كيفية تفسير مخطط المقياس والموقع (مع أمثلة)

يعد تحليل الانحدار الخطي أحد الركائز المنهجية الأكثر شيوعاً واستخداماً في الأبحاث الكمية المعاصرة، لا سيما في مجالات العلوم الاجتماعية، والسلوكية، والنفسية، والاقتصادية. ومع ذلك، فإن القوة الاستدلالية لأي نموذج انحدار لا تتوقف فقط على قيمة معامل التحديد أو معنوية المعاملات المقدرة، بل تعتمد في المقام الأول على مدى استيفاء النموذج لمجموعة من الافتراضات الكلاسيكية الصارمة. يؤدي انتهاك هذه الافتراضات إلى تشويه فترات الثقة، واختلال الأخطاء المعيارية، وتضليل اختبارات الدلالة الإحصائية، مما يجعل الاستنتاجات العلمية غير دقيقة وعرضة للخطأ المنهجي.

من بين هذه الأدوات التشخيصية المتقدمة، يبرز مخطط المقياس والموقع (Scale-Location Plot)، والذي يُعرف أيضاً في بعض الأدبيات الإحصائية باسم مخطط انتشار المقياس (Spread-Location Plot)، كأحد أهم المخططات البصرية المخصصة لفحص فرضية تجانس التباين (Homoscedasticity). يوفر هذا المخطط للباحثين والمحللين نافذة دقيقة لتقييم سلوك تشتت الأخطاء العشوائية عبر كامل نطاق القيم التنبؤية للنموذج، متجاوزاً بذلك القيود البصرية التي قد يعاني منها مخطط المتبقيات التقليدي.

يهدف هذا الدليل المنهجي الموسع إلى تقديم تشريح أكاديمي شامل لمخطط المقياس والموقع، بدءاً من تفكيك الأسس الرياضية لبنائه والمحاور المكونة له، مروراً بالقواعد التفسيرية والأنماط الهندسية الشائعة ودلالاتها الإحصائية، ووصولاً إلى كيفية استخراجه وتفسيره في البرمجيات الإحصائية المتنوعة مثل بيئة R الإحصائية، ولغة بايثون، وبرنامج SPSS، مع استعراض استراتيجيات التعامل مع الانتهاكات وتوثيق النتائج وفق المعايير الأكاديمية الصارمة.

1. المقدمة والمفاهيم التأسيسية لمخطط المقياس والموقع (Scale-Location Plot)

1.1 التعريف الإحصائي لمخطط المقياس والموقع وسياقه في تحليل الانحدار

يُعرف مخطط المقياس والموقع إحصائياً بأنه رسم بياني ثنائي الأبعاد مصمم خصيصاً لاكتشاف وتحديد تباين الأخطاء غير المتجانس (Heteroscedasticity) في نماذج الانحدار الخطي. في نموذج الانحدار الخطي الكلاسيكي، يُفترض أن تكون متبقيات النموذج (Residuals) موزعة بتباين ثابت ومستقل عن المتغيرات المستقلة وعن القيم المتوقعة للمتغير التابع. يقوم هذا المخطط بتمثيل القيم الملائمة أو التنبؤية للنموذج على المحور الأفقي، بينما يمثل المحور الرأسي الجذر التربيعي للقيم المطلقة للمتبقيات المعيارية، مما يخلق بيئة بصرية مهيأة تماماً لرصد أي تغير في حجم التشتت بدقة فائقة.

يكمن الفرق الجوهري بين مخطط المتبقيات التقليدي مقابل القيم الملائمة ومخطط المقياس والموقع في المعالجة الرياضية المطبقة على المتبقيات. في المخطط التقليدي، تتوزع المتبقيات الخام بين قيم موجبة وسالبة حول خط الصفر، وهو ما يجعل العين البشرية مشتتة بين تقييم خطية العلاقة (Linearity) وتقييم تجانس التباين في آن واحد. بالمقابل، يلغي مخطط المقياس والموقع الإشارات السالبة من خلال القيمة المطلقة، ويقلل من الالتواء الإحصائي باستخدام الجذر التربيعي، مما يحول مهمة الكشف عن تباين الخطأ إلى مراقبة بسيطة لمدى استواء خط الاتجاه وانتظام شريط انتشار النقاط.

تكمن الأهمية القصوى للتشخيص البصري عبر هذا المخطط في قدرته على كشف الأنماط البنيوية المعقدة التي قد تعجز الاختبارات الرقمية الصارمة عن إبرازها. في حين أن الاختبارات الفرضية الرقمية تقدم حكماً ثنائياً مبنياً على القيمة الاحتمالية، فإن المخطط البصري يوضح للباحث موقع المشكلة ومستويات المتغير التابع التي يزداد أو يقل عندها التشتت، مما يتيح فهماً أعمق لآليات توليد البيانات وطبيعة الظاهرة المدروسة.

1.2 الأهمية المنهجية للرسم البياني في أبحاث العلوم النفسية والسلوكية

تتميز أبحاث العلوم النفسية والسلوكية بطبيعة خاصة تجعلها شديدة التأثر بانتهاكات الفرضيات الإحصائية؛ إذ تتعامل هذه العلوم مع متغيرات كامنة وبنيات سيكومترية معقدة مثل القلق، والاحتراق النفسي، والرضا الوظيفي، والدافعية. تعتمد نمذجة هذه الظواهر عادة على مقاييس التقرير الذاتي (Self-Report Scales) التي قد تعاني من تفاوتات جوهرية في دقة الاستجابة بين الأفراد، مما يؤدي تلقائياً إلى نشوء تباينات غير متجانسة في أخطاء التنبؤ عبر مستويات القياس المختلفة.

إن تجاهل فحص تجانس التباين عبر مخطط المقياس والموقع في مثل هذه السياقات يهدد الصدق الإحصائي للنتائج بصورة مباشرة. فعندما يتباين تشتت الأخطاء بين الأفراد ذوي الدرجات المنخفضة والدرجات المرتفعة على مقياس نفسي معين، تصبح الأخطاء المعيارية لمعاملات الانحدار غير موثوقة، مما يرفع احتمالية الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة) أو الخطأ من النوع الثاني (الفشل في اكتشاف الأثر الحقيقي الموجود فعلياً).

علاوة على ذلك، يمثل التشخيص الدقيق حماية جوهرية للقرارات الإكلينيكية والتربوية التي تُبنى على النماذج التنبؤية. فإذا كان النموذج يمتلك دقة تنبؤية عالية لدى فئة معينة من المرضى أو الطلاب وتشتتاً واسعاً وأخطاء عشوائية كبيرة لدى فئة أخرى دون أن ينتبه الباحث لذلك، فإن السياسات والتدخلات المبنية على هذه النتائج ستكون غير عادلة وتفتقر إلى الكفاءة التطبيقية.

1.3 موقع المخطط ضمن حزمة المخططات التشخيصية الأربعة في R

تحتوي حزم التحليل الإحصائي القياسية، ولا سيما دالة الرسم الأساسية لنماذج الانحدار في لغة R الإحصائية، على مصفوفة تشخيصية رباعية متكاملة يمثل مخطط المقياس والموقع ضلعها الثالث الأساسي. يعمل هذا المخطط بالتكامل والتناغم مع المخططات الثلاثة الأخرى لتقديم تقييم شامل وموضوعي لسلامة النموذج، حيث يختص كل مخطط بفحص افتراض محدد من افتراضات الانحدار الكلاسيكية لضمان عدم تداخل المؤشرات البصرية.

يركز المخطط الأول (Residuals vs Fitted) على فحص خطية العلاقة الهيكلية وتحديد ما إذا كان المتوسط الشرطي للأخطاء يساوي صفراً، بينما يختص المخطط الثاني وهو مخطط المئين النظري (Normal Q-Q Plot) بفحص فرضية التوزيع الطبيعي للأخطاء العشوائية عبر مقارنة مئينيات المتبقيات بمئينيات التوزيع الطبيعي المعياري. وهنا يأتي دور مخطط المقياس والموقع ليغطي جانباً فريداً ومستقلاً تماماً وهو استقرار تباين الأخطاء عبر مستويات التنبؤ المختلفة، مكملاً بذلك متطلبات كفاءة المقدرات الإحصائية.

أما المخطط الرابع (Residuals vs Leverage)، فيختص برصد القيم المتطرفة والنقاط المؤثرة ذات الروافع العالية التي قد تسحب خط الانحدار باتجاهها مستخدمة مقاييس مثل مسافة كوك (Cook’s Distance). وبالتالي، فإن مخطط المقياس والموقع لا يقيم القيم الشاذة من زاوية تأثيرها على ميل الخط، بل يفحص ما إذا كانت تؤثر على تجانس تشتت الأخطاء ككل، مما يجعله عنصراً لا غنى عنه في سلسلة الفحص التشخيصي المنهجي.

2. الأسس الرياضية والإحصائية لبناء مخطط المقياس والموقع

2.1 تفسير المحور السيني (X-axis): القيم الملائمة المتوقعة (Fitted Values)

يمثل المحور السيني (الأفقي) في مخطط المقياس والموقع القيم الملائمة المتوقعة والتي يُرمز لها رياضياً بالرمز $\hat{Y}_i$. تُشتق هذه القيم مباشرة من معادلة الانحدار الخطي المقدرة، حيث تمثل التنبؤ النقطي للمتغير التابع المقابل لكل مشاهدة بناءً على القيم المرصودة للمتغيرات المستقلة المعنية في النموذج وأوزان المعاملات الإحصائية المقدرة عبر طريقة المربعات الصغرى العادية (OLS).

