كيفية إجراء اختبار غولدفيلد-كوانت في بايثون

يحتل تحليل الانحدار الخطي مكانة مركزية في العلوم الإحصائية والتطبيقية والقياس الاقتصادي، بوصفه الأداة الأساسية لفهم العلاقات السببية والتنبؤ بسلوك المتغيرات الاقتصادية والاجتماعية والطبية. غير أن القوة الاستدلالية لأي نموذج انحدار لا تتوقف فقط على مدى منطقية المتغيرات المضمنة فيه أو ارتفاع قيمة معامل التحديد، بل تعتمد بالدرجة الأولى على مدى استيفاء النموذج لمجموعة من الفروض الرياضية الصارمة المعروفة في الأدبيات الإحصائية الكلاسيكية باسم فروض غاوس-ماركوف. ويأتي في مقدمة هذه الفروض افتراض تجانس تباين الأخطاء العشوائية عبر جميع المشاهدات، وهو الفرض الذي يضمن أن تظل تقديرات المربعات الصغرى العادية متمتعة بصفات الكفاءة والاتساق والفاعلية الاستدلالية.

عندما يختل هذا الافتراض المحوري، يظهر ما يُعرف بمشكلة عدم تجانس التباين أو تباين الأخطاء، مما يؤدي إلى تداعيات خطيرة تقوض مصداقية الاختبارات الإحصائية التقليدية؛ حيث تصبح فترات الثقة غير دقيقة، وتفقد اختبارات الدلالة الإحصائية مثل اختبار «تي» واختبار «فيشر» صلاحيتها العلمية، وهو ما يفتح الباب أمام استنتاجات مضللة قد تقود متخذي القرار والباحثين إلى نتائج خاطئة تماماً. لمواجهة هذا التحدي، طوّر الإحصائيون عبر العقود الماضية ترسانة من الاختبارات التشخيصية المتخصصة في كشف هذا الخلل البنيوي، وتحديد جذوره بدقة متناهية.

يمثل اختبار غولدفيلد-كوانت أحد أقدم وأعمق الاختبارات البارامترية المصممة خصيصاً لرصد عدم تجانس التباين المرتبط بحجم متغير تفسيري محدد. ومع التقدم الهائل في الحوسبة الإحصائية ولغات البرمجة الحديثة، وعلى رأسها لغة بايثون عبر حزمتها القياسية المتخصصة Statsmodels، بات تنفيذ هذا الاختبار المتقدم، وضبط معلماته التفصيلية، وتحليل مخرجاته الرياضية أمراً متاحاً بدقة برمجية فائقة. يقدم هذا الدليل المرجعي الشامل تفصيلاً معمقاً للأسس النظرية والرياضية للاختبار، مترافقاً مع خطوات التطبيق العملي الكامل، واستراتيجيات التعامل مع نتائجه لتصحيح النماذج وضمان سلامتها القياسية.

1. مقدمة إلى اختبار غولدفيلد-كوانت ومفهوم تجانس وتباين الأخطاء

1.1 تعريف اختبار غولدفيلد-كوانت وسياقه الإحصائي

يعود الفضل في ابتكار اختبار غولدفيلد-كوانت إلى الاقتصاديين الأمريكيين البارزين ستيفن غولدفيلد وريتشارد كوانت، اللذين قاما بنشره لأول مرة في عام 1965 ضمن ورقة بحثية رائدة نُشرت في مجلة الجمعية الإحصائية الأمريكية تحت عنوان معالجة مشاكل عدم ثبات التباين في النماذج القياسية. جاء هذا الابتكار استجابةً للحاجة الملحة في الاقتصاد القياسي لتشخيص الأخطاء التي لا ترتبط بالضرورة بمتوسطات المتغيرات ولكن بسلوك تشتتها، لا سيما في الدراسات التي تعتمد على بيانات السلاسل الزمنية السريعة والبيانات المقطعية الواسعة.

يتمحور الهدف الأساسي للاختبار حول التحقق مما إذا كان تباين حد الخطأ العشوائي في نموذج الانحدار الخطي يتغير بنمط رتيب بتغير قيم أحد المتغيرات التفسيرية المستقلة. يفترض الاختبار أن العينة يمكن تجزئتها إلى مجموعتين فرعيتين بناءً على ترتيب تصاعدي أو تنازلي لمتغير كاشف يُشتبه في أنه المحرك الأساسي لعدم تجانس التباين، مما يتيح مقارنة تشتت البواقي بين المستويات الدنيا والمستويات العليا لتحديد ما إذا كان الفارق بينهما ذا دلالة إحصائية جوهرية.

ضمن الهرم الوظيفي للفحوصات التشخيصية لنماذج الانحدار الخطي البسيط والمتعدد، يحتل اختبار غولدفيلد-كوانت موقع الاختبار المعياري للفرضيات الأحادية أو المحددة مسبقاً. وعلى عكس الاختبارات غير المعلمية أو الاختبارات العامة الشاملة، يتميز هذا الفحص بقدرته الإحصائية العالية عندما يمتلك الباحث خلفية نظرية قوية تشير إلى المتغير المستقل المسؤول عن تباين الخطأ، مما يجعله خطوة تشخيصية لا غنى عنها في مراجعة جودة النماذج القياسية وموثوقيتها التنبؤية.

1.2 مفهوم تجانس التباين مقابل عدم تجانس التباين

يقوم التحليل القياسي على التمييز الصارم بين حالتين أساسيتين لتباين الأخطاء: الأولى هي حالة تجانس التباين، وتُعرّف رياضياً بأن التباين الشرطي لحد الخطأ العشوائي، بالنظر إلى مصفوفة المتغيرات التفسيرية، هو قيمة ثابتة ومحددة لا تتغير بتغير قيم المتغيرات المستقلة عبر المشاهدات المختلفة. تعني هذه الفرضية رياضياً أن التباين المشترك للخطأ عند كل نقطة في فضاء البيانات يظل مساوياً لقيمة ثابتة محددة، مما يضمن تشتتاً منتظماً ومتماثلاً لنقاط البيانات حول خط الانحدار المقدّر.

في المقابل، تمثل حالة عدم تجانس التباين خللاً بنيوياً تصبح فيه قيمة التباين الشرطي دالة في قيم المتغيرات التفسيرية أو الزمن أو حجم وحدة المعاينة. يتخذ هذا الخلل أنماطاً متعددة وشائعة في البيانات المقطعية؛ كأن يتسع نطاق تشتت البواقي كلما ارتفع الدخل في دراسات الاستهلاك العائلي، أو يزداد التشتت بزيادة حجم الأصول في الدراسات المالية للمؤسسات، مشكلاً ما يُعرف بالنمط البوقي أو المخروطي. كما قد يتخذ تباين الأخطاء أنماطاً غير خطية، أو يظهر على هيئة قفزات تباينية بين مجموعات فرعية داخل العينة الواحدة.

إن وجود عدم تجانس التباين لا يجرد مقدرات المربعات الصغرى العادية من خاصية عدم التحيز؛ إذ تظل المقدرات متقاربة وتلتقط الاتجاه الحقيقي للعلاقة الرياضية، غير أنها تفقد تماماً خاصية الكفاءة. يعني ذلك أن تباين هذه المقدرات لا يعود الأدنى بين فئات المقدرات الخطية غير المتحيزة، مما يؤدي إلى تشويه مباشر في حساب الأخطاء المعيارية للمقدرات، وبالتالي تضخيم فترات الثقة وانهيار موثوقية القرارات الاستدلالية المبنية على النموذج.

1.3 الافتراضات الأساسية لنماذج الانحدار الخطي الكلاسيكي

تستند موثوقية نماذج الانحدار الخطي الكلاسيكي إلى منظومة متكاملة من الافتراضات التي رسختها مبرهنة غاوس-ماركوف التاريخية. تنص هذه المبرهنة على أنه في حال تحقق خطية العلاقة، وعدم التحيز الشرطي للخطأ، والارتباط الذاتي الصفري بين الأخطاء، وثبات تباين الأخطاء، فإن طريقة المربعات الصغرى العادية تنتج أفضل التقديرات الخطية غير المتحيزة، وهي المكانة الإحصائية التي تعني أن المقدرات تتمتع بأدنى تباين ممكن بين جميع بدائل التقدير المتاحة.

إلى جانب افتراضات غاوس-ماركوف، تشترط النظرية التوزيعية الكلاسيكية أن تتبع الأخطاء العشوائية توزيعاً طبيعياً معتدلاً بمتوسط يساوي صفراً، مع ضرورة استقلالية المشاهدات عن بعضها البعض وتجنب وجود علاقات ارتباط خطي متعدد تام بين المتغيرات التفسيرية. يُعتبر شرط التوزيع الطبيعي ضرورياً لتمكين الاستدلال الإحصائي الدقيق في العينات الصغيرة وتطبيق توزيعات فيشر وتي وبيرسون بثقة رياضية تامة.

تحتل فرضية ثبات التباين موقعاً حرجاً ضمن هذه الهرمية؛ إذ يترتب على غيابها شلل كامل في مبرهنة غاوس-ماركوف. فبدون استقرار التباين، تسقط صفة الأفضلية عن المقدرات، وتتحول الأخطاء المعيارية المحسوبة بواسطة البرمجيات إلى مقاييس غير صالحة تحجب التباين الحقيقي للمعلمات، مما يؤكد أن تشخيص هذا الفرض ليس مجرد ترف رياضي، بل هو ركيزة تأسيسية لضمان سلامة البناء الاستدلالي برمته.

