كيفية حساب R-Squared يدويًا

يحتل معامل التحديد (Coefficient of Determination)، والذي يُرمز إليه عالمياً بالرمز الرياضي الشهير R²، مكانة مركزية في صلب التحليل الإحصائي ونمذجة البيانات الكمية. إنه المعيار الذهبي والمؤشر الأساسي الذي يعتمد عليه الباحثون لتحديد مدى قدرة نموذج الانحدار الخطي على تفسير التباينات والفروق الملاحظة في الظواهر المدروسة. سواء كنت محللاً تسعى لفهم ديناميكيات الأسواق، أو باحثاً سيكومترياً تحاول قياس أثر المتغيرات النفسية المعقدة، فإن فهم القوة التفسيرية لنموذجك يمر حتماً عبر نافذة هذا المعامل الإحصائي الدقيق.

ورغم أن الحزم الإحصائية والبرمجيات المعاصرة، مثل SPSS وR وبايثون، تتيح استخراج هذه القيمة بنقرة زر واحدة، إلا أن الاكتفاء بالمخرجات الآلية يحرم الباحث من إدراك المنطق الجبري والهندسي العميق الذي بُنيت عليه هذه الخوارزميات. إن الحساب اليدوي لمعامل التحديد يفكك “الصندوق الأسود” للتحليل الإحصائي، مما يمكن الباحث من تتبع سريان التباين من البيانات الخام، مروراً بالتغاير وحواصل الضرب المشتركة، وصولاً إلى النتيجة النهائية التي تحدد جودة النموذج بدقة متناهية.

في هذا الدليل الأكاديمي الشامل، سنستعرض بالتفصيل المعمق كيفية حساب معامل التحديد R² يدوياً من الألف إلى الياء، مستندين إلى صياغة البيانات الخام دون الحاجة إلى افتراضات مسبقة معقدة. سنقوم بتفكيك المعادلات الرياضية، وشرح دلالات كل عنصر جبري، وتقديم مثال تطبيقي رقمي متكامل خطوة بخطوة، متبوعاً بقراءة إحصائية وسايكومترية عميقة تمكنك من توظيف هذه الأداة بكفاءة عالية في أبحاثك ودراساتك المتقدمة.

1. مقدمة نظرية: مفهوم معامل التحديد (R-Squared) وأهميته الإحصائية

1.1 التعريف الرياضي والإحصائي لمعامل التحديد

يُعرف معامل التحديد R² في الأدبيات الإحصائية بأنه النسبة المئوية أو الحصة النسبية من إجمالي التباين (Total Variation) الملاحظ في المتغير التابع (Dependent Variable – $y$) التي يمكن تفسيرها والتنبؤ بها من خلال التباين الموجود في المتغير المستقل (Independent Variable – $x$) عبر نموذج الانحدار الخطي المفترض. رياضياً، يمثل هذا المعامل مقياساً لجودة توفيق المنحنى (Goodness of Fit)، حيث يعبر عن مدى اقتراب نقاط البيانات الفعلية من خط الانحدار النظري المحسوب وفق طريقة المربعات الصغرى العادية (OLS).

في البنية العميقة للنماذج الإحصائية، ينقسم التباين الكلي لبيانات الظاهرة إلى شقين متمايزين: التباين المفسر (Explained Variation) الناتج عن التأثير الحقيقي والمنتظم للمتغير التنبئي، والتباين المتبقي أو العشوائي (Residual/Unexplained Variation) الناتج عن أخطاء القياس أو تأثير متغيرات دخيلة لم يشملها النموذج. يعمل R² كحكم فاصل لتحديد وزن التباين المفسر منسوباً إلى التباين الكلي، وتتراوح قيمته دائماً بين الصفر المطلق (0) والواحد الصحيح (1). تشير القيمة 0 إلى أن النموذج لا يقدم أي قدرة تفسيرية على الإطلاق، في حين تشير القيمة 1 إلى توفيق تام وتطابق مثالي بين التوقعات والبيانات الواقعية.

تبرز الأهمية البالغة لمعامل التحديد في البحوث الكمية واختبار الفرضيات الأكاديمية؛ حيث لا يكتفي الباحثون بمجرد التحقق من وجود دلالة إحصائية للعلاقة (Statistical Significance)، بل يسعون إلى قياس الحجم الفعلي لتلك العلاقة في الواقع العملي، وهو ما يوفره معامل التحديد بصفته معياراً نقياً لحجم التأثير ومؤشراً لا غنى عنه للحكم على كفاءة الفرضيات العلمية.

1.2 السياق المعرفي لاستخدام R-Squared في العلوم السلوكية والنفسية

في ميدان العلوم السلوكية والنفسية، تكتسب دراسة الفروق الفردية والسلوك البشري تعقيداً خاصاً نظراً لتداخل العوامل غير الملموسة. يُعد معامل التحديد أداة منهجية محورية لقياس مدى مساهمة المتغيرات النفسية المستقلة والوسيطة (مثل مستويات القلق، والدافعية الذاتية، والذكاء الوجداني) في تفسير التغيرات السلوكية الملاحظة كالأداء الأكاديمي، والإنتاجية المهنية، أو الاستجابة لبرامج العلاج النفسي.

كما يُستخدم R² بكثافة في بناء وتقنين المقاييس السيكومترية؛ فعند دراسة الصدق التنبؤي (Predictive Validity) لاختبار نفسي معين، يتم تطبيق الانحدار الخطي لمعرفة مقدار التباين في السلوك المستقبلي الذي ينجح المقياس في التنبؤ به. إن تحليل العلاقة بين درجات المقاييس والنتائج المعرفية الملموسة يساعد علماء النفس على تحديد ما إذا كانت النظرية المفترضة تمتلك قوة تفسيرية حقيقية أم أنها تعكس مجرد ارتباطات عشوائية لا ترقى لتفسير الظاهرة السلوكية المدروسة.

