كيفية تفسير الانحراف الصفري والانحراف المتبقي (مع أمثلة)

يمثل الانتقال من النماذج الخطية الكلاسيكية إلى النماذج الخطية المعممة (Generalized Linear Models – GLMs) تحولاً جوهرياً في بنية التفكير الإحصائي والتحليل الكمي للبيانات؛ إذ أتاح هذا الإطار الرياضي المتقدم للباحثين والمحللين تجاوز القيود الصارمة المفروضة حول التوزيع الطبيعي للأخطاء واستقلاليتها وثبات التباين. ومع هذا التحول المنهجي، برزت الحاجة الملحة إلى تطوير مقاييس جديدة تلائم طبيعة تقدير المعلمات القائم على دالة الإمكان الأعظم، بعد أن أصبحت المقاييس التقليدية المعتمدة على مجموع مربعات البواقي عاجزة بنيوياً ورياضياً عن تقييم دقة التوافق وجودة التنبؤ في النماذج غير الخطية كالنماذج اللوجستية ونماذج التكرار والعد.

في هذا السياق المعرفي، تشكل مقاييس الانحراف الإحصائي، وتحديداً الانحراف الصفري (Null Deviance) والانحراف المتبقي (Residual Deviance)، حجر الزاوية في تقييم مدى ملاءمة النماذج الخطية المعممة للبيانات التجريبية والرصدية. إن فهم هذه المقاييس لا يقتصر على مجرد قراءة أرقام مخرجة من برمجيات التحليل الإحصائي، بل يتطلب استيعاباً عميقاً للأطر الرياضية والنظرية التي تُبنى عليها، بدءاً من فكرة النموذج المشبع وصولاً إلى توزيعات كاي تربيع التقريبية. يقدم هذا الدليل الشامل تفكيكاً نظرياً وعملياً لهذه المؤشرات الإحصائية، معززاً بالأمثلة الحسابية والتطبيقات البرمجية لتمكين الباحث من تفسير مخرجات النمذجة بثقة ودقة أكاديمية رصينة.

تكمن الأهمية التطبيقية لاستيعاب دلالات الانحراف في كونه المعيار الفاصل بين بناء نموذج يتسم بالقوة التفسيرية العالية والقدرة على التعميم، وبين الوقوع في فخاخ الإفراط في التوفيق (Overfitting) أو القصور في التمثيل الرياضي للظاهرة المدروسة (Underfitting). من خلال هذا المقال المرجعي، سنستعرض آليات احتساب هذه المقاييس، والفروق الدقيقة بينها عبر مختلف التوزيعات الاحتمالية للبيانات، وكيفية توظيفها في المفاضلة بين النماذج المتنافسة واختبار الفرضيات العلمية وصياغة التقارير الإحصائية وفق المعايير المنهجية العالمية.

1. مقدمة تأسيسية حول مفهوم مقاييس الانحراف في النماذج الخطية المعممة (GLMs)

1.1 طبيعة مقاييس جودة التوفيق في النماذج غير الخطية

في إطار الانحدار الخطي البسيط والمتعدد المعتمد على طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS)، شكّل معامل التحديد التقليدي (R²) المعيار الذهبي لتقييم النسبة المئوية للتباين المفسر في المتغير التابع بواسطة المتغيرات المستقلة. غير أن تطبيق هذا المعيار بصورته الكلاسيكية على النماذج غير الخطية، مثل نماذج الانحدار اللوجستي الثنائي أو متعدد الحدود، ونماذج انحدار بواسون ونماذج التوزيع الثنائي السالب، يواجه معضلات رياضية ومنهجية جوهرية؛ إذ إن التباين في هذه النماذج ليس ثابتاً، بل يعتمد بنيوياً ودالياً على المتوسط الحسابي، كما أن المتغير التابع يتخذ قيماً متقطعة أو محصورة ضمن فضاء احتمالي محدد لا يمتد عبر الأعداد الحقيقية بأكملها.

أدى هذا القصور إلى استبدال أسلوب المربعات الصغرى بمنهجية تقدير الإمكان الأعظم (Maximum Likelihood Estimation – MLE)، حيث يتم البحث عن قيم المعلمات التي تجعل من البيانات المشاهدة الحدث الأكثر احتمالاً للحدوث. وانطلاقاً من لوغاريتم دالة الإمكان (Log-Likelihood)، تبلور المفهوم الإحصائي للانحراف (Deviance) بوصفه تعميماً لمفهوم مجموع مربعات الأخطاء. يُعرف الانحراف في هذا السياق بأنه مقياس كمي مباشر لعدم جودة التوافق (Lack of Fit) بين النموذج المقدر والبيانات الفعلية المشاهدة؛ فكلما تباعدت توقعات النموذج عن الواقع، تراجعت قيمة لوغاريتم الإمكان وارتفعت قيمة الانحراف الناتجة.

يؤدي الانحراف دوراً محورياً كمعيار أساسي للمفاضلة الإحصائية بين النماذج التنافسية؛ إذ يتيح للباحثين تقييم ما إذا كانت إضافة مجموعة معينة من المتغيرات التنبؤية تُحدث خفضاً ذا دلالة إحصائية في مقدار الخطأ أو التباين غير المفسر، بما يبرر التعقيد الإضافي للنموذج ويمنع هدر درجات الحرية في معلمات غير ذات جدوى علمية.

1.2 موقع الانحراف في مخرجات الحزم الإحصائية البرمجية

عند تنفيذ النماذج الخطية المعممة عبر البيئات والبرمجيات الإحصائية المعيارية مثل لغة R، وSPSS، وStata، ومكتبات لغة Python المتخصصة مثل Statsmodels، تُعرض قيم الانحراف بشكل بارز في تقارير المخرجات النهائية تحت مسميين رئيسيين: الانحراف الصفري (Null Deviance) والانحراف المتبقي (Residual Deviance). لا تمثل هذه الأرقام مجرد ملخصات وصفية عابرة، بل هي جوهر التقييم الاستدلالي للبنية الرياضية الكلية للنموذج الخطي المعمم المطبق.

يرتبط الانحراف في هذه المخرجات بمفهوم التباين الإجمالي والتباين المتبقي؛ حيث يمثل الانحراف الصفري نقطة الصفر أو خط الأساس للخطأ الكلي الكامن في الظاهرة قبل استدعاء أي متغيرات تنبؤية، في حين يجسد الانحراف المتبقي مقدار الخطأ أو التباين الذي عجز النموذج المقترح عن تفسيره بعد احتساب مساهمات المتغيرات المستقلة المضمنة في المعادلة. وبذلك، فإن التقييم الأولي السريع لجودة النموذج يبدأ بملاحظة مقدار الهبوط من قيمة الانحراف الصفري إلى قيمة الانحراف المتبقي.

تتضمن هذه المخرجات البرمجية أيضاً درجات الحرية المقترنة بكل انحراف (Degrees of Freedom). إن الفهم المنهجي السليم لهذه الدرجات يُعد شرطاً لا غنى عنه لإجراء الاختبارات الفرضية الاستدلالية؛ إذ ترتبط درجات حرية الانحراف الصفري بحجم العينة مطروحاً منه معلمة الحد الثابت فقط، بينما تنخفض درجات حرية الانحراف المتبقي مع كل متغير تنبؤي إضافي يتم إدراجه في النموذج، مما يتيح توظيف توزيع كاي تربيع لتقييم الدلالة الإحصائية للتحسن المحقق.

