كيفية تحديد نقاط البيانات المؤثرة باستخدام مسافة كوك

يمثل تحليل الانحدار الخطي العادي (Ordinary Least Squares – OLS) أحد أركان النمذجة الإحصائية والاستدلال العلمي في مختلف التخصصات، من العلوم الطبيعية والاقتصادية إلى العلوم السلوكية والنفسية. ومع ذلك، فإن القوة الاستدلالية لهذه النماذج تعتمد اعتماداً جوهرياً على استيفاء جملة من الفروض الكلاسيكية الصارمة، والتي يأتي في طليعتها تجانس تباين الأخطاء، والتوزيع الطبيعي للبواقي، وغياب الارتباط الذاتي. غير أن التحدي الأكثر خطورة وإرباكاً للباحثين والمحللين لا يكمن فقط في انتهاك هذه الفروض العامة، بل في الحساسية المفرطة لطريقة المربعات الصغرى تجاه الملاحظات الفردية المتطرفة، حيث يمكن لمشاهدة واحدة شاذة أن تغير اتجاه خط الانحدار، وتقلب نتائج الدلالة الإحصائية رأساً على عقب، وتقود إلى استنتاجات علمية مضللة تماماً.

في فضاء البيانات متعدد الأبعاد، تتنوع أنماط الشذوذ الإحصائي بين قيم متطرفة في متغير الاستجابة التابع، وقيم ذات رافعة عالية في فضاء المتغيرات التفسيرية المستقلة. غير أن الأخطر من ذلك هو التقاطع الديناميكي بين هذين البعدين، وهو ما يُعرف في الأدبيات الإحصائية بـ النقاط المؤثرة (Influential Data Points). هذه النقاط لا تكتفي بمجرد الابتعاد عن مركز التوزيع السحابي للبيانات، بل تمتلك ثقلاً جبرياً يُمكّنها من سحب خط الانحدار نحوها بقوة، مما يؤدي إلى تشويه معلمات النموذج (الميل والتقاطع) وتزييف جودة التوفيق الإحصائي. ومن هنا برزت الحاجة المنهجية لتطوير مقاييس تشخيصية كمية مركبة تستطيع عزل وقياس هذا التأثير بدقة متناهية.

تُعد مسافة كوك (Cook’s Distance) الأداة التشخيصية الأكثر رسوخاً وشهرة في الإحصاء التطبيقي للتعامل مع معضلة التأثير الفردي. ومن خلال الدمج المتقن بين مفهوم البواقي الإحصائية والرافعة الجبرية المستمدة من مصفوفة الإسقاط، توفر مسافة كوك مقياساً إجمالياً واحداً يترجم مقدار الإزاحة التي ستطرأ على جميع القيم المتنبأ بها للنموذج في حال حذف نقطة معينة. يهدف هذا المقال الموسوعي إلى تقديم تشريح أكاديمي شامل لمسافة كوك: من أصولها النظرية واشتقاقاتها الرياضية، مروراً بتمايزها المفاهيمي عن مقاييس الشذوذ التقليدية، ووصولاً إلى استراتيجيات حسابها وتفسيرها برمجياً وتطبيقياً عبر مختلف البيئات الإحصائية، مع وضع بروتوكول منهجي رصين لمعالجة النقاط المؤثرة بما يضمن النزاهة العلمية للتحليلات الإحصائية.

1. مفهوم مسافة كوك وأهميتها الإحصائية في تحليل الانحدار

1.1 التعريف النظري لمسافة كوك (Cook’s Distance)

تم تطوير مقياس مسافة كوك على يد الإحصائي الأمريكي المرموق ر. دينيس كوك (R. Dennis Cook) عام 1977 عبر ورقته البحثية التأسيسية المنشورة في دورية Technometrics، لتشكل نقطة تحول مفصلية في مجال الفحوصات التشخيصية لنماذج الانحدار الخطي. يُعرّف هذا المقياس نظرياً بأنه مؤشر تجميعي يقيس مدى التغير الكلي في متجهات القيم التنبؤية (Fitted Values) للنموذج الإحصائي عند استبعاد مشاهدة معينة ($i$) من مجموعة البيانات المستخدمة في التقدير.

تكمن العبقرية الرياضية في مسافة كوك في قدرتها على الإجابة عن سؤال افتراضي حاسم: «ما الذي سيحدث لكافة تنبؤات النموذج إذا تم شطب هذه الحالة الفردية وإعادة بناء معادلة الانحدار من جديد؟». فبدلاً من التركيز على تغير معامل انحدار مفرد أو الاكتفاء بفحص الخطأ التنبؤي للحالة نفسها، تُقيّم مسافة كوك التأثير المشترك والشمولي على كامل فضاء الاستجابة المقدر. ولهذا السبب، تُصنف مسافة كوك ضمن المؤشرات التشخيصية المعتمدة على تقنية الحذف المتسلسل (Deletion Diagnostics)، حيث تلعب دور الرادار الإحصائي الذي يرصد الملاحظات التي تمارس تأثيراً غير متناسب وغير مبرر على البنية الهيكلية للنموذج الخطي.

1.2 الأهمية الإبستمولوجية والمنهجية في ضبط النماذج الإحصائية

من منظور فلسفة العلم ومناهج البحث الكمي، تمثل مسافة كوك صمام أمان معرفي يحمي الاستنتاجات العلمية من التقديرات المضللة والانحيازات الناتجة عن عيوب في البيانات. في النماذج الإحصائية التطبيقية، قد يؤدي وجود ملاحظة واحدة مغلوطة أو ناتجة عن خطأ في القياس والترميز إلى إعطاء انطباع زائف بوجود علاقة سببية قوية، أو العكس؛ طمس علاقة حقيقية قائمة بين المتغيرات. إن الاعتماد على المؤشرات الإجمالية دون تشخيص تفصيلي للمشاهدات يهدد صدق النتائج وقابليتها للتكرار (Replicability).

تسهم مسافة كوك في تحسين كفاءة ودقة مقدرات معاملات الانحدار عبر خفض الخطأ المعياري للتقدير ($SE(\hat{\beta})$). فعندما يتم فحص الحالات ذات المسافات المرتفعة ومعالجتها منهجياً، يستعيد النموذج استقراره الهيكلي، وتتحقق فرضية تجانس التباين واستقلال الأخطاء بشكل أكثر موثوقية وفقاً لمبرهنة غاوس-ماركوف (Gauss-Markov Theorem). هذا الضبط الإبستمولوجي يمنح الباحث ثقة إحصائية في أن معلمات النموذج تعكس بالفعل النمط الحقيقي للجمهور الإحصائي المستهدف، وليس مجرد تمثيل لخصائص شاذة لعدد محدود من الحالات المنفردة.

1.3 طبيعة التأثير الإحصائي للبيانات المنفردة على النماذج التنبؤية

يتخذ التأثير الإحصائي الذي تمارسه المشاهدات الفردية على النماذج التنبؤية مسارات متعددة ومعقدة، يمكن إيجازها في ثلاثة مستويات رئيسية:

• تشويه معلمات الانحدار (Slope and Intercept): تعمل النقطة المؤثرة كرافعة ميكانيكية تجذب خط الانحدار نحوها بقوة، مما يؤدي إلى تغيير جذري في زاوية ميل الخط (Slope) وقيمة نقطة التقاطع مع المحور الرأسي (Intercept). قد ينقلب الميل من موجب إلى سالب أو العكس بسبب نقطة واحدة متطرفة تقع في طرف نطاق المتغيرات المستقلة.
• التأثير الخادع على معامل التحديد ($R^2$): يمكن للنقاط المؤثرة أن تضخم قيمة معامل التحديد ($R^2$) بشكل اصطناعي عبر خلق مسافة شاسعة بين أطراف التوزيع تزيد من تباين الانحدار المفسر ظاهرياً، أو على النقيض من ذلك، قد تؤدي إلى انهيار قيمة $R^2$ لنموذج ذي قدرة تنبؤية حقيقية عبر زيادة مجموع مربعات البواقي غير المفسرة ($SSE$).
• تغيير مستويات الدلالة الإحصائية (P-values): يؤدي الانحياز في تقدير المعلمات وتضخيم الأخطاء المعيارية إلى قلب نتائج اختبارات الفروض ($t\text{-tests}$ و $F\text{-tests}$). فقد تصبح المتغيرات ذات الدلالة الإحصائية العالية غير دالة، أو تظهر متغيرات عديمة القيمة الحقيقية بوصفها منبئات جوهرية، مما يقود إلى ارتكاب أخطاء من النوع الأول (Type I Error) أو النوع الثاني (Type II Error).