2. الأسس الرياضية والمنهجية لاختبار غولدفيلد-كوانت

2.1 صياغة الفرضيات الإحصائية للاختبار

تبدأ الخطوة المنهجية الأولى في اختبار غولدفيلد-كوانت ببناء الفرضيات الإحصائية المتنافسة التي تحكم القرار العلمي. تنص فرضية العدم على التجانس التام لتباين الأخطاء العشوائية عبر جميع وحدات العينة، وهو ما يمكن التعبير عنه رياضياً بأن تباين الأخطاء في العينة الفرعية الأولى يساوي تماماً تباين الأخطاء في العينة الفرعية الثانية، بحيث يكون كلاهما مساوياً لقيمة التباين النظري العام للنموذج. يمثل قبول هذه الفرضية سلامة النموذج القياسي من تأثير التباين المرتبط بالمتغير المستهدف.

تتفرع الفرضية البديلة إلى ثلاث حالات استدلالية اعتماداً على التوجه النظري المسبق للباحث. تنص الفرضية البديلة أحادية الطرف التصاعدية على أن تباين الأخطاء في العينة الفرعية المرتبطة بالقيم العليا للمتغير التفسيري أكبر من تباين الأخطاء في العينة المرتبطة بالقيم الصغرى، بينما تنص الفرضية البديلة التناقصية على العكس من ذلك تماماً. أما الفرضية البديلة ثنائية الطرف، فتكتفي بافتراض وجود اختلاف رياضي جوهري ومطلق بين تبايني المجموعتين دون فرض مسار مسبق للاتجاه.

يحمل رفض فرضية العدم دلالة نظرية وإجرائية بالغة الأهمية في سياق النمذجة الاقتصادية والقياسية؛ إذ يعد إقراراً إحصائياً قاطعاً بأن تشتت الخطأ العشوائي ليس ظاهرة عشوائية بحتة، بل يرتبط بصورة مباشرة بحجم المتغير الترتيبي، مما يقتضي التخلي الفوري عن أساليب التقدير الكلاسيكية غير الموزونة والبحث عن نماذج بديلة تستوعب هذا التمايز الهيكلي في تشتت الظاهرة المدروسة.

2.2 آلية تقسيم العينة وحساب مجموع مربعات البواقي

تتضمن المنهجية التطبيقية للاختبار آلية رياضية محكمة تبدأ بترتيب جميع مشاهدات العينة ترتيباً دقيقاً (تصاعدياً أو تنازلياً) وفقاً لقيم المتغير المستقل المشتبه في مسؤوليته عن توليد عدم تجانس التباين. يضمن هذا الترتيب تجميع المشاهدات ذات القيم المنخفضة في طرف، والمشاهدات ذات القيم المرتفعة في الطرف المقابل، مما يسمح بعزل سلوك تباين البواقي عبر طيف المتغير التفسيري بكل وضوح.

تتمثل الخطوة التالية في استبعاد نسبة محددة من المشاهدات المركزية الواقعة في منتصف التوزيع المرتب، والتي يرمز لعددها عادة بالرمز الإحصائي المحدد، وتتراوح في الغالب بين خُمس إلى ثلث إجمالي حجم العينة الكلية. يهدف هذا الحذف المتعمد إلى تحسين القدرة الإحصائية للاختبار عبر إحداث فجوة تباينية واضحة بين العينة الفرعية الدنيا والعينة الفرعية العليا، ومنع تأثير المشاهدات الوسطية المتقاربة من تخفيف حدة الفروق التباينية المرجوة بين الطرفين.

بعد استبعاد المشاهدات المركزية، يتم تقسيم البيانات المتبقية بالتساوي إلى مجموعتين فرعيتين مستقلتين، تضم الأولى المشاهدات الصغرى وتضم الثانية المشاهدات الكبرى. يُقدّر نموذج انحدار خطي منفصل لكل مجموعة فرعية على حدة باستخدام خوارزمية المربعات الصغرى العادية، ثم يُستخرج مجموع مربعات البواقي للنموذج الأول والنموذج الثاني، تمهيداً لتوظيفهما في بناء الإحصائية الاختبارية النهائية.

2.3 اشتقاق إحصائية الاختبار والتوزيع الاحتمالي

تعتمد البنية الرياضية لإحصائية اختبار غولدفيلد-كوانت على توزيع فيشر سنيكور الشهير؛ حيث يتم بناء الإحصائية بقسمة مجموع مربعات البواقي للعينة الفرعية ذات التباين الأكبر على مجموع مربعات البواقي للعينة الفرعية ذات التباين الأصغر، مع مراعاة قسمة كل مجموع على درجات حريته المقابلة للوصول إلى متوسط مربعات البواقي الصافي لكل عينة فرعية، وفقاً للمعادلة الرياضية التالية المعبر عنها وصفياً:

إحصائية فيشر تساوي نسبة متوسط مجموع مربعات البواقي في المجموعة الثانية مقسوماً على متوسط مجموع مربعات البواقي في المجموعة الأولى. تتحدد درجات الحرية لكل من البسط والمقام بطرح عدد معلمات النموذج الكلية (بما في ذلك الحد الثابت) من حجم العينة الفرعية الخاصة بكل طرف، وبما أن العينتين متساويتان في الحجم في التصميم القياسي، فإن درجات حرية البسط تتطابق بنيوياً مع درجات حرية المقام.

يتبع هذا المقدار كلياً توزيع فيشر في ظل تحقق فرضية العدم والافتراض الصارم بالتوزيع الطبيعي للأخطاء العشوائية الأصلية. تتم مقارنة القيمة المحسوبة للإحصائية بالقيمة الحرجة المأخوذة من جداول توزيع فيشر عند مستوى معنوية محدد (مثل خمسة بالمائة)، وبناءً على ذلك تقع القيمة إما في منطقة القبول التي تدعم فرضية العدم، أو في منطقة الرفض الحرجة التي تؤكد علمياً ثبوت وجود عدم تجانس التباين الإحصائي.

3. أهمية فحص تباين الأخطاء في تحليل الانحدار

3.1 العواقب القياسية لتجاهل تباين الأخطاء

يترتب على تجاهل فحص ومعالجة تباين الأخطاء في التحليلات القياسية سلسلة من الأضرار الجوهرية التي تمس سلامة الاستدلال العلمي. على الرغم من أن مقدرات المربعات الصغرى العادية تظل غير متحيزة وذات اتساق إحصائي مع نمو حجم العينة، إلا أن هذا الأمان الظاهري يخفي وراءه خللاً فادحاً في مصفوفة التباين والتباين المشترك للمقدرات، حيث لم تعد هذه التقديرات تمثل الحل الأمثل ولا تضمن التباين الأدنى المقبول نظرياً.

تتمثل المشكلة الأكثر خطورة في أن صيغة التباين الكلاسيكية التي تطبقها الحزم الإحصائية افتراضياً تعطي تقديراً متحيزاً بصورة منهجية للأخطاء المعيارية الحقيقية للمعلمات. وفي معظم التطبيقات القياسية الواقعية، تميل هذه الصيغ التقليدية إلى التقليل من الحجم الحقيقي للخطأ المعياري، مما يؤدي بالتبعية إلى تضخيم غير مبرر لقيم إحصاءات اختبار «تي» الخاص بالمعلمات المفردة، واختبار «فيشر» للنموذج الإجمالي، مما يوهم بوجود دلالة إحصائية لعلاقات قد تكون في الأصل معدومة أو ضعيفة جداً.

يؤدي هذا التحيز إلى تشويه كامل لفترات الثقة؛ حيث تصبح هذه الفترات أضيق بكثير مما ينبغي أن تكون عليه في الواقع، مما يخلق ثقة وهمية زائفة في دقة المقدرات. وعند استخدام هذا النموذج المصاب بعدم التجانس في اتخاذ قرارات استراتيجية أو بناء سياسات اقتصادية كلية، فإن هامش الخطأ الحقيقي يتجاوز الحدود المتوقعة، مما يفرز مخاطر مالية وتطبيقية جسيمة كان يمكن تلافيها بالتشخيص الإحصائي الدقيق.

3.2 أسباب نشوء عدم تجانس التباين في البيانات الواقعية

ينشأ عدم تجانس التباين في الظواهر الاجتماعية والاقتصادية نتيجة عوامل هيكلية وسلوكية متأصلة في طبيعة وحدات المعاينة الخاضعة للدراسة. يُعد تأثير التعلم وتراكم الخبرة عبر الزمن من أبرز هذه الدوافع؛ فعندما تخضع المؤسسات أو الأفراد لعملية تعليمية أو تدريبية ممتدة، فإن أداءهم وسلوكياتهم تتفاوت تفاوتاً كبيراً؛ فبعضهم يكتسب المهارة بسرعة متناهية مقللاً احتمالات الخطأ، بينما يتعثر آخرون، مما يخلق تشتتاً غير متكافئ في البواقي مع تقدم الزمن أو تراكم ساعات التدريب.

تتجلى الفروق الفردية وتباين السلوك البشري بوضوح عند دراسة المتغيرات النقدية ذات المستويات المرتفعة؛ ففي نماذج الإنفاق العائلي المرتبطة بالدخل، يمتلك أصحاب المداخيل المنخفضة خيارات استهلاكية محدودة تحصر إنفاقهم على السلع الضرورية، مما يجعل تباين استهلاكهم ضيقاً ومنتظماً جداً. في المقابل، يمتلك أصحاب المداخيل المرتفعة حرية واسعة وتنوعاً هائلاً في أوجه الإنفاق بين الاستثمار والادخار وشراء الكماليات المتباينة، مما يجعل تباين بواقي الاستهلاك عند مستويات الدخل العليا أوسع بكثير مقارنة بالمستويات الدنيا.