2. مفهوم الانحراف الصفري (Null Deviance): التعريف والأهمية الإحصائية

2.1 التعريف النظري والرياضي للنموذج الصفري

يُعرف النموذج الصفري (Null Model)، والذي يُطلق عليه أحياناً نموذج الحد الثابت فقط (Intercept-Only Model)، بأنه أبسط صيغة ممكنة للنموذج الإحصائي؛ حيث يُفترض فيه غياب أي علاقة ارتباطية أو سببية بين المتغير التابع وأي من المتغيرات التفسيرية المحتملة. في هذه الحالة، يتنبأ النموذج بالقيمة نفسها لجميع الحالات والمفردات في العينة، وتكون هذه القيمة مساوية للمتوسط العام للبيانات في حالة المتغيرات المستمرة، أو النسبة الكلية للحدوث (Log-odds of the overall probability) في حالة النماذج اللوجستية الثنائية.

يمثل الانحراف الصفري (Null Deviance) التقييم الرياضي الكمي لأسوأ أداء تنبؤي يمكن القبول به كنقطة انطلاق؛ إذ يعكس المسافة الإحصائية بين النموذج الصفري والنموذج المشبع (Saturated Model) الذي يحقق تطابقاً تاماً مع البيانات المشاهدة. وعليه، فإن قيمة الانحراف الصفري تقيس الحجم الكلي لعدم التوافق، أو بعبارة أخرى، إجمالي التباين الإحصائي واللايقين المرتبط بالمتغير التابع الذي يسعى الباحث إلى تفسيره وتفكيكه عبر المتغيرات المستقلة المقترحة.

تتجلى الأهمية الرياضية للانحراف الصفري في كونه يحدد السقف الأعلى للخطأ الكلي ضمن فضاء النمذجة؛ فإذا كان الانحراف يمثل مؤشراً لعدم التوافق، فإن الانحراف الصفري هو “أقصى عدم توافق بدائي”، وكل نموذج لاحق يتضمن متغيرات مستقلة يجب أن يقاس نجاحه بمدى قدرته على اقتطاع جزء جوهري من هذه القيمة المرجعية وتحويلها إلى تباين مفسر بدقة وموثوقية.

2.2 حساب درجات الحرية للنموذج الصفري

ترتبط قيمة الانحراف الصفري ارتباطاً وثيقاً بعدد المشاهدات الإجمالي في مجموعة البيانات، وتُحسب درجات الحرية المقترنة به من خلال المعادلة البسيطة:

df_null = n – 1

حيث تمثل n حجم العينة الكلي المتاح للتحليل بعد استبعاد القيم المفقودة، ويمثل الرقم 1 معلمة الحد الثابت (Intercept) الوحيدة التي تم تقديرها في هذا النموذج الأساسي. تعكس هذه الصيغة عدد المعلومات الحرة والمستقلة المتبقية في البيانات لتقدير التباين، بعد تثبيت القيمة التنبؤية عند المتوسط العام للظاهرة.

يتأثر الحجم المطلق لقيمة الانحراف الصفري بشكل مباشر بحجم العينة؛ فكلما تضخمت العينة وزادت المشاهدات، ارتفعت القيمة المطلقة للانحراف الصفري بصورة طبيعية نظراً لأن الانحراف مقياس تراكمي للإمكان عبر كافة المشاهدات الفردية. لذلك، لا يمكن أبداً مقارنة القيم المطلقة للانحراف الصفري بين دراسات مختلفة تعتمد على أحجام عينات متباينة، بل يُنظر إلى القيمة دائماً كخاصية محلية للعينة قيد الفحص والدراسة.

يُستخدم الانحراف الصفري ودرجات حريته كنقطة مرجعية معيارية (Baseline Reference) لا غنى عنها في كافة مراحل التقييم الإحصائي اللاحقة. فمن خلال مقارنة الانحراف المتبقي لأي نموذج مركب بالانحراف الصفري الأساسي، يستطيع الباحث صياغة مؤشرات الفعالية والتأكد مما إذا كانت النماذج المعقدة تقدم إضافة معرفية حقيقية تتجاوز مجرد التخمين القائم على التكرار العام أو المتوسط البسيط للظاهرة المدروسة.

3. مفهوم الانحراف المتبقي (Residual Deviance): تقييم النموذج المشبع والمقترح

3.1 التعريف البنيوي للانحراف المتبقي

يمثل الانحراف المتبقي (Residual Deviance) مقياس عدم جودة التوافق المتبقي في النموذج بعد إدخال المتغيرات التفسيرية المستقلة (p predictors) إلى المعادلة الإحصائية. عند إضافة هذه المتغيرات، يقوم النموذج بتعديل تنبؤاته لكل مشاهدة بناءً على خصائصها الفردية وسجل قياساتها، بدلاً من إعطائها التنبؤ العام الثابت. وعليه، فإن الانحراف المتبقي يقيس حجم التباين والأخطاء التي فشلت هذه المتغيرات المضافة في تفسيرها واحتوائها.

يتم حساب الانحراف المتبقي عبر مقارنة لوغاريتم دالة الإمكان للنموذج المقترح المقدر بلوغاريتم دالة الإمكان الخاصة بـ النموذج المشبع (Saturated Model). النموذج المشبع هو نموذج نظري مثالي يحتوي على عدد من المعلمات مساوٍ تماماً لعدد المشاهدات المستقلة في العينة، مما يجعله قادراً على تحقيق ملاءمة كاملة وتامة وتوقع كل نقطة بيانات بدقة مطلقة دون أي خطأ (أي أن لوغاريتم إمكانه يمثل الحد الأقصى الرياضي الممكن تحقيقه للبيانات المعطاة).

تخضع قراءة الانحراف المتبقي لقاعدة التناسب العكسي الصارمة؛ فكلما انخفضت قيمة الانحراف المتبقي واقتربت من الصفر، كان ذلك دليلاً على اقتراب النموذج المقترح من كفاءة النموذج المشبع، ونجاح المتغيرات المستقلة في تفسير الجانب الأكبر من التباين في المتغير التابع. ومع ذلك، يجب توخي الحذر الشديد في التفسير، حيث إن الانخفاض المفرط قد لا يعكس دائماً دقة حقيقية، بل قد يشير إلى اعتلالات منهجية سنفصلها لاحقاً.

3.2 درجات حرية الانحراف المتبقي ودور المتغيرات

تُحسب درجات الحرية المقترنة بالانحراف المتبقي (Residual Degrees of Freedom) عبر الصيغة الرياضية التالية:

df_residual = n – p – 1

حيث تشير n إلى إجمالي حجم العينة، بينما تشير p إلى عدد المعلمات المقدرة للمتغيرات التفسيرية المضافة (مع احتساب درجات الحرية للمتغيرات الفئوية بحسب عدد فئاتها ناقصاً واحد)، ويمثل الرقم 1 معلمة الحد الثابت. يوضح هذا القانون البسيط أن كل متغير تنبؤي جديد يتم إدراجه في النموذج يستهلك جزءاً من رصيد درجات الحرية المتاحة للبيانات.

يترتب على إضافة المتغيرات المستقلة أثر مزدوج؛ فمن ناحية، تؤدي الإضافة حتماً إلى خفض قيمة الانحراف المتبقي (أو على الأقل إبقائها ثابتة) لأن النموذج يكتسب مرونة رياضية أكبر لملاءمة البيانات، ولكنها من ناحية أخرى تخصم من درجات الحرية المتبقية. تكمن البراعة الإحصائية في تحقيق أقصى خفض ممكن في الانحراف بأقل استهلاك ممكن لدرجات الحرية، تطبيقاً لمبدأ بارسيموني أو نصل أوكام (Parsimony Principle) في بناء النماذج العلمية.

