مقارنة خطوط الانحدار باختبارات الفروض

تُعد النمذجة الإحصائية للعلاقات بين المتغيرات حجر الزاوية في العلوم السلوكية، والاجتماعية، والطبية، والاقتصادية الحديثة؛ حيث لا يقتصر الهدف البحثي في كثير من الأحيان على إثبات وجود ارتباط وظيفي بين متغير مستقل ومتغير تابع فحسب، بل يتعدى ذلك إلى استكشاف مدى استقرار هذا الارتباط، أو تغيره الممنهج عبر الفئات السكانية المختلفة، أو الشروط التجريبية المتمايزة. إن اختبار الفرضية القائلة بأن مسار الاستجابة يختلف بين الذكور والإناث، أو بين المجموعات العلاجية والضابطة، أو عبر مراحل زمنية متباعدة، يستلزم فحصاً دقيقاً لخطوط الانحدار المقدرة لكل فئة على حدة، ومقارنتها عبر منهجيات كمية صارمة تتجاوز الانطباعات البصرية الأولية.

تتجسد المشكلة الجوهرية في هذا السياق في تحديد ما إذا كانت الفروق المشاهدة بين معلمات الانحدار—وتحديداً نقاط التقاطع (Intercepts) والميول (Slopes)—تعكس اختلافات حقيقية في البنية المجتمعية، أم أنها مجرد تباينات عشوائية ناشئة عن خطأ المعاينة. يوفر الاستدلال الإحصائي، من خلال اختبارات الفروض الإحصائية، الإطار المنهجي اللازم لاختبار فرضيات التطابق، والتوازي، والإزاحة الرأسية بين النماذج الخطية، مما يمنح الباحثين أداة علمية متينة لبناء النظريات وتعميم النتائج التجريبية.

يتناول هذا الدليل الشامل الأسس النظرية والتطبيقية لمقارنة خطوط الانحدار الخطي، بدءاً من البنية الرياضية للمربعات الصغرى العادية، مروراً بتقنيات المتغيرات الصورية، ونماذج التفاعل، واختبار تشاو، وتحليل التباين المشترك (ANCOVA)، وصولاً إلى المعالجات المتقدمة للنماذج غير الخطية والهرمية، مع توفير إرشادات عملية للتنفيذ في البرمجيات الإحصائية الرائدة وتوثيق التقارير العلمية وفق المعايير الأكاديمية العالمية.

1. المفاهيم التأسيسية لمقارنة خطوط الانحدار في البحث الإحصائي والنفسي

1.1 طبيعة مشكلة المقارنة بين العلاقات الخطية

يمثل خط الانحدار الخطي الترجمة الهندسية والرياضية للعلاقة الوظيفية التي تربط متغيراً مستقلاً بمتغير تابع ضمن فضاء إحصائي محدد. عندما يُجري الباحث دراسة تشمل مجموعات متمايزة—مثل مجموعات علاجية مختلفة أو قطاعات ديموغرافية متعددة—يبرز التساؤل المنهجي حول طبيعة هذه العلاقة: هل تعمل الآلية النفسية أو الفيزيولوجية بنفس الكفاءة والمعدل عبر كافة الفئات، أم أن السياق يُعدل من قوة واتجاه هذا التأثير؟

إن محاولة الإجابة عن هذا السؤال تتطلب فحص ما إذا كانت البيانات المستخلصة من هذه المجموعات تنحدر من مجتمع إحصائي واحد ذي معلمات موحدة، أم أنها تعبر عن مجتمعات فرعية متباينة إحصائياً في مستوياتها القاعدية أو معدلات تغيرها. ترتبط هذه القضية مباشرة بمفهوم التفاعل الإحصائي والاعتدال (Moderation)، حيث يعمل متغير المجموعة كمتغير معدل يحدد سياق العلاقة ومسارها، مما يجعل التحديد الدقيق لتمايز الخطوط ركيزة لا غنى عنها لبناء النماذج النظرية وتعميم نتائج الدراسات التجريبية والميدانية.

1.2 أسباب عدم كفاية المعاينة البصرية لخطوط الانحدار

يميل بعض الباحثين المبتدئين إلى الاعتماد على الرسوم البيانية ومخططات التشتت (Scatter Plots) للحكم على تقارب أو تباعد خطوط الانحدار بين المجموعات. بالرغم من الأهمية الاستكشافية للمعاينة البصرية، إلا أنها تنطوي على مخاطر منهجية جسيمة ناجمة عن التحيزات الإدراكية، وتأثير مقاييس المحاور، والتباين العشوائي المصاحب للعينات محدودة الحجم.

قد تبدو الخطوط متقاطعة أو متباعدة ظاهرياً نتيجة لتقلبات المعاينة العشوائية البحتة، مما يوقع الباحث في الخطأ من النوع الأول (Type I Error) عبر رفض فرضية التساوي دون سند إحصائي قوي. وعلى العكس من ذلك، قد يؤدي تشتت البيانات وانخفاض القوة الإحصائية إلى إخفاء فروق جوهرية حقيقية، مما يسبب الوقوع في الخطأ من النوع الثاني. لذلك، تُعد المعاينة البصرية خطوة أولية توجيهية يجب تعزيزها حصراً باختبارات الفروض الاستدلالية التي تحسب بدقة احتمالية حدوث الفروق المشاهدة تحت مظلة الصدفة الإحصائية.

1.3 تطبيقات مقارنة الانحدار في القياس والبحوث النفسية

تتعدد التطبيقات الإكلينيكية والقياسية لمقارنة خطوط الانحدار في البحوث النفسية والتربوية؛ ففي التجارب السريرية، تُستخدم هذه التقنية لمقارنة مسارات التعافي بين المرضى الخاضعين لعلاج دوائي أو نفسي محدد مقارنة بالمجموعة الضابطة، حيث يشير اختلاف الميل إلى كفاءة التدخل العلاجي في تسريع وتيرة التحسن بالنسبة لجرعة العلاج أو مدته الزمنية.

وفي مجال القياس النفسي والتقييم التربوي، تُعد مقارنة خطوط الانحدار أداة جوهرية للتحقق من تكافؤ القياس (Measurement Invariance) وخلو الاختبارات من التحيز الفئوي (Test Bias). إذا اختلف خط انحدار الأداء الأكاديمي الفعلي على درجات اختبار القدرات بين الذكور والإناث، أو بين الأقليات العرقية والمجموعات المهيمنة، فإن ذلك يشير إلى أن أداة القياس تتنبأ بالأداء بطريقة غير متكافئة عبر المجموعات، مما يطعن في صدق استخدامها وقراراتها التشخيصية.

