الإحصاء والقياس النفسيبرمجة R والتحليل الإحصائي

كيفية حساب معيار مالوز Cp في لغة R

دليل إحصائي شامل ومفصل يشرح كيفية حساب وتفسير معيار مالوز Mallows’ Cp في لغة R لاختيار النموذج الانحداري الأفضل باستخدام حزمة olsrr وتطبيقاتها الأكاديمية.

تاريخ النشر

تُعد عملية اختيار النماذج الإحصائية (Model Selection) في سياق تحليل الانحدار الخطي المتعدد واحدة من أدق الركائز المنهجية التي يقوم عليها الاستدلال العلمي الحديث؛ حيث يواجه الباحثون والمحللون تحدياً مزدوجاً يتمثل في تحقيق التوازن الدقيق بين تفسير أكبر قدر ممكن من تباين الظاهرة المدروسة من جهة، وتفادي التعقيد المفرط الذي يقود إلى تشويه التقديرات التنبؤية من جهة أخرى. في هذا الفضاء الرياضي المعقد، برزت الحاجة التاريخية إلى تطوير مقاييس معيارية قادرة على تقييم كفاءة النماذج الفرعية ومقارنتها بالنموذج الكامل دون الوقوع في فخ معامل التحديد التقليدي، الذي يميل بطبيعته إلى الزيادة كلما أُضيفت متغيرات جديدة بصرف النظر عن جدواها الحقيقية.

يمثل معيار مالوز، المعروف إحصائياً بـ Mallows’ Cp، علامة فارقة في نظرية النمذجة الخطية، حيث ابتكره عالم الإحصاء البارز كولين مالوز ليكون أداة دقيقة ترتكز على قياس متوسط مربعات خطأ التنبؤ الكلي المقنن. إن القوة الجوهرية لهذا المعيار تكمن في كونه لا يكتفي بمكافأة جودة التوفيق (Goodness of Fit)، بل يفرض عقوبة رياضية صارمة على كل معلمة إضافية يتم إقحامها في النموذج، مما يتيح للباحث رصد مواطن الانحياز المنهجي وتجنب تضخم التباين العشوائي، وهو ما يجعله معياراً حاسماً في المفاضلة بين التوليفات المتعددة للمتغيرات التفسيرية.

مع تطور الحوسبة الإحصائية، أصبحت لغة البرمجة الإحصائية R البيئة المفضلة لتطبيق هذه المعايير المعقدة بفضل مرونتها وحزمها المتخصصة مثل olsrr وleaps. يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع أكاديمي وتطبيقي متكامل يشرح الأسس النظرية والرياضية لمعيار Mallows’ Cp، ويوضح كيفية حسابه وتفسير مخرجاته برمجياً خطوة بخطوة، مع تسليط الضوء على أفضل الممارسات المنهجية لمعالجة المشكلات الشائعة وضمان بناء نماذج تنبؤية تتسم بالرصانة والقدرة العالية على التعميم.

جدول المحتويات

1. مقدمة نظرية حول معيار مالوز (Mallows’ Cp) في النمذجة الإحصائية

1.1 مفهوم معيار مالوز وسياقه التاريخي في تحليل الانحدار

يعود الفضل في تطوير معيار مالوز الإحصائي إلى عالم الإحصاء البريطاني كولين لينغوود مالوز (Colin Lingwood Mallows)، الذي قدم هذا المفهوم لأول مرة في مطلع سبعينيات القرن العشرين، وتحديداً في ورقته البحثية المنشورة عام 1973 بعنوان “Some Comments on Cp”. جاء هذا الابتكار كاستجابة علمية للحاجة الملحة إلى معيار موضوعي للمفاضلة بين النماذج الانحدارية المتداخلة والمقتطعة، حيث كانت الأساليب السائدة حينها تعتمد بشكل مفرط على اختبارات الفروض التقليدية أو على معامل التحديد الذي يفتقر إلى خاصية معاقبة النماذج المتضخمة.

يقوم مفهوم معيار مالوز على تقييم أداء نموذج انحداري فرعي يحتوي على مجموعة جزئية من المتغيرات التنبؤية، ومقارنته بنموذج كامل يفترض الباحث أنه يحتوي على كافة المتغيرات ذات الصلة بالظاهرة المدروسة. في سياق الانحدار الخطي المتعدد، يعمل المعيار على قياس الخطأ المعياري التنبئي الكلي للنموذج المقترح نسبة إلى التباين الحقيقي غير المتحيز المقدر من النموذج الشامل، مما يجعله أداة استدلالية فريدة لا تركز فقط على ملاءمة البيانات المشاهدة في العينة، بل تمتد لتقييم جودة التعميم الإحصائي على بيانات مستقبلية غير مشمولة في التحليل الأولي.

تنبع أهمية استخدام هذه المقاييس المعيارية من ضرورة ضبط جودة التنبؤ والتعميم الإحصائي في الأبحاث التطبيقية؛ فالنماذج التي تبنى دون معايير مفاضلة دقيقة غالباً ما تعاني من اختلالات هيكلية تؤدي إلى فشل ذريع عند محاولة تطبيقها خارج نطاق العينة الأصلية. لذلك، يوفر معيار Mallows’ Cp إطاراً رياضياً يسمح بفحص المسافة الإحصائية بين التوزيع التنبئي للنموذج المصغر والتوزيع النظري الحقيقي للظاهرة المستهدفة.

1.2 أهمية اختيار النماذج في البحوث الكمية وتحليل السلوك

تحتل مسألة اختيار النماذج (Model Selection) موقع الصدارة في منهجية البحوث الكمية، ولا سيما في العلوم السلوكية، والاقتصاد القياسي، والبحوث الطبية الحيوية؛ حيث تتسم الظواهر المدروسة بتعقيد ديناميكي وتشابك واسع بين المتغيرات. إن التحدي الأساسي في هذه المجالات ليس نقص البيانات، بل القدرة على غربلة المتغيرات وتحديد تلك التي تمتلك تأثيراً جوهرياً ومباشراً على متغير الاستجابة، وتجنب إقحام المتغيرات الثانوية أو الضوضائية التي قد تؤدي إلى تضليل التفسيرات العلمية.

يتجلى في هذا السياق تطبيق مبدأ الإيجاز العلمي، المعروف تاريخياً بنصل أوكام (Occam’s Razor) والمصاغ إحصائياً بمبدأ التقتير أو الشح (Parsimony Principle)؛ ومفاده أن النموذج الأبسط الذي يفسر البيانات بكفاءة مكافئة للنموذج المعقد هو النموذج الأفضل والواجب اعتماده. يساعد معيار مالوز الباحثين على الالتزام بهذا المبدأ المنهجي عبر كشف النماذج التي تتضمن حشواً غير مبرر من المعلمات الإحصائية، مما يساهم في بناء أطر نظرية متماسكة يسهل تفسيرها واختبارها تجريبياً دون إغراق التحليل بتفاصيل حسابية زائدة.

علاوة على ذلك، يؤدي الاختيار المنضبط للنماذج إلى رفع الدقة التنبؤية للنماذج الانحدارية وتقليل أخطاء القياس الإحصائي التراكمية. في الدراسات السلوكية الميدانية، على سبيل المثال، قد يؤدي إدراج متغيرات استبيانية ذات ارتباطات بينية مرتفعة إلى تشويه قيم معاملات الانحدار وإشاراتها المنطقية، وهنا تبرز وظيفة معيار مالوز في تصفية هذه التوليفات للوصول إلى التوليفة المثلى التي تحافظ على تماسك القياس واستقرار النتائج عند تكرار الدراسة في بيئات بحثية متباينة.

1.3 معضلة الموازنة بين الانحياز والتباين (Bias-Variance Tradeoff)

تشكل معضلة الموازنة بين الانحياز والتباين (Bias-Variance Tradeoff) الإشكالية المركزية في صلب نظرية التعلم الإحصائي والنمذجة الرياضية. يمثل الانحياز (Bias) مقدار الخطأ المنهجي الناجم عن تبسيط النموذج لدرجة تجعله عاجزاً عن استيعاب البنية الحقيقية للعلاقات بين المتغيرات، وهي الحالة المعروفة بقصور التوفيق (Underfitting). يحدث هذا الانحياز عندما يستبعد الباحث، سواء عن قصد أو نتيجة لقصور في التصميم، متغيرات تفسيرية ذات وزن نوعي، مما يؤدي إلى تحميل أثر تلك المتغيرات المحذوفة على الحد الثابت أو على البواقي العشوائية للنموذج.

في المقابل، يمثل التباين (Variance) حساسية النموذج المفرطة للتقلبات العشوائية والضوضاء المتأصلة في عينة البيانات التدريبية، وهو ما يقود إلى فرط التوفيق (Overfitting). عند إدراج عدد كبير من المتغيرات الزائدة أو المشوشة، يصبح النموذج قادراً على تتبع كل نقطة بيانات في العينة الحالية بدقة فائقة، ولكنه يفقد القدرة تماماً على التنبؤ بأي نقاط بيانات جديدة، حيث تصبح معاملات الانحدار غير مستقرة وتتغير جذرياً مع أي تغيير طفيف في العينة المدخلة.

