح الباحث الضوء الأخضر للاعتماد على اختبارات (t) واختبارات (F) التقليدية وفترات الثقة المعيارية دون الحاجة إلى تعديلات تصحيحية معقدة.

3.2 صياغة الفرضية البديلة ($H_a$) وأشكالها

تُصاغ الفرضية البديلة ($H_a$ أو $H_1$) بأن هناك على الأقل معلماً واحداً من معلمات انحدار التباين يختلف معنوياً عن الصفر، ويُعبر عن ذلك رياضياً بالصيغة:

$$H_a: \exists , j in {1, 2, dots, p} \quad \text{بحيث} \quad \alpha_j \neq 0$$

تشير الفرضية البديلة إلى أن تباين حد الخطأ العشوائي ليس مستقراً، بل يتغير منهجياً وبشكل منتظم كدالة تعتمد على واحد أو أكثر من المتغيرات المستقلة ($Z$). في معظم التطبيقات العملية والقياسية، تكون المتغيرات ($Z$) المستخدمة في فحص التباين هي ذاتها المتغيرات المفسرة ($X$) المدرجة في نموذج الانحدار الأصلي، مما يعني أن تشتت الأخطاء يتسع أو يضيق مع زيادة أو نقصان قيم تلك المتغيرات المستقلة.

إن إثبات صحة الفرضية البديلة يعني رفض نموذج التجانس الكلاسيكي وتأكيد وجود نمط غير عشوائي في تشتت الأخطاء. ويستوجب هذا القرار المنهجي التوقف عن استخدام الأخطاء المعيارية التقليدية لنموذج OLS، واللجوء فوراً إلى أحد البدائل القياسية المعتمدة لمعالجة المشكلة، مثل استخدام مقدرات التباين المتينة (Robust Covariance Estimators) أو تطبيق طريقة المربعات الصغرى الموزونة (Weighted Least Squares – WLS).

3.3 قواعد اتخاذ القرار الإحصائي ومستويات المعنوية

يعتمد اتخاذ القرار الإحصائي في اختبار بروش-باغان على مقارنة القيمة الحسابية المحسوبة لإحصائية الاختبار بالقيمة الحرجة المستخرجة من التوزيع النظري المقابل، أو من خلال تقييم القيمة الاحتمالية (p-value) مقارنة بمستوى المعنوية المحدد مسبقاً ($\alpha$)، والذي يُحدد عادة عند المستويات القياسية المتعارف عليها مثل (0.05 أو 0.01 أو 0.10).

تتبع إحصائية اختبار بروش-باغان المحسوبة ($LM$ أو $BP$) تقاربياً توزيع كاي-تربيع ($\chi^2$) بدرجات حرية تعادل عدد المتغيرات التفسيرية المضمنة في دالة التباين ($p$). وبناءً على ذلك، يتم تطبيق قواعد القرار التالية:

• قاعدة القيمة الاحتمالية:
  • إذا كانت $\text{p-value} le \alpha$ (مثلاً: $p le 0.05$): نرفض الفرضية الصفرية ($H_0$) ونقبل الفرضية البديلة ($H_a$)، ونستنتج وجود دليل إحصائي كافٍ على عدم تجانس التباين عند مستوى الدلالة المختار.
  • إذا كانت $\text{p-value} > \alpha$ (مثلاً: $p > 0.05$): نفشل في رفض الفرضية الصفرية ($H_0$)، مما يعني عدم وجود أدلة إحصائية كافية تدحض تجانس التباين، وبالتالي نعتبر تباين الأخطاء متجانساً ومستقراً.
• قاعدة القيمة الحرجة:
  • إذا كانت $LM_{calculated} ge \chi^2_{(\alpha, p)}$: نرفض الفرضية الصفرية ($H_0$) لصالح الفرضية البديلة.
  • إذا كانت $LM_{calculated} < \chi^2_{(\alpha, p)}$: نفشل في رفض الفرضية الصفرية ($H_0$).

4. الاشتقاق الرياضي والخطوات الحسابية لاختبار بروش-باغان

4.1 تقدير نموذج الانحدار الأصلي واستخراج البواقي

تبدأ الخطوة التنفيذية الأولى لتطبيق اختبار بروش-باغان بتقدير نموذج الانحدار الخطي المتعدد الأصلي باستخدام طريقة المربعات الصغرى العادية (OLS). يُكتب النموذج الأصلي بالصيغة المصفوفية التالية:

$$Y = X\beta + \epsilon$$

حيث تمثل $Y$ متجهة المتغير التابع بحجم ($n \times 1$)، وتمثل $X$ مصفوفة المتغيرات التفسيرية المستقلة متضمنة متجه الثابت بحجم ($n \times (k+1)$)، بينما تمثل $\beta$ متجهة المعلمات المراد تقديرها بحجم ($(k+1) \times 1$)، وتمثل $epsilon$ متجهة الأخطاء العشوائية غير الملاحظة.

يتم استخراج متجهة المعاملات المقدرة ($\hat{\beta}$) وفق الصيغة الكلاسيكية:

$$\hat{\beta} = (X’X)^{-1}X’Y$$

عقب الحصول على المعاملات المقدرة، تُحسب القيم التنبؤية المتوقعة ($\hat{Y} = X\hat{\beta}$)، ثم يتم استخراج متجهة البواقي الفعلية ($e$) لكل مفردة من مفردات العينة بطرح القيمة التنبؤية من القيمة المشاهدة الفعلية:

$$e_i = Y_i – \hat{Y}_i, \quad i = 1, 2, dots, n$$

تُعد هذه البواقي المقدرة ($e_i$) هي البديل التجريبي المتاح لحدود الأخطاء النظرية غير الملاحظة ($\epsilon_i$). بعد ذلك، يتم تقدير تباين الخطأ الإجمالي غير المشروط للنموذج الأصلي ($\hat{\sigma}^2$) باستخدام مقدر الإمكان الأعظم (Maximum Likelihood Estimator) وفق الصيغة:

$$\tilde{\sigma}^2 = \frac{1}{n}\sum_{i=1}^{n} e_i^2 = \frac{\sum e_i^2}{n}$$

4.2 بناء وتشغيل نموذج الانحدار المساعد (Auxiliary Regression)

تتمثل النقلة المنهجية في اختبار بروش-باغان في إنشاء نموذج انحدار إضافي يُعرف بـ “الانحدار المساعد” (Auxiliary Regression)، والذي يهدف إلى فحص مدى قدرة المتغيرات المفسرة على التنبؤ بحجم تشتت البواقي. تتضمن هذه الخطوة مرحلتين أساسيتين:

أولاً: تكوين المتغير التابع للانحدار المساعد:
في الصيغة الأصلية لبروش وباغان (1979)، يتم حساب البواقي المربعة المعايرة ($g_i$) بقسمة مربع كل باقٍ فردي ($e_i^2$) على متوسط مربعات البواقي الإجمالي ($\tilde{\sigma}^2$):

$$g_i = \frac{e_i^2}{\tilde{\sigma}^2} = \frac{e_i^2}{\frac{1}{n}\sum_{j=1}^{n} e_j^2}$$

ثانياً: تقدير معادلة الانحدار المساعد:
يتم إجراء انحدار للمتغير التابع المعاير ($g_i$) على مجموعة المتغيرات التفسيرية المشتبه في تسببها بعدم التجانس ($Z$)، والتي تشمل عادة كافة المتغيرات المستقلة في النموذج الأصلي بالإضافة إلى الحد الثابت ($\gamma_0$):

$$g_i = \gamma_0 + \gamma_1 Z_{1i} + \gamma_2 Z_{2i} + dots + \gamma_p Z_{\pi} + v_i$$

حيث تمثل $v_i$ حد الخطأ العشوائي الخاص بنموذج الانحدار المساعد. يتم تقدير هذا النموذج أيضاً باستخدام طريقة المربعات الصغرى العادية (OLS)، واستخراج مجموع مربعات الانحدار المفسرة (Explained Sum of Squares – $SSR_{aux}$) أو معامل التحديد ($R_{aux}^2$) الخاص بهذه المعادلة المساعدة.

