جدول دوربين-واتسون

يحتل تحليل الانحدار الخطي مكانة مركزية في ترسانة المنهجيات الكمية المستخدمة في العلوم السلوكية والاجتماعية والقياس النفسي الحديث، حيث يتيح للباحثين نمذجة العلاقات المعقدة بين المتغيرات النفسية والتنبؤ بالاستجابات السلوكية بناءً على محددات معرفية وبيئية متعددة. غير أن القوة الاستدلالية لهذه النماذج وصحتها الإحصائية تظل مشروطة باستيفاء مجموعة صارمة من الفروض الكلاسيكية التي تحكم بنية الأخطاء العشوائية أو ما يُعرف بالبواقي (Residuals). ومن بين هذه الشروط الجوهرية، يبرز افتراض استقلالية الأخطاء كركيزة أساسية لا غنى عنها لضمان كفاءة المقدرات ودقة اختبارات الدلالة الإحصائية، إذ إن انتهاك هذا الفرض عبر وجود ما يُسمى بالارتباط الذاتي (Autocorrelation) يؤدي إلى تشويه مضلل في حساب الأخطاء المعيارية، مما يقود حتماً إلى اتخاذ قرارات زائفة تتعلق بالفرضيات البحثية وتضخيم معدلات الخطأ من النوع الأول.

وفي هذا السياق المعرفي، يُمثل اختبار دوربين-واتسون (Durbin-Watson Test) وجداوله الإحصائية المرجعية الأداة الأكثر شهرة وتطبيقاً عبر تاريخ القياس الإحصائي لتقييم استقلالية البواقي من الدرجة الأولى في متواليات البيانات المتتابعة ونماذج الانحدار. إن فهم الآلية الرياضية والمنهجية التي بُني عليها جدول دوربين-واتسون، واستيعاب بنيته المزدوجة القائمة على الحدود الحرجة الدنيا والعليا، لا يمثل مجرد مهارة حسابية روتينية، بل يُعد متطلباً ابستمولوجياً حاسماً لكل باحث يسعى إلى تأصيل نتائج دراساته وضمان خلو استنتاجاته من التحيزات الناشئة عن الاعتماد المتبادل بين الملاحظات المتتالية، خاصة في التصاميم الطولية وتجارب القياس المتكرر في علم النفس التجريبي والعيادي.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الجوانب النظرية والرياضية والتطبيقية المرتبطة بجدول دوربين-واتسون؛ بدءاً من سياقه التاريخي وأسسه الجبرية في نظرية الاحتمالات ومصفوفات الإسقاط، مروراً بكيفية استخراج القيم الحرجة والتعامل مع المناطق الرمادية أو غير الحاسمة، ووصولاً إلى التطبيقات العملية المعمقة في النمذجة النفسية، واستعراض البدائل التشخيصية ومعالجة البيانات باستخدام أحدث البرمجيات الإحصائية المعتمدة عالمياً.

1. مقدمة شاملة حول جدول دوربين-واتسون وأهميته في القياس النفسي

1.1 مفهوم جدول دوربين-واتسون وتاريخ تطويره الإحصائي

تعود الجذور التاريخية لاختبار وجدول دوربين-واتسون إلى مطلع خمسينيات القرن العشرين، وتحديداً من خلال الورقتين البحثيتين التأسيسيتين اللتين نشرها العالمان البريطانيان جيمس دوربين (James Durbin) وجيفري واتسون (Geoffrey Watson) في مجلة Biometrika خلال عامي 1950 و1951. جاء هذا العمل الرائد استجابة لمعضلة رياضية وإحصائية بالغة التعقيد كانت تواجه الباحثين عند تطبيق طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS)؛ وهي أن التوزيع الاحتمالي لإحصاء الاختبار المستخدم للكشف عن الارتباط الذاتي لا يمتلك توزيعاً مطلقاً ثابتاً ومستقلاً عن مصفوفة البيانات، بل يتأثر بشكل مباشر بمستويات وقيم المتغيرات التفسيرية المدرجة في النموذج.

لمعالجة هذه المشكلة المستعصية، ابتكر دوربين وواتسون جدولاً مرجعياً فريداً لا يقدم قيمة حرجة واحدة كالمعتاد في اختبارات “ت” أو “ف”، بل يشتمل على زوج من القيم الحرجة المعتمدة رياضياً على حجم العينة الإجمالي وعدد المتغيرات التفسيرية في نموذج الانحدار الخطي. يُعرَّف جدول دوربين-واتسون بأنه مصفوفة رقمية محددة لاحتمالات التوزيع التراكمي للحدود الدنيا والقصوى الممكنة لإحصاء الاختبار تحت الفرضية الصفرية القائلة بعدم وجود ارتباط تسلسلي للبواقي من الدرجة الأولى، والتي تُعرف في الأدبيات الرياضية بنماذج الانحدار الذاتي البسيطة المسماة مسار AR(1).

تكمن الأهمية الاستثنائية لهذا الجدول في كونه وفّر حلاً عملياً تجاوز عقبة الحسابات المعقدة المعتمدة على المحددات والمصفوفات الجبرية التي كانت تتطلب حواسيب فائقة في ذلك العصر، مما أتاح للباحثين مقارنة الإحصاء المحسوب من عيناتهم التجريبية بحدود مجدولة مسبقاً، وتأسيس قاعدة مرجعية صلبة للتأكد من أن الأخطاء العشوائية لا تحمل أي ذاكرة زمنية أو نمط ترابطي خفي قد يخل بصحة النتائج الاستدلالية.

1.2 الأهمية المنهجية لاختبار دوربين-واتسون في الدراسات النفسية والسلوكية

تتميز الظواهر النفسية والسلوكية بطبيعة ديناميكية معقدة تجعلها عرضة للتأثر بعوامل التتابع والزمن، مما يجعل فحص استقلالية الأخطاء ضرورة منهجية صارمة وليس مجرد رفاهية إحصائية. في الدراسات النفسية التي تعتمد على التصاميم الطولية (Longitudinal Designs)، أو سلاسل الوقت التقييمية، أو نماذج القياسات المتكررة (Repeated Measures)، يواجه الباحث تحدي “أثر الاستمرار” أو الاعتمادية الذاتية، حيث تميل استجابات المفحوص في نقطة زمنية معينة إلى الارتباط الوثيق باستجاباته في النقطة الزمنية السابقة، نتيجة عوامل غير مقاسة مثل التعب، أو الألفة، أو استقرار الحالة المزاجية، أو النضج المعرفي التدريجي.

عندما يتم إغفال هذا الارتباط واستخدام الانحدار الخطي التقليدي دون التحقق من جدول دوربين-واتسون، فإن مصفوفة التباين والتغاير لمعاملات الانحدار تتعرض لخلل جوهري؛ حيث يتم تقدير تباين المعاملات بقيم أصغر بكثير من قيمتها الحقيقية. هذا الانخفاض المصطنع في الخطأ المعياري يؤدي بالتبعية إلى تضخيم قيم إحصاء “ت” واختبار “ف”، مما يجعل النتائج تبدو ذات دلالة إحصائية قوية بينما هي في الواقع مجرد وهم إحصائي ناتج عن الارتباط التسلسلي للأخطاء، وهو ما يُعرف بالوقوع في الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية الصحيحة.

علاوة على ذلك، يلعب جدول دوربين-واتسون دوراً محورياً في حماية الصدق الداخلي (Internal Validity) للنماذج التنبؤية في مجالات التشخيص الإكلينيكي وعلم النفس العصبي. فعند بناء نماذج تتنبأ بتدهور الوظائف التنفيذية أو شدة نوبات الهلع بناءً على مؤشرات بيولوجية وسلوكية، فإن التأكد من استقلالية البواقي يضمن أن النموذج قد استوعب كافة المعلومات الهيكلية المنتظمة، وأن ما تبقى في حد الخطأ هو تشويش عشوائي بحت (White Noise)، مما يعزز الوثوقية التطبيقية للقرارات التشخيصية والعلاجية المستندة إلى تلك النماذج.

1.3 أهداف المقال وهيكلية الدليل الإحصائي

يسعى هذا المقال إلى تقديم دليل تأصيلي شامل وتطبيقي موجه للباحثين، والأكاديميين، وطلبة الدراسات العليا في مجالات القياس النفسي والعلوم الاجتماعية، بهدف تجسير الفجوة بين الأطر النظرية المجردة والتطبيقات الإحصائية العملية لجداول دوربين-واتسون. لا يقتصر الهدف على استعراض الأرقام والمصفوفات الجاهزة، بل يمتد إلى تمكين القارئ من الاستيعاب العميق للمنطق الرياضي الذي يوجه عمليات اتخاذ القرار الاستدلالي عند تفسير معاملات الاستقلالية.

تتكامل هيكلية هذا الدليل عبر اثني عشر محوراً رئيساً متسلسلاً منطقياً؛ حيث تبدأ بالاشتقاق الرياضي لإحصاء الاختبار وعلاقته بمعامل الارتباط الذاتي، ثم تنتقل إلى التشريح الهندسي والإحصائي لبنية الجداول ومكوناتها من الحدود الدنيا والعليا، وتفصيل آليات القراءة والاستكمال الخطي للعينات غير المجدولة. يلي ذلك تقديم خريطة طريق متكاملة لمناطق اتخاذ القرار، مع التركيز على المعضلة المنهجية المعروفة بـ “المنطقة غير الحاسمة” واستعراض الاستراتيجيات الإحصائية لمعالجتها.

كما يغطي الدليل الفروض المقيدة للجدول وحدوده المنهجية، وتطبيقاته النوعية في التصاميم السلوكية المتقدمة، وإجراء مقارنات مفصلة مع الاختبارات البديلة مثل اختبار بروش-غودفري واختبار دوربين “h”. ويختتم الدليل بتقديم تطبيقات عددية وحسابية مستمدة من سياقات بحثية نفسية واقعية، مع بيان خطوات التنفيذ عبر البرمجيات الإحصائية الرائدة مثل SPSS و R و Python، وصياغة التقارير وفق متطلبات الجمعية الأمريكية لعلم النفس (APA).