يمتد نطاق هذا المحور عبر كامل مجال التنبؤ الذي يغطيه النموذج، بدءاً من أدنى قيمة ملائمة تم التنبؤ بها وصولاً إلى أعلى قيمة. يعد توزيع هذه القيم على طول المحور السيني مؤشراً حيوياً على تغطية النموذج لمجال المتغير التابع؛ فالانتشار المتوازن للقيم التنبؤية يسمح بتقييم سلوك التشتت عبر كافة مستويات الظاهرة، في حين أن تركز القيم في قطاع ضيق قد يحجب السلوك الحقيقي لتباين الأخطاء عند المستويات القصوى للمتغيرات المستقلة.

إن ترتيب المتبقيات وفقاً للقيم الملائمة بدلاً من ترتيبها وفقاً لمتغير مستقل منفرد يمنح المخطط ميزة تشخيصية شاملة؛ إذ تعكس القيمة الملائمة التأثير الخطي المشترك لكافة المتغيرات التفسيرية الداخلة في النموذج. وبناءً على ذلك، فإن أي نمط يظهر على المحور الأفقي يعبر عن استجابة تشتت الخطأ للمنظومة التفسيرية الكاملة وليس لمتغير واحد بمعزل عن بقية المتغيرات.

2.2 تفسير المحور الصادي (Y-axis): الجذر التربيعي للمتبقيات المعيارية المطلقة

يعتمد المحور الصادي (الرأسي) لمخطط المقياس والموقع على تحويل رياضي مركب للمتبقيات الخام ($e_i = Y_i – \hat{Y}_i$). الخطوة الأولى في هذا التحويل هي حوسبة المتبقيات المعيارية أو الطلابية (Standardized/Studentized Residuals)، والتي تنتج عن قسمة المتبقي الخام على تقدير الانحراف المعياري للخطأ مع تعديله بحسب رافعة المشاهدة ($h_{ii}$)، وذلك لتوحيد مقياس التشتت وضمان امتلاك جميع المتبقيات لنفس التباين النظري تحت افتراض صحة النموذج.

تتمثل الخطوة الثانية في أخذ القيمة المطلقة للمتبقيات المعيارية ($|\text{Standardized Residuals}|$)، والهدف من هذا الإجراء الرياضي هو طي التوزيع حول الصفر وإلغاء أثر الإشارات الموجبة والسالبة. يتيح ذلك للباحث النظر فقط إلى “حجم” أو “مقدار” انحراف النقطة عن القيمة المتوقعة دون الاكتراث باتجاه الانحراف، مما يسهل رصد التغير في كثافة التشتت الإجمالي.

أما الخطوة الثالثة والأخيرة، فهي تطبيق تحويل الجذر التربيعي ($\sqrt{|\text{Standardized Residuals}|}$). يحقق الجذر التربيعي استقراراً إحصائياً هاماً؛ إذ يقلل من الالتواء الشديد المتأصل في توزيع القيم المطلقة (والذي يتبع توزيع نصف طبيعي أو كاي بدرجة حرية واحدة)، مما يجعل توزيع النقاط على المحور الرأسي أقرب إلى التماثل ويسهل بشكل ملحوظ عملية الكشف البصري عن التغيرات في التباين بواسطة العين البشرية وخطوط التنعيم الموضعي.

2.3 خط الاتجاه التنعيمي (LOESS Smoother Line)

يحتوي مخطط المقياس والموقع نموذجياً على خط اتجاه تنعيمي غير معلمي يظهر باللون الأحمر، ويُحسب غالباً باستخدام خوارزمية التنعيم الموضعي للتبعثر المرجح (Locally Estimated Scatterplot Smoothing – LOESS). تهدف هذه الخوارزمية إلى رسم منحنى مرن يمر عبر مركز كثافة النقاط دون فرض أي شكل دالي محدد مسبقاً (كالخطية أو التربيعية)، مما يوفر مرجعاً بصرياً فورياً لاتجاه التغير في متوسط تشتت المتبقيات.

يتميز خط التنعيم الموضعي بحساسيته العالية للتقلبات الموضعية في حجم الأخطاء عبر مختلف قطاعات القيم التنبؤية على المحور السيني. يقوم الخط بحساب متوسط مرجح للمتبقيات المحولة في نطاقات متداخلة، حيث تُعطى المشاهدات القريبة وزناً أكبر من المشاهدات البعيدة، مما يجعله وسيلة مثالية لتلخيص الاتجاه العام للانتشار الرأسي للنقاط وتجاوز الضوضاء العشوائية الناتجة عن المشاهدات الفردية.

من الناحية المعيارية، فإن السلوك الرياضي المثالي لخط التنعيم هو أن يكون أفقياً تماماً وموازياً للمحور السيني عند مستوى يقارب 0.8 إلى 1.0 (وهو المتوسط النظري للجذر التربيعي للقيمة المطلقة لمتغير طبيعي معياري). يشير أي انحناء صاعد أو هابط للخط إلى تغير منهجي في متوسط التشتت، مما يعد دليلاً رياضياً مباشراً على وجود مشكلة في استقرار التباين تتطلب تدخلاً تشخيصياً ومعالجة إحصائية.

3. فرضية تجانس التباين (Homoscedasticity) وأثرها في النماذج السلوكية

3.1 التعريف النظري لفرضية ثبات تباين الأخطاء العشوائية

تنص فرضية تجانس التباين، المشتقة من المصطلح الإغريقي القديم (Homo تعني مماثل، وScedastic تعني انتشار)، على أن التباين الشرطي لحد الخطأ العشوائي ($\varepsilon_i$) يظل ثابتاً وموحداً لجميع المشاهدات عبر كل التوليفات الممكنة للمتغيرات المستقلة، أي أن $operatorname{Var}(\varepsilon_i | X_1, X_2, dots, X_k) = \sigma^2$ لجميع قيم $i = 1, 2, dots, n$.

من منظور الجبر الخطي، تعني هذه الفرضية أن مصفوفة التباين والتغاير لحدود الخطأ العشوائي هي مصفوفة قطرية متماثلة تضرب فيها القيمة الثابتة للتباين ($\sigma^2$) في مصفوفة الوحدة ($I_n$). يعكس هذا البناء الرياضي افتراضاً بأن درجة عدم اليقين أو الخطأ التنبؤي المتأصل في الظاهرة المدروسة لا تزداد ولا تنخفض بتغير مستويات المتغيرات المفسرة، بل تظل موزعة بانتظام متناهٍ عبر فضاء البيانات بأكمله.

إذا فُقد هذا الثبات، وتباين مقدار $\sigma^2$ ليصبح $\sigma_i^2$ خاصاً بكل مشاهدة أو بكل نطاق من المتغيرات التنبؤية، نكون أمام ظاهرة عدم تجانس التباين (Heteroscedasticity). يؤدي ذلك إلى اختلال البنية الرياضية الأساسية التي تقوم عليها خوارزميات التقدير التقليدية، مما ينقل النموذج من حالة الكفاءة المثلى إلى حالة عدم الاستقرار والتشكيك في جودة المقدرات الإحصائية.

3.2 نظرية غاوس-ماركوف ومفهوم المقدر الخطي غير المتحيز الأفضل (BLUE)

تحتل نظرية غاوس-ماركوف (Gauss-Markov Theorem) مكانة مركزية في الاستدلال الإحصائي الكلاسيكي؛ إذ تثبت رياضياً أنه في ظل استيفاء افتراضات خطية المعلمات، والاستقلال، وانعدام الارتباط الذاتي، وتجانس التباين، فإن مقدرات طريقة المربعات الصغرى العادية (OLS) تكون هي المقدرات الخطية غير المتحيزة الأفضل ذات أقل تباين ممكن، وتُعرف اختصاراً بمقدرات (BLUE – Best Linear Unbiased Estimators).

عندما تنتهك فرضية تجانس التباين، تظل مقدرات OLS غير متحيزة رياضياً ومتسقة في العينات الكبيرة، بمعنى أن القيمة المتوقعة للمعاملات تظل مساوية للمعلمات الحقيقية في المجتمع الأصلي، ولكنها تفقد بالكامل صفة “الأفضل” (Best). يعني فقدان هذه الصفة أن مقدرات OLS لم تعد تمتلك التباين الأدنى الممكن بين فئات المقدرات غير المتحيزة، مما يجعلها مقدرات غير فعالة وغير كفؤة مقارنة ببدائل أخرى مثل المربعات الصغرى المعممة أو الموزونة.

الأثر الأكثر خطورة لانتهاك الفرضية ينعكس مباشرة على مصفوفة التباين والتغاير المقدرة للمعاملات؛ إذ تؤدي الصيغ الحسابية القياسية للخطأ المعياري (Standard Error) إلى تقديرات متحيزة ومضللة. يترتب على هذا التحيز حساب قيم إحصائية غير دقيقة لاختبارات $t$ واختبارات $F$، وبالتالي تصبح القيم الاحتمالية ($p$-values) المحسوبة مشوهة، مما يؤدي إلى اتخاذ قرارات خاطئة تتعلق برفض أو قبول الفرضيات البحثية الجوهرية للدراسة.

