كيفية إجراء تحويل بوكس-كوكس في ساس

يمثل التحليل الإحصائي المتقدم الركيزة الجوهرية التي تستند إليها البحوث التجريبية والارتباطية في العلوم السلوكية والاجتماعية والطبية الحيوية. ومع ذلك، تصطدم النماذج الخطية الكلاسيكية، كالانحدار الخطي البسيط والمتعدد وتحليل التباين، بحقيقة أن البيانات الواقعية نادراً ما تتطابق بصورة مثالية مع الافتراضات النظرية الصارمة، ولا سيما افتراض اعتدالية توزيع الأخطاء العشوائية وثبات تباينها. إن انتهاك هذه الفروض لا يُعد مجرد إخلال شكلي بالقواعد الرياضية، بل يمتد أثره ليقوض كفاءة المقدرات الإحصائية، ويؤدي إلى تضخيم الخطأ المعياري، وانحياز فترات الثقة، والوصول إلى استنتاجات مضللة بخصوص دلالة الفروق أو العلاقات بين المتغيرات. في هذا السياق، تبرز التحويلات الرياضية كأداة منهجية فعالة تهدف إلى إعادة معايرة مقياس القياس للبيانات لجعلها متوافقة مع متطلبات النمذجة المعلمية.

ومن بين مختلف أساليب التحويل المتاحة في الأدبيات الإحصائية، يبرز تحويل بوكس-كوكس (Box-Cox Transformation) كأحد أرقى المناهج البارامترية وأكثرها مرونة ورسوخاً في معالجة مشكلات الالتواء وعدم تجانس التباين. بدلاً من الاعتماد على التجربة والخطأ أو تطبيق تحويلات تقليدية جامدة كالتحويل اللوغاريتمي أو تحويل الجذر التربيعي بصورة عشوائية، يقدم تحويل بوكس-كوكس إطاراً تحليلياً يستند إلى التقدير الموضوعي الأمثل لمعلمة القوة الرياضية عبر دالة الإمكانية القصوى. وتعتبر حزمة البرمجيات الإحصائية المتقدمة ساس (Statistical Analysis System – SAS) من أقوى المنظومات الحاسوبية التي توفر أدوات متكاملة لتشخيص، وتقدير، وتنفيذ هذا التحويل بدقة فائقة من خلال إجراءاتها المخصصة مثل إجراء الانحدار التحويلي PROC TRANSREG وإجراء الانحدار الخطي PROC REG، مما يمنح الباحثين قدرة لا تضاهى على ضبط نماذجهم وتطهيرها من التشوهات التوزيعية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية رصينة ومفصلة لكيفية تطبيق تحويل بوكس-كوكس في بيئة ساس (SAS). سنتناول عبر أقسام هذه المقالة الأسس الرياضية والنظرية للتحويل، وخطوات التشخيص الأولي للبيانات للكشف عن انتهاكات الفروض الكلاسيكية، ومن ثم الشرح المفصل لتنفيذ التحويل عبر الكود البرمجي لساس، وتفسير المخرجات الرسومية والجدولية لاختيار القيمة المثلى للمعلمة. كما سنستعرض كيفية إعادة ملاءمة النموذج، والتحقق البعدي من استيفاء الفروض الإحصائية، وتحديات التحويل العكسي للتنبؤات، وصولاً إلى أرقى الممارسات المنهجية المتبعة في صياغة النتائج وتوثيقها وفق المعايير الأكاديمية العالمية، مما يجعله مرجعاً متكاملاً للباحثين والمحللين الإحصائيين الساعين لتحقيق أقصى درجات الدقة في بحوثهم الكمية.

1. مقدمة في تحويل بوكس-كوكس وأهميته في التحليل الإحصائي والنفسي

1.1 مفهوم تحويل بوكس-كوكس (Box-Cox Transformation) وأهدافه

يُعرَّف تحويل بوكس-كوكس بأنه عائلة من تحويلات القوى البارامترية المستمرة التي صُممت رياضياً لتحويل متغير تابع غير سوي التوزيع إلى صورة تتطابق بدرجة عالية مع التوزيع الطبيعي، مع العمل في الوقت ذاته على تحقيق استقرار تباين الأخطاء العشوائية. يكمن جوهر هذا الأسلوب في إيجاد معلمة تحويل مستمرة، يُرمز لها بالرمز اليوناني لامدا (λ)، تعمل كقوة أسية يخضع لها المتغير الأصلي. تتيح هذه المرونة الرياضية للتحويل استهداف مشكلة الالتواء الإحصائي (Skewness) ومعالجة ذيول التوزيع الممتدة سواء جهة اليمين أو اليسار، مما يسهم في إعادة التماثل لمنحنى المتغير التابع وتهيئته للاندماج السلس ضمن معادلات النماذج الخطية العامة.

تاريخياً، كان الباحثون يلجأون إلى “التحويلات المعيارية الثابتة” مثل تطبيق الجذر التربيعي على بيانات العدّ أو تطبيق اللوغاريتم الطبيعي على البيانات المالية المتسارعة؛ وعلى الرغم من فائدة تلك الطرق، إلا أنها تظل حلولاً مجتزأة تفرض شكلاً رياضياً محدداً سلفاً دون التحقق مما إذا كان هذا الشكل هو الأنسب لطبيعة الظاهرة المدروسة. في المقابل، يتميز تحويل بوكس-كوكس بكونه تحويلاً “موجهاً بالبيانات” (Data-Driven)، حيث يتم اشتقاق قيمة المعلمة λ من خلال خوارزميات الاستمثال التي تختبر نطاقاً واسعاً من القيم وتستخلص القيمة التي تزيد إلى الحد الأقصى من اعتدالية البواقي وتجانسها.

تكتسب هذه التقنية أهمية بالغة في سياق القياس النفسي والعلوم الاجتماعية، حيث تتسم العديد من المتغيرات السلوكية بعدم التماثل الطبيعي. فعلى سبيل المثال، عند قياس أزمنة الرجع (Reaction Times)، أو شدة الأعراض المرضية في المقاييس النفسية، أو مؤشرات الضغوط النفسية الحياتية، يلاحظ الباحثون تركّز أغلب الدرجات حول قيم منخفضة مع وجود ذيل طويل يمتد نحو القيم المرتفعة، وهو ما وثقته الدراسات في مجال استجابة الأفراد للضغوط النفسية وعلاقتها بالمؤشرات الحيوية كدراسة Gebreab et al. (2018). إن إخضاع مثل هذه المقاييس النفسية غير المقيدة لتحويل بوكس-كوكس يضمن تحرير البيانات من التشويه التوزيعي دون تشويه العلاقات الجوهرية الكامنة بين المتغيرات المقاسة.

1.2 أهمية افتراض الاعتدالية في النماذج الخطية الكلاسيكية

تعتمد النظريات المؤسسة للنماذج الخطية الكلاسيكية، ولا سيما مبرهنة غاوس-ماركوف (Gauss-Markov Theorem)، على جملة من الفروض الأساسية المتعلقة بحدود الخطأ العشوائي. ورغم أن خاصية أفضل تقدير خطي غير متحيز (BLUE) لا تشترط التوزيع الطبيعي للخطأ لإثبات عدم التحيز وصغر التباين، فإن الاستدلال الإحصائي الدقيق—المتمثل في بناء فترات الثقة وحساب القيم الاحتمالية لاختبارات (t) و (F)—يشترط بشكل حاسم اعتدالية توزيع البواقي. إذا كان توزيع الأخطاء منحرفاً بشدة أو متفرطحاً، فإن التوزيعات العينية لإحصاءات الاختبار تنحرف عن توزيعاتها النظرية المفترضة، مما يجعل مستويات الدلالة المحسوبة (p-values) خادعة، ويؤدي إلى ارتفاع معدل الخطأ من النوع الأول (رفض الفرض الصفري الصحيح) أو الخطأ من النوع الثاني (الفشل في اكتشاف الأثر الحقيقي).

علاوة على ذلك، يترتب على غياب التوزيع الطبيعي للبواقي اتساع غير مبرر في فترات الثقة الخاصة بمعاملات الانحدار، مما يعكس ضعفاً كبيراً في دقة التقديرات المعلمية. يؤدي التواء البيانات الشديد إلى جعل القيم المتطرفة تلعب دوراً مفرطاً في تحديد ميل خط الانحدار، مما يرفع من قيمة الخطأ المعياري للتقدير ويقلل من القوة الإحصائية (Statistical Power) للدراسة. ومن هنا، يبرز دور تحويل بوكس-كوكس كأداة تصحيحية تقلل من خطأ التقدير المعياري وتعيد توزيع التشتت بشكل متناسق حول خط الانحدار دون الحاجة إلى حذف المشاهدات المتطرفة أو التقليل من حجم العينة الكلي، وهو أمر جوهري للحفاظ على الصدق الإيكولوجي للبيانات.