يقع معيار Mallows’ Cp كنقطة ارتكاز مثالية لموازنة كفتي هذه المعادلة الحسابية؛ إذ إنه يقيس بشكل صريح كلاً من انحياز النموذج الناتج عن حذف المتغيرات وتباينه المتضخم نتيجة إضافة معلمات إضافية. من خلال هذه الآلية المزدوجة، يوجه المعيار الباحث نحو المنطقة الفضلى التي يتقاطع فيها انخفاض الانحياز مع استقرار التباين، مما يحقق أدنى معدل لخطأ التنبؤ الكلي ويضمن متانة النموذج الرياضي في مختلف الظروف التطبيقية.

2. الصيغة الرياضية لحساب معيار Mallows’ Cp وتفسيرها الإحصائي

2.1 المعادلة الرياضية لمعيار مالوز Cp ومكوناتها الأساسية

تستند الصيغة الرياضية لمعيار مالوز إلى التقدير غير المتحيز لمتوسط مجموع مربعات أخطاء التنبؤ الكلية (Total Mean Squared Error of Prediction). تُكتب المعادلة القياسية لحساب قيمة المعيار لنموذج فرعي يحتوي على عدد $p$ من المتغيرات التنبؤية على النحو التالي:

Cp = (RSS_p / s^2) – N + 2(p + 1)

لتفكيك الرموز الإحصائية المكونة لهذه المعادلة وتحديد مدلولاتها الرياضية الدقيقة، نوضح العناصر الآتية بالتفصيل:

  • $RSS_p$ (Residual Sum of Squares): مجموع مربعات البواقي للنموذج الفرعي المرشح، وهو يقيس مقدار التباين غير المفسر في متغير الاستجابة عند استخدام المتغيرات الجزئية المختارة.
  • $s^2$ (Mean Squared Error of Full Model): متوسط مربعات البواقي المستخرج من النموذج الكامل الذي يضم كافة المتغيرات المتاحة، ويُعد أفضل تقدير غير منحاز للتباين العشوائي للخطأ ($\sigma^2$) في المجتمع الإحصائي.
  • $N$: حجم العينة الإجمالي، أي العدد الكلي للمشاهدات الخاضعة للتحليل في مصفوفة البيانات.
  • $p$: عدد المتغيرات التنبؤية المستقلة المتضمنة في النموذج الفرعي المقترح (دون احتساب الحد الثابت).
  • $(p + 1)$: إجمالي عدد المعلمات المقدرة في النموذج الفرعي، بما في ذلك معاملات المتغيرات التنبؤية مضافاً إليها الحد الثابت (Intercept).

تُشتق هذه الدالة الرياضية لتعكس المجموع التراكمي لخطأ الانحياز وخطأ التباين المقنن؛ حيث يمثل الحد الأول المقارن بين $RSS_p$ و $s^2$ نسبة التباين غير المفسر، في حين يعمل الجزء المتبقي $- N + 2(p + 1)$ كحد تعديلي يوازن بين حجم العينة ودرجات الحرية المستهلكة في النموذج، مما يسمح بمقارنة النماذج ذات الأحجام المتفاوتة على مقياس معياري موحد.

2.2 دور مجموع مربعات البواقي (RSS) وتباين النموذج الكامل

يلعب مجموع مربعات البواقي للنموذج المختزل ($RSS_p$) دوراً جوهرياً في بنية المعادلة، حيث يعبر عن مدى قدرة المتغيرات الفرعية على تقليص الفروق بين القيم الفعلية المشاهدة والقيم التنبؤية التي ينتجها النموذج. رياضياً، كلما كان النموذج قريباً من تمثيل البيانات تمثيلاً دقيقاً، انخفضت قيمة $RSS_p$. ومع ذلك، فإن انخفاض هذا المجموع بمفرده لا يعد دليلاً قاطعاً على جودة النموذج، لأنه ينخفض حتماً مع إضافة أي متغير جديد حتى لو كان عشوائياً، وهنا تأتي أهمية قسمته على $s^2$.

يمثل التباين $s^2$ المقياس المرجعي الثابت الذي يُقاس عليه أداء كافة النماذج الفرعية المتنافسة؛ ويُحسب بقسمة مجموع مربعات بواقي النموذج الكامل ($RSS_{full}$) على درجات حريته ($N – K – 1$)، حيث يمثل $K$ إجمالي عدد المتغيرات في النموذج الكامل. بافتراض أن النموذج الكامل محدد بصورة صحيحة وشاملة، فإن $s^2$ يمثل تقديراً غير متحيز للتباين الحقيقي للخطأ ($\sigma^2$). بالتالي، فإن حاصل قسمة $RSS_p$ على $s^2$ يعاير أداء النموذج الفرعي نسبة إلى التباين المرجعي المفترض.

يؤثر حجم العينة الكلي ($N$) تأثيراً مباشراً في ضبط حساسية المعيار الإحصائي؛ إذ يدخل كعامل ترجيح يطرح من النسبة المعايرة لتعويض التضخم الناتج عن كبر حجم البيانات. هذا الضبط الرياضي يضمن ألا تكون النماذج المختبرة محكومة فقط بحجم العينة، بل بكفاءتها النسبية في استغلال درجات الحرية المتاحة لتفسير الظاهرة دون إهدار للقدرة الاستدلالية.

2.3 العلاقة بين قيمة Cp وعدد المعلمات (p + 1)

تعد العلاقة بين القيمة المحسوبة لمعيار $C_p$ وإجمالي عدد معلمات النموذج $(p + 1)$ حجر الزاوية في التفسير الإحصائي لنظرية مالوز. تشير المعلمة $p$ إلى عدد المتغيرات التفسيرية، في حين يمثل الرقم $1$ المضاف إليها معامل الحد الثابت $\beta_0$. بالتالي، يمثل المقدار $(p + 1)$ درجات الحرية المستهلكة في تقدير معالم النموذج، ويعبر عن الحد الأدنى المتوقع لقيمة المعيار في حالة انعدام الانحياز المنهجي.

من الناحية النظرية البحتة، إذا كان النموذج الفرعي غير منحاز (أي أن المتغيرات المستبعدة ليس لها أي تأثير حقيقي على متغير الاستجابة)، فإن القيمة المتوقعة إحصائياً لمجموع مربعات البواقي $E(RSS_p)$ تساوي تقريباً $(N – p – 1)\sigma^2$. بتعويض هذه القيمة في معادلة مالوز الرياضية، نجد أن:

E(Cp) ≈ [(N – p – 1)σ² / σ²] – N + 2(p + 1) = (N – p – 1) – N + 2p + 2 = p + 1

توضح هذه النتيجة الرياضية البديعة أن القيمة المتوقعة لمعيار $C_p$ للنموذج المثالي الخالي من الانحياز يجب أن تتطابق مع عدد المعلمات $(p + 1)$. بناءً على ذلك، فإن أي انحراف إحصائي موجب وكبير عن خط التساوي ($C_p gg p + 1$) يشير مباشرة إلى وجود تحيز منهجي ناجم عن غياب متغيرات جوهرية، بينما تشير القيم المقاربة لـ $(p + 1)$ مع انخفاض في القيمة الإجمالية إلى كفاءة النموذج وتوازنه التام.

3. معايير تقييم النماذج: متى يكون النموذج مثالياً باستخدام Cp؟

3.1 تفسير قيم Cp المقاربة لعدد المعلمات الإجمالي (p + 1)

يُعد النموذج الإحصائي مرشحاً مثالياً للاعتماد والتطبيق عندما تحقق حساباته قيمة $C_p$ قريبة جداً من إجمالي عدد المعلمات $(p + 1)$، أو تقل عنها بشكل طفيف دون أن تكون سالبة بصورة شاذة. يشير هذا التطابق الرياضي إلى أن النموذج قد استوفى شرط عدم الانحياز المنهجي، حيث أظهرت البواقي استقراراً يماثل التباين العشوائي للنموذج الكامل، مما يعني أن المتغيرات المحذوفة لم تكن تحتوي على معلومات تفسيرية ذات دلالة إحصائية فارقة.

ينطوي تحقق هذا الشرط على مؤشرات هامة تتعلق بانخفاض التباين العشوائي للتقديرات مع الحفاظ على كفاءة التنبؤ الإحصائي. عندما تتساوى $C_p$ مع $(p + 1)$ عند عدد قليل من المتغيرات، يكون الباحث قد نجح في التخلص من التباين الإضافي الذي كانت ستسببه المتغيرات الزائدة، وفي الوقت نفسه تجنب الوقوع في فخ التحيز؛ مما يجعل التقديرات المستخلصة لمعاملات الانحدار مستقرة وذات أخطاء معيارية منخفضة نسبياً.

القاعدة الذهبية في تطبيق هذا المعيار تنص على اختيار “النموذج الأبسط الذي يحقق أقل قيمة $C_p$ مطابقة أو قريبة من شرط $C_p le p + 1$“. على سبيل المثال، إذا كان لدينا نموذج يضم $3$ متغيرات ($(p + 1) = 4$) وحقق قيمة $C_p = 4.2$، ونموذج آخر يضم $7$ متغيرات ($(p + 1) = 8$) وحقق $C_p = 8.1$، فإن الأفضلية الإحصائية المطلقة تذهب للنموذج الأول لأنه حقق شرط عدم الانحياز بعدد أقل من المعلمات، مما يحقق مبدأ التقتير العلمي بأعلى كفاءة ممكنة.