تسهم أخطاء القياس ووجود القيم المتطرفة والشاذة بشكل جوهري في إحداث وتعميق تباين الأخطاء. ففي المسوح الميدانية، قد تزداد دقة القياس مع المؤسسات الكبرى التي تمتلك أنظمة حوسبة متقدمة بينما تنخفض الدقة مع المشاريع الصغيرة، أو العكس، فضلاً عن أن تضمين مشاهدات ذات قيم شاذة على أطراف التوزيع التفسيري يؤدي حتماً إلى جذب خط الانحدار بقوة غير متكافئة، مما يولد تباينات شاذة في البواقي تكفي لتدمير فرضية التجانس الكلاسيكية.

3.3 دور الفحوص التشخيصية في تحسين جودة النماذج التنبؤية

تشكل الفحوص التشخيصية المتخصصة لتباين الأخطاء صمام الأمان الفاصل بين النماذج الرياضية المجردة والتطبيقات الواقعية الموثوقة. إن التحقق الاستباقي من استيفاء شروط الانحدار يمنح صانعي السياسات ومتخذي القرار أساساً متيناً للاعتماد على النتائج؛ إذ يضمن أن العلاقات التنبؤية المعروضة ليست مجرد مصادفات إحصائية ناتجة عن خلل في الأخطاء المعيارية، بل تعكس آليات حقيقية مستقرة قابلة للتكرار في المستقبل.

يساعد الاكتشاف المبكر لعدم تجانس التباين على إدارة المخاطر التنبؤية بدقة متناهية؛ فالنماذج التي تعاني من هذا الخلل قد تقدم تنبؤات ذات مجالات ثقة متساوية ظاهرياً عبر مختلف نطاقات المتغيرات التفسيرية، في حين أن الدقة التنبؤية الحقيقية تنهار تماماً عند المستويات العليا للمتغير. ومن خلال إجراء الفحوص الدقيقة، يتمكن الباحث من إعادة ضبط فترات التنبؤ لتصبح متسعة ومتناسبة مع حجم عدم التيقن الفعلي في كل شريحة من شرائح العينة.

تمثل هذه الفحوص التشخيصية الممر الإلزامي الذي يوجه الباحث نحو اختيار العلاج الإحصائي الأمثل قبل اعتماد النموذج في صورته النهائية. فسواء أكان الحل يتطلب الانتقال إلى نماذج المربعات الصغرى الموزونة، أو تطبيق التحويلات الرياضية اللوغاريتمية المناسبة، أو الاستعانة بمصفوفات التباين القوية، فإن نقطة الانطلاق الحاسمة تتجسد دائماً في امتلاك أداة كشف تشخيصية فائقة الحساسية كاختبار غولدفيلد-كوانت.

4. إعداد بيئة العمل البرمجية والمكتبات الأساسية في بايثون

4.1 تثبيت وضبط حزم بايثون الإحصائية

يتطلب التحليل الإحصائي المتقدم في بايثون بناء بيئة عمل مستقرة ومتوافقة تضم أحدث الحزم البرمجية الموجهة للقياس الكمي. تحتل مكتبة Statsmodels الصدارة المطلقة في هذا المجال؛ نظراً لأنها توفر البيئة الرياضية الأقرب إلى البرمجيات الإحصائية التقليدية المتخصصة مثل R وStata، وتتيح إجراء اختبارات الفروض التشخيصية والوصول إلى المصفوفات البنائية لنماذج الانحدار بدرجة غير مسبوقة من الشفافية والتحكم البرمجي.

بالتوازي مع مكتبة النمذجة الإحصائية، لا غنى عن تثبيت وتحديث حزمة Pandas التي تشكل العمود الفقري لإدارة ومعالجة هياكل البيانات الجداولية وإطارات البيانات داخل بايثون. تتيح هذه الحزمة التعامل مع الأعمدة، وتنفيذ عمليات الفرز والترتيب والتنقية الحسابية، واستبعاد المشاهدات المنطقية، وإعادة فهرسة المتجهات الرقمية بيسر وسرعة فائقة.

تكتمل البيئة البرمجية بتجهيز حزمتي NumPy وMatplotlib وحزمة Seaborn التابعة لها. تؤمن حزمة NumPy العمليات الجبرية المتجهة، والحسابات المصفوفية فائقة السرعة، وتوليد الأرقام شبه العشوائية لمحاكاة البيانات، بينما تؤمن حزمتا Matplotlib وSeaborn أدوات العرض البياني عالية الدقة التي تمكن الباحث من رسم البواقي واكتشاف الأنماط المكانية للتشتت بصرياً قبل الانتقال إلى الحسابات الرقمية الصارمة.

4.2 استيراد الدوال والوحدات اللازمة للاختبار

يبدأ البناء البرمجي للاختبار باستدعاء الوحدات الوظيفية المحددة بدقة؛ حيث توفر مكتبة Statsmodels دالة الفحص المباشرة والمعروفة برمجياً باسم دالة فحص غولدفيلد-كوانت للتباين ضمن وحدة الفحوصات التشخيصية. يستلزم الاستدعاء السليم استيراد الوحدة المحددة مباشرة لتجنب استهلاك الموارد الحاسوبية وضمان وضوح المسار البرمجي داخل الأكواد التحليلية المعقدة.

إلى جانب دالة الاختبار المباشرة، يتطلب إتمام الإجراءات استيراد واجهات برمجة النماذج الخطية المتاحة في مكتبة Statsmodels، وتحديداً واجهة برمجة التطبيقات القياسية التي توفر خوارزميات المربعات الصغرى العادية المباشرة، بالإضافة إلى دوال معالجة المصفوفات مثل دالة إضافة الحد الثابت. كما يمكن استيراد واجهة الصيغ الرياضية المبنية على صيغ باكر الإحصائية الشهيرة، والتي تتيح بناء النماذج بصيغ نصية شبيهة بلغة البرمجة الإحصائية R لزيادة المقروئية.

يعد تنظيم استيراد التبعيات وتحديد إصدارات الحزم بدقة ممارسة برمجية حاسمة لضمان قابلية إعادة الإنتاجية العلمية للأبحاث؛ إذ تخضع المكتبات البرمجية لتحديثات مستمرة قد تغير من الترتيب الافتراضي للمدخلات أو المخرجات الإحصائية. لذا، يُنصح دائماً بتسجيل أرقام الإصدارات في مستند التبعيات البرمجية الخاص بالمشروع، مما يضمن أن تشغيل الكود في أي بيئة حوسبية لاحقة سيعطي النتائج الإحصائية والقيم الاحتمالية ذاتها بدقة تامة دون تفاوت.

4.3 تجهيز بيئة التطوير التفاعلية

تمثل دفاتر جوبيتر التفاعلية أو بيئات دفاتر الحوسبة السحابية مثل غوغل كولاب الخيار المثالي لتنفيذ اختبارات التشخيص الإحصائي؛ إذ تسمح للباحث بتشغيل الكتل البرمجية بصورة تدريجية ومنفصلة، مع إمكانية عرض الجداول الإحصائية والرسومات البيانية والمخرجات النصية في مسار بصري واحد متصل يدعم التفكير الاستكشافي والتفسير المتأني لكل مرحلة من مراحل النمذجة.

لضمان تجربة قراءة وتحليل ممتازة، يجب ضبط إعدادات العرض الرقمي الافتراضية داخل حزمة Pandas، مثل تحديد عدد الخانات العشرية المعروضة للأرقام العائمة عند أربع أو ست خانات لمنع اقتطاع القيم الاحتمالية البالغة الصغر، وضبط الحجم الأقصى لعرض الأعمدة والصفوف لتجنب إخفاء المتغيرات المؤثرة في مخرجات جداول التباين وتحليل الانحدار.

تتضمن الخطوة التحضيرية الأخيرة التحقق التام من التكامل الوظيفي بين المكتبات وتوافق أنواع البيانات الرقمية بين مصفوفات NumPy وإطارات Pandas؛ حيث يجب التأكد من عدم وجود تضارب في تهيئة المعالجات الحسابية أو تعارض في مكتبات الربط الديناميكي للعمليات الرياضية. يضمن هذا الفحص الأولي تدفق البيانات بسلاسة فائقة داخل دوال التقدير والاختبار التشخيصي دون مواجهة أخطاء برمجية مفاجئة أثناء التشغيل الفعلي.

5. بناء وهيكلة مجموعة البيانات التجريبية في بايثون

5.1 إنشاء إطار بيانات تفاعلي باستخدام pandas

لإرساء فهم تطبيقي متين وواقعي، سنقوم ببناء سيناريو تعليمي واقعي يحاكي دراسة أثر الجهد الأكاديمي على التحصيل الدراسي النهائي للطلاب في بيئة جامعية. نفترض في هذا السيناريو أن لدينا مائة طالب تم قياس أدائهم الأكاديمي عبر ثلاثة متغيرات محورية: عدد ساعات الدراسة الأسبوعية المخصصة للمادة، وعدد الاختبارات التجريبية التي خاضها الطالب قبل الاختبار النهائي، والدرجة النهائية المحرزة في الاختبار المعياري للمقرر.