يبرز هنا خطر الإفراط في التوفيق (Overfitting)؛ فعندما يبالغ الباحث في إدراج المتغيرات التنبؤية والتفاعلات المعقدة، ينخفض الانحراف المتبقي بشكل مصطنع وحاد، ليس لأن النموذج اكتشف قوانين تجريبية عامة، بل لأنه بدأ في نمذجة التشويش العشوائي (Random Noise) الخاص بالعينة المحددة. يؤدي ذلك إلى انهيار القدرة التنبؤية للنموذج عند تطبيقه على عينات جديدة مستقلة، بالرغم من تحقيقه لانحراف متبقٍ منخفض للغاية في عينة التدريب الأصلية.

4. الأساس الرياضي لاحتساب الانحراف الصفري والمتبقي

4.1 صياغة دالة الإمكان ولوغاريتم الإمكان (Log-Likelihood Function)

ترتكز النماذج الخطية المعممة على تعظيم دالة الإمكان، ويُرمز للوغاريتم دالة الإمكان للنموذج المشبع بالرمز ln(L_saturated) وللنموذج المقترح قيد التقييم بالرمز ln(L_model). بناءً على هذه القيم، تُصاغ المعادلة الرياضية المعيارية لحساب الانحراف الكلي (D) على النحو التالي:

D = -2 * [ ln(L_model) – ln(L_saturated) ]

توضح هذه المعادلة أن الانحراف يمثل في جوهره مضاعفاً سالباً للنسبة اللوغاريتمية بين إمكان النموذج المقترح وإمكان النموذج المشبع المثالي. وبما أن إمكان النموذج المشبع هو أعلى إمكان ممكن، فإن القيمة داخل القوسين المعقوفين تكون دائماً سالبة أو صفراً، مما يجعل قيمة الانحراف D دائماً موجبة أو مساوية للصفر (D ≥ 0).

يُعد استخدام المعامل العددي (-2) في الصيغة الرياضية ضرورة إحصائية نابعة من مبرهنة ويلكس (Wilks’ Theorem)؛ إذ يضمن ضرب لوغاريتم نسبة الإمكان بالمعامل (-2) تحويل المقياس الإحصائي ليتبع تقاربياً توزيع كاي تربيع (Chi-Square Distribution) مع نمو حجم العينة إلى اللانهاية. هذا التحويل الرياضي هو ما يمنح الانحراف قوته الاستدلالية، حيث يتيح إجراء اختبارات الدلالة الإحصائية الدقيقة واستخراج القيم الاحتمالية مباشرة بناءً على التوزيع الاحتمالي النظري.

عند حساب الانحراف الصفري (D_null)، يتم استبدال ln(L_model) في المعادلة السابقة بـ ln(L_null)، وهو لوغاريتم إمكان نموذج الحد الثابت فقط. أما عند حساب الانحراف المتبقي (D_residual)، فتُوضع قيمة ln(L_model) الخاصة بالنموذج الذي يحتوي على كافة المتغيرات المستقلة المحددة، مما يسمح بحساب فارق الانحراف بدقة رياضية متناهية.

4.2 الفروق الرياضية بحسب توزيع المتغير التابع

تختلف الصيغة الرياضية المباشرة للانحراف تبعاً لـ العائلة الأسية (Exponential Family) التي ينتمي إليها توزيع المتغير التابع. في حالة الانحدار اللوجستي الثنائي (Binary Logistic Regression) القائم على توزيع برنولي (Bernoulli Distribution)، حيث يأخذ المتغير التابع y_i القيمتين (0 أو 1)، واحتمال النموذج المقدر هو p̂_i، يأخذ لوغاريتم الإمكان للنموذج المشبع القيمة صفر تماماً لأن التوافق مثالي (حيث ln(1) = 0). ونتيجة لذلك، تتبسط معادلة الانحراف المتبقي لتصبح:

D = -2 * ∑ [ y_i * ln(p̂_i) + (1 – y_i) * ln(1 – p̂_i) ]

تعبر هذه الصيغة مباشرة عن مقياس الإنتروبيا المتقاطعة الثنائية (Binary Cross-Entropy) المستخدم بكثافة في خوارزميات التعلم الآلي والذكاء الاصطناعي الحديثة.

أما في حالة انحدار بواسون (Poisson Regression) المستخدم لبيانات التكرارات والأحداث المستقلة ذات القيم الصحيحة غير السالبة، حيث يمثل y_i العدد المشاهد ويمثل μ̂_i المتوسط المتوقع المشروط، فإن صيغة الانحراف تأخذ شكلاً مختلفاً يعكس الطبيعة التوزيعية للبواسون:

D = 2 * ∑ [ y_i * ln(y_i / μ̂_i) – (y_i – μ̂_i) ]

وفي التطبيقات التي تحتوي على مشاهدات قيمتها صفر (y_i = 0)، يُعتبر الحد 0 * ln(0) مساوياً للصفر استناداً إلى النهايات الرياضية وقواعد التحليل الحقيقي المستمر.

ترتبط هذه التوزيعات أيضاً بمفهوم معامل التشتت (Dispersion Parameter – φ). فبينما يُفترض أن يكون معامل التشتت ثابتاً ومساوياً للواحد الصحيح (φ = 1) نظرياً في نماذج التوزيع الثنائي والبواسون، تظهر في البيانات الحقيقية مشكلة التشتت الإضافي أو الزائد (Overdispersion)، حيث يتجاوز التباين الفعلي المتوسط المتوقع. تنعكس هذه الظاهرة مباشرة في تضخم قيم الانحراف المتبقي، وتتطلب معالجات رياضية إما عبر نماذج شبه الإمكان (Quasi-Likelihood) أو عبر نماذج بديلة مثل التوزيع الثنائي السالب (Negative Binomial).

5. المقارنة والمفاضلة المنهجية: الانحراف الصفري مقابل الانحراف المتبقي

5.1 جدول المقارنة المعيارية بين المقياسين

لتوضيح الفروق الهيكلية والوظيفية بين الانحراف الصفري والانحراف المتبقي، يلخص التحليل المقارن التالي أبرز الخصائص الرياضية والمنهجية لكل منهما ضمن إطار النماذج الخطية المعممة:

• النموذج المقابل: الانحراف الصفري يقيس أداء نموذج الحد الثابت فقط (Null Model / Intercept Only)، بينما يقيس الانحراف المتبقي أداء النموذج المقترح المكتمل المشتمل على المتغيرات التفسيرية (Fitted Model with p Predictors).
• التركيب الرياضي: الانحراف الصفري يعتمد على المسافة بين إمكان نموذج المتوسط العام وإمكان النموذج المشبع -2[ln(L_null) – ln(L_sat)]، بينما الانحراف المتبقي يعتمد على المسافة بين إمكان النموذج المقترح وإمكان النموذج المشبع -2[ln(L_model) – ln(L_sat)].
• حساب درجات الحرية: درجات حرية الانحراف الصفري تساوي دائماً n – 1، بينما درجات حرية الانحراف المتبقي تساوي n – p – 1.
• الوظيفة الاستدلالية: يمثل الانحراف الصفري المعيار المرجعي الكلي لعدم التوافق والتباين الأساسي، في حين يمثل الانحراف المتبقي التباين والخطأ غير المفسر المتبقي بعد تدخل المتغيرات المستقلة.
• الحساسية لعدد المتغيرات: الانحراف الصفري ثابت لا يتأثر بعدد المتغيرات التفسيرية المتاحة في قاعدة البيانات، بينما ينخفض الانحراف المتبقي بالضرورة مع كل متغير إضافي يدخل في معادلة التقدير.