يثور في الأدبيات المنهجية جدل مستمر حول الموازنة بين اللجوء إلى التحويلات الرياضية كالتحويل البارامتري لبوكس-كوكس، وبين الانتقال المباشر إلى الاختبارات اللامعلمية البديلة مثل اختبار كروسكال-واليز أو انحدار الرتب. ورغم أن الأساليب اللامعلمية توفر حماية جيدة ضد الانحرافات التوزيعية، إلا أنها تتنازل عن قدر ملحوظ من المعلومات الكمية المتضمنة في المسافات القياسية بين المشاهدات، كما أنها تعجز عن التعامل السلس مع النماذج المعقدة التي تشمل التفاعلات المتعددة والمصاحبات الإحصائية (Covariates). يمثل تحويل بوكس-كوكس الحل الوسط الأمثل؛ إذ يحافظ على القدرة التحليلية العالية للنماذج المعلمية ومرونتها، مع حماية النموذج من عواقب انتهاك الفروض الرياضية.

1.3 علاج معضلة عدم تجانس تباين الخطأ (Heteroscedasticity)

تُعد معضلة عدم تجانس تباين الخطأ من أخطر المشكلات التي تهدد كفاءة نماذج الانحدار الخطي. ويقصد بها الحالة التي لا يكون فيها تباين البواقي ثابتاً عبر المستويات المختلفة للمتغير المستقل، بل يتغير كدالة ترتبط بزيادة أو نقصان القيم التنبؤية. تؤدي هذه الظاهرة إلى بطلان اختبارات الدلالة الإحصائية للتقديرات، نظراً لأن مصفوفة التباين والتباين المشترك للمعلمات المقدرة تصبح غير دقيقة ومتحيزة، مما يعطي انطباعاً زائفاً حول دقة المعاملات المحسوبة.

يسهم تحويل بوكس-كوكس إسهاماً كبيراً في استقرار التباين عبر مختلف مستويات المتنبئ، وذلك بفضل قدرته على تفكيك الارتباط البنيوي الشائع بين المتوسط والتباين. ففي العديد من الظواهر الطبيعية والسلوكية، يزداد التشتت طردياً مع زيادة المتوسط الحسابي؛ وهي خاصية تظهر بوضوح في المتغيرات ذات الطابع التراكمي مثل الدخل، ومعدلات الأداء، أو المقاييس النفسية الحركية كمهام التمييز الإدراكي الموثقة في أبحاث الإدراك مثل دراسة Xie & Myers (2015). رياضياً، يقوم تحويل القوة بضغط القيم المرتفعة بنسبة أكبر من ضغط القيم المنخفضة (عندما تكون λ أقل من 1)، مما يحد من الانتشار المتصاعد للبواقي ويسهم في استواء حزمة البيانات حول خط الاتجاه العام.

إن فض الارتباط بين تباين المتغير ومتوسطه ينعكس إيجاباً على موثوقية النماذج الإحصائية التفسيرية والتنبؤية في أبحاث العلوم الاجتماعية والقياس النفسي. فعندما يستقر التباين، تصبح التنبؤات الصادرة عن النموذج ذات دقة موحدة عبر كامل نطاق المقياس، فلا تتسع مسافات التنبؤ في نهايات المدى القياسي مقارنة ببدايته. يتيح ذلك للباحثين بناء استنتاجات سيكومترية متماسكة قادرة على الصمود أمام الاختبارات المنهجية، وضمان خلو التأثيرات المشاهدة من الانحياز الناتج عن تباين أخطاء القياس عبر المستويات المختلفة للمشاركين.

2. الإطار الرياضي والنظري لتحويل بوكس-كوكس

2.1 المعادلة الرياضية لتحويل بوكس-كوكس ومعلمة القوة (λ)

ترتكز الصيغة الرياضية الكلاسيكية التي قدمها العالمان جورج بوكس وديفيد كوكس في ورقتهما المرجعية التاريخية على عائلة تحويلات قوى وحيدة المعلمة. تُعرَّف هذه الصيغة للمتغير التابع الأصلي، المشترط إيجابيته قطيعاً، وفق الدالة الجزئية الآتية:

عندما تكون قيمة معلمة التحويل لا تساوي الصفر (λ ≠ 0):

y(λ) = (y^λ – 1) / λ

أما عندما تقترب قيمة معلمة التحويل من الصفر (λ = 0)، فإن الصيغة الرياضية تؤول، من خلال تطبيق قاعدة لوبيتال (L’Hôpital’s Rule) الرياضية لفك حالة عدم التعيين، إلى التحويل اللوغاريتمي الطبيعي التام:

y(λ) = ln(y)

إن إدراج حدي الطرح (1-) والقسمة على (λ) في المعادلة ليس مجرد تحسين شكلي، بل هو الأساس الرياضي الذي يضمن اتساق الدالة واستمراريتها عند النقطة الحرجة λ = 0، مما يمنع حدوث انقطاع فجائي في سلوك التحويل الرياضي كلما اقتربت القيمة المقدرة من الصفر. يُمكن هذا البناء الباحثين من تقييم الأثر التدريجي لتغير قيمة لامدا على شكل المنحنى التكراري للمتغير.

ولتقدير القيمة المثلى للمعلمة λ من واقع البيانات الفعلية، يُعتمد على طريقة الإمكانية القصوى (Maximum Likelihood Estimation – MLE). في هذا الإطار، يُفترض أن المتغير المحول y(λ) يتبع توزيعاً طبيعياً بمتوسط μ وتباين σ². وبناءً على محدد مصفوفة الجاكوبي (Jacobian of the Transformation) للانتقال من مقياس y الأصلي إلى المقياس المحول y(λ)، يتم صياغة دالة الإمكانية اللوغاريتمية للملف الشخصي (Profile Log-Likelihood Function). تسعى خوارزميات الاستمثال في حزم البرمجيات المتقدمة إلى تعظيم هذه الدالة عبر البحث في فضاء رقمي متصل لمعلمة λ، وصولاً إلى النقطة التي تحقق أعلى قيمة ممكنة للدالة، وهي النقطة التي تمثل هندسياً قمة منحنى الإمكانية وتناظر النموذج الأفضل من حيث اعتدالية البواقي وثبات تباينها.

2.2 التفسير الإحصائي لقيم معلمات التحويل الشائعة

على الرغم من أن التقدير الحسابي لمعلمة التحويل λ عبر طريقة الإمكانية القصوى قد يسفر عن قيم كسرية متناهية الدقة (مثل λ = 0.237 أو λ = -0.412)، إلا أن العرف الإحصائي المستقر يفضل مطابقة هذه القيمة التقديرية مع أقرب قيمة معيارية مألوفة، شريطة أن تقع القيمة المألوفة ضمن فترة الثقة المحيطة بالتقدير الأقصى. يرجع هذا التفضيل إلى الأهمية البالغة لقابلية النموذج للتفسير والاتساق مع المفاهيم النظرية في التخصصات الأكاديمية المختلفة.

يوضح التحليل الإحصائي الدلالات المنهجية لمجموعة من القيم المعيارية الشائعة لمعلمة القوة λ:

• القيمة λ = 1: تشير هذه القيمة إلى عدم وجود أي تحويل ذي مغزى على البيانات الأصلية، حيث تصبح المعادلة y(1) = y – 1، وهي مجرد إزاحة بمقدار ثابت لا تؤثر على شكل التوزيع أو علاقات الانحدار. تعني هذه النتيجة أن البيانات الأصلية مستوفية بالفعل لافتراضات الاعتدالية والخطية، ولا تتطلب أي تدخل رياضي.
• القيمة λ = 0.5: تمثل هذه الحالة تحويل الجذر التربيعي، وهي الصيغة المثالية لمعالجة البيانات التي تعاني من التواء موجب معتدل. تشيع هذه القيمة في بيانات العدّ الحسابي (Poisson-like processes)، مثل عدد الأخطاء المرتكبة في اختبار معرفي مقنن، كما في دراسات القدرات المعرفية المتنوعة كتلك التي تناولها Damerius et al. (2018).
• القيمة λ = 0: تناظر التحويل اللوغاريتمي الطبيعي (ln y). يُعد هذا التحويل المعيار الذهبي لمعالجة الالتواء الموجب الشديد، وحالات عدم تجانس التباين المتفاقمة حيث يتناسب الانحراف المعياري طردياً مع المتوسط الحسابي. ينتشر استخدام هذه القيمة في قياس أزمنة الاستجابة، والمقاييس النفسية الحيوية، والبيانات الاقتصادية السلوكية.
• القيمة λ = -1: تمثل التحويل العكسي أو التبادلي (Reciprocal Transformation)، حيث يتم تحويل المتغير إلى صيغة (1/y). تناسب هذه القيمة البيانات شديدة التشتت نحو القيم العليا التي تتضمن ذيولاً ممتدة للغاية، مثل معدلات سرعة الإنجاز أو الفترات الزمنية المستغرقة لإتمام مهام معقدة حتى بلوغ معيار النجاح.