يتم توليد هذه البيانات افتراضياً بطريقة مقصودة ومدروسة رياضياً عبر استخدام محاكي الأرقام في بايثون؛ بحيث يُبنى تباين الخطأ العشوائي ليصبح دالة طردية متزايدة في عدد ساعات الدراسة. وبذلك، يحافظ الطلاب الذين يدرسون ساعات قليلة على أداء متقارب ودرجات متجانسة حول المتوسط المنخفض، في حين يؤدي ارتفاع ساعات الدراسة لدى فئة أخرى إلى تشتت هائل في النتائج؛ فمنهم من يترجم الساعات إلى تفوق استثنائي، ومنهم من يعاني من صعوبات تعلم تجعل تحصيله متواضعاً رغم الساعات الطويلة.

يتم تجميع هذه المتجهات الرياضية المدمجة بالنمط التبايني المستهدف داخل إطار بيانات رسمي من نوع Pandas، مع تسمية الأعمدة بأسماء واضحة باللغة العربية أو الرموز القياسية المقابلة، وتعيين الأنواع البيانية الصحيحة للأعمدة كأرقام عائمة دقيقة التمثيل؛ لضمان تفاعل خوارزميات الانحدار معها دون أي تقريب مخل بالبنية التشتتية الكامنة في البيانات.

5.2 فحص البيانات والتحقق من جودتها

تعد مرحلة التدقيق الأولي لجودة البيانات ركيزة أساسية تسبق أي تطبيق قياسي؛ حيث يتعين فحص إطار البيانات للتأكد المطلق من خلوه التام من أي قيم مفقودة أو خانات غير معرفة عددياً، إذ يؤدي وجود أي قيمة غير معرفة إلى تعطيل خوارزميات التقدير أو إسقاط المشاهدات تلقائياً بطريقة قد تشوه ترتيب العينة المطلوب في اختبار غولدفيلد-كوانت.

يعقب ذلك حساب منظومة الإحصاءات الوصفية الشاملة لمتغيرات الدراسة، والتي تشمل مقاييس النزعة المركزية كالمتوسط والوسيط، إلى جانب مقاييس التشتت كالانحراف المعياري والتباين والمدى والمدى الربيعي، بالإضافة إلى معاملي الالتواء والتفرطح. يساعد فحص هذه المقاييس على التأكد من منطقية نطاقات المتغيرات وعدم وجود انحرافات غير واقعية تمس طبيعة الظاهرة التعليمية المدروسة.

يتضمن الفحص الاستكشافي أيضاً رصد القيم الشاذة والمتطرفة باستخدام المخططات الصندوقية ومقاييس الدرجات المعيارية؛ إذ إن وجود قيمة شاذة وحيدة متطرفة في أقصى ذيل المتغير التفسيري قد يرفع مجموع مربعات البواقي للعينة الفرعية بصورة زائفة، مما يولد انطباعاً كاذباً بوجود عدم تجانس التباين حتى لو كانت بقية البيانات متجانسة تماماً، وهو ما يفرض الحذر والتحقق من سلامة كل نقطة بيانية قبل الانتقال للنمذجة.

5.3 تحديد المتغيرات المستقلة والتابعة للنموذج

في هذه المرحلة المنهجية، يتم عزل المتغير التابع المستهدف بالدراسة والتنبؤ، والذي يتمثل في الدرجة النهائية للطالب، ووضعه في متجه رياضي مستقل. في المقابل، تُجمع المتغيرات المستقلة المفسرة، والمتمثلة في ساعات الدراسة وعدد الاختبارات التجريبية، ضمن مصفوفة تصميم تفسيرية مخصصة تشكل الأساس الرياضي لتقدير معلمات العلاقة الخطية.

تتطلب البنية الرياضية لتقديرات الانحدار الخطي عبر المربعات الصغرى العادية إضافة عمود كامل من الآحاد إلى مصفوفة المتغيرات المستقلة ليمثل الحد الثابت في معادلة الانحدار. تتيح مكتبة Statsmodels إنجاز هذه الخطوة الحاسمة بسلاسة بالغة عبر استدعاء دالة إضافة الحد الثابت، مما يضمن تقديراً دقيقاً للتقاطع الرأسي للنموذج، وتفادي افتراض مرور خط الانحدار بنقطة الأصل الذي قد يؤدي إلى تحيزات قياسية جسيمة في البواقي.

يتم بعد ذلك فحص مصفوفة المتغيرات المستقلة للتحقق من أبعادها الهندسية وتوافق رتبتها الرياضية، والتأكد من عدم وجود علاقات ارتباط خطي تام بين المتغيرات التفسيرية، مما يمهد الطريق بصورة آمنة لتشغيل خوارزميات التقدير واستخراج مخرجات النمذجة بثقة إحصائية مطلقة.

6. تقدير نموذج الانحدار الخطي واستخراج البواقي

6.1 بناء وملاءمة نموذج الانحدار الخطي عبر OLS

تتم عملية بناء وملاءمة النموذج الخطي عبر استدعاء صنف المربعات الصغرى العادية من مكتبة Statsmodels، وتمرير المتجه التابع ومصفوفة المتغيرات المستقلة التي تم إعدادها وإضافة الحد الثابت إليها. يقوم هذا الكائن البرمجي بصياغة البنية الجبرية للنموذج تمهيداً لحل المعادلات الطبيعية وتحديد قيم المعلمات التي تجعل مجموع مربعات الأخطاء عند أدنى مستوى ممكن.

يتم تنفيذ الملاءمة الحسابية باستدعاء دالة الملاءمة المرتبطة بالكائن، والتي تطبق خوارزميات التحليل المصفوفي لحساب المعلمات المقدرة، ومصفوفة التباين والتباين المشترك، والأخطاء المعيارية الافتراضية. يُنتج هذا الإجراء كائناً غنياً بالمعلومات يحتوي على السجل الإحصائي الكامل لنتائج الانحدار وقيم المعلمات وإحصاءات الاختبارات الكلاسيكية.

يتيح استعراض الجدول التلخيصي الشامل للنموذج قراءة فورية لقيم المعلمات المقدرة وإشاراتها المنطقية، ومقارنتها بالفرضيات النظرية المسبقة، فضلاً عن التحقق من معنوية كل متغير عبر إحصائية «تي» وقيمها الاحتمالية المقابلة. كما يوفر الجدول قيمة معامل التحديد ومعامل التحديد المعدل، اللذين يعكسان النسبة المئوية من التباين الكلي في الدرجات النهائية التي استطاع النموذجان المفسران (ساعات الدراسة والاختبارات التجريبية) تفسيرها بدقة.

6.2 استخراج وفحص بواقي النموذج

يمثل الباقي الإحصائي الفارق الحسابي الفعلي بين القيمة الحقيقية للمتغير التابع المقاسة ميدانياً، والقيمة التنبؤية المقدرة التي يفرزها خط الانحدار عند كل نقطة بيانية. يتم استخراج هذا المتجه الحيوي مباشرة من كائن النموذج المقدر، حيث يُحفظ في متغير مستقل ليمثل الأساس الخام الذي تُبنى عليه كافة الاختبارات التشخيصية اللاحقة.

تقتضي الممارسة الإحصائية الرصينة إجراء فحص تدقيقي للبواقي المستخرجة للتأكد من استيفاء شروطها الجبرية الأساسية؛ وفي مقدمتها أن يكون المتوسط الحسابي الإجمالي للبواقي مساوياً للصفر الإحصائي (ضمن حدود الخطأ الحسابي العائم للآلة)، وهو الشرط الحتمي الذي تضمنه طريقة المربعات الصغرى العادية في حال وجود الحد الثابت ضمن معادلة النموذج.

لتعزيز إمكانيات التحليل والربط اللاحق، يتم دمج متجه البواقي المستخرجة ومتجه القيم التنبؤية المقابلة مباشرة داخل إطار البيانات الأساسي جنباً إلى جنب مع المتغيرات الأصلية. يتيح هذا الدمج الهيكلي إجراء عمليات الترتيب والفرز المشترك بين البواقي والمتغيرات التفسيرية، ويسهل استدعاء البيانات في دوال الرسم البياني والاختبار البرمجي دون تعقيدات برمجية.

6.3 التحليل الاستكشافي البصري للبواقي

يعد الفحص البصري للبواقي الخطوة الاستكشافية التي تسبق وتوجه الاختبارات الرياضية الرسمية؛ إذ يمنح الباحث حساً حدسياً بطبيعة المشاكل القياسية الكامنة في النموذج. يتم بناء هذا الفحص بإنشاء مخطط تشتت بياني عالي الدقة يضع القيم التنبؤية للنموذج على المحور الأفقي في مواجهة قيم البواقي المستخرجة على المحور الرأسي، مع رسم خط أفقي مرجعي يمثل الصفر لتحديد توازن التوزيع.

في حالة تحقق تجانس التباين المثالي، تظهر نقاط البواقي مبعثرة بصورة عشوائية منتظمة وموحدة حول خط الصفر الأفقي، بحيث تشكل نطاقاً مستطيلاً متساوي العرض عبر جميع مستويات القيم التنبؤية، دون أي مؤشر على اتساع أو ضيق في حدود التشتت، مما يدل على استقلال تباين الخطأ عن مستوى التنبؤ.

في المقابل، إذا كانت البيانات تعاني من عدم تجانس التباين، فإن المخطط البياني يفصح فوراً عن نمط هندسي مميز؛ حيث يتخذ التشتت شكلاً بوقياً أو مخروطياً يبدأ ضيقاً جداً عند القيم التنبؤية المنخفضة ثم يتسع باطراد مع ارتفاع القيم التنبؤية. إن ظهور مثل هذا النمط البصري عند رسم البواقي في مواجهة متغير ساعات الدراسة تحديداً يمثل الدليل الاستكشافي القاطع الذي يبرر ويستوجب إجراء اختبار غولدفيلد-كوانت الرياضي الصارم للتحقق من المعنوية الإحصائية لهذا التباين الظاهري.