3.3 الخصوصية الإحصائية للبيانات النفسية وتكرار مشكلة تباين الخطأ

تعتبر البيانات في العلوم السلوكية والنفسية بيئة خصبة لظهور عدم تجانس التباين بسبب الطبيعة الفريدة لأدوات القياس السيكومتري والفروق الفردية الكامنة في العينات البشرية. أحد أبرز الأسباب الهيكلية لذلك هو ظاهرة “تأثير السقف والأرضية” (Ceiling and Floor Effects) في مقاييس الأداء أو الاستبيانات؛ فعندما يقترب الأفراد من الحد الأدنى أو الأقصى للمقياس، ينحسر التباين التنبؤي قسرياً بسبب محدودية الأداة، بينما يتسع التباين بشكل كبير في المستويات المتوسطة.

علاوة على ذلك، تلعب الفروق الفردية في المرونة النفسية والقدرات الإدراكية دوراً جوهرياً في تباين الاستجابات. على سبيل المثال، عند دراسة أثر الضغوط النفسية على الأداء المهني، نجد أن الأفراد ذوي مستويات الضغط المنخفضة يظهرون مستويات أداء متقاربة ومستقرة، في حين يؤدي الضغط المرتفع إلى استجابات متباينة للغاية؛ فبعض الأفراد ينهار أداؤهم بينما يحافظ آخرون على كفاءتهم بفضل آليات التكيف المتنوعة، مما يولد تبايناً هائلاً في أخطاء التنبؤ عند المستويات العليا للضغط.

يضاف إلى ذلك ضجيج القياس النفسي (Measurement Noise) الناتج عن تفاوت دقة انتباه المشاركين وتأثرهم بعوامل بيئية ولحظية أثناء تعبئة أدوات القياس. هذه الخصائص المتأصلة في البيانات النفسية تجعل من فحص مخطط المقياس والموقع خطوة منهجية إلزامية وليست ترفاً تحليلياً، لضمان أن العلاقات المستخلصة تعكس ظواهر حقيقية وليست تشوهات ناتجة عن عدم استقرار تباين الأخطاء عبر مستويات القياس.

4. القواعد المنهجية والمعايير التفصيلية لتفسير المخطط

4.1 المعيار الأول: استواء الخط الأحمر المرجعي (Horizontal Trendline)

يمثل السلوك الهندسي لخط التنعيم الموضعي الأحمر المرجع البصري الأساسي للحكم على تحقق فرضية تجانس التباين. في الحالة المثالية التي يتطابق فيها النموذج تماماً مع الافتراضات الإحصائية، يجب أن يمتد هذا الخط بشكل أفقي مستقيم وموازٍ لمحور السينات، مما يعكس ثبات متوسط الجذر التربيعي للمتبقيات المعيارية المطلقة عبر مختلف القيم المتوقعة للمتغير التابع.

من الناحية العملية في البحوث التطبيقية، نادراً ما يكون الخط أفقياً بنسبة مئة بالمئة بسبب التقلبات العشوائية المتأصلة في العينات. لذلك، تقبل المعايير الإحصائية درجات طفيفة جداً من التموج الهادئ الذي لا يغير المسار العام للخط. المعيار الحاسم هنا هو غياب الميل المنهجي المستمر؛ فالخط المقبول هو الذي يتقلب عشوائياً ضمن نطاق ضيق ومستقر حول قيمته المتوسطة دون اتجاه صعودي أو نزولي واضح المعالم.

عندما يُظهر الخط الأحمر ميلاً صاعداً مستمراً من اليسار إلى اليمين، فإن هذا يعبر عن تزايد طردي في حجم تشتت الأخطاء كلما زادت القيم التنبؤية للمتغير التابع. وعلى العكس من ذلك، يشير الميل الهابط المستمر إلى أن دقة التنبؤ ترتفع (أي يقل التشتت) عند القيم التنبؤية العليا بينما تتسع الأخطاء في النطاقات المنخفضة. كلا النمطين يمثلان دليلاً قاطعاً على انتهاك فرضية ثبات التباين يستوجب المتابعة والتدقيق.

4.2 المعيار الثاني: التوزيع العشوائي المنتظم للمتبقيات (Random Scatter)

لا يكتمل التفسير المنهجي بمجرد فحص خط الاتجاه وحده، بل يتطلب تقييماً دقيقاً لكيفية انتشار سحابة النقاط الفردية للمتبقيات المعيارية حول الخط الأحمر وفوق المحور السيني. يجب أن تظهر النقاط كشريط أفقي متجانس وموزع عشوائياً بدون أي ترتيب مكاني محدد، بحيث تغطي مساحة مستطيلة الشكل تمتد بتساوٍ على طول المحور الأفقي من أدنى قيمة ملائمة إلى أعلاها.

يتطلب التحقق من جودة الانتشار غياب أي تجمعات مكانية كثيفة تعقبها مناطق فراغ واضحة (Clustering and Gaps)، وكذلك غياب التغيرات الموضعية في الكثافة الرأسية للنقاط. إذا لوحظ أن النقاط تتراكم بكثافة رأسية عالية في جزء معين من المحور الأفقي وتنتشر بنطاق واسع في جزء آخر، فإن ذلك يشير إلى تغير موضعي في بنية تباين البيانات حتى وإن بدا خط التنعيم مستقراً ظاهرياً.

يشمل معيار الانتشار العشوائي أيضاً ضرورة فحص التماثل الرأسي لسحابة النقاط عند مختلف الشرائح التنبؤية. يجب أن يكون التشتت الرأسي للقيم متكافئاً من حيث الارتفاع والحدود العليا والدنيا عند بداية المحور السيني، ومنتصفه، ونهايته، مما يؤكد أن نطاق عدم اليقين التنبؤي يظل ثابتاً ومستقلاً عن المستوى المقدر للظاهرة المدروسة.

4.3 التفاعل بين سلوك الخط وانتشار النقاط للوصول لقرار تشخيصي

يتطلب اتخاذ قرار منهجي صائب الموازنة التفسيرية والجمع بين مؤشرات خط الاتجاه وسلوك انتشار النقاط معاً؛ إذ قد تؤدي القراءة المنفصلة لأحدهما إلى استنتاجات خاطئة. في بعض الحالات، قد يبدو الخط الأحمر مستوياً في الجزء الأوسط من الرسم، ولكنه ينحني بشدة عند الأطراف بسبب وجود عدد قليل جداً من القيم المتطرفة ذات الروافع العالية التي تسحب خوارزمية التنعيم نحوها.

يلعب حجم العينة دوراً محورياً في هذه المعادلة التشخيصية؛ ففي العينات الصغيرة (أقل من 50 مشاهدة)، يكون خط التنعيم شديد الحساسية للتقلبات الفردية، وقد يظهر انحناءات مضللة لا تعكس بالضرورة انتهاكاً هيكلياً لفرضية التجانس. وفي المقابل، تمنح العينات الكبيرة استقراراً إحصائياً للخط التنعيمي، مما يجعل أي انحراف بسيط فيه ذا دلالة منهجية حقيقية تتطلب الاهتمام والمعالجة.

تتدرج خطوات اتخاذ القرار التشخيصي عبر بروتوكول يبدأ بفحص استواء الخط؛ فإذا كان الخط مستوياً والانتشار متجانساً، يُقبل النموذج فوراً ويُعتمد تقدير OLS القياسي. أما إذا ظهر تعارض، مثل استواء الخط مع اتساع نطاق النقاط تدريجياً، أو انحناء الخط بفعل نقاط متطرفة معزولة، يجب على الباحث عزل تلك المشاهدات وفحص وزنها الإحصائي، ثم تقرير ما إذا كان ينبغي استخدام الأخطاء المعيارية القوية أو تطبيق تحويل رياضي على البيانات.

5. الأنماط البصرية الشائعة في المخطط ودلالاتها الإحصائية

5.1 النمط المثالي: التجانس التام والانتشار المستطيل المتساوي

يمثل النمط المثالي الهدف الأسمى الذي يسعى إليه الباحث عند تقييم نموذج الانحدار الخطي، ويتميز بظهور النقاط على شكل حزمة أو شريط مستطيل أفقي متساوي العرض عبر كامل مسار المحور السيني. في هذا النمط، تتناثر النقاط بعشوائية تامة دون أي تكتلات، ويكون الخط الأحمر التنعيمي مستقيماً وأفقياً بصورة شبه مطلقة، محاذياً للمحور الأفقي عند مستوى ارتفاع منتظم.

يوفر هذا المظهر دليلاً بصرياً حاسماً على تحقق فرضية ثبات تباين الأخطاء العشوائية عبر جميع مستويات التنبؤ. يعني ذلك أن تباين الخطأ في التنبؤ بالحالات ذات الدرجات المنخفضة هو نفسه تباين الخطأ في التنبؤ بالحالات المتوسطة والمرتفعة، مما يضمن أن كفاءة النموذج التنبؤية موحدة وعادلة لجميع المشاهدات دون أي انحياز لفئة معينة من البيانات.

يترتب على هذا النمط المثالي اطمئنان كامل لدقة النتائج الإحصائية المستخلصة؛ إذ تصبح الأخطاء المعيارية لمعاملات الانحدار صحيحة وغير متحيزة، وتكون اختبارات المعنوية الإحصائية (مثل اختبارات $t$ للضرائب المستقلة واختبار $F$ للنموذج ككل) دقيقة وموثوقة، وتكتسب فترات الثقة وفترات التنبؤ صلاحيتها الاستدلالية الكاملة لتعميم النتائج على المجتمع الأصلي.