4.3 حساب إحصائية الاختبار وتوزيع كاي-تربيع (Chi-Square)

في الصيغة القياسية الأصلية لبروش وباغان، تُحسب إحصائية الاختبار—والتي تسمى إحصائية مضاعف لاغرانج ($LM$)—مباشرة من خلال أخذ نصف مجموع مربعات الانحدار المفسرة ($SSR_{aux}$) للنموذج المساعد:

$$LM = \frac{1}{2} SSR_{aux} = \frac{1}{2} \sum_{i=1}^{n} (\hat{g}_i – \bar{g})^2$$

حيث تمثل $\hat{g}_i$ القيم التنبؤية لنموذج الانحدار المساعد، وتمثل $\bar{g}$ المتوسط الحسابي لمتغير $g_i$ (والذي يساوي دائماً 1 وفقاً للتعريف الرياضي لعملية المعايرة).

وفي الصيغة البديلة المتدرجة الشائعة (والتي تتكامل بنيوياً مع تعديل كوينكر)، يتم استخدام معامل التحديد ($R_{aux}^2$) الناتج عن انحدار مربعات البواقي غير المعايرة ($e_i^2$) على المتغيرات التفسيرية، وتُحسب إحصائية الاختبار بضرب حجم العينة الكلي ($n$) في معامل التحديد للانحدار المساعد:

$$LM = n \times R_{aux}^2$$

أثبت بروش وباغان رياضياً أنه في ظل تحقق الفرضية الصفرية ($H_0$) للتجانس التام، وافتراض التوزيع الطبيعي للأخطاء الأصلية، فإن إحصائية $LM$ تتقارب تقاربياً وتوزيعياً نحو توزيع كاي-تربيع بدرجات حرية ($df$) تساوي عدد المتغيرات التفسيرية المضمنة في الانحدار المساعد (باستثناء الحد الثابت):

$$LM x\rightarrow{d} \chi^2_{(p)}$$

4.4 تحديد درجات الحرية ومستوى الدلالة الحسابية

يعد التحديد الدقيق لدرجات الحرية ($df$) أمراً حاسماً لحساب القيمة الاحتمالية بدقة وتفادي الأخطاء التفسيرية. تُحدد درجات الحرية في اختبار بروش-باغان بالمعادلة البسيطة:

$$df = p$$

حيث يمثل $p$ عدد المعلمات التفسيرية المقدرة في معادلة الانحدار المساعد بدون احتساب الحد الثابت ($\gamma_0$). فإذا كان نموذج الانحدار الأصلي يحتوي على 3 متغيرات تفسيرية وتم تضمينها جميعاً في فحص التباين، فإن درجات الحرية تكون $df = 3$.

تُحسب القيمة الاحتمالية الدقيقة ($\text{p-value}$) من خلال حساب المساحة الواقعة تحت ذيل التوزيع التراكمي لكاي-تربيع من يمين القيمة المحسوبة للإحصائية ($LM_{calc}$):

$$\text{p-value} = P\left(\chi^2_{(p)} ge LM_{calc}\right) = \int_{LM_{calc}}^{\infty} f_{\chi^2}(u; p) , du$$

تتم هذه العملية الحسابية التكاملية إما باستخدام الجداول الإحصائية المرجعية لتوزيع كاي-تربيع، أو من خلال الدوال البرمجية الرياضية المضمنة في الحزم الإحصائية (مثل دالة `pchisq` في R أو `scipy.stats.chi2.sf` في بايثون)، مما يوفر قيمة احتمالية دقيقة للغاية تمكن الباحث من اتخاذ قراره المنهجي بيقين إحصائي تام.

5. الشروط والافتراضات المسبقة لتطبيق اختبار بروش-باغان

5.1 فرضية التوزيع الطبيعي للبواقي وحساسية الاختبار الأصلي

يقوم الاشتقاق الرياضي الأصلي لاختبار بروش-باغان (1979) على افتراض محوري وصارم مفاده أن الأخطاء العشوائية ($\epsilon_i$) تتبع توزيعاً طبيعياً معيارياً بمتوسط صفري وتباين $\sigma^2$، أي أن: $\epsilon_i \sim \mathcal{N}(0, \sigma^2)$. يعود السبب الرياضي لهذا الافتراض إلى أن الاشتقاق النظري لمصفوفة معلومات فيشر (Fisher Information Matrix) المستخدمة في بناء إحصائية مضاعف لاغرانج الأصلية يعتمد كلياً على خصائص التفرطح لتوزيع الأخطاء الطبيعي، حيث يُفترض أن معامل التفرطح (Kurtosis) للأخطاء يساوي 3، وأن عزم الدرجة الرابعة للخطأ يساوي $3\sigma^4$.

أظهرت الدراسات القياسية المقارنة أن الصيغة الأصلية لبروش-باغان تتسم بحساسية شديدة وشديدة الخطورة لانتهاك هذا الشرط. فإذا كانت البيانات الحقيقية تعاني من ذيول سميكة (Heavy Tails) أو توزيعات ملتوية (Skewed Distributions)، فإن تباين البواقي المربعة ينحرف عن القيمة المفترضة نظرياً، مما يؤدي إلى تضخيم غير حقيقي لقيمة إحصائية الاختبار، وبالتالي رفض فرضية التجانس ظلماً والوقوع في خطأ النوع الأول بمعدلات قد تتجاوز 30% أو 40% بدلاً من المستوى الاسمي 5%.

لتجاوز هذا القصور المنهجي، قدم كوينكر (1981) الحل الحسابي بتطبيع إحصائية الاختبار عبر قسمة مربعات البواقي على التقدير التجريبي لعزم الدرجة الرابعة للبواقي بدلاً من الاعتماد على التوزيع الطبيعي النظري. لذلك، يُعد التحقق المسبق من اعتدالية البواقي خطوة إلزامية؛ فإذا ثبت اعتدال التوزيع يمكن استخدام الصيغة الأصلية، ولكن يفضل دائماً استخدام صيغة كوينكر المعدلة كإجراء افتراضي آمن يضمن متانة النتائج بصرف النظر عن شكل التوزيع الفعلي.

5.2 حجم العينة وملاءمة الخصائص التقاربية (Asymptotic Properties)

ينتمي اختبار بروش-باغان بنيوياً إلى عائلة اختبارات مضاعف لاغرانج (LM Tests)، وهي اختبارات تعتمد بطبيعتها الرياضية على الخصائص والمبرهنات التقاربية للعينات الكبيرة (Asymptotic Large-Sample Properties). يعني هذا الاعتماد النظري أن توزيع إحصائية الاختبار يقترب من التوزيع النظري لكاي-تربيع فقط عندما يؤول حجم العينة ($n$) نحو اللانهاية ($n to \infty$).

يترتب على هذه الطبيعة التقاربية عدد من المحاذير الإحصائية الهامة عند التعامل مع العينات الميدانية الصغيرة:

• ضعف القوة الإحصائية (Low Statistical Power): في العينات الصغيرة جداً (مثل $n < 30$)، يمتلك الاختبار قدرة منخفضة للغاية على اكتشاف عدم تجانس التباين حتى لو كان موجوداً بوضوح في المجتمع الأصلي، مما يزيد من احتمالية الوقوع في خطأ النوع الثاني (قبول فرضية التجانس وهي خاطئة).
• عدم استقرار التقديرات: تكون مربعات البواقي في العينات المحدودة عرضة للتأثر الشديد بالتقلبات العشوائية الفردية لكل مشاهدة، مما يجعل تقديرات الانحدار المساعد غير مستقرة وقابلة للتغير الحاد بحذف أو إضافة مشاهدة واحدة فقط.
• الحدود الدنيا الموصى بها: توصي الأدبيات القياسية بألا يقل حجم العينة عن 50 إلى 100 مشاهدة على الأقل عند تطبيق الاختبار، مع مراعاة زيادة هذا الحد الأدنى كلما زاد عدد المتغيرات التفسيرية ($p$) المضمنة في النموذج وفق القاعدة الإرشادية التي تفضل توفر 15 إلى 20 مشاهدة لكل متغير مستقل مفسر لضمان دقة التقارب التوزيعي.

5.3 استقلالية المشاهدات وغياب الارتباط الذاتي للأخطاء

يشترط اختبار بروش-باغان لتحقيق دلالته الاستدلالية أن تكون المشاهدات الإحصائية مستقلة استقلالاً تاماً عن بعضها البعض، وأن تكون حدود الأخطاء العشوائية خالية تماماً من مشكلة الارتباط الذاتي (Autocorrelation)، أي أن التغاير بين أي خطأين عشوائيين مختلفين يساوي صفراً: $Cov(\epsilon_i, \epsilon_j) = 0$ لجميع $i \neq j$.