2. البنية الرياضية لنموذج الانحدار الخطي ومعلماته الأساسية

2.1 معادلة الانحدار الخطي وتفكيك عناصرها

تستند النمذجة الخطية البسيطة إلى المعادلة الرياضية الأساسية التي تصف المتغير التابع Y كدالة خطية في المتغير المستقل X مضافاً إليها حد الخطأ العشوائي، والتي تُكتب بالصيغة:

Y_i = β₀ + β₁X_i + ε_i

يمثل الحد الثابت (β₀) القيمة المتوقعة للمتغير التابع عندما تنعدم قيمة المتغير المستقل (X = 0)، وهو هندسياً نقطة تقاطع الخط مع المحور الرأسي. أما معامل الانحدار أو الميل (β₁)، فيعبر عن مقدار التغير المتوقع في المتغير التابع لكل زيادة بمقدار وحدة واحدة في المتغير المستقل، مما يحدد اتجاه وشدة العلاقة بين المتغيرين.

يمثل الحد العشوائي (ε_i) الفروق الفردية والانحرافات غير المفسرة بالنموذج، ويفترض فيه إحصائياً أن يتبع توزيعاً طبيعياً بمتوسط صفر وتباين ثابت عبر جميع مستويات المتغير المستقل. يمكن تعميم هذه المعادلة إلى الصيغة المصفوفية للنماذج الخطية العامة: Y = Xβ + ε، وهي الصياغة التي تُبنى عليها جميع عمليات التقدير والمقارنة المتقدمة بين النماذج المتعددة.

2.2 طريقة المربعات الصغرى العادية (OLS) لتقدير المعلمات

تعتمد خوارزمية المربعات الصغرى العادية (OLS) على إيجاد قيم المقدرات النقطية (b₀ و b₁) التي تقلل المجموع التراكمي لمربعات البواقي (Residual Sum of Squares) بين القيم الفعلية المشاهدة والقيم المتنبأ بها بواسطة النموذج الرياضي.

تتميز مقدرات المربعات الصغرى، وفقاً لمبرهنة غاوس-ماركوف (Gauss-Markov Theorem)، بكونها أفضل المقدرات الخطية غير المتحيزة (BLUE)، حيث تتسم بعدم التحيز، والكفاءة التباينية العظمى، والاتساق مع زيادة حجم العينة. تُحسب الأخطاء المعيارية للمعلمات المقدرة لتعكس مدى دقة التقدير الإحصائي؛ إذ تتأثر هذه الأخطاء مباشرة بحجم تشتت البيانات حول خط الانحدار، والتباين في المتغير المستقل، وحجم العينة الكلي، بالإضافة إلى حساسيتها العالية لوجود القيم الشاذة والمتطرفة التي قد تجذب مسار الخط الانحداري بصورة مضللة.

2.3 تفسير المعلمات في سياق مقارنة المجموعات

عند تقدير خطوط انحدار مستقلة لمجموعتين إحصائيتين مختلفتين، يكتسب الاختلاف في المعلمات المقدرة دلالات تطبيقية وسيكولوجية حاسمة. يعبر الاختلاف بين الثوابت (β₀₍₁₎ ≠ β₀₍₂₎) عن وجود فارق في المستوى القاعدي أو الأداء الأولي للمجموعتين عند نقطة الصفر، بصرف النظر عن طبيعة المتغير المستقل.

في المقابل، يشير الاختلاف بين الميول (β₁₍₁₎ ≠ β₁₍₂₎) إلى اختلاف معدل الاستجابة أو قوة التأثير بين المجموعتين؛ فإذا كان الميل في المجموعة الأولى أكثر انحداراً، فإن ذلك يعني أن أفرادها يستجيبون بقوة أكبر للتغير في المتغير المستقل مقارنة بأفراد المجموعة الثانية. يقود تساوي الميول مع اختلاف الثوابت إلى حالة “الخطوط المتوازية”، بينما يؤدي اختلاف الميول إلى “الخطوط المتقاطعة”، وهي حالة تكشف عن وجود تفاعل إحصائي يغير من طبيعة الفروق بين المجموعات تبعاً للمستوى المحدد للمتغير المستقل.

3. صياغة الفرضيات الإحصائية لاختبار الفروق بين خطوط الانحدار

3.1 فرضيات التكافؤ التام بين نماذج الانحدار

تبدأ عملية المقارنة الشاملة بين خطي انحدار بصياغة فرضية إحصائية عليا تختبر التكافؤ المطلق والاندماج التام بين النموذجين، بهدف التحقق مما إذا كانت العينات المستقلة تمثل في الواقع مجتمعاً بيانياً متجانساً واحداً لا يتأثر بعضوية المجموعات.

تُصاغ الفرضية الصفرية الشاملة للتكافؤ التام على النحو التالي:

H₀: β₀₍₁₎ = β₀₍₂₎  and  β₁₍₁₎ = β₁₍₂₎

بينما تنص الفرضية البديلة (H₁) على وجود اختلاف دال إحصائياً في معلمة واحدة على الأقل (الثابت، أو الميل، أو كلاهما معاً). إذا فشل الاختبار في رفض الفرضية الصفرية، يتم دمج البيانات في نموذج موحد؛ أما في حالة رفضها، فيتعين على الباحث الانتقال المنهجي نحو الفرضيات الجزئية الموجهة لتفكيك مصدر التباين وتحديد ما إذا كان ناشئاً عن اختلاف في معدلات التغير أم في المستويات الابتدائية.

3.2 فرضيات التوازي (اختبار تساوي الميول)

يُمثل اختبار فرضية التوازي الخطوة المنطقية الأكثر حساسية وأهمية في التحليل؛ حيث يختبر ما إذا كانت العلاقة الوظيفية تمتلك نفس الانحدار عبر المجموعتين قيد الدراسة، وهو ما يُعرف باختبار تجانس الميول الانحدارية (Homogeneity of Slopes).