2. التمايز المفاهيمي: القيم الشاذة، نقاط التأثير العالي، والنقاط المؤثرة

2.1 القيم الشاذة (Outliers) وخصائصها في فضاء الاستجابة

يقتضي التدقيق المنهجي التمييز الصارم بين ثلاثة مفاهيم إحصائية تتداخل غالباً في الأدبيات التطبيقية: القيم الشاذة، ونقاط الرافعة، والنقاط المؤثرة. تُعرّف القيم الشاذة (Outliers) بأنها المشاهدات التي تمتلك بواقي إحصائية (Residuals) كبيرة الحجم بصورة غير عادية مقارنة ببقية العينة. يتركز مفهوم الشذوذ هنا في فضاء متغير الاستجابة ($Y$-space)، حيث تفشل معادلة الانحدار المقدرة في التنبؤ بقيمة المشاهدة بدقة مقبولة، مما ينتج عنه انحراف عمودي حاد عن خط أو مستوى الانحدار.

تُقاس القيم الشاذة عادة باستخدام البواقي المعيارية (Standardized Residuals) أو البواقي الطلابية المحذوفة (Studentized Deleted Residuals). وتتميز النقطة الشاذة الصرفة بكون قيم المتغيرات المستقلة الخاصة بها ($X$) قريبة نسبياً من مركز البيانات (متوسطات المتنبئات)، لكن قيمة الاستجابة الفعلية ($y_i$) تبتعد شذوذاً عن القيمة المتوقعة ($\hat{y}_i$). من الأهمية بمكان إدراك أن النقطة قد تكون شاذة بالمعنى الإحصائي الدقيق، ولكنها لا تمارس تأثيراً كبيراً على ميل خط الانحدار العام إذا كانت تقع قرب مركز توزيع المتغيرات المستقلة، إذ يقتصر أثرها السلبي في هذه الحالة على تضخيم تباين الخطأ فقط.

2.2 نقاط الرافعة أو التأثير العالي (Leverage Points) في فضاء المتغيرات المستقلة

على النقيض من القيم الشاذة في الاستجابة، ترتبط نقاط الرافعة (Leverage Points) حصرياً بفضاء المتغيرات المستقلة أو فضاء التصميم ($X$-space). تعبر نقطة الرافعة عن المشاهدة التي تمتلك توليفة قيم متطرفة أو نادرة جداً في متغيراتها التفسيرية، بغض النظر تماماً عن قيمة متغير الاستجابة التابع المقابل لها. تُقاس الرافعة جبرياً عبر العناصر القطرية لمصفوفة القبعة، والتي يُرمز لها بالرمز $h_{ii}$، حيث تعكس هذه القيم المسافة الإقليدية المعدلة (المسافة الماهالانوبية) للمشاهدة عن المتجه المركزي لمتوسطات المتغيرات المستقلة.

ينقسم مفهوم الرافعة إلى نوعين رئيسيين يختلفان جذرياً في أثرهما على النموذج:

• الرافعة الجيدة (Good Leverage): تحدث عندما تكون النقطة متطرفة في فضاء $X$ ولكن قيمتها في متغير الاستجابة $Y$ تتطابق تماماً مع النمط والاتجاه العام لخط الانحدار المقدر من بقية البيانات. مثل هذه النقاط لا تحرف المعلمات، بل على العكس، تزيد من دقة التقدير وتقلل الأخطاء المعيارية للمعاملات.
• الرافعة السيئة (Bad Leverage): تحدث عندما تمتلك المشاهدة قيماً متطرفة في $X$ مع قيمة شاذة في $Y$ تخرج عن النمط الخطي العام لبقية المشاهدات. هذه النقاط تمتلك ذراع عزم طويل يمكنها من سحب خط الانحدار بقوة وتشويهه.

2.3 النقاط المؤثرة (Influential Points) كنتاج للجمع بين الرافعة والشذوذ

تمثل النقاط المؤثرة (Influential Points) التوليفة الخطيرة والتقاطع الهيكلي بين الشذوذ في فضاء الاستجابة ($Y$) والرافعة العالية في فضاء المتغيرات التفسيرية ($X$). فالنقطة لا تصبح مؤثرة إحصائياً بمجرد امتلاكها لباقٍ كبير، ولا بمجرد ابتعادها عن مركز المتنبئات؛ بل تكتسب صفة التأثير عندما يجتمع العاملان معاً: أن تكون نقطة رافعة سيئة تمتلك عزماً دورانياً جباراً وتنزاح في الوقت نفسه عن المسار التنبؤي العام للبيانات.

من الناحية الهندسية والرياضية، تُعد مسافة كوك الترجمة الكمية المباشرة لهذا الدمج الهيكلي. إنها المقياس المركب الذي يضرب مقدار شذوذ الاستجابة (مقاساً بمربع الباقي الطلابي) في مقدار الرافعة الهيكلية للمشاهدة (مقاساً بالصيغة النسبية للقطر $h_{ii}$). وبالتالي، فإن أي نقطة تظهر مسافة كوك مرتفعة هي بالضرورة نقطة نجحت في استغلال موقعها الطرفي في فضاء المتنبئات لتفرض هيمنتها على تقدير معلمات الانحدار، محولة مسار النموذج التنبؤي لخدمة موقعها الشاذ على حساب التمثيل الصادق للغالبية العظمى من البيانات.

3. البنية الرياضية والمعادلة الحسابية لمسافة كوك

3.1 التفكيك الجبري لصيغة مسافة كوك

تستند مسافة كوك للمشاهدة رقم $i$ (والتي يُرمز لها رياضياً بالرمز $D_i$) إلى بنية جبرية محكمة تربط بين الخطأ التنبؤي، ودرجات حرية النموذج، ورافعة المشاهدة. تُصاغ المعادلة القياسية الأكثر استخداماً على النحو التالي:

$$D_i = \frac{r_i^2}{p \cdot \text{MSE}} \cdot \left( \frac{h_{ii}}{(1 – h_{ii})^2} \right)$$

أو بصيغتها المكافئة باستخدام البواقي المنمطة داخلياً (Internally Studentized Residuals – $e_{si}$):

$$D_i = \frac{e_{si}^2}{p} \cdot \left( \frac{h_{ii}}{1 – h_{ii}} \right)$$

يتطلب الفهم العميق لهذه الصيغة تفكيك مكوناتها الرياضية بدقة:

• الباقي الخام ($e_i = y_i – \hat{y}_i$): يمثل الفرق الحسابي المباشر بين القيمة الفعلية والقيمة المتنبأ بها بواسطة النموذج الكامل.
• الباقي الطلابي ($r_i$ أو $e_{si}$): هو الباقي بعد معايرته بقسمته على خطئه المعياري المقدر، حيث $e_{si} = \frac{e_i}{\sqrt{\text{MSE}(1 – h_{ii})}}$، مما يجعله مقياساً نقياً لمقدار الشذوذ في فضاء الاستجابة ومتحرراً من وحدات القياس الأصلية.
• عدد معلمات النموذج ($p$): يمثل إجمالي عدد المعاملات المقدرة في نموذج الانحدار الخطي، متضمناً الحد الثابت (Intercept)، أي أن $p = k + 1$ حيث $k$ هو عدد المتغيرات التفسيرية المستقلة.
• متوسط مربعات الخطأ ($\text{MSE}$): يمثل التباين المتبقي المقدر للنموذج الكامل، وهو مقياس تشتت الأخطاء ويُحسب بقسمة مجموع مربعات البواقي ($SSE$) على درجات الحرية ($n – p$).
• عنصر الرافعة ($h_{ii}$): يمثل العنصر القطري رقم $i$ في مصفوفة القبعة، ويحدد وزن المشاهدة في تحديد تنبؤها الخاص.

3.2 تفسير مكون الرافعة (Leverage Component)

يمثل الحد الكسري $\frac{h_{ii}}{(1 – h_{ii})^2}$ (أو $\frac{h_{ii}}{1 – h_{ii}}$ في الصيغة الطلابية) قلب القوة الديناميكية لمسافة كوك. تتراوح قيم الرافعة $h_{ii}$ رياضياً في فضاء محصور بين $\frac{1}{n}$ والواحد الصحيح ($1.0$). عندما تقترب قيمة $h_{ii}$ من الواحد، يقترب المقام $(1 – h_{ii})$ من الصفر، مما يؤدي إلى تضخم أسي وانفجار في القيمة الناتجة لمسافة كوك حتى لو كان الباقي معتدل الحجم.

يعكس هذا السلوك الرياضي الحساسية الفائقة للصيغة تجاه المشاهدات المعزولة تماماً في أطراف التوزيع المتعدد للمتغيرات المستقلة. إن مصفوفة القبعة $H = X(X^T X)^{-1} X^T$ هي مصفوفة إسقاط متعامد تقوم بتحويل متجه الاستجابة الفعلي $Y$ إلى متجه القيم المتنبأ بها $\hat{Y}$ عبر العلاقة $\hat{Y} = HY$. وبالتالي، فإن القيمة القطرية $h_{ii} = \frac{\partial \hat{y}_i}{\partial y_i}$ تعبر عن المشتقة الجزئية للتنبؤ بالنسبة للقيمة الفعلية؛ أي مدى قدرة المشاهدة على سحب تنبؤها ليتطابق مع قيمتها الحقيقية. ومع ارتفاع هذه القدرة، تصبح النقطة شديدة الخطورة، ويتولى مكون الرافعة في صيغة كوك مضاعفة أثر أي انحراف يظهر في البواقي.