3.2 دلالات انحياز النموذج عند وجود قيم Cp مرتفعة

عندما تسفر الحسابات عن قيمة $C_p$ تتجاوز بمقدار ملحوظ عدد المعلمات $(p + 1)$ (أي $C_p gg p + 1$)، فإن ذلك يعد دليلاً إحصائياً قاطعاً على أن النموذج يعاني من انحياز جوهري شديد (Substantial Bias). تفسر هذه الفجوة العددية الكبيرة بأن النموذج الفرعي يفتقر إلى متغيرات تفسيرية رئيسية ترتبط ارتباطاً وثيقاً بمتغير الاستجابة وتؤثر في تشكيله، مما يجعل التقديرات الناتجة عنه قاصرة عن عكس الحقيقة العلمية للبيانات.

يترتب على حذف المتغيرات المؤثرة تضخيم مباشر لمجموع مربعات الأخطاء الباقية ($RSS_p$) في بسط المعادلة؛ حيث تُجبر التغيرات غير المفسرة على التراكم داخل حد الخطأ العشوائي، مما يرفع النسبة المعايرة مقارنة بالتباين المرجعي $s^2$. هذا التضخم يرفع قيمة $C_p$ لتبتعد عن خط التساوي النظري، معلناً فشل النموذج في استيفاء شروط الملاءمة الدقيقة للظاهرة المستهدفة بالدراسة.

تكمن خطورة الاعتماد على نماذج ذات قيم $C_p$ مرتفعة في كونها تقود إلى قرارات تنبؤية مضللة واستنتاجات خاطئة في الأبحاث والسياسات التطبيقية. فالنماذج المنحازة تعطي تقديرات غير متسقة لمعاملات الانحدار المتبقية، وتظهر علاقات سببية وهمية نتيجة لتحميل أثر المتغيرات الغائبة على المتغيرات المتضمنة، مما يجعل التدخلات المبنية على تلك النماذج غير مجدية وعرضة للخطأ عند اختبارها في الواقع العملي.

3.3 المفاضلة الدقيقة بين النماذج المتنافسة القريبة في النتائج

في العديد من التطبيقات العملية لتحليل البيانات، يواجه الباحث موقفاً تتنافس فيه عدة نماذج فرعية تحقق جميعها قيماً متقاربة لمعيار $C_p$ وتقع بالقرب من خط التساوي النظري $(p + 1)$. في مثل هذه السيناريوهات الدقيقة، لا يكفي الاعتماد الحصري على الفروق العشرية الطفيفة في قيمة المعيار، بل يجب اللجوء إلى قواعد ترجيح إحصائية ومنهجية إضافية تضمن اتخاذ القرار الأكثر رشاقة وموثوقية.

تتمثل القاعدة الأولى في تفضيل البساطة المعرفية واختيار النموذج ذي العدد الأقل من المعلمات التنبؤية طالما كان الفرق في قيمة $C_p$ غير جوهري. إن تقليص عدد المتغيرات يقلل من تكاليف جمع البيانات المستقبلية، ويبسط عمليات المراقبة والتحكم، ويسهل شرح وتفسير النموذج للجهات المستفيدة من نتائج البحث، فضلاً عن تقليل احتمالات التداخل الخطي الناتج عن تعدد المدخلات.

أما القاعدة الثانية، فتقتضي الموازنة بين المؤشرات الرقمية والجدوى النظرية والعملية للمتغيرات قبل اتخاذ القرار النهائي. ينبغي فحص المعنى العلمي لكل متغير مرشح ومدى توافقه مع الأدبيات السابقة للنظرية قيد الاختبار؛ فإذا كان النموذج الأصغر يستبعد متغيراً حاسماً من الناحية النظرية ولكنه يحقق $C_p$ مساوياً لنموذج يحتفظ به، فإن المنطق العلمي يرجح الإبقاء على المتغير ذي الأهمية المنهجية، مما يؤكد أن معيار مالوز أداة ترشيد للقرار وليس بديلاً عن التفكير العلمي النقدي.

4. إعداد بيئة العمل في R وتثبيت الحزم الإحصائية المطلوبة

4.1 تثبيت واستدعاء حزمة olsrr في بيئة R

تعتبر حزمة olsrr واحدة من أكثر الأدوات البرمجية تطوراً وشمولاً في بيئة R لتشخيص ونمذجة انحدار المربعات الصغرى العادية (OLS). تم تصميم هذه الحزمة خصيصاً لتيسير خطوات اختيار النماذج وبناء الانحدار المتدرج وتحليل الانتهاكات الفرضية بطرق برمجية واضحة ومخرجات سهلة التفسير، مما يجعلها الخيار الأول لحساب وتصور معيار Mallows’ Cp.

لتثبيت الحزمة من المستودع الرسمي لشبكة أر الشاملة (CRAN)، يتم تنفيذ الأمر البرمجي المباشر install.packages("olsrr") داخل وحدة التحكم (Console). يتولى هذا الأمر تحميل ملفات الحزمة وكافة التبعيات البرمجية اللازمة لتشغيلها بصورة متوافقة ومستقرة. بعد إتمام التثبيت بنجاح لمرة واحدة على جهاز الحاسوب، يتم استدعاء الحزمة وتفعيلها في جلسة العمل الحالية باستخدام الدالة library(olsrr) لتصبح جميع دوالها متاحة للاستخدام المباشر.

تتميز حزمة olsrr بقدرتها الفائقة على تجميع نتائج المقارنات الإحصائية المتعددة في جداول مصفوفية موحدة ورسوم بيانية عالية الجودة؛ حيث تتيح للمستخدم حساب معيار مالوز لنموذج منفرد أو إجراء تقييم آلي شامل لكافة التوليفات الخطية الممكنة، مما يختصر مئات الأسطر من الأكواد اليدوية ويقلل من احتمالات الخطأ الحسابي أثناء التطبيق.

4.2 استعراض حزم إحصائية مساندة (tidyverse و leaps)

إلى جانب الحزمة الأساسية، تبرز منظومة حزم tidyverse كبيئة عمل لا غنى عنها لأي باحث يعمل في تحليل البيانات باستخدام R. تضم هذه المنظومة أدوات رائدة مثل dplyr للتلاعب بالبيانات وتصفيتها، وggplot2 لتوليد الرسوم البيانية الإحصائية المتقدمة. يتيح تثبيت وتفعيل المنظومة عبر library(tidyverse) مرونة فائقة في إعادة تشكيل مصفوفات النتائج وفرزها بناءً على قيم المعايير المستخرجة بكل سلاسة.

كما تعد حزمة leaps الأداة الكلاسيكية الأكثر رسوخاً في تاريخ R لحساب وتحليل الانحدار الفرعي الممكن (All Subsets Regression) باستخدام خوارزميات التفرع والحد (Branch-and-Bound Algorithm) التي طورها فورنيفال وويلسون عام 1974. تُعد هذه الحزمة خياراً بالغ الأهمية عند التعامل مع مجموعات بيانات تحتوي على عدد كبير من المتغيرات التنبؤية؛ نظراً لكفاءتها الحسابية وسرعتها الاستثنائية في مسح آلاف النماذج المحتملة واستخراج قيم $C_p$ بدقة متناهية.

من الضروري للباحث التحقق الدوري من توافق إصدارات الحزم المستخدمة مع إصدار بيئة R الأساسية المثبتة على النظام؛ حيث يضمن هذا التوافق تجنب المشكلات البرمجية الناتجة عن تغيير الدوال المهجورة (Deprecated Functions) ويضمن اتساق العمليات الحسابية وتطابق النتائج عبر مختلف المنصات وأنظمة التشغيل.

4.3 تجهيز جلسة العمل وضبط خيارات العرض والنتائج

تبدأ الممارسة البرمجية الرصينة بتهيئة جلسة العمل وتنظيف الذاكرة المؤقتة لضمان عدم تداخل الكائنات الإحصائية أو المتغيرات المعرفة مسبقاً مع التحليل الجديد. يُنصح دائماً بتنفيذ الأمر rm(list = ls()) في بداية السكريبت لمسح كافة العناصر المخزنة في البيئة العامة (Global Environment)، متبوعاً باستدعاء جامع المهملات البرمجي gc() لتحرير المساحة المستهلكة في الذاكرة العشوائية.

لضمان سهولة قراءة المخرجات الإحصائية والمقارنة الدقيقة بين الأرقام الكسرية المعقدة، يُفضل ضبط خيارات تنسيق الأرقام العشرية عبر الأمر options(digits = 4)؛ حيث يؤدي ذلك إلى توحيد عرض النتائج وقيم $C_p$ والمعاملات الإحصائية عند أربع خانات عشرية، وهو مستوى الدقة القياسي المعتمد في معظم المجلات العلمية والتقارير الأكاديمية.