تُصاغ الفرضية الصفرية للتوازي على الصورة:

H₀: β₁₍₁₎ = β₁₍₂₎

مقابل الفرضية البديلة:

H₁: β₁₍₁₎ ≠ β₁₍₂₎

إن رفض هذه الفرضية الصفرية يعني ثبوت وجود تفاعل دال بين المتغير المستقل ومتغير المجموعة، وهو ما يُلزم الباحث بعدم دمج الميول وتفسير تأثير المتغير المستقل بوصفه تأثيراً مشروطاً بنوع المجموعة، مما يمنع رياضياً وتفسيرياً إجراء مقارنة مباشرة وبسيطة بين الثوابت أو المتوسطات الهامشية المعدلة.

3.3 فرضيات تباعد الخطوط (اختبار تساوي الثوابت)

في حالة قبول فرضية التوازي وثبوت عدم وجود اختلاف دال بين ميول خطوط الانحدار، ينتقل التحليل الإحصائي لاختبار فرضية تباعد الخطوط أو الإزاحة الرأسية المتماثلة، وذلك بفحص تساوي نقاط التقاطع مع المحور الرأسي عبر المجموعتين.

تُصاغ الفرضية الصفرية لتساوي الثوابت، بشرط ثبات وتساوي الميول، كما يلي:

H₀: β₀₍₁₎ = β₀₍₂₎ | β₁₍₁₎ = β₁₍₂₎ = β₁

بينما تنص الفرضية البديلة على وجود إزاحة رأسية ثابتة ومستمرة بين الخطين على امتداد نطاق المتغير المستقل:

H₁: β₀₍₁₎ ≠ β₀₍₂₎

تكتسب هذه الفرضية أهمية استثنائية في تقييم الفروق الصافية بين المجموعات بعد ضبط تأثير المتغير التفسيري، حيث يعكس الفارق الثابت تفوق مجموعة على أخرى بمقدار منتظم لا يرتبط بمدى الزيادة أو النقصان في قيمة المتغير المستقل.

4. استخدام المتغيرات الصورية (Dummy Variables) لدمج النماذج

4.1 مفهوم وترميز المتغيرات الصورية الثنائية

تُعد المتغيرات الصورية (Dummy Variables) وسيلة جبرية فعالة تتيح دمج المتغيرات النوعية أو التصنيفية داخل معادلات الانحدار الخطي العامة، من خلال تحويل الفئات الوصفية إلى قيم رقمية ثنائية محددة اصطلاحياً (غالباً بالقيمتين 0 و 1).

لتطبيق هذا الأسلوب في مقارنة مجموعتين، يتم تعيين إحدى المجموعتين لتكون “الفئة المرجعية” (Reference Category) وتأخذ القيمة 0، بينما تُعطى المجموعة المقارنة القيمة 1 في المتغير الصوري المقابل D. من الضروري جداً في هذا الإطار تجنب الوقوع في “مصيدة المتغير الصوري” (Dummy Variable Trap)، والتي تحدث عند إنشاء متغيرين صوريين لمجموعتين في وجود الحد الثابت، مما يخلق حالة من الارتباط الخطي التام (Perfect Multicollinearity) تمنع عكس مصفوفات البيانات وتقدير المعلمات رياضياً.

4.2 بناء النموذج المدمج الكلي (Pooled Regression Model)

يسمح دمج البيانات في نموذج انحدار كلي واحد بتقدير معلمات المجموعتين واختبار الفروق الإحصائية بينهما في عملية حسابية موحدة، مما يرفع من كفاءة التقدير بفضل استغلال كامل حجم العينة المتاح. يُصاغ النموذج المدمج الذي يحتوي على المتغير المستقل والمتغير الصوري على النحو التالي:

Y_i = β₀ + β₁X_i + β₂D_i + ε_i

عند تفكيك هذه المعادلة للمجموعة المرجعية (D = 0)، تتحول المعادلة إلى:

Y_i = β₀ + β₁X_i + ε_i

بينما تصبح المعادلة للمجموعة المقارنة (D = 1):

Y_i = (β₀ + β₂) + β₁X_i + ε_i

يتضح من هذا التمثيل الرياضي أن المعامل β₂ يمثل مقدار الفارق المباشر بين نقطتي تقاطع المجموعتين، مع افتراض تماثل الميل (β₁)، مما يرفع درجات الحرية ويزيد القوة الإحصائية للاختبار بصورة تفوق تقدير نموذجين منفصلين.

4.3 إدخال حدود التفاعل (Interaction Terms)

للسماح لخطوط الانحدار بالتباين في الميول ونقاط التقاطع في آن واحد، يتم توسيع النموذج المدمج ليشمل حد التفاعل التضاعفي (Interaction Term)، وهو حاصل ضرب المتغير المستقل المستمر في المتغير الصوري (X × D)، ليصبح النموذج بالصيغة الكاملة غير المقيدة:

Y_i = β₀ + β₁X_i + β₂D_i + β₃(X_i × D_i) + ε_i

في هذا النموذج الشامل، يمثل β₀ الثابت للمجموعة المرجعية، وβ₁ ميل المجموعة المرجعية، وβ₂ الفارق في الثابت بين المجموعتين، بينما يمثل المعامل β₃ الفارق المحدد في الميل بين المجموعتين. إذا كانت D = 1، يصبح ميل المجموعة المقارنة مساوياً للمجموع الجبري (β₁ + β₃)، مما يجعل اختبار الدلالة الإحصائية للمعامل β₃ اختباراً مباشراً لفرضية توازي خطي الانحدار.

5. اختبار الفروق بين المعاملات (الميول) ودلالة التفاعل الإحصائي

5.1 اختبار ت (t-test) لمعامل التفاعل

يُعد اختبار ت (Student’s t-test) المطبق على المعامل التفاعلي (β₃) في النموذج المدمج الأداة القياسية الأكثر شيوعاً ومباشرة لفحص فرضية تساوي الميول بين مجموعتين إحصائيتين. تُحسب القيمة التائية عبر قسمة المعامل المقدر على خطئه المعياري المقابل:

t = b₃ / SE(b₃)

تتم مقارنة القيمة المحسوبة بالقيمة الحرجة لتوزيع ت عند مستوى معنوية محدد (مثل α = 0.05) ودرجات حرية مساوية لـ (N – 4) في نموذج الانحدار البسيط ثنائي المجموعات. إذا كانت القيمة الاحتمالية (p-value) المرافقة لاختبار ت أقل من مستوى المعنوية المعتمد، تُرفض الفرضية الصفرية ويُستنتج أن الميول مختلفة بصورة دالة إحصائياً، مع إمكانية بناء فترات الثقة (Confidence Intervals) للمعامل β₃ لتقدير المدى المحتمل لفارق الميول في المجتمع الإحصائي بدقة وموثوقية عالية.