2.3 شروط البيانات وتحدي القيم غير الموجبة

يشترط تطبيق صيغة بوكس-كوكس أحادية المعلمة الكلاسيكية شرطاً حاسماً لا يقبل التجاوز، وهو أن تكون جميع قيم المتغير الأصلي موجبة تماماً وبشكل قطعي، أي أن تنتمي القيم للمجال الرياضي (y > 0). ينبع هذا القيد الصارم من استحالة حساب اللوغاريتم الطبيعي للقيم الصفرية أو السالبة، فضلاً عن أن رفع الأعداد السالبة لقوى كسرية يؤدي إلى إنتاج أعداد تخيلية ومركبة تخرج عن نطاق الأعداد الحقيقية التي تقوم عليها النمذجة الإحصائية القياسية.

عند مواجهة مجموعات بيانات تتضمن أصفاراً طبيعية أو قيماً سالبة ناتجة عن درجات معيارية، يقترح المنهج الإحصائي خيارين رئيسيين. يتمثل الخيار الأول في تطبيق “إزاحة البيانات” (Data Shifting) عبر إضافة ثابت عددي موجب (c) إلى كافة المشاهدات بحيث تصبح جميع القيم أكبر تماماً من الصفر، لتصبح الصيغة y + c > 0. يفضل في هذا السياق اختيار أصغر قيمة ممكنة تحقق الشرط دون إحداث تشويه غير مبرر في التوزيع؛ وعادة ما يُقترح استخدام أصغر قيمة موجبة مرصودة أو قيمة ثابتة كـ (1 أو 0.5) حسب طبيعة مقياس الدرجات.

أما الخيار الثاني الأكثر تقدماً ورصانة رياضية، فيتمثل في استخدام “تحويل بوكس-كوكس ذي المعلمتين” (Two-Parameter Box-Cox Transformation)، حيث تُدمج معلمة إزاحة إضافية يُرمز لها بـ (λ₂) جنباً إلى جنب مع معلمة القوة (λ₁)، بحيث تصبح المعادلة:

y(λ₁, λ₂) = ((y + λ₂)^λ₁ – 1) / λ₁ (عندما تكون λ₁ ≠ 0)

ومع ذلك، ينبغي على الباحثين توخي الحذر الشديد عند إدخال ثوابت إزاحة أو معلمات إضافية، إذ تحذر الأدبيات المنهجية من أن اختيار قيمة الثابت c أو المعلمة λ₂ قد يمارس تأثيراً كبيراً على تقدير معلمة القوة النهائية، وقد يغير من الخصائص التوزيعية للبواقي بصورة غير متوقعة، مما يستوجب تبريراً نظرياً كافياً لكل خطوة إزاحة يتم إجراؤها على البيانات الخام.

3. فحص البيانات وتشخيص الحاجة إلى التحويل في بيئة SAS

3.1 بناء مجموعة البيانات واستعراضها عبر خطوة البيانات (DATA Step)

تبدأ الرحلة التطبيقية لتحليل البيانات في بيئة برمجية ساس عبر خطوة البيانات (DATA Step). تمثل هذه الخطوة اللبنة الأساسية لاستيراد أو إنشاء البيانات، والتحقق من بنيتها الأولية، وتجهيز المتغيرات للتحليل الإحصائي اللاحق. يتيح نظام ساس مرونة فائقة في التعامل مع المصفوفات الرقمية وتنسيق المتغيرات السلوكية والكمية بما يضمن أعلى درجات الدقة والامتثال لمعايير المعالجة الحاسوبية.

لبناء مجموعة بيانات تجريبية تحاكي مشكلة شائعة في القياس النفسي—كنمذجة العلاقة بين التوتر النفسي كمتغير مستقل وأزمنة استجابة الأفراد في مهام الانتباه المعقدة كمتغير تابع ملتوي—يتم استخدام التعليمات البرمجية الأساسية. توضح الشفرة الآتية كيفية إدخال بيانات افتراضية تعاني من التواء موجب ملحوظ:

DATA PsychologicalStudy;
    INPUT SubjectID StressLevel ResponseTime @@;
    DATALINES;
1 12 145 2 14 160 3 11 138 4 18 290 5 22 410
6 15 175 7 19 320 8 25 580 9 13 150 10 20 340
11 16 195 12 24 510 13 17 230 14 21 390 15 23 480
16 10 120 17 26 620 18 14 165 19 18 280 20 27 690
;
RUN;

عقب إتمام بناء مجموعة البيانات، يستدعي الباحث الإجراء PROC PRINT لفحص المشاهدات المسجلة والتأكد من عدم وجود أخطاء رقنية أثناء الإدخال. يُعد هذا التدقيق الأولي أمراً حاسماً للتحقق من شروط تحويل بوكس-كوكس؛ إذ يتعين على الباحث التحقق من أن جميع قيم المتغير التابع (ResponseTime) تزيد عن الصفر، ولا تتضمن أية قيم مفقودة (Missing Values) أو غير منطقية قد توقف خوارزمية التقدير الأقصى عن العمل أو تقود إلى نتائج مضللة.

3.2 تقييم اعتدالية المتغير التابع باستخدام PROC UNIVARIATE

قبل الشروع في تطبيق أي نموذج انحدار، يقتضي المنهج الإحصائي الرصين إجراء فحص استكشافي شامل للمتغير التابع لتقييم مدى ابتعاده عن التوزيع الطبيعي. يوفر الإجراء PROC UNIVARIATE في ساس إمكانيات تحليلية واسعة، تجمع بين المقاييس الوصفية الدقيقة والاختبارات الفرضية الصارمة، مدعومة بالمخرجات الرسومية عالية الجودة.

تُنفذ هذه الخطوة التشخيصية عبر الكود التالي:

PROC UNIVARIATE DATA=PsychologicalStudy NORMAL PLOT;
    VAR ResponseTime;
    HISTOGRAM ResponseTime / NORMAL(COLOR=RED);
    PROBPLOT ResponseTime / NORMAL(MU=EST SIGMA=EST);
RUN;

تتيح تعليمة HISTOGRAM المقترنة بالخيار NORMAL رسم المنحنى التكراري الفعلي للبيانات ومطابقته بيانياً مع التوزيع الطبيعي النظري، مما يكشف بصرياً عن وجود التواء موجب ممتد نحو اليمين. وبالتوازي مع ذلك، ترسم تعليمة PROBPLOT مخطط الاحتمال الطبيعي (Q-Q Plot)، والذي يسمح بمراقبة مدى انطباق نقاط البيانات التجريبية على الخط المرجعي المستقيم؛ حيث يشير تقعر النقاط أو انحرافها عن الخط عند الأطراف إلى انتهاك واضح لاعتدالية التوزيع ووجود ذيول ثقيلة.

وعلى الصعيد الرقمي، يُنتج هذا الإجراء جدولاً متكاملاً يحتوي على قيم معامل الالتواء (Skewness) والتفرطح (Kurtosis). وإذا كانت قيمة معامل الالتواء تبتعد بصورة لافتة عن الصفر (أكبر من 1+ مثلاً)، فإن هذا يمثل مؤشراً كمياً قوياً على الالتواء. يُعزز ذلك بالاطلاع على اختبارات التوزيع الطبيعي المدرجة تلقائياً، وأهمها اختبار شابيرو-ويلك (Shapiro-Wilk) المناسب للعينات الصغيرة والمتوسطة، واختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov). وإذا أسفرت هذه الاختبارات عن قيم احتمالية ذات دلالة إحصائية (p < 0.05)، فإن الفرض الصفري القائل باعتدالية توزيع المتغير يُرفض بشكل قاطع، مما يؤكد الحاجة المنهجية لإجراء تحويل رياضي تعويضي.

3.3 ملاءمة نموذج الانحدار الأولي وتشخيص البواقي عبر PROC REG

رغم الأهمية الاستكشافية لفحص المتغير التابع منفرداً، فإن الفرض النظري الجوهري للنماذج الخطية ينصب تحديداً على اعتدالية وتجانس تباين “أخطاء النموذج” (Residuals) وليس المتغير التابع بذاته. بناءً على ذلك، يتمثل الإجراء المنهجي التالي في ملاءمة نموذج انحدار خطي أولي باستخدام الإجراء PROC REG، وتفعيل نظام تسليم المخرجات الرسومية (ODS Graphics) لاستخراج لوحة التشخيص الشاملة للبواقي.

يُصاغ النموذج الأولي برمجياً على النحو التالي:

ODS GRAPHICS ON;
PROC REG DATA=PsychologicalStudy;
    MODEL ResponseTime = StressLevel;
RUN;
ODS GRAPHICS OFF;

تُنتج هذه الخطوة لوحة تشخيصية متقدمة (Fit Diagnostics Panel) تتضمن مجموعة من الرسوم البيانية الحيوية. ويأتي في مقدمتها مخطط البواقي مقابل القيم التنبؤية (Residual vs. Predicted Plot). إذا أظهر المخطط توزيعاً غير عشوائي للبواقي، كأن تتخذ النقاط نمطاً قمعياً أو بوقياً يتسع تدريجياً مع زيادة القيم التنبؤية، فإن هذا يمثل دليلاً بصرياً قاطعاً على مشكلة عدم ثبات التباين (Heteroscedasticity). كما يعرض المخطط توزيع البواقي الطالبية (Studentized Residuals) ومخطط Q-Q للبواقي، والذي يوضح مدى انحراف الأخطاء الفعلية عن التوزيع الطبيعي المعياري.