يكشف هذا التمايز أن القيمة الإحصائية لأي من المقياسين لا تكتمل إلا بوجود المقياس الآخر؛ فالانحراف الصفري يوفر السياق والحجم المرجعي، بينما يوفر الانحراف المتبقي الدليل على مقدار التقدم التفسيري الذي حققه النموذج المقترح للباحث.

5.2 تحديد مدى فائدة النموذج الإحصائي

تتمثل قاعدة اتخاذ القرار الأساسية في النمذجة الإحصائية في الإجابة عن السؤال التالي: هل الفارق بين الانحراف الصفري والانحراف المتبقي كبير بما يكفي لتبرير تعقيد النموذج والتخلي عن النموذج الصفري البسيط؟ لا يمكن الاكتفاء بملاحظة انخفاض الانحراف بالعين المجردة، بل يجب تقييم ما إذا كان هذا الهبوط ناتجاً عن ارتباط حقيقي أصيل بين المتغيرات والظاهرة المدروسة، أم أنه مجرد تذبذب عشوائي في العينة ناتج عن استهلاك درجات حرية إضافية.

يُعد قياس نسبة الانخفاض النسبي في الانحراف (Relative Reduction in Deviance) أحد أبرز المؤشرات الوصفية لتقييم كفاءة النموذج، وتُحسب هذه النسبة بالمعادلة التالية:

Proportionate Reduction = (D_null – D_residual) / D_null

تمثل هذه المعادلة الأساس الهيكلي لمعامل التحديد الزائف لماكفادين؛ إذ تشير النتيجة إلى النسبة المئوية التي تمكن النموذج من محوها من الخطأ المرجعي الأساسي. فإذا كان الانخفاض طفيفاً جداً (مثلاً أقل من 2%)، فإن النموذج يُعد ضعيف الجدوى التطبيقية حتى وإن أظهرت بعض المتغيرات دلالة اسمية هامشية.

يسهم هذا التحليل في الربط المباشر بين خفض الانحراف وزيادة القوة التفسيرية للبحث العلمي الكمي. فعندما ينجح الباحث في تقليص الانحراف بصورة جوهرية عبر تضمين متغيرات مستندة إلى إطار نظري رصين، يقدم دليلاً إمبريقياً على صدق الفرضيات النظرية وقدرتها على عكس العلاقات الحقيقية في المجتمع الأصلي للدراسة.

6. اختبار كاي تربيع ومستويات الدلالة الإحصائية للفرق بين الانحرافين

6.1 حساب إحصائية اختبار نسبة الإمكان (Likelihood Ratio Test)

للتحقق مما إذا كان الانخفاض في قيمة الانحراف ذا دلالة إحصائية حقيقية، يتم اللجوء إلى اختبار نسبة الإمكان (Likelihood Ratio Test – LRT). تُعرف إحصائية هذا الاختبار (والتي يُرمز لها بـ G أو χ² أو ΔD) ببساطة بأنها الفارق الرياضي المباشر بين الانحراف الصفري والانحراف المتبقي للنموذج:

χ²_model = D_null – D_residual

تعبر هذه القيمة عن مقدار تحسن جودة التوفيق الناتجة عن إدخال المتغيرات المستقلة كاملة إلى النموذج ومقارنتها بنموذج الحد الثابت فقط.

تتبع هذه الإحصائية توزيع كاي تربيع بدرجات حرية محددة بدقة، وتُحسب درجات حرية الاختبار من خلال طرح درجات حرية الانحراف المتبقي من درجات حرية الانحراف الصفري:

df_test = df_null – df_residual = (n – 1) – (n – p – 1) = p

حيث تمثل p العدد الصافي للمتغيرات التنبؤية أو المعلمات المضافة حديثاً إلى النموذج. يختبر هذا الإجراء الفرضية الصفرية (H₀) القائلة بأن جميع معلمات الانحدار المرتبطة بالمتغيرات المستقلة تساوي الصفر في المجتمع الإحصائي (β₁ = β₂ = … = β_p = 0).

يرتكز اختبار نسبة الإمكان على افتراضات تقاربية (Asymptotic Assumptions)؛ حيث يتطلب حجم عينة كافٍ لضمان تقارب توزيع الفارق في لوغاريتم الإمكان نحو توزيع كاي تربيع النظري بدقة، وتعد هذه الطريقة أكثر قوة إحصائية وموثوقية من اختبار فالد (Wald Test) المنفرد، لاسيما في العينات المتوسطة ونماذج الانحدار اللوجستي التي تعاني من معاملات انحدار شديدة الارتفاع.

6.2 حساب وتفسير القيمة الاحتمالية (p-value)

بمجرد الحصول على قيمة إحصائية كاي تربيع (χ²) ودرجات حريتها (df)، يتم حساب القيمة الاحتمالية المقترنة بها (p-value) باستخدام الدوال الرياضية لتوزيع كاي تربيع التراكمي (مثل دالة 1 - pchisq(χ², df) في البرمجيات الإحصائية). تمثل القيمة الاحتمالية احتمال الحصول بالصدفة البحتة على فارق في الانحراف مساوٍ لهذه القيمة المشاهدة أو أكبر منها، بافتراض صحة الفرضية الصفرية القائلة بعدم وجود أي تأثير للمتغيرات المستقلة.

تتم مقارنة القيمة الاحتمالية المستخرجة بمستويات الدلالة المنهجية المعتمدة مسبقاً (مستوى الألفا α = 0.05 أو α = 0.01 أو α = 0.001):

• إذا كانت p-value < 0.05: نرفض الفرضية الصفرية (H₀) ونقبل الفرضية البديلة (H₁)، مستنتجين أن النموذج المقترح ككل يتمتع بدلالة إحصائية، وأن المتغيرات المستقلة المضمنة تقدم مجتمعة تحسناً حقيقياً وجوهرياً في التنبؤ بالمتغير التابع مقارنة بالنموذج الصفري.
• إذا كانت p-value ≥ 0.05: نفشل في رفض الفرضية الصفرية، مما يعني أن الانخفاض المرصود في الانحراف لا يتجاوز كونه خطأ عشوائياً ناتجاً عن المعاينة، وأن المتغيرات المضافة لا تقدم أي قيمة إحصائية مضافة حقيقية لتفسير التباين، مما يوجب إعادة النظر في بنية النموذج النظري.

يعد هذا الاختبار المكافئ المباشر لاختبار تحليل التباين الشامل (Overall F-test) المستخدم في نماذج الانحدار الخطي الكلاسيكي، ويشكل الخطوة الإلزامية الأولى في تفسير مخرجات النمذجة الخطية المعممة قبل الانتقال إلى فحص الدلالات الفردية لكل معلمة على حدة.

