كيفية حساب معامل تضخم التباين (VIF) في SAS

تعد النماذج الإحصائية الخطية من الركائز الأساسية التي يعتمد عليها الباحثون في شتى مجالات العلوم السلوكية، والاجتماعية، والطبية، والاقتصادية لفهم العلاقات المعقدة بين المتغيرات وتفسير الظواهر وتوقع مساراتها المستقبلية. غير أن القوة التفسيرية لهذه النماذج ترتبط ارتباطاً وثيقاً بمدى استيفاء مجموعة صارمة من الافتراضات الإحصائية الكلاسيكية، والتي يأتي في طليعتها افتراض غياب التعدد الخطي التام أو الشديد بين المتغيرات المستقلة المضمنة في معادلة الانحدار. فعندما تتداخل المتغيرات التفسيرية وتترابط فيما بينها بدرجة عالية، تفقد المعاملات المقدرة كفاءتها وتصبح عاجزة عن تقديم تمثيل حقيقي للأثر المستقل لكل متغير على حدة.

ويبرز معامل تضخم التباين (Variance Inflation Factor – VIF) بوصفه الأداة التشخيصية الأكثر انتشاراً واعتماداً في الأوساط الأكاديمية والممارسات الإحصائية الرصينة لتقدير حجم التعدد الخطي وقياس مدى تدهور دقة التقدير الإحصائي. وفي هذا السياق، تحتل برمجية التحليل الإحصائي SAS (Statistical Analysis System) مكانة ريادية بين حزم البرمجيات المتقدمة، لما توفره من بيئة حسابية فائقة الدقة وخوارزميات متطورة قادرة على معالجة البيانات الضخمة والمعقدة، واستخراج المؤشرات التشخيصية الدقيقة بأعلى مستويات الموثوقية المعيارية.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم دليل منهجي وتطبيقي متكامل لكيفية حساب وتفسير معامل تضخم التباين باستخدام برمجية SAS، بدءاً من تفكيك الأسس الرياضية والنظرية للظاهرة، مروراً بإعداد البيانات وصياغة الأكواد البرمجية عبر إجراءات الانحدار المختلفة، وصولاً إلى استراتيجيات المعالجة المتقدمة وقواعد التوثيق العلمي الرصين وفق معايير النشر الدولية.

1. مقدمة نظرية حول التعدد الخطي في النماذج الإحصائية

1.1 مفهوم التعدد الخطي وأسبابه في البحوث الإحصائية والنفسية

يُعرَّف التعدد الخطي (Multicollinearity) في أدبيات القياس والإحصاء التطبيقي بأنه الحالة الرياضية والمنهجية التي تظهر عندما يرتبط متغيران تفسيريان (مستقلان) أو أكثر في نموذج الانحدار الخطي المتعدد بعلاقات خطية قوية ومكثفة. ومن الناحية المفهومية، يفترض نموذج الانحدار الخطي الكلاسيكي أن كل متغير تفسيري يمثل بُعداً فريداً ومستقلاً يساهم بتباين منفصل في تفسير المتغير التابع؛ إلا أن تحقق الارتباط العالي بين المتنبئات يؤدي إلى تداخل مساحات التباين المشترك، بحيث يصبح جزء كبير من التباين الذي يفسره متغير معين متطابقاً مع ما يفسره متغير آخر.

تتعدد الأسباب المنهجية لظهور التعدد الخطي، لا سيما في حقول البحوث النفسية والتربوية والاجتماعية التي تعتمد على قياس سمات مجردة. وتبرز مشكلة القياسات المتكررة لنفس السمة النفسية أو تداخل المقاييس كأحد أبرز هذه الأسباب؛ فعند استخدام مقاييس فرعية متعددة تقيس مفاهيم متقاربة نظرياً، مثل درجات الضيق النفسي، والإرهاق، والاكتئاب في دراسات التكيف السلوكي والاحتراق الأكاديمي، غالباً ما تتشابك استجابات المفحوصين لتعكس بنية كامنة مشتركة (Emerson, Hair, & Smith, 2022). كذلك يظهر التعدد الخطي نتيجة أخطاء جمع البيانات، مثل الاعتماد على عينات غير متوازنة، أو حصر الملاحظات في نطاق ضيق من القيم، مما يولد ارتباطات مصطنعة لا تعبر بالضرورة عن المجتمع الأصلي.

ومن الضروري في هذا السياق التمييز الجوهري بين التعدد الخطي البسيط والارتباط المتعدد المعقد في القياسات السلوكية؛ فالارتباط البسيط ينشأ بين زوجين فقط من المتغيرات ويسهل رصده عبر مصفوفة الارتباط الثنائي، بينما ينشأ الارتباط المتعدد المعقد عندما يكون متغير مستقل واحد عبارة عن تركيبة خطية لمجموعة من ثلاثة متغيرات مستقلة أخرى أو أكثر، دون أن يكون ارتباطه الثنائي بأي منها منفرداً مرتفعاً بصورة ملفتة. هذا التعقيد يفرض على الباحثين التحقق الاستباقي من استقلالية المتنبئات قبل التورط في تقديم تفسيرات سببية مضللة قد تعزو الأثر لمتغيرات غير ذات فاعلية حقيقية، أو تتجاهل متغيرات جوهرية حجبتها المتغيرات المتداخلة معها.

1.2 تداعيات التعدد الخطي على كفاءة وجودة نموذج الانحدار

يترتب على وجود التعدد الخطي الشديد عواقب وخيمة تمس صلب الخصائص الرياضية لتقديرات المربعات الصغرى العادية (OLS)، وتضعف من جودة النتائج الاستدلالية المستخرجة من النموذج. وأولى هذه التداعيات تتمثل في التضخم الهائل للأخطاء المعيارية لمعاملات الانحدار المقدرة؛ حيث تؤدي زيادة الارتباط بين المتغيرات إلى اتساع تباين تقديرات المعلمات، مما ينعكس سلباً على قيمة اختبار “تاء” (t-test) المخصصة لاختبار الدلالة المعنوية لكل معامل على حدة، مسبباً تراجعاً حاداً في القوة الإحصائية للاختبار، وظهور معاملات غير دالة إحصائياً على الرغم من أن المتغيرات المعنية ذات أهمية جوهرية ومرتبطة بقوة بالمتغير التابع.

كما يتسبب التعدد الخطي في فقدان استقرار قيم المعاملات المقدرة وحساسيتها الشديدة لأي تعديل طفيف في عينة البيانات؛ إذ يؤدي حذف مشاهدة واحدة أو إضافة بضع مشاهدات جديدة إلى تغيرات دراماتيكية في إشارات المعاملات من الموجب إلى السالب أو العكس، فضلاً عن تقلب مقاديرها بصورة عشوائية لا تستند إلى منطق نظري سليم. وتتجلى هذه الأزمة عندما يجد الباحث نموذجاً يحقق معامل تحديد كلي مرتفعاً جداً ودلالة إحصائية عامة لاختبار تحليل التباين “فـاء” (F-test)، في حين أن جميع اختبارات “تاء” الفردية للمعاملات غير معنوية، وهو التناقض الكلاسيكي الشهير الدال على التعدد الخطي.

علاوة على ذلك، يستحيل في ظل هذه الظروف عزل التأثير المستقل أو الهامشي لكل متغير تفسيري على حدة، نظراً لأن تحريك متغير واحد بمقدار وحدة واحدة يستلزم حتماً تحرك المتغيرات الأخرى المرتبطة به خطياً، وهو ما يخرق مفهوم “ثبات العوامل الأخرى” (Ceteris Paribus). ولا يقتصر التدهور على الجانب التفسيري فحسب، بل يمتد إلى دقة التنبؤ؛ فرغم أن التنبؤات الكلية للنموذج قد تبدو مستقرة ضمن نطاق البيانات الحالية، إلا أن فترات الثقة للتنبؤات الفردية تتسع بصورة غير مقبولة، مما يقلل من كفاءة النموذج في التطبيقات الميدانية والتجريبية ويفقده صلاحيته التعميمية (Bemister et al., 2015).