إن رصد هذا التضافر بين الالتواء الشديد في المنحنى التكراري، وظهور النمط القمعي في مخطط البواقي، ورفض اعتدالية الأخطاء إحصائياً، يضع الباحث أمام ضرورة منهجية لا تقبل الشك للجوء إلى تحويل بوكس-كوكس بوصفه العلاج الأمثل لإعادة النموذج إلى مساره الرياضي القويم وضمان سلامة الاستدلالات العلمية المبنية عليه.

4. تنفيذ تحويل بوكس-كوكس باستخدام الإجراء PROC TRANSREG في SAS

4.1 البنية الأساسية للإجراء PROC TRANSREG وخيارات التحويل

يُعد الإجراء PROC TRANSREG (اختصاراً لـ Transformation Regression) الأداة البرمجية الأكثر تطوراً واكتمالاً في نظام ساس لتنفيذ نماذج الانحدار التحويلي والبحث عن التقديرات المثلى لمعلمات القوة. يتميز هذا الإجراء بقدرته الفائقة على الجمع بين النمذجة الخطية الكلاسيكية والتحويلات غير الخطية للمتغيرات المستقلة والتابعة على حد سواء، مما يجعله الخيار المعياري المعتمد لتطبيق تحويل بوكس-كوكس وفق أرقى الممارسات الإحصائية.

تعتمد فلسفة PROC TRANSREG على السماح للمستخدم بتحديد عائلة التحويل المطلوبة لكل متغير مدرج في النموذج عبر دوال تحويل متخصصة. ولتفعيل الإمكانات التحليلية والبيانية الكاملة لهذا الإجراء، يتم تشغيل نظام الرسوميات المتقدم ODS GRAPHICS، مع توجيه الإجراء لإخراج الرسوم الخاصة بتحويل بوكس-كوكس تحديداً عبر الخيار الموجه PLOTS=(BOXCOX). يضمن ذلك إنتاج تقارير بصرية غنية تلخص دالة الإمكانية وفترات الثقة المحيطة بها بصورة آلية متقنة.

تتضمن البنية العامة للإجراء استدعاء مجموعة البيانات محل التحليل، يليها تحديد المعادلة الهيكلية للنموذج عبر تعليمة MODEL، والتي تحدد بوضوح المتغير التابع الخاضع للتحويل والمتغيرات المستقلة التفسيرية، مع إمكانية إلحاق خيارات متقدمة للتحكم في دقة المخرجات الإحصائية وجداول النتائج المخزنة.

4.2 صياغة تحويل بوكس-كوكس وتحديد نطاق البحث عن المعلمة

تتمثل النواة الصلبة لتنفيذ التحويل في صياغة دالة التحويل BOXCOX المطبقة على المتغير التابع داخل تعليمة MODEL في ساس. يتيح ساس للباحث تحكماً كاملاً في نطاق البحث الشبكي (Grid Search) الذي تعتمده خوارزمية التقدير لاستكشاف قيم المعلمة لامدا، وتحديد حدود البداية والنهاية ومقدار الخطوة الحسابية الفاصلة بين كل قيمة والتي تليها.

يوضح الكود التالي التطبيق العملي الدقيق لهذه العملية:

ODS GRAPHICS ON;
PROC TRANSREG DATA=PsychologicalStudy PLOTS=(BOXCOX);
    MODEL BOXCOX(ResponseTime / LAMBDA=-2 TO 2 BY 0.05) = IDENTITY(StressLevel);
RUN;
ODS GRAPHICS OFF;

في هذه الصياغة البرمجية، تُحدد المعلمة LAMBDA=-2 TO 2 BY 0.05 نطاق البحث ليمتد من القيمة 2- وحتى القيمة 2+، بفاصل دقيق مقداره 0.05. يضمن هذا التحديد تغطية كافة التحويلات الرياضية الكلاسيكية الشائعة (كالتحويل العكسي، واللوغاريتمي، والجذر التربيعي، والتحويل المطابق)، مع توفير دقة كافية لرصد موضع القمة القصوى لدالة الإمكانية.

من الأهمية بمكان ملاحظة استخدام الدالة IDENTITY(StressLevel) على الجانب الأيمن من المعادلة. تُعد هذه الدالة إشارة صريحة للإجراء بالإبقاء على المتغير المستقل (مستوى التوتر) على مقياسه الخطي الخام دون إدخال أي تحويلات رياضية عليه، وهو ما يضمن تركز التحسين التوزيعي بصورة حصرية على المتغير التابع وبواقي النموذج المشتركة. علاوة على ذلك، يوفر الإجراء خيارات متقدمة للتعامل مع البيانات التي تحتوي على أصفار تلقائياً، مثل خيار الإزاحة الفورية عبر المعلمة PARAMETER= التي تتيح إضافة ثابت محدد تلقائياً قبل حساب التحويل.

4.3 تخصيص مخرجات الإجراء وحفظ النتائج في جداول SAS

لا تقتصر كفاءة PROC TRANSREG على توليد التقارير البصرية وحساب المعلمات، بل تمتد لتشمل الإدارة المرنة للبيانات المحولة ونتائج الاختبارات الإحصائية وحفظها ضمن ملفات عمل دائمة أو مؤقتة في ساس لتيسير التحليلات اللاحقة دون الحاجة لإعادة كتابة الأكواد البرمجية الحسابية يدوياً.

يتحقق ذلك من خلال توظيف خيارات التعليمة PROC وخيارات تعليمة MODEL كما يظهر في النموذج المتقدم الآتي:

PROC TRANSREG DATA=PsychologicalStudy OUTTEST=TestResults;
    MODEL BOXCOX(ResponseTime / LAMBDA=-2 TO 2 BY 0.1 OUTPATH=Work) = IDENTITY(StressLevel);
    OUTPUT OUT=TransformedData PREDICTED RESIDUALS;
RUN;

يقوم الخيار OUTTEST=TestResults بإنشاء مجموعة بيانات مخصصة تسجل جدولاً تفصيلياً يضم كافة قيم لامدا التي تم اختبارها، مقرونة بقيمة لوغاريتم دالة الإمكانية المقابلة لكل منها، والخطأ المعياري، ومجموع مربعات البواقي، مما يمكن الباحث من فحص سلوك الدالة رقمياً. أما تعليمة OUTPUT OUT=TransformedData، فتقوم بإنشاء جدول بيانات جديد كلياً يتضمن جميع المتغيرات الأصلية مضافاً إليها المتغير التابع بعد تحويله استناداً إلى القيمة المثلى لـ λ، فضلاً عن القيم التنبؤية المحولة (Predicted Values) والبواقي الناتجة عن النموذج التحويلي.

كما يمكن للباحث استخدام نظام تسليم المخرجات ODS OUTPUT لاستخلاص جداول تقييم التحويل المحددة وحفظها، مثل جدول تفاصيل بوكس-كوكس، عبر كتابة التعليمة البرمجية المباشرة (ODS OUTPUT BoxCoxDetails=BC_Table;)، مما يمنح الباحث مرونة قصوى في أتمتة التقارير الإحصائية ومقارنة النماذج المتعددة برمجياً.

5. تفسير مخرجات الإجراء PROC TRANSREG وتحديد القيمة المثلى لـ λ

5.1 تحليل مخطط دالة الإمكانية اللوغاريتمية (Log-Likelihood Plot)

يمثل مخطط دالة الإمكانية اللوغاريتمية (Box-Cox Log-Likelihood Plot) الناتج عن إجراء PROC TRANSREG قمة التحليل التشخيصي البصري، حيث يترجم العمليات الحسابية المعقدة إلى منحنى هندسي واضح يمكن قراءته وتفسيره بدقة منهجية فائقة. يظهر في هذا المخطط منحنى مقعر أملس يمثل العلاقة بين القيم المختلفة لمعلمة القوة λ ومقدار لوغاريتم دالة الإمكانية المناظر لها.

تتمثل النقطة المحورية الأولى في المخطط في قمة المنحنى (Peak)، والتي تعبر بصرياً عن القيمة التي ترفع دالة الإمكانية إلى حدها الأقصى، وهي القيمة التقديرية الحسابية الأفضل (Best Lambda). ولكن، نظراً لأن هذه القيمة التقديرية تشكل في جوهرها تقديراً نقطياً يخضع لخطأ المعاينة، فإن ساس يرسم خطاً أفقياً متقطعاً يتقاطع مع المنحنى على جانبي القمة. يمثل هذا الخط المرجعي حدود فترة الثقة—والتي تُضبط افتراضياً عند مستوى ثقة 95%—استناداً إلى اختبار نسبة الإمكانية (Likelihood Ratio Test)، حيث ينخفض الخط الأفقي عن القمة بمقدار رياضي يعادل نصف مربع قيمة التوزيع الكايي بدرجة حرية واحدة عند مستوى ألفا المختار (χ²_{(1, 0.05)} / 2 ≈ 1.92).