7. تطبيق عملي خطوة بخطوة في بيئة R: تحليل نموذج الانحدار اللوجستي

7.1 إعداد البيانات وبناء النموذج اللوجستي

لتطبيق هذه المفاهيم بصورة تطبيقية وعملية، سنستخدم بيئة التحليل الإحصائي R مع مجموعة بيانات حقيقية وشهيرة في مجال النمذجة اللوجستية، وهي مجموعة بيانات Default المتوفرة ضمن مكتبة ISLR المعيارية. تهدف هذه الدراسة إلى التنبؤ بما إذا كان العميل سيتخلف عن سداد مستحقات بطاقته الائتمانية (متغير ثنائي: default = Yes/No) بناءً على ثلاثة متغيرات تنبؤية: الرصيد الائتماني القائم (balance)، الدخل السنوي للعميل (income)، والحالة الدراسية وما إذا كان العميل طالباً (student).

في البداية، يتم تجهيز البيانات واستدعاء الحزمة الإحصائية، ثم بناء النموذج عبر دالة النمذجة الخطية المعممة glm() مع تحديد عائلة التوزيع الثنائي والرابط اللوجستي عبر المعامل family = binomial(link = "logit"). تتضمن صياغة النموذج تحديد المتغير التابع متبوعاً بكافة المتغيرات المستقلة المذكورة. يقوم محرك الحساب الداخلي للغة R بتطبيق خوارزمية نيوتن-رافسون التكرارية (Iteratively Reweighted Least Squares – IRLS) للوصول إلى تقديرات الإمكان الأعظم للمعلمات وقيم الانحراف المرافقة.

يتيح هذا النموذج المقترح قياس التأثير المشترك لهذه الخصائص المالية والديموغرافية على سلوك التخلف المالي، حيث تشكل هذه المشكلة التطبيقية سياقاً مثالياً لمراقبة كيفية تراجع الانحراف المتبقي بصورة جذرية عند إضافة متغير شديد الأهمية التنبؤية مثل الرصيد الائتماني للعميل.

7.2 استخراج وتفسير مخرجات دالة summary()

عند تنفيذ الأمر summary(model) في بيئة R، يظهر في ذيل التقرير الإحصائي ملخص مقتضب ولكنه بالغ الأهمية لقيم الانحراف، ويأخذ النص البرمجي للشاشة عادة الشكل القياسي التالي:

Null deviance: 2920.65 on 9999 degrees of freedom
Residual deviance: 1571.46 on 9996 degrees of freedom
AIC: 1579.5

يتم تحليل وقراءة هذه المخرجات الرقمية بدقة منهجية عبر الخطوات الأكاديمية التالية:

• قراءة الانحراف الصفري: تبلغ قيمة الانحراف الصفري 2920.65 عند 9999 درجة حرية (حجم العينة n = 10000، مطروحاً منه 1 للحد الثابت). تعكس هذه القيمة مقدار الخطأ الإجمالي الكامن في توقع حالة التخلف المالي بالاعتماد فقط على نسبة التخلف العامة في المجتمع دون معرفة أي معلومات خاصة بالعميل.
• قراءة الانحراف المتبقي: تبلغ قيمة الانحراف المتبقي 1571.46 عند 9996 درجة حرية (تم استهلاك 3 درجات حرية إضافية لتقدير معلمات الرصيد والدخل وحالة الطالب). نلاحظ فوراً انخفاضاً ضخماً في قيمة الانحراف بمقدار يتجاوز 1349 نقطة.
• تنفيذ اختبار كاي تربيع لنسبة الإمكان: يُحسب الفارق في الانحراف (χ² = 2920.65 – 1571.46 = 1349.19) بدرجات حرية (df = 9999 – 9996 = 3). عند تطبيق الدالة البرمجية 1 - pchisq(1349.19, 3)، نحصل على قيمة احتمالية تقترب من الصفر المطلق (p < 2.2e-16).
• الاستنتاج الإحصائي: نظراً لأن القيمة الاحتمالية أقل بكثير من مستوى الدلالة 0.001، نرفض الفرضية الصفرية قطعياً. نخلص إلى أن النموذج المقترح يتمتع بجودة توفيق عالية جداً وقدرة تنبؤية فائقة، وأن إدراج المتغيرات التفسيرية (وخاصة الرصيد الائتماني) قد ساهم بشكل جوهري وحاسم في خفض تباين الخطأ وتفسير سلوك التخلف المالي لدى العملاء.

8. تفسير مخرجات الانحراف في نماذج انحدار بواسون ونماذج العد السلوكية

8.1 خصوصية الانحراف في نماذج بواسون (Poisson GLM)

في الدراسات والبحوث التي تركز على متغيرات تابعة تمثل أعداداً صحيحة وتكرارات لأحداث معينة (Count Data)—مثل عدد نوبات القلق شهرياً، أو عدد مرات زيارة العيادة، أو عدد المخالفات السلوكية—يُعد انحدار بواسون (Poisson Regression) الخيار المنهجي القياسي. يرتبط هذا النموذج بدالة الرابط اللوغاريتمي الطبيعي (Log Link Function)، ويفترض أن توزيع الأخطاء يتبع توزيع بواسون الذي يتساوى فيه المتوسط مع التباين (E(Y) = Var(Y) = μ).

تكتسب قيم الانحراف الصفري والمتبقي في نماذج بواسون بعداً تفسيرياً فريداً؛ إذ يُقاس الانحراف الصفري هنا بمقدار ابتعاد تكرارات الحوادث المشاهدة عن معدل الوقوع العام الثابت في العينة. وعند إدخال المتغيرات البيئية أو السلوكية أو النفسية إلى النموذج، يُعبر الانحراف المتبقي عن التفاوتات المتبقية في معدلات الحدوث الفردية التي لم تنجح تلك المتغيرات المستقلة في تفسيرها واحتوائها دالياً.

يتم تطبيق اختبار نسبة الإمكان بالطريقة الرياضية ذاتها المستخدمة في الانحدار اللوجستي؛ حيث يُحسب فارق الانحراف ويُقارن بتوزيع كاي تربيع للتأكد من أن المتغيرات التفسيرية قد غيرت بشكل دال إحصائياً من التقدير المتوقع لمعدلات الحدوث التكرارية عبر مختلف المجموعات والفئات في العينة المدروسة.

8.2 كشف مشكلة التشتت الزائد (Overdispersion) عبر الانحراف

تتميز نماذج انحدار بواسون بإمكانية استخدام الانحراف المتبقي ودرجات حريته كأداة تشخيصية سريعة ومباشرة لكشف أحد أخطر الاعتلالات الإحصائية في بيانات العد، وهي مشكلة التشتت الزائد (Overdispersion). تحدث هذه المشكلة عندما يكون التباين الفعلي للبيانات أكبر بكثير من المتوسط الحسابي، مما ينتهك الافتراض الجوهري لتوزيع بواسون ويؤدي إلى تصغير مصطنع للأخطاء المعيارية للمعلمات وتضخيم وهمي للدلالات الإحصائية.

تعتمد القاعدة الإرشادية المعيارية على حساب نسبة التشتت التقريبية (Dispersion Ratio) من خلال قسمة الانحراف المتبقي على درجات حرية الانحراف المتبقي المرافقة له:

Dispersion Statistic = Residual Deviance / Residual df

في النموذج المثالي المتوافق تماماً مع فرضيات بواسون، يجب أن تقترب هذه النسبة من الواحد الصحيح (Residual Deviance / df ≈ 1). أما في التطبيق العملي، فإذا تجاوزت هذه النسبة القيمة 1.5 أو 2.0 بشكل واضح، فإن ذلك يعد مؤشراً قوياً لا يقبل اللبس على وجود تشتت زائد حاد في البيانات؛ مما يعني أن الانحراف المتبقي متضخم بسبب تباين عشوائي غير مفسر يتجاوز بنية بواسون الرياضية.