5.2 نمط البوق أو القمع (Funnel Shape) والدلالة على عدم تجانس التباين

يعد نمط البوق أو القمع البصري من أكثر الأنماط التشخيصية شهرة وخطورة في مخطط المقياس والموقع، ويتجلى عادة في اتساع تدريجي ومستمر لانتشار النقاط عمودياً كلما تحركنا من يسار المحور السيني إلى يمينه. في هذا النمط، يبدأ الخط الأحمر من مستوى منخفض عند القيم الملائمة الدنيا ثم يرتفع بشكل مائل ومستمر نحو الأعلى كلما زادت القيم الملائمة المتوقعة.

يعكس هذا الشكل اتساعاً مطرداً في تشتت الأخطاء العشوائية، وله تفسيرات سلوكية واقتصادية بالغة الأهمية. ففي أبحاث الدخل والإنفاق مثلاً، يكون إنفاق الأفراد ذوي الدخل المنخفض محدوداً ومحصوراً في الضروريات (مما يولد تشتتاً ضئيلاً)، بينما يمتلك أصحاب الدخول المرتفعة خيارات إنفاق واسعة تتراوح بين الادخار العالي أو الاستهلاك الفاخر، مما يولد تبايناً هائلاً في أخطاء التنبؤ عند مستويات الدخل المرتفعة.

في حالات نادرة ولكنها واردة، قد يظهر نمط القمع المعكوس، حيث تكون سحابة النقاط عريضة ومرتفعة عند القيم الملائمة المنخفضة ثم تضيق تدريجياً لتصبح شريطاً رفيعاً عند القيم المرتفعة. يشير هذا النمط إلى أن دقة النموذج تزداد بشكل كبير عند التنبؤ بالحالات العليا مقارنة بالحالات الدنيا، وكلا النمطين (القمع المباشر أو المعكوس) ينقضان فرضية التجانس ويفرضان تطبيق حلول إحصائية تصحيحية لمعالجة تضخم الأخطاء المعيارية.

5.3 الأنماط غير الخطية والمنحنية ودلالات نقص المواءمة النموذجية

تظهر أحياناً في مخطط المقياس والموقع أنماط منحنية معقدة يتخذ فيها خط التنعيم شكلاً مقوساً كحرف U اللاتيني، أو حرف U المقلوب، أو تموجات متعددة على شكل موجة جيبية. يشير هذا السلوك الانحنائي إلى أن تشتت الأخطاء ليس ثابتاً ولا يتبع نمطاً خطياً طردياً، بل يتغير بشكل دوري أو لا خطي عبر النطاقات المختلفة للقيم الملائمة.

تدل هذه الأنماط المنحنية غالباً على مشكلة هيكلية مزدوجة في صياغة النموذج تعرف بنقص المواءمة أو خطأ التحديد (Model Misspecification). يحدث ذلك عندما يفشل الباحث في تضمين حدود غير خطية ضرورية للمتغيرات المستقلة (مثل إهمال الحد التربيعي لمتغير العمر أو الخبرة المهنية)، أو عند إهمال تفاعلات جوهرية متبادلة (Interaction Terms) بين المتغيرات المفسرة داخل المعادلة.

يقود هذا النمط الباحث إلى تشخيص مزدوج؛ إذ يكشف عن وجود تباين غير متجانس مصحوب بانتهاك لافتراض خطية العلاقة الأساسية. في هذه الحالة، لا تكفي المعالجات التقليدية لتباين الخطأ (مثل تصحيح وايت للأخطاء المعيارية) لحل المشكلة، بل يجب إعادة بناء النموذج النظري وتعديل بنيته الرياضية عبر إدراج الحدود اللاخطية أو تطبيق تحويلات مناسبة على المتغيرات المستقلة والتابعة لاستعادة الخطية والتجانس معاً.

6. تطبيق عملي: توليد وتفسير المخطط في بيئة R الإحصائية

6.1 بناء نموذج الانحدار الخطي وتجهيز البيانات في R

لبناء نموذج انحدار خطي وفحص افتراضاته في بيئة CRAN R، نبدأ بإعداد مصفوفة البيانات وتنظيف المتغيرات من القيم المفقودة وغير المنطقية. سنفترض دراسة حالة تطبيقية تبحث في نمذجة مستوى “الرضا النفسي والمهني” كمتغير تابع بناءً على متغيرين مستقلين هما: “ساعات العمل الأسبوعية” و”مستوى الدعم الاجتماعي في بيئة العمل”.

يتم تقدير النموذج باستخدام دالة الانحدار الخطي القياسية lm()، حيث يتم تحديد العلاقة الدالية بين المتغير التابع والمتغيرات المستقلة وتخزين مخرجات التحليل في كائن إحصائي مخصص. تستخرج الدالة مصفوفة المعاملات المقدرة، وجداول تحليل التباين، وقيم المتبقيات الخام، والقيم التنبؤية الملائمة، والتي تشكل معاً المادة الخام لجميع التحليلات التشخيصية اللاحقة.

قبل الشروع في الرسم البياني، يستعرض الباحث ملخص النموذج عبر الأمر summary() لفحص معاملات الانحدار، وقيم اختبارات $t$ المقابلة لها، ومعامل التحديد الإجمالي ($R^2$). تتيح هذه الخطوة تكوين فكرة مبدئية عن القوة التفسيرية للنموذج، إلا أن الاعتماد على هذه المخرجات يظل مشروطاً بنجاح النموذج في اجتياز اختبارات التجانس والتشخيص البصري التي يوفرها مخطط المقياس والموقع.

6.2 أوامر استخراج مخطط المقياس والموقع باستخدام دالة `plot()` و `ggplot2`

توفر لغة R أسلوبين رئيسيين لتوليد مخطط المقياس والموقع؛ الأسلوب الأول هو استخدام الدالة الرسومية الأساسية السريعة عن طريق تمرير كائن النموذج إلى دالة plot() مع تحديد المعامل which = 3. يقوم هذا الأمر المباشر بإنتاج المخطط فورياً متضمناً تسمية المحاور، والخط المرجعي الأحمر المحسوب بخوارزمية LOESS، وترقيم النقاط الثلاث الأكثر تطرفاً في العينة لتسهيل رصدها وفحصها الفردي.

أما الأسلوب الثاني، والذي يُفضل في سياق كتابة التقارير الأكاديمية والنشر في المجلات العلمية المحكمة، فيعتمد على حزمة الرسوم المتقدمة ggplot2. يتطلب هذا الأسلوب استخراج القيم الملائمة والمتبقيات المعيارية من النموذج، وحساب الجذر التربيعي للقيم المطلقة لتلك المتبقيات رياضياً، ثم بناء الرسم طبقة تلو الأخرى، مما يمنح الباحث تحكماً كاملاً في مظهر النقاط، ودقة خط التنعيم، والألوان، ونمط الخطوط، وجودة الإخراج الطباعي.

يتيح استخدام ggplot2 إضافة ميزات إحصائية إضافية للمخطط، مثل تلوين النقاط وفقاً لمتغير تصنيفي ثالث (كالنوع الاجتماعي أو الفئة العمرية)، أو إضافة فترات ثقة مظللة حول خط التنعيم الموضعي لرصد حدود عدم اليقين الإحصائي في مسار الخط، فضلاً عن ضبط حدود المحاور وتنسيق التسميات بما يتوافق بدقة مع دليل النشر المعتمد لدى الجمعيات العلمية الدولية.

6.3 قراءة المخرجات خطوة بخطوة بالاعتماد على دراسة حالة برمجية

عند فحص المخطط الناتج عن دراسة حالة الرضا المهني، تبدأ القراءة البصرية بتتبع مسار الخط الأحمر من أدنى قيمة ملائمة (على يسار المحور الأفقي) إلى أعلى قيمة (على اليمين). إذا لوحظ أن الخط الأحمر يبدأ مستوياً عند المستوى الرأسي 0.8 للمتبقيات المحولة، ثم يرتفع تدريجياً وبحدة ليصل إلى 1.6 عند أقصى يمين المحور، فإن هذا يوثق فورياً وجود ميل تصاعدي صريح في تشتت الأخطاء.

تنتقل الخطوة التالية إلى فحص النقاط الفردية، حيث يُلاحظ تركز النقاط في حزمة ضيقة في النصف الأيسر من الرسم، ثم تتباعد النقاط رأسياً وتنتشر على مساحة شاسعة في النصف الأيمن مشكلة نمط القمع المتسع. كما يقوم البرنامج بترقيم بعض المشاهدات المتطرفة (مثل الحالات رقم 42 و118 و205) والتي تقع في أعلى يمين المخطط، مما يشير إلى أن هذه الحالات الفردية تعاني من أخطاء تنبؤية استثنائية تسهم في تعزيز عدم التجانس.

يختتم الباحث التقرير التشخيصي بصياغة حكم استدلالي مفاده: “يُظهر مخطط المقياس والموقع انتهاكاً واضحاً لفرضية تجانس التباين، متمثلاً في نمط قمعي تصاعدي وميل صاعد لخط التنعيم LOESS، مما يدل على تزايد أخطاء التنبؤ بالرضا المهني لدى الأفراد ذوي القيم التنبؤية المرتفعة، وعليه لا يمكن الاعتماد على الأخطاء المعيارية القياسية لـ OLS ويجب تطبيق المعالجات الإحصائية المناسبة”.