1.3 التمييز بين الارتباط الخطي التام والارتباط الخطي الجزئي

من الناحية الجبرية والمصفوفية، ينقسم التعدد الخطي إلى مستويين متمايزين من حيث الطبيعة والتبعات الرياضية: الارتباط الخطي التام (Perfect Multicollinearity) والارتباط الخطي الجزئي أو غير التام (Near or Imperfect Multicollinearity). ويحدث الارتباط الخطي التام عندما تكون هناك علاقة خطية قطعية دقيقة لا تشوبها شائبة عشوائية بين متغيرين مستقلين أو أكثر، كأن يُدرج الباحث متغيراً يمثل العمر بالسنوات ومتغيراً آخر يمثل العمر بالشهور، أو يدرج جميع الفئات الفرعية لمتغير وصفي مع الاحتفاظ بالمقطع الثابت، وهو ما يُعرف في الأدبيات الإحصائية بفخ المتغير الوهمي (Dummy Variable Trap).

في حالة الارتباط الخطي التام، تصبح مصفوفة المعلومات ومصفوفة التباين والتباين المشترك غير كاملة الرتبة (Not Full Rank)، ومحددها مساوياً للصفر، مما يؤدي إلى استحالة إيجاد مقلوب المصفوفة رياضياً عبر خوارزميات المربعات الصغرى، وتعجز البرمجيات الإحصائية كلياً عن إتمام الحسابات وتقدير المعلمات، مما يضطرها إلى إسقاط المتغير الفائض تلقائياً. في المقابل، يمثل الارتباط الخطي الجزئي الحالة الأكثر شيوعاً وخطورة في الواقع العملي، حيث تتداخل المتغيرات بدرجات متفاوتة من الشدة دون أن تصل إلى العلاقة القطعية التامة، وفي هذه الحالة يظل مقلوب المصفوفة متاحاً رياضياً، لكنه يقترب من حالة الانفراد، مما يولد قيماً شديدة التضخم للأخطاء المعيارية.

وثمة مؤشرات أولية عديدة يمكن للباحث الفطن رصدها لاستشعار وجود التعدد الخطي الجزئي قبل الشروع في تطبيق الفحوصات التشخيصية المتقدمة؛ ومنها الارتفاع غير المبرر لمعامل التحديد الإجمالي بالتزامن مع غياب الدلالة الإحصائية للمتنبئات الأساسية، والظهور غير المتوقع لإشارات سالبة لمعاملات انحدار يُفترض نظرياً وواقعياً أن تكون موجبة بقوة، والاضطراب الواسع في النتائج عند تغيير خوارزميات إدخال المتغيرات تدريجياً، مما يستوجب الانتقال الفوري لتقييم مؤشرات التضخم الرياضية الدقيقة.

2. الأسس الرياضية لمعامل تضخم التباين ومفهوم التسامح الإحصائي

2.1 المعادلة الرياضية لاحتساب معامل تضخم التباين

يستند احتساب معامل تضخم التباين إلى فكرة رياضية أنيقة تعتمد على ما يُعرف بنماذج الانحدار المساعد (Auxiliary Regressions). فلكل متغير مستقل داخل نموذج الانحدار الخطي المتعدد، يتم صياغة نموذج انحدار خاص يتم فيه وضع هذا المتغير التفسيري كمتغير تابع، بينما تُوضع بقية المتغيرات المستقلة المتبقية في النموذج كمتغيرات تفسيرية له. وبناءً على تقدير هذا النموذج المساعد، يتم استخراج معامل التحديد المتعدد الذي يرمز له رياضياً بالرمز التالي، والذي يعبر عن نسبة التباين في المتغير المستقل المعني المفسرة بواسطة بقية المتغيرات التفسيرية الزميلة داخل النموذج.

وتُصاغ المعادلة الرياضية لمعامل تضخم التباين للمتغير المستقل رقم j على النحو الآتي:

VIF_j = 1 / (1 – R_j^2)

حيث يمثل R_j^2 معامل التحديد المستخرج من الانحدار المساعد للمتغير المستقل j على سائر المتغيرات المستقلة الأخرى. ومن خلال هذا البناء الرياضي، يتضح بجلاء أن قيمة VIF تمثل نسبة التباين الفعلي لمعامل الانحدار المقدر في النموذج الكامل مقارنة بما كان سيكون عليه هذا التباين لو كانت المتغيرات المستقلة متعامدة تماماً (Orthogonal) وخالية بنسبة مئة بالمئة من أي ارتباط خطي بيني؛ فإذا كان معامل التحديد المساعد صفراً، فإن VIF يتعادل مع القيمة واحد صحيح، دلالة على الغياب التام لأي تضخم في التباين.

2.2 العلاقة العكسية بين التسامح ومعامل تضخم التباين

يرتبط معامل تضخم التباين ارتباطاً بنيوياً بمفهوم إحصائي وثيق الصلة يُعرف بـ “التسامح” (Tolerance). ويُعرَّف التسامح رياضياً ونظرياً بأنه نسبة التباين الفريد أو غير المشترك الذي يمتلكه المتغير التفسيري بمفرده دون أن تشاركه فيه بقية المتغيرات التفسيرية في النموذج؛ أي أنه يعبر عن استقلالية المتغير ونقائه التحليلي، ويُحسب التسامح للمتغير المستقل j ببساطة من خلال طرح معامل التحديد المساعد من الواحد الصحيح:

Tolerance_j = 1 – R_j^2

وبالنظر إلى هذا التعريف، تصبح العلاقة الرياضية بين التسامح ومعامل تضخم التباين علاقة مقلوب عكسي بحت، تتجسد في المعادلة الآتية:

VIF_j = 1 / Tolerance_j

ويفسر هذا الاعتماد المتبادل سبب حرص البرمجيات الإحصائية المتقدمة، وعلى رأسها SAS، على تقديم هذين المؤشرين متجاورين في تقارير المخرجات؛ فالقيم المنخفضة جداً للتسامح الإحصائي تعكس بصورة فورية ومباشرة قيماً متضخمة وشاهقة لمعامل تضخم التباين. فعلى سبيل المثال، إذا كان التسامح لمتغير ما يساوي 0.10، فهذا يعني أن 90% من تباينه مفسر بالمتغيرات الأخرى، مما يؤدي تلقائياً إلى معامل VIF مقداره 10، وهو ما يشير إلى أن تباين معامل هذا المتغير قد تضخم بمقدار عشرة أضعاف قيمته الافتراضية النقية.

2.3 التأثير الرياضي لتضخم التباين على فترات الثقة والاختبارات التائية

لا تتوقف خطورة تضخم التباين عند الجانب النظري، بل تنعكس بشكل مباشر على المعادلات المحددة للأخطاء المعيارية للمعاملات وفترات الثقة المقابلة لها. فالخطأ المعياري لمعامل الانحدار المقدر في حالة الانحدار المتعدد يرتبط تماثلياً بالجذر التربيعي لمعامل تضخم التباين وفق المعادلة الرياضية التالية:

SE(Beta_j) = [ s / sqrt( (n – 1) * s_j^2 ) ] * sqrt(VIF_j)

حيث يمثل s الخطأ المعياري للتقدير في النموذج، وs_j هو الانحراف المعياري للمتغير المستقل المعني، وn هو حجم العينة. ويطلق الإحصائيون على المقدار sqrt(VIF_j) اسم “معامل تضخم الخطأ المعياري” (Standard Error Inflation Factor). فعندما تبلغ قيمة VIF الرقم 4، فإن الخطأ المعياري للمعامل يتضاعف مرتين، وإذا بلغت قيمة VIF الرقم 9، يتضاعف الخطأ المعياري ثلاث مرات مقارنة بحالة التعامد التام.