عند اكتشاف هذه الحالة، يجب على الباحث التوقف فوراً عن اعتماد مخرجات نموذج بواسون القياسي، والتحول نحو الحلول الإحصائية التعويضية المتطورة؛ مثل تطبيق نموذج شبه بواسون (Quasi-Poisson GLM) الذي يقوم بتعديل الأخطاء المعيارية عبر تقدير مباشر لمعامل التشتت، أو الانتقال إلى نموذج الانحدار الثنائي السالب (Negative Binomial Regression) الذي يدمج معلمة تشتت مستقلة إضافية تتيح للتباين النمو بصورة تربيعية مع زيادة المتوسط، مما يعيد ضبط الانحراف إلى نطاقه الرياضي السليم.

9. تشخيص جودة توفيق النموذج الإجمالية وتحديد المشكلات المنهجية

9.1 استخدام الانحراف المتبقي كاختبار مستقل لجودة التوفيق

بالإضافة إلى استخدام فارق الانحراف للمقارنة بين النماذج، يمكن نظرياً توظيف الانحراف المتبقي المنفرد في حد ذاته كاختبار إحصائي مستقل لجودة التوافق الإجمالية (Goodness-of-Fit Test). في هذا الاختبار، تُصاغ الفرضية الصفرية (H₀) على أن النموذج الحالي المقترح ملائم تماماً للبيانات ولا يختلف جوهرياً عن النموذج المشبع الكامل. وعليه، فإن الباحث يسعى هنا إلى عدم رفض الفرضية الصفرية (أي الحصول على p-value > 0.05) لتأكيد جودة النموذج.

تُحسب القيمة الاحتمالية لهذا الاختبار بمقارنة قيمة الانحراف المتبقي بتوزيع كاي تربيع عند درجات حرية الانحراف المتبقي نفسها: p_value = 1 - pchisq(Residual_Deviance, Residual_df). ومع ذلك، يرتبط هذا الإجراء بمحاذير منهجية ورياضية بالغة الحساسية، حيث يعتمد صدقه على شكل وهيكل البيانات المتوفرة في التحليل:

• البيانات المجمعة (Grouped Data): عندما تكون البيانات مرتبة في جداول اقتران أو مجمعة في مجموعات فرعية متكررة مع عدد كبير من المشاهدات لكل تركيبة من المتغيرات (Binomial count data with large n_i per covariate pattern)، يكون توزيع الانحراف المتبقي تقاربياً بالفعل ويتبع كاي تربيع بدقة، ويُعد الاختبار حينها صالحاً وموثوقاً تماماً لتأكيد جودة التوفيق.
• البيانات الفردية غير المجمعة (Ungrouped Binary Data): في حالات الانحدار اللوجستي القياسي حيث يكون المتغير التابع مكوناً من أصفار وآحاد على مستوى كل فرد بمفرده (Binary 0/1 data)، ينهار التوزيع التقاربي لكاي تربيع تماماً؛ ولا تعود القيمة الاحتمالية المحسوبة للانحراف المتبقي المنفرد ذات أي معنى إحصائي سليم، واستخدامها في هذا السياق يُعد خطأ منهجياً شائعاً.

في حالة البيانات الفردية غير المجمعة، يُستعاض عن اختبار الانحراف المتبقي باختبارات بديلة مصممة خصيصاً للتعامل مع هذا التحدي، مثل اختبار هوسمر-ليمشو (Hosmer-Lemeshow Goodness-of-Fit Test) القائم على تقسيم التوقعات إلى أعشار احتمالية ومقارنة التكرارات المشاهدة بالمتوقعة ضمن كل عشرية.

9.2 معالجة القيم المتطرفة ونقاط التأثير المرتفعة

يسهم كل صف أو مشاهدة في قاعدة البيانات بنصيب محدد في القيمة الإجمالية للانحراف المتبقي. تُعرف هذه المساهمات الفردية باسم انحرافات البواقي (Deviance Residuals)، ويُرمز لها بالرمز d_i. يتميز انحراف الباقي للمشاهدة بأنه يأخذ الإشارة الرياضية (+ أو -) المناسبة لاتجاه الخطأ التنبؤي، وترتبط قيمته بالانحراف المتبقي الكلي من خلال العلاقة التربيعية المباشرة: Residual Deviance = ∑ (d_i)².

تعتبر دراسة وتشخيص انحرافات البواقي أسلوباً استكشافياً فائق الفعالية لاكتشاف القيم المتطرفة (Outliers) ونقاط التأثير المرتفعة (High Leverage Points)؛ حيث تمثل المشاهدات التي تتجاوز فيها القيمة المطلقة لباقي الانحراف المعياري الرقم 2.5 أو 3.0 حالات شاذة تفشل النماذج المقترحة في التنبؤ بها بصورة متطرفة وتتحمل وزناً غير متناسب في تضخيم الانحراف المتبقي الكلي للنموذج.

تتطلب الإدارة المنهجية السليمة لهذه المشاهدات اتباع استراتيجيات علمية موضوعية دون اللجوء إلى الحذف التعسفي للبيانات:

• التحقق من خلو المشاهدة من أخطاء الإدخال الرقمي أو القياس التجريبي غير المنضبط وتصحيحها إن وُجدت.
• فحص ما إذا كانت الحالات الشاذة تشترك في نمط خصائص غير مُمثل بشكل كافٍ في المتغيرات التفسيرية الحالية، مما يستدعي إضافة متغير معدل أو حد تفاعلي (Interaction Term).
• إجراء تحليل الحساسية (Sensitivity Analysis) عبر إعادة تقدير النموذج مع المشاهدات الشاذة وبدونها، وتوثيق الفروق في قيم الانحراف والمعلمات بشفافية تامة في التقرير النهائي للبحث.

10. علاقة الانحراف بمقاييس الأداء ونماذج المقارنة الإحصائية البديلة

10.1 معايير المعلومات: معيار أكايكي (AIC) ومعيار بايز (BIC)

ترتبط معايير المعلومات الإحصائية الحديثة ارتباطاً بنيوياً مباشراً بقيمة الانحراف المتبقي؛ إذ تُشتق هذه المقاييس رياضياً لتقديم تقييم متوازن يجمع بين دقة التوافق وعقوبة التعقيد. يُحسب معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) مباشرة من لوغاريتم الإمكان، وهو ما يجعله مكافئاً للصيغة المباشرة المعتمدة على الانحراف المتبقي:

AIC = Residual Deviance + 2k

حيث تمثل k إجمالي عدد المعلمات المقدرة في النموذج (بما في ذلك المتغيرات المستقلة والحد الثابت). توضح هذه المعادلة بجلاء أن معيار AIC يأخذ الانحراف المتبقي كمقياس لعدم جودة التوافق ويضيف إليه جزاءً عقابياً مقداره 2k لردع الباحث عن حشو النموذج بمتغيرات عديمة الفائدة.

أما معيار بايز للمعلومات (Bayesian Information Criterion – BIC)، والذي يُعرف أحياناً بمعيار شوارتز، فيفرض عقوبة أشد صرامة على إضافة المتغيرات بالاعتماد على حجم العينة:

BIC = Residual Deviance + k * ln(n)

حيث تمثل n حجم العينة الكلي. تزداد عقوبة BIC مع كبر حجم البيانات، مما يجعله يميل بصورة منهجية إلى اختيار نماذج أكثر بساطة وتركيزاً مقارنة بمعيار AIC.