5.2 اختبار ف (F-test) للتغير في معامل التحديد (R² Change)

يُستخدم اختبار ف الهرمي (Hierarchical F-test) لتقييم الدلالة الإحصائية لفروق الميول من خلال مقارنة جودة المطابقة بين نموذجين متداخلين: النموذج المقيد (Restricted Model) الذي يفترض التوازي ويستبعد حد التفاعل، والنموذج غير المقيد (Unrestricted Model) الذي يدمج حد التفاعل بالكامل.

يُحسب إحصاء ف للتغير في معامل التحديد عبر المعادلة التالية:

F = [ (R²_unrestricted – R²_restricted) / k ] / [ (1 – R²_unrestricted) / (N – k_unrestricted – 1) ]

حيث يمثل k عدد المعلمات الإضافية المقيدة (وهو يساوي 1 في حالة التفاعل الثنائي البسيط). يعكس هذا الاختبار نسبة التباين الإضافية المفسرة في المتغير التابع الناتجة حصراً عن السماح للخطوط باكتساب ميول متباينة، وتتطابق قيمته رياضياً في حالة المجموعتين مع مربع قيمة اختبار ت لمعامل التفاعل (F = t²).

5.3 التعامل مع التفاعلات غير الخطية والمعقدة

عندما يثبت التحليل الإحصائي وجود تباين دال في الميول بين المجموعات، يصبح التحدي التحليلي متمثلاً في تفسير هذا التفاعل وفهم حدوده السلوكية أو التطبيقية. يتطلب ذلك تطبيق تحليل الانحدارات البسيطة (Simple Slopes Analysis) لاختبار دلالة انحدار المتغير التابع على المتغير المستقل عند مستويات محددة ومنفصلة لكل فئة تصنيفية.

لتجاوز حدود اختيار النقاط الاعتباطية، تُعد تقنية جونسون-نيمان (Johnson-Neyman Technique) المنهجية الأكثر تقدماً ورصانة؛ حيث تحدد رياضياً المناطق الدقيقة على امتداد متصل المتغير المستقل (X) التي يكون عندها الفرق بين المجموعتين دالاً إحصائياً وتلك التي ينعدم فيها التباين المعنوي، مما يوفر رؤية تفسيرية شاملة ومفصلة لطبيعة التفاعل وسياقاته الديناميكية المعقدة.

6. اختبار الفروق بين الثوابت (نقاط التقاطع) في النماذج المتوازية

6.1 شروط اختبار الثوابت ومنهجية الفحص

يخضع اختبار الفروق بين الثوابت لشرط منهجي صارم يتمثل في التحقق المسبق من توازي خطوط الانحدار وعدم دلالة معامل التفاعل إحصائياً؛ فإذا كانت الخطوط غير متوازية، فإن الفارق الرأسي بينها سيتغير باستمرار عبر قيم المتغير المستقل، مما يفقد المقارنة المنفردة بين نقاط التقاطع دلالتها المنطقية والعلمية الشاملة.

بمجرد ثبوت التوازي، يتم استبعاد حد التفاعل من النموذج وإعادة تقدير النموذج المقيد المتوازي لضمان دقة المعلمات وكفاءة التقدير. يعبر معامل المتغير الصوري (β₂) في هذا النموذج المقيد عن الفارق الرأسي المنتظم والمستمر بين الخطين عبر كافة مستويات المتغير المستقل، مما يتيح للباحث تقييم التأثير الصافي للمجموعة بدرجة عالية من الدقة والتجريد الرياضي.

6.2 الاختبارات الإحصائية لدلالة الفرق بين الثوابت

يُنفذ الفحص الإحصائي لدلالة فارق الثوابت بتطبيق اختبار ت على معامل المتغير الصوري (β₂) في النموذج المقيد المتوازي، حيث يختبر الفرضية الصفرية القائلة بأن الإزاحة الرأسية بين الخطين تساوي صفراً في المجتمع الإحصائي (H₀: β₂ = 0).

تُحسب فترة الثقة للمعامل β₂ لتحديد المجال الرقمي المتوقع للفارق الثابت بمستوى ثقة 95% مثلاً. يُسهم ذلك في تقييم الدلالة العملية (Practical Significance) وحجم الأثر إلى جانب الدلالة الإحصائية البحتة؛ إذ يمكن أن يكون الفارق دالاً إحصائياً بسبب كبر حجم العينة، لكنه يظل محدود القيمة من المنظور التطبيقي إذا كانت الإزاحة الرأسية طفيفة للغاية في سياق مقياس المتغير التابع.

6.3 تأثير تمركز البيانات (Centering) على تفسير الثوابت

تنشأ معضلة تفسيرية كبرى عند التعامل مع الثابت (β₀) وفروق الثوابت إذا كان المتغير المستقل لا يمتلك قيمة صفرية حقيقية أو واقعية في ميدان القياس (مثل مقاييس الذكاء، أو ضغط الدم، أو العمر الزمني للمشاركين). في مثل هذه الحالات، يشير الثابت إلى نقطة تقاطع افتراضية تقع خارج نطاق البيانات المرصودة فعلياً، مما يجعل تفسير الفارق الإحصائي بين الثوابت مجرداً من المعنى السيكولوجي أو التطبيقي المباشر.

لحل هذه المعضلة، يُنصح بتطبيق إجراء التمركز حول المتوسط الكلي (Grand Mean Centering) للمتغير المستقل عبر طرح متوسطه العام من كل قيمة مشاهدة (X_centered = X_i – X̄). يؤدي هذا التحويل الخطي إلى إعادة توطين نقطة الصفر لتصبح منطبقة تماماً على المتوسط الحسابي للبيانات، مما يحول تفسير الثوابت وفروقها مباشرة إلى مقارنة دقيقة للمتوسطات المتوقعة للمجموعات عند متوسط المتغير المستقل، دون التأثير بأي شكل على قيمة الميل أو معنويته الإحصائية.