7. توليد المخطط في بيئات التحليل الأخرى (Python و SPSS)

7.1 بناء مخطط المقياس والموقع باستخدام مكتبات بايثون (Statsmodels & Seaborn)

في بيئة لغة بايثون (Python)، لا تتوفر دالة جاهزة ومباشرة بضغطة واحدة مطابقة لمخططات R، ولكن يمكن للمحلل بناء مخطط مقياس وموقع متقدم بدقة وسهولة فائقة بالاعتماد على تكامل مكتبات statsmodels وnumpy وseaborn وmatplotlib. تبدأ العملية بتقدير نموذج OLS من خلال وحدة statsmodels.api واستخراج القيم التنبؤية والمتبقيات المعيارية داخلياً.

يتم تطبيق التحويلات الرياضية اللازمة باستخدام دوال numpy، وتحديداً حساب القيمة المطلقة للمتبقيات المعيارية ثم استخراج جذرها التربيعي. بعد ذلك، تُستخدم مكتبة seaborn لرسم مخطط التشتت، مع تفعيل خوارزمية lowess المضمنة في دالة الرسم لرسم خط الاتجاه غير المعلمي المماثل لخط R، وتحديد معالم المظهر الرسومي ومقاييس المحاور بدقة عالية.

يمكن للمطورين والباحثين كتابة دالة برمجية مخصصة (Custom Diagnostic Function) في بايثون تستقبل كائن النموذج المدرب وتعيد توليد الحزمة التشخيصية الرباعية الكلاسيكية كاملة. يمنح هذا النهج مرونة هائلة لعلماء البيانات لدمج الفحص التشخيصي لفرضية تجانس التباين ضمن خطوط أنابيب التعلم الآلي والتحليل الإحصائي الآلي للبيانات الكبيرة قبل اعتماد النماذج النهائية.

7.2 استخراج وتفسير مؤشرات التشتت المماثلة في برنامج SPSS

يوفر برنامج SPSS أدوات متقدمة لتشخيص النماذج عبر واجهته الرسومية، على الرغم من أنه لا يقدم مخطط المقياس والموقع بشكله الرياضي المحول افتراضياً ضمن نافذة الانحدار الخطي المباشرة. لإنتاج المخطط الأصلي في SPSS، يحتاج الباحث أولاً إلى حفظ المتبقيات المعيارية (ZRESID) والقيم الملائمة المعيارية (ZPRED) أو غير المعيارية (PRED) كمتغيرات جديدة في ورقة البيانات أثناء تشغيل إجراء الانحدار.

تتمثل الخطوة التالية في استخدام محول المتغيرات (Compute Variable) لحساب متغير جديد يمثل الجذر التربيعي للقيمة المطلقة لمتغير المتبقيات المعيارية المحفوظ. بعد ذلك، يتوجه الباحث إلى منشئ الرسوم البيانية (Chart Builder) لإنشاء رسم انتشار (Scatterplot) يوضع فيه المتغير المحسوب الجديد على المحور الصادي والقيم الملائمة على المحور السيني.

لإكمال المخطط وجعله مطابقاً لمعايير التشخيص العالمية، يقوم الباحث بفتح محرر الرسوم البيانية في SPSS وتفعيل إضافة خط التنعيم الموضعي (LOESS Fit Line). يتيح ذلك للباحث قراءة المخرجات بدقة تماماً كما في بيئة R، حيث يفحص استواء خط التنعيم وانتظام سحابة المتبقيات المحولة للحكم على استيفاء فرضية تجانس التباين في بحثه الميداني.

7.3 مقارنة الدقة والمرونة بين الأدوات البرمجية المختلفة

تتفاوت الأدوات الإحصائية الثلاث (R، Python، SPSS) في مدى مرونتها ودقتها في توليد مخطط المقياس والموقع وتفسيره. تتفوق بيئة R في كونها توفر المخطط تلقائياً بأعلى درجات الدقة الإحصائية كجزء أصيل من الإخراج الافتراضي للنماذج، مستخدمة خوارزميات LOESS فائقة التطور توازن ببراعة بين التنعيم وتتبع التغيرات الموضعية في التشتت.

تتميز بايثون بقوتها الفائقة في الدمج المباشر ضمن مسارات هندسة البيانات وخوارزميات التنبؤ المتقدمة، مع إمكانيات تخصيص لا محدودة للرسوم التوضيحية عبر مكتبات متقدمة، إلا أنها تتطلب جهداً برمجياً إضافياً لبناء التحويلات الرياضية يدوياً مقارنة بدوال R الجاهزة. بينما يوفر SPSS ميزة الاستخدام الميسر عبر النوافذ الرسومية للباحثين غير المتمرسين في البرمجة، ولكنه يتطلب خطوات يدوية متعددة لإنتاج هذا المخطط تحديداً.

من زاوية أتمتة التقارير التشخيصية، تتفوق R وبايثون بوضوح من خلال أدوات البرمجة الأدبية والتكرارية مثل R Markdown وJupyter Notebooks وQuarto. تمكن هذه البيئات الباحث من توليد تقارير ديناميكية تشمل المخططات التشخيصية وتفسيراتها الإحصائية المرافقة تلقائياً عند تحديث مجموعات البيانات، مما يضمن أعلى معايير الشفافية وقابلية إعادة الإنتاج في البحث العلمي الحديث.

8. أمثلة تطبيقية وحالات دراسية في البحوث النفسية والتربوية

8.1 دراسة حالة 1: العلاقة بين الضغوط المهنية ومستوى الاحتراق النفسي

أجريت دراسة تطبيقية على عينة قوامها 450 معلماً في المدارس العامة لفحص أثر “الضغوط المهنية المرتبطة ببيئة العمل” (المتغير المستقل) على “مستوى الاحتراق النفسي” (المتغير التابع المقاس بمقياس ماسلاش للاحتراق النفسي). افترض الباحثون وجود علاقة خطية موجبة بين المتغيرين، وقاموا بتقدير نموذج الانحدار البسيط باستخدام طريقة المربعات الصغرى العادية OLS.

عند استخراج مخطط المقياس والموقع لهذا النموذج، ظهر نمط قمعي (Funnel Shape) واضح وشديد الاتساع؛ حيث كان التشتت الرأسي للنقاط ضيقاً ومحصوراً عند القيم الملائمة المنخفضة والمتوسطة للاحتراق النفسي، ثم اتسع النطاق بشكل هائل وتصاعد الخط الأحمر التنعيمي بزاوية حادة عند مستويات التنبؤ العليا، مما يعكس زيادة هائلة في تشتت الأخطاء التنبؤية مع زيادة الضغط.

التفسير السيكولوجي لهذا النمط يكمن في أن المعلمين الذين يواجهون ضغوطاً مهنية منخفضة يظهرون درجات متقاربة ومنخفضة جداً من الاحتراق النفسي، في حين أن المعلمين المعرضين لضغوط مهنية قصوى يتباينون بشدة في استجاباتهم؛ فمنهم من يمتلك مهارات تكيف ومرونة نفسية تجعله يقاوم الاحتراق، ومنهم من ينهار نفسياً وتصل درجاته إلى القمة. يبرهن هذا المخطط على عدم تجانس التباين ويحذر من الاعتماد على فترات الثقة الكلاسيكية لتقدير نسب المعلمين المعرضين للخطر.

8.2 دراسة حالة 2: أثر القلق الامتحاني على الأداء الأكاديمي لدى الطلاب

في دراسة تربوية هدفت إلى نمذجة “درجات الاختبار التحصيلي النهائي” لدى 320 طالباً جامعياً بالاعتماد على متغير “القلق الامتحاني المعرفي” ومتغير “ساعات الاستذكار الأسبوعية”، قام الفريق البحثي بتقدير نموذج انحدار خطي متعدد. تضمن البروتوكول المنهجي إجراء فحص صارم لكافة الافتراضات التشخيصية قبل تفسير دلالة المعاملات.

أظهر مخطط المقياس والموقع نمطاً مثالياً نموذجياً؛ إذ تناثرت النقاط في شريط مستطيل منتظم ومتجانس عبر كامل مدى درجات التحصيل المتوقعة (من الدرجات المنخفضة إلى المرتفعة). كان الخط الأحمر التنعيمي LOESS أفقياً ومستقراً تماماً على امتداد مساره، وظل محاذياً لمستوى الارتفاع النظري المستقر دون أي صعود أو هبوط منهجي يذكر.

قدم هذا المخطط دليلاً قاطعاً على استيفاء فرضية تجانس التباين بكفاءة عالية، موثقاً أن تباين أخطاء التنبؤ بالأداء الأكاديمي ثابت ومتكافئ بين الطلاب ذوي التحصيل المتدني، والمتوسط، والمتفوق على حد سواء. أتاح هذا الاستقرار للباحثين اعتماد الأخطاء المعيارية القياسية بثقة مطلقة، وصياغة استنتاجات دقيقة تؤكد المعنوية الإحصائية والعملية لأثر القلق وساعات الاستذكار على التحصيل الدراسي.

8.3 دراسة حالة 3: تقييم فعالية برنامج علاجي سلوكي معرفي (CBT)

هدفت تجربة إكلينيكية إلى تقييم التغير في درجات الاكتئاب لدى 180 مريضاً خضعوا لبرنامج علاجي سلوكي معرفي (CBT)، حيث تم بناء نموذج انحدار للتنبؤ بدرجات الاكتئاب البعدية بالاعتماد على درجات الاكتئاب القبلية وعدد الجلسات العلاجية المحضورة. كان الافتراض النظري الأولي يفترض علاقة تناقصية خطية بسيطة بين عدد الجلسات وشدة الأعراض.