إضافة إلى ذلك، يوفر معامل التحديد في دراسات علم النفس التجريبي إمكانية مقارنة نماذج متعددة لتحديد أي التفسيرات النظرية أكثر كفاءة واقتصاداً (Parsimony) في تفسير التباين السلوكي، مما يوجه الباحثين نحو تبني النماذج الأكثر قدرة على تمثيل الواقع الإنساني المركب بأقل قدر ممكن من التعقيد الرياضي.

1.3 مبررات الحساب اليدوي وأهميته الديداكتيكية

على الرغم من التطور التكنولوجي الهائل وتوفر البرمجيات الإحصائية المتقدمة، يظل الحساب اليدوي لمعامل التحديد ضرورة ديداكتيكية وأكاديمية لا غنى عنها في تكوين الباحثين وطلاب الدراسات العليا. إن التعامل المباشر مع الأرقام والمعادلات الجبرية يتيح للباحث فهماً بنيوياً عميقاً لكيفية تفاعل المتغيرات، وكيف يساهم كل زوج من الملاحظات في تشكيل القيمة التفسيرية الإجمالية للنموذج الإحصائي.

يمكن الحساب اليدوي الباحث من اكتساب حس إحصائي نقدي يمكنه من تشخيص الأخطاء الحسابية وشذوذ البيانات (Outliers) التي قد تضلل البرمجيات الجاهزة؛ فعندما يرى الباحث أثر انحراف قيمة متطرفة واحدة على مجموع المربعات، يدرك عملياً مدى حساسية النموذج الرياضي لهذه البيانات وكيف يمكن أن تؤدي إلى تضخيم زائف أو تقليص غير مبرر لقيمة R².

علاوة على ذلك، فإن ترسيخ المبادئ التأسيسية للاستدلال الإحصائي عبر الخطوات اليدوية يكسر حاجز الرهبة الرياضية، ويحول الإحصاء من مجرد وصفات رقمية جامدة تُنفذ داخل الحواسيب إلى نسق منطقي متماسك يربط بين جمع البيانات الخام وصياغة الاستنتاجات العلمية الدقيقة.

2. العلاقة الرياضية بين معامل الارتباط (r) ومعامل التحديد (R²)

2.1 الاشتقاق من معامل ارتباط بيرسون الخطي

تستند النمذجة الخطية البسيطة (Simple Linear Regression)، التي تربط بين متغير مستقل واحد ومتغير تابع واحد، إلى قاعدة جبرية شديدة الأناقة: إن معامل التحديد R² هو بالضبط المربع الحسابي لمعامل ارتباط بيرسون الخطي ($r$) بين المتغيرين، أي أن:

$$R^2 = (r)^2$$

يقيس معامل ارتباط بيرسون ($r$) شدة واتجاه العلاقة الخطية بين المتغيرين على مقياس متصل يتراوح بين $-1$ و $+1$. تشير الإشارة السالبة إلى علاقة عكسية، بينما تعبر الإشارة الموجبة عن علاقة طردية. عند تربيع هذه القيمة لاستخراج R²، يحدث تحول رياضي ومفاهيمي جوهري؛ إذ تختفي الإشارة السالبة تماماً لتتحول النتيجة دائماً إلى قيمة موجبة محصورة بين $0$ و $1$.

هذا التحول الجبري يعكس الانتقال من دراسة “الاتجاه والاقتران النسبي” إلى قياس “نسبة التباين المطلقة”؛ فالتربيع يلغي دلالة الاتجاه ليركز كلياً على حجم الطاقة التفسيرية التي يحملها الارتباط المشترك بين المتغيرين، بغض النظر عما إذا كان التأثير طردياً متزايداً أو عكسياً متناقصاً.

2.2 الفرق بين الارتباط البسيط وتفسير التباين المشترك

من الأخطاء المفاهيمية الشائعة بين المبتدئين في التحليل الإحصائي الخلط بين قيمة معامل الارتباط $r$ وقيمة معامل التحديد $R^2$. يعتقد البعض خطأً أن ارتباطاً مقداره $r = 0.70$ يعني أن النموذج يفسر 70% من الظاهرة، بينما الحقيقة الإحصائية تكشف أن تربيع هذه القيمة يعطي:

$$R^2 = (0.70)^2 = 0.49$$

أي أن النموذج يفسر في الواقع 49% فقط من التباين، في حين تظل 51% من التباينات مجهولة وغير مفسرة. هذا الفارق الحسابي يوضح كيف أن الانتقال من $r$ إلى $R^2$ يقلص التوقعات المتفائلة غير المبررة ويعيد تقييم الظاهرة بحجمها الرياضي الواقعي.

كما يجب التأكيد الصارم على المحذور المنهجي الكلاسيكي: “الارتباط لا يقتضي السببية” (Correlation does not imply Causation). إن حصول الباحث على قيمة $R^2$ مرتفعة يعني وجود اقتران خطي قوي وتلازم في التباين المشترك بين $x$ و $y$، ولكنه لا يثبت أبداً بمفرده أن التغير في $x$ هو المسبب المباشر للتغير في $y$ دون تصميم تجريبي منضبط يستبعد كافة المتغيرات المربكة (Confounding Variables).

3. الصيغة الرياضية لحساب R² يدويًا وتفكيك عناصرها

3.1 عرض الصيغة العامة المعتمدة على المجاميع الخام

لتجنب أخطاء التقريب الحسابي المتراكمة التي تحدث عند حساب المتوسطات والانحرافات المعيارية لكل قيمة على حدة، يفضل الإحصائيون استخدام صيغة البيانات الخام (Raw Score Formula). تتيح هذه الصيغة الانتقال مباشرة من مجاميع الأرقام الأولية إلى معامل بيرسون $r$، ثم تربيعه للحصول على $R^2$ بأعلى درجات الدقة الرياضية الممكنة.