3.3 الصيغة المكافئة المعتمدة على الفروق في القيم المتنبأ بها

تتجلى الأهمية المفاهيمية لمسافة كوك في صياغتها الأصلية المعتمدة على المقارنة المباشرة بين تنبؤات النماذج، والتي تُكتب رياضياً على الهيئة التالية:

$$D_i = \frac{\sum_{j=1}^{n} (\hat{y}_j – \hat{y}_{j(i)})^2}{p \cdot \text{MSE}} = \frac{(\hat{Y} – \hat{Y}_{(i)})^T (\hat{Y} – \hat{Y}_{(i)})}{p \cdot \text{MSE}}$$

حيث تعبر $\hat{y}_j$ عن القيمة المتنبأ بها للمشاهدة رقم $j$ باستخدام النموذج المقدر بالاعتماد على كافة المشاهدات ($n$)، في حين تعبر $\hat{y}_{j(i)}$ عن القيمة المتنبأ بها لنفس المشاهدة $j$ باستخدام نموذج انحدار تم تقديره بعد حذف المشاهدة رقم $i$ بالكامل من مجموعة البيانات.

يمنح هذا التعبير الرياضي تفسيراً هندسياً بالغ الأناقة: إن مسافة كوك $D_i$ تمثل في جوهرها المسافة الإقليدية المربعة المعدلة بين متجهي التنبؤ الكامل والمستبعد منه الحالة، مقسومة على الثابت المعياري $p \cdot \text{MSE}$. وبناءً على ذلك، تكشف هذه الصيغة عن التأثير الشبكي الإجمالي للنقطة المعنية؛ فإذا كان استبعاد النقطة $i$ يؤدي إلى زحزحة جماعية لتنبؤات بقية أفراد العينة بعيداً عن مواقعها الأصلية، فإن البسط سيتضخم بصورة ملحوظة، معلناً عن وجود نقطة ذات تأثير واسع النطاق يمتد إلى ما هو أبعد من موقعها المحلي.

4. خطوات الحساب المنهجي لمسافة كوك خطوة بخطوة

4.1 المرحلة الأولى: بناء النموذج الكامل واستخراج المقدرات الأساسية

يبدأ المسار الإجرائي لحساب مسافات كوك بتقدير نموذج الانحدار الخطي المتعدد على كامل حجم العينة ($n$). يتم تجميع مصفوفة التصميم $X$ ذات الأبعاد $(n \times p)$، والتي تشتمل على عمود من الآحاد يمثل الحد الثابت إلى جانب أعمدة المتغيرات التفسيرية المستقلة، بالإضافة إلى متجه متغير الاستجابة $Y$ ذي الأبعاد $(n \times 1)$.

تُطبق طريقة المربعات الصغرى لتقدير متجه المعلمات $\hat{\beta}$ من خلال المعادلة المصفوفية الكلاسيكية:

$$\hat{\beta} = (X^T X)^{-1} X^T Y$$

بمجرد الحصول على متجه المعلمات، يتم استخراج القيم المتنبأ بها لجميع الحالات عبر $\hat{Y} = X\hat{\beta}$، ثم تُحسب البواقي الخام لكل مشاهدة من خلال الطرح المباشر $e = Y – \hat{Y}$. تكتمل هذه المرحلة بحساب مجموع مربعات البواقي $SSE = e^T e = \sum e_i^2$، ومن ثم استخراج متوسط مربعات الخطأ للنموذج الكامل عبر قسمة المجموع على درجات الحرية: $\text{MSE} = \frac{SSE}{n – p}$.

4.2 المرحلة الثانية: حساب مصفوفة القبعة وعناصر الرافعة الفردية

تتمثل الخطوة المحورية التالية في اشتقاق مصفوفة القبعة (Hat Matrix) التي تربط القيم الفعلية بالقيم التنبؤية، ويتم توليدها جبرياً من مصفوفة المتغيرات المستقلة حصراً:

$$H = X(X^T X)^{-1} X^T$$

تُعد مصفوفة القبعة مصفوفة مربعة متماثلة ومتساوية القوى (Symmetric and Idempotent) ذات أبعاد $(n \times n)$. لا يتطلب حساب مسافة كوك استخدام كافة عناصر هذه المصفوفة الضخمة، بل يقتصر التحليل على استخراج العناصر الواقعة على القطر الرئيسي للمصفوفة، والتي يُرمز لها بالرمز $h_{ii}$ لكل حالة من الحالات من $i = 1$ إلى $n$. تمثل هذه القيم القطرية رافعة كل مشاهدة، وتخضع للخاصية الجبرية التي تقضي بأن مجموع عناصر القطر يساوي تماماً عدد معلمات النموذج: $\sum_{i=1}^{n} h_{ii} = \text{tr}(H) = p$.

بناءً على ذلك، يبلغ متوسط قيمة الرافعة في العينة $\bar{h} = \frac{p}{n}$. وتُفحص قيم $h_{ii}$ الفردية ومقارنتها بهذا المتوسط، حيث تُعتبر المشاهدات التي تتجاوز ضعف هذا المتوسط ($2p/n$) أو ثلاثة أضعافه ($3p/n$) نقاط رافعة هيكلية تستوجب الرصد والانتباه.

4.3 المرحلة الثالثة: دمج البواقي مع الرافعة لحساب قيم $D_i$ الفردية

تصل العملية الحسابية إلى مرحلتها النهائية عبر دمج المخرجات المستخلصة من المرحلتين السابقتين لتوليد متجه مسافات كوك المكون من $n$ قيمة رقمية. تُحسب البواقي المعيارية الطلابية لكل نقطة وفق العلاقة:

$$e_{si} = \frac{e_i}{\sqrt{\text{MSE}(1 – h_{ii})}}$$

ثم يُطبق القانون الرياضي التجميعي لحساب قيمة مسافة كوك $D_i$ لكل مشاهدة بشكل مستقل:

$$D_i = \frac{e_{si}^2}{p} \left( \frac{h_{ii}}{1 – h_{ii}} \right)$$

عقب إتمام العمليات الحسابية لكافة المفردات، يتم ترتيب المشاهدات ترتيباً تنازلياً وفقاً لقيم $D_i$ الناتجة. يتيح هذا الترتيب تحديد قائمة الحالات القصوى التي تتربع على قمة التأثير الإحصائي، تمهيداً لإخضاعها لمعايير القطع والتشخيص المنهجي المعمق.

5. عتبات القطع والمعايير التشخيصية لتحديد التأثير

5.1 القاعدة الإرشادية المطلقة (Absolute Rule of Thumb: $D > 1$)

اقترح دينيس كوك في أبحاثه الأصلية معياراً قطعياً كلاسيكياً يستند إلى مقارنة قيمة $D_i$ بالقيمة الحرجة لتوزيع $F$ الإحصائي عند درجات حرية $(p, n – p)$. واستناداً إلى هذا الأساس النظري، فإن قيمة مسافة كوك التي تتجاوز الواحد الصحيح ($D_i > 1$) أو تتجاوز القيمة المئينية الخمسين لتوزيع $F$ ($F_{0.50, p, n-p}$) تُعد مؤشراً قاطعاً على أن المشاهدة تمارس تأثيراً طاغياً على النموذج.

إن المعنى الإحصائي الدقيق لتجاوز قيمة $D_i$ للواحد الصحيح هو أن استبعاد هذه المشاهدة المنفردة سينقل متجه المعلمات المقدر $\hat{\beta}$ إلى حافة منطقة الثقة الإهليلجية بنسبة 50% المحيطة بالتقدير الأصلي. ومع وجاهة هذا المعيار وصرامته النظرية، إلا أن التجارب الإحصائية المعاصرة أثبتت محدوديته العملية في الدراسات ذات العينات المتوسطة والكبيرة؛ إذ نادراً ما تنجح نقطة واحدة في الوصول إلى قيمة $D_i > 1$ في العينات التي تتجاوز مئات المشاهدات، مما قد يمنح شعوراً زائفاً بالأمان ويحجب نقاطاً تمارس تأثيراً نسبياً مدمراً.