عند فحص مخطط المقياس والموقع للنموذج الأولي، لاحظ الفريق البحثي نمطاً غير خطي غريباً يتخذ شكل حرف U مقلوب؛ حيث بدأ الخط الأحمر منخفضا عند القيم الملائمة الدنيا، ثم ارتفع بشكل مقوس في النطاق المتوسط للقيم الملائمة، ليعود وينحدر مجدداً عند القيم الملائمة العليا، مع تراكم النقاط في مجموعات متمايزة عبر المحور السيني.

أشار هذا التشخيص المزدوج إلى خطأ جوهري في تحديد النموذج (Model Misspecification) ونقص في الخطية تسبب في ظهور تباين غير متجانس زائف. استجاب الباحثون لهذه الإشارة البصرية بإعادة صياغة النموذج وتضمين حد تربيعي لعدد الجلسات يعكس تناقص العوائد العلاجية بمرور الوقت. وبعد إعادة تقدير النموذج المعدل، استعاد مخطط المقياس والموقع استواءه واستقراره الأفقي التام، مما يؤكد كيف يرشد هذا المخطط الباحث نحو تصحيح البنية الهيكلية للنموذج كاملاً.

9. التكامل بين التحليل البصري والاختبارات الإحصائية الرقمية

9.1 اختبار بروش-باغان (Breusch-Pagan Test) كمدعم رقمي للمخطط

يمثل اختبار بروش-باغان (Breusch-Pagan Test) أحد أكثر الاختبارات البارامترية انتشاراً لتدعيم التقييم البصري لمخطط المقياس والموقع بأرقام استدلالية قاطعة. يقوم الأساس الرياضي لهذا الاختبار على إجراء انحدار مساعد لمربعات المتبقيات المعيارية على المتغيرات المستقلة الأصلية للنموذج، لفحص ما إذا كان تباين الخطأ يمثل دالة خطية في تلك المتغيرات التفسيرية.

تتم صياغة الفرضية الصفرية للاختبار ($H_0$) على أساس أن تباين الأخطاء ثابت ومتجانس ($\sigma_i^2 = \sigma^2$)، مقابل الفرضية البديلة ($H_1$) التي تنص على أن التباين يتغير كدالة خطية في المتغيرات المستقلة. عند الحصول على قيمة احتمالية ($p$-value) أقل من مستوى الدلالة المعتمد (مثلاً $\alpha = 0.05$)، يتم رفض الفرضية الصفرية وتأكيد وجود عدم تجانس في التباين، وهو ما يتطابق عادة مع وجود ميل واضح في خط التنعيم لمخطط المقياس والموقع.

مع ذلك، يجب الحذر عند قراءة نتائج الاختبار بمعزل عن المخطط البصري، خاصة في العينات الكبيرة جداً؛ حيث يمتلك اختبار بروش-باغان قوة إحصائية مفرطة تجعله يرفض الفرضية الصفرية عند وجود انحرافات تافهة وضئيلة جداً في التباين ليس لها أي تأثير عملي على جودة التقدير. في المقابل، يوضح المخطط البصري الحجم الفعلي للأثر والشكل الهندسي للانتهاك، مما يمنع الباحث من اتخاذ قرارات تصحيحية غير مبررة.

9.2 اختبار وايت (White Test) واختبار كوينكر (Koenker Test)

يتميز اختبار وايت (White Test) بمرونة فائقة تتفوق على اختبار بروش-باغان القياسي؛ إذ لا يقتصر على فحص العلاقات الخطية بين تباين الأخطاء والمتغيرات المستقلة فحسب، بل يختبر الأشكال غير الخطية أيضاً من خلال إدراج مربعات المتغيرات المستقلة وحواصل ضربها التفاعلية (Cross-Products) في نموذج الانحدار المساعد. يجعله هذا الاختبار مثالياً للكشف عن الأنماط المعقدة المنحنية التي تظهر على مخطط المقياس والموقع.

في سياق البيانات النفسية والسلوكية التي نادراً ما تستوفي افتراض التوزيع الطبيعي الكامل للأخطاء، يبرز اختبار كوينكر-باسيت (Koenker-Bassett Test)، والمعروف باختبار بروش-باغان المعدل، كأداة متينة وأكثر أماناً. يقوم هذا الاختبار بتعديل إحصائية الاختبار بحسب معامل التفرطح لتوزيع المتبقيات الفعلي، مما يمنع التضخم الكاذب لمعدلات الدلالة الإحصائية الناتجة عن التواء البيانات غير الطبيعية.

يعمل الباحث المتمرس على مطابقة مخرجات هذه الاختبارات مع المؤشرات الهندسية لمخطط المقياس والموقع؛ فإذا أظهر اختبار وايت دلالة إحصائية قوية بينما كان اختبار بروش-باغان غير دال، وكان المخطط يظهر نمطاً مقوساً على شكل حرف U، فإن هذا يقدم دليلاً متكاملاً على أن عدم تجانس التباين ذو طبيعة لا خطية مرتبطة بتفاعلات غير مدرجة في النموذج، مما يوجه الباحث فوراً نحو الحل المناسب.

9.3 موازنة الحساسية الإحصائية: متى نعتمد على المخطط ومتى نعتمد على الاختبار؟

تتطلب المنهجية العلمية الرصينة إدارة واعية لمسألة الحساسية والقدرة الإحصائية (Statistical Power) عند المفاضلة أو الجمع بين التشخيص البصري عبر مخطط المقياس والموقع والاختبارات الفرضية الرقمية. تتأثر الاختبارات الرقمية بشدة بحجم العينة ($N$)؛ ففي العينات الضخمة (آلاف المشاهدات)، تعاني الاختبارات من ظاهرة القوة المفرطة (Overpowering)، حيث تعطي نتائج دالة إحصائياً لانحرافات ميكروسكوبية لا تضر بسلامة النموذج.

وعلى النقيض من ذلك تماماً، تعاني الاختبارات الرقمية في العينات الصغيرة (أقل من 60 مشاهدة) من ضعف شديد في القدرة الإحصائية (Underpowering)، مما يجعلها تعجز عن اكتشاف انتهاكات جسيمة وخطيرة في تجانس التباين وتقدم قيمة $p$ غير دالة توحي كذباً بسلامة النموذج. في هذا السياق، يتفوق الفحص البصري لمخطط المقياس والموقع كأداة نوعية تكشف بالعين المجردة تشوهات التشتت ونمط القمع التي عجزت الأرقام عن إثبات دلالتها الإحصائية.

يوصي البروتوكول المنهجي المزدوج باتباع شجرة قرار تكاملية: في العينات الصغيرة والمتوسطة، يكون الفحص البصري للمخطط هو الحكم الأساسي، وإذا ظهر نمط قمعي واضح يجب اتخاذ إجراء تصحيحي حتى وإن لم يكن الاختبار الرقمي دالاً. أما في العينات الضخمة، يُستخدم المخطط للتحقق من الأهمية العملية (Practical Significance) للانتهاك الذي أظهره الاختبار الرقمي، بحيث لا تُطبق المعالجات المعقدة إلا إذا كان مسار الخط الأحمر وسحابة النقاط يظهران انحرافاً بنيوياً ذا وزن مؤثر.

10. المخاطر المنهجية والنتائج المترتبة على تجاهل مؤشرات المخطط

10.1 تشويه الأخطاء المعيارية وانحياز اختبارات الدلالة الإحصائية (t & F)

يعد تشويه الأخطاء المعيارية لمعاملات الانحدار النتيجة المباشرة والأكثر خطورة لتجاهل مؤشرات عدم التجانس المرصودة في مخطط المقياس والموقع. تعتمد طريقة OLS الكلاسيكية صيغة رياضية موحدة لحساب مصفوفة تباين المعاملات تفترض ثبات $\sigma^2$ لجميع المشاهدات، وعندما يسقط هذا الافتراض، تصبح هذه الصيغة غير صالحة وتنتج قيماً غير دقيقة للأخطاء المعيارية.

في النمط القمعي الأكثر شيوعاً، حيث يرتبط التباين الأكبر بالقيم الملائمة المرتفعة، تؤدي الصيغ التقليدية عادة إلى التقليل من القيمة الحقيقية للأخطاء المعيارية (Underestimation). يترتب على تصغير الخطأ المعياري تضخيم اصطناعي لقيمة إحصائية $t$ المحسوبة ($t = \hat{\beta} / operatorname{SE}$)، مما يقود الباحث إلى رفض الفرضية الصفرية بالخطأ وإعلان وجود علاقة معنوية ذات دلالة إحصائية وهي في الواقع مجرد وهم إحصائي ناتج عن عدم تجانس التباين، وهو الوقوع الصريح في الخطأ من النوع الأول (Type I Error).

في سيناريوهات أخرى، قد يؤدي الانتهاك إلى تضخيم الأخطاء المعيارية بأكبر من حجمها الحقيقي، مما يقلل من قيم $t$ واختبار $F$ الإجمالي، ويؤدي إلى فقدان القدرة الإحصائية على اكتشاف العلاقات الحقيقية بين المتغيرات (Type II Error). في كلا السيناريوهين، تفقد مستويات الثقة والقيم الاحتمالية مصداقيتها العلمية بالكامل، مما يفرغ الاستنتاجات البحثية من قيمتها المنهجية.