تُصاغ معادلة حساب معامل الارتباط الخطي بيرسون من البيانات الخام على النحو التالي:

$$r = \frac{n \sum xy – (\sum x)(\sum y)}{\sqrt{\left[ n \sum x^2 – (\sum x)^2 \right] \left[ n \sum y^2 – (\sum y)^2 \right]}}$$

وبتربيع الطرفين للحصول على معامل التحديد، تصبح الصيغة العامة:

$$R^2 = \left[ \frac{n \sum xy – (\sum x)(\sum y)}{\sqrt{\left[ n \sum x^2 – (\sum x)^2 \right] \left[ n \sum y^2 – (\sum y)^2 \right]}} \right]^2$$

حيث تمثل الرموز الإحصائية ما يلي:

• $n$: حجم العينة، وهو العدد الكلي لأزواج الملاحظات المتقابلة $(x, y)$.
• $\sum x$: المجموع الجبري لكافة قيم المتغير المستقل $x$.
• $\sum y$: المجموع الجبري لكافة قيم المتغير التابع $y$.
• $\sum x^2$: مجموع مربعات كل قيمة من قيم المتغير المستقل على حدة.
• $(\sum x)^2$: مربع المجموع الكلي للمتغير المستقل.
• $\sum y^2$: مجموع مربعات كل قيمة من قيم المتغير التابع على حدة.
• $(\sum y)^2$: مربع المجموع الكلي للمتغير التابع.
• $\sum xy$: المجموع الكلي لحواصل ضرب كل قيمة في $x$ بما يقابلها في $y$.

3.2 تفكيك مكونات البسط والمقام تحليليًا

عند النظر بتمعن في البنية الجبرية لهذه الصيغة، نجد أن البسط يمثل مقياساً للتغاير غير المعياري الموزون (Covariance Numerator) بين المتغيرين. إنه يحدد الاتجاه العام للبيانات؛ فإذا كانت القيم المرتفعة لـ $x$ تقترن بالقيم المرتفعة لـ $y$، فإن المقدار $n \sum xy$ سيتفوق على حاصل ضرب المجموعين $(\sum x)(\sum y)$، مما ينتج بسطاً موجباً. أما إذا كانت العلاقة عكسية، فسيكون الناتج سالباً.

أما المقام، فهو يمثل حاصل ضرب الانحرافات المعيارية الكلية لكلا المتغيرين محسوبة من البيانات الخام وموزونة بحجم العينة. يتكون المقام من شقين جذريين متماثلين: الشق الأول $\sqrt{n \sum x^2 – (\sum x)^2}$ يقيس مقدار التشتت الكلي في المتغير المستقل $x$، بينما الشق الثاني $\sqrt{n \sum y^2 – (\sum y)^2}$ يقيس مقدار التشتت والتباين الإجمالي في المتغير التابع $y$.

يقوم حجم العينة $n$ بدور الموازن والمصحح الحسابي عبر كافة عناصر الكسر؛ مما يضمن أن الناتج النهائي لمعامل بيرسون $r$ لن يتجاوز أبداً النطاق الحرج $[-1, +1]$، وأن ناتج معامل التحديد $R^2$ سيكون معياراً نسبياً نقياً ومجرداً من وحدات القياس الأصلية للمتغيرات المدروسة.

4. إعداد مصفوفة البيانات الأولية وتحديد المتغيرات

4.1 تعيين المتغير المستقل (x) والمتغير التابع (y)

قبل البدء في أي حسابات رياضية، يتعين على الباحث التحديد الدقيق لصفة كل متغير وفق الإطار النظري وتصميم البحث. يُعرف المتغير المستقل ($x$) بأنه المتغير المتنبئ (Predictor Variable) أو المفترض أنه يمارس التأثير، في حين يُعرف المتغير التابع ($y$) بأنه متغير النتيجة أو الاستجابة (Outcome/Criterion Variable) الذي نسعى لتفسير التباين الحادث فيه وتحديده بدقة.

يشترط لصحة تطبيق نموذج الانحدار الخطي ومعامل التحديد أن تكون البيانات مقاسة على مستوى المقياس الفتري (Interval Scale) أو المقياس النسبي (Ratio Scale). كما يجب التحقق من سلامة القياس وتجانس الوحدات، والتأكد من أن البيانات تعكس قياسات كمية متصلة خالية من الأخطاء المنهجية التي قد تشوه العلاقة الخطية بين المتغيرين.

إن الخطأ في تحديد المتغير التابع والمستقل لن يغير من القيمة الرياضية لـ $r$ أو $R^2$ في الانحدار البسيط بسبب خاصية التماثل، ولكنه يقلب التفسير العلمي والمنطقي للنموذج رأساً على عقب؛ حيث يصبح الباحث مفسراً للمدخلات عبر المخرجات بدلاً من العكس.

4.2 تصميم جدول الحسابات التراكمية اليدوية

تتطلب الدقة في الحساب اليدوي إعداد مصفوفة بيانات منظمة ومحكمة لتفادي التداخل العددي والخلط بين العمليات الحسابية. يتم إنشاء جدول إحصائي رئيسي يتكون من خمسة أعمدة أساسية ترتب أفقياً ورأسياً بوضوح كامل، على النحو التالي:

• العمود الأول (المعرف / الرتبة): لترقيم الحالات أو أزواج الملاحظات من $1$ إلى $n$.
• العمود الثاني ($x$): لتسجيل القيم الأولية الخام للمتغير المستقل.
• العمود الثالث ($y$): لتسجيل القيم الأولية المقابلة للمتغير التابع.
• العمود الرابع ($x^2$): لتسجيل مربع كل قيمة من قيم العمود الثاني.
• العمود الخامس ($y^2$): لتسجيل مربع كل قيمة من قيم العمود الثالث.
• العمود السادس ($xy$): لتسجيل حاصل ضرب قيمة $x$ في قيمة $y$ المناظرة لها في نفس الصف.