هذا التضخم في الخطأ المعياري يلقي بظلاله القاتمة على اختبارات الفروض وفترات الثقة؛ إذ يتم حساب إحصائية “تاء” عبر قسمة المعامل المقدر على خطئه المعياري. وتضخم المقام يؤدي حتماً إلى انخفاض قيمة “تاء” الحسابية واقترابها من منطقة عدم الدلالة، مما يرفع احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error)، أي الإخفاق في رفض الفرض الصفري رغم أنه خاطئ في الواقع. وفي الوقت ذاته، تتسع حدود فترات الثقة لمعاملات الانحدار بدرجة هائلة تجعل من المستحيل على الباحث الجزم بمدى التأثير الحقيقي للظاهرة في المجتمع المدروس.

3. إعداد بيئة العمل وهيكلة البيانات في برمجية SAS

3.1 إنشاء مجموعة البيانات باستخدام خطوات كود البيانات

تبدأ الخطوة الإجرائية الأولى لحساب معامل تضخم التباين في برمجية SAS بتهيئة البيانات وتجهيزها داخل بيئة العمل، ويتم ذلك من خلال بناء خطوة البيانات الكلاسيكية المعرفة بأمر DATA. في هذه المرحلة، يقوم الباحث بتحديد اسم مجموعة البيانات المراد حفظها في المكتبة المؤقتة للبرنامج (مثل مكتبة WORK الافتراضية)، مما يتيح للنظام حجز مساحة المعالجة الحسابية المناسبة للمتغيرات والمشاهدات المدرجة.

بعد تسمية مجموعة البيانات، تُستخدم تعليمة INPUT لتسمية وتعريف المتغيرات المضمنة في التحليل وتحديد طبيعتها وخصائصها؛ حيث يتم ترتيب المتغير التابع والمتغيرات التفسيرية بصورة منهجية تضمن اتساقها الرياضي. ويتبع ذلك استخدام تعليمة DATALINES (أو بديلتها التقليدية CARDS)، والتي تفيد البرمجية بأن الأسطر اللاحقة تمثل مصفوفة المشاهدات الرقمية الخام. ويجب مراعاة الفصل بين قيم كل مشاهدة بمسافات واضحة، مع إنهاء خطوة البيانات بوضع فاصلة منقوطة مستقلة في سطر منفصل تليها تعليمة RUN التي تطلق إشارة التنفيذ لمعالجة بنية البيانات وحفظها في الذاكرة الحسابية للبرنامج.

3.2 فحص البيانات والتحقق من سلامتها عبر إجراء PROC PRINT

عقب إتمام بناء مصفوفة البيانات في برمجية SAS، يستلزم الضبط المنهجي تدقيق البيانات والتأكد من استقرار بنيتها وصحة تسكين المشاهدات في خاناتها الصحيحة، وهو ما يوفره إجراء PROC PRINT بكفاءة عالية. يتيح هذا الإجراء للمحلل الإحصائي استعراض جدول المشاهدات المسجلة والتحقق من أن مسميات الأعمدة تطابق المتغيرات المفترضة في الإطار النظري، فضلاً عن التأكد من عدم حدوث أي انزياح في الأرقام بين الأعمدة ناتج عن أخطاء الإدخال اليدوي أو مشاكل الفواصل الرقمية.

إن الفحص الأولي للبيانات يضمن تجنب المشكلات الحسابية التي قد تعترض إجراءات الانحدار لاحقاً؛ حيث يتيح الباحث رصد المشاهدات غير المنطقية، أو القيم التي تتجاوز المدى الطبيعي لمقاييس الدراسة، مثل درجات المقاييس النفسية التي تفوق الحدود القصوى المعتمدة لأدوات القياس (Schaefer & Thompson, 2014). ويُعد استخراج التقرير البصري للبيانات عبر PROC PRINT خطوة تأكيدية تسبق تشغيل الخوارزميات الرياضية المعقدة، وتسهم في تعزيز موثوقية التحليلات التشخيصية اللاحقة لظاهرة التعدد الخطي.

3.3 معالجة القيم المفقودة والشاذة قبل استخراج معامل VIF

تحظى معالجة القيم المفقودة (Missing Values) والمشاهدات الشاذة أو المتطرفة (Outliers) بأهمية قصوى عند الاستعداد لحساب معاملات تضخم التباين؛ إذ إن وجود قيم متطرفة حادة في المتغيرات المستقلة يؤدي إلى تشويه مصفوفات التباين والارتباط المشترك، مما قد يعطي انطباعاً كاذباً بوجود تعدد خطي مرتفع، أو على النقيض من ذلك، قد يخفي تعدداً خطياً موجوداً بالفعل. وتستلزم الممارسة التحليلية الرصينة فحص استكشافي شامل للبيانات باستخدام إجراءات مثل PROC UNIVARIATE للكشف عن التواء التوزيعات وتحديد المشاهدات التي تتجاوز المسافات المعيارية المقبولة.

أما بخصوص القيم المفقودة، فإن إجراءات الانحدار في SAS تطبق تلقائياً أسلوب الاستبعاد الكلي للمشاهدة (Listwise Deletion)، حيث يتم استبعاد أي حالة تحتوي على قيمة مفقودة في أي من المتغيرات التابعة أو المستقلة الداخلة في سطر النموذج. هذا السلوك التلقائي قد يؤدي إلى تناقص حاد وغير متوقع في حجم العينة التحليلية، مما ينعكس على القوة الإحصائية لحسابات VIF. لذا يتعين على المحلل الإحصائي فحص نمط الفقدان مسبقاً، واستخدام أساليب التعويض المناسبة أو التأكد من سلامة حجم العينة الصافي قبل الانتقال إلى خطوة تقدير معاملات التضخم لضمان دقة التقدير الإحصائي.

4. التنفيذ الإجرائي لحساب VIF باستخدام PROC REG في SAS

4.1 البنية التركيبية لإجراء PROC REG وخيارات سطر النموذج

يعد إجراء الانحدار PROC REG الأداة الأساسية والأكثر فاعلية وتطوراً في بيئة برمجية SAS لحساب معاملات تضخم التباين وفحص النماذج الخطية الكلاسيكية. يبدأ الإجراء بكتابة الأمر PROC REG مقروناً بتحديد اسم مجموعة البيانات المطلوب تحليلها من خلال الخيار DATA، مثل كتابة PROC REG DATA=work.mydata;. يوفر هذا الإجراء محركاً حسابياً فائق القوة يعتمد على مصفوفات المربعات الصغرى لتحليل العلاقات بين المتغيرات بدقة متناهية.

ويكمن قلب العملية الإجرائية في صياغة تعليمة MODEL، والتي يتم داخلها تحديد المتغير التابع على يسار علامة المساواة، تليه المتغيرات المستقلة المتعددة على يمينها. ولتفعيل الحساب الرياضي لمعاملات تضخم التباين، يقوم الباحث بإضافة خط مائل (/) في نهاية سطر النموذج يتبعه الخيار المخصص VIF. فبمجرد كتابة هذا الخيار، تعي الخوارزمية الداخلية لـ SAS ضرورة تشغيل سلاسل الانحدارات المساعدة لجميع المتغيرات التفسيرية، وحساب قيم R المربعة الخاصة بكل منها، واستخراج قيمة VIF المطابقة لإدراجها في جدول النتائج النهائي.