5.2 المعايير المعتمدة على حجم العينة ($4/n$ و $4/(n-k-1)$)

نظراً لقصور المعيار المطلق في التعامل مع العينات الكبيرة، طوّر الإحصائيون عتبات قطع ديناميكية تتكيف طردياً مع حجم العينة وتأخذ في الاعتبار تضاؤل الأثر الفردي مع اتساع قاعدة البيانات. تُعد العتبة الإرشادية الأكثر شيوعاً في الأدبيات الحديثة هي:

$$\text{Cutoff} = \frac{4}{n}$$

حيث يمثل $n$ إجمالي عدد المشاهدات في العينة. يتميز هذا المعيار بحساسيته العالية وقدرته على رصد الملاحظات المؤثرة نسبياً حتى في مجموعات البيانات الضخمة. ولإضفاء مزيد من الدقة المنهجية ومراعاة التعقيد الهيكلي للنموذج ودرجات الحرية المستهلكة، يُوصى باستخدام الصيغة المعدلة بدقة:

$$\text{Cutoff} = \frac{4}{n – k – 1} = \frac{4}{n – p}$$

حيث يمثل $k$ عدد المتغيرات التفسيرية المستقلة باستثناء الثابت. تعمل هذه العتبة المرنة كأداة غربلة تشخيصية مبكرة؛ فكل مشاهدة تتجاوز هذه القيمة تُصنف بوصفها حالة تستدعي الفحص السريري المعمق، دون أن يعني ذلك بالضرورة حذفها التلقائي من التحليل.

5.3 المقاربة المعتمدة على توزيع $F$ ومستويات المئين

تعتمد المقاربة الأكثر عمقاً ورصانة من الناحية النظرية على الربط المباشر بين مسافة كوك والدالة التراكمية لتوزيع $F$ الإحصائي. فبدلاً من الاعتماد على قواعد تقريبية مجردة، يتم حساب القيمة الاحتمالية المقابلة لقيمة $D_i$ المحسوبة من خلال التوزيع $F(p, n – p)$ وفق الصيغة:

$$P_i = P\left(F_{p, n-p} le D_i\right)$$

تُفسر القيمة الناتجة $P_i$ بوصفها المئين التراكمي في فضاء المعلمات. إذا كانت النتيجة تشير إلى أن المشاهدة تحقق مئيناً يقل عن 10% أو 20%، فإن تأثير النقطة يُعتبر طفيفاً وضمن حدود التذبذب العشوائي المقبول. أما إذا بلغت المسافة المئين الخمسين أو تجاوزته ($P_i ge 0.50$)، فإن هذا يعني أن النقطة تؤدي بمفردها إلى إزاحة واسعة في تقديرات النموذج تعادل إزاحة سحابة البيانات بأكملها لمسافة تزيد عن نصف قطر منطقة الثقة متعددة الأبعاد. يوفر هذا الإجراء الاحتمالي إطاراً مرناً يتيح للباحث مواءمة درجة التحفظ الإحصائي وفقاً للأهداف الدقيقة للبحث وحساسية القرارات المترتبة عليه.

6. تطبيقات مسافة كوك في أبحاث علم النفس والعلوم السلوكية

6.1 الاستجابات المتطرفة في القياس النفسي والاستبانات

تواجه البحوث النفسية والمسوح السلوكية المعتمدة على أدوات التقرير الذاتي ومقاييس ليكرت (Likert Scales) تحدياً مزمناً يتمثل في استجابات الإهمال والتحيز العشوائي (Careless or Inattentive Responding). في نماذج قياس سمات الشخصية أو الاضطرابات النفسية عبر الانحدار المتعدد، يمكن لعدد ضئيل من المشاركين الذين يتبعون نمط الإجابة المتطرفة (Extreme Response Style) أو الإجابة بنمط خطي موحد (Straight-lining) أن يفسدوا العلاقات الارتباطية بين المتغيرات الكامنة.

تُوظف مسافة كوك في هذا السياق كأداة سيكومترية متقدمة لرصد هؤلاء الأفراد. فالأفراد الذين يمتلكون سمات استثنائية متطرفة في المتغيرات التفسيرية (مثل درجات عالية جداً في العصابية والانفتاح معاً) ويقدمون استجابات متناقضة في متغير الاستجابة (مثل درجات الرضا عن الحياة) سيظهرون حتماً كقيم ذات مسافات كوك مرتفعة للغاية. يتيح تشخيص هذه الحالات تنقية البناء العاملي للمقاييس وحماية مؤشرات الاتساق الداخلي (مثل معامل ألفا كرونباخ ومعامل أوميغا) من التشويه الناتج عن الاستجابات غير النمطية.

6.2 بيانات زمن الرجع والقياسات الفيزيولوجية النفسية

تتسم البيانات المستمدة من مختبرات علم النفس التجريبي والمعرفي—مثل أزمنة الرجع (Reaction Times) بالمللي ثانية، وتخطيط كهربية الدماغ (EEG)، وموصلية الجلد الكهربائية (Galvanic Skin Response – GSR)، والتغير في معدل ضربات القلب (HRV)—بدرجات عالية من الحساسية والضجيج البيولوجي. في تجارب الانتباه والذاكرة، قد يسجل المفحوص زمن استجابة طويل جداً ليس بسبب صعوبة المهمة المعرفية، بل نتيجة شرود ذهني مؤقت أو رمشة عين أو حركة لا إرادية أثناء القياس.

عند بناء نماذج انحدار خطية أو نماذج خطية عامة لتفسير زمن الاستجابة بدلالة شروط التجربة والمتغيرات الفسيولوجية، تبرز مسافة كوك كمعيار إحصائي رصين لتحديد التجارب والمحاولات المشوهة. فبدلاً من تطبيق معايير قطع اعتباطية تؤدي إلى حذف غير مبرر للبيانات الحقيقية (Trimming Bias)، توفر مسافة كوك تقييماً موضوعياً يزن شذوذ القراءة الفسيولوجية بمدى تأثيرها الهيكلي على نتائج التجربة، مما يضمن تنقية البيانات التجريبية بطريقة قابلة للتكرار ومبررة رياضياً.

6.3 العينات الإكلينيكية ودراسات التدخل العلاجي

في دراسات الفعالية الإكلينيكية للتدخلات النفسية والدوائية (Clinical Trials)، غالباً ما تشتمل العينات العلاجية على تباينات فردية واسعة في مسار التعافي. يظهر في بعض الأحيان مرضى يُعرفون بـ «فائقي الاستجابة» (Super-responders) الذين يحققون قفزات علاجية مذهلة وسريعة، أو في المقابل، مرضى «مقاومين للعلاج تماماً» (Non-responders) تتدهور حالتهم بصورة حادة ومفاجئة على عكس المسار العام للمجموعة.

إن تطبيق مسافة كوك في نماذج انحدار تقييم فعالية البروتوكولات العلاجية يمكن الباحثين من رصد هذه الحالات الاستثنائية بدقة فائقة. لا يكون الهدف هنا هو التخلص من هذه المشاهدات بحذفها، بل إن تشخيصها عبر مسافة كوك يفتح نافذة نوعية لدراسة الأبعاد الإكلينيكية المسببة لهذا التباين الفردي الحاد. يساعد هذا الفحص التشخيصي في فهم محددات الاستجابة الدوائية والنفسية وتخصيص التدخلات مستقبلاً عبر الطب الدقيق والطب النفسي الشخصي (Personalized Psychiatry).

7. حساب وتشخيص مسافة كوك برمجياً باستخدام لغة R

7.1 توليد قيم مسافة كوك باستخدام الدوال الأساسية (Base R)

تتمتع لغة البرمجة الإحصائية R بمنظومة مدمجة شديدة القوة لتشخيص نماذج الانحدار. يمكن للمحلل بناء نموذج انحدار خطي وتقدير مسافات كوك لكافة المشاهدات باستخدام دوال الحزمة الأساسية (Base R) بسلاسة فائقة ودون الحاجة لتنصيب مكتبات إضافية في المراحل الأولى.

يتم تنفيذ ذلك عبر الخطوات التالية:

# بناء نموذج الانحدار الخطي البسيط أو المتعدد
model <- lm(mpg ~ wt + hp + qsec, data = mtcars)
# حساب مسافة كوك لجميع الملاحظات في العينة
cooks_d <- cooks.distance(model)
# استخراج المشاهدات الأكثر تأثيراً التي تتجاوز عتبة 4/n
n <- nrow(mtcars)
k <- length(coef(model)) - 1
cutoff <- 4 / (n - k - 1)
influential_points <- which(cooks_d > cutoff)
# طباعة الحالات المؤثرة مع قيم المسافات المقابلة
print(cooks_d[influential_points])

تتيح الدالة cooks.distance() استخراج متجه عددي يحتوي على قيم $D_i$ المرتبطة بكل سطر في مصفوفة البيانات. ومن خلال تفعيل عمليات الفلترة الشرطية واستخدام دوال مثل sort() و head()، يستطيع الباحث التعرف الفوري على الملاحظات الحرجة وأرقام تعريفها (Row IDs) لتقييم سلوكها الإحصائي.