توفر النقاط التي يتقاطع فيها هذا الخط الأفقي مع منحنى الإمكانية الحدود الدنيا والعليا لفترة ثقة المعلمة λ. يمنح هذا المجال التقديري الباحث رؤية واضحة حول مدى حساسية النموذج؛ فإذا كانت فترة الثقة ضيقة للغاية، دل ذلك على حساسية النموذج العالية ودقة التقدير، في حين تشير فترات الثقة المتسعة إلى مرونة أكبر تسمح بالاختيار بين عدة بدائل رياضية دون التضحية بجودة الملاءمة الإحصائية للبيانات.

5.2 قراءة جدول تقييم معلمات التحويل واختيار القيمة المناسبة

بالتوازي مع المخطط البصري، يطبع ساس جدولاً تشخيصياً بالغ الأهمية يُعرف بجدول تفاصيل بوكس-كوكس (Box-Cox Details Table). يعرض هذا الجدول قيم لوغاريتم دالة الإمكانية المصاحبة لكل قيمة تم فحصها لـ λ، مع تمييز دقيق لثلاث قيم رئيسية تحسم القرار المنهجي للباحث:

القيمة الأولى هي “أفضل قيمة رياضية” (Best Lambda)، وهي القيمة الدقيقة التي عظمّت دالة الإمكانية (ولتكن مثلاً λ = 0.18). والقيمة الثانية هي “القيمة العملية المريحة” (Convenient Lambda)، وهي أقرب قيمة كسرية شائعة أو عدد صحيح يقع ضمن حدود فترة الثقة المقبولة (وفي هذا المثال تكون القيمة المريحة هي λ = 0، أي التحويل اللوغاريتمي الطبيعي). أما القيمة الثالثة، فهي القيمة الحالية للمتغير دون تحويل (λ = 1).

يرتكز القرار الأكاديمي الحكيم على موازنة دقيقة بين الكفاءة الإحصائية البحتة وسهولة التفسير النظري في سياق التخصص الأكاديمي. فإذا كانت القيمة λ = 1 تقع بالكامل خارج حدود فترة الثقة المحددة بمستوى 95%، فإن هذا يقطع بالحاجة الماسة لإجراء التحويل وينفي صحة الاعتماد على البيانات الخام. وفي المقابل، إذا كانت القيمة المريحة (مثل التحويل اللوغاريتمي عند λ = 0 أو الجذر التربيعي عند λ = 0.5) تقع ضمن فترة الثقة، يُفضل الباحثون دوماً اعتماد هذه القيمة المريحة بدلاً من القيمة الدقيقة الشاذة (0.18)؛ إذ يسهل تبرير التحويل اللوغاريتمي ومناقشة نتائجه نظرياً ومقارنته بالدراسات الميدانية السابقة، دون التسبب في تعقيد النموذج الحسابي دون مسوغ إحصائي فارق.

6. تطبيق التحويل المختار وإعادة تقدير النموذج في SAS

6.1 حساب المتغير المتحول يدوياً ضمن خطوة البيانات (DATA Step)

بمجرد الاستقرار المنهجي على القيمة المثلى للمعلمة λ (ولنفرض أنها التحويل اللوغاريتمي الطبيعي λ = 0، أو تحويل القوة λ = 0.5)، تأتي مرحلة تطبيق التحويل وتوليد المتغير الجديد رسمياً في مجموعة البيانات. ورغم أن إجراء PROC TRANSREG قادر على إخراج المتغير المحول آلياً، إلا أن الممارسة الأكاديمية الرصينة في بيئة ساس تحبذ حساب المتغير الجديد يدوياً عبر خطوة البيانات (DATA Step)، لما يوفره ذلك من شفافية منهجية تامة وسهولة في توثيق الكود وإعادة استخدامه ومشاركته في الملاحق البحثية.

تتم كتابة الشفرة البرمجية لحساب المتغير الجديد مع مراعاة الحالة الخاصة للتحويل اللوغاريتمي كما هو موضح في النموذج التالي:

DATA PsychologicalStudy_Transformed;
    SET PsychologicalStudy;
    /* تطبيق التحويل اللوغاريتمي إذا كانت لامدا تساوي صفراً */
    Transformed_RT = LOG(ResponseTime);
    /* أو يمكن تطبيق صيغة بوكس-كوكس المعيارية إذا كانت لامدا كسراً مغايراً للصفر */
    /* Transformed_RT = ((ResponseTime**0.5) – 1) / 0.5; */
    LABEL Transformed_RT = “اللوغاريتم الطبيعي لزمن الاستجابة (بوكس-كوكس لامدا=0)”;
RUN;

يضمن استخدام الدالة LOG() في ساس حساب اللوغاريتم الطبيعي الأساسي بدقة عالية. وفي حال استخدام صيغة التحويل القياسية بقيمة λ أخرى غير الصفر، يتعين الانتباه لترتيب العمليات الحسابية ووضع الأقواس الصحيحة لتفادي أخطاء القسمة غير المقصودة. علاوة على ذلك، يوصى دائماً باستخدام تعليمة LABEL لإرفاق وصف دقيق وشامل لطبيعة التحويل المطبق على المتغير الجديد، مما يحول دون التباس المتغيرات أثناء مراحل التحليل المتقدمة وقراءة المخرجات.

6.2 إعادة ملاءمة نموذج الانحدار الخطي باستخدام PROC REG بالمتغير الجديد

عقب إتمام بناء المتغير التابع المحول، ينتقل الباحث إلى إعادة تقدير نموذج الانحدار الخطي الكلاسيكي، بالاعتماد على المتغير الجديد Transformed_RT في مواجهة المتغير المستقل StressLevel، باستخدام الإجراء PROC REG.

يُصاغ الكود لإجراء التقدير واستخراج مصفوفة التشخيص الجديدة كالآتي:

ODS GRAPHICS ON;
PROC REG DATA=PsychologicalStudy_Transformed;
    MODEL Transformed_RT = StressLevel / WHITE SPEC;
    OUTPUT OUT=ModelDiagnostics
           PREDICTED=Pred_Val
           RESIDUAL=Resid_Val
           STUDENT=Student_Resid
           COOKD=Cooks_Dist;
RUN;
QUIT;
ODS GRAPHICS OFF;

تفتح هذه الخطوة الباب أمام مقارنة دقيقة وشاملة بين مؤشرات كفاءة النموذج قبل التحويل وبعده. يلاحظ الباحث عادة تحسناً ملموساً في قيمة معامل التحديد (R-Square) ومعامل التحديد المعدل (Adjusted R-Square)، مما يعكس قدرة المتغير المستقل على تفسير نسبة أعلى من التباين في المتغير التابع بعد تحريره من التشويه التوزيعي. كما تنخفض قيمة الخطأ المعياري للنموذج الكلي (Root MSE) بشكل نسبي، وتكتسب اختبارات الدلالة الإحصائية (قيم t للمعلمات وقيمة F للنموذج الكلي) موثوقية عالية نظراً لتوافق البيانات الآن مع الفروض الرياضية لنظرية التقدير الخطية.

تسمح تعليمة OUTPUT بحفظ التنبؤات والبواقي المعيارية ومسافات كوك ضمن مجموعة بيانات جديدة باسم ModelDiagnostics، وهي المصفوفة الأساسية التي ستعتمد عليها مرحلة الفحص التشخيصي البعدي للتأكد من استيفاء الفروض الإحصائية بدقة متناهية.

7. التحقق التشخيصي من استيفاء الفروض الإحصائية بعد التحويل

7.1 إعادة فحص اعتدالية بواقي النموذج الجديد

لا ينتهي دور الباحث الإحصائي عند مجرد تطبيق التحويل الرياضي، بل يلزمه التحقق الصارم من أن التحويل قد أدى بالفعل إلى الغرض المستهدف منه، والمتمثل في استعادة التوزيع الطبيعي لأخطاء النموذج. ولهذا الغرض، يُستدعى الإجراء PROC UNIVARIATE مجدداً لتحليل البواقي المستخرجة (Resid_Val) الناتجة عن نموذج الانحدار المعدل.

يتم تطبيق التحليل عبر الكود البرمجي التالي:

PROC UNIVARIATE DATA=ModelDiagnostics NORMAL PLOT;
    VAR Resid_Val;
    HISTOGRAM Resid_Val / NORMAL(COLOR=BLUE);
    PROBPLOT Resid_Val / NORMAL(MU=EST SIGMA=EST);
RUN;

عند مراجعة النتائج الجديدة، يُتوقع ملاحظة تحول جذري في شكل المنحنى التكراري للبواقي، حيث تتخذ الأخطاء شكلاً متماثلاً يشبه الجرس الكلاسيكي المكتمل التناظر. وعلى مخطط الاحتمال الطبيعي (Q-Q Plot)، تظهر نقاط البواقي وهي تصطف بانضباط ملحوظ على طول خط التطابق النظري دون أي انحرافات مقعرة أو محدبة عند الأطراف، مما يعكس اختفاء التفرطح المفرط وانحسار الذيول الطويلة.