2. الأسس الرياضية والنظرية لاختبار دوربين-واتسون

2.1 الصيغة الرياضية لمعامل دوربين-واتسون (d)

يقوم الأساس الحسابي لإحصاء دوربين-واتسون، والذي يُرمز له بالرمز الرياضي التقليدي d، على مقارنة متوالية البواقي الناتجة عن تقدير نموذج الانحدار الخطي بطريقة المربعات الصغرى. يُعرّف الباقي عند الملاحظة الزمنية t بأنه الفرق بين القيمة الفعلية للمتغير التابع والقيمة المتنبأ بها من معادلة الانحدار: $e_t = Y_t – \hat{Y}_t$. ويُصاغ إحصاء دوربين-واتسون رياضياً على النحو التالي:

$$d = \frac{\sum_{t=2}^{n} (e_t – e_{t-1})^2}{\sum_{t=1}^{n} e_t^2}$$

يتضح من هذا الكسر الرياضي أن البسط يمثل مجموع مربعات الفروق المتتالية بين كل باقٍ والباقي الذي يسبقه مباشرة في الترتيب التسلسلي من الفترة $t=2$ إلى $n$، في حين يمثل المقام إجمالي مجموع مربعات البواقي لجميع المشاهدات من $t=1$ إلى $n$. ومن خلال فك المتطابقة الجبرية في البسط وتوزيع حدود المجموع، يمكن إثبات العلاقة التقريبية الوثيقة التي تربط بين إحصاء دوربين-واتسون ومعامل الارتباط الذاتي الخطي للعينة من الدرجة الأولى، والذي يُرمز له بـ $\hat{\rho}$ (Rho):

$$\sum_{t=2}^{n} (e_t – e_{t-1})^2 = \sum_{t=2}^{n} e_t^2 + \sum_{t=2}^{n} e_{t-1}^2 – 2\sum_{t=2}^{n} e_t e_{t-1}$$

وبما أن حجم العينة $n$ في معظم الدراسات يكون كافياً لجعل $\sum_{t=2}^{n} e_t^2 \approx \sum_{t=2}^{n} e_{t-1}^2 \approx \sum_{t=1}^{n} e_t^2$، وبمعرفة أن معامل الارتباط الذاتي للعينة يُعرّف بأنه $\hat{\rho} = \frac{\sum e_t e_{t-1}}{\sum e_t^2}$، فإن المعادلة تؤول بالتبسيط الرياضي إلى الصيغة المعيارية الشهيرة:

$$d \approx 2(1 – \hat{\rho})$$

تكشف هذه العلاقة الخطية الجوهرية عن سبب انحصار المدى النظري لإحصاء دوربين-واتسون بشكل قطعي بين الصفر و4 ($0 le d le 4$). فعندما تنعدم التبعية والارتباط بين الأخطاء المتتالية تماماً، فإن قيمة معامل الارتباط الذاتي تقترب من الصفر ($\hat{\rho} = 0$)، مما يجعل قيمة $d$ مساوية تقريباً للرقم 2. أما في حالة الارتباط الذاتي الموجب التام حيث تتماثل إشارات البواقي وتصل $\hat{\rho}$ إلى +1، فإن قيمة $d$ تتلاشى لتقترب من الصفر ($d \approx 0$). وعلى العكس من ذلك، في حالة الارتباط الذاتي السالب التام حيث تتعاقب الإشارات المتضادة وتصل $\hat{\rho}$ إلى -1، فإن قيمة الإحصاء تصعد إلى أقصى مداها لتبلغ القيمة 4 ($d \approx 4$).

2.2 طبيعة مشكلة الارتباط الذاتي للبواقي في الانحدار

تستند نظرية الانحدار الخطي الكلاسيكي إلى مبرهنة غاوس-ماركوف (Gauss-Markov Theorem)، والتي تضمن أن مقدرات المربعات الصغرى هي أفضل مقدرات خطية غير متحيزة (Best Linear Unbiased Estimators – BLUE). تفترض هذه المبرهنة أن مصفوفة التباين المشترك للأخطاء العشوائية تأخذ شكلاً قطرياً يتسم بثبات التباين وانعدام التغاير بين أي خطأين مختلفين في المتوالية: $\text{Cov}(\varepsilon_i, \varepsilon_j) = 0$ لكل $i \neq j$. غير أن متوالية الأخطاء في الواقع العملي قد تخضع لنموذج انحدار ذاتي من الدرجة الأولى يُعبَّر عنه بالعلاقة:

$$\varepsilon_t = \rho \varepsilon_{t-1} + u_t, \quad |rho| < 1$$

حيث يمثل $rho$ معامل الارتباط الذاتي الحقيقي للمجتمع، بينما يمثل $u_t$ حداً تشويشياً عشوائياً أبيض نقي غير مترابط. تنشأ هذه المشكلة في البحوث النفسية والسلوكية لعدة أسباب بنيوية، من أبرزها إغفال متغيرات نفسية وسيطة أو معدلة ذات طبيعة متراكمة، مثل إغفال قياس دافعية الإنجاز أو القلق الظرفي عبر الزمن، أو الاعتماد على دالة خطية لتمثيل علاقة غير خطية تتخذ شكلاً منحنياً، كمنحنيات التعلم أو الإجهاد النفسي المعرفي (قانون يركس-دودسون).

يؤدي وجود الارتباط الذاتي الموجب ($rho > 0$) إلى عواقب وخيمة على كفاءة التقدير؛ فعلى الرغم من أن معاملات الانحدار المحسوبة ($\hat{\beta}$) تظل رياضياً غير متحيزة في متوسطاتها، إلا أنها تفقد صفة الكفاءة الصغرى (Minimum Variance)، وتصبح الأخطاء المعيارية المحسوبة تقليدياً مقومة بأقل من حقيقتها بصورة حادة. يترتب على ذلك اتساع مصطنع في فترات الثقة الحقيقية، واختبارات فرضيات مضللة تجعل الباحث يثق بوجود تأثيرات تجريبية لا وجود لها في الواقع.

2.3 مبررات الحاجة إلى جدول القيم الحرجة المزدوجة

في معظم الاختبارات المعلمية المعتادة، مثل اختبار التوزيع الطبيعي المعياري أو توزيع “ت” أو توزيع كاي-تربيع، يعتمد التوزيع الاحتمالي لإحصاء الاختبار على معالم ثابتة محددة مسبقاً مثل درجات الحرية. لكن في حالة إحصاء دوربين-واتسون، واجه الإحصائيون معضلة رياضية فريدة تتمثل في أن التوزيع الدقيق للقيم الاحتمالية لإحصاء $d$ مشروط كلياً بمصفوفة المتغيرات التفسيرية المستقلة ($X$). وبما أن مصفوفة التصميم تختلف اختلافاً جذرياً من دراسة نفسية لأخرى بناءً على تباينات المتغيرات المقاسة ودرجات تغايرها، فإنه يستحيل رياضياً إنشاء جدول إحصائي موحد بقيمة حرجة واحدة وقطعية تنطبق عالمياً على جميع نماذج الانحدار الممكنة.

تغلب جيمس دوربين وجيفري واتسون على هذه العقبة عبر توظيف نظريات الجبر الخطي المتقدمة ومصفوفات الإسقاط العمودي ($M = I – X(X’X)^{-1}X’$). وقاما بإثبات أنه على الرغم من اعتماد إحصاء $d$ على مصفوفة المتغيرات $X$، إلا أن دالة توزيعه التراكمي تقع دائماً وبشكل قطعي محصورة بين دالتي توزيع لاحتمالين حديين: توزيع حدي أدنى يمثل أسوأ سيناريو لمصفوفة التصميم، وتوزيع حدي أعلى يمثل أفضل سيناريو محتمل لتلك المصفوفة.

بناءً على هذا الاشتقاق المتقن القائم على القيم الذاتية (Eigenvalues) لمصفوفة الفروق المتتالية، أنتج دوربين وواتسون جدولاً مرجعياً يشتمل على عتبتين حرجتين: الحد الحرج الأدنى ($d_L$) والحد الحرج الأعلى ($d_U$). تسمح هذه الآلية المزدوجة بالتحقق المنهجي من فرضية استقلالية البواقي دون الحاجة إلى إعادة حساب التوزيع الاحتمالي الخاص بمصفوفة كل نموذج بشكل منفصل، مما شكل ثورة حسابية في التشخيص الإحصائي الكلاسيكي.

3. هيكل وبنية جدول دوربين-واتسون الإحصائي

3.1 المتغيرات المحددة للقيم الحرجة في الجدول

يتحدد موقع القراءة الإحصائية في جدول دوربين-واتسون عبر ثلاثة محددات رياضية ومنهجية أساسية ينبغي على الباحث ضبطها بدقة متناهية قبل استخراج القيم الحرجة. المحدد الأول هو حجم العينة الإجمالي ($n$)، والذي يمثل عدد المشاهدات أو نقاط القياس الزمنية المتتالية المشمولة في نموذج الانحدار. ومع تزايد حجم العينة $n$، تتقارب القيم الحرجة تدريجياً نحو بعضها البعض نتيجة تزايد القوة الإحصائية وانخفاض تباين المقدرات.

المحدد الثاني هو عدد المتغيرات التفسيرية المستقلة ($k’$)؛ وهنا تبرز مسألة منهجية بالغة الأهمية تتعلق بضرورة التمييز الاصطلاحي بين النسخ المختلفة للجداول. في البناء الأصلي لجدول دوربين-واتسون، يُقصد بالرمز $k’$ عدد المتغيرات المستقلة المفسرة باستثناء الحد الثابت (Intercept). فإذا كان الباحث يحلل نموذج انحدار يشتمل على التنبؤ بمستوى الاكتئاب بناءً على تقدير الذات، والصلابة النفسية، ومستوى التوتر (ثلاثة متغيرات تفسيرية بالإضافة إلى الحد الثابت)، فإن القيمة الصحيحة للبحث في الجدول هي $k’=3$.