7.2 التشخيص المتقدم باستخدام حزمة car وحزمة olsrr

للحصول على تشخيصات متقدمة ومخرجات بصرية احترافية، توفر بيئة R حزم متخصصة رائدة مثل حزمة car (Companion to Applied Regression) وحزمة olsrr. تتيح هذه الأدوات دمج مسافة كوك مع مقاييس الرافعة والبواقي في لوحات تشخيصية متكاملة تسهل اتخاذ القرارات المنهجية.

توفر حزمة car الدالة المرموقة influencePlot() التي ترسم مخططاً يجمع بين البواقي الطلابية على المحور الرأسي وقيم الرافعة على المحور الأفقي، مع تمثيل مسافة كوك بحجم الدوائر (Bubble Size):

library(car)
# إنشاء المخطط التشخيصي الشامل للتأثير
influencePlot(model, id = list(method = "identify"), 
 main = "Influence Plot: Cook's D, Leverage & Residuals")

من جانب آخر، تقدم حزمة olsrr أدوات متخصصة في إخراج تقارير تفصيلية ورسومية تتضمن خطوط العتبات الإرشادية تلقائياً:

library(olsrr)
# رسم مخطط مسافة كوك الترتيبي مع إظهار العتبات المعيارية
ols_plot_cooksd_chart(model)

تنتج هذه الحزم جداول تلخيصية تدرج أعلى عشر حالات تأثيراً في النموذج، مع مقارنتها بمختلف عتبات القطع الإحصائية، مما يجعل عملية التوثيق الأكاديمي للنتائج أمراً في غاية السهولة والموثوقية.

7.3 أتمتة تقارير الفحص والتشخيص للنماذج المتعددة

في مشاريع تحليل البيانات الضخمة التي تتطلب نمذجة مئات المتغيرات الفرعية أو تطبيق تحليلات الانحدار المتكررة عبر عينات جزئية متعددة، تصبح الأتمتة البرمجية ضرورة حتمية. يمكن توظيف دوال منظومة tidyverse وحزم المعالجة الموزعة لبناء مسارات عمل تقوم بفحص استقرار النماذج وسلامتها من التأثيرات الشاذة تلقائياً.

library(tidyverse)
library(broom)
# دمج نتائج التشخيص مباشرة في إطار البيانات الأصلي
model_diagnostics <- augment(model) %>%
 mutate(is_influential = .cooksd > (4 / nrow(mtcars)))
# تصدير جدول الحالات المؤثرة كتقرير إحصائي
influential_summary <- model_diagnostics %>%
 filter(is_influential) %>%
 select(mpg, wt, hp, qsec, .fitted, .resid, .hat, .cooksd)
print(influential_summary)

تتيح هذه البنية البرمجية تصدير تقارير التشخيص بصيغ مختلفة (مثل PDF أو HTML عبر Quarto و R Markdown)، فضلاً عن إمكانية بناء تطبيقات تفاعلية متطورة باستخدام R Shiny تتيح للمحللين والباحثين استكشاف أثر استبعاد النقاط المؤثرة على معاملات الانحدار بشكل فوري وديناميكي عبر واجهات مستخدم رسومية.

8. حساب وتحليل مسافة كوك باستخدام بايثون (Python)

8.1 استخدام مكتبة Statsmodels لحساب التأثير الإحصائي

تُعد لغة بايثون (Python) البيئة الأكثر انتشاراً في علوم البيانات والتعلم الآلي. وفي سياق النمذجة الإحصائية الكلاسيكية، تبرز مكتبة statsmodels بوصفها الأداة القياسية الموازية للقدرات الإحصائية المتوفرة في لغة R، حيث تشتمل على فئات متخصصة لحساب كافة المقاييس التشخيصية للانحدار بدقة عددية فائقة.

يتم بناء النموذج وحساب مسافات كوك في بايثون عبر الكود التالي:

import numpy as np
import pandas as pd
import statsmodels.api as sm
# إعداد البيانات وإضافة عمود الحد الثابت
X = sm.add_constant(df[['feature1', 'feature2', 'feature3']])
y = df['target']
# ملاءمة نموذج الانحدار الخطي OLS
model = sm.OLS(y, X).fit()
# استدعاء فئة مقاييس التأثير التشخيصية
influence = model.get_influence()
# استخراج مسافات كوك والقيم الاحتمالية المقابلة
cooks_d, p_values = influence.cooks_distance
# تحديد الحالات المؤثرة بناءً على عتبة 4/n
n = len(y)
cutoff = 4 / n
influential_indices = np.where(cooks_d > cutoff)[0]
print(f"الملاحظات المؤثرة: {influential_indices}")
print(f"قيم مسافة كوك: {cooks_d[influential_indices]}")

تُرجع الدالة influence.cooks_distance مصفوفتين أحاديتي البعد من نوع NumPy؛ الأولى تحتوي على قيم $D_i$ المحسوبة لكل مشاهدة، في حين تحتوي الثانية على القيم الاحتمالية المستمدة من توزيع $F$ الإحصائي المقابل، مما يتيح تطبيق كلا المعيارين التشخيصيين (المطلق والاحتمالي) بمنتهى السلاسة البرمجية.

8.2 التصور البياني لمسافة كوك باستخدام Matplotlib و Seaborn

يقدم التصور الرسومي لمسافة كوك في بايثون دعماً استكشافياً حاسماً لفهم نمط توزيع التأثير الإحصائي عبر العينة. يمكن توظيف مكتبتي matplotlib و seaborn لبناء مخططات جذعية (Stem Plots) ومخططات تشتت مخصصة عالية الجودة توضح موقع كل مشاهدة بالنسبة للعتبات المعيارية.

import matplotlib.pyplot as plt
import seaborn as sns
# ضبط النمط الجمالي للمخطط
sns.set_theme(style="whitegrid")
fig, ax = plt.subplots(figsize=(12, 6))
# رسم المخطط الجذعي لمسافات كوك
ax.stem(np.arange(n), cooks_d, markerfmt=",", basefmt="k-")
# إضافة خط العتبة التشخيصية (4/n)
ax.axhline(cutoff, color='red', linestyle='--', linewidth=1.5, label=f'عتبة التأثير (4/n = {cutoff:.3f})')
ax.axhline(1.0, color='darkred', linestyle=':', linewidth=1.5, label='العتبة المطلقة (D = 1)')
# تمييز الحالات المؤثرة بألوان دالة
ax.scatter(influential_indices, cooks_d[influential_indices], color='crimson', s=50, zorder=5)
# تخصيص العناوين والمحاور
ax.set_title("مخطط مسافة كوك لتشخيص النقاط المؤثرة (Cook's Distance)", fontsize=14, fontweight='bold')
ax.set_xlabel("رقم المشاهدة (Observation Index)", fontsize=12)
ax.set_ylabel("مسافة كوك ($D_i$)", fontsize=12)
ax.legend(loc='upper right')
plt.tight_layout()
plt.show()

يساعد هذا التمثيل البصري في تمييز المشاهدات الشاذة فورياً؛ حيث تبرز النقاط المؤثرة كخطوط عمودية شاهقة ترتفع فوق الخط الأفقي المتقطع الممثل لعتبة $4/n$، مما يوجه أنظار الباحثين نحو الحالات المستوجبة للفحص النوعي المعمق.

8.3 تضمين فحص مسافة كوك ضمن خطوط معالجة تعلم الآلة (Scikit-Learn Pipelines)

في تطبيقات تعلم الآلة والتنبؤ الإحصائي المتقدم باستخدام مكتبة Scikit-Learn، لا تقتصر معالجة البيانات على المراحل الاستكشافية اليدوية، بل يُفضل دمج الفحوصات التشخيصية ضمن خطوط المعالجة المؤتمتة (Pipelines). ومع ذلك، يجب توخي الحذر الشديد لتجنب معضلة تسرب البيانات (Data Leakage) عند تطبيق الفحص أثناء التحقق التقاطعي (Cross-Validation).

يمكن بناء محول مخصص (Custom Transformer) يرث خصائص BaseEstimator و TransformerMixin لتنقية مجموعات التدريب (Train Sets) حصراً من النقاط المؤثرة، مع الحفاظ الكامل على بيانات الاختبار (Test Sets) دون تعديل لضمان نزاهة التقييم التنبؤي:

from sklearn.base import BaseEstimator, TransformerMixin
import statsmodels.api as sm
import numpy as np
class CooksDistanceOutlierRemover(BaseEstimator, TransformerMixin):
 def __init__(self, cutoff_factor=4.0):
 self.cutoff_factor = cutoff_factor
 
 def fit(self, X, y):
 # ملاءمة النموذج التشخيصي على بيانات التدريب فقط
 X_const = sm.add_constant(X)
 model = sm.OLS(y, X_const).fit()
 influence = model.get_influence()
 cooks_d, _ = influence.cooks_distance
 
 # حساب عتبة القطع
 cutoff = self.cutoff_factor / len(y)
 self.non_influential_mask_ = cooks_d <= cutoff
 return self
 
 def transform(self, X, y=None):
 # في بيئة الإنتاج أو الاختبار، لا يتم حذف بيانات جديدة، بل يُطبق الفلتر في مرحلة الملاءمة
 return X

يضمن هذا البروتوكول البرمجي المتقدم عدم تلويث خوارزميات التدريب بالبيانات ذات التأثير الهيكلي المشوه، مما يعزز من قدرة نماذج التعلم الآلي على التعميم (Generalization) عند مواجهة بيانات جديدة في بيئات الإنتاج الواقعية.