4.2 دمج خيار التسامح TOL مع خيار VIF لتعميق التحليل

على الرغم من أن خيار VIF يقدم تقييماً شاملاً لمدى تضخم التباين، إلا أن المنهجية الإحصائية المتقدمة تحبذ دائماً دمج خيار التسامح الإحصائي TOL إلى جوار خيار VIF في نفس تعليمة النموذج؛ كأن تصاغ التعليمة على النحو: MODEL Y = X1 X2 X3 / VIF TOL;. يوفر هذا الدمج قراءة مزدوجة لجانبي الظاهرة؛ فالأول يقيس نسبة التضخم الناتجة، بينما يوضح الثاني نسبة التباين النقي المتبقي للمتغير المستقل، مما يمنح الباحث رؤية متكاملة لمدى نقاء المتغيرات وقدرتها على تقديم تباين مفيد وغير متداخل في النموذج التنبؤي.

إن إظهار المؤشرين جنباً إلى جنب في مخرجات SAS يسهم في حسم القرارات التشخيصية الحرجة بسرعة؛ فالقيم المتدنية جداً للتسامح (مثل القيم التي تقل عن 0.10) تمثل تحذيراً بيانياً موازياً لتجاوز VIF للعتبة الحرجة 10. كما أن هذا التكامل التحليلي يسهل المقارنات عبر المتغيرات ذات التباينات المختلفة، ويتيح للمحلل استخلاص استنتاجات قاطعة حول المتغيرات التي تستلزم تدخلاً علاجياً، وتلك التي تقع في النطاق الآمن المقبول للافتراضات الخطية.

4.3 إدارة مخرجات SAS وتوجيهها للمعاينة والتوثيق

تنتج إجراءات SAS بطبيعتها كميات ضخمة من الجداول والمخططات الإحصائية التي قد تشتت ذهن الباحث إذا كان هدفه الأساسي هو التحقق التشخيصي من التعدد الخطي. ولتجاوز هذه العقبة وتحقيق أعلى درجات الاحترافية في إدارة المخرجات، توفر SAS نظام تسليم المخرجات المتطور ODS (Output Delivery System). فمن خلال استخدام تعليمة ODS SELECT ParameterEstimates;، يمكن توجيه النظام لعرض جدول تقديرات المعلمات فقط الذي يحتوي على حسابات VIF والتسامح، متجاهلاً الجداول الأخرى غير المطلوبة في هذه اللحظة التحليلية.

علاوة على ذلك، يتيح خيار ODS OUTPUT ParameterEstimates=Work.VIF_Results; حفظ قيم التقديرات ومؤشرات التضخم في جدول بيانات SAS مستقل ودائم، مما يسهل على الباحث استخدامه في عمليات معالجة لاحقة، أو تصديره إلى برامج الجداول الإلكترونية لإعداد التقارير النهائية للنشر العلمي. وينبغي دائماً التأكيد على إنهاء جلسة التحليل في PROC REG بكتابة تعليمة QUIT; عقب تعليمة RUN;؛ نظراً لأن إجراء الانحدار في SAS هو إجراء تفاعلي مستمر يظل مفتوحاً في ذاكرة النظام بانتظار أوامر نمذجة جديدة ما لم يتم إغلاقه صراحة بهذه التعليمة الحاسمة.

5. قراءة وتفسير مخرجات SAS لجداول تقديرات المعلمات

5.1 تفكيك جدول تقديرات المعلمات المستخرج من SAS

يظهر جدول تقديرات المعلمات (Parameter Estimates) في مخرجات إجراء PROC REG بوصفه اللوحة المركزية التي تختزل كافة المؤشرات الحسابية اللازمة لتقييم النموذج. عند تفعيل خياري VIF و TOL، يضيف نظام SAS تلقائياً عمودين إضافيين في أقصى يمين الجدول، يحمل الأول عنوان Variance Inflation والآخر عنوان Tolerance. وتصطف في هذا الجدول أسماء المتغيرات المستقلة جنباً إلى جنب مع المقطع الثابت (Intercept)، مع بيان درجات الحرية (DF) المخصصة لكل منها.

يتعين على الباحث عند تفكيك هذا الجدول الربط الواعي بين مختلف الأعمدة؛ إذ يتم فحص قيمة المعامل المقدر (Parameter Estimate) وخطئه المعياري (Standard Error)، متبوعاً بقيمة اختبار “تاء” (t Value) ومستوى الدلالة الاحتمالية المقابل له (Pr > |t|). ويبرز الترابط الرياضي بوضوح عندما تتزامن قيم VIF المرتفعة مع أخطاء معيارية متضخمة وقيم تائية منخفضة تنتج عنها مستويات دلالة غير معنوية، على الرغم من القوة التفسيرية العالية المفترضة للمتغير في الإطار النظري للدراسة (Ferrari et al., 2018).

5.2 القواعد والعتبات الإرشادية لتقييم مستويات VIF

تتفق الأدبيات المنهجية والإحصائية على مجموعة من القواعد الاسترشادية المتدرجة التي تساعد المحللين في الحكم على مدى خطورة قيم VIF الظاهرة في مخرجات SAS؛ وتتلخص هذه المستويات في المعايير التحليلية التالية:

• قيم VIF أقل من 5: تشير إلى مستويات منخفضة ومقبولة تماماً من التعدد الخطي بين المتغيرات المستقلة، وتدل على أن التضخم الحادث في تباين المعاملات يقع ضمن الحدود الطبيعية التي لا تؤثر جوهرياً على استقرار التقديرات أو كفاءة الاختبارات الاستدلالية.
• قيم VIF تقع بين 5 و 10: تمثل مؤشراً تحذيرياً على وجود تعدد خطي معتدل إلى مرتفع يستوجب الحذر والمراقبة؛ حيث يشير هذا النطاق إلى أن أكثر من 80% من تباين المتغير المعني أصبح مشتركاً مع المتغيرات الأخرى، مما قد يبدأ في إضعاف دلالة بعض المعاملات الفردية.
• قيم VIF تتجاوز 10: تمثل العتبة الحرجة الصارمة الأكثر اعتماداً في الإحصاء التطبيقي، والتي تعد دليلاً قاطعاً على وجود مشكلة تعدد خطي حادة وخطيرة تهدد سلامة النموذج بالكامل؛ إذ تعني أن تباين المعامل قد تضخم بما لا يقل عن عشرة أضعاف، مما يستلزم تدخلاً إجرائياً لتعديل بنية النموذج قبل اعتماد أي استنتاجات.

ورغم شيوع عتبة الـ 10، يميل بعض الباحثين في المجالات التجريبية الحساسة إلى تبني عتبات أكثر صرامة ومحافظة، مثل اعتماد القيمة 4 أو 5 كحد أقصى مسموح به، خصوصاً عندما يكون الهدف الرئيس للدراسة هو اختبار الفروض السببية الدقيقة والتأكد من نقاء المساهمة النسبية لكل مؤشر تنبؤي في السياقات السريرية أو الاجتماعية المعقدة (Singla et al., 2017).

5.3 التفسير الأكاديمي للنتائج في ضوء المتغيرات التفسيرية

إن قراءة قيم VIF لا ينبغي أن تنحصر في الأرقام الصماء، بل يجب أن تترجم إلى قراءة نقدية تعكس المفاهيم النظرية الكامنة وراء المتغيرات المدروسة. فعندما يُظهر متغير ما في مخرجات SAS قيمة VIF مرتفعة تتجاوز الحدود المسموحة، فإن هذا يعكس في جوهره وجود تشبع مفاهيمي أو تكرار قياسي بين هذا المتغير والمتغيرات المستقلة الأخرى في العينة، وهو ما يتطلب من الباحث الرجوع إلى التعريفات الإجرائية لأدوات الدراسة وتحديد مواطن التداخل التبايني بدقة.