يتم تخصيص الصف السفلي الأخير من هذا الجدول لحساب وتدوين المجاميع التراكمية الستة الإجمالية ($\sum$). هذا التنظيم الهندسي الصارم للجدول يقلل من احتمالات الخطأ الإنساني، ويوفر مساحة عمل مرئية تتيح مراجعة الحسابات وتدقيقها في كل مرحلة على حدة.

5. الخطوة الأولى: حساب المجاميع الأساسية للمتغيرين (Σx و Σy)

5.1 جمع قيم المتغير المستقل (Σx)

تبدأ المعالجة الحسابية الفعلية بالجمع الرأسي البسيط لكافة القيم المدخلة في العمود المخصص للمتغير المستقل $x$. يتم جمع الأرقام من الملاحظة الأولى حتى الملاحظة رقم $n$ بدقة متناهية دون إغفال أي كسر عشري إن وجد، وتسجيل الناتج النهائي في خانة المجموع كـ $\sum x$.

يجب في هذه المرحلة التحقق من عدم وجود أي قيمة مفقودة (Missing Value)؛ حيث يتطلب الحساب الإحصائي للارتباط والانحدار وجود أزواج كاملة ومكتملة من البيانات. إذا كانت إحدى الملاحظات تحتوي على قيمة لـ $x$ دون وجود قيمة مناظرة لـ $y$، يجب استبعاد الحالة بالكامل من جدول الحساب لضمان ثبات حجم العينة $n$.

كخطوة تدقيقية إضافية، يُستحسن حساب المتوسط الحسابي لـ $x$ عبر المعادلة $\bar{x} = \frac{\sum x}{n}$ ومقارنة الناتج بالمدى العام للقيم؛ فإذا كان المتوسط يقع خارج الحدود المنطقية لبيانات العينة، فهذا مؤشر فوري على وجود خطأ في عملية الجمع الرأسي يستلزم المراجعة الفورية.

5.2 جمع قيم المتغير التابع (Σy)

بالطريقة ذاتها، يتم الانتقال إلى العمود المخصص للمتغير التابع $y$ لإجراء الجمع الرأسي التراكمي الشامل لكافة درجاته، وتوثيق الناتج النهائي في أسفل العمود كـ $\sum y$. تمثل هذه القيمة الكتلة العددية الإجمالية للمتغير المراد تفسيره والتنبؤ به داخل النموذج الإحصائي.

يتبع ذلك حساب المتوسط الحسابي للمتغير التابع $\bar{y} = \frac{\sum y}{n}$؛ مما يعطي الباحث نظرة أولية استكشافية حول التمركز والنزعة المركزية لدرجات الاستجابة ومقارنتها بتوزيع درجات المتغير المستقل.

يجب فحص مجاميع $x$ و $y$ للتأكد من أنها تتسق تماماً مع الحدود القصوى والدنيا لمقاييس البحث؛ إذ تكشف هذه الخطوة الأولية البسيطة عن أخطاء الإدخال الشائعة كإضافة أصفار زائدة أو تكرار تسجيل بعض الحالات سهواً أثناء النقل اليدوي.

6. الخطوة الثانية: حساب مجاميع المربعات وحاصل الضرب (Σx² و Σy² و Σxy)

6.1 إنشاء عمود مربعات المتغير المستقل (x²) وجمعها (Σx²)

في هذه الخطوة، يتم الانتقال إلى العمود الرابع من الجدول؛ حيث تؤخذ كل قيمة مفردة من قيم المتغير المستقل $x$ وتُضرب في نفسها ($x \times x$) لتوليد قيمتها المربعة $x^2$. يتم تدوين هذه المربعات صفاً بصف أمام كل ملاحظة بدقة متناهية.

من الضروري جداً التمييز الرياضي الحاسم والواعي بين مفهومين يقع الكثيرون في الخلط بينهما:

• مجموع المربعات ($\sum x^2$): وهو ناتج الجمع الرأسي لكافة القيم الموجودة في عمود $x^2$.
• مربع المجموع ($(\sum x)^2$): وهو القيمة الناتجة عن أخذ المجموع الكلي $\sum x$ (المحسوب في الخطوة الأولى) وتربيعه ككتلة واحدة.

إن الخلط بين هذين المفهومين يؤدي إلى انهيار العملية الحسابية بأكملها. بعد الانتهاء من تربيع كافة الحالات، يتم جمع عمود المربعات بالكامل رأسياً لتسجيل القيمة الإجمالية $\sum x^2$ في الخلية المخصصة لها أسفل الجدول.

6.2 إنشاء عمود مربعات المتغير التابع (y²) وجمعها (Σy²)

تُنفذ نفس العملية الجبرية على العمود المخصص للمتغير التابع $y$؛ حيث تُرفع كل درجة من درجات $y$ إلى القوة $2$ وتُسجل في العمود الخامس المقابل لها ($y^2$). هذه المربعات تمثل اللبنات الرياضية الأساسية التي سيُبنى عليها حساب التباين الكلي لمتغير النتيجة لاحقاً.

يجب التنبيه مجدداً على عدم الخلط بين مجموع مربعات درجات الاستجابة $\sum y^2$ ومربع مجموع تلك الدرجات $(\sum y)^2$. تجري مراجعة كل مدخل تربيعي على حدة لضمان عدم حدوث زلات حسابية أثناء الضرب اليدوي أو استخدام الآلة الحاسبة المكتبية.

يختتم هذا الإجراء بجمع كافة مدخلات العمود الخامس للوصول إلى المجموع التراكمي $\sum y^2$ وتدوينه بوضوح في الصف النهائي المخصص للإجماليات.

6.3 حساب حاصل ضرب القيم المتقابلة (xy) وجمعها (Σxy)

يُخصص العمود السادس لحساب حواصل الضرب المشتركة؛ حيث يُضرب كل مدخل في عمود $x$ مباشرة في المدخل المقابل له في نفس الصف من عمود $y$ ($x_i \times y_i$). يُعد هذا العمود هو المعبر الفعلي عن التفاعل والاقتران الرياضي بين المتغيرين في كل زوج من البيانات الملاحظة.