أما المحدد الثالث فهو مستوى الدلالة الإحصائية ($\alpha$) أو حجم منطقة الرفض المعتمدة لاختبار الفرضية الصفرية. تُبنى الجداول الإحصائية المعتمدة غالباً عند مستويات دلالة شائعة تشمل $\alpha = 0.05$ و $\alpha = 0.01$ و $\alpha = 0.025$ للاختبارات أحادية الطرف، مع مراعاة التعديلات اللازمة للاختبارات ثنائية الطرف. كما يقتضي التطبيق السليم التأكد من أن البيانات المستخدمة تمثل متوالية متصلة من القياسات ذات فترات زمنية متساوية وخالية من الفجوات المنهجية المخلة بالتتابع المنطقي للبواقي.

3.2 مكونات الجدول الأساسية: الحد الأدنى والحد الأعلى

يتألف جدول دوربين-واتسون في جوهره الهندسي والعددي من عمودين مقترنين لكل مستوى محدد من المتغيرات المستقلة $k’$ عبر تدرج أحجام العينات $n$: العمود الأول يحمل الرمز $d_L$ (Durbin-Watson Lower bound)، والعمود الثاني يحمل الرمز $d_U$ (Durbin-Watson Upper bound). يمثل الحد الأدنى $d_L$ العتبة المتشددة والصارمة التي إذا انخفض الإحصاء المحسوب $d$ دونها، كان ذلك دليلاً قاطعاً على رفض الفرضية الصفرية وثبوت وجود ارتباط ذاتي موجب بين الأخطاء عند مستوى المعنوية المحدد.

في المقابل، يمثل الحد الأعلى $d_U$ العتبة المنهجية التي يجب أن يتجاوزها الإحصاء المحسوب لكي يتمكن الباحث من قبول الفرضية الصفرية والاطمئنان التام إلى استقلالية البواقي وخلوها من الاعتمادية التسلسلية. إن العلاقة الرياضية بين $d_L$ و $d_U$ تتسم دائماً بكون $d_L < d_U$ لنفس الزوج المجدول ($n, k'$). وتتشكل بين هذين الحدين فجوة إحصائية رياضية تُعرف بالمنطقة غير الحاسمة.

من الملاحظات الهامة في السلوك الرقمي لهذه الجداول أن الفارق العددي أو الفجوة الإحصائية ($d_U – d_L$) تكون واسعة نسبياً في العينات الصغيرة الحجم، مما يعكس درجة عدم التيقن المرتفعة الناتجة عن تباين مصفوفات التصميم الممكنة. ومع ذلك، مع نمو حجم العينة وتجاوزه للمئات، تضيق هذه الفجوة بصورة ملحوظة، وتتقارب قيمتا $d_L$ و $d_U$ صعوداً نحو القيمة 2، مما يقلص مساحة عدم الحسم ويزيد من حساسية الاختبار في الفصل بين الاستقلالية والارتباط.

3.3 تنظيم الجداول الإحصائية المعتمدة ونطاقاتها

تطورت الجداول الإحصائية لدوربين-واتسون منذ نشرها الأول لتغطي نطاقات واسعة تلبي الاحتياجات المتنوعة للبحوث المعاصرة. تغطي الجداول القياسية المحدثة أحجام عينات تبدأ من العينات الصغيرة جداً ذات الست ملاحظات ($n=6$)، وتتدرج بتفصيل نقطي حتى تصل إلى العينات الكبيرة التي تضم ألفي مشاهدة ($n=2000$) أو أكثر في الملاحق الإحصائية المتقدمة. وتنتظم أعمدة المتغيرات المستقلة رأسياً لتغطي عادة من $k’=1$ وصولاً إلى $k’=20$ متغيراً تفسيرياً.

تتوافر في المراجع الإحصائية المتخصصة نسخ موسعة ومفصلة من هذه الجداول تأخذ في الحسبان نماذج الانحدار المتعدد المعقدة، بما في ذلك النماذج التي تتضمن اتجاهات زمنية خطية (Linear Trends) أو حدوداً قطعية متعددة. ومن الضروري للباحث التمييز بدقة بين الجداول المصممة للاختبارات أحادية الذيل (One-tailed tests)، والتي تُستخدم عندما يكون لدى الباحث افتراض نظري مسبق باتجاه الارتباط الذاتي (كموجب فقط)، وبين جداول الاختبارات ثنائية الذيل (Two-tailed tests) التي تُعنى بفحص كلا الاحتمالين الموجب والسالب بالتزامن.

يتم تنظيم الجداول غالباً في صفحات منفصلة بحسب مستوى المعنوية $\alpha$؛ حيث تُخصص الجداول الأكثر شيوعاً للمستوى القياسي $\alpha = 0.05$، تليها جداول المستوى المتشدد $\alpha = 0.01$ والتي تستخدم عادة في الدراسات الدوائية العصبية والتجارب الإكلينيكية الصارمة التي تتطلب تقليل احتمالية الخطأ من النوع الأول إلى أدنى المستويات الممكنة.

4. منهجية قراءة واستخراج القيم من جدول دوربين-واتسون

4.1 خطوات تحديد الإحداثيات الصحيحة في الجدول

تتطلب عملية قراءة واستخراج القيم الحرجة من جدول دوربين-واتسون اتباع خطوات منهجية دقيقة لضمان عدم الوقوع في أخطاء التحديد المكاني التي قد تقود إلى قرارات إحصائية خاطئة تماماً. تبدأ الخطوة الأولى بالتحقق من حجم العينة الفعلي المستخدم في التحليل النهائي، وهو ما يُرمز له بـ $n$. ويجب الانتباه هنا إلى أن $n$ تمثل عدد المشاهدات التي دخلت بالفعل في حساب معادلة الانحدار بعد حذف القيم المفقودة (Listwise Deletion)، وليس إجمالي حجم العينة الخام المسجلة في الاستبيانات المبدئية.

تتمثل الخطوة الثانية في التحقق من عدد المتغيرات المستقلة ($k’$) في النموذج. وكما تم تأصيله سابقاً، يجب التأكد من مطابقة الرمز المعتمد في الجدول المستخدم؛ فإذا كان الجدول يعتمد $k’$ كعدد للمتغيرات التفسيرية باستثناء الحد الثابت، يُسقط الباحث المتغير التابع والحد الثابت من العد، ويكتفي بعدّ المتغيرات التنبؤية فقط. في الخطوة الثالثة، يختار الباحث الصفحة المطابقة لمستوى الدلالة المحدد سلفاً في بروتوكول البحث (على سبيل المثال، الجدول المقابل لمستوى $\alpha = 0.05$).

في الخطوة الرابعة، يحدد الباحث نقطة التقاطع الإحداثي بين الصف الأفقي المقابل لحجم العينة $n$ والعمود الرأسي المقابل لعدد المتغيرات $k’$. ينتج عن هذا التقاطع زوج مرتب من القيم يمثلان ($d_L, d_U$). يقوم الباحث بتوثيق هذين الرقمين بدقة متناهية (عادة حتى ثلاثة أو أربعة أرقام عشرية) في تقرير التحليل الإحصائي، ليمثلا المعيار المرجعي الذي سيتم على أساسه تقييم قيمة $d$ المحسوبة من برمجية التحليل.

4.2 التعامل مع العينات الواقعة بين القيم المجدولة

في العديد من الحالات التطبيقية، قد يكون حجم العينة الفعلي للبحث النفسي واقعاً بين قيمتين مجدولتين متتاليتين؛ كأن يكون حجم العينة $n=87$ بينما يقفز الجدول من $n=80$ إلى $n=90$. في مثل هذه الظروف، يمتلك الباحث ثلاثة خيارات منهجية معتمدة للتعامل مع هذا التباين الإحداثي بما يضمن النزاهة العلمية.

الخيار الأول والأكثر دقة من الناحية الحسابية اليدوية هو تطبيق أسلوب الاستكمال الداخلي الخطي (Linear Interpolation). وتتم هذه العملية عبر حساب معدل التغير النسبي في القيم الحرجة بين النقطتين المجدولين وتطبيقه تناسبياً على العينة المستهدفة باستخدام الصيغة الرياضية التالية:

$$d_{critical}(n) = d_1 + \frac{(n – n_1)}{(n_2 – n_1)} \cdot (d_2 – d_1)$$

حيث تمثل $n_1$ و $n_2$ الحجمين الأدنى والأعلى المتاحين في الجدول، وتمثل $d_1$ و $d_2$ القيم الحرجة المقابلة لهما على التوالي. أما الخيار الثاني فهو تبني النهج التحفظي (Conservative Approach)؛ ويتلخص في اختيار القيم الحرجة المقابلة لأقرب حجم عينة أدنى ($n_1$). يتميز هذا النهج بأنه يوسع من متطلبات إثبات الاستقلالية، مما يحمي الباحث من التسرع في ادعاء خلو البيانات من الارتباط الذاتي.

أما الخيار الثالث والمعتمد في البيئات البحثية المتقدمة فهو الاستغناء عن الجداول الورقية التقريبية والاستعانة بالخوارزميات الرقمية التكاملية المدمجة في البرمجيات الإحصائية (مثل خوارزمية إمهوف Imhof Algorithm)، والتي تقوم بحساب التوزيع الاحتمالي الدقيق والقيم الحرجة التراكمية الخاصة بمصفوفة التصميم المحددة للبيانات بصورة فورية وفائقة الدقة.

4.3 تحديد اتجاه الفرضية واستخدام القيم المتممة (4 – d)

صُممت الجداول الأصلية لدوربين-واتسون بشكل أساسي لاختبار فرضية عدم وجود ارتباط ذاتي موجب، مما يجعل القيم المباشرة المجدولة ($d_L, d_U$) مقتصرة على الجانب الأيسر من التوزيع المحصور بين الصفر و2. غير أن النماذج الإحصائية تتطلب في كثير من الأحيان فحص احتمالية وجود ارتباط ذاتي سالب، أو إجراء اختبار ثنائي الطرفين يتحقق من الاستقلالية التامة في كلا الاتجاهين في آن واحد.