7. التنفيذ البرمجي لاختبار غولدفيلد-كوانت خطوة بخطوة

7.1 استدعاء دالة het_goldfeldquandt وتمرير المدخلات

تُنفذ المعالجة الحسابية للاختبار في بايثون عبر استدعاء الدالة المباشرة المضمنة في وحدة الفحوصات التشخيصية بمكتبة Statsmodels. تتطلب هذه الدالة مدخلين أساسيين وإلزاميين في تركيبتها البرمجية: الأول هو المتجه الرقمي للمتغير التابع (أو متجهات البواقي بحسب طريقة التمرير المرغوبة)، والثاني هو مصفوفة المتغيرات المستقلة المكتملة التي تتضمن الحد الثابت.

إلى جانب المدخلات الأساسية، تتيح الدالة تمرير معلمات إضافية شديدة الأهمية للتحكم في سلوك الاختبار الرياضي. ومن أبرز هذه المعلمات معلمة تحديد المتغير الترتيبي، والتي تأخذ فهرس العمود الرقمي في مصفوفة المتغيرات المستقلة المسؤول عن ترتيب المشاهدات. في السيناريو الأكاديمي المطبق، يتم تحديد الفهرس الخاص بمتغير ساعات الدراسة لتوجيه الدالة لفرز العينة وفقاً له قبل بدء عملية التقسيم.

تُرجع الدالة عند تنفيذها صفاً برمجياً يحتوي على ثلاثة مخرجات رقمية رئيسية يجب استقبالها في متغيرات واضحة المعالم: المخرج الأول هو قيمة إحصائية فيشر المحسوبة للاختبار، والمخرج الثاني هو القيمة الاحتمالية المقابلة المحسوبة بدقة استناداً إلى توزيع فيشر بدرجات الحرية المناسبة، بينما يمثل المخرج الثالث توصيفاً نصياً للفرضية البديلة المعتمدة في الفحص التشغيلي.

7.2 كتابة سكريبت بايثون الكامل لتشغيل الفحص

تقتضي الممارسات البرمجية الرصينة كتابة كود تنفيذي متكامل ومعياري يبدأ بتهيئة البيانات وتقدير النموذج، مروراً باستدعاء دالة الاختبار وضبط معلماتها، وانتهاءً بطباعة النتائج الإحصائية في قوالب نصية منسقة بوضوح. يجب أن يتضمن الكود تعليقات شارحة ومفصلة باللغة العربية توضح الوظيفة الرياضية لكل أمر برمجي لتسهيل المراجعة وتدقيق العمليات الحسابية.

يتم داخل السكريبت تحديد معلمات الاستبعاد بدقة؛ كأن يتم ضبط معلمة حذف المشاهدات الوسطية بنسبة مئوية واضحة (مثل استبعاد عشرين بالمائة من البيانات المركزية) لتعزيز حساسية الاختبار وقوته الإحصائية، مع ضبط معلمة الفرضية البديلة لتتوافق مع التوقع النظري بتزايد التباين مع زيادة ساعات الدراسة، مما يضمن اتساق التصميم التجريبي بالكامل.

في مرحلة إخراج النتائج، يقوم السكريبت بتنسيق الأرقام العشرية الناتجة عن إحصائية فيشر والقيمة الاحتمالية بدقة محددة عبر استخدام قوالب النصوص المتقدمة في بايثون، مع تضمين جمل شرطية تفاعلية تقارن القيمة الاحتمالية بمستوى الدلالة المعتمد (خمسة بالمائة)، وتطبع حكماً نصياً تلقائياً يوضح ما إذا كانت البيانات ترفض فرضية تجانس التباين أم تعجز عن رفضها، مما يمنح الباحث تقريراً فورياً واضح المعالم.

7.3 التعامل مع الحالات الخاصة أثناء التنفيذ

قد تعترض المبرمج والباحث أثناء تشغيل اختبار غولدفيلد-كوانت حالات برمجية وبيانية خاصة تتطلب معالجة استباقية دقيقة. من أبرز هذه الحالات التعامل مع البيانات غير المرتبة مسبقاً؛ حيث تعتمد الدالة على فهرس الترتيب التلقائي، غير أن وجود قيم مكررة أو متطابقة في المتغير الترتيبي قد يؤدي إلى تشويش في الفواصل التمايزية بين المجموعتين الفرعيتين، مما يفرض في بعض الأحيان فرز إطار البيانات يدوياً في Pandas قبل التمرير للدالة لضمان استقرار النتائج.

تتمثل إحدى العقبات الشائعة أيضاً في أخطاء نقص درجات الحرية أو رتبة المصفوفات؛ فإذا كانت العينة صغيرة للغاية وقام الباحث باستبعاد نسبة كبيرة من المشاهدات الوسطية مع وجود عدد كبير من المتغيرات التفسيرية، فإن عدد المشاهدات في العينة الفرعية المتبقية قد يقترب من عدد المعلمات المطلوب تقديرها أو يقل عنها. يؤدي هذا الخلل الهندسي إلى إنتاج مصفوفة غير قابلة للعكس وظهور أخطاء برمجية جبرية تعطل حساب مجموع مربعات البواقي.

علاوة على ذلك، يجب الانتباه إلى التوافقات بين الإصدارات البرمجية لمكتبة Statsmodels؛ إذ تختلف بعض المسميات الافتراضية للمعلمات الإضافية أو طرق إرجاع المخرجات بين الإصدارات القديمة والحديثة. لذلك، فإن تضمين كتل معالجة الاستثناءات البرمجية داخل السكريبت يوفر حماية للأكواد التشخيصية ضد التوقف المفاجئ، ويتيح رسائل تنبيهية مخصصة تشير بوضوح إلى سبب الخلل وطريقة تصحيحه بيسر.

8. تفسير المخرجات الإحصائية واتخاذ القرار العلمي

8.1 تفسير قيمة إحصائية فيشر المحسوبة

تمثل إحصائية فيشر المحسوبة المخرجة من دالة غولدفيلد-كوانت جوهر المقارنة الهندسية بين تشتتي المجموعتين الفرعيتين؛ فهي حاصل القسمة المباشر لمتوسط مجموع مربعات بواقي العينة الفرعية ذات التباين الأكبر على نظيره في العينة الفرعية ذات التباين الأصغر. تعكس هذه القيمة مقدار التضاعف النسبي في حجم تشتت الأخطاء بين المستويات العليا والمستويات الدنيا للمتغير الترتيبي.

إذا كانت قيمة إحصائية الاختبار قريبة جداً من الواحد الصحيح (أو تتراوح حوله بصورة ضيقة)، فإن ذلك يعد دليلاً حسابياً مباشراً على تطابق أو تقارب تباين البواقي بين نصفي العينة، مما يعني أن تشتت الأخطاء يظل منتظماً ومتماثلاً بغض النظر عن قيمة المتغير التفسيري، وهو ما يدعم مباشرة تحقق فرضية تجانس التباين الكلاسيكية وسلامة افتراضات الانحدار.

في المقابل، كلما ابتعدت قيمة الإحصائية المحسوبة تصاعدياً وتجاوزت الواحد الصحيح بشكل ملحوظ (كأن تصل إلى قيم مثل 2.5 أو 4.0 أو أكثر)، دل ذلك على انحراف جوهري في بنية الأخطاء؛ حيث يصبح تشتت البواقي في الشريحة العليا أضعاف تشتتها في الشريحة الدنيا. غير أن مجرد كبر هذه القيمة حسابياً لا يكفي لإصدار حكم علمي نهائي، بل يستلزم ربطه الصارم بالتوزيع الاحتمالي لحسم ما إذا كان هذا الفارق يعود للمصادفة العشوائية للمعاينة أم يمثل تبايناً حقيقياً ثابتاً.

8.2 قراءة وتفسير القيمة الاحتمالية واتخاذ القرار

تعتبر القيمة الاحتمالية المعيار الفاصل في قبول أو رفض الفروض الإحصائية؛ فهي تمثل احتمال الحصول على إحصائية اختبار مساوية للقيمة المحسوبة أو أكثر تطرفاً منها، بافتراض أن فرضية العدم القائلة بتجانس التباين صحيحة تماماً في المجتمع الأصلي. تتم مقارنة هذه القيمة مباشرة بمستوى المعنوية المحدد سلفاً في الأدبيات العلمية، والذي يُحدد عادة عند 0.05 أو 0.01.

عندما تكون القيمة الاحتمالية أصغر من مستوى المعنوية المعتمد (p-value < 0.05)، يُلزم المنهج العلمي الباحث بالرفض القاطع لفرضية العدم، والقبول بالفرضية البديلة التي تؤكد وجود عدم تجانس تباين ذي دلالة إحصائية في النموذج. يعني هذا القرار الاعتراف الرسمي بأن تباين الأخطاء غير مستقر، وأن الأخطاء المعيارية المحسوبة بالطريقة التقليدية أصبحت مشبوهة وغير صالحة للاستدلال المباشر.