يساعد هذا التفسير الأكاديمي الرصين في تحديد المتغيرات التي تقدم مساهمة فريدة ومستقلة (Unique Contribution) في تفسير الظاهرة، وتلك التي لا تعدو كونها صدى لمتغيرات أخرى متواجدة في المعادلة. وتتجلى المهارة التحليلية في صياغة تقرير وصفي يوضح للقارئ كيف أثر هذا التداخل على تقدير المعلمات، مع تفصيل الأسس التي استند إليها الباحث في تصنيف مستويات التضخم، مما يعزز من شفافية المعالجة ومصداقية التحليل الإحصائي المنشور في المجلات المحكمة.

6. التحليلات التشخيصية المتقدمة للتعدد الخطي في SAS

6.1 استخدام خيارات مؤشر الحالة والتشخيص التجميعي

توفر برمجية SAS أدوات تشخيصية بالغة التطور تتجاوز الفحص الفردي لقيم VIF، وتغوص في استكشاف البنية المتعددة للعلاقات التداخلية المعقدة، وذلك من خلال إدراج خياري COLLIN و COLLINOINT في تعليمة MODEL ضمن إجراء PROC REG. يعتمد هذان الخياران على التحليل الطيفي للمصفوفات وحساب تفكيك القيم الذاتية (Eigenvalue Decomposition) لمصفوفة المتغيرات المستقلة، مما يوفر تشخيصاً تجميعياً عالي الدقة لجذور المشكلة الخطية.

يولد هذا التحليل ما يُعرف بـ “أرقام الحالة” أو مؤشرات الحالة (Condition Indices – CI). وتفيد القواعد المنهجية الراسخة بأن ظهور مؤشر حالة يتجاوز العتبة 30 يدل على وجود مشكلة تعدد خطي حادة جداً وخطيرة في النموذج، بينما تشير المؤشرات التي تتراوح بين 15 و 30 إلى وجود تعدد خطي معتدل. وتكتمل قوة هذه الأداة من خلال قراءة جدول “نسب تجزئة التباين” (Variance Decomposition Proportions) المصاحب لمؤشرات الحالة؛ فعندما يرتفع مؤشر الحالة عن 30، ويتزامن ذلك مع اشتراك متغيرين مستقلين أو أكثر في نسب تباين مرتفعة تفوق 0.50 لنفس البُعد الذاتي، يتمكن الباحث بصورة يقينية من تحديد أزواج المتغيرات المسؤولة بالتحديد عن إحداث التشوه الخطي في النموذج.

6.2 فحص مصفوفة الارتباط التداخلي عبر PROC CORR

يمثل إجراء الارتباط PROC CORR خطوة استكشافية مكملة وضرورية لا غنى عنها لفهم الطبيعة التداخلية بين المتنبئات المستقلة قبل الشروع في بناء النماذج المعقدة أو بالتوازي مع استخراج VIF. يُستخدم هذا الإجراء لحساب معاملات ارتباط بيرسون الثنائية المتبادلة بين كافة المتغيرات المستقلة، متيحاً للباحث فحص القوة الاتجاهية والكمية للعلاقات المباشرة بين أزواج المتغيرات عبر جدول متماظر يوضح معاملات الارتباط ومستويات الدلالة المقابلة لها.

ومع ذلك، يجب على الباحث إدراك الحدود المنهجية الصارمة لمصفوفة الارتباط الثنائي؛ إذ إن غياب معاملات الارتباط المرتفعة (التي تتجاوز مثلاً 0.80) بين أزواج المتغيرات لا يعني بالضرورة انتفاء مشكلة التعدد الخطي، نظراً لأن المتغير المستقل قد يرتبط بقوة مع تركيبة خطية مكونة من عدة متغيرات أخرى دون أن يكون له ارتباط ثنائي ملحوظ بأي متغير منفرد منها. من هنا تظهر القيمة الاستثنائية للتكامل الإحصائي بين استكشاف مصفوفة PROC CORR وقيم VIF المستخرجة من PROC REG، حيث يكشف الأول عن التداخلات الثنائية المباشرة، بينما يكشف الثاني عن التداخلات المتعددة المركبة في الأبعاد الرياضية العليا.

6.3 تقييم تأثير التباعد عن التوزيع الطبيعي على تشخيص التعدد الخطي

ترتبط مؤشرات التعدد الخطي بنقاء التوزيعات الأساسية للمتغيرات، حيث إن التباعد الشديد عن افتراض التوزيع الطبيعي المتعدد أو وجود تباين غير متجانس في البواقي (Heteroscedasticity) قد يلقي بظلال سلبية على تقديرات التباين المشترك، ويزيد من تذبذب قيم VIF المستخرجة. فعندما تعاني البيانات من التواء حاد، تزداد احتمالية تركز المشاهدات في قطاعات معينة، مما يولد علاقات خطية اصطناعية تعكس تشوه العينة لا البنية الأصلية للمجتمع (Komossa et al., 2020).

ولتفادي هذا التضليل، ينبغي استغلال الإمكانيات الرسومية والتشخيصية المتطورة المدمجة في إجراء PROC REG في برمجية SAS، من خلال استعراض مخططات البواقي، ومخططات الرافعة (Leverage Plots)، والمسافات التشخيصية مثل مسافة كوك (Cook’s D). تسهم هذه الفحوص المتزامنة في التأكد من أن التضخم المرصود في التباين يعكس علاقات خطية حقيقية بين المتغيرات وليس نتاج مشاهدات شاذة أو خرق فادح لتجانس تباين الأخطاء، مما يمنح الباحث ثقة منهجية صلبة قبل الانتقال إلى مرحلة العلاج والتدخل الإجرائي.

7. استراتيجيات معالجة مشكلة التعدد الخطي بناءً على قيم VIF

7.1 استبعاد المتغيرات الفائضة وإعادة بناء النموذج

يعد استبعاد المتغير الفائض أحد الحلول الأكثر كلاسيكية ومباشرة للتعامل مع مشكلة التعدد الخطي الحاد الذي تؤكده قيم VIF المتجاوزة للعتبة 10. وتعتمد هذه الاستراتيجية على تحديد المتغير المستقل الذي يسهم بأعلى قيمة تضخم وأدنى قيمة تسامح، والذي يتضح من خلال البناء النظري ونسب تجزئة التباين أنه مكرر ولا يقدم بعداً تفسيرياً متميزاً، والقيام بحذفه من سطر النموذج ثم إعادة تشغيل التحليل وملاحظة التغيرات الطارئة على بقية المتغيرات.

ولضمان سلامة قرار الحذف وعدم الإضرار بكفاءة النموذج، ينبغي على الباحث إجراء مقارنة دقيقة بين النموذج الأصلي والنموذج المعدل باستخدام مؤشرات جودة التوفيق المتقدمة، مثل معيار أكايكي للمعلومات (AIC)، ومعيار شوارتز البيزي (BIC)، وقيمة معامل التحديد المعدل (Adjusted R-squared). ومع ذلك، تتطلب هذه الخطوة حذراً منهجياً بالغاً؛ إذ إن الإفراط في حذف المتغيرات استناداً فقط إلى خفض VIF قد يوقع الباحث في فخ “خطأ إغفال المتغيرات المؤثرة” (Omitted Variable Bias)، مما يقود إلى تقديرات متحيزة لمعاملات المتغيرات المتبقية، وهو ما يتعارض جوهرياً مع أهداف البحث العلمي الرصين.