9. استخراج وتفسير مسافة كوك في الحزم الإحصائية (SPSS و JASP)

9.1 تطبيق مسافة كوك في برنامج SPSS

يُعد برنامج IBM SPSS Statistics من أكثر الحزم الإحصائية استخداماً في الأوساط الأكاديمية والعلوم الاجتماعية. يوفر البرنامج واجهة رسومية سهلة وبديهية تتيح استخراج قيم مسافة كوك وحفظها مباشرة داخل مصفوفة البيانات النشطة دون الحاجة لكتابة أكواد معقدة.

يتم تنفيذ الإجراء عبر المسار التالي:

• من القائمة الرئيسية، يتم التوجه إلى: Analyze -> Regression -> Linear...
• يتم تحديد متغير الاستجابة في حقل Dependent والمتغيرات المستقلة في حقل Independent(s).
• يتم الضغط على زر Save... في الجزء الأيمن من نافذة الانحدار.
• تحت مربع الخيارات المعنون بـ Distances، يتم وضع علامة اختيار بجانب Cook’s.
• يتم الضغط على Continue ثم OK لتنفيذ النموذج.

عند اكتمال التحليل، يقوم برنامج SPSS بإنشاء متغير رقمي جديد تلقائياً في نافذة محرر البيانات (Data View) تحت المسمى الافتراضي COO_1. يمثل هذا المتغير قيم مسافة كوك لكل مشارك. يمكن بعد ذلك للباحث استخدام قائمة Data -> Sort Cases لترتيب البيانات تنازلياً وفق المتغير COO_1، أو استخدام أداة Transform -> Compute Variable لحساب المتغير الشرطي الذي يحدد الحالات المتجاوزة للعتبة $4/n$.

9.2 التشخيص المفتوح والمتقدم عبر برنامج JASP

برز برنامج JASP كبديل مفتوح المصدر ومجاني يحظى بتقدير أكاديمي متصاعد، خاصة في مجالات علم النفس والعلوم السلوكية، لما يوفره من واجهة ديناميكية حديثة تدمج بين الإحصاء التكراري الكلاسيكي والإحصاء البايزي المتقدم.

لإجراء تشخيص مسافة كوك في JASP، يتبع الباحث الخطوات التالية:

• اختيار Regression -> Linear Regression من شريط الأدوات العلوي.
• نقل المتغيرات إلى الحقول المخصصة لها (Dependent Variable و Covariates).
• فتح التبويب الفرعي المعنون بـ Diagnostics من القائمة الجانبية.
• تفعيل خيار Cook's distance تحت قائمة الفحوصات التشخيصية للحالات (Case-wise Diagnostics).
• تحديد خيار Residuals vs. leverage plot للحصول على التمثيل البياني المتكامل.

يقوم برنامج JASP بإنتاج جداول فورية تفاعلية تبرز قائمة الحالات التي تتجاوز العتبات المحددة، مع عرض قيم مسافة كوك، والبواقي المعيارية، وقيم الرافعة جنباً إلى جنب. تتميز مخرجات JASP بتوافقها الجمالي والهيكلي التلقائي مع المعايير القياسية للجمعية الأمريكية لعلم النفس (APA Style)، مما يقلل من الجهد المطلوب لإعداد الجداول للنشر العلمي.

9.3 التقرير الأكاديمي لنتائج مسافة كوك وفق دليل APA

تفرض المعايير المنهجية لجمعية علم النفس الأمريكية (APA – 7th Edition) على الباحثين التحلي بالشفافية المطلقة في توثيق الفحوصات التشخيصية للبيانات وذكر مبررات استبعاد أي مشاهدة أو تعديلها بالتفصيل. لا يجوز للباحث حذف النقاط المؤثرة بصمت دون الإفصاح عن المعايير الإحصائية المعتمدة والآثار المترتبة على النموذج.

تتم صياغة النتائج في متني المنهجية والنتائج بأسلوب علمي رصين، وفق النموذج الاسترشادي التالي:

«قبل إجراء تحليل الانحدار الخطي المتعدد الرئيسي، تم فحص الفروض الإحصائية الكلاسيكية لنموذج المربعات الصغرى. ولتقييم وجود نقاط بيانات مؤثرة قد تشوه معلمات النموذج، تم حساب مسافة كوك (Cook’s Distance) لجميع الحالات ($N = 250$). بالاعتماد على العتبة الموصى بها المعتمدة على حجم العينة ($\text{Cutoff} = 4/n = 0.016$)، أظهرت نتائج التشخيص وجود ثلاث حالات فردية (الحالات رقم: 42، 118، 205) تجاوزت هذه العتبة بقيم بلغت ($D_{42} = 0.084, D_{118} = 0.052, D_{205} = 0.047$). وبالفحص النوعي المعمق لهذه السجلات، تبين وجود نمط استجابة عشوائي في استبانات هذه الحالات. أظهر تحليل الحساسية (Sensitivity Analysis) أن استبعاد هذه الحالات الثلاث أدى إلى استقرار قيم المعاملات المعيارية وتحسن معنوية النموذج الإجمالي دون التأثير على الاتجاه العام للعلاقات، وبناءً عليه تم استبعادها من التحليل النهائي الموثق في الجدول رقم (1)».

10. التشخيص البصري والرسومي المتقدم لمسافة كوك

10.1 مخطط مسافة كوك الترتيبي (Cook’s Distance vs Case Number)

يُمثل مخطط مسافة كوك الترتيبي اللوحة الاستطلاعية الأولى التي يلجأ إليها المحلل لفحص سلوك العينة ككل. يُعرض على المحور الأفقي لهذا المخطط الرقم التسلسلي أو المعرف الفردي لكل مشاهدة في قاعدة البيانات ($1, 2, dots, n$)، بينما يمثل المحور الرأسي قيمة مسافة كوك المقابلة لها، مع رسم خطوط عمودية (Spikes) ترتفع من خط الأساس الصفري.

يتميز هذا المخطط بقدرته الفائقة على إبراز ما يُعرف في التحليل الاستكشافي بـ «الأبراج المنفردة» (Isolated Skyscrapers). في البيانات السليمة والمتجانسة، تتجمع معظم الارتفاعات بالقرب من خط الصفر في شريط أفقي منخفض ومتجانس يعكس ضجيج التباين الطبيعي. ولكن عند وجود نقاط مؤثرة، تبرز خطوط منفردة بارتفاعات شاهقة تنفصل بوضوح عن الكتلة العامة للبيانات. يتيح هذا النمط البصري ليس فقط رصد النقاط الشاذة، بل أيضاً كشف الأنماط المتجمعة (Clustered Influential Cases)؛ حيث يشير ظهور كتل متجاورة من الارتفاعات الشاهقة إلى وجود خطأ منهجي في جمع البيانات في فترة زمنية معينة أو عبر أداة قياس محددة.

10.2 مخطط الرافعة مقابل البواقي الطلابية (Residuals vs Leverage Plot)

يُعد مخطط الرافعة مقابل البواقي الطلابية (Residuals vs Leverage Plot) التحفة البصرية الأهم في تشخيص نماذج الانحدار، وهو المخطط التشخيصي الخامس ضمن حزمة الرسوم الافتراضية للغة R عبر الأمر plot(model, which = 5). يعرض هذا المخطط قيم الرافعة ($h_{ii}$) على المحور الأفقي والبواقي الطلابية القياسية على المحور الرأسي، مع تراكب خطوط كنتورية منحنية حمراء تمثل المستويات الثابتة لمسافة كوك (غالباً عند مستويات $D = 0.5$ و $D = 1.0$).

ينقسم فضاء هذا المخطط إلى أربع مناطق تشخيصية متباينة الأهمية:

• المنطقة الآمنة (المركز واليسار): نقاط ذات رافعة منخفضة وبواقي معتدلة تقع بعيداً عن الخطوط الكنتورية، ولا تشكل أي تهديد لاستقرار النموذج.
• منطقة الشذوذ النقي (أعلى وأسفل اليسار): نقاط ذات بواقي طلابية كبيرة جداً تتجاوز $+3$ أو $-3$ ولكنها تمتلك رافعة منخفضة تقع قرب الصفر. هذه النقاط تزيد من تباين الخطأ لكنها تقع خارج خطوط كوك الخطرة.
• منطقة الرافعة الجيدة (أقصى اليمين قرب المحور الصفري للرأسي): نقاط ذات قيم $h_{ii}$ عالية جداً ولكن بواقيها قريبة جداً من الصفر. تقع هذه النقاط في مسار خط الانحدار وتعزز دقته.
• منطقة الخطر الداهم (أعلى وأسفل اليمين): المنطقة المحصورة خلف الخطوط الكنتورية لمسافة كوك ($D > 0.5$ أو $D > 1.0$). أي مشاهدة تستقر في هذه الزوايا الخارجية تجمع بين بعد شاسع في فضاء المتنبئات وباقٍ طلابي كبير، مما يجعلها المحرك الرئيسي لتشويه النموذج.