وعلى المستوى الاستدلالي، يُظهر جدول اختبارات الاعتدالية ارتفاعاً ملحوظاً في القيمة الاحتمالية لاختبار شابيرو-ويلك (Shapiro-Wilk) لتتجاوز عتبة الدلالة المعتادة (p > 0.05)، مما يعني الفشل في رفض الفرض الصفري، والتأكيد إحصائياً على أن بواقي النموذج الجديد تتبع التوزيع الطبيعي بدرجة موثوقة ومستقرة تلبي متطلبات النمذجة المعلمية بدقة.

7.2 التحقق من استقرار التباين وتلاشي النمطية في البواقي

يتمثل المحك الثاني لنجاح تحويل بوكس-كوكس في معالجة آفة عدم تجانس التباين. وللتحقق من ذلك، يقوم الباحث بفحص مخطط البواقي مقابل القيم التنبؤية للنموذج الجديد ومقارنته بالمخطط الأولي قبل التحويل. تظهر المخرجات الرسومية الحديثة اختفاء النمط القمعي أو البوقي الذي كان سائداً في السابق، ليحل محله انتشار عشوائي متجانس تماماً للنقاط فوق وتحت خط الصفر عبر كامل امتداد المتغير التنبؤي، مما يؤكد انتفاء الارتباط بين حجم التباين ومتوسط الدرجات.

لتعزيز هذا الاستنتاج البصري بأدلة استدلالية قاطعة، يتم الرجوع إلى نتائج الاختبارات الإحصائية الصارمة لتجانس التباين التي تم تفعيلها في كود PROC REG عبر خياري WHITE و SPEC. يختبر اختبار وايت (White’s Test) واختبار بروش-باجان (Breusch-Pagan Test) الفرض الصفري القائل بثبات وتجانس تباين الأخطاء العشوائية. يشير تحول نتيجة هذه الاختبارات في النموذج بعد التحويل من مستوى الدلالة (p < 0.05 قبل التحويل) إلى غياب الدلالة الإحصائية (p > 0.05 بعد التحويل) إلى أن النموذج قد استوفى فرض تجانس التباين بصورة رياضية محكمة لا تقبل الشك، مما يعيد الصلاحية الكاملة للأخطاء المعيارية المحسوبة وفترات الثقة الناتجة عنها.

7.3 رصد القيم الشاذة والنقاط المؤثرة بعد التحويل

غالباً ما ترتبط مشكلات عدم الاعتدالية والالتواء بوجود مشاهدات متطرفة تبدو ظاهرياً كـ “قيم شاذة” (Outliers) تعصف باستقرار خط الانحدار. ولكن الحقيقة المنهجية تشير إلى أن العديد من هذه المشاهدات ليست قيماً شاذة حقيقية ناجمة عن أخطاء في القياس أو إدخال البيانات، بل هي نتاج طبيعي للتوزيع الأصلي غير المتماثل (Skewed Distribution).

من أهم ثمار تطبيق تحويل بوكس-كوكس قدرته البنيوية على تقليص وطأة وتأثير هذه القيم المتطرفة على النموذج الخطي. فمن خلال ضغط القياس في الذيول الممتدة، يعيد التحويل دمج تلك النقاط ضمن النسق العام للبيانات، وهو ما يمكن رصده كمياً من خلال فحص مؤشرات التأثير المتقدمة مثل مسافات كوك (Cook’s Distance) وقيم الرافعة (Leverage/Hat Diagonals) التي تم تخزينها في جدول ModelDiagnostics.

يلاحظ الباحث عند مراجعة قيم Cooks_Dist بعد التحويل انخفاضاً حاداً في قيمها لكافة المشاهدات لتستقر تحت الحدود الحرجة الشائعة (مثل 4/n أو 1.0)، مما يعني زوال التأثير الطاغي لأي مشاهدة فردية على قيم معاملات الميل والقاطع. يُمكّن ذلك الباحث من التمييز الدقيق بين الحالات المتطرفة الناتجة عن شكل التوزيع والتي عالجها التحويل بكفاءة، وبين الحالات الشاذة الناشئة عن أخطاء إدخال حقيقية تظل بارزة حتى بعد التحويل، والتي تستوجب عندئذ التدقيق الفردي أو العزل المنهجي المبرر.

8. تفسير النتائج وإعادة التحويل إلى المقياس الأصلي (Back-Transformation)

8.1 تحديات تفسير المعاملات التنبؤية على المقياس المتحول

على الرغم من النجاح الإحصائي الباهر لتحويل بوكس-كوكس في تحقيق اعتدالية وتجانس التباين، فإنه يفرض في الوقت نفسه تحدياً تفسيرياً معقداً يتعلق بترجمة النتائج ومناقشتها أكاديمياً. فعند تقدير النموذج على مقياس محول (كالمقياس اللوغاريتمي أو مقياس القوة الأسية)، يصبح معامل الانحدار (β) معبراً عن مقدار التغير في “المتغير التابع المحول” لكل وحدة زيادة في المتغير المستقل، وهو ما يفتقر إلى المعنى المباشر في لغة الواقع أو المقياس السلوكي الخام المستخدم في جمع البيانات.

في حالة التحويل اللوغاريتمي (λ = 0)، يُعد التفسير أكثر يسراً نسبياً؛ إذ يمكن تحويل المعامل إلى نسبة مئوية تقريبية للتغير عبر العلاقة الرياضية (100 × β)٪، مما يتيح القول بأن زيادة وحدة واحدة في التوتر النفسي تؤدي إلى زيادة تقريبية في زمن الاستجابة بنسبة مئوية محددة. ومع ذلك، في حال استخدام قيم أخرى للمعلمة (مثل λ = 0.5 أو λ = -0.5)، يصبح التفسير المباشر للمعامل مجرداً للغاية وصعب الفهم لدى القراء غير المتخصصين في الإحصاء الرياضي.

لتجاوز هذه الإشكالية في التقارير والرسائل الأكاديمية، يُنصح الباحثون بصياغة نتائجهم على مرحلتين: المرحلة الأولى تختص بتأكيد الاتجاه العام للعلاقة ودلالتها الإحصائية وقوتها استناداً إلى نتائج النموذج المحول الرصين، مع توضيح أن التحويل الرياضي لم يغير من اتجاه العلاقة (طردية أو عكسية) ولا من جوهر دلالتها. أما المرحلة الثانية، فتتمثل في الاعتماد على أسلوب “التنبؤ بالحالات النمطية” من خلال حساب التقديرات على مقياسها الطبيعي بعد تطبيق معادلات التحويل العكسي، مما يتيح تقديم استنتاجات ملموسة وذات معنى إكلينيكي أو تطبيقي واضح.

8.2 التحويل العكسي للتنبؤات ومتوسطات التقدير

لإعادة تنبؤات النموذج إلى وحدات القياس الأصلية التي يفهمها الباحثون والممارسون (مثل المللي ثانية في قياس أزمنة الرجع، أو الدرجات الخام على مقياس التوتر النفسي)، يُلجأ إلى تطبيق دالة التحويل العكسي (Back-Transformation / Inverse Transformation) على القيم التنبؤية المستخرجة من النموذج المحول.

تُشتق الصيغة الرياضية للتحويل العكسي مباشرة بعكس خطوات صيغة بوكس-كوكس الأصلية:

إذا كانت λ ≠ 0، فإن القيمة التنبؤية على المقياس الأصلي (ŷ_original) تُحسب عبر:

ŷ_original = (λ · ŷ(λ) + 1)^1/λ

أما في حالة التحويل اللوغاريتمي (λ = 0)، فإن التحويل العكسي يتم ببساطة عن طريق تطبيق الدالة الأسية الطبيعية:

ŷ_original = exp(ŷ(0))

يمكن تنفيذ هذه العمليات الحسابية بسلاسة فائقة داخل خطوة البيانات (DATA Step) في ساس لحساب القيم المتوقعة لمجموعة من الأفراد الافتراضيين الذين يمثلون مستويات منخفضة، ومتوسطة، ومرتفعة من المتغير المستقل، كما يوضح الكود التالي:

DATA Predicted_OriginalScale;
    SET ModelDiagnostics;
    /* بافتراض أن التحويل المستخدم كان لوغاريتمياً */
    Predicted_Raw = EXP(Pred_Val);
    LABEL Predicted_Raw = “القيمة التنبؤية المستعادة على المقياس الأصلي”;
RUN;

يسمح هذا الإجراء للباحث بعرض جداول بيانية توضح مثلاً: “عندما يكون مستوى التوتر 10 درجات، فإن زمن الاستجابة المتوقع هو 125 مللي ثانية، في حين يرتفع إلى 450 مللي ثانية عندما يبلغ التوتر 25 درجة”، مما يعيد للنتائج معناها التجريبي المباشر دون التفريط في الدقة الرياضية للنموذج المحول.