7.2 دمج المتغيرات واستخدام التحليل العاملي والمؤشرات المركبة

في الحالات التي تكون فيها المتغيرات المتداخلة خطياً ذات أهمية نظرية بالغة لا تسمح بحذف أي منها، تبرز استراتيجية دمج المتغيرات وتوليد المؤشرات المركبة بوصفها بديلاً منهجياً فائق التميز. ويمكن تنفيذ هذا التوجه عبر أساليب تقليل الأبعاد الرياضية، وفي مقدمتها تحليل المكونات الأساسية (Principal Component Analysis – PCA) أو التحليل العاملي الاستكشافي، والتي تهدف إلى استخلاص العوامل المشتركة الكامنة التي تختزل تباين المتغيرات المتعددة في أبعاد متعامدة ومستقلة إحصائياً تماماً (Orkibi, 2021).

توفر برمجية SAS لهذه الغاية إجراء التحليل العاملي المتقدم PROC FACTOR، والذي يتيح للباحث استخلاص الدرجات العاملية (Factor Scores) للمفحوصين بدقة فائقة وتصديرها مباشرة إلى مجموعة بيانات جديدة. ومن ثم، يتم استبدال مجموعة المتغيرات الفردية المتشابكة والمتنافسة في نموذج الانحدار بمتغير مركب واحد أو درجات عاملية متعامدة تمثل البناء المفاهيمي النظري دون أي تكرار تبايني؛ مما يؤدي تلقائياً إلى انهيار قيم VIF لتقترب من الواحد الصحيح، مع الحفاظ الكامل على القوة التفسيرية لجميع الأبعاد المدروسة.

7.3 التحول نحو انحدار الحرف وغيره من أساليب التنظيم الإحصائي

عندما يتعذر حذف المتغيرات أو دمجها ويكون الهدف الأساسي للنموذج هو التنبؤ الدقيق واستقرار المعاملات، يمثل التحول إلى أساليب الانحدار المنظم (Regularized Regression)، وعلى رأسها انحدار الحرف (Ridge Regression)، الملاذ الرياضي الأكثر كفاءة. يقوم انحدار الحرف على التخلي المشروط عن افتراض عدم التحيز في تقديرات المربعات الصغرى العادية لصالح تحقيق انخفاض هائل في التباين والخطأ المعياري؛ وذلك من خلال إضافة مقدار انحياز ضئيل وثابت يُرمز له بـ (Ridge Parameter – c) إلى عناصر القطر الرئيسي لمصفوفة الارتباط.

تتيح برمجية SAS تنفيذ انحدار الحرف بسلاسة فائقة داخل نفس إجراء PROC REG عبر إضافة خيار RIDGE= في تعليمة PROC REG متبوعاً بقيم المعلمة المراد اختبارها، مثل كتابة PROC REG DATA=work.mydata OUTEST=work.ridge_est; MODEL Y = X1 X2 X3 / RIDGE=0 TO 0.1 BY 0.01; RUN;. يولد هذا الإجراء مساراً تشخيصياً يوضح كيفية تقلص المعاملات وهبوط قيم التباين المصطنع مع تزايد قيمة معلمة التحيز، مما يمكن الباحث من اختيار النموذج الأمثل الذي يحقق المفاضلة المتوازنة بين التحيز المنخفض والتباين المستقر.

8. حساب VIF في النماذج الإحصائية الخاصة ونماذج الانحدار اللوجستي

8.1 طرق تشخيص التعدد الخطي في نماذج الانحدار اللوجستي عبر SAS

على الرغم من الانتشار الواسع لنماذج الانحدار اللوجستي (Logistic Regression) في الدراسات الطبية والسلوكية للتنبؤ بالمتغيرات التابعة الفئوية، إلا أن إجراء الانحدار اللوجستي الشهير في SAS وهو PROC LOGISTIC يفتقر إلى خيار مدمج ومباشر لحساب معامل تضخم التباين VIF. ويخلق هذا الغياب تحدياً إجرائياً للباحثين؛ نظراً لأن مشكلة التعدد الخطي تمتد بآثارها المدمرة لتشمل النماذج اللوجستية، مسببة تضخم أخطاء لوغاريتم الأرجحية (Log Odds) واتساع فترات الثقة لنسب الأرجحية المقدرة.

وللتغلب على هذه العقبة التقنية، طوّر الإحصائيون حيلة منهجية معتمدة تُعرف بـ “النمذجة الخطية الزائفة” (Pseudo-Linear Regression Approach). وتقوم هذه الطريقة على استدعاء إجراء PROC REG وتعيين متغير افتراضي عشوائي كمتغير تابع، أو استخدام المتغير التابع الثنائي نفسه، وتضمين نفس المتغيرات التفسيرية المستمرة في سطر النموذج مع تفعيل خياري VIF و TOL. وتستند مشروعية هذه الحيلة إلى الحقيقة الرياضية الثابتة بأن حسابات VIF تعتمد كلياً وبشكل حصري على العلاقات المتبادلة بين المتغيرات المستقلة في مصفوفة الانحدار المساعد، ولا دخل لطبيعة المتغير التابع أو توزيعه في قيم معاملات تضخم التباين الناتجة، مما يجعل قيم VIF المستخرجة صالحة ومطابقة للاستخدام التشخيصي قبل تشغيل نموذج الانحدار اللوجستي النهائي (Chen et al., 2020).

8.2 التعامل مع المتغيرات المستقلة الفئوية والترميز الوهمي

يواجه الباحثون تحدياً خاصاً عند إدخال متغيرات مستقلة فئوية متعددة المستويات في نماذج الانحدار؛ حيث يتطلب الأمر تحويلها إلى متغيرات وهمية ثنائية (Dummy Variables). يؤدي هذا الترميز إلى تضخم طبيعي ومصطنع في قيم VIF الخاصة بهذه المتغيرات الوهمية، نظراً لأنها تشترك جميعها في المقارنة مع فئة مرجعية واحدة (Reference Category)، مما يجعلها شديدة الارتباط فيما بينها جبرياً دون أن يشكل ذلك تعدداً خطياً يهدد صحة النموذج بالمعنى الكلاسيكي للمتغيرات المستمرة.

وللتعامل مع هذه الإشكالية، طُوّر مفهوم “معامل تضخم التباين المعمم” (Generalized VIF – GVIF)، والذي يقيم تضخم التباين للمتغير الفئوي ككل عبر جميع فئاته الوهمية مجتمعة، بدلاً من تجزئته على المؤشرات الفردية. ويمكن استخراج مؤشرات ملائمة لهذا التقييم في بيئة SAS من خلال توظيف إجراءات النمذجة الخطية العامة المتقدمة مثل PROC GENMOD أو PROC GLMSELECT، مع الحرص التام في صياغة الأكواد على تجنب تضمين الفئة المرجعية في مصفوفة النموذج لتفادي السقوط في فخ الانفراد المصفوفي التام.

8.3 أثر التمركز حول المتوسط في تقليل VIF لنماذج التفاعل والتأثيرات غير الخطية

تشهد نماذج الانحدار التي تتضمن حدود التفاعل (Interaction Terms) مثل ضرب متغيرين مستقلين (X1 * X2)، أو التأثيرات غير الخطية والتربيعية (X1^2)، تضخماً هائلاً وفلكياً في قيم VIF. ويعود هذا الارتفاع إلى التعدد الخطي البنيوي أو الإجرائي (Non-Essential Multicollinearity) الناتج عن الارتباط الرياضي الطبيعي بين المتغير الأصلي ومربعه أو ناتج ضربه في متغير زميل، مما يشوه نتائج اختبارات التأثير التفاعلي ويصعب من عزل أثر التعديل في الدراسات النفسية والسلوكية المتقدمة.