ولتحقيق ذلك دون الحاجة إلى جداول إضافية، وظف الإحصائيون خاصية التماثل الهندسي الرياضي لتوزيع دوربين-واتسون حول المركز 2. يتم بناء الحدود الحرجة الخاصة بالجانب الأيمن للتوزيع (فحص الارتباط الذاتي السالب) عبر حساب القيم المتممة للقيمة 4 على النحو التالي:

• الحد الأدنى للارتباط الذاتي السالب: يُحسب بطرح الحد الأعلى الأصلي من 4، أي $(4 – d_U)$.
• الحد الأعلى للارتباط الذاتي السالب: يُحسب بطرح الحد الأدنى الأصلي من 4، أي $(4 – d_L)$.

من خلال دمج هذه القيم المتممة مع القيم الأصلية، يستطيع الباحث رسم “مسطرة القرار الإحصائي” الكاملة والممتدة من 0 إلى 4. تتشكل هذه المسطرة من خمس مناطق إحصائية محددة بدقة: منطقة رفض الفرضية لثبوت الارتباط الموجب، والمنطقة غير الحاسمة السفلى، ومنطقة القبول والاستقلالية المركزية، والمنطقة غير الحاسمة العليا، وأخيراً منطقة رفض الفرضية لثبوت الارتباط السالب.

5. مناطق اتخاذ القرار وتفسير درجات اختبار دوربين-واتسون

5.1 منطقة رفض الفرضية الصفرية ووجود ارتباط ذاتي موجب

تتحقق هذه المنطقة الإحصائية عندما يستقر إحصاء دوربين-واتسون المحسوب من نموذج الانحدار في المدى العددي الصارم المحصور بين الصفر والحد الحرج الأدنى المجدول:

$$0 < d < d_L$$

القرار المنهجي القاطع في هذه الحالة هو رفض الفرضية الصفرية ($H_0: \rho = 0$) وقبول الفرضية البديلة ($H_1: \rho > 0$)، مما يؤكد ثبوت وجود ارتباط تسلسلي إيجابي دال إحصائياً بين البواقي المتتالية عند مستوى المعنوية $\alpha$ المعتمد. يشير هذا التموضع إلى أن الخطأ العشوائي في الملاحظة الزمنية الحالية يميل بقوة إلى حمل نفس إشارة واتجاه الخطأ في الملاحظة الزمنية السابقة، مما يخلق نمطاً تموجياً متتالياً في مسار البواقي.

يترتب على الوقوع في هذه المنطقة تداعيات بالغة الخطورة على صلاحية النموذج؛ إذ تصبح مخرجات تحليل التباين (ANOVA) واختبارات المعنوية لمعاملات الانحدار ($t\text{-tests}$) مفرطة في التفاؤل ومضللة علمياً، نتيجة انكماش الأخطاء المعيارية المقدرة. في البحوث السلوكية، يتكرر هذا النمط كثيراً عند دراسة مقاييس الإرهاق أو التعلم عبر جلسات مكثفة دون إدخال متغيرات تفسيرية تعكس الأثر التراكمي للزمن، مما يستلزم تدخلاً إحصائياً عاجلاً لإعادة بناء النموذج قبل تعميم أي استنتاجات.

5.2 منطقة عدم الرفض (الاستقلالية التامة للبواقي)

تُمثل هذه المنطقة غاية الباحث الإحصائي ومؤشر الكفاءة الهيكلية للنموذج، وتتحقق هندسياً عندما تقع قيمة إحصاء الاختبار المحسوب $d$ في النطاق المركزي المتناظر المحصور بين الحد الحرج الأعلى والحد المتمم المقابل له:

$$d_U < d < 4 – d_U$$

في هذا النطاق، يكون القرار المنهجي هو عدم رفض الفرضية الصفرية، والاستنتاج الإحصائي بسلامة النموذج واستيفاء فرضية غاوس-ماركوف القائلة باستقلالية الأخطاء العشوائية تماماً وخلوها من الاعتمادية الذاتية المتسلسلة. يدل هذا الاستقرار على أن البواقي تمثل تقلبات بيضاء نقية تتوزع عشوائياً حول خط الانحدار دون أن تتأثر بذاكرة المشاهدات السابقة.

يضمن استقرار القيمة داخل هذا الحيز أن مقدرات المربعات الصغرى العادية تتمتع بكامل كفاءتها الإحصائية، وأن الأخطاء المعيارية، وفترات الثقة، ومستويات الدلالة الاحتمالية ($p\text{-values}$) تعكس الواقع التوزيعي للظاهرة النفسية بدقة متناهية. عند توثيق هذه النتيجة، يشير الباحث في تقريره إلى استيفاء فروض التشخيص واستقرار القدرة التنبؤية للنموذج المقترح.

5.3 المنطقة غير الحاسمة (Inconclusive Zone) وطرق تفسيرها

تعد المنطقة غير الحاسمة إحدى الخصائص الفريدة والمثيرة للجدل في اختبار دوربين-واتسون، وتنشأ نتيجة عجز الجدول عن توفير توزيع احتمالي مطلق بسبب أثر مصفوفة المتغيرات المستقلة. تتشكل هذه الحالة إحصائياً في منطقتين فرعيتين على مسطرة القرار:

• المنطقة غير الحاسمة السفلى: عندما يقع الإحصاء المحسوب بين الحدين الأدنى والأعلى ($d_L le d le d_U$).
• المنطقة غير الحاسمة العليا: عندما يقع الإحصاء المحسوب بين القيمتين المتممتين ($4 – d_U le d le 4 – d_L$).

يعني الوقوع في هذا الحيز أن البيانات المتاحة والأدوات المجدولة الكلاسيكية غير قادرة على تزويد الباحث بقرار إحصائي قاطع؛ فلا يمكن رفض الفرضية الصفرية بحزم لغياب الأدلة الكافية، وفي الوقت ذاته لا يمكن قبول استقلالية الأخطاء بأمان لتجاوز مستوى الشك الإحصائي المقبول. يعتمد الموقف الفعلي هنا على الطبيعة الهندسية الدقيقة لمصفوفة المتغيرات المستقلة للنموذج المجرى تحليله.

توصي المنهجيات الإحصائية الحديثة الباحث بعدم تجاهل هذه النتيجة أو اعتبارها دليلاً على الاستقلالية بمجرد تجاوز $d_L$. بل ينبغي عليه اتخاذ إجراءات تشخيصية مكملة، مثل إجراء اختبار بروش-غودفري الأكثر شمولاً، أو حساب القيمة الاحتمالية الدقيقة عبر خوارزميات المحاكاة الحاسوبية المتقدمة لفض حالة التعليق وتحديد الموقف بدقة متناهية.

5.4 منطقة الارتباط الذاتي السالب

تحدث هذه الحالة الإحصائية عندما يستقر إحصاء دوربين-واتسون في أقصى الطرف الأيمن لمسطرة التوزيع، وتحديداً في المجال المحصور بين الحد المتمم للحد الأدنى والرقم 4:

$$4 – d_L < d le 4$$

القرار الإحصائي الواجب اتخاذه هو رفض الفرضية الصفرية وثبوت وجود ارتباط ذاتي سالب دال إحصائياً ($rho < 0$) بين البواقي المتتابعة. يتجلى هذا النمط رياضياً في تناوب منتظم وسريع لإشارات الأخطاء، حيث يتبع الخطأ الموجب خطأ سالب بصورة تذبذبية حادة تشبه موجة سن المنشار الترددية.

تُعد ظاهرة الارتباط الذاتي السالب نادرة الحدوث نسبياً في الدراسات النفسية والسلوكية الطبيعية مقارنة بالارتباط الموجب. ومع ذلك، فإن ظهورها غالباً ما يمثل مؤشراً تشخيصياً على حدوث خطأ منهجي في معالجة البيانات الأولية؛ مثل اللجوء إلى إجراء التفريق الزائد (Over-differencing) للسلاسل الزمنية بهدف تثبيتها، أو إدخال تحويلات رياضية قسرية غير ملائمة على متغيرات القياس، أو نتيجة وجود آليات تصحيح ذاتي فائقة السرعة لدى المفحوصين بين المحاولات التجريبية المتتابعة.

6. الافتراضات الإحصائية وشروط تطبيق جدول دوربين-واتسون

6.1 الافتراضات المتعلقة ببنية النموذج الخطي

يتطلب التطبيق المنهجي السليم لجدول دوربين-واتسون استيفاء مجموعة محددة وصارمة من الافتراضات الهيكلية المتعلقة بصياغة النموذج الرياضي. يُعد الشرط الأول والأساسي هو ضرورة احتواء معادلة الانحدار على الحد الثابت (Intercept/Constant). لقد بُنيت الاشتقاقات الجبرية التي وضعها دوربين وواتسون لحساب قيم $d_L$ و $d_U$ على فرضية أن مجموع البواقي يساوي صفراً ($\sum e_t = 0$)، وهو شرط لا يتحقق رياضياً في طريقة المربعات الصغرى إلا بوجود الحد الثابت في المعادلة؛ وبالتالي فإن تطبيق الجدول على نماذج الانحدار المارة بنقطة الأصل (Regression through the origin) يُعد خطأً منهجياً يفسد صحة المقارنة المجدولة.

الشرط الثاني يتمثل في خطية العلاقة المعلمية بين المتغير التابع والمتغيرات المستقلة؛ إذ إن عدم ملائمة الشكل الدالي للنموذج (كاستخدام علاقة خطية لتمثيل علاقة لوغاريتمية أو أسية) يؤدي إلى ترك أنماط غير مفسرة في مصفوفة البواقي، مما يُظهر ارتباطاً ذاتياً زائفاً في اختبار دوربين-واتسون لا يعبر عن طبيعة الأخطاء الحقيقية بل عن قصور في التخصيص الدالي للنموذج.

الشرط الثالث والأكثر حساسية هو حظر وجود متغير تابع متباطئ (Lagged Dependent Variable) كمتغير مفسر مستقل داخل المعادلة (مثل إدراج استجابة الاكتئاب في الفترة $t-1$ للتنبؤ بالاستجابة في الفترة $t$). عند انتهاك هذا الشرط، ينحاز إحصاء دوربين-واتسون انحيازاً شديداً نحو القيمة 2، مما يجعل الاختبار عاجزاً تماماً عن كشف الارتباط الذاتي الفعلي ويعطي نتائج مضللة تشير إلى الاستقلالية الزائفة.