8.3 تصحيح التحيز الناتج عن التحويل العكسي (Transformation Bias)

يغفل كثير من الباحثين عن حقيقة رياضية بالغة الأهمية عند إجراء التحويل العكسي، وهي أن التطبيق المباشر للدالة العكسية على القيم التنبؤية لنموذج الانحدار لا يعطي القيمة المتوقعة للمتوسط الحسابي (Mean) على المقياس الأصلي، بل يعطي في حقيقة الأمر تقدير “الوسيط” (Median) للتوزيع الشرطي الأصلي. يعود ذلك إلى تباين جنسن (Jensen’s Inequality) في التحليل الرياضي؛ إذ إن القيمة المتوقعة لدالة غير خطية لا تساوي الدالة المطبقة على القيمة المتوقعة [E(g(y)) ≠ g(E(y))].

يترتب على هذا التباين حدوث تحيز منهجي يُعرف بـ “تحيز التحويل” (Transformation Bias)، حيث تكون التنبؤات المستعادة مباشرة أقل بصورة منتظمة من المتوسط الحسابي الحقيقي للمجتمع. ولعلاج هذا الخلل الإحصائي وتقديم تقديرات غير متحيزة للمتوسطات على المقياس الخام، يقترح المنهج الإحصائي المتقدم تطبيق معامل تصحيح يستند إلى تباين بواقي النموذج المحول (Residual Variance – MSE).

في حالة التحويل اللوغاريتمي، تُصحح القيمة التنبؤية للمتوسط عبر إضافة نصف تباين البواقي (σ²/2) إلى الأس الرياضي وفق معادلة التصحيح المعيارية:

ŷ_{corrected_mean} = exp(ŷ + s² / 2)

أما في صيغ بوكس-كوكس العامة الأخرى (λ ≠ 0)، فيمكن استخدام تقريب متسلسلة تايلور (Taylor Series Expansion) لتصحيح التقدير وفق المعادلة التقريبية:

ŷ_{corrected_mean} ≈ (λ · ŷ + 1)^1/λ × [1 + ((1 – λ) · s²) / (2 · (λ · ŷ + 1)²)]

تضمن برمجة معادلات التصحيح هذه في ساس، وتطبيقها في أبحاث القياس الكمي، تقديم تقارير إحصائية متطورة تتسم بأعلى معايير الدقة العلمية، وتتجنب الوقوع في خطأ التقليل من شأن التقديرات التنبؤية على المقاييس السلوكية والفيزيولوجية المدروسة.

9. تطبيقات متقدمة لتحويل بوكس-كوكس في تصاميم البحوث المعقدة

9.1 تطبيق التحويل في نماذج الانحدار المتعدد والتفاعلات

لا تتوقف كفاءة تحويل بوكس-كوكس عند حدود الانحدار الخطي البسيط ذي المتغير المفرد، بل تمتد لتشكل أداة منهجية محورية في نماذج الانحدار المتعدد والتصاميم العاملية التي تدرس التفاعلات المعقدة بين عدة متغيرات تفسيرية مستمرة وفئوية. في مثل هذه التصاميم، تزداد أهمية استقرار التباين واعتدالية الأخطاء لضمان عدم تداخل التشويه التوزيعي مع التأثيرات التفاعلية الدقيقة بين المتنبئات.

يتيح إجراء PROC TRANSREG في ساس صياغة نماذج انحدار متعددة تضم متغيرات تصنيفية ومصطلحات تفاعل، مع الحفاظ على البحث الشبكي عن أفضل قيمة للمعلمة لامدا، كما يتضح من المثال البرمجي التالي:

PROC TRANSREG DATA=ComplexStudy PLOTS=(BOXCOX);
    MODEL BOXCOX(PerformanceScore / LAMBDA=-2 TO 2 BY 0.1) =
          IDENTITY(StressLevel Age)
          CLASS(Gender InterventionGroup);
RUN;

تسمح تعليمة CLASS بتعريف المتغيرات الفئوية ليقوم ساس بترميزها آلياً، في حين تضمن تعليمة IDENTITY الإبقاء على المتغيرات المستمرة في صيغتها الخطية. ومن القضايا المنهجية الجديرة بالاهتمام في هذا السياق مسألة تقييم استقرار معلمة التحويل λ عبر المجموعات الفرعية؛ إذ ينبغي على الباحث التأكد من أن التحويل المختار للمتغير التابع يعمل بكفاءة متجانسة عبر مستويات المتغيرات الفئوية ولا يخلق تباينات اصطناعية بين المجموعات التجريبية والضابطة، وهو ما يمكن استكشافه عبر مقارنة نماذج بوكس-كوكس المنفصلة لكل فئة على حدة للتأكد من تقارب فترات الثقة لـ λ.

لقد وظفت الدراسات السلوكية المتقدمة هذه النماذج في سياقات تفاعل المتغيرات السلوكية والبيئية المتعددة، كما يظهر على سبيل المثال في أبحاث الأداء الإداري والبيئات التنظيمية المعقدة كدراسة Boehm et al. (2014)، حيث تسهم النمذجة المتقدمة في فك التداخلات غير الخطية بين سمات المجموعات ومخرجات الأداء العام.

9.2 تحويل بوكس-كوكس في إطار النماذج الخطية العامة والمختلطة

تواجه تصاميم القياسات المتكررة (Repeated Measures) والدراسات الطولية (Longitudinal Studies) تحدياً مضاعفاً، حيث يقترن انتهاك اعتدالية البيانات بوجود ارتباط متبادل بين المشاهدات المتكررة المأخوذة من نفس المفحوص عبر الزمن. في مثل هذه البيئات المعقدة، تفرض النماذج الخطية المختلطة (Linear Mixed Models) نفسها كإطار تحليلي أمثل عبر إجراء PROC MIXED في ساس.

ومع ذلك، فإن إجراءات النماذج المختلطة تفترض في بنيتها الأساسية التوزيع الطبيعي للبواقي والتأثيرات العشوائية. ولذلك، يلجأ الباحثون في تصاميم القياسات المتكررة إلى تطبيق تحويل بوكس-كوكس كخطوة تحضيرية أولية عبر PROC TRANSREG لتقدير القيمة المثلى لـ λ التي تضمن تحرير المتغير المقاس من الالتواء وتجانس تباينه قبل إدخاله في مصفوفات التباين والتباين المشترك المتقدمة داخل PROC MIXED، وهو توجه شائع في دراسات التدخلات الممتدة عبر الزمن كدراسة Jardine et al. (2023) حول التدخلات الصحية الرقمية عبر مسارات زمنية متكررة.

وفي المقابل، تطرح الأدبيات المقارنة تساؤلاً جوهرياً حول المفاضلة بين إجراء تحويل بوكس-كوكس من جهة، وبين الانتقال المباشر إلى النماذج الخطية المعممة (Generalized Linear Models – GLM) عبر إجراء PROC GENMOD من جهة أخرى. تعتمد النماذج الخطية المعممة على تحديد توزيع نظري محدد مسبقاً ينتمي إلى عائلة التوزيعات الأسية (مثل توزيع غاما Gamma أو التوزيع الثنائي السالب Negative Binomial) مع دالة ربط (Link Function) مناسبة، دون أي تحويل للبيانات الأصلية.

يمتاز تحويل بوكس-كوكس في هذه المقارنة بكونه حلاً “تجريبياً مرناً” لا يفرض توزيعاً نظرياً مسبقاً على الباحث قد لا يتطابق تماماً مع بياناته، بل يستخلص دالة القوة الأنسب من البيانات ذاتها. كما يسمح بالبقاء داخل إطار النماذج الخطية الكلاسيكية المألوفة التي توفر مقاييس شائعة كمعامل التحديد (R²) وفحوصات تشخيصية غنية مدعومة في أغلب المنصات، في حين تظل النماذج الخطية المعممة البديل المثالي عندما تستند الظاهرة المدروسة إلى مسار رياضي قطعي معلوم سلفاً.