إذا كانت القيمة الاحتمالية أكبر من 0.05، فإن القرار الإحصائي الدقيق هو الفشل في رفض فرضية العدم. ويجب التشديد هنا على التمييز الأكاديمي الحاسم بين الفشل في الرفض وإثبات التجانس المطلق؛ فالأولى تعني فقط أن البيانات المتاحة وحجم العينة الحالي لم يوفرا أدلة كافية تدعم وجود التباين المرتبط بالمتغير المختار، دون أن ينفي ذلك بالضرورة وجود أشكال أخرى من عدم التجانس المرتبطة بمتغيرات لم يشملها الترتيب.

8.3 ربط النتائج بالسياق التطبيقي للنموذج

يتجاوز التحليل القياسي الأرقام المجردة ليصل إلى ترجمة النتائج داخل السياق الموضوعي لمشكلة البحث. ففي دراسة التحصيل الدراسي للطلاب، يؤدي ثبوت عدم تجانس التباين المرتبط بساعات الدراسة إلى استنتاج تطبيقي عميق؛ وهو أن زيادة ساعات الدراسة الأسبوعية لا تقود جميع الطلاب إلى تحسن موحد في الدرجات، بل تزيد من تباين وتشتت النتائج بينهم بصورة جذرية.

يعني هذا الاستنتاج أن الاعتماد على النموذج الخطي التقليدي لتقديم وعود تنبؤية للطلاب أو الإدارة التعليمية بأن كل ساعة دراسة إضافية ستضمن زيادة محددة في الدرجات بهامش خطأ ضيق هو استنتاج مضلل تماماً. فالطلاب الذين يدرسون ساعات مكثفة يواجهون عدم يقين أكاديمي أوسع في درجاتهم مقارنة بزملائهم الذين يدرسون قليلاً وتكون درجاتهم متوقعة ضمن نطاق محدود.

تقتضي المعايير الصارمة للنشر العلمي والأكاديمي توثيق نتائج اختبار غولدفيلد-كوانت بأسلوب دقيق داخل متن البحث؛ من خلال ذكر قيمة إحصائية فيشر المحسوبة، ودرجات حرية البسط والمقام، والقيمة الاحتمالية بدقة، مع تحديد المتغير الترتيبي المستخدم، وتوضيح نسبة العينة المستبعدة، متبوعاً بالقرار المنهجي الذي اتخذه الباحث لعلاج هذا الخلل قبل تعميم نتائج النموذج على الواقع العملي.

9. المعلمات المتقدمة والخيارات الدقيقة لدالة het_goldfeldquandt

9.1 معلمة تقسيم العينة وتحديد المشاهدات المستبعدة

توفر دالة فحص غولدفيلد-كوانت في Statsmodels مرونة متقدمة للتحكم في كيفية تجزئة العينة عبر معلمة التقسيم ومعلمة الحذف. تتيح معلمة التقسيم للباحث تحديد النقطة الرياضية التي تفصل بين المجموعتين الفرعيتين بدقة، سواء ككسر نسبي يحدد حجم كل نصف، أو كنقطة قطع عددية صريحة تعزل فئات معينة إذا كانت الظاهرة تقتضي تقسيماً غير متناصف.

تعد معلمة الحذف والاستبعاد المعلمة الأكثر حساسية في ضبط كفاءة الاختبار الإحصائي؛ فهي تحدد عدد المشاهدات المركزية التي سيتم إسقاطها من الحسابات تماماً. يُقاس هذا الخيار إما بعدد صحيح مباشر يمثل المشاهدات الوسطية المحذوفة، أو بنسبة مئوية من حجم العينة الإجمالي، ويهدف بالدرجة الأولى إلى توضيح التباين الطرفي ومنع التداخل التشتتي بين المجموعتين.

يتضمن اختيار حجم البيانات المستبعدة موازنة دقيقة بين القوة الاختبارية ودرجات الحرية؛ فاستبعاد عدد كبير من المشاهدات يزيد من التباعد التشتتي بين الطرفين مما يرفع حساسية الاختبار لاكتشاف الفروق الحقيقية، ولكنه في الوقت ذاته يقلص حجم العينات الفرعية المتبقية مما يخفض درجات الحرية ويزيد من خطأ التقدير للمعلمات. وتوصي الأدبيات القياسية الكلاسيكية عموماً باستبعاد ما يقارب خُمس العينة الإجمالية (حوالي عشرين بالمائة) في العينات المتوسطة لتحقيق التوازن الأمثل.

9.2 تحديد اتجاه الفرضية البديلة عبر معلمة alternative

تتيح معلمة الفرضية البديلة في الدالة البرمجية توجيه الاختبار نحو ثلاثة مسارات استدلالية مختلفة وفقاً للإطار النظري الموجه للبحث. يتمثل الخيار الافتراضي الأكثر شيوعاً في الخيار التزايدي، وفيه تفترض الفرضية البديلة أن تباين بواقي المجموعة الثانية (التي تضم القيم الأكبر للمتغير الترتيبي) أكبر بصورة دالة من تباين بواقي المجموعة الأولى، وهو النمط السائد في أغلب الظواهر الاقتصادية والاجتماعية.

في المقابل، يتيح ضبط المعلمة على الخيار التناقصي اختبار الفرضية البديلة العكسية؛ حيث يُفترض أن تباين البواقي ينكمش ويضيق كلما ارتفعت قيم المتغير التفسيري. يُطبق هذا التوجه في دراسات منحنيات التعلم والإنتاجية الصناعية؛ حيث تؤدي زيادة حجم الإنتاج التراكمي إلى استقرار عمليات التصنيع واختفاء الأخطاء العشوائية، مما يجعل تباين المنتجات المعيبة أقل عند مستويات الإنتاج الكبرى.

أما الخيار ثنائي الطرف، فيمثل التوجه غير المقيد الذي يختبر ببساطة وجود اختلاف حقيقي بين تبايني المجموعتين دون افتراض مسبق للاتجاه الصاعد أو الهابط. يتطلب هذا الخيار مضاعفة حساب القيمة الاحتمالية، ويُفضل استخدامه عندما يفتقر الباحث إلى أدلة نظرية مسبقة تحسم اتجاه عدم تجانس التباين، مما يضمن تقييماً إحصائياً محايداً وشاملاً لكلا الاحتمالين التشتتيين.

9.3 معلمة المتغير الترتيبي والترتيب الداخلي للبيانات

تتحكم معلمة الفهرس في تحديد العمود المسؤول عن توجيه الترتيب الصاعد للبيانات قبل إجراء التجزئة الحسابية. عند التعامل مع نماذج الانحدار المتعدد التي تضم عدداً كبيراً من المتغيرات التفسيرية، فإن تمرير رقم الفهرس الصحيح يضمن أن الدالة تقوم بفرز مصفوفة المشاهدات بأكملها بناءً على المتغير المستهدف تحديداً، دون المساس بتطابق الصفوف بين المتغير التابع وبقية المتغيرات المفسرة.

في حال ترك هذه المعلمة دون تحديد صريح، فإن السلوك الافتراضي للدالة يعتمد على ترتيب المشاهدات وفقاً للعمود الأول في مصفوفة المتغيرات المستقلة الممررة. وإذا كان الباحث قد أضاف الحد الثابت في بداية المصفوفة، فإن الفهرس صفر سيمثل عمود الآحاد غير القابل للترتيب، مما يستوجب الحذر والتأكد من تحديد فهرس المتغير الموضوعي بدقة (كأن يكون الفهرس واحداً أو اثنين) لتجنب أخطاء المعالجة الصامتة.

يحمل تغيير المتغير الترتيبي آثاراً حسابية واستدلالية بالغة الحساسية في النماذج المتعددة؛ فقد يثبت الاختبار وجود عدم تجانس تباين حاد عند الترتيب وفقاً لمتغير ساعات الدراسة، بينما يفشل الاختبار تماماً في رفض فرضية العدم إذا أُعيد تنفيذه بالترتيب وفقاً لمتغير الاختبارات التجريبية. يوضح هذا التباين الطبيعة التخصصية لاختبار غولدفيلد-كوانت، ويؤكد أهمية اختياره وتوجيهه بالاستناد إلى النظرية الاقتصادية والفرضيات الموضوعية المحددة مسبقاً.

10. مقارنة اختبار غولدفيلد-كوانت بالاختبارات الإحصائية البديلة في بايثون

10.1 المقارنة مع اختبار برويش-باغان في بايثون

يمثل اختبار برويش-باغان أحد أبرز البدائل الإحصائية المعتمدة على فحص البواقي المربعة عبر نموذج انحدار مساعد؛ حيث يفترض هذا الاختبار أن تباين الخطأ يرتبط بعلاقة خطية بمجموعة من المتغيرات التفسيرية في آن واحد. وتوفر مكتبة Statsmodels دالة مخصصة لتنفيذه البرمجي بيسر شديد عبر تمرير البواقي ومصفوفة التصميم واستخراج إحصائية لاغرانج المضاعفة وقيمتها الاحتمالية.

يكمن الفارق الجوهري بين الاختبارين في أن غولدفيلد-كوانت يعتمد على تقسيم العينة ومقارنة تباينات مجموعتين فرعيتين مستقلتين استناداً إلى متغير واحد، مما يمنحه قوة فائقة في رصد الأنماط الرتيبة المرتبطة بذلك المتغير دون الحاجة لنمذجة دالة التباين بدقة. بينما يتميز اختبار برويش-باغان بقدرته على فحص تأثير عدة متغيرات مفسرة مجتمعة في توليد عدم تجانس التباين دفعة واحدة دون تقسيم العينة أو إسقاط أي مشاهدات.