بعد إتمام عمليات الضرب الفردية لكافة الصفوف من $1$ إلى $n$، تُجمع نواتج هذا العمود بالكامل رأسياً لاستخراج القيمة التراكمية الكلية $\sum xy$. تحمل هذه القيمة أهمية حاسمة في المعادلة الإحصائية؛ إذ إنها المسؤولة المباشرة عن قياس حجم التلازم وتحديد ما إذا كان الارتباط الإجمالي سيأخذ اتجاهاً موجباً أو سالباً في البسط.

بهذا تكتمل المصفوفة الحسابية الخماسية الأساسية، وتصبح كافة المجاميع الإجمالية الستة جاهزة تماماً وموثقة في قاع الجدول لبدء تطبيق الصيغة الجبرية للكسر.

7. الخطوة الثالثة: تطبيق صيغة بسط الكسر وحساب التغاير المشترك

7.1 ضرب حجم العينة في حاصل ضرب المجموع المشترك (n * Σxy)

بعد تجهيز القيم الإجمالية في الجدول التراكمي، ننتقل إلى تطبيق معادلة البسط خطوة بخطوة. يتكون الجزء الأول من البسط من المقدار الجبري $(n \sum xy)$. هنا يتم أخذ حجم العينة الفعلي $n$ (وهو عدد الأزواج المرصودة) وضربه ضرباً مباشراً في المجموع التراكمي لعمود حاصل الضرب $\sum xy$.

ينتج عن هذه العملية رقم إجمالي كبير يمثل الطاقة المشتركة الموزونة بين المتغيرين. يجب توخي الحذر الشديد في نقل الأرقام بدقة؛ حيث إن الخطأ في رقم واحد في هذه المرحلة سيتضخم بشكل هائل عند المتابعة في بقية مراحل المعادلة الجبرية.

يُسجل هذا الناتج الأول بصورة منفصلة، ويتم تدقيق حجم العينة $n$ المستخدم للتأكد من أنه يطابق تماماً عدد الصفوف الفعلية التي دخلت في حساب المجاميع دون زيادة أو نقصان.

7.2 حساب حاصل ضرب المجموعين المستقلين ((Σx) * (Σy)) والطرح

الجزء الثاني من البسط يتطلب إيجاد حاصل الضرب المشترك للمجموعين الإجماليين، وذلك بضرب القيمة الإجمالية للمتغير المستقل $\sum x$ في القيمة الإجمالية للمتغير التابع $\sum y$، أي حساب المقدار $((\sum x) \times (\sum y))$.

تأتي بعد ذلك عملية الطرح المركزية التي تحدد قيمة بسط معامل الارتباط؛ حيث يُطرح الناتج الثاني من الناتج الأول وفق القاعدة التالية:

$$\text{Numerator} = n \sum xy – (\sum x)(\sum y)$$

إن تحليل الإشارة الناتجة عن عملية الطرح هذه يحمل دلالة إحصائية بالغة الأهمية: إذا كانت إشارة البسط موجبة ($+$)، فهذا يعني حتمياً أن العلاقة الخطية بين المتغيرين طردية موجبة. أما إذا كانت الإشارة سالبة ($-$)، فإن العلاقة عكسية سالبة. وفي حال كان الناتج مساوياً تماماً للصفر، فهذا يعني انعدام الارتباط الخطي التام بين المتغيرين.

8. الخطوة الرابعة: حساب مقام الصيغة الرياضية والتعامل مع الجذور التربيعية

8.1 حساب الحد التبايني للمتغير x داخل الجذر الأول

ينقسم مقام الصيغة الرياضية لمعامل الارتباط إلى حدين رئيسيين يقع كل منهما تحت علامة جذر تربيعي منفصلة. يختص الجذر الأول بحساب التشتت والتباين المرتبط بالمتغير المستقل $x$. يتم حساب هذا المقدار وفق المعادلة الداخلية التالية:

$$\text{Term}_x = n \sum x^2 – (\sum x)^2$$

تتضمن هذه العملية مرحلتين فرعيتين:

1. ضرب حجم العينة $n$ في مجموع المربعات الفردية $\sum x^2$ للحصول على المقدار الأول ($n \sum x^2$).
2. تربيع المجموع الإجمالي لـ $x$ برفع $\sum x$ للقوة 2 للحصول على المقدار الثاني ($(\sum x)^2$).

بعد ذلك يُطرح المقدار الثاني من المقدار الأول. من القواعد الرياضية الصارمة هنا أن ناتج الطرح داخل هذا الحد يجب أن يكون دائماً قيمة موجبة أو مساوية للصفر. إذا ظهر الناتج سالباً، فهذا دليل قاطع لا يقبل الشك على وجود خطأ حسابي في المجاميع أو خلط بين مجموع المربعات ومربع المجموع. يُستخرج الجذر التربيعي لهذا الناتج الإيجابي وتُدون قيمته بدقة لأقرب أربعة منازل عشرية.

8.2 حساب الحد التبايني للمتغير y داخل الجذر الثاني

بالتطابق الرياضي التام، يُطبق نفس الإجراء الحسابي على بيانات المتغير التابع $y$ لحساب الحد التبايني الواقع تحت علامة الجذر الثاني، وذلك عبر تطبيق المعادلة الداخلية:

$$\text{Term}_y = n \sum y^2 – (\sum y)^2$$

يتم ضرب حجم العينة $n$ في المجموع الإجمالي لعمود المربعات $\sum y^2$، ثم يُطرح من هذا الناتج مربع المجموع الإجمالي لدرجات الاستجابة $(\sum y)^2$.

وكما في الحد السابق، يجب أن يكون الناتج الداخلي موجباً تماماً. يُستخرج الجذر التربيعي للقيمة الناتجة لتمثيل الانحراف المعياري الموزون للمتغير التابع، ويُوثق الناتج المستخرج تمهيداً للخطوة الفرعية التالية.