ويمثل “التمركز حول المتوسط الحسابي” (Mean Centering) الحل الرياضي المعياري والناجع لهذه المشكلة في برمجية SAS. ويتم تنفيذ ذلك إجرائياً باستخدام إجراء التقييس الإحصائي PROC STANDARD، عبر كتابة الأمر PROC STANDARD DATA=work.raw MEAN=0 OUT=work.centered; VAR X1 X2; RUN;. يؤدي هذا الكود إلى طرح المتوسط الحسابي من كل مشاهدة، محولاً متوسط المتغيرات إلى الصفر؛ وعند إعادة حساب حدود الضرب والتفاعل باستخدام المتغيرات المتمركزة وتشغيل النموذج مجدداً في PROC REG، يلاحظ الباحث حدوث انهيار دراماتيكي في قيم VIF لحدود التفاعل لتستقر دون المستويات الحرجة، دون المساس إطلاقاً بالقوة التفسيرية الكلية للنموذج أو بالدلالة المعنوية للتأثيرات التفاعلية الأساسية (Ferrari et al., 2018).

9. دراسة حالة تطبيقية متكاملة وتحليل الأكواد في SAS

9.1 عرض سيناريو البحث والفرضيات والمتغيرات المعتمدة

لترسيخ المفاهيم الإجرائية السابقة في سياق عملي واقعي، نفترض إجراء دراسة في حقل علم النفس التنظيمي تبحث في محددات الضغوط المهنية لدى موظفي المؤسسات العامة. يشتمل النموذج على متغير تابع مستمر يمثل مستوى الإجهاد الوظيفي (Job_Stress)، وثلاثة متغيرات تنبؤية مستقلة مستمرة هي: ساعات العمل الأسبوعية (Work_Hours)، والاحتراق النفسي (Burnout)، والإنهاك العاطفي (Emotional_Exhaustion). وتشير الأدبيات النظرية إلى أن الاحتراق النفسي والإنهاك العاطفي مفهومان شديدا التداخل، مما يرجح فرضية نشوء مشكلة تعدد خطي حادة بينهما قد تشوش على تحديد المتنبئ الفعلي بالإجهاد الوظيفي (Emerson, Hair, & Smith, 2022).

تتضمن عينة الدراسة الافتراضية مشاهدات متسلسلة تعكس التباين الطبيعي والتداخل الملاحظ في البيئات الميدانية. ويسعى الباحث من خلال تطبيق بيئة SAS إلى التحقق التجريبي من قيم VIF لكل متغير، وتحديد ما إذا كان إدراج المقياسين المتشابهين في معادلة واحدة يخرق افتراضات الانحدار الخطي، تمهيداً لاتخاذ القرار الإحصائي والمنهجي الصائب حيال بنية النموذج النهائي.

9.2 تشغيل الكود الشامل خطوة بخطوة وتوثيق سجل التشغيل

يتم صياغة وتشغيل الكود الشامل في بيئة SAS بدءاً من إدخال البيانات وانتهاءً باستخراج مؤشرات التضخم والتسامح وفق الخطوات المنهجية المبرمجة التالية:

DATA Work.StressStudy;
INPUT Work_Hours Burnout Emotional_Exhaustion Job_Stress;
DATALINES;
40 22 25 55
45 35 38 68
50 48 50 82
38 18 20 48
55 52 55 90
42 28 30 60
60 58 60 95
35 15 17 42
48 42 45 75
52 49 51 85
;
RUN;

عقب إدخال البيانات، يتم تشغيل إجراء الانحدار وتفعيل خيارات VIF و TOL وعزل جدول تقديرات المعلمات عبر الأكواد الآتية:

ODS SELECT ParameterEstimates;
PROC REG DATA=Work.StressStudy;
MODEL Job_Stress = Work_Hours Burnout Emotional_Exhaustion / VIF TOL;
RUN;
QUIT;

عند مراجعة سجل تشغيل النظام (SAS Log)، يتم التأكد أولاً من خلو العملية من أي رسائل خطأ (Errors) أو تحذيرات (Warnings)، والتأكد من قراءة كافة المشاهدات العشر بنجاح. وبفحص جدول تقديرات المعلمات الناتج في نافذة المخرجات، يظهر بوضوح أن متغير ساعات العمل (Work_Hours) حقق قيمة VIF مقبولة تماماً بلغت نحو 2.3 مع تسامح قدره 0.43. وفي المقابل، سجل متغير الاحتراق النفسي (Burnout) قيمة VIF بلغت 16.4، وسجل متغير الإنهاك العاطفي (Emotional_Exhaustion) قيمة VIF بلغت 17.8، مع تدني قيم التسامح لكليهما لما دون 0.06، مما يمثل تجاوزاً صريحاً وحاداً للعتبة الحرجة (10)، مؤكداً وجود تضخم تبايني خطير يشوه دقة التقديرات.

9.3 اتخاذ القرارات التعديلية على النموذج وإعادة التقييم

بناءً على النتائج التشخيصية السابقة، يواجه الباحث مشكلة تداخل تبايني حادة بين متغيري الاحتراق النفسي والإنهاك العاطفي. واستناداً إلى الإطار النظري ومراجعة الدراسات السابقة التي تشير إلى أن مقياس الاحتراق النفسي يتمتع بشمولية مفاهيمية أوسع في قياس أبعاد الضغوط في بيئة العمل، اتخذ الباحث قراراً منهجياً بحذف متغير الإنهاك العاطفي بوصفه متغيراً فائصاً يكرر تباين الاحتراق النفسي، وإعادة تشغيل النموذج المعدل بالصيغة البرمجية التالية:

PROC REG DATA=Work.StressStudy;
MODEL Job_Stress = Work_Hours Burnout / VIF TOL;
RUN;
QUIT;

أظهرت مخرجات النموذج الجديد بعد التعديل انخفاضاً دراماتيكياً ومباشراً في قيم معاملات تضخم التباين؛ حيث تراجعت قيمة VIF لمتغير الاحتراق النفسي من 16.4 لتستقر عند 2.1 فقط، مع ارتفاع التسامح إلى 0.47، كما استقرت قيمة VIF لمتغير ساعات العمل عند 2.1 أيضاً. وتزامن هذا الانخفاض مع تقلص ملحوظ في الأخطاء المعيارية للمعاملات التقديرية، وتحول معامل الاحتراق النفسي ليصبح دالاً إحصائياً عند مستوى دلالة صارم (p < 0.001)، مع الحفاظ على معامل تحديد كلي مرتفع جداً يعكس جودة النموذج وصلاحيته الاستدلالية والتطبيقية.

10. أفضل الممارسات والأخطاء الشائعة في تشخيص VIF وتوثيق النتائج

10.1 أخطاء شائعة يجب تجنبها عند تفسير قيم VIF في SAS

يقع العديد من الباحثين ومحللي البيانات في مجموعة من الأخطاء المنهجية الشائعة عند التعامل مع مؤشرات VIF؛ ويأتي في مقدمتها الاعتماد الحصري والأعمى على رقم VIF وتجاهل السياق التشخيصي الأوسع للنموذج. فمن الأخطاء الفادحة افتراض أن انخفاض قيم VIF دون العتبة الحرجة يضمن بالضرورة جودة النموذج وصحة كافة الفروض الإحصائية الأخرى؛ إذ قد يكون النموذج خالياً من التعدد الخطي لكنه يعاني من خرق فادح لتجانس التباين أو عدم خطية العلاقة أو وجود قيم شاذة مؤثرة تغير مجرى النتائج بالكامل.