كذلك، ينبغي على الباحث تحديد مسار دليل العمل (Working Directory) بصورة واضحة باستخدام الدالة setwd() أو الاعتماد على نظام المشاريع المتكامل في RStudio (RStudio Projects)؛ حيث يتيح ذلك حفظ المخططات البيانية الناتجة وجداول المخرجات المصدرة في مجلدات مخصصة بصورة منظمة وقابلة لإعادة الإنتاج والمشاركة مع فرق البحث والزملاء.

5. تجهيز واستكشاف مجموعة البيانات (mtcars Data Exploration)

5.1 استدعاء وفحص مصفوفة بيانات mtcars القياسية

لتطبيق الحسابات الإحصائية الخاصة بمعيار Mallows’ Cp بطريقة عملية وتطبيقية، سنعتمد على مصفوفة البيانات القياسية mtcars (Motor Trend Car Road Tests) المدمجة افتراضياً في بنية R. تتضمن هذه المصفوفة بيانات تاريخية استُخرجت من مجلة Motor Trend لعام 1974، وتشتمل على قياسات الأداء الهندسي والخصائص الفنية لـ 32 طرازاً من السيارات المتنوعة عبر 11 متغيراً كمياً مختلفاً.

يتم استدعاء مجموعة البيانات وفحصها برمجياً عبر الكود الآتي:

data(mtcars)
str(mtcars)
summary(mtcars)

يكشف فحص الهيكل البنائي عبر الدالة str() أن كافة المتغيرات مخزنة كأرقام عددية (Numeric) مما يجعلها جاهزة مباشرة لنمذجة الانحدار الخطي. في هذا التحليل التطبيقي، سنعتمد متغير كفاءة استهلاك الوقود mpg (Miles Per Gallon) كمتغير تابع (Response Variable)، بينما تمثل المتغيرات العشرة الأخرى المتنبئات المحتملة، ومنها: إزاحة المحرك disp، والقوة الحصانية hp، ووزن السيارة wt، وزمن قطع ربع الميل qsec، وعدد الأسطوانات cyl.

5.2 التحليل الاستكشافي للعلاقات والارتباطات بين المتغيرات

يعد الفحص الاستكشافي الأولي لمصفوفة الارتباط الخطي (Correlation Matrix) خطوة منهجية بالغة الأهمية قبل الشروع في بناء النماذج وحساب معيار مالوز. يتم حساب معاملات ارتباط بيرسون بين جميع المتغيرات عبر استدعاء الدالة cor(mtcars)، والتي توفر نظرة بانورامية حول شدة واتجاه العلاقات الخطية الثنائية بين المتنبئات ومتغير الاستجابة من جهة، وبين المتنبئات وبعضها البعض من جهة ثانية.

تظهر نتائج مصفوفة الارتباط أن متغير كفاءة الوقود mpg يرتبط ارتباطاً عكسياً قوياً جداً بوزن السيارة wt ($r \approx -0.87$) وإزاحة المحرك disp ($r \approx -0.85$)، بالإضافة إلى القوة الحصانية hp ($r \approx -0.78$). يشير هذا الارتباط السلبي القوي إلى أن زيادة وزن المركبة وسعة محركها يرتبطان بانخفاض ملحوظ في عدد الأميال المقطوعة لكل جالون وقود، مما يجعل هذه المتغيرات مرشحة بقوة للظهور في النماذج الانحدارية النهائية.

بالإضافة إلى ذلك، يكشف التحليل الاستكشافي عن وجود علاقات ترابط بينية مرتفعة جداً بين بعض المتغيرات المستقلة نفسها، مثل الارتباط بين عدد الأسطوانات cyl والإزاحة disp الذي يتجاوز $0.90$. هذا التداخل الأولي ينبه الباحث مبكراً إلى احتمالية وجود تداخل خطي متعدد (Multicollinearity)، وهو ما يستدعي استخدام معيار Mallows’ Cp لانتقاء التوليفة التي تحقق أقصى قدرة تفسيرية بأقل قدر من التعقيد والتكرار الإحصائي.

5.3 التحقق من الفروض الأساسية للتحليل الانحداري الخطي

قبل الاعتماد على مخرجات نماذج الانحدار الخطي العادي ومعايير المفاضلة المرتبطة بها، يتعين على الباحث التحقق المنهجي من استيفاء الفروض الرياضية الكلاسيكية لنماذج الانحدار. تشمل هذه الفروض: خطية العلاقة بين المتغيرات المستقلة والتابع، واستقلالية الأخطاء العشوائية، وتجانس تباين البواقي (Homoscedasticity)، وخلو التوزيع المتبقي من الانحرافات الشديدة عن التوزيع الطبيعي المعياري.

يتم تقييم تجانس التباين وافتراض الخطية من خلال فحص المخطط البياني للبواقي مقابل القيم المقدرة (Residuals vs Fitted Plot)؛ حيث يجب أن تتوزع البواقي عشوائياً في شريط متماثل حول خط الصفر دون اتخاذ أنماط بصرية محددة كالأشكال القمعية أو المنحنية. كما يُستخدم مخطط الاحتمال الطبيعي (Normal Q-Q Plot) للتحقق من وقوع نقاط البواقي على امتداد الخط القطري، مما يثبت التوزيع الطبيعي للخطأ العشوائي ويضمن موثوقية اختبارات الدلالة الإحصائية.

علاوة على ذلك، يجب فحص القيم الشاذة والمشاهدات المؤثرة باستخدام مسافات كوك (Cook’s Distance) ومصفوفة الرفع (Leverage Points) للتأكد من أن نتائج التحليل لا تخضع لهيمنة سيارة معينة ذات خصائص هندسية متطرفة. إن التأكد الصارم من هذه الفروض يمنح الباحث الثقة التامة بأن التباين المرجعي المحسوب للنموذج الكامل ($s^2$) غير متحيز، وهو الشرط الأساسي الذي تستند إليه معادلة Mallows’ Cp لتوليد نتائج دقيقة.

6. بناء النموذج الكامل والنماذج الفرعية المرشحة في R

6.1 بناء النموذج الكامل (Full Model) كمرجع أساسي للحسابات

يمثل النموذج الكامل (Full Model) حجر الأساس الذي تستند إليه كافة حسابات معيار Mallows’ Cp؛ حيث يفترض التحليل أن هذا النموذج يحتوي على جميع المتغيرات التفسيرية المرشحة للنظرية، ويقدم التقدير المرجعي الوحيد للتباين الحقيقي غير المنحاز للخطأ العشوائي ($s^2$). لبناء هذا النموذج في بيئة R، نستخدم دالة الانحدار الخطي الكلاسيكية lm() بتضمين المتغيرات العشرة كافة في مواجهة متغير الاستجابة mpg.

يتم تنفيذ الكود البرمجي لبناء النموذج الكامل واستخراج تباينه المرجعي كالتالي:

full_model <- lm(mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb, data = mtcars)
summary(full_model)

من مخرجات النموذج الكامل، نستخرج متوسط مربعات الخطأ ($s^2 = MSE_{full}$) الذي يمثل مربع الخطأ المعياري للبواقي (Residual Standard Error). في حالة نموذج mtcars الكامل، يبلغ الخطأ المعياري للبواقي حوالي $2.65$ مع $21$ درجة حرية، مما يعني أن $s^2 \approx (2.65)^2 = 7.02$. ستدخل هذه القيمة الثابتة كقاسم مشترك في معادلة مالوز لتقييم كافة النماذج الفرعية المتنافسة وضبط موازين المقارنة بينها بدقة تامة.

6.2 صياغة وتحديد النماذج الفرعية المرشحة (Candidate Models)

بعد تحديد النموذج المرجعي وتثبيت تباينه، يقوم الباحث بصياغة مجموعة من النماذج الفرعية المرشحة (Candidate Models) التي تمثل فرضيات نظرية أو توليفات إحصائية مختزلة ذات أهمية تطبيقية. سنقوم بتركيب ثلاثة نماذج فرعية متباينة في التعقيد والتركيب لاختبارها والمفاضلة بينها باستخدام معيار مالوز:

  • النموذج الأول (Model 1): نموذج رباعي المتغيرات يضم الإزاحة، والقوة الحصانية، والوزن، وزمن التسارع:
    model_1 <- lm(mpg ~ disp + hp + wt + qsec, data = mtcars)
  • النموذج الثاني (Model 2): نموذج ثنائي المتغيرات يقتصر فقط على الإزاحة وزمن التسارع:
    model_2 <- lm(mpg ~ disp + qsec, data = mtcars)
  • النموذج الثالث (Model 3): نموذج ثنائي المتغيرات يركز فقط على المتغيرين الأكثر ارتباطاً: الإزاحة والوزن:
    model_3 <- lm(mpg ~ disp + wt, data = mtcars)

تمثل هذه النماذج الثلاثة سيناريوهات منهجية مختلفة؛ فالنموذج الأول يمثل توليفة هندسية متوازنة وشاملة، بينما يمثل النموذجان الثاني والثالث نماذج مقتطعة ذات درجات بساطة أعلى، مما يتيح لنا اختبار قدرة معيار Mallows’ Cp على كشف التحيز الناتج عن حذف المتغيرات الجوهرية كالقوة الحصانية أو الوزن.