8.3 إيجاد حاصل ضرب المقدارين الجذريين لتكوين المقام النهائي

تكتمل معالجة المقام بإجراء عملية الضرب بين ناتجي الجذرين التربيعيين المستخرجين؛ حيث يُضرب ناتج جذر تباين $x$ في ناتج جذر تباين $y$ وفق الصيغة:

$$\text{Denominator} = \sqrt{\text{Term}_x} \times \sqrt{\text{Term}_y}$$

أو بصيغة مكافئة جبرياً عبر دمج المقدارين تحت جذر موحد كبير:

$$\text{Denominator} = \sqrt{\left[ n \sum x^2 – (\sum x)^2 \right] \times \left[ n \sum y^2 – (\sum y)^2 \right]}$$

يجب تجنب التقريب المفرط في هذه المرحلة الوسيطة لتفادي تراكم الانحرافات العشرية في النتيجة النهائية. يمثل الرقم النهائي الناتج عن هذا الضرب المقام الإجمالي الكامل والنهائي لمعادلة بيرسون، وهو دائماً رقم موجب يمثل المقياس المعياري للتباين الكلي المشترك.

9. الخطوة الخامسة: إيجاد معامل بيرسون (r) وتربيعه للوصول إلى R²

9.1 قسمة البسط على المقام لاستخراج معامل الارتباط (r)

بعد استخراج قيمة البسط بدقة في الخطوة الثالثة وتحديد قيمة المقام النهائي في الخطوة الرابعة، تصبح عملية حساب معامل ارتباط بيرسون الخطي مسألة قسمة حسابية مباشرة؛ حيث تُقسم قيمة البسط على قيمة المقام:

$$r = \frac{\text{Numerator}}{\text{Denominator}}$$

تتطلب الأمانة العلمية والدقة الإحصائية فحصاً حاسماً للناتج المستخرج للتأكد من انطباق الشرط الرياضي البديهي: يجب أن تقع قيمة $r$ بالضرورة والحتمية ضمن المجال المغلق $[-1.00, +1.00]$. إذا كانت القيمة المحسوبة أكبر من $1.00$ أو أصغر من $-1.00$، فهذا يعني دون أدنى شك وجود خطأ فادح في العمليات الحسابية السابقة يجب تتبعه وتصحيحه فوراً قبل المتابعة.

تعبر إشارة الناتج عن اتجاه الارتباط، بينما يعبر مقداره العشري عن قوة هذا التماسك الخطي بين المتغير المستقل والمتغير التابع.

9.2 تربيع قيمة معامل الارتباط للحصول على R²

الخطوة الختامية والهدف النهائي للتحليل هو تحويل معامل الارتباط $r$ إلى معامل التحديد R². يتم ذلك برفع القيمة المحسوبة لمعامل بيرسون إلى القوة 2 (ضرب القيمة في نفسها):

$$R^2 = r \times r = (r)^2$$

عند تنفيذ عملية التربيع هذه، تبرز النتائج الرياضية التالية تلقائياً:

• تتحول القيمة حتماً إلى مقدار موجب، حتى لو كان معامل الارتباط الأصلي سالباً، مما يحصر $R^2$ بدقة في المدى $[0, 1]$.
• تتقلص القيمة العددية مقارنة بـ $r$ الأصلي (إلا في حالتي الصفر والواحد التام)، معبرة بدقة عن حجم التباين المفسر الحقيقي.

لتحويل القيمة العشرية الناتجة إلى صيغة النسبة المئوية المألوفة في التقارير الأكاديمية والتطبيقية، يتم ضرب الناتج في $100%$ ($R^2 \times 100%$)، مما يسهل قراءتها وعرضها على المتخصصين وغير المتخصصين على حد سواء.

10. مثال تطبيقي يدوي شامل خطوة بخطوة بالأرقام

10.1 عرض البيانات الأولية لعينة تطبيقية (n = 8)

لترسيخ هذه الخطوات الرياضية بصورة تطبيقية ملموسة، سنفترض دراسة سيكومترية تطبيقية تهدف إلى فحص أثر “ساعات التدريب على مهارات التركيز الذهني” كمتغير مستقل ($x$)، على “مستوى الأداء في اختبار الدقة السلوكية المعقدة” كمتغير تابع ($y$)، لدى عينة استطلاعية مكونة من $8$ متدربين ($n = 8$).

سجلت التجربة البيانات الأولية الخام التالية لأزواج الملاحظات الثمانية:

• المفحوص الأول ($i=1$): $x_1 = 4$ ساعات، $y_1 = 15$ درجة.
• المفحوص الثاني ($i=2$): $x_2 = 6$ ساعات، $y_2 = 20$ درجة.
• المفحوص الثالث ($i=3$): $x_3 = 7$ ساعات، $y_3 = 22$ درجة.
• المفحوص الرابع ($i=4$): $x_4 = 9$ ساعات، $y_4 = 28$ درجة.
• المفحوص الخامس ($i=5$): $x_5 = 10$ ساعات، $y_5 = 27$ درجة.
• المفحوص السادس ($i=6$): $x_6 = 11$ ساعات، $y_6 = 33$ درجة.
• المفحوص السابع ($i=7$): $x_7 = 12$ ساعات، $y_7 = 38$ درجة.
• المفحوص الثامن ($i=8$): $x_8 = 13$ ساعات، $y_8 = 40$ درجة.

الهدف الإحصائي هو بناء مصفوفة الحسابات التراكمية اليدوية وتطبيق المعادلات الجبرية خطوة بخطوة لاستخراج قيمة معامل التحديد $R^2$ بدقة رياضية متناهية.