إذا كانت البيانات تتضمن ارتباطاً ذاتياً أو بنية متسلسلة—كما هو شائع في بيانات السلاسل الزمنية أو البيانات الطولية (Panel Data)—فإن هذا الارتباط يخل بتقديرات الأخطاء المعيارية في كل من النموذج الأصلي والانحدار المساعد. ويؤدي وجود ارتباط ذاتي موجب إلى تداخل أنماط البواقي المتتابعة، مما قد يُفسره اختبار بروش-باغان خطأً على أنه تغير في التباين، مما يقود إلى استنتاجات تشخيصية مشوهة وغير موثوقة.

لذا، يتعين على الباحث التحقق المسبق من استقلالية الأخطاء باستخدام أدوات الفحص المناسبة—مثل اختبار ديربن-واتسون (Durbin-Watson Test) أو اختبار بروش-غودفري (Breusch-Godfrey Test)—قبل الشروع في تشخيص تجانس التباين، للتأكد من أن كل أداة تشخيصية ترصد الخلل الهيكلي المخصصة له بدقة ودون تشويش متبادل.

6. الفحص البصري التمهيدي للبواقي مقابل اختبار بروش-باغان

6.1 تحليل المخططات البيانية للبواقي مقابل القيم التنبؤية (Residuals vs Fitted)

يمثل الفحص البياني البصري للبواقي الخطوة الاستكشافية الأولى والضرورية التي تسبق إجراء أي اختبار إحصائي رسمي. يتم ذلك من خلال إنشاء مخطط الانتشار المبعثر (Scatter Plot) الذي يمثل فيه المحور الأفقي ($X$) القيم التنبؤية المقدرة للنموذج ($\hat{Y}$)، بينما يمثل المحور الرأسي ($Y$) قيم البواقي الخام ($e_i$) أو البواقي المعيارية (Standardized Residuals).

في حالة استيفاء فرضية تجانس التباين استيفاءً نموذجياً، تتوزع نقاط البواقي على المخطط بشكل عشوائي تماماً ومتماثل داخل شريط أفقي متجانس يحيط بخط الصفر الأفقي ($e = 0$). يجب ألا يُظهر توزيع النقاط أي نمط هندسي أو انحناء أو توجه نسقي محدد، مع بقاء كثافة النقاط ومقدار تشتتها الرأسي ثابتاً بصرف النظر عن الانتقال من أقصى يسار المحور الأفقي (القيم التنبؤية المنخفضة) إلى أقصى يمينه (القيم التنبؤية المرتفعة).

يساعد هذا التمثيل البصري الباحث على تكوين حدس استكشافي سريع حول سلوك الأخطاء، ورصد أي نقاط متطرفة أو شاذة (Outliers) قد تكون معزولة وتؤثر تأثيراً كبيراً على حسابات التباين الإجمالية.

6.2 الأنماط الهندسية الشائعة الدالة على عدم تجانس التباين

عندما تعاني البيانات من عدم تجانس التباين، يُظهر مخطط البواقي مقابل القيم التنبؤية أشكالاً هندسية مميزة تكشف طبيعة ونمط الخلل في التباين، ومن أشهر هذه الأنماط الهندسية:

• النمط القمعي أو المروحي المتسع (Expanding Fan / Funnel Shape): وفيه تبدأ نقاط البواقي متقاربة جداً ومتركزة حول خط الصفر عند القيم التنبؤية المنخفضة، ثم تتسع المسافة الرأسية بين النقاط تدريجياً وباطراد كلما اتجهنا نحو القيم التنبؤية المرتفعة، مما يعكس تزايد تباين الخطأ طردياً مع زيادة قيمة المتغير التابع المقدر.
• النمط القمعي المنكمش (Contracting Fan Shape): وهو عكس النمط السابق؛ حيث يكون تشتت النقاط واسعاً جداً عند القيم التنبؤية الصغرى، ثم يضيق التشتت ويتركز حول الصفر مع زيادة القيم التنبؤية، مشيراً إلى علاقة عكسية بين مستوى التنبؤ ومقدار تباين الأخطاء.
• النمط الماسي أو المعيني (Diamond Shape): وفيه يكون التباين صغيراً عند الأطراف (القيم الدنيا والعليا) بينما يتسع التشتت بدرجة كبيرة في النطاقات المتوسطة، وهو ما يعكس وجود تأثيرات غير خطية أو علاقات تفاعلية غير مأخوذة في الحسبان.

6.3 محدودية التقييم البصري وضرورة التأكيد الكمي عبر الاختبارات الرسمية

على الرغم من الأهمية الإرشادية الكبيرة للمخططات البيانية، إلا أن الاعتماد الحصري عليها ينطوي على مخاطر منهجية بالغة تجعلها غير كافية بمفردها لاتخاذ قرارات حاسمة، وتتجلى أوجه القصور البصري في الآتي:

1. الذاتية وغياب الموضوعية: يختلف تقييم الأشكال البيانية من باحث إلى آخر؛ فقد يرى أحد المحللين في مخطط معين نمطاً قمعياً دالاً على عدم التجانس، بينما يراه محلل آخر مجرد تشتت عشوائي طبيعي ناتج عن تباين العينة، مما يفتح الباب للاجتهادات والانحيازات الشخصية.
2. صعوبة التشخيص في النماذج المتعددة: عندما يشتمل النموذج على عدد كبير من المتغيرات التفسيرية (High-Dimensional Models)، يصبح من الصعب جداً من خلال مخطط ثنائي الأبعاد تحديد أي من المتغيرات المستقلة هو المسؤول الرئيسي عن توليد تباين الأخطاء.
3. تأثير النقاط المنعزلة: قد تؤدي مشاهدة واحدة أو اثنتان من القيم الشاذة في أطراف المخطط إلى إعطاء إيحاء بصري زائف بوجود نمط قمعي شامل، في حين أن التباين في حقيقته متجانس عبر 98% من بقية البيانات.

من هنا تبرز الضرورة المنهجية الحاسمة لاختبار بروش-باغان كأداة كمية واختبار فرضي صارم يقدم معياراً رياضياً قاطعاً لا يقبل التأويل الذاتي، مدعوماً بقيم دلالة احتمالية دقيقة تتيح التحقق الإحصائي الموثق وفق المعايير العلمية المتعارف عليها.

7. مثال تطبيقي شامل: دراسة نفسية وتربوية خطوة بخطوة

7.1 توصيف مشكلة الدراسة والبيانات والمتغيرات المستهدفة

لتجسيد التطبيق العملي لاختبار بروش-باغان بصورة تفصيلية، نفترض إجراء دراسة ميدانية في علم النفس التربوي تهدف إلى فحص محددات الأداء الأكاديمي لدى عينة عشوائية تتكون من $n = 100$ من طلبة المرحلة الجامعية. تسعى الدراسة إلى قياس تأثير متغيرين تفسيريين رئيسيين هما: مستوى القلق الامتحاني، ومتوسط ساعات النوم اليومية خلال فترة الاختبارات، على معدل التحصيل الأكاديمي النهائي للطلبة.

تتحدد متغيرات الدراسة على النحو التالي:

• المتغير التابع ($Y$): التحصيل الأكاديمي (Academic Achievement)، مقاساً بالدرجة المئوية في الاختبار الشامل (من 0 إلى 100).
• المتغير المستقل الأول ($X_1$): مستوى قلق الاختبار (Test Anxiety Score)، مقاساً باستخدام مقياس ساراسون المقنن للقلق (درجات تتراوح من 10 إلى 50، حيث تمثل الدرجات الأعلى قلقاً أشد).
• المتغير المستقل الثاني ($X_2$): ساعات النوم (Sleep Hours)، مقاساً بمتوسط عدد ساعات النوم الفعلي خلال الأسبوعين السابقين للاختبار (من 4 إلى 10 ساعات).