6.2 الافتراضات المتعلقة بطبيعة مصفوفة البيانات والأخطاء

إلى جانب الشروط الهيكلية، هناك افتراضات متصلة بخصائص البيانات التوزيعية وسلسلة المشاهدات. يفترض الاختبار أن الأخطاء العشوائية الحقيقية تتبع توزيعاً طبيعياً بمتوسط صفري وتباين ثابت ومحدد ($\varepsilon_t \sim N(0, \sigma^2)$). وعلى الرغم من أن إحصاء الاختبار يتمتع بقدر من المتانة حيال الانحرافات الطفيفة عن التوزيع الطبيعي، إلا أن الالتواء الشديد في توزيع البواقي يؤثر سلباً على دقة المستويات الاحتمالية المستخرجة من الجداول.

كما يفترض الجدول ترتيباً تسلسلياً زمنياً أو منطقياً صارماً للمشاهدات، بحيث تمثل كل ملاحظة فترة متصلة ومتساوية الأبعاد الزمنية مع المشاهدات المجاورة. ويشترط هذا الترتيب خلو السلسلة تماماً من القيم المفقودة (Missing Data)؛ إذ إن حذف ملاحظة من منتصف السلسلة يكسر الاتصال التسلسلي بين البواقي المتجاورة ويجعل حساب الفرق $(e_t – e_{t-1})$ عند تلك النقطة غير ذي معنى رياضي، مما يشوه قيمة الإحصاء الكلي مقارنة بالقيم المجدولة المعتمدة على سلاسل مكتملة.

وأخيراً، يقتصر التصميم الرياضي للاختبار على الكشف الحصري عن الارتباط الذاتي من الدرجة الأولى AR(1). وهذا يعني أن الاختبار يفحص فقط تأثير الخطأ المباشر السابق $e_{t-1}$ على الخطأ الحالي $e_t$، ويفترض انعدام أي علاقات تبعية ذات رتب عليا ممتدة عبر فترات زمنية أطول.

6.3 حدود ومحاذير الاعتماد الحصري على الجدول

على الرغم من المكانة التاريخية والانتشار الواسع لجدول دوربين-واتسون، فإن هناك حدوداً منهجية واضحة تستلزم الحذر الشديد من الاعتماد الحصري عليه في التشخيص الإحصائي للبيانات النفسية المعاصرة. يبرز في مقدمة هذه المحاذير عدم قدرة الاختبار والجدول على رصد أنماط الارتباط الذاتي الناتجة عن عمليات ذات رتب عليا، مثل الارتباط من الدرجة الثانية AR(2) أو الارتباط الموسمي AR(4) أو نماذج المتوسطات المتحركة (Moving Average – MA)، والتي تتكرر بكثرة في السلاسل الزمنية للتقلبات المزاجية الفصلية أو السلوكية الأسبوعية.

بالإضافة إلى ذلك، يتسم إحصاء دوربين-واتسون بحساسية مفرطة حيال وجود القيم المتطرفة (Outliers) والانقطاعات الهيكلية في البيانات؛ حيث يمكن لمشاهدة شاذة واحدة ذات باقٍ ضخم أن تغير قيمة البسط الجبري تغييراً جذرياً، مما يدفع بالإحصاء إلى خارج نطاق الاستقلالية ويقود الباحث إلى استنتاج خاطئ بوجود ارتباط ذاتي هيكلي.

كما يحظر تماماً تطبيق جدول دوربين-واتسون على نماذج الانحدار غير الخطي المتقدمة، ونماذج الانحدار اللوجستي (Logistic Regression)، ونماذج الانحدار ذات المتغيرات التابعة المحدودة؛ نظراً لاختلاف دالة الإمكان وتوزيع البواقي في تلك النماذج عن افتراضات التوزيع الطبيعي المتصل التي بُني عليها الجدول، مما يفرض استخدام أدوات متخصصة بديلة.

7. تطبيقات جدول دوربين-واتسون في البحوث النفسية والسلوكية

7.1 التطبيقات في التصاميم التجريبية ذات القياسات المتكررة

تعتبر التصاميم التجريبية القائمة على القياسات المتكررة ضمن المفحوص الواحد (Within-Subject Designs) بيئة خصبة لتطبيق جدول دوربين-واتسون. في التجارب السلوكية التي تتضمن خضوع المشارك لبروتوكول علاجي معرفي عبر جلسات أسبوعية متتابعة، يتم رصد معدلات التغير في شدة الأعراض، مما يولد سلسلة من الاستجابات المتتالية التي تخضع للتحليل عبر نماذج الانحدار الخطي للتحقق من منحنى التحسن العلاجي عبر الزمن.

في مثل هذه السياقات، يُعد فحص بواقي الانحدار باستخدام جدول دوربين-واتسون أداة حاسمة للتحقق من تلاشي “أثر الاستمرار” أو التحيز الناشئ عن الترتيب التجريبي. فعندما يدرس الباحث أزمنة الرجع (Reaction Times) أو الانتباه المستمر عبر مئات المحاولات الحسية المتتالية، قد يؤدي إجهاد المشارك أو اكتسابه لمهارة استباقية إلى نشوء ارتباط تسلسلي موجب بين أخطاء المحاولات المتعاقبة.

إن استخراج القيمة الحرجة من الجدول وتأكيد وقوع إحصاء $d$ في منطقة الاستقلالية يمنح الباحث دليلاً قاطعاً على أن التحسن الملحوظ في الأداء يعود فعلياً إلى التدخل التجريبي المستقل، وليس مجرد وهم ناتج عن ترابط الأخطاء العشوائية أو انحياز القياس المتكرر، مما يعزز الصدق التجريبي للنتائج المنشورة.

7.2 التطبيقات في الدراسات الطولية وسلاسل الوقت النفسية

شهدت البحوث النفسية الحديثة طفرة كبرى في استخدام منهجيات التقييم اللحظي البيئي (Ecological Momentary Assessment – EMA) وسلاسل الوقت المكثفة، حيث يقوم الأفراد بالإبلاغ عن مشاعرهم، ومستويات توترهم، وأعراضهم السلوكية عدة مرات يومياً عبر تطبيقات الهواتف الذكية. تتيح هذه البيانات الغنية دراسة ديناميكيات التفاعل النفسي اللحظي بدقة متناهية.

عند بناء نماذج انحدار لتتبع مسارات القلق والاكتئاب بناءً على أحداث الحياة اليومية الضاغطة، تظهر مشكلة الارتباط الذاتي كأمر طبيعي وملازم للظاهرة النفسية المقاسة؛ فالإنسان بطبيعته يحمل رواسب حالته الانفعالية من ساعة إلى أخرى. هنا يلعب جدول دوربين-واتسون دور المصفاة المنهجية التي تمكن الباحث من تقييم ما إذا كان نموذج الانحدار المقترح قد نجح في استيعاب هذه الاستمرارية النفسية عبر المتغيرات المستقلة المفسرة، أم أن البواقي لا تزال محملة باعتمادية زمنية غير مفسرة.

يساعد التحقق من قيم $d_L$ و $d_U$ في هذه السلاسل الطولية على ضبط نماذج النمو النمائي لدى الأطفال واليافعين، وضمان أن استنتاجات التطور المعرفي لا تتأثر بالتبعية الزمنية بين نقاط الملاحظة المتباعدة على فترات دورية، مما يوفر تقييماً صادقاً لمعدلات التغير الحقيقي.

7.3 التطبيقات في القياس السيكومتري وبناء المقاييس

يمتد الاستخدام المنهجي لجدول دوربين-واتسون إلى مجال السيكومتركس وبناء أدوات القياس النفسي المقننة. عند تطبيق استبيانات طويلة تتضمن عشرات البنود المرتبة بصورة متدرجة أو متتابعة لقياس سمات الشخصية، قد يتعرض المفحوص لظاهرة “الأثر التراكمي للسياق” (Context Effect)، حيث يتأثر فهم واستجابة المفردة الحالية بالسياق الدلالي أو الانفعالي الذي خلفته المفردة السابقة مباشرة.

من خلال ترتيب بواقي استجابات البنود وفق تسلسلها في كراسة الاختبار، يمكن للباحث توظيف إحصاء وجدول دوربين-واتسون للتحقق من استقلالية بواقي منحنيات استجابة المفردة الاختبارية (Item Response Functions). إن اكتشاف ارتباط ذاتي موجب بين بواقي البنود المتتالية يكشف عن وجود تحيز ترتيبي في صياغة الاختبار، مما يوجه مصممي المقاييس إلى ضرورة إعادة ترتيب الفقرات أو عشوائيتها لكسر الاعتمادية السياقية بين الأسئلة المتجاورة.

كما يسهم هذا التشخيص في دعم مؤشرات الصدق البنائي (Construct Validity) للبطاريات السيكومترية المتقدمة؛ حيث يؤكد خلو البواقي من الارتباط الذاتي أن التباين المشترك بين البنود يعكس السمة النفسية الكامنة المقاسة حصرياً، ولا يرجع إلى تأثيرات موضعية غير مرغوبة في تصميم أداة القياس.

8. مقارنة جدول دوربين-واتسون بالاختبارات الإحصائية البديلة

8.1 مقارنة مع اختبار بروش-غودفري (Breusch-Godfrey LM Test)

يُمثل اختبار بروش-غودفري (Breusch-Godfrey Test)، والمعتمد على مبدأ مضاعف لاغرانج (Lagrange Multiplier – LM)، البديل المنهجي الأكثر شمولاً وقوة لاختبار وجدول دوربين-واتسون. يكمن الفارق الجوهري الأول بين الأداتين في مرونة النمذجة؛ حيث يتفوق اختبار بروش-غودفري بقدرته الكاملة على تقييم نماذج الانحدار التي تتضمن متغيرات تابعة متباطئة ($Y_{t-1}$)، وهي الحالة التي يعجز فيها جدول دوربين-واتسون تماماً وينحاز بشكل مضلل.

الفارق الجوهري الثاني يتعلق برتب الارتباط؛ فبينما يقتصر جدول دوربين-واتسون على فحص الارتباط من الدرجة الأولى AR(1)، يستطيع اختبار LM فحص مصفوفة أخطاء ممتدة تشمل عمليات الارتباط الذاتي من الرتب العليا AR(p) وعمليات المتوسطات المتحركة MA(q) بصورة متزامنة، وهو ما يلبي متطلبات النمذجة النفسية الأكثر تعقيداً.