تكمن الميزة المنهجية الكبرى لمعايير المعلومات (AIC وBIC) المشتقة من الانحراف في قدرتها الفريدة على المفاضلة بين النماذج غير المتداخلة (Non-nested Models)؛ أي النماذج التي تعتمد على متغيرات تفسيرية مختلفة تماماً ولا يمكن اشتقاق أحدها كحالة خاصة من الآخر. في هذه الحالات، يفشل اختبار فارق كاي تربيع المباشر للانحراف، ويكون النموذج الأفضل هو الذي يحقق أدنى قيمة لمعيار AIC أو BIC.

10.2 معاملات التحديد الزائفة (Pseudo-R² Measures)

نظراً لصعوبة استخراج معامل التحديد الكلاسيكي في النماذج الخطية المعممة، ابتكر علماء الإحصاء مجموعة من المؤشرات البديلة التي تُعرف بـ معاملات التحديد الزائفة (Pseudo-R²)، والتي تعتمد في أغلبها على تحويل قيم الانحراف ولوغاريتم الإمكان إلى مقاييس نسبية محصورة نظرياً بين الصفر والواحد لتقريب المفهوم للباحثين ومقارنته بالانحدار الكلاسيكي.

يعد معامل ماكفادين (McFadden’s Pseudo-R²) المقياس الأكثر شهرة والتصاقاً بالانحراف، ويُحسب مباشرة من خلال المعادلة التالية:

R²_McFadden = 1 – (Residual Deviance / Null Deviance) = 1 – [ln(L_model) / ln(L_null)]

يعكس هذا المعامل النسبة المئوية للتحسن المحقق في لوغاريتم الإمكان وتقليص الانحراف مقارنة بنقطة البداية الصفرية. وإلى جانبه، تبرز مقاييس أخرى مثل مقياس كوكس وسنيل (Cox & Snell R²) ومقياس ناجيلكيرك (Nagelkerke / Cragg-Uhler R²) الذي يقوم بتعديل مقياس كوكس وسنيل ليضمن وصول القيمة إلى 1.0 عند التوافق التام.

من الأهمية بمكان التأكيد على الإرشادات المنهجية لتفسير مقياس ماكفادين في بحوث العلوم النفسية والاجتماعية والسلوكية؛ إذ تختلف معاييره الكمية عن معامل التحديد الكلاسيكي؛ فالقيم التي تتراوح بين 0.20 و 0.40 في مقياس ماكفادين لا تعني ضعفاً، بل تُعد دليلاً إحصائياً ممتازاً على قوة التوافق وقدرة النموذج العالية على التنبؤ، وهي تكافئ نظرياً معاملات تحديد تتراوح بين 0.70 و 0.90 في الانحدار الخطي التقليدي.

11. تطبيقات متقدمة وأمثلة في القياس والبحوث النفسية والسلوكية

11.1 دراسة حالة: نمذجة احتمالية التسرب من البرامج العلاجية

في دراسة عيادية متقدمة في علم النفس الإكلينيكي، هدف فريق بحثي إلى التنبؤ باحتمالية تسرب المرضى من برنامج علاجي نفسي طويل الأمد (متغير ثنائي: 1 = تسرب، 0 = التزام) لدى عينة من 500 مريض. تم قياس ثلاثة متغيرات تنبؤية رئيسية: مستوى الدافعية الذاتية للعلاج (Motivation)، ودرجة الدعم الاجتماعي المدرك (Social Support)، ومستوى شدة الأعراض المرضية عند القبول (Baseline Severity).

أظهرت نتائج نمذجة الانحدار اللوجستي في تقرير المخرجات الإحصائية القيم التالية بدقة:

• الانحراف الصفري: Null Deviance = 650.40 بدرجات حرية df = 499.
• الانحراف المتبقي: Residual Deviance = 485.15 بدرجات حرية df = 496.
• معيار AIC: AIC = 493.15.

عند تقييم هذه النتائج، تم حساب الفارق في الانحراف الإحصائي: χ² = 650.40 – 485.15 = 165.25 عند درجات حرية df = 3. عند فحص هذه القيمة عبر توزيع كاي تربيع، بلغت الدلالة الإحصائية p < 0.0001. كما بلغ معامل التحديد الزائف لماكفادين: R²_McFadden = 1 – (485.15 / 650.40) = 0.254 (أي 25.4%). يُظهر هذا التطبيق العملي بوضوح أن النموذج العيادي المقترح قد حقق خفضاً ذا دلالة إحصائية فائقة في الانحراف المتبقي، مما يثبت أن دمج مقاييس الدافعية والدعم الاجتماعي يفسر بصورة قوية وموثوقة ظاهرة التسرب العلاجي ويمنح المعالجين أداة تنبؤية وقائية ذات مصداقية إحصائية عالية.

11.2 دراسة حالة: نمذجة تكرار نوبات القلق والتوتر (انحدار بواسون)

في سياق بحثي آخر في مجال الطب النفسي السلوكي، تم تتبع عينة مؤلفة من 300 مشارك يعانون من اضطراب الهلع لقياس عدد نوبات الهلع الشهرية المسجلة (بيانات عد: Panic Attacks Count). تم تضمين متغيرين تنبؤيين: مؤشر الضغوط الحياتية اليومية (Life Stress Score)، ومعدل ساعات ممارسة التأمل واليقظة الذهنية أسبوعياً (Mindfulness Hours).

تم بناء نموذج انحدار بواسون، وجاءت المخرجات الإحصائية على النحو التالي:

• الانحراف الصفري: Null Deviance = 1120.80 عند df = 299.
• الانحراف المتبقي: Residual Deviance = 345.60 عند df = 297.
• فحص نسبة التشتت: Dispersion Ratio = 345.60 / 297 = 1.163.

يتم تفسير هذه المخرجات من زاويتين منهجيتين حاسمتين: أولاً، يوضح فارق الانحراف الضخم البالغ χ² = 775.20 بدرجتي حرية (p < 0.0001) أن إدراج مؤشرات الضغوط واليقظة الذهنية قد نجح في خفض الجزء الأكبر من التباين واللايقين المرتبط بتكرار نوبات الهلع. ثانياً، يكشف فحص نسبة التشتت (1.163) عن اقترابها الوثيق من الواحد الصحيح، مما يؤكد سلامة افتراض بواسون وخلو النموذج من مشكلة التشتت الزائد، وبالتالي موثوقية التقديرات الإحصائية المستخرجة وصلاحيتها للاستخدام السريري المباشر.

11.3 المقارنة الهرمية للنماذج المتداخلة (Hierarchical GLM Testing)

يعد اختبار مقارنة الانحراف بين النماذج المتداخلة (Hierarchical / Nested Model Comparison) أحد أرقى الأساليب الإحصائية في اختبار النظريات وتحديد القيمة المضافة لكتل المتغيرات. في هذا الإجراء، يتم بناء النماذج بصورة تدريجية متتالية؛ حيث يبدأ الباحث بنموذج أساسي بسيط (Model 1) يقتصر على المتغيرات الديموغرافية والضابطة، ثم يتبعه بنموذج موسع (Model 2) يدمج المتغيرات النفسية الأساسية، وصولاً إلى نموذج ثالث (Model 3) يضيف تفاعلات المتغيرات أو آليات الوساطة.