10.2 فقدان دقة فترات التنبؤ وفترات الثقة في النماذج التشخيصية

ينعكس الفشل في تشخيص وتصحيح عدم تجانس التباين بشكل مأساوي على دقة وصلاحية فترات التنبؤ (Prediction Intervals) وفترات الثقة (Confidence Intervals) المشتقة من النموذج. تفترض معادلات فترات التنبؤ الكلاسيكية أن هامش الخطأ التنبؤي المحيط بالنقطة المقدرة متساوٍ ومتماثل عند جميع مستويات المتغير المستقل، وهو ما يناقض الواقع تماماً عند ظهور نمط القمع في المخطط.

عندما يزداد تشتت الأخطاء مع زيادة القيم الملائمة، فإن فترة التنبؤ المحسوبة بالصيغة التقليدية ستكون واسعة أكثر من اللازم عند القيم الدنيا (مما يقلل من فائدتها التطبيقية)، وستكون ضيقة وقاصرة بشكل خطير عند القيم العليا (مما يعطي انطباعاً زائفاً ومفرطاً بالدقة). يعني ذلك أن النسبة الحقيقية للقيم المستقبلية التي ستقع داخل فترة التنبؤ عند المستويات العليا ستكون أقل بكثير من مستوى الثقة الاسمي المزعوم (مثل 95%).

يحمل هذا التشويه تداعيات وخيمة في المجالات التطبيقية الحساسة كالتشخيص الإكلينيكي وتحديد مستويات المخاطر النفسية والتربوية؛ فإذا استند الطبيب النفسي أو الأخصائي التربوي إلى فترة تنبؤ ضيقة زائفة لحالة تقع في النطاق المرتفع للمقياس، فقد يفشل النموذج في توقع الانتكاسات السلوكية الحادة أو التدهور الأكاديمي، مما يؤدي إلى اتخاذ قرارات تدخل غير آمنة وغير دقيقة.

10.3 التهديدات الموجهة للصدق الإحصائي والداخلي للدراسة

يقود تراكم الانحيازات وتشويه الاختبارات الناتجة عن تجاهل مؤشرات مخطط المقياس والموقع إلى تقويض صدق الاستنتاج الإحصائي (Statistical Conclusion Validity) للبحث العلمي ككل. يعد الصدق الإحصائي هو الأساس الذي تقوم عليه كافة جوانب الصدق الأخرى للدراسة، وبانهياره تصبح جميع الادعاءات التفسيرية المتعلقة بالعلاقات السببية بين المتغيرات موضع شك وغير قابلة للدفاع الأكاديمي.

تسهم هذه الإخفاقات المنهجية بشكل مباشر في تفاقم ما يُعرف في الأدبيات السلوكية والنفسية الحديثة بـ “أزمة تكرار النتائج” (Replication Crisis)؛ فالنماذج التي تدعي وجود تأثيرات معنوية استناداً إلى أخطاء معيارية كلاسيكية مشوهة بفعل التباين غير المتجانس غالباً ما تفشل تماماً في الصمود عند إعادة تطبيقها على عينات مستقلة بواسطة باحثين آخرين، مما يضر بموثوقية التراكم المعرفي في العلوم السلوكية.

تتحول القضية هنا من مجرد تفضيل رياضي إلى مسؤولية أخلاقية ومنهجية تقع على عاتق الباحث؛ حيث يتطلب النشر في المجلات العلمية المصنفة عالمياً الإفصاح الكامل والشفاف عن كافة خطوات الفحص التشخيصي للفرضيات، وإثبات خلو النموذج من الانتهاكات الهيكلية التي قد تضلل المجتمع العلمي ومتخذي القرارات.

11. الإجراءات العلاجية والحلول الإحصائية عند رصد عدم تجانس التباين

11.1 تحويلات المتغير التابع (Data Transformations)

تعد التحويلات الرياضية للمتغير التابع الخط الدفاعي التقليدي والأول لمعالجة مشكلة عدم تجانس التباين، خاصة عندما يظهر مخطط المقياس والموقع نمط القمع المتسع طردياً مع القيم الملائمة. يهدف التحويل الرياضي إلى ضغط القيم العليا للمتغير التابع بمعدل أكبر من القيم الدنيا، مما يؤدي تلقائياً إلى تقليص تشتت الأخطاء في النطاقات المرتفعة واستعادة الانتشار المستطيل المتجانس للنقاط.

من أشهر هذه التحويلات هو التحويل اللوغاريتمي الطبيعي ($ln(Y)$ أو $\log_{10}(Y)$)، والذي يعد حلاً مثالياً للبيانات ذات الالتواء الموجب والتشتت المتزايد بنسبة ثابتة مع المتوسط (Constant Coefficient of Variation). وعندما تتضمن البيانات قيماً صغيرة أو أصفاراً، يمكن استخدام تحويل الجذر التربيعي ($\sqrt{Y}$) أو تحويل المعكوس ($1/Y$)، مع مراعاة أن تفسير معاملات الانحدار سيتغير بعد التحويل ليعبر عن نسب مئوية أو معدلات نسبية بدلاً من الوحدات الأصلية.

لتجنب التخمين العشوائي في اختيار التحويل الأنسب، يُنصح بتطبيق منهجية بوكس-كوكس (Box-Cox Transformation) الإحصائية؛ وهي خوارزمية احتمالية متقدمة تقوم بتقدير المعامل الأمثل ($lambda$) الذي يحول المتغير التابع إلى التوزيع الأكثر مطابقة لافتراضات الخطية، والاعتدالية، وتجانس التباين في آن واحد، مما يزيل التباين غير المتجانس ويعيد استواء خط التنعيم في المخطط التشخيصي.

11.2 استخدام الأخطاء المعيارية القوية (Robust Standard Errors / Sandwich Estimators)

في كثير من البحوث الاجتماعية والنفسية المعاصرة، يفضل الباحثون تجنب تحويل المتغيرات للحفاظ على سهولة التفسير المباشر للمعاملات بالوحدات الأصلية للمقياس، أو عندما تفشل التحويلات الرياضية في تصحيح التباين بالكامل. في هذه الحالة، يمثل استخدام مصفوفات التباين القوية لـ هوبير-وايت (Huber-White Robust Standard Errors)، والمعروفة بمقدرات الساندويتش (Sandwich Estimators)، الحل المنهجي الأمثل والمعتمد عالمياً.

تحافظ هذه المنهجية على معاملات انحدار OLS الأصلية كما هي دون أي تعديل (نظراً لأنها مقدرات غير متحيزة أصلاً)، ولكنها تستبدل مصفوفة الأخطاء المعيارية الكلاسيكية بمصفوفة معدلة تجريبياً تحسب التباين الفعلي للمتبقيات لكل مشاهدة على حدة. توجد عدة صيغ متقدمة لهذه المقدرات، أبرزها مقدرات (HC0, HC1, HC2, HC3)، ويُوصى دائماً باستخدام مقدر HC3 أو HC4 في العينات الصغيرة والمتوسطة لقدرته الفائقة على ضبط انحيازات الروافع المتطرفة.

في بيئة R، يمكن تطبيق هذا التصحيح المتقدم بسهولة متناهية عبر استدعاء حزمة sandwich لحساب مصفوفة التباين القوية، ودمجها مع حزمة lmtest عبر الأمر coeftest(model, vcov = vcovHC(model, type = "HC3")). يعيد هذا الإجراء حساب قيم $t$ والقيم الاحتمالية بدقة بالغة ومحصنة ضد آثار عدم تجانس التباين، مما يضمن سلامة القرارات الاستدلالية دون الحاجة لتغيير بنية النموذج.

11.3 الانتقال إلى نماذج المربعات الصغرى الموزونة (WLS) والانحدار المعمم (GLM)

عندما تتوفر لدى الباحث معرفة نظرية أو تجريبية بآلية تغير التباين، أو عندما يرغب في استعادة الكفاءة الإحصائية الكاملة للمقدرات (BLUE)، يصبح الانتقال إلى طريقة المربعات الصغرى الموزونة (Weighted Least Squares – WLS) هو الخيار الأرقى رياضياً. تقوم هذه الطريقة بإعطاء وزن ترجيحي ($w_i$) لكل مشاهدة يتناسب عكسياً مع تباين خطئها المتوقع ($w_i = 1/\sigma_i^2$)، بحيث تحظى المشاهدات ذات التشتت الضيق والخطأ المنخفض بوزن أكبر في تقدير خط الانحدار، بينما يقل وزن المشاهدات ذات التشتت الواسع وغير الدقيق.

كبديل بنيوي شامل، توفر النماذج الخطية المعممة (GLMs – Generalized Linear Models) إطاراً رياضياً مرناً وموحداً يتعامل مع المتغيرات التابعة التي لا تتبع التوزيع الطبيعي ويتغير تباينها ذاتياً كدالة في قيمتها المتوسطة. على سبيل المثال، في نماذج بيانات العد (Count Data) كعدد نوبات القلق أو الغياب المدرسي، يُستخدم انحدار بواسون (Poisson) أو انحدار ثنائي الحدين السالب (Negative Binomial) الذي يحتوي داخلياً على دالة تباين تربط التشتت بالمتوسط الرياضي بصورة بنيوية سليمة.

أما في الحالات التي تنشأ فيها الفروق في التباين عن بنية هرمية أو عنقودية للبيانات (مثل جمع البيانات من طلاب مجمعين داخل فصول ومدارس متعددة، أو قياسات متكررة لنفس المرضى عبر الزمن)، فإن الحل الجذري يكمن في تطبيق النماذج الخطية الهرمية والمتعددة المستويات (HLM / Linear Mixed Models). تتيح هذه النماذج تقدير تباينات مستقلة على مستوى الفئات والمستويات العليا، مما يقضي على مشكلة عدم التجانس على المستوى الفردي نهائياً.