ومع ذلك، يحتفظ جدول دوربين-واتسون بميزة استثنائية تتمثل في سهولة تطبيقه الفوري ووضوحه البصري والحسابي الذي لا يتطلب بناء انحدارات مساعدة (Auxiliary Regressions) معقدة، فضلاً عن تمتعه بقوة إحصائية ممتازة في العينات الصغيرة والمتوسطة المستوفية للشروط الكلاسيكية، مما يجعله خط الدفاع التشخيصي الأول في معظم التحليلات المعلمية الأولية.

8.2 مقارنة مع اختبار دوربين h (Durbin’s h-Test)

لمعالجة القصور البنيوي لجدول دوربين-واتسون الكلاسيكي عند التعامل مع النماذج ذات الانحدار الذاتي التي تتضمن قيماً متباطئة للمتغير التابع، طوّر جيمس دوربين نفسه اختباراً بديلاً يُعرف باختبار دوربين h. يقوم هذا الاختبار بحساب إحصاء معياري معدل يُرمز له بالرمز $h$، ويُصاغ رياضياً على النحو التالي:

$$h = \hat{\rho} \sqrt{\frac{n}{1 – n \cdot \widehat{\text{Var}}(\hat{\beta}_1)}}$$

حيث تمثل $\widehat{\text{Var}}(\hat{\beta}_1)$ التباين المقدر لمعامل المتغير التابع المتباطئ في معادلة الانحدار. يتميز هذا الاختبار بأنه لا يحتاج إلى جداول مزدوجة معقدة للقيم الدنيا والعليا، بل يتبع في العينات الكبيرة التوزيع الطبيعي المعياري القياسي ($Z\text{-distribution}$)، مما يتيح اتخاذ قرارات حاسمة ومباشرة دون الوقوع في مناطق عدم الحسم التي تميز جدول دوربين-واتسون الأصلي.

غير أن نقطة الضعف الرياضية القاتلة في اختبار دوربين $h$ تكمن في احتمالية فشله الحسابي التام؛ وذلك عندما يتجاوز حاصل ضرب حجم العينة في تباين المعامل المقدر الرقم واحد ($n \cdot \widehat{\text{Var}}(\hat{\beta}_1) ge 1$). في هذه الحالة، يصبح المقدار الواقع تحت الجذر التربيعي سالباً، مما يجعل حساب الإحصاء مستحيلاً رياضياً في الأعداد الحقيقية، وهو مأزق يتفاداه الباحثون المعاصرون باللجوء المباشر لاختبار بروش-غودفري أو استخدام الجداول الأصلية في النماذج الخالية من الإبطاء الذاتي.

8.3 مقارنة مع اختبار ليونغ-بوكس (Ljung-Box Q-Test)

يُعد اختبار ليونغ-بوكس (Ljung-Box Q Test) أداة تشخيصية مركزية في تحليل السلاسل الزمنية، وتحديداً في مراحل نمذجة أريما (ARIMA) ونماذج الفضاء الإحصائي المتغير. يختلف اختبار $Q$ اختلافاً فلسفياً ومنهجياً عن جدول دوربين-واتسون؛ فهو اختبار تجميعي كلي (Portmanteau Test) يفحص ما إذا كانت مجموعة كاملة من معاملات الارتباط الذاتي للبواقي عند فترات إبطاء متعددة ($m$) تختلف مجتمعة عن الصفر، استناداً إلى الصيغة:

$$Q = n(n+2) \sum_{k=1}^{m} \frac{\hat{\rho}_k^2}{n-k}$$

تتم مقارنة إحصاء $Q$ مباشرة بتوزيع كاي-تربيع ($\chi^2$) عند درجات حرية تساوي عدد فترات الإبطاء المفحوصة، مما يلغي تماماً الحاجة للجداول ذات الحدود المزدوجة. في حين يركز جدول دوربين-واتسون بشكل جراحي ودقيق على الدرجة الأولى فقط داخل بيئة انحدار المربعات الصغرى العادية (OLS)، يُستخدم اختبار ليونغ-بوكس لتقييم كفاية النماذج الزمنية المتقدمة واستيعابها لكامل البنية العشوائية للسلسلة النفسية المدروسة.

يوضح الجدول التحليلي التالي مقارنة مقارنة متكاملة بين هذه الاختبارات الإحصائية الأربعة:

وجه المقارنة	جدول دوربين-واتسون (DW)	اختبار بروش-غودفري (LM)	اختبار دوربين h	اختبار ليونغ-بوكس (Q)
رتبة الارتباط المفحوصة	الدرجة الأولى AR(1) فقط	رتب عليا متعددة AR(p) و MA(q)	الدرجة الأولى AR(1) فقط	تجميعي شامل لعدة إبطاءات
المتغير التابع المتباطئ	غير مسموح به (يعطي نتائج مضللة)	مسموح به وفعال تماماً	مصمم خصيصاً للتعامل معه	مسموح به ضمن نماذج السلاسل
طبيعة مرجع القرار	جدول قيم حرجة مزدوجة ($d_L, d_U$)	توزيع كاي-تربيع ($\chi^2$) أو F	التوزيع الطبيعي المعياري (Z)	توزيع كاي-تربيع ($\chi^2$)
وجود منطقة غير حاسمة	نعم (بين $d_L$ و $d_U$)	لا (حسم احتمالي قطعي $p\text{-value}$)	لا (حسم معياري قطعي)	لا (حسم احتمالي قطعي)

9. استراتيجيات معالجة الارتباط الذاتي والمنطقة غير الحاسمة

9.1 الحلول المنهجية عند الوقوع في المنطقة غير الحاسمة

عندما تقع قيمة إحصاء الاختبار المحسوبة داخل النطاق الرمادي غير الحاسم لجدول دوربين-واتسون ($d_L le d le d_U$)، ينبغي على الباحث تجنب اتخاذ قرارات متسرعة والالتزام بمسار إجرائي منهجي رصين. يتمثل الحل الأول في اللجوء إلى طريقة إمهوف التكاملية (Imhof Numerical Integration) أو محاكاة مونت كارلو الدقيقة لحساب القيمة الاحتمالية ($p\text{-value}$) المحددة لمصفوفة النموذج الفعلية، وهو إجراء متاح بسهولة في حزم لغة R و Python ويفصل نهائياً في الدلالة الإحصائية.

الخيار المنهجي الثاني، في حال تعذر الحساب الرقمي المتقدم، هو تبني القرار المحافظ (Conservative Decision Rule) بناءً على طبيعة المخاطر النظرية للبحث النفسي؛ فإذا كان البحث إكلينيكياً أو دوائياً يترتب عليه اتخاذ قرارات علاجية حساسة، يُفضل افتراض وجود الارتباط الذاتي وتطبيق إجراءات التصحيح الاحترازي لحماية التقديرات من التضخيم الزائف.

أما الخيار الثالث فيتمثل في توسيع حجم العينة السلوكية إن أمكن ذلك عملياً؛ حيث يؤدي جمع بيانات إضافية مستوفية للشروط إلى زيادة قيمة $n$، مما يقلص الفجوة المجدولة بين $d_L$ و $d_U$ في الجدول، ويدفع بالإحصاء المحسوب إلى الخروج من المنطقة المعلقة نحو إحدى مناطق الحسم القطعي.

9.2 التحويلات الرياضية وطرق إعادة التقدير

في حالة ثبوت الارتباط الذاتي عبر تجاوز العتبات الحرجة للجدول، يفقد نموذج المربعات الصغرى العادية كفاءته، مما يفرض الانتقال إلى نماذج المربعات الصغرى المعممة (Generalized Least Squares – GLS) عبر تطبيق تحويلات رياضية على متغيرات النموذج الأصلي. من أبرز هذه الإجراءات المنهجية:

• إجراء كوتشران-أوركوت (Cochran-Orcutt Procedure): وهو أسلوب تكراري تقديري يقوم على استخدام البواقي الأولية لتقدير معامل الارتباط الذاتي $\hat{\rho}$، ثم استخدامه في تحويل متغيرات المعادلة عبر صيغة المتغيرات شبه المفرقة ($Y_t^* = Y_t – \hat{\rho}Y_{t-1}$ و $X_t^* = X_t – \hat{\rho}X_{t-1}$)، وتكرار العملية حتى استقرار قيمة $\hat{\rho}$ ووصول إحصاء دوربين-واتسون في النموذج المحول إلى القيمة 2.
• طريقة برايس-وينستن (Prais-Winsten Transformation): وهي تطوير متقدم لطريقة كوتشران-أوركوت يتميز بالحفاظ على المشاهدة الأولى في السلسلة الزمنية عبر ضربها في المعامل المرجح $\sqrt{1 – \hat{\rho}^2}$ بدلاً من حذفها، مما يحمي كفاءة التقدير في العينات النفسية الصغيرة والمتوسطة.
• طريقة هيلدريث-لو (Hildreth-Lu Method): وتعتمد على البحث الشبكي الرياضي (Grid Search) لتجربة قيم متعددة لـ $rho$ محصورة بين -1 و +1 لاختيار القيمة التي تحقق أدنى مجموع لمربعات بواقي النموذج المحول.
• طريقة الفروق الأولى (First Differences): وتُطبق عندما يقترب معامل الارتباط الذاتي من الواحد الصحيح ($\rho \approx 1$)، حيث يتم طرح كل مشاهدة من المشاهدة التي تسبقها مباشرة ($Y_t – Y_{t-1}$)، وهي طريقة ممتازة لتثبيت السلاسل غير المستقرة.

9.3 استخدام الأخطاء المعيارية القوية للارتباط والتغاير (HAC)

بدلاً من إجراء تحويلات هيكلية على بنية المتغيرات الأصلية وتغيير التفسير المباشر لمعاملات الانحدار، يفضل العديد من الإحصائيين في القياس النفسي الحديث الإبقاء على تقديرات المربعات الصغرى الأصلية للمعالم ($\hat{\beta}$)، مع تطبيق تعديل رياضي مباشر على مصفوفة التباين والتغاير لتصحيح الأخطاء المعيارية. يُعرف هذا الأسلوب بتقدير الأخطاء المعيارية القوية المتسقة مع الارتباط الذاتي وثبات التباين (Heteroskedasticity and Autocorrelation Consistent – HAC)، والتي تُنسب للعالمين ويتني نيوي وكينيث وست (Newey-West Standard Errors).