غير أن نقطة الضعف التاريخية لاختبار برويش-باغان تتمثل في حساسيته الشديدة والمفرطة لافتراض التوزيع الطبيعي للأخطاء العشوائية؛ فإذا كانت البواقي تعاني من تفلطح أو التواء شديد، فإن اختبار برويش-باغان يميل إلى رفض فرضية العدم بصورة زائفة حتى مع غياب عدم تجانس التباين الحقيقي، في حين أن اختبار غولدفيلد-كوانت يظل أكثر متانة نسبياً تجاه بعض هذه الانحرافات التوزيعية إذا كانت العينات الفرعية متوازنة.

10.2 المقارنة مع اختبار وايت العام لتباين الأخطاء

يعد اختبار وايت العام الاختبار الأكثر شمولية واتساعاً في الأدبيات القياسية الحديثة؛ نظراً لكونه اختباراً عاماً لا يتطلب أي افتراض مسبق حول طبيعة أو اتجاه أو المتغير المسؤول عن عدم تجانس التباين. يعتمد الاختبار على ملاءمة انحدار مساعد يربط مربعات البواقي بجميع المتغيرات التفسيرية، ومربعاتها، وحواصل ضربها التفاعلية المزدوجة، مما يمكنه من كشف الأنماط الخطية وغير الخطية على حد سواء.

توفر مكتبة Statsmodels دالة مخصصة لتنفيذ اختبار وايت العام بيسر، إلا أن نقطة ضعفه الأساسية تظهر بوضوح عند تطبيقه على نماذج الانحدار المتعدد التي تضم عدداً كبيراً من المتغيرات المستقلة؛ حيث يؤدي توليد المتغيرات التربيعية والتفاعلية إلى تضخم هائل في عدد المعلمات المقدرة في الانحدار المساعد، مما يستنزف درجات الحرية بسرعة، ويجعل الاختبار ضعيف القدرة الإحصائية في العينات الصغيرة ومتوسطة الحجم.

تتجلى أفضلية اختبار غولدفيلد-كوانت في المواقف البحثية التي يمتلك فيها المحلل فرضية علمية محددة ترجح مسؤولية متغير بعينه عن عدم التجانس؛ ففي هذه الحالة يقدم غولدفيلد-كوانت اختباراً مباشراً وقوياً يتفوق على اختبار وايت الذي قد تضيع قوته وسط العدد الهائل من الحدود التفاعلية غير المجدية، مما يجعل الاختبارين متكاملين وظيفياً في بيئات التحليل المتقدمة.

10.3 جدول المفاضلة واختيار الاختبار الأنسب لطبيعة البيانات

يتطلب اتخاذ القرار المنهجي في اختيار الفحص الإحصائي المناسب موازنة دقيقة لخصائص البيانات المتوفرة والهدف البحثي المحدد. يوضح الجدول الوصفي التحليلي التالي المعايير المقارنة الدقيقة التي تحكم المفاضلة بين هذه الاختبارات التشخيصية الثلاثة الأساسية في القياس الاقتصادي:

• اختبار غولدفيلد-كوانت:
  • الفرضية المستهدفة: عدم تجانس تباين رتيب مرتبط بمتغير ترتيبي مفرد محدد مسبقاً.
  • القدرة في العينات الصغيرة: معتدلة، وتتأثر سلباً بفقدان درجات الحرية الناتج عن حذف المشاهدات المركزية.
  • الافتراضات التوزيعية: يشترط التوزيع الطبيعي للأخطاء العشوائية لاستقامة توزيع فيشر بدقة.
  • أبرز نقاط القوة: قوة إحصائية فائقة وتفسير حدسي مباشر للعلاقات الاتجاهية الواضحة.
• اختبار برويش-باغان:
  • الفرضية المستهدفة: عدم تجانس تباين يرتبط خطياً بمتغير واحد أو مجموعة من المتغيرات التفسيرية.
  • القدرة في العينات الصغيرة: جيدة نظراً لعدم إسقاط أي مشاهدات من العينة الأصلية.
  • الافتراضات التوزيعية: شديد الحساسية لاستهداف التوزيع الطبيعي للأخطاء ويتطلب تعديلات كوينكر في حال التفلطح.
  • أبرز نقاط القوة: فحص مرن يدمج متغيرات متعددة دون الحاجة لتقسيم العينة.
• اختبار وايت العام:
  • الفرضية المستهدفة: كشف عام وغير مقيد لكافة أشكال التباين الخطية وغير الخطية والتفاعلية.
  • القدرة في العينات الصغيرة: منخفضة جداً بسبب استنزاف درجات الحرية السريع مع كثرة المتغيرات.
  • الافتراضات التوزيعية: تقاربي ولا يتطلب افتراض التوزيع الطبيعي الصارم في العينات الكبيرة.
  • أبرز نقاط القوة: عدم الحاجة لتحديد متغير مسبب مسبقاً والتقاط الأنماط غير الخطية المعقدة.

تخلص المنهجيات القياسية الحديثة إلى تفضيل استخدام اختبار غولدفيلد-كوانت كفحص تأكيدي محدد وموجه عندما تدعم النظرية دور متغير محوري معين (مثل الدخل، أو حجم الشركة، أو ساعات الممارسة)، في حين يُستعان باختبار وايت أو برويش-باغان كفحوصات استكشافية شاملة للأبعاد المتعددة، مما يحقق أعلى درجات التكامل واليقين في التشخيص القياسي.

11. المعالجات والحلول الإحصائية عند ثبوت عدم تجانس التباين

11.1 استخدام الأخطاء المعيارية القوية في بايثون

يمثل تطبيق مصفوفات التباين والتباين المشترك القوية الحل الأسرع والأكثر شيوعاً في التطبيقات القياسية الحديثة عند ثبوت عدم تجانس التباين؛ حيث تحافظ هذه المنهجية على قيم معلمات المربعات الصغرى العادية الأصلية دون تغيير، وتقوم فقط بتصحيح حساب الأخطاء المعيارية ومجالات الثقة وإحصاءات الاختبارات للتخلص من آثار التباين غير المنتظم.

يعود الفضل في هذا الابتكار إلى الإحصائيين هيوبر وإيكر ووايت، وتوفر مكتبة Statsmodels إمكانية تفعيل هذه المصححات بيسر مذهل عبر تمرير معلمة نوع مصفوفة التباين داخل دالة ملاءمة نموذج الانحدار. وتتدرج هذه المصححات من الصيغة الكلاسيكية البدائية إلى الصيغ المحسنة للعينة الصغيرة والمعروفة تقنياً بمصححات HC1 وHC2 وHC3، والتي ينصح بها بشدة في الأدبيات الحديثة لمتانتها الفائقة.

عند إعادة تقدير النموذج باستخدام خيار HC3 مثلاً، يُلاحظ فوراً اتساع الأخطاء المعيارية للمعلمات المتأثرة بالتباين غير المتجانس، مما يؤدي إلى انخفاض إحصاءات «تي» إلى مستوياتها الواقعية الصحيحة وارتفاع قيمها الاحتمالية. يضمن هذا الإجراء حماية النموذج من رفض فرضيات العدم الزائفة، ويعيد للباحث القدرة على اتخاذ قرارات استدلالية رصينة دون الحاجة لتغيير الهيكل الرياضي للمعادلة الأصلية.

11.2 تقدير المربعات الصغرى الموزونة في بايثون

إذا كان الهدف من التحليل يتجاوز مجرد تصحيح الأخطاء المعيارية إلى استعادة خاصية الكفاءة المطلقة للمقدرات والوصول إلى أدنى تباين ممكن، فإن نموذج المربعات الصغرى الموزونة يمثل الحل الرياضي الأمثل والأكثر عمقاً. يعتمد هذا النهج على مبدأ تحويل البيانات الأصلية عبر إعطاء كل مشاهدة وزناً يتناسب عكسياً مع حجم تباين الخطأ الخاص بها.

رياضياً، يتم تقدير دالة تباين الأخطاء بناءً على علاقتها بالمتغير الترتيبي المسؤول عن عدم التجانس، ومن ثم يُحسب مقلوب الانحراف المعياري المقدر ليمثل وزن المشاهدة. تُمنح المشاهدات ذات التباين المنخفض أوزاناً ترجيحية كبرى في عملية الملاءمة نظراً لأنها توفر معلومات شديدة الدقة واليقين، بينما يتم تقليص أوزان المشاهدات ذات التباين الواسع لتخفيف أثر تشتتها المضلل على خط الانحدار.

توفر مكتبة Statsmodels كائناً برمجياً متقدماً ومخصصاً لتطبيق نموذج المربعات الصغرى الموزونة، حيث يتم تمرير المتجه التابع ومصفوفة المتغيرات المستقلة إلى جانب متجه الأوزان المحسوب بدقة. ينتج عن هذا التقدير معلمات خطية غير متحيزة وذات كفاءة قصوى، وتستعيد اختبارات الدلالة الإحصائية التقليدية كامل صلاحيتها العلمية والرياضية المعهودة في ظل التوزيعات المعيارية.

11.3 التحويلات الرياضية للمتغيرات التابعة والمستقلة

تشكل التحويلات الرياضية المباشرة للمتغيرات مدخلاً علاجياً كلاسيكياً بالغ الفعالية في القضاء على عدم تجانس التباين وتعديل انحرافات التوزيع؛ ويأتي في مقدمتها تطبيق التحويل اللوغاريتمي الطبيعي على المتغير التابع (أو على طرفي معادلة الانحدار معاً في النماذج الأسية). يتميز هذا التحويل بقدرته الرياضية الفائقة على ضغط القيم الكبيرة وتقليص الفجوات التشتتية بين المشاهدات المتباعدة.