يُصاغ نموذج الانحدار الخطي الأصلي المستهدف على النحو التالي:

$$Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \epsilon_i$$

7.2 تقدير نموذج الانحدار واستخراج البواقي في المثال العملي

تم تطبيق طريقة المربعات الصغرى العادية (OLS) على بيانات العينة المكونة من 100 طالب، وأسفرت النتائج الحسابية عن المعادلة التنبؤية المقدرة التالية:

$$\hat{Y}_i = 65.40 – 0.75 X_{1i} + 3.20 X_{2i}$$

التفسير الإحصائي للمعاملات:

• الحد الثابت ($\hat{\beta}_0 = 65.40$): يمثل القيمة التقديرية لتحصيل الطالب في حال بلغت درجات القلق وساعات النوم صفراً.
• معامل القلق ($\hat{\beta}_1 = -0.75$): يشير إلى أن زيادة درجة القلق بمقدار نقطة واحدة يرتبط بانخفاض متوقع في التحصيل مقداره 0.75 درجة، مع ثبات ساعات النوم.
• معامل النوم ($\hat{\beta}_2 = +3.20$): يشير إلى أن زيادة ساعات النوم بمقدار ساعة واحدة يومياً يرتبط بارتفاع متوسط التحصيل بمقدار 3.20 درجات، مع ثبات مستوى القلق.

عقب تقدير النموذج، تم حساب البواقي الفردية لكل طالب ($e_i = Y_i – \hat{Y}_i$)، ومن ثم استخراج مربعات تلك البواقي ($e_i^2$). وبلغ مجموع مربعات البواقي الإجمالي للنموذج الأساسي ($SSE = \sum e_i^2 = 3840.50$). وبناءً عليه، يتم حساب التباين الإجمالي غير المشروط للخطأ وفق مقدر الإمكان الأعظم:

$$\tilde{\sigma}^2 = \frac{\sum e_i^2}{n} = \frac{3840.50}{100} = 38.405$$

7.3 التطبيق الحسابي اليدوي لاختبار بروش-باغان على البيانات

لإجراء اختبار بروش-باغان يدوياً بدقة وخطوة بخطوة، نقوم بالخطوات الحسابية المنهجية التالية:

الخطوة الأولى: تكوين المتغير المعاير ($g_i$):
نقوم بقسمة مربع الباقي لكل مشاهدة على متوسط التباين المقدر ($\tilde{\sigma}^2 = 38.405$):

$$g_i = \frac{e_i^2}{38.405}$$

الخطوة الثانية: تشغيل الانحدار المساعد:
نقوم بإجراء انحدار خطي للمتغير التابع المعاير ($g_i$) على المتغيرين التفسيريين ($X_1$ و $X_2$):

$$g_i = \gamma_0 + \gamma_1 X_{1i} + \gamma_2 X_{2i} + v_i$$

أسفرت المعالجة الإحصائية لنموذج الانحدار المساعد عن النتائج التقديرية التالية:

• المعادلة المقدرة: $\hat{g}_i = -0.450 + 0.042 X_{1i} + 0.015 X_{2i}$
• مجموع مربعات الانحدار المفسرة للانحدار المساعد: $SSR_{aux} = 17.84$
• معامل التحديد للانحدار المساعد: $R_{aux}^2 = 0.0892$ (أي أن المتغيرين يفسران حوالي 8.92% من التغير في مربعات البواقي المعايرة).

الخطوة الثالثة: حساب إحصائية الاختبار ($LM$):
باستخدام الصيغة الأصلية لبروش وباغان:

$$LM = \frac{1}{2} SSR_{aux} = \frac{1}{2} \times 17.84 = 8.92$$

وباستخدام صيغة كوينكر ($n \times R^2$):

$$LM = n \times R_{aux}^2 = 100 \times 0.0892 = 8.92$$

الخطوة الرابعة: تحديد درجات الحرية والقيمة الحرجة:
بما أن لدينا متغيرين تفسيريين في الانحدار المساعد ($p = 2$)، فإن درجات الحرية تكون $df = 2$.
بالرجوع إلى جداول توزيع كاي-تربيع عند مستوى دلالة $\alpha = 0.05$ ودرجات حرية $df = 2$، نجد أن القيمة الحرجة هي:

$$\chi^2_{(0.05, 2)} = 5.991$$

الخطوة الخامسة: حساب القيمة الاحتمالية ($\text{p-value}$):
باستخدام الدالة التراكمية لتوزيع كاي-تربيع:

$$\text{p-value} = P(\chi^2_{(2)} ge 8.92) \approx 0.01156$$

7.4 تفسير النتائج النهائية وصياغة القرار الإحصائي والتقرير المنهجي

بالمقارنة الرياضية الصارمة بين النتائج المحسوبة والمعايير النظرية، نلاحظ أن إحصائية الاختبار المحسوبة تفوق بوضوح القيمة الحرجة المجدولة ($8.92 > 5.991$)، كما أن القيمة الاحتمالية الناتجة أصغر بكثير من مستوى الدلالة المعتمد ($p = 0.01156 < 0.05$).

القرار الإحصائي:
بناءً على هذه المعطيات، نرفض الفرضية الصفرية ($H_0$) التي تفترض تجانس التباين، ونقبل الفرضية البديلة ($H_a$). يعني هذا القرار ثبوت وجود عدم تجانس تباين ذي دلالة إحصائية في أخطاء نموذج الانحدار الخطي المقدر لدراسة التحصيل الأكاديمي.

التفسير السلوكي والظاهري:
يكشف معامل المتغير الأول في الانحدار المساعد ($\gamma_1 = 0.042$) أن تشتت الأخطاء يزداد طردياً وبشكل دال مع ارتفاع مستويات قلق الاختبار لدى الطلبة. وهذا يعكس واقعاً نفسياً مفاده أن الطلبة ذوي مستويات القلق المنخفضة تكون استجاباتهم وتحصيلهم متقارباً وقابلاً للتنبؤ بدقة، بينما يؤدي القلق المفرط لدى فئات أخرى إلى تباينات سلوكية شاسعة تجعل بعضهم يتفوق رغم القلق وبعضهم الآخر ينهار تحصيله تماماً، وهو ما ولد تبايناً غير متجانس في تشتت الأداء.

صياغة التقرير المنهجي (وفق التقاليد الأكاديمية):
“أظهرت نتائج فحص افتراضات النموذج الخطي عبر اختبار بروش-باغان وجود انتهاك ذي دلالة إحصائية لفرضية تجانس تباين البواقي، حيث بلغت قيمة الإحصائية ($\chi^2(2) = 8.92, p = .012$). وتأسيساً على هذا الثبوت التشخيصي لعدم تجانس التباين، تم استبعاد الأخطاء المعيارية التقليدية لنموذج OLS، وإعادة تقدير النموذج بالاعتماد على مصفوفة الأخطاء المعيارية المتينة من طراز هيوبر-وايت (Huber-White Robust Standard Errors) لضمان صحة ودقة اختبارات الفرضيات وفترات الثقة المستخلصة للمعاملات.”

8. تنفيذ اختبار بروش-باغان عبر البرمجيات الإحصائية (R و Python و SPSS)

8.1 تطبيق الاختبار في بيئة R باستخدام حزمة lmtest

تُعد لغة R الإحصائية البيئة الأكثر مرونة وتطوراً لإجراء الفحوصات التشخيصية المتقدمة ونمذجة الانحدار. يتم تطبيق اختبار بروش-باغان في R بصورة أساسية عبر حزمة `lmtest` التي توفر دالة `bptest` عالية الكفاءة.

لتنفيذ الاختبار، يقوم المحلل بكتابة وتمرير الأوامر البرمجية التالية:

# تثبيت واستدعاء الحزم المطلوبة
install.packages("lmtest")
library(lmtest)

# تقدير نموذج الانحدار الأصلي
model <- lm(Achievement ~ Anxiety + Sleep, data = study_data)

# 1. تنفيذ الاختبار بصيغة كوينكر المعدلة (الخيار الافتراضي المتين)
bp_studentized <- bptest(model)
print(bp_studentized)

# 2. تنفيذ الاختبار بالصيغة الأصلية لبروش وباغان (1979)
bp_original <- bptest(model, studentize = FALSE)
print(bp_original)

تحليل وتفسير مخرجات R:
تُظهر المخرجات النصية للحزمة ما يلي:

• `BP`: قيمة إحصائية الاختبار المحسوبة (مثلاً: `BP = 8.92`).
• `df`: درجات الحرية المقابلة لعدد المتغيرات التفسيرية (مثلاً: `df = 2`).
• `p-value`: القيمة الاحتمالية المباشرة للاختبار (مثلاً: `p-value = 0.01156`).