تقوم مصفوفة نيوي-وست بتصحيح الأخطاء المعيارية عبر إدراج أوزان متناقصة لمعاملات التغاير الذاتي عبر فترات الإبطاء المتتالية، مما يضمن تقديراً حقيقياً وغير متحيز للخطأ المعياري دون المساس بقيم معاملات الانحدار المحسوبة. يتيح هذا الإجراء للباحث النفسي إعادة تقييم اختبارات الفرضيات ($t\text{-values}$) وفترات الثقة بثقة إحصائية كاملة، ويُعد الحل الأمثل عندما يكون الهدف هو التفسير المباشر لدرجات المقاييس الأصلية دون تشويهها بالتحويلات الجبرية المعقدة.

10. استخراج وتطبيق قيم دوربين-واتسون باستخدام البرمجيات الإحصائية

10.1 تطبيق واستخراج إحصاء دوربين-واتسون في حزمة SPSS

تُعد حزمة SPSS (Statistical Package for the Social Sciences) إحدى أكثر البيئات البرمجية استخداماً في كليات علم النفس ومراكز البحوث السلوكية. تتيح الحزمة استخراج إحصاء دوربين-واتسون كإجراء ملحق بتحليل الانحدار الخطي عبر اتباع المسار القياسي التالي:

• من القائمة العلوية يتم اختيار: Analyze > Regression > Linear
• نقل المتغير التابع إلى خانة Dependent والمتغيرات المستقلة إلى خانة Independent(s).
• النقر على زر Statistics من القائمة الجانبية.
• تفعيل خيار Durbin-Watson الموجود ضمن مجموعة خيارات تشخيص البواقي (Residuals).
• الضغط على Continue ثم OK لتنفيذ التحليل.

يظهر إحصاء الاختبار في جدول مخرجات التحليل الرئيسي المعنون بـ Model Summary في العمود الأخير تحت مسمى Durbin-Watson. من الأخطاء الشائعة بين الباحثين الاكتفاء بقراءة هذا الرقم والاعتماد على القاعدة غير الدقيقة بافتراض أن أي قيمة حول الرقم 2 مقبولة؛ بل يجب على الباحث فتح الملحق الإحصائي لجدول دوربين-واتسون، واستخراج قيمتي $d_L$ و $d_U$ المقابلتين لحجم عينته وعدد متغيراته، ومقارنة قيمة SPSS المخرجة بالحدود المجدولة لتوثيق القرار السليم وفق إرشادات جمعية علم النفس الأمريكية (APA).

تتم كتابة التوثيق المنهجي في تقرير APA بالصيغة القياسية التالية: “تم فحص استقلالية البواقي باستخدام اختبار دوربين-واتسون، وأظهرت النتائج أن إحصاء الاختبار المحسوب ($d = 1.89$) يقع بأمان في منطقة عدم الرفض أعلى من الحد الحرج الأعلى المجدول ($d_U = 1.65, n = 80, k’ = 3, \alpha = .05$)، مما يؤكد استيفاء فرضية استقلالية الأخطاء وصلاحية نموذج الانحدار الخطي.”

10.2 حساب واختبار دوربين-واتسون في بيئة R البرمجية

توفر بيئة لغة R الإحصائية إمكانات متقدمة وفائقة المرونة في حساب وتفسير اختبار دوربين-واتسون ومقارنته بالقيم النظرية الدقيقة. يتم ذلك بصورة رئيسية عبر حزمتين برمجيتين رائدتين هما حزمة lmtest وحزمة car. تتيح دالة dwtest المضمنة في حزمة lmtest إجراء الاختبار الكلاسيكي مع حساب القيمة الاحتمالية الدقيقة عبر خوارزمية بان (Pan’s procedure) أو تكامل إمهوف، مما يغني الباحث عن استخدام الجداول التقريبية عند الرغبة في الدقة المطلقة.

فيما تتيح دالة durbinWatsonTest المضمنة في حزمة car إمكانية إجراء محاكاة البوتستراب (Bootstrapping) لحساب التوزيع التجريبي للبواقي، وهو خيار بالغ الأهمية للباحثين النفسيين عند التعامل مع بيانات سلوكية تنحرف بشكل ملحوظ عن التوزيع الطبيعي. كما تتيح برمجة R بناء دوال متخصصة ترسم أوتوماتيكياً مسطرة القرار الإحصائي وتوضح موضع إحصاء العينة بالنسبة للحدود المجدولة ($d_L, d_U, 4-d_U, 4-d_L$) بدقة بصرية متناهية تدعم التقارير العلمية المحكمة.

10.3 تحليل الارتباط الذاتي للبواقي باستخدام لغة بايثون (Python)

مع تنامي استخدام لغة Python في مجالات القياس النفسي الحسابي (Computational Psychometrics) وتحليل البيانات السلوكية الضخمة، أصبحت مكتبة statsmodels الركيزة الأساسية لتنفيذ اختبار دوربين-واتسون. توفر الدالة durbin_watson المتواجدة داخل وحدة statsmodels.stats.stattools إمكانية التمرير المباشر لمتجه بواقي النموذج المقدر لحساب الإحصاء $d$ بصورة فورية.

يستطيع المحلل في بايثون أتمتة عملية مطابقة النتائج بالقيم المجدولة عبر تخزين جداول دوربين-واتسون المرجعية في هيئة هياكل بيانات (Pandas DataFrames)، وكتابة خوارزميات منطقية تقوم بمقارنة الإحصاء المحسوب بالحدين $d_L$ و $d_U$ المستخرجين آلياً بحسب أبعاد مصفوفة البيانات، وطباعة تشخيص فوري لموقع النتيجة الإحصائية. يتكامل هذا التحليل الحسابي مع وظائف التمثيل البياني المتاحة في مكتبتي matplotlib و seaborn لرسم مخطط التشتت التسلسلي للبواقي مقابل الزمن، وتوفير فحص بصري مدعم للتحقق من خلو السلسلة من أي تموجات أو تقلبات انتظامية شاذة.

11. دراسات حالة وتطبيقات عددية في بحوث علم النفس

11.1 دراسة تطبيقية 1: نمذجة مستويات التوتر والانتباه عبر جلسات متتالية

أجرى فريق من باحثي علم النفس المعرفي دراسة تجريبية تتبعية لفحص تأثير كل من مستويات التوتر الفسيولوجي (المقاس عبر تقلب معدل ضربات القلب) وجودة النوم المسجلة (بالساعات) على زمن الاستجابة والانتباه المستمر لدى عينة من المتطوعين عبر 45 جلسة اختبارية يومية متتالية ($n = 45$). يشتمل النموذج على متغيرين تفسيريين مستقلين ($k’ = 2$) بالإضافة إلى الحد الثابت.

قام الفريق بصياغة الفرضية الصفرية القائلة باستقلالية أخطاء القياس عبر الأيام المتتالية عند مستوى دلالة $\alpha = 0.05$. بالرجوع إلى جدول دوربين-واتسون الإحصائي عند الإحداثيات ($n = 45, k’ = 2, \alpha = 0.05$)، تم استخراج القيم الحرجة المرجعية بدقة متناهية:

• الحد الحرج الأدنى ($d_L$): 1.430
• الحد الحرج الأعلى ($d_U$): 1.615
• الحد المتمم للأعلى ($4 – d_U$): 2.385
• الحد المتمم للأدنى ($4 – d_L$): 2.570

عند تقدير نموذج الانحدار الخطي العادي على مصفوفة البيانات السلوكية، نتجت بواقي النموذج، وتم حساب إحصاء الاختبار المحسوب وبلغت قيمته الفعلية $d = 1.782$. بمقارنة هذا الإحصاء بالمسطرة المجدولة، يتضح جلياً وقوع القيمة في النطاق المركزي للاستقلالية:

$$1.615 < 1.782 < 2.385 \quad (d_U < d < 4 – d_U)$$

القرار المنهجي المتخذ هو عدم رفض الفرضية الصفرية، وتأكيد خلو أخطاء نموذج التنبؤ بالانتباه من الارتباط الذاتي من الدرجة الأولى. يعطي هذا الاستنتاج موثوقية عالية لمعاملات الانحدار المقدرة، ويؤكد أن نموذج القياس لم يتأثر بتراكم الإجهاد اليومي بين الجلسات بصورة مشوهة للاستدلال الإحصائي.

11.2 دراسة تطبيقية 2: تقييم التدخل العلاجي المعرفي السلوكي (CBT)

في دراسة طولية سريرية تهدف إلى تقييم ديناميكيات التحسن في أعراض اضطراب القلق العام لدى مجموعة من المرضى الخاضعين لبرنامج علاج معرفي سلوكي مكثف، تم تتبع درجات القلق الأسبوعية على مقياس بيك عبر 60 أسبوعاً متتالياً ($n = 60$). تضمن نموذج الانحدار ثلاثة متغيرات تفسيرية ($k’ = 3$): عدد الواجبات السلوكية المنجزة، ومستوى الدعم الأسري، والدرجة المعيارية للتحالف العلاجي.

بالرجوع إلى جدول دوربين-واتسون المرجعي عند مستوى معنوية $\alpha = 0.05$ والمحددات ($n = 60, k’ = 3$)، تم استخراج القيم الحرجة التالية: $d_L = 1.480$ و $d_U = 1.689$. بعد إجراء التحليل الإحصائي الأولي، أظهرت مخرجات البرنامج أن إحصاء دوربين-واتسون الفعلي للنموذج بلغ $d = 1.542$.