6.3 فحص المعنوية الإحصائية للمعاملات ومخرجات النماذج الفرعية

يتطلب التحليل المنهجي فحص جدول المعلمات ومخرجات الدالة summary() لكل نموذج فرعي على حدة؛ للوقوف على قيم معاملات الانحدار ($\beta$)، وأخطائها المعيارية، وقيم الإحصاء $t$، ومستويات الدلالة الإحصائية المقابلة (p-values). يوفر هذا الفحص رؤية معمقة حول السلوك الرياضي لكل متغير عند عزله أو دمجه مع متغيرات أخرى.

عند فحص النموذج الأول (Model 1)، نلاحظ أن معامل التحديد $R^2$ يبلغ حوالي $0.835$، وأن بعض المتغيرات مثل wt وqsec تحقق دلالة إحصائية واضحة عند مستوى $\alpha = 0.05$، في حين تتراجع الدلالة الفردية لمتغير disp نتيجة لوجود الوزن والتسارع. هذا يشير إلى أن التباين يوزع بين المتغيرات الأربعة بكفاءة تفسيرية عالية تقترب من النموذج الكامل، مع استهلاك 4 درجات حرية للمتغيرات مضافاً إليها الحد الثابت، ليصبح إجمالي المعلمات المقدرة $(p + 1) = 5$.

في المقابل، يظهر ملخص النموذجين الثاني والثالث انخفاضاً متفاوتاً في قيمة $R^2$؛ حيث يهبط في النموذج الثاني إلى قرابة $0.72$، مما ينبئ بارتفاع محتمل في مجموع مربعات البواقي $RSS_p$. يبلغ إجمالي عدد المعلمات لهذين النموذجين $(p + 1) = 2 + 1 = 3$. يمهد هذا التحديد الدقيق لعدد المعلمات المستهدفة الطريق للمرحلة التطبيقية لحساب قيمة $C_p$ ومقارنتها مباشرة بالرقم المستهدف لكل نموذج فرعي.

7. التطبيق العملي: حساب Mallows’ Cp باستخدام دالة ols_mallows_cp()

7.1 بنية دالة ols_mallows_cp() ومحدداتها البرمجية

توفر حزمة olsrr دالة متخصصة ومباشرة لحساب معيار مالوز هي الدالة ols_mallows_cp(). تتميز هذه الدالة ببنيتها البرمجية الواضحة والسهلة، حيث صُممت لتأخذ وسيطين أساسيين يمثلان كائنات النماذج الانحدارية المنفذة مسبقاً باستخدام الدالة القياسية lm(). يتم استدعاء الدالة وفق الصيغة العامة الآتية:

ols_mallows_cp(model, full_model)

يمثل الوسيط الأول model كائن النموذج الفرعي المراد تقييم جودته وحساب قيمته المعيارية، في حين يمثل الوسيط الثاني full_model كائن النموذج الكامل الذي يتضمن كافة المتغيرات المتاحة في التحليل. تتولى الدالة تلقائياً استخراج مصفوفة البواقي وحساب مجموع مربعات البواقي $RSS_p$ للنموذج الفرعي، وتقدير التباين المرجعي $s^2$ من النموذج الكامل، بالإضافة إلى حساب درجات الحرية وعدد المعلمات بدقة متناهية دون الحاجة لأي تدخل يدوي من الباحث.

تكمن القوة البرمجية لهذه الدالة في معالجتها التلقائية لكافة الشروط الرياضية؛ حيث تتحقق برمجياً من أن النموذجين تم بناؤهما على نفس مصفوفة البيانات ونفس عدد المشاهدات، مما يضمن خلو الحسابات من أي تشوهات ناتجة عن عدم تطابق درجات الحرية الأساسية في النموذج.

7.2 تنفيذ الكود البرمجي لحساب Cp للنماذج الثلاثة المقترحة

لحساب معيار مالوز للنماذج الفرعية الثلاثة التي قمنا ببنائها في القسم السابق، نقوم بتنفيذ الأوامر البرمجية التالية على التوالي في بيئة R:

cp_model_1 <- ols_mallows_cp(model_1, full_model)
cp_model_2 <- ols_mallows_cp(model_2, full_model)
cp_model_3 <- ols_mallows_cp(model_3, full_model)
print(c(Model1_Cp = cp_model_1, Model2_Cp = cp_model_2, Model3_Cp = cp_model_3))

عند تنفيذ هذه الأوامر على مجموعة بيانات mtcars، نحصل على النتائج الحسابية التالية:

  • النموذج الأول (Model 1): يسفر الحساب عن قيمة $C_p \approx 4.52$. بمقارنة هذه القيمة مع القيمة النظرية المستهدفة $(p + 1) = 5$، نجد أنها متطابقة ومتقاربة جداً.
  • النموذج الثاني (Model 2): يسفر الحساب عن قيمة $C_p \approx 20.89$. بمقارنة هذه النتيجة مع المستهدف $(p + 1) = 3$، نلاحظ وجود فجوة رقمية هائلة.
  • النموذج الثالث (Model 3): يسفر الحساب عن قيمة $C_p \approx 13.56$. بمقارنة هذه النتيجة مع المستهدف $(p + 1) = 3$، نجد أيضاً ارتفاعاً كبيراً وموجباً.

7.3 التحليل والمقارنة التفصيلية لنتائج الحساب البرمجي

يكشف التحليل المقارن للنتائج الرقمية المستخرجة عن تفوق كاسح للنموذج الأول (Model 1)؛ حيث حقق قيمة $C_p = 4.52$ وهي أقل من القيمة المستهدفة $(p + 1 = 5)$. يثبت هذا الانخفاض أن النموذج الأول خالٍ تماماً من الانحياز المنهجي، ويوفر تقديراً فائق الكفاءة للظاهرة الاستهلاكية للوقود باستخدام 4 متغيرات فقط بدلاً من المتغيرات العشرة للنموذج الكامل، مما يجعله نموذجاً مقتراً ومثالياً من الناحية التنبؤية.

في المقابل، تعكس النتائج المرتفعة للنموذجين الثاني ($C_p = 20.89$) والثالث ($C_p = 13.56$) حالة كلاسيكية من قصور التوفيق والانحياز الشديد الناتج عن حذف متغيرات ذات وزن تفسيري حاسم. فعلى الرغم من أن النموذجين يحتويان على متغيرات ترتبط بقوة بكفاءة الوقود، إلا أن استبعاد متغيرات مثل القوة الحصانية hp وزمن التسارع qsec أدى إلى تضخيم البواقي بصورة جعلت قيمة $C_p$ تتضاعف عدة مرات مقارنة بالعدد النظري $(p + 1 = 3)$.

يخلص التحليل الإحصائي المستفاد من دالة ols_mallows_cp() إلى استبعاد النموذجين الثاني والثالث تماماً من قائمة النماذج المرشحة للاعتماد النهائي؛ لكونهما يعانيان من خطأ انحياز منهجي عالي، في حين يثبت النموذج الأول كفاءته الرياضية كمرشح قوي يوازن بين دقة التنبؤ وبساطة البنية الإحصائية.

8. المقارنة الآلية لجميع النماذج الممكنة (All Possible Subsets Regression)

8.1 تطبيق دالة ols_step_all_possible() لحساب Cp لجميع التباديل

بدلاً من الاعتماد الحصري على التخمين اليدوي للنماذج الفرعية، تتيح حزمة olsrr أتمتة العملية برمتها عبر إجراء انحدار شامل لكافة التوليفات الممكنة (All Possible Subsets Regression) باستخدام الدالة القوية ols_step_all_possible(). تقوم هذه الدالة بمسح فضاء النماذج بالكامل عبر توليد كافة التباديل الخطية الممكنة للمتغيرات التنبؤية المشمولة في النموذج الكامل، والتي يبلغ عددها رياضياً $2^K – 1$ نموذجاً فرعياً، أي ما يعادل 1023 نموذجاً مختلفاً في حالة المتغيرات العشرة لمصفوفة mtcars.

يتم استدعاء الدالة البرمجية وتخزين نتائج المسح الشامل في كائن إحصائي متكامل كما يلي:

all_subsets <- ols_step_all_possible(full_model)
plot(all_subsets)

تولد هذه الدالة جدول بيانات إحصائي هائل يشتمل على تقييم تفصيلي لكل نموذج فرعي تم اختباره؛ متضمناً رقم النموذج، وعدد المتغيرات المضمنة فيه، وقائمة أسماء المتغيرات، بالإضافة إلى حساب متزامن لجميع معايير المفاضلة الشائعة: معيار مالوز $C_p$، ومعامل التحديد $R^2$، ومعامل التحديد المعدل $Adjusted R^2$، ومعيار أكايكي $AIC$، ومعيار بايز $BIC$، وخطأ التنبؤ المعياري $RMSE$.