12. دليل الباحث: أفضل الممارسات لكتابة وتوثيق نتائج المخطط في الأوراق الأكاديمية

12.1 صياغة تقرير تشخيص الفرضيات وفق دليل جمعية علم النفس الأمريكية (APA)

يتطلب توثيق مخرجات الانحدار في المجلات المرموقة التي تتبع دليل جمعية علم النفس الأمريكية (APA 7th edition) صياغة دقيقة وشفافة لنتائج فحص الافتراضات الإحصائية ضمن قسم النتائج (Results Section). لا يجوز الاكتفاء بعبارات عامة ومبهمة مثل “تم فحص الافتراضات وكانت مقبولة”، بل يجب تقديم تفصيل منهجي يجمع بين القراءة البصرية للاختبارات التشخيصية والأدلة الرقمية الداعمة.

في حالة استيفاء الفرضية، يمكن صياغة التقرير على النحو التالي: “تم فحص فرضية تجانس التباين بصرياً من خلال مخطط المقياس والموقع (Scale-Location Plot)، حيث أظهر خط التنعيم LOESS استواءً أفقياً منتظماً وتوزعت المتبقيات المعيارية المحولة بشكل عشوائي ومستطيل عبر كامل نطاق القيم التنبؤية. وقد دُعمت هذه المؤشرات البصرية رقمياً باختبار بروش-باغان المعدل، والذي أظهر عدم وجود دلالة إحصائية لانعدام التجانس، $\chi^2(2) = 1.45, p = .484$، مما يؤكد سلامة استخدام مقدرات OLS القياسية”.

أما في حال رصد انتهاك وتطبيق تصحيح، فيتم التوثيق كما يلي: “كشف مخطط المقياس والموقع عن وجود نمط قمعي تصاعدي دال على تباين غير متجانس طردي، وهو ما أكده اختبار وايت $\chi^2(5) = 14.82, p = .011$. ولمعالجة هذا الانتهاك وضمان دقة الاستدلال، تم حساب الأخطاء المعيارية القوية باستخدام مقدر هوبير-وايت من النوع الثالث (Huber-White HC3 Robust Standard Errors)، واعتمدت اختبارات الدلالة وفترات الثقة المصححة في تقديم وتفسير معلمات النموذج النهائية”.

12.2 المعايير الرسومية لإدراج مخطط المقياس والموقع في الملاحق العلمية

عند تضمين مخطط المقياس والموقع في الملاحق الإضافية (Supplementary Materials) للأوراق العلمية أو رسائل الماجستير والدكتوراه، يجب الالتزام بالمعايير الرسومية الصارمة لجودة النشر. يجب تصدير المخطط بدقة طباعية عالية لا تقل عن 300 نقطة في البوصة (300 DPI) بصيغ رسومية متجهة مثل (PDF أو TIFF أو EPS) لضمان بقاء الخطوط والنقاط واضحة دون أي تشويش عند التكبير والطباعة.

يجب أن يحتوي المخطط على تسميات محاور واضحة ومقروءة بالكامل، متضمنة الصياغة الرياضية الدقيقة للمحور الرأسي ($\sqrt{|\text{Standardized Residuals}|}$) ومسمى المحور الأفقي ($\text{Fitted Values}$). كما يُشترط إدراج تعليق توضيحي كامل ومفصل أسفل الشكل (Figure Caption) يشرح دلالة الخط التنعيمي الأحمر، ويوضح طبيعة النقاط المرقمة، ويشير إلى اسم المتغير التابع للنموذج لتمكين القارئ من فهم المخطط ككيان قائم بذاته.

تعزيزاً لمبادئ العلم المفتوح (Open Science Framework – OSF) والشفافية الأكاديمية، يُنصح الباحثون بشدة بإيداع الأكواد البرمجية الكاملة المستخدمة في توليد المخططات ونماذج الانحدار في مستودعات رقمية مفتوحة (مثل GitHub أو Zenodo). يتيح ذلك للمحكمين والباحثين الآخرين التحقق المستقل من سلامة المخططات التشخيصية وإعادة إنتاج نفس الرسومات والتحليلات بدقة مطلقة.

12.3 قائمة مراجعة شاملة (Checklist) للباحث قبل اعتماد نموذج الانحدار الخطي

لضمان أعلى درجات الدقة المنهجية قبل اعتماد وتفسير أي نموذج انحدار خطي في البحوث الميدانية، يوصى باتباع قائمة المراجعة الإحصائية الشاملة التالية والتحقق من بنودها نقطة تلو الأخرى:

• استواء خط الاتجاه التنعيمي: هل يمتد الخط الأحمر بشكل أفقي مستقر دون صعود أو هبوط مستمر عبر نطاق القيم التنبؤية؟
• انتظام سحابة النقاط: هل تتوزع المتبقيات المعيارية المحولة كشريط مستطيل متجانس خالٍ من أشكال الأبواق، والأقماع، والتجمعات المكانية؟
• فحص القيم المتطرفة المحددة: هل تم التدقيق في أرقام المشاهدات الموسومة كقيم شاذة على أطراف المخطط وتقييم تأثيرها المنفصل على انحناء الخط؟
• التكامل مع المخططات التشخيصية الأخرى: هل يتطابق استنتاج مخطط المقياس والموقع مع مخطط الخطية (Residuals vs Fitted) ومخطط الاعتدالية (Q-Q Plot) ومخطط الروافع (Leverage)؟
• التأييد بالاختبارات الرقمية: هل تم تدعيم القراءة البصرية باختبارات بارامترية ملائمة كاختبار بروش-باغان أو وايت أو كوينكر، مع مراعاة تأثير حجم العينة؟
• تحديد الإجراء التصحيحي عند الحاجة: في حال ثبوت عدم التجانس، هل تم تحديد العلاج الأنسب (تحويل بوكس-كوكس، أخطاء HC3 القوية، أو نماذج WLS) وتطبيقه بدقة؟
• التوثيق الأكاديمي الشفاف: هل تمت صياغة النتائج التشخيصية بوضوح تام وفق معايير الدليل المعتمد (مثل APA 7th) مع إتاحة شفرة التحليل لتعزيز الموثوقية؟

الخاتمة

يمثل مخطط المقياس والموقع (Scale-Location Plot) أداة تشخيصية لا غنى عنها في ترسانة الباحث الإحصائي والمحلل الكمي؛ إذ يجمع بين الأناقة الرياضية في تحويل المتبقيات والبساطة البصرية في كشف انتهاكات فرضية تجانس التباين. من خلال تحييد الإشارات السالبة والحد من الالتواء وتوظيف خطوط التنعيم الموضعي غير المعلمية، يمنح هذا المخطط قدرة فائقة على تفكيك التشتت الموضعي للأخطاء العشوائية عبر كامل فضاء التنبؤ بالنموذج.

إن إتقان قراءة وتفسير هذا المخطط، وفهم أنماطه المتنوعة من النمط المستطيل المثالي إلى أنماط الأبواق والأقواس غير الخطية، يمثل صمام الأمان الذي يحمي البحوث العلمية، ولا سيما في مجالات العلوم النفسية والتربوية والسلوكية، من الوقوع في أخطاء التقدير والانحيازات الاستدلالية. يضمن هذا التدقيق الصارم موثوقية الأخطاء المعيارية، وصدق اختبارات الفرضيات، ودقة فترات الثقة والتنبؤ، مما يرسخ صدق الاستنتاجات العلمية.

في الختام، يجب التأكيد على أن المخططات التشخيصية البصرية والاختبارات الفرضية الرقمية ليسا بديلين متنافسين، بل هما جناحان لمنهجية إحصائية متكاملة ورصينة. يتيح الجمع المتوازن بين المؤشرات البصرية لمخطط المقياس والموقع والاختبارات الإحصائية الرقمية المدعمة، مع تطبيق الإجراءات التصحيحية المتقدمة كالأخطاء المعيارية القوية ونماذج الانحدار المعممة عند اللزوم، بناء نماذج تفسيرية وتنبؤية تتسم بأعلى درجات القوة، والكفاءة، وقابلية التكرار في الأوساط الأكاديمية والتطبيقية.

المراجع (References)

• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294. https://doi.org/10.2307/1911963
• Cleveland, W. S. (1979). Robust locally weighted regression and scatterplot smoothing. Journal of the American Statistical Association, 74(368), 829–836. https://doi.org/10.1080/01621459.1979.10481038
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• Cook, R. D., & Weisberg, S. (1982). Residuals and influence in regression. Chapman and Hall.
• Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications.
• Hayes, A. F., & Cai, L. (2007). Using heteroskedasticity-consistent standard error estimators in OLS regression: An introduction and software implementation. Behavior Research Methods, 39(4), 709–722. https://doi.org/10.3758/BF03192961
• Koenker, R. (1981). A note on studentizing a test for heteroscedasticity. Journal of Econometrics, 17(1), 107–112. https://doi.org/10.1016/0304-4076(81)90062-2
• Long, J. S., & Ervin, L. H. (2000). Using heteroscedasticity consistent standard errors in the linear regression model. The American Statistician, 54(3), 217–224. https://doi.org/10.1080/00031305.2000.10474549
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4