7. اختبار تشاو (Chow Test) لثبات الهيكل الإحصائي بين المجموعات

7.1 الأساس الرياضي لاختبار تشاو

يُعد اختبار تشاو، الذي ابتكره الاقتصادي غريغوري تشاو عام 1960، تطبيقاً متخصصاً لاختبار ف لاختبار الاستقرار الهيكلي (Structural Stability) لمعلمات الانحدار الخطي عبر عينات أو قطاعات فرعية مختلفة من البيانات، بهدف التحقق مما إذا كانت معلمات الميل والثابت متطابقة تماماً بين المجموعات.

يقوم الاختبار على مقارنة مجموع مربعات البواقي الناتج عن النموذج الكلي المجمع لجميع الحالات (Pooled RSS) مع مجموع مربعات البواقي المستخلصة من النماذج المستقلة المقدرة لكل مجموعة على حدة (RSS₁ و RSS₂). تُصاغ معادلة إحصاء ف لاختبار تشاو بالصيغة الرياضية التالية:

F = [ (RSS_pooled – (RSS₁ + RSS₂)) / k ] / [ (RSS₁ + RSS₂) / (N₁ + N₂ – 2k) ]

حيث يمثل k إجمالي عدد المعلمات المقدرة في النموذج متضمناً الثابت، بينما يمثل N₁ و N₂ أحجام العينات للمجموعتين الأولى والثانية على التوالي.

7.2 خطوات تنفيذ اختبار تشاو عملياً

يتطلب التنفيذ الإجرائي لاختبار تشاو اتباع تسلسل منهجي صارم يمر بثلاث مراحل حسابية متتالية لتقدير النماذج وتوليد الإحصاء التجريبي المناسب:

• المرحلة الأولى: تقدير نموذج الانحدار الخطي على البيانات المدمجة للعينتين معاً وحساب مجموع مربعات البواقي الكلي (RSS_pooled) بدرجات حرية مساوية لـ (N₁ + N₂ – k).
• المرحلة الثانية: تقسيم ملف البيانات وتقدير نموذج انحدار مستقل للمجموعة الأولى لاستخراج (RSS₁)، ثم تقدير نموذج مستقل للمجموعة الثانية لاستخراج (RSS₂)، وحساب مجموعهما المشترك: RSS_unrestricted = RSS₁ + RSS₂.
• المرحلة الثالثة: تطبيق معادلة تشاو لاستخراج قيمة ف المحسوبة ومقارنتها بالقيمة الحرجة من جدول توزيع ف عند درجات حرية df₁ = k للبسط، و df₂ = (N₁ + N₂ – 2k) للمقام. يؤدي رفض الفرضية الصفرية إلى إثبات عدم استقرار الهيكل الخطي ووجود تباين جوهري في المعلمات بين المجموعتين.

7.3 محددات اختبار تشاو وبدائله الحديثة

بالرغم من القوة المنهجية لاختبار تشاو، إلا أنه يعاني من قصور جوهري يتمثل في اعتماده الحرج على افتراض تجانس تباين الأخطاء العشوائية بين المجموعات (σ²₁ = σ²₂)؛ ففي حالة انتهاك هذا الشرط ووجود عدم تجانس في التباين، يميل الاختبار إلى تضخيم معدل الخطأ من النوع الأول ورفض فرضية الاستقرار بصورة زائفة.

بالإضافة إلى ذلك، يتسم اختبار تشاو بكونه اختباراً كلياً شاملاً يعجز عن تحديد الموضع الدقيق لعدم الاستقرار، أي أنه لا يوضح ما إذا كان الاختلاف راجعاً للميل أو الثابت أو كليهما. لتجاوز هذه المحددات، يُفضل في القياس الحديث استخدام اختبارات والد المعدلة (Wald Tests with Robust Estimators) أو التوجه المباشر نحو نماذج المتغيرات الصورية التفاعلية التي تتيح فحص كل معلمة بدقة مع التحكم في تباين الأخطاء غير المتجانسة.

8. تحليل التباين المشترك (ANCOVA) كمنهجية مكافئة لمقارنة الانحدار

8.1 التكافؤ الرياضي بين ANCOVA ونموذج الانحدار الخطي العام

يمثل تحليل التباين المشترك (ANCOVA) ونموذج الانحدار الخطي العام وجهين لعملة رياضية واحدة في إطار النماذج الخطية العامة (General Linear Model)؛ حيث يُعد كلاهما صياغة مختلفة لنفس البنية الحسابية والمصفوفية الأساسية.

في تحليل التباين المشترك، يتم تعريف المتغير التصنيفي كعامل تجريبي (Factor)، بينما يُصنف المتغير المستقل المستمر كمتغير مشترك أو مصاحب (Covariate). عند إعادة صياغة هذا النموذج في بيئة الانحدار الخطي باستخدام المتغيرات الصورية، تتطابق مخرجات جدول تحليل التباين—بما في ذلك مجموع المربعات، والنسب الفائية (F-ratios)، ومستويات الدلالة الإحصائية—تطابقاً تاماً مع معاملات النموذج المدمج المتوازي، مما يبرهن على أن ANCOVA ما هو إلا انحدار خطي متعدد تم فيه تقييد الميول لتكون متساوية بين المجموعات لتقدير الفروق بين المتوسطات المعدلة.

8.2 افتراض تجانس انحدارات المجموعات (Homogeneity of Regression Slopes)

يشترط التحليل الكلاسيكي للتباين المشترك (ANCOVA) تحقق افتراض إحصائي محوري لا يقبل المساومة، وهو افتراض تجانس ميول خطوط الانحدار عبر مستويات المتغير التصنيفي، والذي يعني ثبات واستقرار العلاقة بين المتغير المصاحب والمتغير التابع عبر كافة المجموعات التجريبية.

يتم فحص هذا الافتراض صراحة عبر اختبار معنوية التفاعل الإحصائي بين المتغير التصنيفي والمتغير المشترك (Factor × Covariate). إذا كان التفاعل دالاً إحصائياً (p < 0.05)، يُعد افتراض تجانس الانحدارات منتهكاً، مما يجعل تطبيق ANCOVA التقليدي مضللاً وغير جائز منهجياً، ويستوجب استبداله بنماذج الانحدار المخصصة التي تسمح بتفاعل الميول واستخدام تقنيات التفكيك البسيط وجونسون-نيمان لتحليل الفروق الشرطية.