8.2 استخراج وتصفية أفضل النماذج وفق معيار مالوز

للوصول إلى النماذج الفضلى من بين المئات من النماذج المولدة، نقوم بتصفية مصفوفة النتائج باستخدام أدوات dplyr للبحث عن النماذج التي تحقق أدنى قيم لمعيار $C_p$ وتتوافق مع شرط الاقتراب من خط التساوي النظري $(p + 1)$. يمكن تنفيذ عملية التصفية والترتيب عبر الكود البرمجي التالي:

best_models <- as.data.frame(all_subsets) %>%
  select(n, predictors, cp, aic, adjr) %>%
  mutate(target_p = n + 1, diff = abs(cp - target_p)) %>%
  arrange(cp) %>%
  head(5)
print(best_models)

تظهر نتائج التصفية الدقيقة أن أفضل نموذج على الإطلاق وفق معيار Mallows’ Cp هو نموذج ثلاثي المتغيرات ($n = 3, p + 1 = 4$) يتضمن المتغيرات: hp (القوة الحصانية)، و wt (الوزن)، و qsec (زمن التسارع) بقيمة $C_p \approx 3.04$، يليه مباشرة نموذج رباعي يضيف متغير ناقل الحركة am بقيمة $C_p \approx 3.48$. تكشف هذه النتيجة بوضوح عن النمط المتكرر لمتغيري الوزن والتسارع كعنصرين جوهريين لا غنى عنهما في أي نموذج ناجح لتفسير استهلاك الوقود.

8.3 التمثيل البياني لتوزيع قيم Cp مقابل عدد المتغيرات

يوفر استدعاء دالة الرسم القياسية plot(all_subsets) مصفوفة من المخططات البيانية التشخيصية التي تعرض مسار كافة المعايير الإحصائية مع تغير حجم النموذج الفرعي. من بين هذه المخططات، يبرز المخطط المخصص لمعيار مالوز ($C_p vs Number of Predictors$) كأهم أداة بصرية لفهم ديناميكية المفاضلة بين النماذج والتحقق من نمط الانحياز التراكمي.

يحتوي المخطط البياني على خط قطري يمثل خط التطابق النظري المثالي ($y = x + 1$). تتوزع النماذج المحسوبة على شكل نقاط مبعثرة فوق وتحت هذا الخط؛ حيث تتركز النماذج التي تعاني من انحياز مرتفع في الجزء العلوي الأيسر من الرسم بعيداً عن الخط، مظهرة قيماً فلكية لـ $C_p$ نتيجة لقلة المتغيرات المستبعدة المؤثرة، في حين تهبط النقاط تدريجياً لتقترب من الخط المرجعي كلما أضيفت المتغيرات الجوهرية الصحيحة.

تتيح القراءة البصرية المتمعنة لهذا الرسم للباحث التعرف الفوري على نقطة التشبع الإحصائي (Statistical Saturation Point)، وهي النقطة التي يتوقف عندها معيار $C_p$ عن الهبوط الإضافي ويبدأ في الاستقرار بمحاذاة خط التساوي. يوجه هذا التمثيل البصري متخذ القرار نحو اختيار النموذج ثلاثي أو رباعي المتغيرات الذي يقع تماماً عند أدنى انحناءة للمنحنى، مستبعداً بذلك النماذج المعقدة التي تضيف معلمات دون أي تحسين ملموس في الأداء.

9. طريقة بديلة: حساب معيار مالوز باستخدام حزمة leaps

9.1 بناء النماذج عبر دالة regsubsets() في حزمة leaps

تمثل حزمة leaps الخيار الأكاديمي الكلاسيكي الأوسع انتشاراً في الأدبيات الإحصائية لحساب نماذج الانحدار الفرعي ومعيار مالوز في بيئة R. تعتمد هذه الحزمة على دالتها المحورية regsubsets() التي تنفذ خوارزميات حسابية فائقة السرعة قادرة على التعامل مع مصفوفات البيانات الكبيرة بكفاءة زمنية تفوق الطرق المباشرة.

يتم تطبيق الدالة لبناء ومسح النماذج الفرعية لمجموعة بيانات mtcars باستخدام الكود الآتي:

library(leaps)
reg_sub <- regsubsets(mpg ~ ., data = mtcars, nvmax = 10, method = "exhaustive")
reg_summary <- summary(reg_sub)

يحدد الوسيط nvmax = 10 الحد الأقصى لعدد المتغيرات التنبؤية المسموح بإدراجها في النماذج الفرعية المفحوصة، في حين يحدد الوسيط method = "exhaustive" نمط البحث الشامل لكافة التوليفات الخطية الممكنة دون إغفال أي احتمال. ينتج عن تنفيذ هذا الكود كائن إحصائي مركب يختزن في طياته خلاصة تقييم أفضل نموذج محدد لكل حجم من أحجام المتغيرات (من نموذج المتغير الواحد حتى نموذج المتغيرات العشرة الكامل).

9.2 استخراج قيم Cp وتفسير جدول المخرجات

للوصول المباشر إلى قيم معيار مالوز $C_p$ المحسوبة للنماذج المختارة لكل حجم في حزمة leaps، نستخدم المشغل المباشر $cp من كائن الملخص الإحصائي، كما هو موضح في الأسطر التالية:

cp_values <- reg_summary$cp
adjr2_values <- reg_summary$adjr2
models_table <- data.frame(Variables_Count = 1:10, Cp = cp_values, Adj_R2 = adjr2_values)
print(models_table)

تسفر هذه الطباعة عن جدول رقمي موجز يوضح القيمة الدنيا لمعيار $C_p$ لكل حجم متغيرات. يظهر الجدول أن أفضل نموذج أحادي المتغير يسجل $C_p \approx 61.2$، ويهبط هذا الرقم دراماتيكياً في أفضل نموذج ثنائي إلى $13.56$، ثم يصل إلى قاع المنحنى في أفضل نموذج ثلاثي مسجلاً $C_p \approx 3.04$. تتطابق هذه النتائج تطابقاً تاماً مع الحسابات المستخرجة سابقاً من حزمة olsrr، مما يؤكد الموثوقية الرياضية العالية لكلا الأداتين البرمجيتين.

لتحديد المتغيرات الدقيقة المكونة لأفضل نموذج ثلاثي وفق هذا الجدول، نقوم بفحص المصفوفة المنطقية reg_summary$which[3, ]، والتي توضح بالقيم المنطقية (TRUE/FALSE) المتغيرات الفائزة في التركيب، مؤكدة أنها المتغيرات ذاتها: hp و wt و qsec.

9.3 الرسم التشخيصي لنتائج حزمة leaps واختيار النموذج

تقدم حزمة leaps آلية عرض بياني فريدة من نوعها ومبتكرة للغاية من خلال تطبيق دالة الرسم المتخصصة plot.regsubsets() مع تحديد مقياس الرسم ليكون معيار مالوز، كما يوضح الكود التالي:

plot(reg_sub, scale = "Cp")

ينتج عن هذا الأمر مخطط مصفوفي فسيفسائي ملون بالأبيض والأسود، يمثل المحور الرأسي فيه قيم معيار $C_p$ المتدرجة من الأدنى إلى الأعلى، في حين يمثل المحور الأفقي قائمة كافة المتغيرات التنبؤية المتاحة. تقرأ هذه الخريطة البيانية بالتركيز على الصف العلوي الذي يمثل أدنى قيمة لمعيار مالوز، حيث تشير المربعات المظللة باللون الداكن أو الأسود إلى المتغيرات المضمنة في النموذج الأفضل، بينما تشير المربعات البيضاء إلى المتغيرات المستبعدة.

تتميز طريقة العرض البياني لحزمة leaps بقدرتها البصرية على إبراز الوزن الإحصائي النسبي لكل متغير عبر كافة النماذج التنافسية؛ فالمتغير الذي يظهر مظللاً باستمرار في كافة الصفوف العليا للرسم (مثل متغير الوزن wt) يثبت أنه ركيزة أساسية في التفسير، في حين أن المتغيرات التي تختفي من الصفوف العليا تدل على عدم جدواها الإحصائية في ضبط التنبؤ.

10. مقارنة معيار Mallows’ Cp مع المعايير الإحصائية البديلة في R

10.1 المقارنة بين Mallows’ Cp ومعيار أكايكي (AIC) ومعيار بايز (BIC)

ترتبط المعايير الإحصائية الثلاثة: معيار مالوز $C_p$، ومعيار أكايكي لمعلومات النموذج (Akaike Information Criterion – AIC)، ومعيار بايز للمعلومات (Bayesian Information Criterion – BIC) بروابط رياضية عميقة في إطار نظرية المعلومات والانحدار الخطي العادي تحت فرضية التوزيع الطبيعي للبواقي. في واقع الأمر، أثبتت الدراسات الرياضية وجود تكافؤ خطي مباشر وتطابق تام في الترتيب والمفاضلة بين قيم $C_p$ و قيم $AIC$ عندما يفترض النموذج خطأً عشوائياً موزعاً توزيعاً طبيعياً مع ثبات التباين المرجعي.

يكمن الفارق الجوهري بين هذه المقاييس في شدة “عقوبة التعقيد” (Penalty for Complexity) المفروضة على كل معلمة إضافية تضاف إلى النموذج. يفرض كل من $C_p$ و $AIC$ عقوبة ثابتة مقدارها $2$ لكل معلمة إضافية، في حين يفرض معيار $BIC$ عقوبة أشد ترتبط بحجم العينة رياضياً بمقدار $ln(N)$ لكل معلمة. بالتالي، عندما يتجاوز حجم العينة $N ge 8$ (حيث $\ln(8) \approx 2.08 > 2$)، يصبح معيار بايز $BIC$ أكثر ميلاً لاختيار نماذج أكثر صغراً وإيجازاً مقارنة بمعياري $C_p$ و $AIC$.