كشفت المقارنة بالجدول عن وقوع إحصاء العينة بدقة داخل المنطقة غير الحاسمة السفلى ($1.480 le 1.542 le 1.689$). ونظراً لخطورة النتائج العيادية، قرر الفريق عدم الاكتفاء بالنتيجة المعلقة وتطبيق إجراء برايس-وينستن (Prais-Winsten) لإعادة تقدير النموذج وتصحيح التبعية المتسلسلة الكامنة. أدت إعادة التقدير إلى ضبط الأخطاء المعيارية لمعامل التحالف العلاجي، وارتفع إحصاء دوربين-واتسون للنموذج المصحح إلى $d = 1.961$، مما ضمن استقرار الصدق الاستدلالي للنتائج العلاجية المنشورة.

11.3 دراسة تطبيقية 3: استجابات الأداء المعرفي تحت ظروف الحرمان من النوم

في دراسة شبه تجريبية في علم النفس العصبي، تم فحص سرعة المعالجة الذهنية عبر اختبارات الأداء المتواصل لشخص خضع لحرمان تدريجي من النوم تم قياسه على مدار 30 فترة زمنية متساوية ($n = 30$) مع اعتماد متغير مستقل وحيد هو عدد ساعات الاستيقاظ المتواصل ($k’ = 1$). ونظراً للطبيعة الفسيولوجية الحساسة، رفع الباحثون درجة التشدد الإحصائي واعتمدوا مستوى معنوية $\alpha = 0.01$.

بالكشف في جدول دوربين-واتسون عند مستوى الدلالة الصارم $\alpha = 0.01$ والمحددات ($n = 30, k’ = 1$)، كانت القيم الحرجة المجدولة هي: $d_L = 1.143$ و $d_U = 1.284$. أظهر تحليل الانحدار الخطي البسيط أن إحصاء دوربين-واتسون المحسوب بلغ $d = 0.812$.

توضح المقارنة الإحصائية المباشرة وقوع الإحصاء في منطقة الرفض القطعية للفرضية الصفرية تحت الحد الأدنى ($0.812 < 1.143$). هذا الانخفاض الحاد أثبت وجود ارتباط تسلسلي إيجابي قوي جداً ($\hat{\rho} \approx 0.59$) بين البواقي، ناتج عن التدهور البيولوجي التراكمي في كفاءة النواقل العصبية والانتباه مع مرور ساعات الاستيقاظ. استجاب الباحثون لهذه النتيجة بإعادة صياغة النموذج عبر إدخال حد تربيعي لمتغير الزمن ومتغير متباطئ، مما استوعب التأثير التراكمي ورفع إحصاء $d$ إلى نطاق الاستقلالية المقبول.

12. إرشادات عملية وخلاصة منهجية للباحثين

12.1 دليل إرشادي خطوة بخطوة للتحقق من استقلالية البواقي

لتحقيق أعلى معايير الجودة الإحصائية والمنهجية في البحوث النفسية والتربوية، يُوصى الباحثون باتباع بروتوكول متكامل للتحقق من استقلالية البواقي يتألف من الخطوات التالية:

1. الفحص القبلي لبنية التصميم: التأكد من أن المشاهدات تشكل متوالية زمنية أو منطقية ذات فترات قياس متساوية، وخلو مصفوفة البيانات من الفجوات أو القيم المفقودة المؤثرة على التتابع.
2. تقدير النموذج الخطي الأولي: بناء معادلة الانحدار مع التحقق الصارم من إدراج الحد الثابت وخطية العلاقات المفترضة.
3. استخراج وتوليد البواقي: استخراج مصفوفة البواقي العادية ($e_t$) وحساب إحصاء دوربين-واتسون المحسوب ($d$) عبر البرمجية الإحصائية المعتمدة.
4. تحديد إحداثيات الجدول المرجعي بدقة: تحديد حجم العينة الفعلي المستخدم ($n$)، وعدد المتغيرات التفسيرية الحقيقية باستثناء الثابت ($k’$)، ومستوى المعنوية المستهدف ($\alpha = 0.05$ أو $0.01$).
5. استخراج زوج القيم الحرجة ($d_L, d_U$): من الجداول القياسية المعتمدة وتطبيق الاستكمال الخطي إذا كان حجم العينة واقعاً بين قيمتين مجدولتين.
6. بناء مسطرة اتخاذ القرار الكاملة: حساب القيم المتممة ($4 – d_U$) و ($4 – d_L$) لتحديد النطاقات الإحصائية الخمسة.
7. إسقاط الإحصاء المحسوب واتخاذ القرار: تحديد موقع $d$ بدقة، والتوجه فوراً نحو تطبيق البدائل المنهجية المناسبة (مثل تصحيحات نيوي-وست أو نماذج GLS) في حال الوقوع في مناطق الرفض أو عدم الحسم.
8. التوثيق المنهجي الأكاديمي: كتابة فقرة مفصلة في تقرير البحث تبرز جميع القيم المستخرجة والمحسوبة وفق أسلوب APA.

12.2 الأخطاء الشائعة في استخدام وتفسير جدول دوربين-واتسون

تكشف المراجعات المنهجية للدراسات المنشورة في العلوم الاجتماعية والسلوكية عن مجموعة من الأخطاء المتكررة التي يقع فيها الباحثون عند التعامل مع جدول واختبار دوربين-واتسون. من أكثر هذه الأخطاء شيوعاً الخلط في عد المتغيرات التفسيرية ($k’$)؛ حيث يقوم بعض الباحثين بعدّ المتغير التابع أو احتساب الحد الثابت ضمن قيمة $k’$، مما يؤدي إلى استخراج قيم حرجة غير صحيحة من الجدول وتشويه حدود اتخاذ القرار.

الخطأ الثاني هو الاعتماد الأعمى على القواعد التقريبية الساذجة (مثل افتراض أن أي قيمة محصورة بين 1.5 و 2.5 تعني الاستقلالية دائماً) دون الرجوع الفعلي إلى الجدول الإحصائي. هذه الممارسة غير العلمية قد تقود إلى قبول نماذج تعاني من ارتباط ذاتي حقيقي، خاصة في العينات الصغيرة التي يتسع فيها نطاق $d_U$ بصورة ملحوظة.

الخطأ الثالث يتمثل في تطبيق الاختبار والجدول على نماذج الانحدار التي تتضمن متغيراً تابعاً متباطئاً كمتغير مستقل، مما يعطي إحصاءات زائفة تقترب من 2 وتخفي وجود الارتباط الذاتي الفعلي. أما الخطأ الرابع فهو تطبيق جدول دوربين-واتسون على بيانات مقطعية نقية (Cross-sectional Data) جُمعت في نقطة زمنية واحدة ورُتبت أبجدياً أو عشوائياً، وهو إجراء عديم الجدوى المنهجية لأن مفهوم الارتباط التسلسلي لا يستقيم إلا مع وجود ترتيب فيزيائي أو منطقي تتابعي بين الملاحظات.

12.3 الخلاصة والآفاق المستقبلية في التشخيص الإحصائي للبيانات النفسية

يظل جدول دوربين-واتسون، على الرغم من مرور أكثر من سبعة عقود على ابتكاره، حجر زاوية كلاسيكي وشاهداً عبقرياً على تطور المنهجية الإحصائية في معالجة مشكلات عدم التيقن التوزيعي. إن فهم واستخدام هذا الجدول يمثل خطوة تأسيسية لا غنى عنها لأي باحث يسعى إلى ترسيخ الرصانة الاستدلالية لنماذجه السلوكية والنفسية، وحماية استنتاجاته من عواقب الارتباط الذاتي التضليلي.

ومع التقدم الهائل في القياس النفسي الرقمي والقدرات الحسابية المعاصرة، يشهد المستقبل الإحصائي تكاملاً سلساً بين الجداول المرجعية الكلاسيكية والخوارزميات البرمجية الدقيقة المبنية على المحاكاة واختبارات الرتب العليا ونماذج الفضاء الإحصائي المتغير. إن الوعي المنهجي العميق بشروط وحدود جدول دوربين-واتسون يضمن للباحثين توظيف هذه الأدوات التشخيصية بكفاءة واقتدار، مما يسهم في تعزيز حركة العلم النفسي القابل للتكرار والتعميم لخدمة المعرفة الإنسانية والممارسة التطبيقية الرشيدة.

المراجع (References)

• Breusch, T. S. (1978). Testing for autocorrelation in dynamic linear models. Australian Economic Papers, 17(31), 334–355. https://doi.org/10.1111/j.1467-8454.1978.tb00635.x
• Cochrane, D., & Orcutt, G. H. (1949). Application of least squares regression to relationships containing auto-correlated error terms. Journal of the American Statistical Association, 44(245), 32–61. https://doi.org/10.1080/01621459.1949.10483294
• Durbin, J., & Watson, G. S. (1950). Testing for serial correlation in least squares regression: I. Biometrika, 37(3/4), 409–428. https://doi.org/10.2307/2332388
• Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression: II. Biometrika, 38(1/2), 159–178. https://doi.org/10.2307/2332325
• Durbin, J., & Watson, G. S. (1971). Testing for serial correlation in least squares regression: III. Biometrika, 58(1), 1–19. https://doi.org/10.1093/biomet/58.1.1
• Durbin, J. (1970). Testing for serial correlation in least-squares regression when some of the regressors are lagged dependent variables. Econometrica, 38(3), 410–421. https://doi.org/10.2307/1909547
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications.
• Godfrey, L. G. (1978). Testing against general autoregressive and moving average error models when the regressors include lagged dependent variables. Econometrica, 46(6), 1293–1301. https://doi.org/10.2307/1913829
• Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill Education.
• Hildreth, C., & Lu, J. Y. (1960). Demand relations with autocorrelated disturbances. Michigan State University Agricultural Experiment Station Technical Bulletin, 276, 1–76.
• Imhof, J. P. (1961). Computing the distribution of quadratic forms in normal variables. Biometrika, 48(3/4), 419–426. https://doi.org/10.1093/biomet/48.3-4.419
• Ljung, G. M., & Box, G. E. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297
• Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610
• Prais, S. J., & Winsten, C. B. (1954). Trend estimators and serial correlation (Cowles Commission Discussion Paper No. 383). University of Chicago.
• Savin, N. E., & White, K. J. (1977). The Durbin-Watson test for serial correlation with extreme sample sizes or many regressors. Econometrica, 45(8), 1989–1996. https://doi.org/10.2307/1914122
• 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.