8.3 تعديل المتوسطات واستخلاص التأثيرات الحقيقية

تتمثل الوظيفة الجوهرية لمنهجية الانحدار وANCOVA المتوازية في حساب المتوسطات الهامشية المعدلة (Estimated Marginal Means) للمتغير التابع، بعد إزالة الأثر الإحصائي المرتبط بالتباين في المتغير المستقل أو المصاحب وضبطه عند متوسطه العام المشترك.

يُعبر المتوسط المعدل للمجموعة عن القيمة المتوقعة للمتغير التابع إذا امتلكت جميع المجموعات نفس المتوسط الحسابي على المتغير المستقل. تُحسب الفروق بين هذه المتوسطات المعدلة بدقة لاختبار الفرضيات البعدية (Post-hoc Comparisons)، مما يتيح عزل التأثير الحقيقي الصافي للمعالجة التجريبية أو المتغير التصنيفي وتخليصه من أي تحيز ناتج عن الفروق القبلية غير المتكافئة بين العينات.

9. الافتراضات الإحصائية الإلزامية وتشخيص صحة النماذج المقارنة

9.1 فحص الخطية والاعتدالية للأخطاء العشوائية

ترتكز صحة الاستدلالات الإحصائية المشتقة من مقارنة خطوط الانحدار على مدى تحقق مجموعة من الافتراضات التوزيعية والهيكلية في متبقيات النموذج (Residuals) داخل كل مجموعة على حدة وفي النموذج الكلي المدمج.

يجب أولاً التحقق من خطية العلاقة عبر فحص الرسوم البيانية للبواقي مقابل القيم المتنبأ بها (Residuals vs. Fitted Plot)، للتأكد من عدم وجود أنماط منحنية أو غير خطية واضحة. يتبع ذلك اختبار اعتدالية توزيع البواقي باستخدام اختبارات الدلالة الإحصائية المتخصصة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) ورسوم التطابق الطبيعي (Q-Q Plots). بالرغم من متانة مقدرات الانحدار في العينات الكبيرة استناداً إلى مبرهنة النهاية المركزية، إلا أن الانحراف الشديد عن الاعتدالية في العينات الصغيرة يهدد سلامة اختبارات ت وف ويؤدي إلى تقديرات مضللة لمستويات المعنوية وفترات الثقة.

9.2 فحص تجانس التباين (Homoscedasticity) عبر المجموعات

يقتضي افتراض ثبات التباين أن يكون تشتت الأخطاء العشوائية متماثلاً عبر كامل مدى المتغير المستقل وموحداً بين جميع المجموعات المقارنة دون تباين نسبي أو نمطي (σ²₁ = σ²₂ = … = σ²_k).

يتم فحص هذا الافتراض تطبيقياً من خلال اختبار بروش-باغان (Breusch-Pagan Test) أو اختبار ليفين (Levene’s Test) المعدل للبواقي. يؤدي وجود عدم تجانس التباين (Heteroscedasticity) إلى عدم كفاءة مقدرات المربعات الصغرى وتشويه حساب الأخطاء المعيارية، مما يرفع احتمالية رفض الفرضيات الصفرية بصورة خاطئة. كحل وقائي وعلاجي رصين، يُوصى باعتماد الأخطاء المعيارية القوية لـ وايت-هوبر (Robust White-Huber Standard Errors – HC3)، والتي تُصحح قيم الأخطاء المعيارية واختبارات المعنوية دون التأثير على قيم المعلمات المقدرة ذاتها.

9.3 تشخيص استقلالية الملاحظات والنقاط المؤثرة

يمثل استقلال الأخطاء العشوائية ركيزة أساسية أخرى، حيث يجب ألا تتأثر قيمة أي مشاهدة بمشاهدة أخرى ضمن نفس العينة أو عبر الزمن. يُفحص الارتباط الذاتي للبواقي عادة باستخدام إحصاء دوربن-واتسون (Durbin-Watson Test)، لا سيما في البيانات الطولية أو السلاسل الزمنية المتتابعة.

علاوة على ذلك، يجب تشخيص وجود الحالات الشاذة والنقاط المؤثرة التي تتمتع بقوة جذب إحصائية عالية تُحرف مسار خطوط الانحدار وميولها. يتم ذلك من خلال حساب مؤشرات الرفع (Leverage Values) لتحديد القيم المتطرفة على المتغير المستقل، ومقاييس مسافة كوك (Cook’s Distance) لتقييم التأثير الكلي للحالة الواحدة على مصفوفة المعلمات كاملة. تُعد النقطة مؤثرة وخطيرة منهجياً إذا تجاوزت مسافة كوك العتبات المعيارية الحرجة، مما يتطلب دراسة أسبابها وفحص استقرار النموذج بحذفها أو تعديلها تحليلياً.

10. مقارنة خطوط الانحدار غير الخطية والمتعددة

10.1 مقارنة الانحدارات المتعددة المعقدة عبر المجموعات

يمتد إطار مقارنة الانحدار ليشمل الحالات الأكثر تعقيداً التي تتضمن عدة متغيرات مستقلة مستمرة (X₁, X₂, …, X_p) تؤثر متزامنة على المتغير التابع، حيث يتجه الاهتمام نحو مقارنة أسطح ومستويات الانحدار متعددة الأبعاد عبر المجموعات المختلفة.

يتم بناء النموذج المدمج في هذه الحالة ليشمل جميع المتغيرات المستقلة، والمتغير الصوري، وكافة حدود التفاعل الثنائية بين المتغير الصوري وكل متغير مستقل على حدة:

Y = β₀ + Σ β_jX_j + γ₀D + Σ γ_j(X_j × D) + ε

يُتيح هذا التوسع إجراء اختبار متزامن متعدد الدرجات لمصفوفة التفاعلات باستخدام اختبار نسبة الأرجحية (Likelihood Ratio Test) أو اختبار ف الشامل، لتحديد ما إذا كانت مجموعة المعاملات بأكملها تختلف باختلاف المجموعة، فضلاً عن فحص التفاعلات الثلاثية والرباعية التي قد تكشف عن آليات توسط وتعديل معقدة عبر الفئات الإحصائية.

10.2 مقارنة خطوط الانحدار متعددة الحدود (Polynomial Regression)

في العديد من الظواهر السلوكية والفيزيولوجية، تتخذ العلاقة بين المتغير المستقل والتابع نمطاً منحنياً غير خطي يخضع لظاهرة العوائد المتناقصة أو تأثيرات القمة، مما يستلزم نمذجة العلاقة باستخدام انحدار متعدد الحدود (Polynomial Regression) بإدراج الحدود التربيعية (X²) والتكعيبية (X³).