في بيئة R البرمجية، يتم إجراء هذه المقارنة مباشرة عبر استدعاء دالة تحليل التباين للنماذج المعممة: anova(model1, model2, model3, test = "Chisq"). ينتج عن هذا الأمر جدول استدلالي مفصل يعرض الانحراف المتبقي لكل مرحلة، ومقدار الهبوط الإضافي في الانحراف (Deviance Reduction) ودرجات الحرية المستهلكة بين كل نموذجين متتاليين، والقيمة الاحتمالية المقترنة بهذا الهبوط المتدرج.

يتيح هذا المنهج للباحثين البرهنة الموضوعية على أن إضافة المتغيرات النفسية في النموذج الثاني قد حققت انخفاضاً حقيقياً في الانحراف يتجاوز مجرد تأثير المتغيرات الضابطة، وأن النموذج الأوسع يمتلك تفوقاً تجريبياً حاسماً يبرر اعتماده كأساس للتعميم وصياغة التوصيات العلمية.

12. دليل إرشادي وأفضل الممارسات لتفسير وتوثيق قيم الانحراف في التقارير العلمية

12.1 معايير التوثيق وفق أسلوب جمعية علم النفس الأمريكية (APA)

يتطلب توثيق مخرجات الانحراف في المجلات والرسائل الأكاديمية التزاماً صارماً بالدقة المنهجية والوضوح وفق الدليل الإرشادي الأحدث لـ جمعية علم النفس الأمريكية (APA 7th Edition). لا يجوز الاكتفاء بسرد الأرقام معزولة في المتن، بل يجب دمجها ضمن سياق استدلالي يربط بين المؤشرات الكلية والمؤشرات التفصيلية للمعلمات.

يتم صياغة التقرير الإحصائي في متن البحث وفق النموذج القياسي التالي:

“أظهرت نتائج نموذج الانحدار اللوجستي العام كفاءة إحصائية دالة وجودة توفيق ممتازة في التنبؤ بالظاهرة المدروسة مقارنة بالنموذج الصفري، χ²(3, N = 500) = 165.25, p < .001. وقد انخفض الانحراف المتبقي للنموذج من 650.40 (df = 499) في النموذج الصفري إلى 485.15 (df = 496) في النموذج المقترح، محققاً معامل تحديد زائف لماكفادين مقداره R²_McFadden = .254، ومعيار معلومات أكايكي AIC = 493.15.”

كما يُستحسن تلخيص النتائج في جدول إحصائي منظم يتضمن الأعمدة التالية:

• النموذج المقدر ومكوناته من المتغيرات.
• الانحراف المتبقي (Residual Deviance) ودرجات الحرية المرافقة (df).
• فارق كاي تربيع المحسوب (Δχ²) والدلالة الإحصائية المقترنة به (p-value).
• معاملات ماكفادين (McFadden’s R²) ومعايير AIC / BIC.
• معاملات الانحدار المنفردة (β)، والأخطاء المعيارية (SE)، ونسب الأرجحية (Odds Ratios – OR) مع فترات الثقة 95%.

12.2 أخطاء شائعة يجب تجنبها عند تفسير الانحراف

يقع العديد من الباحثين ومحللي البيانات في أخطاء منهجية متكررة عند التعامل مع مقاييس الانحراف وتفسيرها، ومن أبرز هذه المزالق التي يجب الحذر منها:

• الخلط بين اختبار كاي تربيع لنسبة الإمكان واختبار كاي تربيع للاستقلالية: يخلط البعض بين اختبار فارق الانحراف (Likelihood Ratio Test) الذي يختبر الجودة الكلية للنموذج، واختبار بيرسون لكاي تربيع المستخدم في الجداول التكرارية البسيطة لدراسة استقلالية متغيرين اسميين.
• المقارنة المباشرة للقيم المطلقة للانحراف عبر عينات مختلفة: محاولة مقارنة قيمة الانحراف المتبقي لبحث معين بقيمة الانحراف في بحث آخر يعتمد على عينة مختلفة؛ فالانحراف دالة مباشرة لحجم العينة والبيانات المحلية ولا يمتلك مقياساً معيارياً مطلقاً خارج سياق عينته الخاصة.
• الاعتماد على الملاحظة البصرية للفرق دون اختبار إحصائي: الاكتفاء بالقول إن الانحراف قد انخفض من 800 إلى 790 دون إجراء اختبار كاي تربيع الرسمي لتحديد ما إذا كان هذا الفرق البالغ 10 درجات يمتلك دلالة إحصائية حقيقية بالنظر إلى درجات الحرية المستهلكة.
• إغفال فحص التشتت الزائد في نماذج العد: قبول مخرجات انحدار بواسون بناءً فقط على انخفاض الانحراف المتبقي، مع تجاهل نسبة التشتت المتضخمة التي تجعل كافة اختبارات الدلالة وفترات الثقة مشوهة وغير موثوقة.
• إساءة استخدام الانحراف المتبقي المنفرد مع البيانات الثنائية الفردية: محاولة حساب جودة التوفيق العامة عبر مقارنة الانحراف المتبقي المنفرد بكاي تربيع في نماذج 0/1 الفردية غير المجمعة، وهو ما يتعارض مع الأسس الرياضية السليمة لتوزيع كاي تربيع التقاربي.

خاتمة

تشكل مقاييس الانحراف الإحصائي، بشقيها الصفري والمتبقي، الإطار المنهجي المتكامل لتقييم واختبار النماذج الخطية المعممة (GLMs). إن الانتقال المنهجي والرياضي من النموذج الصفري، القائم على مجرد التخمين الأساسي للمتوسط العام، إلى النموذج المقترح المشتمل على المتغيرات المستقلة، يجسد الرحلة العلمية لتفكيك التباين والسيطرة على اللايقين في الظواهر المدروسة. ومن خلال المقارنة الدقيقة بين هذين المقياسين عبر اختبارات نسبة الإمكان وتوزيعات كاي تربيع ومعايير المعلومات الحديثة، يمتلك الباحث أداة استدلالية رصينة للتمييز بين النماذج ذات القيمة التفسيرية الحقيقية وتلك التي تعاني من القصور أو الإفراط الرياضي.

إن التطبيق الواعي لهذه المعايير، مع الالتزام الصارم بشروط التوزيع وتجنب الأخطاء الشائعة في تفسير البيانات الفردية ونماذج التكرار، يضمن للبحوث الكمية أعلى مستويات الرصانة الأكاديمية والقدرة على إعادة الإنتاج وتوليد المعرفة الدقيقة؛ مما يجعل من إتقان قراءة وتفسير الانحراف مهارة جوهرية لا غنى عنها لكل مشتغل بالتحليل الإحصائي المتقدم والنمذجة الرياضية التطبيقية.

References

Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. John Wiley & Sons. https://www.wiley.com/en-us/Foundations+of+Linear+and+Generalized+Linear+Models-p-9781118730034

American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://apastyle.apa.org/products/publication-manual-7th-edition

Dobson, A. J., & Barnett, A. G. (2018). An Introduction to Generalized Linear Models (4th ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781315182780

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118548387

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716-1418-1

McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1007/978-1-4899-3242-6

McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior. In P. Zarembka (Ed.), Frontiers in Econometrics (pp. 105–142). Academic Press. https://eml.berkeley.edu/reprints/mcfadden/zar-s1.pdf

Venables, W. N., & Ripley, B. D. (2002). Modern Applied Statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2