تتيح المعلمة `studentize = TRUE` (وهي القيمة التلقائية في R) تفعيل تعديل كوينكر تلقائياً لحماية الاستدلال من مخاطر عدم اعتدالية التوزيع للبواقي، بينما يؤدي ضبطها على `FALSE` إلى تطبيق الصيغة التاريخية الأصلية المبنية على التوزيع الطبيعي المعياري الصارم.

8.2 تطبيق الاختبار في لغة Python باستخدام مكتبة statsmodels

توفر لغة Python منظومة متكاملة للتحليل الإحصائي والتعلم الآلي من خلال مكتبة statsmodels المتقدمة، والتي تتضمن دالة `het_breuschpagan` المتخصصة ضمن وحدة التشخيص `statsmodels.stats.diagnostic`.

يتم تنفيذ الاختبار عبر السكربت البرمجي التالي:

import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
import pandas as pd

# تجهيز مصفوفة المتغيرات المستقلة وإضافة الحد الثابت
X = study_data[['Anxiety', 'Sleep']]
X = sm.add_constant(X)
y = study_data['Achievement']

# تقدير نموذج المربعات الصغرى OLS
ols_model = sm.OLS(y, X).fit()

# استدعاء وتشغيل اختبار بروش-باغان على بواقي النموذج
bp_test_results = het_breuschpagan(ols_model.resid, ols_model.model.exog)

# تسمية المخرجات الأربعة للدالة
labels = ['Lagrange Multiplier Statistic', 'LM p-value', 'F-Statistic', 'F-Test p-value']
for label, value in zip(labels, bp_test_results):
    print(f"{label}: {value:.5f}")

تفسير القيم الأربع الناتجة من مكتبة statsmodels:

1. Lagrange Multiplier Statistic: تمثل إحصائية مضاعف لاغرانج ($LM = n \times R^2$) المعتمدة على تقارب كاي-تربيع.
2. LM p-value: القيمة الاحتمالية المقابلة لإحصائية لاغرانج.
3. F-Statistic: إحصائية اختبار F للانحدار المساعد؛ حيث يُفضل بعض الإحصائيين استخدام اختبار F في العينات المتوسطة كونه يعطي أداءً أكثر تحفظاً ودقة من كاي-تربيع التقاربي.
4. F-Test p-value: القيمة الاحتمالية المقابلة لاختبار F لنموذج التباين المساعد.

8.3 إجراء الاختبار ومحاكاته في برنامج SPSS

على الرغم من أن برنامج SPSS لا يشتمل على زر مخصص منفرد في واجهته الرسومية يحمل اسم “Breusch-Pagan Test” بصورة مباشرة، إلا أنه يمكن إجراؤه بدقة تامة وبسهولة عبر طريقتين: الطريقة اليدوية المنظمة، أو استخدام شفرات الأوامر البرمجية (Syntax).

الطريقة الأولى: التنفيذ اليدوي خطوة بخطوة عبر القوائم:

1. من القائمة الرئيسية، نتوجه إلى: Analyze > Regression > Linear.
2. نحدد المتغير التابع والمتغيرات المستقلة، ثم نضغط على زر Save.
3. في خانة البواقي (Residuals)، نحدد خيار البواقي غير المعيارية (Unstandardized Residuals – `RES_1`)، ثم نضغط Continue ثم OK.
4. نقوم بإنشاء متغير جديد لمربعات البواقي من خلال: Transform > Compute Variable، ونسمي المتغير الجديد `sq_resid` ونضع في خانة المعادلة: sq_resid = RES_1 ** 2.
5. نجري الانحدار المساعد عبر: Analyze > Regression > Linear، حيث نضع المتغير التابع الجديد `sq_resid` والمتغيرات المستقلة الأصلية ذاتها (`Anxiety` و `Sleep`).
6. نستخرج قيمة معامل التحديد ($R^2$) من جدول `Model Summary` للنموذج الجديد، ونقوم بضربها في حجم العينة الكلي ($n$) للحصول على إحصائية $LM = n \times R^2$.

الطريقة الثانية: التنفيذ المباشر عبر محرر الأوامر (Syntax):
يمكن تشغيل ماكرو برمجي جاهز أو أمر مباشر باستخدام السكربت التالي في نافذة الأوامر:

REGRESSION
  /DEPENDENT Achievement
  /METHOD=ENTER Anxiety Sleep
  /RESIDUALS=HISTOGRAM(ZRESID)
  /SAVE=RESID(Residuals_BP).

COMPUTE Sq_Residuals = Residuals_BP * Residuals_BP.
EXECUTE.

REGRESSION
  /DEPENDENT Sq_Residuals
  /METHOD=ENTER Anxiety Sleep.

تتيح هذه الإجراءات لمستخدمي بيئة SPSS الوصول إلى نفس الدقة التشخيصية المتاحة في اللغات البرمجية المتخصصة.

9. مقارنة اختبار بروش-باغان بالاختبارات البديلة لتشخيص التباين

9.1 مقارنة اختبار بروش-باغان مع اختبار وايت (White Test)

يمثل اختبار وايت (White Test)، الذي طوره الخبير الاقتصادي هالبرت وايت عام 1980، الخيار التشخيصي العام الأكثر شمولاً لاكتشاف عدم تجانس التباين. يكمن الفارق الهيكلي الأساسي بين النموذجين في بنية الانحدار المساعد؛ فبينما يقتصر اختبار بروش-باغان القياسي على إدخال المتغيرات التفسيرية بصيغتها الخطية البسيطة ($X_1, X_2$)، يقوم اختبار وايت بإدراج:

• الحدود الخطية الأصلية للمتغيرات التفسيرية ($X_j$).
• المربعات والحدود التربيعية لجميع المتغيرات التفسيرية ($X_j^2$).
• حواصل الضرب التفاعلية الثنائية بين كافة المتغيرات المفسرة ($X_j \times X_k$).

يتميز اختبار وايت بأنه لا يشترط أي افتراضات مسبقة حول طبيعة أو اتجاه دالة التباين، مما يجعله قادراً على اكتشاف أنماط عدم التجانس غير الخطية والتفاعلية المعقدة. ومع ذلك، فإن هذه الشمولية تأتي على حساب استنزاف درجات الحرية بسرعة هائلة كلما زاد عدد المتغيرات التفسيرية (حيث يتضاعف عدد الحدود المضافة تربيعياً)، مما يضعف بشدة القوة الإحصائية للاختبار في العينات الصغيرة والمتوسطة.

وبناءً عليه، يفضل استخدام اختبار بروش-باغان عندما يمتلك الباحث افتراضات نظرية واضحة بأن التباين يتبع دالة خطية في المتغيرات المستقلة ويرغب في الحفاظ على درجات الحرية وقوة الاختبار، بينما يُفضل اختبار وايت كفحص تشخيصي شامل وغير مقيد في العينات الكبيرة جداً.

9.2 مقارنة اختبار بروش-باغان مع اختبار غولد فيلد-كوانت (Goldfeld-Quandt)

يُعد اختبار غولد فيلد-كوانت (Goldfeld-Quandt Test – 1965) أحد أقدم الاختبارات البارامترية المصممة لرصد التباين، وتقوم آليته على منطق مختلف تماماً يعتمد على تقسيم العينة الميدانية بدلاً من تشغيل انحدار مساعد للبواقي. تتلخص خطواته في:

1. ترتيب كافة مشاهدات العينة تصاعدياً استناداً إلى قيم متغير تفسيري واحد يُشتبه في كونه مصدر عدم التجانس.
2. حذف نسبة معينة من المشاهدات الوسطى (عادة حوالي 20% إلى 25% من العينة المركزية) لتعظيم التباين بين الطرفين.
3. تقدير نموذجي انحدار منفصلين تماماً: الأول لمجموعة المشاهدات الدنيا، والثاني لمجموعة المشاهدات العليا.
4. حساب النسبة بين مجموع مربعات بواقي النموذجين، ومقارنتها بتوزيع $F$ الإحصائي.