في بيئة R، يمكن استخراج قيم $AIC$ و $BIC$ للنماذج الانحدارية ومطابقتها برمجياً مع قيم $C_p$ باستخدام الدوال المدمجة AIC(model) و BIC(model). غالباً ما يؤدي توافق نتائج $C_p$ مع معيار $AIC$ إلى منح الباحث ثقة مزدوجة في دقة التنبؤ، بينما يوفر فحص $BIC$ صمام أمان إضافي ضد فرط التعقيد في العينات الإحصائية الكبيرة.

10.2 المقارنة مع معامل التحديد المعدل (Adjusted R-squared)

يعد معامل التحديد المعدل ($Adjusted R^2$) أحد أقدم التعديلات الإحصائية المقترحة للتغلب على عيب معامل التحديد البسيط $R^2$؛ حيث يقوم بتعديل النسبة المفسرة من التباين بقسمة البواقي والمجموع الكلي للمربعات على درجات الحرية المقابلة ($df$). بالرغم من شيوع استخدامه الواسع، إلا أن هناك فروقاً منهجية عميقة تفصل بين فلسفة تعظيم $Adjusted R^2$ وفلسفة تدنية معيار $Mallows’ Cp$.

تقوم معادلة $Adjusted R^2$ على فرض عقوبة ضعيفة نسبياً على المتغيرات الجديدة؛ إذ يكفي أن يقدم المتغير الإضافي قيمة إحصاء $t$ تتجاوز الواحد الصحيح ($|t| > 1$) لكي يرتفع معامل التحديد المعدل، حتى لو كان المتغير غير معنوي إحصائياً عند مستوى الدلالة القياسي $\alpha = 0.05$. هذا التسامح الرياضي يجعل $Adjusted R^2$ يميل في كثير من الأحيان إلى ترجيح نماذج أكبر حجماً وأكثر تعقيداً مقارنة بمعيار مالوز.

من الناحية المنهجية، تركز فلسفة معيار Mallows’ Cp بصورة أدق على ضبط خطأ التنبؤ الكلي المقنن بدلاً من مجرد تحسين التوفيق الوصفي داخل العينة؛ مما يجعله مقياساً أكثر حساسية لتشخيص تضخم التباين. يوصى دائماً بقراءة المعيارين معاً في التقارير الإحصائية؛ لضمان أن النموذج المختار يجمع بين أعلى قدرة تفسيرية ممكنة وأدنى مخاطرة لفرط التوفيق التنبؤي.

10.3 مصفوفة اتخاذ القرار لاختيار المعيار الأنسب لنوع البيانات

يتطلب التحليل الإحصائي الرصين إدراكاً واعياً للمحددات المنهجية لكل مقياس وملاءمته لطبيعة البيانات وأهداف البحث. توضح المصفوفة المنهجية التالية معايير المفاضلة والاستخدام الأمثل لكل مقياس إحصائي في بيئة التحليل الكمي:

  • معيار Mallows’ Cp: يتفوق بشكل مثالي في دراسات القياس ونماذج الانحدار الخطي العادية ذات الحجم المعتدل للعينات؛ خاصة عندما يكون الهدف الأساسي هو بناء نموذج تنبئي مقتصد يوازن بدقة متناهية بين الانحياز والتباين مع وجود نموذج كامل محدد نظرياً بصورة جيدة.
  • معيار أكايكي (AIC): يعد الخيار الأنسب عند المقارنة بين نماذج غير متداخلة (Non-nested Models) أو نماذج غير خطية، مثل نماذج الانحدار اللوجستي والانحدار المعمم (GLM)، ونماذج السلاسل الزمنية المعقدة (ARIMA).
  • معيار بايز (BIC): يفضل استخدامه عندما يكون الهدف هو اكتشاف “النموذج الحقيقي” المولد للبيانات (Model Identification) في ظل وجود عينات ضخمة جداً (Big Data)، حيث يمنع التضخم غير المبرر في عدد المتغيرات بقوة عقوبته اللوغاريتمية.
  • معامل التحديد المعدل ($Adjusted R^2$): يظل أداة وصفية تمهيدية ممتازة لتقييم جودة التوافق العام وتفسير نسبة التباين للمتلقي غير المتخصص، دون الاعتماد عليه منفرداً في اتخاذ القرار التنبئي النهائي.

11. الأخطاء الشائعة واستكشاف المشكلات البرمجية وإصلاحها في R

11.1 خطأ عدم تطابق بيانات النموذج الكامل مع النماذج الفرعية

من أكثر الأخطاء البرمجية والإحصائية شيوعاً عند محاولة حساب معيار مالوز في R ظهور رسائل خطأ تشير إلى عدم توافق أبعاد المصفوفات أو اختلاف درجات الحرية بين النموذج الفرعي والنموذج الكامل. ينشأ هذا الخطأ في الغالب نتيجة وجود قيم مفقودة (Missing Values – NA) في بعض المتغيرات داخل مصفوفة البيانات، مما يجعل دالة lm() تحذف الأسطر المفقودة تلقائياً من النموذج الذي يتضمن تلك المتغيرات فقط، بينما تختلف المشاهدات في نموذج آخر.

يترتب على اختلاف عدد المشاهدات بين النموذجين بطلان المقارنة الرياضية بطلاناً تاماً؛ حيث تستند معادلة مالوز إلى ثبات حجم العينة الإجمالي $N$ وثبات التباين المرجعي $s^2$. لتصحيح هذه المشكلة وضمان اتساق البيانات، يجب تصفية مصفوفة البيانات مسبقاً قبل تركيب النماذج باستخدام دالة الحذف المكتمل na.omit() على النحو التالي:

clean_data <- na.omit(raw_data)

يضمن تدريب النموذج الكامل وكافة النماذج الفرعية على مصفوفة بيانات موحدة ومكتملة تماماً تجنب كافة رسائل الخطأ البرمجية، ويضمن استقرار وصحة الحسابات الرياضية المستخرجة من دالة ols_mallows_cp().

11.2 التعامل مع مشكلة التعددية الخطية الشديدة (Multicollinearity)

تمثل مشكلة التعددية الخطية الشديدة (Multicollinearity) بين المتغيرات المستقلة تهديداً مباشراً لدقة وموثوقية معيار Mallows’ Cp. عندما تكون المتغيرات التفسيرية في النموذج الكامل مترابطة بدرجة عالية جداً، تصبح مصفوفة المعلومات شبه شاذة (Near-Singular Matrix)، مما يؤدي إلى تضخم هائل في الأخطاء المعيارية لمعاملات الانحدار وعدم استقرار تقدير تباين النموذج الكامل $s^2$.

إذا تم تقدير $s^2$ بصورة غير دقيقة ومتحيزة نتيجة للتداخل الخطي، فإن هذا الخلل ينتقل مباشرة إلى مقام معادلة مالوز، مما يشوه قيم $C_p$ لكافة النماذج الفرعية ويجعل المقارنات بينها مضللة وفاقدة للمصداقية. لتشخيص هذه المعضلة في بيئة R، يتعين على الباحث حساب معامل تضخم التباين (Variance Inflation Factor – VIF) باستخدام الدالة ols_vif_tol(full_model) أو دالة vif() من حزمة car.

في حال تجاوزت قيم $VIF$ العتبة الحرجة المقبولة إحصائياً (مثل $VIF > 5$ أو $10$)، يجب على الباحث معالجة التداخل الخطي أولاً؛ إما بحذف أحد المتغيرات المتطابقة، أو بدمج المتغيرات المترابطة عبر تحليل المكونات الأساسية (PCA)، أو استخدام أساليب الانحدار المعاقب مثل انحدار الحافة (Ridge Regression) أو لازو (Lasso) قبل الشروع في حساب معيار $C_p$.

11.3 تفسير القيم السالبة أو الشاذة لمعيار Cp والتعامل معها

في بعض التطبيقات الإحصائية النادرة، قد يفاجأ الباحث بظهور قيمة سالبة لمعيار مالوز ($C_p < 0$) أو قيمة تقل كثيراً وبشكل غير منطقي عن الصفر وعن الحد الأدنى النظري. يثير هذا الظهور قلقاً منهجياً مشروعاً، نظراً لأن القيمة المتوقعة للمعيار يجب ألا تقل من الناحية النظرية عن قيمة عدد المعلمات إلا بفروق طفيفة ناتجة عن التباين العشوائي للعينات الصغيرة.

تعود الأسباب الإحصائية لظهور هذه القيم الشاذة عادة إلى وجود مبالغة وتقدير مفرط لتباين الخطأ في النموذج الكامل ($s^2$ Overestimation)؛ ويحدث ذلك عندما يكون النموذج الكامل سيئ الصياغة ومحملاً بعدد ضخم من المتغيرات غير المفيدة التي تستهلك درجات الحرية دون أن تخفض مجموع المربعات، أو نتيجة وجود نقاط شاذة متطرفة (Outliers) شوهت تقديرات النموذج الكامل دون النماذج الفرعية.