10.3 المخططات التشخيصية ذات الأبعاد المتعددة والفقاعية (Bubble Plots)

تتجاوز المخططات الفقاعية (Bubble Plots) والمخططات متعددة الأبعاد التمثيل الثنائي الكلاسيكي، لتقدم صورة بصرية تركيبية تجمع متغيرين أساسيين مع تمثيل مسافة كوك كبُعد ثالث يتم التعبير عنه بمساحة الدائرة (Radius/Area of the Bubble) ودرجة تشبع اللون (Color Intensity).

في مخطط الانحدار البسيط أو المتعدد، يتم رسم المتغير المستقل الرئيسي على المحور الأفقي ومتغير الاستجابة على المحور الرأسي مع رسم خط الانحدار المقدر. تُمثل كل نقطة بدائرة يتناسب حجمها طردياً مع قيمة مسافة كوك المحسوبة لها. تتيح هذه الطريقة للباحث رؤية فورية لكيفية قيام الفقاعات الضخمة بليّ خط الانحدار وسحبه بعيداً عن السحابة الكثيفة المكونة من الفقاعات الصغيرة. وفي النماذج ثلاثية الأبعاد، يمكن تدوير الفضاء التفاعلي لاستكشاف موقع المشاهدات المؤثرة في المستويات الفراغية المتعددة، مما يعزز الفهم الحدسي العميق للطبيعة الهندسية للتأثير الإحصائي.

11. الاستراتيجيات المنهجية لمعالجة نقاط البيانات المؤثرة

11.1 التدقيق والتحقق من صحة البيانات (Data Verification)

تمثل الخطوة الإجرائية الأولى والأكثر إلحاحاً عند اكتشاف نقاط ذات مسافات كوك مرتفعة في العودة إلى السجلات الخام وإجراء عملية تدقيق جنائي للبيانات (Data Forensics). لا يجوز أبداً القفز إلى الحذف الإحصائي التلقائي قبل استنفاد كافة مسارات التحقق الميداني والتوثيقي.

يتضمن بروتوكول التدقيق الخطوات التالية:

• فحص أخطاء الإدخال والترميز (Typographical Errors): التأكد من عدم وجود أخطاء بشرية في إدخال الأرقام، مثل كتابة العمر (250) بدلاً من (25)، أو تكرار كتابة الأصفار في متغيرات الدخل والرواتب، أو قلب شفرات المتغيرات الاسمية والفئوية.
• التحقق من أخطاء القياس والأجهزة: مراجعة سجلات المعايرة للأدوات الفيزيولوجية أو الرقمية للتأكد من عدم حدوث خلل تقني أو انقطاع في الإشارة أثناء تسجيل تلك الحالة بعينها.
• فحص معايير الاشتمال والاستبعاد (Inclusion/Exclusion Criteria): التحقق من مطابقة الحالة لخصائص المجتمع الإحصائي المستهدف المحدد في خطة البحث. فإذا تبين أن الحالة المؤثرة تعود لمشارك يعاني من شروط صحية تخرجه من فئة العينة المستهدفة ولكنه تسلل خطأً إلى الدراسة، يُعد استبعادها في هذه الحالة تصحيحاً منهجياً واجباً ومبرراً موضوعياً.

11.2 تحليل الحساسية ومقارنة النماذج (Sensitivity Analysis)

عندما تثبت صحة البيانات وتكون النقاط المؤثرة ناتجة عن تباين واقعي وحقيقي في الجمهور المدروس، يصبح تحليل الحساسية (Sensitivity Analysis) المعيار الذهبي للنزاهة العلمية في التعامل مع هذه المعضلة. يقوم هذا الإجراء المنهجي على تقدير نسختين متوازيتين من النموذج الإحصائي وعرضهما جنباً إلى جنب في التقرير النهائي:

• النموذج الكامل (Full Model): يشتمل على كافة بيانات العينة الأصلية دون استبعاد أي حالة ($N$).
• النموذج المقيد (Restricted Model): يتم تقديره بعد استبعاد الملاحظات المؤثرة المحددة تشخيصياً ($N – m$).

تتم مقارنة مخرجات النموذجين بصورة منهجية عبر تقييم ثلاثة محاور:

• استقرار إشارات المعاملات (Sign Stability): هل حافظت المعاملات على اتجاهاتها (+ أو -) أم انقلبت بمجرد حذف النقاط؟
• ثبات الدلالة الإحصائية (Significance Stability): هل تأرجحت القيم الاحتمالية ($p\text{-values}$) عبر العتبات الحرجة (مثل $0.05$ أو $0.01$) بين النموذجين؟
• التغير في القدرة التفسيرية: فحص الفروق في معامل التحديد المعدل ($R^2_{\text{adj}}$) والخطأ المعياري للتقدير.

إذا أظهرت المقارنة أن النتائج الجوهرية والاستنتاجات النظرية ظلت ثابتة في كلا النموذجين، فإن هذا يمنح الباحث طمأنينة قاطعة بأن استنتاجاته متينة ولا تعتمد على خصوصيات عشوائية لعدد محدود من الأفراد. أما إذا انهارت النتائج عند الحذف، فيجب على الباحث الإقرار الصريح بمدى هشاشة النموذج واعتماده الحرج على تلك الحالات الفردية.

11.3 البدائل الإحصائية المتقدمة: الانحدار المتين والتحويلات الرياضية

عندما يتعذر حذف النقاط المؤثرة لكونها تمثل جزءاً أصيلاً لا يتجزأ من التباين الطبيعي للظاهرة، يتوجب على الباحث مغادرة فضاء المربعات الصغرى الكلاسيكي والانتقال إلى البدائل الإحصائية المتقدمة المصممة خصيصاً لمقاومة التأثيرات الشاذة:

• الانحدار المتين (Robust Regression): استخدام مقدرات متينة مثل مقدرات-إم (M-estimators) ومقدر هوبر (Huber Loss) أو دالة تاكي ثنائية التربيع (Tukey’s Bisquare). تعمل هذه الخوارزميات عبر طريقة المربعات الصغرى ذات الأوزان التكرارية (Iteratively Reweighted Least Squares – IRLS)، حيث تقوم بخفض أوزان المشاهدات المؤثرة ذات البواقي الكبيرة تدريجياً وبصورة آلية بدلاً من حذفها الكامل، مما يحد من قدرتها على تشويه خط الانحدار.
• التحويلات الرياضية غير الخطية (Mathematical Transformations): تطبيق تحويلات تقليص التشتت على متغير الاستجابة أو المتغيرات المستقلة، مثل التحويل اللوغاريتمي ($log(Y)$)، أو تحويل الجذر التربيعي ($\sqrt{Y}$)، أو تحويلات بوكس-كوكس (Box-Cox Power Transformations). تسهم هذه التحويلات في ضغط المسافات في أطراف التوزيع وجلب النقاط المتطرفة نحو مركز الكتلة السحابية، مما يخفف من قيم مسافة كوك الناتجة عنها.
• وينسرة البيانات (Winsorization): تقنية إحصائية تعتمد على تعديل القيم المتطرفة وقصها لتتطابق مع قيمة مئينية محددة مسبقاً (مثل استبدال القيم التي تزيد عن المئين 95 بقيمة المئين 95 نفسه)، مما يحفظ حجم العينة الإجمالي كاملاً دون فقدان في درجات الحرية مع تحييد الأثر المدمر للأطراف الشاذة.

12. مقارنة مسافة كوك بالمقاييس التشخيصية الموازية

12.1 مقارنة مسافة كوك مع مقياس DFFITS

يُعد مقياس DFFITS (Difference in Fits) المنافس والرديف الأقرب لمسافة كوك في الأدبيات الإحصائية التشخيصية. يقيس كلا المؤشرين نفس الظاهرة الأساسية: مقدار التغير في القيمة المتنبأ بها للحالة عند استبعادها من عملية التقدير. وتتجلى الصلة الرياضية الوثيقة بينهما في المعادلة الرابطة التالية:

$$D_i = \frac{(\text{DFFITS}_i)^2}{p} \cdot \left( \frac{\text{MSE}_{(i)}}{\text{MSE}} \right)$$

حيث تمثل $\text{MSE}_{(i)}$ تباين الخطأ التقديري للنموذج بعد حذف المشاهدة رقم $i$.