تتمثل نقطة القوة الرئيسية لاختبار غولد فيلد-كوانت في متانته الفائقة وقوته العالية في العينات الصغيرة، وبساطة منطقه غير التقاربي. غير أن عيبه الجوهري القاتل يكمن في عجزه عن التعامل مع الحالات التي ينشأ فيها عدم تجانس التباين عن تفاعل متزامن لعدة متغيرات تفسيرية معاً، حيث يشترط تصنيف المشاهدات وفق متغير وحيد فقط، فضلاً عن الهدر البياني الناتج عن حذف المشاهدات الوسطى من التحليل. وهنا يتفوق اختبار بروش-باغان تفوقاً كاسحاً بقدرته على فحص مصفوفة متعددة الأبعاد من المتغيرات التفسيرية في خطوة إحصائية واحدة متكاملة ودون أي استبعاد للمشاهدات.

9.3 النسخة المعدلة من الاختبار: اختبار كوينكر (Koenker Studentized Test)

جاء التعديل الجوهري الذي أدخله روجر كوينكر (1981) ليعالج نقطة الضعف القاتلة في اختبار بروش-باغان الأصلي، والمتمثلة في الحساسية المفرطة لافتراض التوزيع الطبيعي للبواقي. في الصيغة الأصلية، يُفترض أن العزم الرابع للأخطاء ($E[\epsilon_i^4]$) يساوي بدقة $3\sigma^4$، وتُبنى إحصائية الاختبار بقسمة مجموع المربعات على الثابت $2$ (وهو التباين النظري لمتغير كاي-تربيع بدرجة حرية 1 عند ثبوت الاعتدالية).

قام كوينكر باستبدال هذا الثابت النظري الحساس بمقدر تجريبي متسق لتباين مربعات البواقي المستخرج مباشرة من بيانات العينة الفعلية:

$$S_e^2 = \frac{1}{n}\sum_{i=1}^{n} \left(e_i^2 – \frac{\sum e_j^2}{n}\right)^2$$

ثم أعاد صياغة إحصائية الاختبار لتصبح:

$$LM_{Koenker} = \frac{n \times \sum_{i=1}^{n} (\hat{e}_i^2 – \bar{e}^2)^2}{\sum_{i=1}^{n} (e_i^2 – \bar{e}^2)^2} = n \times R_{aux}^2$$

يتميز اختبار كوينكر المعدل (المعروف بـ Studentized Breusch-Pagan Test) بأنه اختبار قوي وغير مقيد بتوزيع محدد (Robust and Non-parametric in Terms of Error Kurtosis)، حيث يحافظ على معدل الخطأ الاسمي من النوع الأول عند 5% حتى في وجود الالتواء الشديد أو الذيول الثقيلة للبواقي. ونظراً لهذه الحصانة الرياضية، أصبح اختبار كوينكر هو المعيار المعتمد افتراضياً في كافة لغات البرمجة الحديثة (مثل بيئة R الإحصائية).

10. الحلول الإحصائية والمعالجات المنهجية عند ثبوت عدم تجانس التباين

10.1 استخدام الأخطاء المعيارية القوية (Robust Standard Errors / Huber-White)

يُمثل استخدام الأخطاء المعيارية المتينة المتسقة مع عدم تجانس التباين (Heteroscedasticity-Consistent – HC Standard Errors)—والمعروفة في الأدبيات باسم مقدرات هيوبر-وايت أو المقدرات الشطيرية (Sandwich Estimators)—العلاج الأكثر شيوعاً وتفضيلاً في التطبيقات المعاصرة. تكمن العبقرية المنهجية لهذا المدخل في أنه يُبقي على معاملات الانحدار الأصلية المقدرة بطريقة OLS دون أي تغيير ($\hat{\beta}$)، ولكنه يُعيد حساب وتصحيح مصفوفة التباين والتغاير لتلك المعاملات بصورة تستوعب التباين غير المتجانس وتلغي تحيز الأخطاء المعيارية.

تتعدد صيغ وتطويرات مقدرات الأخطاء المتينة المتاحة، ويمكن إيجاز الفروق بينها في الجدول التالي:

نوع المقدر المتين	الآلية الرياضية والتعديل الحسابي	مجال الاستخدام والتوصية التطبيقية
HC0	الصيغة الأصلية المقترحة من وايت (1980): $(X’X)^{-1} X’ \text{diag}(e_i^2) X (X’X)^{-1}$	صالحة فقط للعينات الكبيرة جداً تقاربياً ($n > 500$)، ومتحيزة للعينات الصغيرة.
HC1	إدخال تعديل درجات الحرية عبر الضرب في المعامل: $\frac{n}{n – k – 1}$	الخيار الافتراضي في بعض البرامج (مثل Stata)، تحسن طفيف في العينات المتوسطة.
HC2	تعديل مربعات البواقي بقسمتها على رافعة المشاهدة: $\frac{e_i^2}{1 – h_{ii}}$	ممتازة في العينات المتوسطة والصغيرة وتلغي أثر نقاط الرافعة المعتدلة.
HC3	تعديل أكثر صرامة عبر القسمة على مربع الرافعة: $\frac{e_i^2}{(1 – h_{ii})^2}$	المقدر الموصى به بشدة في العينات الصغيرة والمتوسطة ($n < 250$) الأكثر أماناً.
HC4	تعديل يعتمد على أسس أسية متغيرة لتعويض المشاهدات ذات الرافعة العالية	مخصص للبيانات التي تعاني من نقاط رافعة متطرفة وقيم شاذة حادة.

تتيح هذه المقدرات استعادة الصحة الكاملة لاختبارات الفرضيات (t-tests) وفترات الثقة دون الحاجة إلى التخلي عن بساطة نموذج المربعات الصغرى.

10.2 تطبيق طريقة المربعات الصغرى الموزونة (Weighted Least Squares – WLS)

إذا كان الهدف لا يقتصر فقط على تصحيح الأخطاء المعيارية، بل يتعداه إلى استعادة الكفاءة الإحصائية القصوى (Efficiency) وتحقيق خاصية (BLUE) للمعاملات ذاتها، فإن طريقة المربعات الصغرى الموزونة (WLS)—وهي حالة خاصة من طريقة المربعات الصغرى المعممة (GLS)—تُعد البديل الرياضي الأمثل.

يقوم المفهوم الرياضي لطريقة WLS على إعادة وزن كل مشاهدة في العينة بوزن نسبي يتناسب عكسياً مع مقدار تباين الخطأ الخاص بها ($w_i = \frac{1}{\sigma_i^2}$). يمنح هذا الإجراء المشاهدات الدقيقة ذات التباين المنخفض وزناً ترجيحياً كبيراً في توجيه خط الانحدار، بينما يقلل من وزن المشاهدات المضطربة ذات التشتت الواسع. تتم عملية التحويل الرياضي بضرب جميع حدود المعادلة في مقلوب الانحراف المعياري للخطأ ($\frac{1}{\sigma_i}$):

$$\frac{Y_i}{\sigma_i} = \beta_0 \left(\frac{1}{\sigma_i}\right) + \beta_1 \left(\frac{X_{1i}}{\sigma_i}\right) + dots + \beta_k \left(\frac{X_{ki}}{\sigma_i}\right) + \left(\frac{\epsilon_i}{\sigma_i}\right)$$

ينتج عن هذه المعادلة المحولة حد خطأ جديد متجانس تماماً ومستوفٍ لكافة شروط غاوس-ماركوف: $Var\left(\frac{\epsilon_i}{\sigma_i}\right) = \frac{\sigma_i^2}{\sigma_i^2} = 1$.

التحدي التطبيقي في WLS:
يكمن التحدي الرئيسي في أن التباينات الحقيقية ($\sigma_i^2$) تكون مجهولة في الواقع العملي، ويتعين على الباحث تقدير دالة الأوزان من خلال نمذجة لوغاريتم مربعات البواقي على المتغيرات التفسيرية (Feasible WLS). وتجدر الإشارة إلى أنه في حال تم توصيف دالة الأوزان بصورة خاطئة، فإن مقدرات WLS الناتجة قد تصبح أكثر سوءاً وتحيزاً من مقدرات OLS الأصلية.