ويتمثل خطأ شائع آخر في الاندفاع نحو حذف متغيرات جوهرية ذات أساس نظري متين بمجرد تسجيلها لقيم VIF تتجاوز العتبة 5 أو 10 بقليل دون إجراء تدقيق عميق؛ فالحذف العشوائي قد يدمر الصدق البنائي للدراسة ويولد تحيز المتغير المحذوف. كذلك يتجاهل كثير من المحللين تأثير حجم العينة على حساسية واستقرار معاملات التضخم؛ حيث إن العينات الصغيرة جداً تميل إلى إظهار قيم تضخم مفرطة وغير مستقرة إحصائياً، في حين تتيح العينات الكبيرة جداً للنموذج امتصاص قدر معقول من التعدد الخطي دون أن تتدهور دقة التنبؤ بشكل ملموس (Armenta et al., 2019).

10.2 المعايير المنهجية لتوثيق نتائج التعدد الخطي في المجلات العلمية

تفرض المعايير المنهجية الصارمة الصادرة عن جمعية علم النفس الأمريكية (APA 7th edition) وغيرها من الهيئات العلمية الدولية قواعد محددة لتوثيق فحوصات التعدد الخطي في التقارير الإحصائية المنشورة. ينبغي على الباحث تجنب الاكتفاء بعبارات عامة مبتذلة مثل “تم فحص التعدد الخطي وكانت النتائج سليمة”، بل يجب تقديم توثيق رقمي منهجي يتضمن إدراج عمودين صريحين لمعامل تضخم التباين (VIF) والتسامح (Tolerance) داخل جدول نتائج الانحدار الرئيسي جنباً إلى جنب مع المعاملات غير المعيارية (B)، والأخطاء المعيارية (SE)، والمعاملات المعيارية (Beta)، وقيم t، ومستويات الدلالة (p).

وفي متن التقرير النصي، يتعين على الباحث صياغة فقرة وصفية متكاملة بلغة أكاديمية رصينة توضح الإجراءات المتبعة في التحقق من التعدد الخطي، مع ذكر العتبة الإرشادية المعتمدة للحكم على النتائج (مثل الاستشهاد بعتبة VIF < 5 أو 10). وفي حال اتخاذ أي إجراء علاجي كتمركز المتغيرات أو حذف مؤشرات أو تطبيق انحدار الحرف، يجب تبرير هذه القرارات بشفافية علمية مطلقة استناداً إلى المنطق النظري والمؤشرات الرياضية المتطابقة، مما يعكس الأمانة الأكاديمية والاحترافية المنهجية في إدارة البيانات.

10.3 قائمة التحقق المنهجية للباحث قبل اعتماد نموذج الانحدار النهائي

لضمان استيفاء أعلى معايير الجودة الإحصائية قبل إقرار نموذج الانحدار النهائي في SAS، يُنصح الباحثون بمراجعة قائمة التحقق المنهجية التالية:

• التأكد من خلو مصفوفة المتغيرات التفسيرية من أي قيم VIF تفوق العتبات المعتمدة منهجياً (VIF < 5 أو 10 حسب صرامة المجال البحثي).
• التحقق من أن قيم التسامح الإحصائي لكافة المتنبئات تزيد بصورة قاطعة عن العتبة الحرجة 0.10.
• فحص مؤشرات الحالة (Condition Indices) من خلال خياري COLLIN للتأكد من عدم وجود مؤشرات تفوق القيمة 30 مقترنة بنسب تباين عالية لأزواج المتغيرات.
• مطابقة إشارات المعاملات التقديرية (موجبة أو سالبة) مع الفرضيات والمنطق النظري الراسخ واستبعاد أي تشوهات اتجاهية ناتجة عن التداخل التبايني.
• التحقق من خلو النموذج من المشاهدات المتطرفة المؤثرة وتجانس بواقي التقدير وتوزيعها الطبيعي المتسق.
• حفظ وتوثيق كافة الأكواد البرمجية وسجلات تشغيل SAS لضمان شفافية التحليل وتسهيل قابلية تكرار البحث (Replicability) في الدراسات المستقبلية.

خاتمة

يعد تشخيص وفحص معامل تضخم التباين (VIF) خطوة تأسيسية لا غنى عنها في ممارسات النمذجة الإحصائية الحديثة لضمان صدق التقديرات ودقة الاستدلالات العلمية. وقد استعرض هذا المقال الموسع البنية الرياضية المتكاملة لمعامل VIF وعلاقته العكسية بالتسامح الإحصائي وأثره المباشر على الأخطاء المعيارية وفترات الثقة. كما تم تفصيل الخطوات الإجرائية والتطبيقية لتشغيل هذه التحليلات داخل بيئة برمجية SAS فائقة الدقة عبر إجراء PROC REG وخيارات سطر النموذج المتقدمة، وصولاً إلى فك شفرات الجداول وتفسير النتائج في السياقات السلوكية والاجتماعية.

إن التعامل الواعي مع ظاهرة التعدد الخطي يتطلب من الباحث الجمع المتناغم بين الصرامة الحسابية في قراءة المؤشرات الرقمية، والمرونة المنهجية في تطبيق العلاجات الإحصائية الملائمة، مثل تمركز المتغيرات، أو دمج الأبعاد عبر التحليل العاملي، أو الاستعانة بأساليب الانحدار المنظم كتقنية انحدار الحرف. ومن خلال الالتزام بقواعد التوثيق الأكاديمي الرصين وقوائم التحقق المنهجية، يستطيع الباحثون تقديم نماذج تفسيرية وتنبؤية تتسم بأعلى درجات الكفاءة والاستقرار، وتساهم بفاعلية في تطوير المعرفة العلمية الموثوقة.

المراجع

Armenta, R. F., Walter, K. H., Geronimo-Hara, T. R., Porter, B., Stander, V. A., & the Millennium Cohort Study Team. (2019). Longitudinal trajectories of comorbid PTSD and depression symptoms among U.S. service members and veterans. BMC Psychiatry. https://doi.org/10.1186/s12888-019-2375-1

Bemister, T. B., Brooks, B. L., Dyck, R. H., & Kirton, A. (2015). Predictors of caregiver depression and family functioning after perinatal stroke. BMC Pediatrics. https://doi.org/10.1186/s12887-015-0397-5

Chen, C., Yılmaz, S., Pisello, A. L., De Simone, M., Kim, A. A., Hong, T., et al. (2020). The impacts of building characteristics, social psychological and cultural factors on indoor environment quality productivity belief. Building and Environment. https://doi.org/10.1016/j.buildenv.2020.107189

Emerson, D. J., Hair, J. F., & Smith, K. J. (2022). Psychological Distress, Burnout, and Business Student Turnover: The Role of Resilience as a Coping Mechanism. Research in Higher Education. https://doi.org/10.1007/s11162-022-09704-9

Ferrari, M., Yap, K., Scott, N., Einstein, D. A., & Ciarrochi, J. (2018). Self-compassion moderates the perfectionism and depression link in both adolescence and adulthood. PLoS ONE. https://doi.org/10.1371/journal.pone.0192022

Komossa, F., Wartmann, F. M., Kienast, F., & Verburg, P. H. (2020). Comparing outdoor recreation preferences in peri-urban landscapes using different data gathering methods. Landscape and Urban Planning. https://doi.org/10.1016/j.landurbplan.2020.103796

Orkibi, H. (2021). Creative Adaptability: Conceptual Framework, Measurement, and Outcomes in Times of Crisis. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2020.588172

Schaefer, L. M., & Thompson, J. K. (2014). The development and validation of the Physical Appearance Comparison Scale-Revised (PACS-R). Eating Behaviors. https://doi.org/10.1016/j.eatbeh.2014.01.001

Singla, D. R., Kohrt, B. A., Murray, L. K., Anand, A., Chorpita, B. F., & Patel, V. (2017). Psychological Treatments for the World: Lessons from Low- and Middle-Income Countries. Annual Review of Clinical Psychology. https://doi.org/10.1146/annurev-clinpsy-032816-045217