10.2 إجراء العمليات الحسابية التفصيلية في الجدول

نبدأ بتصميم الجدول الإحصائي وحساب المربعات الفردية وحواصل الضرب المشتركة لكل حالة من الحالات الثمانية:

المفحوص ($i$)	$x$ (الساعات)	$y$ (الدرجة)	$x^2$	$y^2$	$xy$
1	4	15	16	225	60
2	6	20	36	400	120
3	7	22	49	484	154
4	9	28	81	784	252
5	10	27	100	729	270
6	11	33	121	1089	363
7	12	38	144	1444	456
8	13	40	169	1600	520
الإجمالي ($\sum$)	$\sum x = 72$	$\sum y = 222$	$\sum x^2 = 716$	$\sum y^2 = 6755$	$\sum xy = 2195$

نطبق الآن العمليات الحسابية التفصيلية للصيغة الجبرية:

1. حساب بسط الكسر:

$$\text{Numerator} = n \sum xy – (\sum x)(\sum y) = 8(2195) – (72)(222)$$
$$\text{Numerator} = 17560 – 15984 = 1576$$

2. حساب شقي المقام داخل الجذور:

الحد التبايني لـ $x$:

$$\text{Term}_x = n \sum x^2 – (\sum x)^2 = 8(716) – (72)^2 = 5728 – 5184 = 544$$
$$\sqrt{\text{Term}_x} = \sqrt{544} \approx 23.3238$$

الحد التبايني لـ $y$:

$$\text{Term}_y = n \sum y^2 – (\sum y)^2 = 8(6755) – (222)^2 = 54040 – 49284 = 4756$$
$$\sqrt{\text{Term}_y} = \sqrt{4756} \approx 68.9638$$

3. حساب المقام النهائي وقسمة الكسر لإيجاد معامل بيرسون ($r$):

$$\text{Denominator} = 23.3238 \times 68.9638 \approx 1608.4976$$
$$r = \frac{1576}{1608.4976} \approx 0.9798$$

10.3 التربيع النهائي واستخراج قيمة R² الدقيقة

نصل الآن إلى الخطوة الحاسمة لتربيع معامل بيرسون المحسوب لاستخراج قيمة معامل التحديد الدقيقة:

$$R^2 = (r)^2 = (0.9798)^2 = 0.9600$$

وللتعبير عن هذه النتيجة بالصيغة المئوية الشائعة:

$$R^2 = 0.9600 \times 100% = 96.00%$$

يوضح هذا التدقيق الرقمي التطبيقي المباشر كيف مكنتنا الصيغة الخام من الوصول إلى قيمة دقيقة وموثوقة لمعامل التحديد دون أي تشويش ناتج عن الفواصل العشرية المبكرة، مما يؤكد سلامة الخطوات وكفاءة الحساب اليدوي المنظم.

11. التفسير الإحصائي والسايكومتري لقيمة R² الناتجة

11.1 القراءة العلمية لنسبة التباين المفسرة

تكشف القيمة الناتجة في مثالنا التطبيقي ($R^2 = 0.9600$ أو $96%$) عن قدرة تفسيرية وتنبؤية استثنائية للنموذج الخطي المفترض. يعني هذا التفسير الإحصائي الصارم أن 96% من إجمالي التباين والاختلافات الملاحظة في درجات الأداء السلوكي ($y$) يمكن تفسيرها بشكل مباشر ومنتظم من خلال الفروق في عدد ساعات التدريب الذهني ($x$).

وفي المقابل، فإن النسبة المتبقية البالغة:

$$1 – R^2 = 1 – 0.9600 = 0.0400 \quad (4%)$$

تُعرف في الأدبيات الإحصائية باسم “معامل عدم التحديد” (Coefficient of Alienation) أو التباين المتبقي غير المفسر (Unexplained Variance). تعود هذه النسبة الضئيلة (4%) إلى عوامل عشوائية، أو فروق فردية كامنة لم يشملها القياس (كالاستعداد الفطري، والتغذية، وساعات النوم)، أو أخطاء طفيفة في أدوات القياس السيكومتري المستخدمة.

تثبت هذه القراءة العلمية أن النموذج يتمتع بجودة توفيق فائقة تؤهله ليكون أداة تنبؤية موثوقة وعالية الفعالية في التطبيقات الميدانية ذات الصلة.

11.2 معايير تصنيف حجم التأثير ومستوى جودة الملاءمة

لتقييم مدى الأهمية العملية والواقعية لقيمة R² بعيداً عن مجرد الحساب الرقمي، وضع عالم الإحصاء الشهير جاكوب كوهين (Jacob Cohen) محكات وتصنيفات معيارية لحجم التأثير (Effect Size) في بحوث العلوم الإنسانية والاجتماعية والسلوكية، تصنف على النحو التالي:

• حجم تأثير صغير (Small Effect): عندما تكون قيمة $R^2 \approx 0.01$ (أي يفسر النموذج نحو 1% فقط من التباين).
• حجم تأثير متوسط (Medium Effect): عندما تبلغ قيمة $R^2 \approx 0.09$ (تفسير نحو 9% من التباين الكلي).
• حجم تأثير كبير (Large Effect): عندما تصل قيمة $R^2 ge 0.25$ (تفسير 25% فما فوق من التباين الكلي).

وفقاً لمعايير كوهين، تقع القيمة المحسوبة في مثالنا ($96%$) في فئة التأثيرات الكبيرة جداً وغير المعتادة في العلوم السلوكية التي غالباً ما تتراوح قيم $R^2$ فيها بين $0.15$ و $0.40$ نظراً لتعقد السلوك الإنساني. هذا يستدعي تنبيهاً منهجياً مهماً: إن الحصول على قيم $R^2$ فائقة الارتفاع في العينات الصغيرة جداً (مثل $n = 8$) قد يكون ناتجاً عن صدفة إحصائية أو فرط التوفيق (Overfitting).

لذلك، يجب دائماً ربط قيمة $R^2$ باختبار الدلالة الإحصائية للنموذج عبر اختبار F (F-Test) في جدول تحليل التباين للانحدار (ANOVA Table)؛ للتأكد من أن النسبة المفسرة تختلف جوهرياً عن الصفر وليست وليدة خطأ المعاينة العشوائي.