للتعامل مع هذه المشكلة الحسابية وإصلاحها، يجب إعادة فحص تشخيصات النموذج الكامل بعناية فائقة، وإزالة المشاهدات الشاذة المؤثرة ذات مسافات كوك المرتفعة، والتأكد من صياغة النموذج الكامل بالاعتماد على أسس نظرية منطقية بدلاً من حشو كافة المتغيرات المتاحة عشوائياً. بمجرد تصحيح النموذج الكامل، تعود قيم $C_p$ للانتظام ضمن نطاقها الرياضي السليم والقابل للتفسير.

12. دراسة حالة تطبيقية متكاملة وتوصيات منهجية للباحثين

12.1 التطبيق العملي الكامل من استيراد البيانات حتى اعتماد النموذج

لتقديم خلاصة تطبيقية شاملة تجمع بين النظافة البرمجية والرصانة المنهجية، نستعرض فيما يلي سكريبت تحليلي متكامل مكتوب بلغة R، ينفذ خطوات استيراد البيانات، والتحقق، وتوليد النماذج، وحساب معيار مالوز، وتصدير مصفوفة النتائج الختامية بدقة واحترافية:

# 1. تحميل الحزم البرمجية وضبط الإعدادات
library(tidyverse)
library(olsrr)
options(digits = 4)

# 2. تجهيز البيانات والتأكد من الاكتمال
data(mtcars)
df_cars <- na.omit(mtcars)

# 3. بناء النموذج الكامل واستخراج تباينه
fit_full <- lm(mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb, data = df_cars)

# 4. مسح كافة النماذج الفرعية وحساب المعايير
subsets_result <- ols_step_all_possible(fit_full)

# 5. استخراج أفضل 3 نماذج بناءً على معيار Mallows' Cp
final_selection <- as.data.frame(subsets_result) %>%
  select(n, predictors, rsquare, adjr, cp, aic) %>%
  mutate(target_p = n + 1) %>%
  arrange(cp) %>%
  head(3)

# 6. عرض جدول النتائج النهائي
print(final_selection)

يوضح الجدول الختامي المستخرج المؤشرات الإحصائية لأفضل ثلاثة نماذج منافسة على النحو المبين في الجدول التالي:

رقم النموذج عدد المتغيرات ($n$) المتغيرات المضمنة $R^2$ معيار $C_p$ المستهدف $(p + 1)$ معيار $AIC$
النموذج الفائز 3 hp, wt, qsec 0.835 3.04 4 154.1
المرشح الثاني 4 hp, wt, qsec, am 0.849 3.48 5 153.4
المرشح الثالث 3 disp, hp, wt 0.827 4.12 4 155.6

تثبت هذه الدراسة التطبيقية بالأدلة الرقمية القاطعة اعتماد النموذج الثلاثي (hp, wt, qsec) كنموذج نهائي للتحليل؛ نظراً لتحقيقه أدنى قيمة لمعيار مالوز ($C_p = 3.04$) مع الحفاظ على أعلى مستويات التقتير الإحصائي والتفسيري الممكن.

12.2 قواعد توثيق وتضمين نتائج Mallows’ Cp في التقارير الأكاديمية

تفرض التقاليد الأكاديمية الرصينة، ولا سيما المعايير الصادرة عن جمعية علم النفس الأمريكية (APA Style 7th Edition)، قواعد دقيقة لعرض وتوثيق مخرجات اختيار النماذج الإحصائية في الأبحاث والرسائل العلمية. لا يجوز للباحث الاكتفاء بذكر اسم النموذج الفائز فحسب، بل يتعين عليه تضمين جدول مقارنة منهجي يوضح مسار الانتقال بين النماذج المتنافسة مبيناً قيم $C_p$ وقيم المعايير المساندة ($AIC$, $Adj R^2$).

في متن قسم النتائج الإحصائية (Results Section)، يُنصح بصياغة فقرة تفسيرية رصينة تتبع النمط الأكاديمي القياسي، كالصيغة المرجعية الآتية:

“للمفاضلة بين النماذج الانحدارية المرشحة وتحديد التوليفة المثلى للمتغيرات التنبؤية، تم استخدام معيار مالوز (Mallows’ Cp) بالتكامل مع معيار أكايكي للمعلومات (AIC). أظهرت نتائج مسح النماذج الفرعية أن النموذج المكون من ثلاثة متغيرات (القوة الحصانية، والوزن، وزمن التسارع) هو النموذج الأمثل إحصائياً؛ حيث حقق أدنى قيمة لمعيار مالوز (Cp = 3.04)، وهي قيمة تقل عن عدد المعلمات المقدرة (p + 1 = 4)، مما يؤكد استيفاء النموذج لشرط عدم الانحياز المنهجي وخلوه من التعقيد الزائد مقارنة بالنموذج الكامل، مفسراً ما يقارب 83.5% من التباين الكلي في استهلاك الوقود.”

بالإضافة إلى ذلك، يُستحسن في الأبحاث المعاصرة إرفاق الأكواد البرمجية الكاملة للتحليل المكتوبة في بيئة R كملحق علمي إلكتروني (Supplementary Material) أو نشرها عبر مستودعات البيانات المفتوحة (Open Science Framework – OSF)؛ لتعزيز موثوقية البحث العلمي وتمكين الباحثين الآخرين من إعادة إنتاج النتائج والتحقق منها بسهولة (Reproducibility).

12.3 أفضل الممارسات المنهجية والبرمجية في بيئة R

يتطلب الاحتراف في تطبيق النمذجة الإحصائية تبني حزمة من الممارسات البرمجية والمنهجية الفضلى التي تضمن سلامة الاستدلال العلمي وجودة الشفرة المصدرية. تشمل هذه الممارسات كتابة أكواد معيارية معلقة وموثقة بعناية، مع تنظيم بنية المشروع في ملفات مستقلة تفصل بين استيراد البيانات وتجهيزها وبين التحليل الإحصائي وإعداد التقارير، والاعتماد على ميزات التحكم في الإصدارات البرمجية مثل Git.

من الناحية المنهجية، يوصى بشدة بعدم الاكتفاء بالمعايير الاستدلالية الثابتة داخل العينة التدريبية وحدها، بل يجب تدعيم نتائج معيار Mallows’ Cp بتطبيق أساليب التحقق المتقاطع (k-fold Cross-Validation)؛ حيث يوفر التحقق المتقاطع اختباراً تجريبياً حقيقياً لأداء النموذج على عينات مستقطعة خارج نطاق البيانات الأصلية، مما يؤكد أن اختيار معيار مالوز يترجم فعلياً إلى دقة تنبؤية فائقة في العالم الحقيقي.

أخيراً، يجب على الباحث التمسك الدائم بالأولوية التفسيرية للأساس النظري للظاهرة؛ فالأتمتة البرمجية وخوارزميات المسح الشامل ليست سوى أدوات مساعدة ترشد التفكير العلمي ولا تلغيه. ينبغي دائماً إخضاع النماذج المختارة للمحاكمة العقلية والمنطقية، والتأكد من أن العلاقات الرياضية المكتشفة تتسق مع المنطق العلمي والطبيعة الفيزيائية أو السلوكية للظاهرة قيد الدراسة، مما يحول التحليل الإحصائي من مجرد تمرين رقمي إلى مساهمة معرفية حقيقية وراسخة.

خاتمة

يقدم معيار مالوز Mallows’ Cp إطاراً رياضياً واستدلالياً بديعاً يتجاوز القيود التقليدية لمعامل التحديد البسيط، مانحاً الباحثين أداة دقيقة للموازنة بين انحياز النماذج المقتطعة وتباين النماذج المتضخمة. من خلال التطبيق العملي في بيئة البرمجة الإحصائية R، وعبر الحزم المتطورة مثل olsrr وleaps، يصبح بمقدور المحللين والباحثين تفكيك بنية النماذج الانحدارية، ومسح كافة التوليفات المتنافسة، وانتقاء التوليفة المثلى التي تلبي مبدأ التقتير والإيجاز العلمي بأعلى كفاءة تنبؤية ممكنة. إن الفهم العميق للأسس النظرية لهذا المعيار وتفسير مخرجاته بوعي منهجي ونقدي يمثل خطوة أساسية لضمان بناء نماذج إحصائية رصينة، تسهم في الارتقاء بجودة البحوث الكمية وصناعة القرارات المبنية على البيانات بثقة واقتدار.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 28). كيفية حساب معيار مالوز Cp في لغة R. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-calculate-mallows-cp-in-r/
looti, Mohammed. “كيفية حساب معيار مالوز Cp في لغة R.” عرب سايكلوجي, 28 أغسطس 2026, https://arabpsychology.com/statistics/how-to-calculate-mallows-cp-in-r/.
looti, Mohammed. “كيفية حساب معيار مالوز Cp في لغة R.” عرب سايكلوجي. أغسطس 28, 2026. https://arabpsychology.com/statistics/how-to-calculate-mallows-cp-in-r/.