10.3 التحويلات الرياضية للمتغيرات (Transformations)

يُمثل تطبيق التحويلات الرياضية على المتغير التابع أو المتغيرات المستقلة أحد الحلول الهيكلية الكلاسيكية الفعالة لمعالجة عدم تجانس التباين واستعادة خطية العلاقات، ومن أشهر هذه التحويلات:

• التحويل اللوغاريتمي الطبيعي ($ln(Y)$): يُعد التحويل الأكثر استخداماً عند التعامل مع المتغيرات ذات القيم الموجبة والنمو الأسي أو التوزيعات الملتوية لليمين (مثل الدخل، أو زمن الاستجابة، أو الإنفاق). يعمل التحويل اللوغاريتمي على تقليص الفروق الرقمية الهائلة في القيم العليا وضغط مقياس الرسم، مما يؤدي تلقائياً إلى تثبيت التباين وتقليل تشتت البواقي.
• تحويل الجذر التربيعي ($\sqrt{Y}$): يُستخدم بكفاءة عالية في بيانات العد (Count Data) والترددات السلوكية التي تتبع عادة توزيع بواسون (Poisson Distribution)، حيث يتناسب التباين طردياً مع المتوسط الحسابي.
• تحويلات بوكس-كوكس (Box-Cox Transformations): تمثل عائلة بارامترية شاملة من التحويلات الرياضية التي تقوم بتحديد القيمة المثلى للمعامل التحويلي ($lambda$) تلقائياً عبر تعظيم دالة الإمكان (Maximum Likelihood):
  $$Y^{(\lambda)} = \begin{\cases} \frac{Y^\lambda – 1}{\lambda} &a\mp; \text{if } \lambda \neq 0 \ln(Y) &a\mp; \text{if } \lambda = 0 \end{\cases}$$

تحدي التفسير الإحصائي:
على الرغم من فاعلية التحويلات الرياضية في استعادة تجانس التباين والاعتدالية، إلا أنها تنطوي على تحدٍ منهجي يتمثل في تعقيد عملية التفسير المباشر للمعاملات المقدرة؛ حيث تتحول المعاملات من تغيرات مطلقة بوحدات القياس الأصلية إلى مرونات نسبية (Elasticities) أو نسب مئوية تتطلب إعادة تحويل دقيقة عند كتابة التقرير النهائي.

11. اعتبارات خاصة وتطبيقات في القياس والبحوث النفسية والسلوكية

11.1 أسباب شيوع عدم تجانس التباين في مقاييس الاستجابة النفسية

تتميز أدوات القياس النفسي والسلوكي بخصائص سيكومترية فريدة تجعلها بيئة خصبة لظهور عدم تجانس التباين بصورة متكررة، وتعود هذه الظاهرة إلى عدة عوامل بنيوية في طبيعة المقاييس النفسية:

• تأثيرات السقف والأرضية (Ceiling and Floor Effects): عندما يكون المقياس النفسي سهلاً للغاية أو شديد الصعوبة، تتجمع معظم درجات المفحوصين عند الحد الأقصى للأداة (السقف) أو الحد الأدنى لها (الأرضية). يؤدي هذا التكدس إلى انكماش قسري وحاد في تباين الاستجابات عند أطراف المقياس، بينما يتسع التباين بحرية في النطاقات المتوسطة، مما يولد تبايناً غير متجانس حتمياً.
• مقاييس ليكرت المتدرجة والتقييد المقياسي: يؤدي استخدام المقاييس الترتيبية المتدرجة (مثل مقياس ليكرت الخماسي أو السباعي) ذات النطاق المحدود إلى تقييد رياضي للتشتت العشوائي عند الفئات الطرفية مقارنة بمركز المقياس.
• تفاوت الاستجابة بين المجموعات الإكلينيكية وغير الإكلينيكية: عند دراسة سمات الاضطراب النفسي عبر عينات مختلطة، تُظهر المجموعات السوية عادة درجات متجانسة ومتقاربة حول مستويات منخفضة، في حين تُظهر المجموعات الإكلينيكية تفاوتاً هائلاً وتشتتاً واسعاً في شدة الأعراض وطبيعة التعبير السلوكي، مما يخلق تبايناً مشروطاً غير متساوٍ بين المجموعات.

11.2 الفروق الفردية وتباين العينات وتأثيرها على استقرار البواقي

تؤدي الفروق الفردية النمائية والمعرفية دوراً رئيسياً في اختلال استقرار التباين داخل البحوث السلوكية؛ فالسمات النفسية المعقدة—مثل الذكاء، والتنظيم الانفعالي، والصلابة النفسية—لا تؤثر فقط على متوسطات الأداء السلوكي، بل تؤثر جوهرياً على مدى استقرار وثبات هذا الأداء عبر الزمن والمواقف.

على سبيل المثال، في الدراسات التطورية التي تقيس زمن الرجع المعرفي عبر فئات عمرية مختلفة، يُظهر الأطفال الصغار وكبار السن تشتتاً واسعاً وتبايناً فردياً كبيراً في سرعة المعالجة الذهنية نتيجة لتفاوت النضج العصبي أو العمليات التنكسية، بينما يُظهر الشباب في سن الرشد استجابات متسقة وعالية التجانس وذات تباين ضئيل. وإذا تم دمج هذه الفئات في نموذج انحدار خطي دون مراعاة هذه التباينات النمائية، فإن تباين البواقي سينفجر عند أطراف الفئات العمرية، مما يستوجب فحص النموذج باختبار بروش-باغان واستخدام النمذجة متعددة المستويات (Multilevel Modeling) أو مصفوفات الأخطاء المتينة.

11.3 توثيق نتائج اختبار بروش-باغان وفق معايير جمعية علم النفس الأمريكية (APA)

تفرض التقاليد التحريرية الصارمة الصادرة عن جمعية علم النفس الأمريكية (APA – الإصدار السابع) توثيقاً دقيقاً وممنهجاً لكافة الفحوص التشخيصية المسبقة لافتراضات النمذجة الإحصائية ضمن قسم النتائج (Results Section). وتتلخص المبادئ الإرشادية لتوثيق اختبار بروش-باغان في الآتي:

1. ذكر اسم الاختبار بوضوح: تحديد نوع الاختبار والنسخة المستخدمة (مثل: اختبار كوينكر-بروش-باغان المعدل).
2. إدراج الإحصائية ودرجات الحرية والقيمة الاحتمالية: كتابة رمز كاي-تربيع ($\chi^2$) متبوعاً بدرجات الحرية بين قوسين، ثم القيمة الحسابية للإحصائية، متبوعة بالقيمة الاحتمالية الدقيقة ($p$).
3. بيان الإجراء التصحيحي المتخذ: في حال ثبوت عدم تجانس التباين ورفض الفرضية الصفرية، يجب توضيح المعالجة الإحصائية المطبقة (مثل تطبيق مقدر HC3 للأخطاء المعيارية المتينة) مع ذكر التبرير المنهجي.

نماذج لصياغة التوثيق بأسلوب APA:

في حالة تحقق التجانس (عدم وجود مشكلة):
“تم التحقق من فرضية تجانس تباين البواقي باستخدام اختبار بروش-باغان المعدل، وأشارت النتائج إلى استيفاء هذا الافتراض بنجاح وعدم وجود انتهاك ذي دلالة إحصائية، $\chi^2(2) = 1.84, p = .398$، مما يدعم سلامة استخدام الأخطاء المعيارية التقليدية لنموذج المربعات الصغرى.”

في حالة عدم تحقق التجانس (وجود المشكلة وتطبيق المعالجة):
“أظهر اختبار كوينكر-بروش-باغان انتهاكاً دالاً إحصائياً لفرضية تجانس تباين البواقي، $\chi^2(3) = 11.45, p = .009$. ولمعالجة هذا الانتهاك وتفادي تحيز الاستدلال الإحصائي، تم استخدام الأخطاء المعيارية المتينة المتسقة مع عدم تجانس التباين من طراز هيوبر-وايت ($\text{HC3}$) لتقييم الدلالة الإحصائية لمعاملات الانحدار وفترات الثقة المقابلة.”