ومع هذا التطابق الهيكلي العريض، تبرز فروق منهجية دقيقة بين المقياسين:

• معايرة التباين: يعتمد مقياس مسافة كوك على تباين الخطأ المقدر من النموذج الكامل ($\text{MSE}$)، في حين يعتمد $\text{DFFITS}$ على تباين الخطأ المستبعد ($\text{MSE}_{(i)}$ المعتمد على تقنية Jackknife)، مما يجعل مقياس $\text{DFFITS}$ أكثر حساسية وتطرفاً في كشف الحالات التي تؤدي إلى تغيير جذري في دقة النموذج.
• نطاق الاستخدام والقياس: تُقاس مسافة كوك دائماً على مقياس موجب مربع ($D_i ge 0$) يمثل مسافة إقليدية شاملة لجميع التنبؤات، في حين يمتلك مقياس $\text{DFFITS}$ إشارة موجبة أو سالبة تدل على اتجاه التغير في تنبؤ النقطة المفردة ذاتها. وتُحدد عتبة القطع القياسية لمقياس $\text{DFFITS}$ بالقيمة $2\sqrt{\frac{p}{n}}$.

12.2 مقارنة مسافة كوك مع مقياس DFBETAS

بينما تقدم مسافة كوك رؤية بانورامية شمولية تقيس الأثر التراكمي الإجمالي على كافة القيم المتنبأ بها، يركز مقياس DFBETAS (Difference in Betas) على تشريح الأثر الموضعي للنقطة على كل معامل انحدار منفرد على حدة ($j = 0, 1, dots, k$).

يُحسب مقياس $\text{DFBETAS}_{j(i)}$ عبر المعادلة:

$$\text{DFBETAS}_{j(i)} = \frac{\hat{\beta}_j – \hat{\beta}_{j(i)}}{\text{SE}(\hat{\beta}_{j(i)})}$$

تتجلى الأهمية التكاملية بين المقياسين في المواقف التي تشير فيها مسافة كوك إلى أن المشاهدة تمارس تأثيراً كلياً خطيراً، دون أن توضح للباحث أي المتغيرات التفسيرية المستقلة تحمّل العبء الأكبر من هذا التشويه. هنا يأتي دور فحص مصفوفة $\text{DFBETAS}$؛ حيث تتيح عتبة القطع الخاصة به ($|\text{DFBETAS}| > \frac{2}{\sqrt{n}}$) تحديد المعامل المحدد الذي تم جره أو لَفّه بواسطة النقطة المؤثرة، مما يمنح فهماً عميقاً للطبيعة الهيكلية للتداخل بين المتغيرات في وجود الشذوذ.

12.3 مقارنة مسافة كوك مع نسبة التباين المشترك (Covariance Ratio) ومسافة ماهالانوبيس

تكتمل المنظومة التشخيصية للنمذجة الخطية بربط مسافة كوك بمقياسين متقدمين آخرين يغطيان أبعاداً تكميلية في فضاء البيانات:

• نسبة التباين المشترك (Covariance Ratio – COVRATIO): يقيس هذا المؤشر أثر المشاهدة المنفردة ليس على قيم المعلمات فقط، بل على دقة وكفاءة مصفوفة التغاير الإجمالية للمعاملات ($det(\text{Var}(\hat{\beta}_{(i)})) / det(\text{Var}(\hat{\beta}))$). تكشف هذه النسبة عما إذا كانت النقطة تسهم في تحسين دقة التقدير الإجمالية للنموذج ($\text{COVRATIO} > 1$) أو تؤدي إلى تدهور الكفاءة المعيارية وتوسيع فترات الثقة ($\text{COVRATIO} < 1$).
• مسافة ماهالانوبيس (Mahalanobis Distance): تُعد مسافة ماهالانوبيس المقياس المتعدد الكلاسيكي لتحديد الرافعة والابتعاد في فضاء المتغيرات التفسيرية المستقلة ($X$). ترتبط مسافة ماهالانوبيس ($MD_i^2$) بالرافعة $h_{ii}$ ارتباطاً جبرياً خطياً مباشراً عبر المعادلة $h_{ii} = \frac{MD_i^2}{n – 1} + \frac{1}{n}$. ومع ذلك، تظل مسافة كوك متفوقة منهجياً في تحليل الانحدار لأنها تدمج هذا البعد الفراغي الماهالانوبي مع حجم الباقي التنبؤي الفعلي في متغير الاستجابة ($Y$).

يوضح الجدول المقارن التالي الفروق الجوهرية بين كافة المقاييس التشخيصية لمساعدة الباحث على اتخاذ القرار المناسب:

المقياس التشخيصي	فضاء القياس المستهدف	الهدف الإحصائي الرئيسي	عتبة القطع الإرشادية الشائعة
مسافة كوك (Cook’s D)	الاستجابة والمتنبئات معاً ($X$ و $Y$)	قياس التغير الكلي في كافة القيم المتنبأ بها ($\hat{Y}$)	$D_i > \frac{4}{n}$ أو $D_i > 1$
مقياس DFFITS	الاستجابة والمتنبئات معاً ($X$ و $Y$)	قياس التغير في التنبؤ المخصص للنقطة نفسها مع حذف الخطأ	$|\text{DFFITS}| > 2\sqrt{\frac{p}{n}}$
مقياس DFBETAS	معلمات النموذج الفردية ($\beta_j$)	قياس التغير في تقدير معامل انحدار محدد عند حذف الحالة	$|\text{DFBETAS}_j| > \frac{2}{\sqrt{n}}$
الرافعة (Leverage – $h_{ii}$)	فضاء المتغيرات التفسيرية ($X$) فقط	قياس بعد النقطة عن مركز كتلة المتنبئات	$h_{ii} > \frac{2p}{n}$ أو $\frac{3p}{n}$
نسبة التباين (COVRATIO)	مصفوفة التباين والتغاير ($\text{Var}(\hat{\beta})$)	تقييم الأثر على دقة وكفاءة التقديرات المعيارية	$|\text{COVRATIO} – 1| > \frac{3p}{n}$
البواقي الطلابية (Studentized Res.)	فضاء متغير الاستجابة ($Y$) فقط	رصد القيم الشاذة وتجاوز افتراض التوزيع الطبيعي للأخطاء	$|r_i| > 2$ أو $|r_i| > 3$

إن تطبيق هذا البروتوكول التشخيصي التكاملي يضمن بناء نماذج انحدار خطية تتمتع بأعلى درجات الرصانة والمتانة، ويحمي المجتمع العلمي من الانسياق وراء نتائج إحصائية خادعة ناجمة عن تأثيرات فردية غير منضبطة.

خاتمة

تظل مسافة كوك (Cook’s Distance) إحدى أعظم الإضافات المنهجية التي قدمها علم الإحصاء التطبيقي لفحص ونمذجة البيانات في القرن العشرين. ومن خلال قدرتها الرياضية الفائقة على توحيد قياس الشذوذ والرافعة في مؤشر واحد ذي دلالة إجمالية، منحت الباحثين أداة تشخيصية لا غنى عنها لتقييم استقرار النماذج التنبؤية والتأكد من صدق المقدرات الإحصائية وتجردها من هيمنة الحالات الشاذة المنفردة.

ومع ذلك، تقتضي الأمانة العلمية والمنهجية التأكيد على أن مسافة كوك ليست أداة للحذف الآلي الأعمى للبيانات، بل هي بمثابة جهاز إنذار واستكشاف يدعو الباحث إلى إعمال الفكر النقدي، والتدقيق في السجلات الميدانية، وتطبيق تحليلات الحساسية، واستخدام البدائل الإحصائية المتينة عند الحاجة. إن التعامل الرشيد مع النقاط المؤثرة، والموثق بشفافية وفق المعايير الأكاديمية الرصينة، هو الفارق الحقيقي بين التحليل الإحصائي السطحي والبحث العلمي الموثوق القادر على تقديم معرفة أصيلة وقابلة للتكرار تسهم في تقدم العلوم وخدمة المجتمع.

References

• Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). Regression diagnostics: Identifying influential data and sources of collinearity. John Wiley & Sons. https://doi.org/10.1002/0471725153
• Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18. https://doi.org/10.1080/00401706.1977.10489493
• Cook, R. D. (1979). Influential observations in linear regression. Journal of the American Statistical Association, 74(365), 169–174. https://doi.org/10.1080/01621459.1979.10481634
• Cook, R. D., & Weisberg, S. (1982). Residuals and influence in regression. Chapman and Hall.
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications.
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications.
• Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5th ed.). McGraw-Hill Irwin.
• Rousseeuw, P. J., & Leroy, A. M. (1987). Robust regression and outlier detection. John Wiley & Sons. https://doi.org/10.1002/0471852333
• Seabold, S., & Perktold, J. (2010). statsmodels: Econometric and statistical modeling with python. In Proceedings of the 9th Python in Science Conference (Vol. 57, pp. 61–65). https://doi.org/10.25080/Majora-92bf1922-011
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.