لمقارنة هذه المنحنيات عبر المجموعات، يتم تكوين حدود التفاعل بين المتغير الصوري والحدود متعددة الحدود (مثل D × X و D × X²). يختبر التحليل الإحصائي لهذه الحدود ما إذا كانت درجة التقوس أو نقاط الانقلاب والقمم والقعور تختلف دلالياً بين المجموعات، مما يمنح الباحث القدرة على رصد التمايزات المعقدة في أنماط الاستجابة غير الخطية التي تعجز النماذج الخطية البسيطة عن تمثيلها بدقة.

10.3 نماذج التأثيرات المختلطة والانحدار الهرمي للمجموعات المتداخلة

تفرض طبيعة البيانات الهرمية أو المتداخلة (Hierarchical / Clustered Data)—كالطلاب المتداخلين داخل المدارس، أو المرضى المعالجين داخل عيادات متعددة—تحدياً منهجياً ينتهك افتراض استقلالية الملاحظات، مما يجعل نماذج الانحدار التقليدي غير ملائمة وتؤدي إلى تقديرات متحيزة للأخطاء المعيارية.

في هذا السياق، تُستخدم النماذج الخطية الهرمية (Hierarchical Linear Models – HLM) أو نماذج التأثيرات المختلطة (Linear Mixed-Effects Models) لمقارنة خطوط الانحدار. تسمح هذه المنهجية بنمذجة الثوابت والميول كمعلمات عشوائية (Random Intercepts and Random Slopes) تتغير عبر المجموعات الأعلى رتبة، مما يُمكن الباحث من فصل التباين الواقع داخل المجموعات عن التباين بين المجموعات بدقة وتقدير التفاعلات عبر المستويات (Cross-level Interactions) بصورة رصينة تعزز الصدق الإحصائي للدراسة.

11. دليل تطبيقي لإجراء المقارنة باستخدام البرمجيات الإحصائية (SPSS و R)

11.1 خطوات التنفيذ العملي في بيئة SPSS

تتيح حزمة SPSS تنفيذ مقارنة خطوط الانحدار عبر مسارين تحليليين متكاملين؛ يتمثل المسار الأول في استخدام الانحدار الخطي المتسلسل عبر إنشاء المتغير الصوري وحد التفاعل يدوياً من خلال قائمة تحويل البيانات (Compute Variable)، ثم إدخال المتغير المستقل والمتغير الصوري في الكتلة الأولى (Block 1)، وإدراج حد التفاعل في الكتلة الثانية (Block 2) مع تفعيل خيار اختبار التغير في معامل التحديد (R² Change Test).

أما المسار الثاني، وهو الأكثر شمولاً ودقة، فيعتمد على إجراء النماذج الخطية العامة أحادية المتغير (GLM – Univariate). يتم في هذا الإجراء إدراج المتغير التابع في خانة Dependent Variable، ومتغير المجموعة في خانة Fixed Factor(s)، والمتغير المستقل في خانة Covariate(s). من خلال خيار النموذج المخصص (Custom Model)، يتم بناء نموذج يشمل التأثيرات الرئيسية وحد التفاعل (Group × Covariate)؛ فإذا ثبتت عدم دلالة التفاعل، يُعاد تشغيل النموذج بالتأثيرات الرئيسية فقط لطلب المتوسطات الهامشية المعدلة (EM Means) وإجراء المقارنات المزدوجة بدقة فائقة.

11.2 التطبيق والتحليل المتقدم باستخدام لغة البرمجة R

توفر بيئة الحوسبة الإحصائية R مرونة برمجية مطلقة لبناء وتلخيص ومقارنة النماذج الخطية المدمجة. يُبنى النموذج الكامل الذي يشمل التفاعل باستخدام الدالة الأساسية lm() عبر الصيغة الرياضية المباشرة:

full_model <- lm(Y ~ X * Group, data = dataset)

بينما يُبنى النموذج المقيد المتوازي بدون تفاعل عبر الصيغة:

reduced_model <- lm(Y ~ X + Group, data = dataset)

تتم مقارنة النموذجين رسمياً لاختبار دلالة تباين الميول باستخدام اختبار ف عبر دالة تحليل التباين: anova(reduced_model, full_model). لتوليد الرسوم البيانية التوضيحية عالية الجودة مع فترات الثقة المظللة، تُستخدم حزمة ggplot2 عبر الدالة geom_smooth(method = "lm")، بالإضافة إلى توظيف حزمة emmeans لحساب المتوسطات المعدلة وحزمة interactions لإجراء فحص جونسون-نيمان واختبار الانحدارات البسيطة بأسلوب آلي دقيق ورصين.

11.3 الفحص البعدي وحساب أحجام التأثير (Effect Sizes)

لا يكتمل التقرير الإحصائي بمجرد استخراج قيم الدلالة الإحصائية (p-values)، بل يجب دعمه بحساب مقاييس دقيقة لحجم التأثير (Effect Size) تعكس الأهمية العملية للتباين المرصود في الميول أو الثوابت عبر المجموعات.

يُحسب حجم التأثير للتفاعل ومقارنة النماذج باستخدام مؤشر إيتا المربعة الجزئية (Partial Eta Squared – η_p²) المستخرج من نماذج التباين، أو معامل كوهين المعدل f² في إطار الانحدار المتعدد، والذي يُصاغ رياضياً كما يلي:

f² = (R²_AB – R²_A) / (1 – R²_AB)

علاوة على ذلك، يُمكن حساب معامل كوهين d للفروق بين خطوط الانحدار عند مستويات محددة ومعيارية للمتغير المستقل (مثل المتوسط، وانحراف معياري واحد فوق وتحت المتوسط). كما يُنصح بإجراء تحليل القوة الإحصائية البعدية (Statistical Power Analysis) باستخدام برمجيات متخصصة مثل G*Power للتحقق من كفاية حجم العينة المستخدم في اكتشاف التفاعلات ذات الأحجام المحددة بدقة وثقة.