12. دليل إرشادي لأفضل الممارسات والأسئلة الشائعة حول الاختبار

12.1 قائمة تحقق منهجية لتشخيص ومعالجة مشاكل التباين في الانحدار

يقدم هذا الدليل المنهجي خريطة طريق متسلسلة للباحثين والمحللين للتعامل الرشيد مع مسألة تجانس التباين في نماذج الانحدار الخطي:

• المرحلة 1: الفحص الاستكشافي البصري:
  • رسم مخطط الانتشار للبواقي المعيارية مقابل القيم التنبؤية المقدرة ($\text{Residuals vs Fitted}$).
  • رسم مخططات البواقي المربعة مقابل كل متغير مستقل على حدة لرصد المتغير المسبب للخلل.
  • التأكد البصري من خلو المخططات من الأنماط القمعية أو المروحية الواضحة.
• المرحلة 2: الفحص الإحصائي الرسمي:
  • التحقق المسبق من اعتدالية توزيع البواقي عبر فحص الالتواء والتفرطح أو اختبار شابيرو-ويلك (Shapiro-Wilk).
  • تشغيل اختبار كوينكر-بروش-باغان المعدل (Studentized Breusch-Pagan Test) لضمان المتانة التوزيعية.
  • مقارنة القيمة الاحتمالية الناتجة بمستوى الدلالة الصارم المعتمد ($\alpha = 0.05$).
• المرحلة 3: اختيار الإجراء التصحيحي المناسب:
  • إذا كان $p > 0.05$: استمر في اعتماد نتائج نموذج OLS التقليدي بثقة كاملة.
  • إذا كان $p le 0.05$: لا تعد كتابة المعاملات أو تحذف المشاهدات اعتباطياً، بل اختر أحد المسارين:
    • المسار الافتراضي المفضل: تطبيق الأخطاء المعيارية المتينة من طراز $\text{HC3}$ (للبيانات الميدانية العامة والعينات الصغيرة/المتوسطة).
    • المسار الهيكلي: تطبيق التحويلات اللوغاريتمية إذا كانت المتغيرات تمثل قياسات حجمية غير خطية، أو استخدام نموذج المربعات الصغرى الموزونة (WLS) إذا كانت دالة التباين معروفة نظرياً بدقة.

12.2 الأخطاء الشائعة أثناء تطبيق وتفسير اختبار بروش-باغان

يقع العديد من الممارسين والباحثين في أخطاء منهجية شائعة عند تشخيص التباين، ومن أبرز هذه المحاذير:

1. الخلط بين عدم خطية العلاقة وعدم تجانس التباين: في كثير من الأحيان، ينشأ الخلل في تباين البواقي نتيجة إهمال إضافة حد تربيعي ($X^2$) لمتغير تفسيري يرتبط بعلاقة منحنية مع المتغير التابع. يؤدي هذا الخطأ في التوصيف إلى تجميع الأخطاء في أجزاء معينة من المنحنى، فيعطي اختبار بروش-باغان دلالة على عدم التجانس، بينما العلاج الصحيح والجذري هو تعديل الشكل الدالي للنموذج بإضافة الحد المنحني.
2. الاعتماد على النسخة غير المعدلة في توزيعات ملتوية: الإصرار على تطبيق معادلة بروش-باغان الأصلية (1979) دون تعديل كوينكر على بيانات تعاني من التواء وتفرطح شديد، مما يقود إلى تضخيم زائف في رفض الفرضية الصفرية وإهدار الوقت في معالجات غير ضرورية.
3. الاعتقاد الخاطئ بأن عدم تجانس التباين يلغي عدم تحيز المعاملات: يعتقد بعض الباحثين خطأً أن ثبوت عدم التجانس يجعل معاملات الانحدار ($\hat{\beta}$) متحيزة وغير صحيحة ويستوجب التخلص من النموذج، في حين أن المعاملات تظل غير متحيزة ومتسقة تماماً، وكل ما يلزم هو فقط تصحيح حساب الأخطاء المعيارية المرافقة لها.
4. تطبيق الاختبار على عينات متناهية الصغر ($n < 20$): غياب الانتباه إلى الطبيعة التقاربية للاختبار، مما يؤدي إلى نتائج مضللة ذات قوة إحصائية شبه منعدمة تعجز عن رصد أشد المشكلات وضوحاً.

12.3 إجابات أكاديمية موجزة عن أبرز التساؤلات المتكررة

س1: ما هو الفرق الدقيق والجوهري بين اختبار بروش-باغان واختبار وايت، ومتى يُفضل أحدهما على الآخر؟
يفحص اختبار بروش-باغان وجود علاقة خطية محددة بين تباين الأخطاء ومجموعة المتغيرات التفسيرية، مما يجعله محافظاً على درجات الحرية وذا قوة إحصائية عالية في العينات المتوسطة عند استهداف فرضيات تباين خطية. أما اختبار وايت، فهو اختبار عام وشامل يتضمن الحدود المربعة والتفاعلية لكافة المتغيرات، مما يجعله قادراً على اكتشاف أنماط عدم التجانس غير الخطية المعقدة دون أي توصيف مسبق، ولكنه يستنزف درجات الحرية بسرعة؛ ولذلك يفضل بروش-باغان عند محدودية حجم العينة، بينما يفضل وايت في العينات الكبيرة جداً للاستكشاف العام.

س2: هل يؤدي عدم تجانس التباين إلى جعل التنبؤات النقطية للنموذج غير صالحة؟
كلا، تظل التنبؤات النقطية للقيم الفردية ($\hat{Y}$) غير متحيزة وتتمتع بخاصية الاتساق؛ المشكلة الحقيقية تكمن في فترات التنبؤ (Prediction Intervals) وفترات الثقة المحيطة بتلك التقديرات؛ حيث تصبح غير دقيقة، وتفقد مستواها الاحتمالي الاسمي المحدد (مثل 95%)، مما يعطي انطباعاً زائفاً بدقة تنبؤ مفرطة في النطاقات ذات التباين المرتفع.

س3: ماذا ينبغي أن يفعل الباحث إذا تعارضت النتيجة البصرية للمخطط مع نتيجة اختبار بروش-باغان؟
إذا أظهر المخطط البياني شكلاً قمعياً طفيفاً بينما أظهر اختبار بروش-باغان قيمة احتمالية غير دالة ($p > 0.05$)، فإن المعيار الكمي الحاسم هو الاعتماد على نتيجة الاختبار الإحصائي؛ لأن الإدراك البصري عرضة للتحيز والانخداع بالنقاط الشاذة الفردية. ومع ذلك، وكإجراء احترازي منهجي رصين، يوصى دائماً بتقدير النموذج باستخدام الأخطاء المعيارية المتينة من طراز $\text{HC3}$؛ فإذا كانت البيانات متجانسة بالفعل، فلن تختلف الأخطاء المتينة عن التقليدية إلا بفارق مهمل لا يضر بالنتائج، بينما توفر حماية منهجية كاملة ضد أي تشوهات تباينية محتملة لم تبلغ مستوى الدلالة.

خاتمة

يمثل اختبار بروش-باغان (Breusch-Pagan Test) ركيزة بالغة الأهمية في ترسانة الأدوات التشخيصية القياسية المتاحة للباحثين والمحللين الإحصائيين عبر شتى الحقول المعرفية. إن التحقق الدقيق من فرضية تجانس تباين البواقي ليس مجرد خطوة شكلية لاستيفاء المتطلبات الأكاديمية، بل هو الضمانة الرياضية الوحيدة لسلامة الاستدلال الإحصائي، ودقة فترات الثقة، ومصداقية اختبارات الفرضيات العلمية.

من خلال الفهم العميق للأسس الرياضية للاختبار، وإدراك أهمية نسخته المعدلة بواسطة كوينكر لتفادي مخاطر عدم الاعتدالية، يستطيع الباحث تشخيص مشكلات التباين بدقة منهجية فائقة. ومع توفر المعالجات الإحصائية المعاصرة المتقدمة—وعلى رأسها الأخطاء المعيارية المتينة (Robust Standard Errors)—لم يعد عدم تجانس التباين يمثل عقبة تعطل مسار البحث، بل أضحى ظاهرة قابلة للتشخيص الموضوعي والمعالجة المحكمة، بما يرتقي بجودة البحوث العلمية ويعزز مصداقية نتائجها واستنتاجاتها التطبيقية في خدمة المعرفة والمجتمع.

المراجع (References)

• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294. https://doi.org/10.2307/1911963
• Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics, 17(1), 107–112. https://doi.org/10.1016/0304-4076(81)90062-2
• White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934
• Goldfeld, S. M., & Quandt, R. E. (1965). Some tests for homoscedasticity. Journal of the American Statistical Association, 60(310), 539–547. https://doi.org/10.1080/01621459.1965.10480811
• Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217–224. https://doi.org/10.1080/00031305.2000.10474549
• Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson.
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.
• Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709–722. https://doi.org/10.3758/BF03192961
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000