12. المقارنة بين الحساب اليدوي والبرمجي ومحدودية معامل R² البسيط

12.1 مقارنة الحساب اليدوي بمخرجات البرمجيات (SPSS، R، Python)

عند إدخال نفس مصفوفة البيانات الأولية لمثالنا السابق في الحزم والبرمجيات الإحصائية الشهيرة، سنجد تطابقاً تاماً بين الحساب اليدوي ومخرجات الحاسوب. في برنامج SPSS، يظهر هذا المعامل في جدول “ملخص النموذج” (Model Summary) تحت العمود المسمى R Square بالقيمة ذاتها $0.960$.

وكذلك في لغة R، عند تطبيق الدالة summary(lm(y ~ x))، يظهر السطر الشهير Multiple R-squared: 0.96، كما تعطي مكتبة Scikit-Learn في بايثون عبر الدالة r2_score(y_true, y_pred) نفس النتيجة الدقيقة تماماً.

يكمن الفرق الوحيد في أن الحزم البرمجية تتعامل مع دقة عائمة تصل إلى أكثر من 16 منزلة عشرية، مما يلغي تماماً أي انحرافات تقريبية طفيفة قد تظهر في الحساب اليدوي. إن فهم الباحث لكيفية بناء هذا الرقم يدوياً يمنحه ثقة تامة وقدرة نقدية فائقة على قراءة وفحص الجداول البرمجية المعقدة واكتشاف أي خلل في تشكيل البيانات المدخلة.

12.2 حدود معامل R² والتحول نحو معامل التحديد المعدل (Adjusted R²)

على الرغم من الأهمية الفائقة لمعامل R²، إلا أنه يعاني من عيب بنيوي خطير في التحليلات المتقدمة والانحدار المتعدد (Multiple Regression): إنه يميل إلى الزيادة والتضخم التلقائي كلما أضفنا متغيرات مستقلة جديدة إلى النموذج، حتى لو كانت تلك المتغيرات عشوائية تماماً وعديمة القيمة التفسيرية.

لمعالجة هذا التضخم المصطنع، تم تطوير معامل التحديد المعدل (Adjusted R²)، والذي يفرض عقوبة رياضية على النموذج عند إضافة متغيرات لا تقدم مساهمة حقيقية تفوق ما هو متوقع بالصدفة. يُحسب المعامل المعدل عبر الصيغة التالية:

$$R^2_{\text{adj}} = 1 – \left[ \frac{(1 – R^2)(n – 1)}{n – k – 1} \right]$$

حيث يمثل $k$ عدد المتغيرات المستقلة في النموذج. إضافة إلى ذلك، لا ينبغي أبداً الاعتماد على $R^2$ بمفرده للحكم على جودة النموذج دون فحص الرسوم البيانية للمتبقيات (Residual Plots) والتأكد من تحقق افتراضات الخطية والتوزيع الطبيعي وثبات تباين الأخطاء (Homoscedasticity).

12.3 أخطاء شائعة يجب تجنبها أثناء الحساب اليدوي

تكشف الممارسة الأكاديمية عن مجموعة من الأخطاء المتكررة التي يقع فيها الطلاب والباحثون أثناء الحساب اليدوي لمعامل التحديد، والتي يجب الانتباه إليها وتجنبها تماماً:

• الخلط بين مجموع المربعات ومربع المجموع: وهو الخطأ الأكثر شيوعاً وتدميراً للحسابات؛ حيث يؤدي استبدال $\sum x^2$ بـ $(\sum x)^2$ إلى ظهور قيم سالبة غير مقبولة رياضياً تحت الجذور التربيعية في المقام.
• إغفال الأقواس والترتيب الصحيح للعمليات الجبرية: يؤدي عدم الالتزام بأولويات العمليات الرياضية (الضرب أولاً ثم الطرح) إلى تخريب ناتج البسط تماماً.
• التقريب المبكر للأرقام العشرية: يؤدي تقريب نواتج الجذور في المقام إلى منزلة عشرية واحدة إلى انحرافات تراكمية كبيرة تغير القيمة النهائية لـ $R^2$ وتفقدها دقتها العلمية.
• القسمة الخاطئة للبسط على المقام: قد يؤدي التسرع إلى قسمة المقام على البسط أو نسيان تربيع معامل الارتباط $r$ في الخطوة الأخيرة، مما يترك النتيجة عند حدود معامل الاقتران دون الوصول إلى نسبة التباين المفسرة الحقيقية.

خاتمة

إن إتقان الحساب اليدوي لمعامل التحديد R² يمثل ركيزة معرفية أساسية لكل باحث في مجال العلوم الإحصائية والسلوكية والاجتماعية. لقد استعرضنا في هذا الدليل المتعمق كيف يمكن تفكيك البيانات الأولية الخام وتحويلها عبر مصفوفة حسابية متناسقة إلى قياس كمي نقي يحدد بدقة متناهية جودة ملاءمة النماذج الخطية ونسبة التباين المفسرة.

من خلال تتبع الخطوات الجبرية بدءاً من المجاميع الأساسية، مروراً بحساب التغاير المشترك والانحرافات المعيارية داخل الجذور، وصولاً إلى استخراج معامل بيرسون وتربيعه، يتجلى المنطق الإحصائي الرصين الذي يحكم عملية الاستدلال العلمي. ورغم أن الأدوات البرمجية الحديثة تتولى تنفيذ هذه المهام بكفاءة وسرعة، إلا أن الفهم العميق للآليات اليدوية يظل هو الضمانة الحقيقية لقدرة الباحث على التفسير العلمي الرصين، وتشخيص أخطاء النمذجة، وتوظيف الإحصاء كأداة موثوقة لخدمة المعرفة الإنسانية.

References

• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). John Wiley & Sons.
• Pedhazur, E. J. (1997). Multiple Regression in Behavioral Research: Explanation and Prediction (3rd ed.). Wadsworth Publishing.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
• Weisberg, S. (2014). Applied Linear Regression (4th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118594841