عندما يخضع المتغير التابع للتحويل اللوغاريتمي، فإن نمط التشتت المخروطي أو البوقي المتسع يميل غالباً إلى الاستقرار والتحول إلى نطاق شريطي متجانس وثابت العرض عبر مستويات المتغيرات التفسيرية، فضلاً عن التحول الإيجابي في تفسير المعلمات لتصبح مرونات نسبية بالغة الأهمية في الدراسات الاقتصادية وسلاسل الطلب والإنفاق.

إلى جانب اللوغاريتمات، يمكن للباحث الاستعانة بالتحويلات الآلية المتقدمة مثل تحويلات بوكس-كوكس المتاحة في حزمة SciPy الإحصائية، والتي تختبر خوارزمياً سلسلة من قوى التحويل الرياضية الممكنة لاكتشاف المعلمة المثلى التي تحقق أقصى درجات التجانس والاعتدالية التوزيعية للبواقي، مما يعيد النموذج الخطي إلى دائرة الأمان القياسي بأقل تدخل يدوي ممكن.

12. دراسة حالة تطبيقية متكاملة وأفضل الممارسات البرمجية

12.1 بناء سيناريو تحليلي متكامل من البيانات الخام إلى القرار

لتتويج المنهجية المعروضة في إطار علمي متكامل، نستعرض في هذا السيناريو التطبيقي الشامل مسار التحليل القياسي بدءاً من استقبال البيانات الخام وحتى اتخاذ القرار القياسي النهائي؛ حيث يتم استيراد بيانات محاكاة تتضمن مائة مشاهدة لأداء الطلاب الأكاديمي، وبناء نموذج الانحدار الخطي الأولي لتقدير العلاقة بين ساعات الدراسة والاختبارات التجريبية والدرجة النهائية.

تتم الخطوة الأولى بتقدير النموذج الأولي عبر المربعات الصغرى العادية، واستخراج البواقي وحساب مصفوفات التشتت. يتبع ذلك الانتقال الفوري إلى مرحلة الفحص التشخيصي عبر تشغيل دالة غولدفيلد-كوانت بضبط معلماتها الدقيقة: تحديد ساعات الدراسة كمتغير ترتيبي، واستبعاد عشرين بالمائة من المشاهدات المركزية، وتفعيل الفرضية البديلة التزايدية لاختبار اتساع التباين مع ازدياد الجهد الدراسي.

عند إظهار الاختبار لقيمة احتمالية حاسمة تقل عن 0.001، يتم اتخاذ القرار المنهجي برفض فرضية العدم وتأكيد إصابة النموذج بخلل عدم تجانس التباين. وبناءً على هذا القرار العلمي، يتم الانتقال إلى المعالجة التطبيقية عبر تقدير مصفوفة الأوزان الانعكاسية لمربعات البواقي بالنسبة لساعات الدراسة، وإعادة ملاءمة النموذج باستخدام صنف المربعات الصغرى الموزونة في Statsmodels، ثم إجراء مقارنة تفصيلية بين نتائج النموذجين لإبراز كيف استعادت المعلمات كفاءتها الإحصائية وتغيرت مستويات المعنوية لتطابق الواقع الحقيقي بدقة وموثوقية.

12.2 قائمة الأخطاء الشائعة أثناء تطبيق الاختبار وكيفية تجنبها

يقع العديد من المحللين والممارسين المبتدئين في مجموعة من الأخطاء المنهجية والبرمجية المتكررة أثناء تطبيق اختبار غولدفيلد-كوانت، والتي قد تؤدي إلى إفساد مصداقية النتائج بالكامل. ويأتي في مقدمة هذه الأخطاء الترتيب الخاطئ للمشاهدات وفق متغير تفسيري لا يمت بصلة حقيقية لآلية تباين الأخطاء، مما يقود حتماً إلى الفشل في اكتشاف عدم التجانس رغم وجوده المتجذر في متغير آخر لم يُلتفت إليه.

يتمثل الخطأ الفادح الثاني في الاستبعاد غير المتوازن أو المفرط للمشاهدات المركزية؛ فالإفراط في حذف المشاهدات (كحذف نصف العينة مثلاً) بهدف تصخيم الفوارق التشتتية يؤدي إلى تدمير درجات الحرية في العينات الفرعية، مما يجعل إحصائية فيشر المقدرة غير مستقرة وعرضة للتقلبات العشوائية. في حين أن عدم استبعاد أي مشاهدات على الإطلاق يدمج البيانات الوسطية المتقاربة ويضعف قدرة الاختبار على التقاط التباين الطرفي بوضوح.

علاوة على ذلك، يغفل الكثيرون عن فحص افتراض التوزيع الطبيعي للبواقي قبل الاعتماد الحصري على نتائج غولدفيلد-كوانت؛ فبما أن إحصائية الاختبار تستند بنيوياً إلى توزيع فيشر سنيكور الحساس للاعتدالية، فإن وجود التواءات شديدة أو قيم متطرفة حادة في الأخطاء قد يولد انحرافات زائفة في مجموع مربعات البواقي لا علاقة لها بعدم تجانس التباين، مما يفرض دائماً إجراء فحص شابيرو-ويلك أو خاركي-بيرا للاعتدالية بالتوازي مع الفحص التشخيصي للتباين.

12.3 الدليل الإرشادي لأفضل الممارسات في التقارير الإحصائية

يتطلب إعداد التقارير الإحصائية الموجهة للأوساط الأكاديمية أو لصناع القرار صياغة شفافة ومنهجية تعرض النتائج وفقاً لأعلى المعايير العلمية المتعارف عليها دولياً. يجب ألا يقتصر التقرير على ذكر القرار الإحصائي المجرد، بل يتعين تضمين الجداول العددية التي توضح قيمة إحصائية فيشر بدقة، ودرجات حرية البسط والمقام، والقيمة الاحتمالية الصريحة، وتحديد اتجاه الفرضية البديلة المعتمدة في الفحص.

تكتسب التقارير مصداقية استثنائية عند دمج المخرجات العددية بالتمثيل البصري عالي الجودة؛ حيث يُنصح دائماً بإرفاق مخططات تشتت البواقي في مواجهة المتغير الترتيبي قبل وبعد تطبيق العلاجات الإحصائية. يتيح هذا العرض المقارن للقارئ معاينة التحول البصري الإيجابي وكيف تحولت البواقي من النمط المخروطي المتسع في النموذج الأولي إلى النمط الشريطي المنتظم والمستقر في نموذج المربعات الصغرى الموزونة أو النموذج المصحح لوغاريتمياً.

ختاماً، يجب أن يتضمن التقرير تبريراً علمياً رصيناً للمسار العلاجي الذي وقع الاختيار عليه؛ مع توضيح أسباب تفضيل استخدام الأخطاء المعيارية القوية أو الانتقال للمربعات الصغرى الموزونة أو إجراء التحويلات للمتغيرات، وربط ذلك بالهدف النهائي للدراسة وما إذا كان يركز على اختبار الفرضيات السببية أم يستهدف دقة التنبؤ المستقبلي، مما يضمن خروج البحث كوثيقة قياسية متكاملة الأركان تتطابق مع أرقى الممارسات المنهجية العالمية.

خاتمة

يظل اختبار غولدفيلد-كوانت واحداً من أعرق وأرسخ الأدوات التشخيصية البارامترية في ترسانة التحليل الإحصائي والقياس الاقتصادي، ومحطة إلزامية للتحقق من سلامة نماذج الانحدار الخطي وموثوقية مخرجاتها الاستدلالية. لقد أتاح التطور التقني والبرمجي للغة بايثون، من خلال حزمتها المتقدمة Statsmodels، جسراً متيناً يربط بين الصرامة الرياضية لهذه النظرية الكلاسيكية والمرونة الحوسبية الفائقة، مما مكن الباحثين من تفكيك شفرات البيانات المعقدة وضبط معلمات الاختبار بدقة متناهية.

إن إتقان هذا الاختبار والوعي بأسسه الرياضية وحدوده المنهجية والبدائل الإحصائية المقابلة له، لا يعزز فقط من كفاءة النموذج الرياضي وقدرته التنبؤية، بل يحصن الباحث ومتخذ القرار ضد الوقوع في فخاخ الاستنتاجات المضللة الناتجة عن تحيز الأخطاء المعيارية وفترات الثقة. وباتباع الممارسات البرمجية والتشخيصية والعلاجية الرصينة الموضحة في هذا الدليل، يصبح بمقدور المحللين بناء نماذج انحدار متينة تستند إلى أرضية إحصائية صلبة قادرة على تقديم إسهامات علمية وتطبيقية موثوقة في مختلف ميادين المعرفة الإنسانية.

المراجع

• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica: Journal of the Econometric Society, 47(5), 1287–1294. https://doi.org/10.2307/1911963
• Goldfeld, S. M., & Quandt, R. E. (1965). Some tests for homoscedasticity. Journal of the American Statistical Association, 60(310), 539–547. https://doi.org/10.1080/01621459.1965.10482030
• Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson Education. https://www.pearson.com/
• Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill Irwin. https://www.mheducation.com/
• Perktold, J., Seabold, S., & Taylor, J. (2023). Statsmodels: Econometric and statistical modeling with Python (Version 0.14.0) [Computer software]. https://www.statsmodels.org/
• White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica: Journal of the Econometric Society, 48(4), 817–838. https://doi.org/10.2307/1912934
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning. https://www.cengage.com/