12. تفسير النتائج وكتابة التقارير الإحصائية وتجنب المزالق المنهجية

12.1 صياغة وتوثيق النتائج وفق معايير الجمعية الأمريكية لعلم النفس (APA)

يتطلب التوثيق الأكاديمي الرصين للنتائج الإحصائية الالتزام التام بإرشادات الإصدار السابع الصادر عن الجمعية الأمريكية لعلم النفس (APA 7th Edition)، من خلال التقرير الدقيق لقيم الاختبارات، ودرجات الحرية، وحجم التأثير، وفترات الثقة المحددة بمستوى 95%.

تتم صياغة نتيجة اختبار التفاعل نصياً بالصورة التالية: “أظهرت نتائج تحليل الانحدار الهرمي أن معامل التفاعل بين المتغير المستقل وعضوية المجموعة كان دالاً إحصائياً، t(146) = 2.84, p = .005, β = 0.32, 95% CI [0.09, 0.55]، مما يفسر نسبة تباين إضافية ذات دلالة في المتغير التابع، ΔR² = .041, F(1, 146) = 8.07, p = .005. ويشير ذلك إلى انتهاك فرضية توازي خطوط الانحدار واختلاف معدل الاستجابة بصورة جوهرية بين المجموعتين”. يجب أيضاً دعم التقرير بجداول موحدة ومنظمة تعرض معاملات الانحدار غير المعيارية (B)، والأخطاء المعيارية (SE)، والمعاملات المعيارية (β)، بالإضافة إلى تضمين مخطط بياني احترافي يوضح مسارات الخطوط وفترات الثقة المحيطة بها.

12.2 المزالق والأخطاء الشائعة في مقارنة خطوط الانحدار

يقع العديد من الباحثين في مزالق منهجية وإحصائية خطيرة عند مقارنة خطوط الانحدار؛ ويتمثل المأزق الأكثر شيوعاً—والذي يُعرف إحصائياً بخطأ “الفرق في الدلالة لا يعني دلالة الفرق”—في تقدير نموذجين منفصلين للمجموعتين، والاستنتاج الخاطئ بوجود فرق بينهما لمجرد أن الميل دال إحصائياً في المجموعة الأولى (p < 0.05) وغير دال في المجموعة الثانية (p > 0.05). لا بد إحصائياً من اختبار حد التفاعل المشترك مباشرة داخل نموذج مدمج لإثبات أن الفارق بين المعاملين يمتلك دلالة إحصائية مستقلة.

ومن الأخطاء الجسيمة أيضاً محاولة تفسير الفروق بين الثوابت كفروق مطلقة بين المجموعات في ظل وجود تفاعل قوي ودال للميول؛ إذ يؤدي تقاطع الخطوط إلى تغير اتجاه وحجم الفارق بين المجموعات عبر مستويات المتغير المستقل. كما يجب الحذر من إجراء اختبارات متعددة للمقارنات البعدية دون تطبيق تعديلات معيارية للتحكم في تضخم خطأ النوع الأول، مثل تعديل بونفيروني (Bonferroni Correction) أو طريقة هولم-بونفيروني.

12.3 التوصيات الإجرائية للممارسين والباحثين

لضمان أعلى درجات الرصانة والدقة في البحوث التطبيقية، يُوصى الباحثون باتباع بروتوكول إجرائي هرمي وتدريجي منظم يبدأ بالتحقق الدقيق من الافتراضات التشخيصية للنموذج (الخطية، الاعتدالية، وتجانس التباين)، يليه اختبار فرضية التوازي وتجانس الميول كخطوة أولى وحاسمة.

إذا أظهر التحليل عدم دلالة التفاعل، يتم تثبيت التوازي والانتقال لاختبار تباعد الثوابت وتفسير الفروق الصافية بين المتوسطات المعدلة؛ أما في حالة ثبوت دلالة التفاعل، فيتعين إيقاف المقارنة البسيطة للثوابت والتحول الفوري نحو تحليل الانحدارات البسيطة وتطبيق تقنية جونسون-نيمان. وأخيراً، يُنصح دائماً بإجراء تحليلات الحساسية (Sensitivity Analysis) عبر إعادة تقدير النماذج باستخدام مقدرات الأخطاء المعيارية القوية أو الأساليب اللامعلمية مثل أسلوب إعادة المعاينة التكرارية (Bootstrapping)، للتحقق من استقرار الاستنتاجات العلمية ومقاومتها للقيم الشاذة والتقلبات العشوائية في العينة.

خلاصة واستنتاجات

تُمثل مقارنة خطوط الانحدار باختبارات الفروض ركيزة أساسية في منهجية البحث الإحصائي المتقدم، حيث تنقل الباحث من مجرد الاستكشاف الوصفي للعلاقات إلى مرحلة الاستدلال العلمي الصارم على بنية وتمايز هذه العلاقات عبر المجموعات والسياقات المختلفة. إن التحديد الدقيق لما إذا كانت المجموعات تختلف في مستوياتها المبدئية (الثوابت) أو في معدلات استجابتها وتغيرها (الميول) يمنح فهماً عميقاً للظواهر المدروسة ويوجه القرارات الميدانية والتطبيقية بدرجة عالية من الموثوقية.

يتطلب التطبيق السليم لهذه المنهجية وعياً رياضياً متكاملاً بخصائص النماذج المدمجة، واستخداماً حصيفاً للمتغيرات الصورية وحدود التفاعل، مع الالتزام الصارم بفحص الافتراضات التوزيعية وتجنب المزالق المنهجية الشائعة مثل الاعتماد على المعاينة البصرية المنفردة أو الوقوع في خطأ مقارنة مستويات الدلالة المنفصلة. ومن خلال الجمع بين الدقة الكمية في البرمجيات الإحصائية والتوثيق الأكاديمي الشفاف، يستطيع الباحثون تقديم إسهامات علمية متينة تعزز تراكم المعرفة وتدعم الممارسات المستندة إلى الأدلة في مختلف الميادين العلمية.

References

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. SAGE Publications.
• Chow, G. C. (1960). Tests of equality between sets of coefficients in two linear regressions. Econometrica, 28(3), 591–605. https://doi.org/10.2307/1910133
• 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.
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications.
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
• Johnson, P. O., & Neyman, J. (1936). Tests of certain linear hypotheses and their application to some educational problems. Statistical Research Memoirs, 1, 57–93.
• Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5th ed.). McGraw-Hill/Irwin.
• Pedhazur, E. J. (1997). Multiple regression in behavioral research: Explanation and prediction (3rd ed.). Wadsworth Thomson Learning.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.