10. أفضل الممارسات الأكاديمية والأخطاء الشائعة في تطبيق بوكس-كوكس عبر SAS

10.1 الأخطاء البرمجية والمنهجية الشائعة وطرق تجنبها

يكشف الفحص المنهجي للبحوث التطبيقية عن وقوع بعض الباحثين في جملة من العثرات المنهجية والبرمجية أثناء تنفيذ تحويل بوكس-كوكس في بيئة ساس، والتي يمكن تلافيها بالالتزام بالقواعد الآتية:

• إدراج بيانات تتضمن أصفاراً دون معالجة مسبقة: يُعد تمرير متغير يحتوي على قيم صفرية أو سالبة إلى دالة BOXCOX دون إضافة ثابت تصحيحي أو استخدام تحويل ثنائي المعلمة خطأً برمجياً فادحاً يؤدي إلى توقف خوارزمية ساس عن التنفيذ أو إخراج رسائل خطأ تفيد بمحاولة حساب لوغاريتم قيمة غير مقبولة، مما يفسد التحليل برمته.
• الإفراط في التحويل في العينات الصغيرة: يؤدي تطبيق تحويلات القوى الموجهة بالبيانات على عينات صغيرة الحجم (أقل من 30 أو 40 مشاهدة) إلى خطر “فرط الملاءمة” (Overfitting) للنموذج؛ حيث تعكس معلمة λ المقدرة حينئذ الخصائص العشوائية الفريدة للعينة المحدودة بدلاً من التعبير عن البنية التوزيعية الحقيقية للمجتمع الأصلي، مما يؤدي إلى فشل فادح عند محاولة تكرار النتائج في عينات مستقلة.
• الاعتماد الحرفي الأعمى على القيمة الحسابية لـ λ: يصر بعض المحللين على استخدام القيمة النقطية الدقيقة للمعلمة (مثل رفع المتغير للأس 0.283) متجاهلين أن هذه القيمة لا تختلف جوهرياً من الناحية الإحصائية عن التحويلات المألوفة (كاللوغاريتم أو الجذر التكعيبي) التي تقع ضمن فترة الثقة، مما يعقد تفسير النموذج ويحرم الباحث من بناء تراكم معرفي متسق مع الدراسات السابقة في مجاله كدراسات التفاعل الأسري ونمو الأطفال الموثقة لدى van der Pol et al. (2016).
• التركيز الحصري على التوزيع الطبيعي وإغفال تجانس التباين: يقع كثير من الباحثين في خطأ تقييم نجاح التحويل بناءً على تحسن اختبار اعتدالية البواقي فقط، متجاهلين فحص مخططات استقرار التباين واختبارات وايت وبروش-باجان. يجب تذكر أن الهدف المزدوج لتحويل بوكس-كوكس هو الجمع بين اعتدالية الخطأ وثبات تباينه؛ وأي إغفال لأحد هذين البعدين يبطل كفاءة النموذج النهائي.

10.2 قواعد التوثيق والنشر الأكاديمي للنماذج المحولة

تقتضي معايير النشر العلمي الرصين الصادرة عن الهيئات الأكاديمية العالمية، كجمعية علم النفس الأمريكية (APA)، درجة عالية من الشفافية والوضوح عند استخدام التحويلات الرياضية المتقدمة في التقارير والبحوث الكمية. لا يجوز للباحث الاكتفاء بذكر أنه “قام بتحويل البيانات لتحقيق الاعتدالية”، بل يتوجب عليه اتباع بروتوكول توثيقي دقيق يعرض كافة التفاصيل الإحصائية المرافقة.

يشمل بروتوكول التوثيق المنهجي الإبلاغ عن الآتي في قسم المنهجية وإجراءات التحليل:

• ذكر المبررات التجريبية والإحصائية التي استدعت التحويل، مع الإشارة إلى نتائج الاختبارات التشخيصية الأولية ومؤشرات الالتواء وعدم تجانس التباين في النموذج الأولي قبل التحويل.
• تحديد الإجراء البرمجي المستخدم في ساس (PROC TRANSREG) ونطاق البحث عن المعلمة (LAMBDA grid range and step size).
• عرض القيمة النقطية لـ Best Lambda المحسوبة، وحدود فترة الثقة المصاحبة لها بمستوى ثقة 95%، وتبرير اختيار القيمة العملية المعتمدة (Convenient Lambda) المستقرة داخل هذا النطاق.
• تقديم مقارنة إحصائية واضحة بين كفاءة النموذج قبل التحويل وبعده، متضمنة التغير في قيم R²، والأخطاء المعيارية، وقيم اختبارات الاعتدالية للبواقي، مع الإحالة إلى المخططات البيانية المقارنة (كالمخطط القمعي للبواقي مقابل المخطط المتجانس) ضمن الملاحق البحثية الإلكترونية للدراسة كأدلة بصرية معتمدة كما يظهر في دراسات التأهيل والتدريب السلوكي كدراسة Paquette & Sullivan (2012) وفي بحوث الأداء المعرفي لذوي صعوبات القراءة لدى Holmqvist et al. (2016) ودراسات الدوافع السلوكية لدى Sánchez Herrera et al. (2022).
• إرفاق الشفرات البرمجية المكتوبة بلغة ساس (SAS Code) كنص إضافي أو كود مفتوح لتعزيز مبادئ العلم المفتوح (Open Science) وتسهيل التحقق المستقل من النتائج وإمكانية إعادة تكرار البحث (Reproducibility).

خاتمة

يمثل تحويل بوكس-كوكس في بيئة ساس أداة إحصائية وتحليلية فارقة تجمع بين الرصانة الرياضية والمرونة التطبيقية في معالجة أعقد المشكلات التوزيعية التي تواجه الباحثين في العلوم السلوكية والاجتماعية والتطبيقية. فمن خلال الانتقال بالباحث من عشوائية التخمين والتحويلات الثابتة الجامدة إلى دقة التقدير الموجه بالبيانات عبر خوارزميات الإمكانية القصوى، يقدم التحويل حلاً منهجياً شاملاً يستعيد اعتدالية الأخطاء العشوائية، ويضمن تجانس تباينها، ويعيد للمقدرات الإحصائية كفاءتها ودقتها الكاملة.

وقد أظهرت الخطوات التحليلية المفصلة في هذا الدليل أن النجاح في توظيف تحويل بوكس-كوكس لا يعتمد على حفظ الأكواد البرمجية فقط، بل يتطلب رؤية إحصائية نقدية واعية تبدأ من التشخيص الدقيق لحاجة البيانات للتحويل عبر PROC UNIVARIATE و PROC REG، وتمر بالاستخدام الاحترافي لإجراء PROC TRANSREG وتفسير مخرجات دالة الإمكانية اللوغاريتمية، وصولاً إلى الفحص التشخيصي الصارم للبواقي بعد التحويل ومعالجة تحيزات التحويل العكسي للتنبؤات على المقياس الأصلي. إن الالتزام بهذه الممارسات الأكاديمية الرصينة، والشفافية التامة في توثيق خطوات التحليل وفق المعايير العلمية، هو الضمان الحقيقي للوصول إلى استنتاجات علمية دقيقة، وموثوقة، وقابلة للتكرار، تسهم بشكل فعال في بناء المعرفة العلمية الرصينة وتطوير نظريات القياس الكمي الحديث.

المراجع

Boehm, S. A., Dwertmann, D. J. G., Kunze, F., Michaelis, B., Parks, K. M., & McDonald, D. P. (2014). Expanding Insights on the Diversity Climate–Performance Link: The Role of Workgroup Discrimination and Group Size. Human Resource Management. https://doi.org/10.1002/hrm.21589

Damerius, L. A., Burkart, J. M., van Noordwijk, M. A., Haun, D. B. M., Kosonen, Z. K., Galdikas, B. M. F., et al. (2018). General cognitive abilities in orangutans (Pongo abelii and Pongo pygmaeus). Intelligence. https://doi.org/10.1016/j.intell.2018.10.008

Gebreab, S. Z., Vandeleur, C. L., Rudaz, D., Strippoli, M.-P. F., Gholam-Rezaee, M., Castelao, E., et al. (2018). Psychosocial Stress Over the Lifespan, Psychological Factors, and Cardiometabolic Risk in the Community. Psychosomatic Medicine. https://doi.org/10.1097/psy.0000000000000621

Holmqvist, M., Wennås Brante, E., & Nyström, M. (2016). The Effect of Illustration on Improving Text Comprehension in Dyslexic Adults. Dyslexia. https://doi.org/10.1002/dys.1545

Jardine, J., Nadal, C., Robinson, S., Enrique, Á., Hanratty, M., & Doherty, G. J. (2023). Between Rhetoric and Reality: Real-world Barriers to Uptake and Early Engagement in Digital Mental Health Interventions. ACM Transactions on Computer-Human Interaction. https://doi.org/10.1145/3635472

Paquette, K. J., & Sullivan, P. (2012). Canadian Curling Coaches’ Use of Psychological Skills Training. The Sport Psychologist. https://doi.org/10.1123/tsp.26.1.29

Sánchez Herrera, S., Cubero Juánez, J., Feu Molina, S., & Durán-Vinagre, M. Á. (2022). Motivation Regarding Physical Exercise among Health Science University Students. International Journal of Environmental Research and Public Health. https://doi.org/10.3390/ijerph19116524

van der Pol, L. D., Groeneveld, M. G., Endendijk, J. J., van Berkel, S. R., Hallers‐Haalboom, E. T., Bakermans‐Kranenburg, M. J., et al. (2016). Associations Between Fathers’ and Mothers’ Psychopathology Symptoms, Parental Emotion Socialization, and Preschoolers’ Social-Emotional Development. Journal of Child and Family Studies. https://doi.org/10.1007/s10826-016-0490-x

Xie, X., & Myers, E. B. (2015). The impact of musical training and tone language experience on talker identification. The Journal of the Acoustical Society of America. https://doi.org/10.1121/1.4904699