كيفية إجراء الانحدار الهرمي في ستاتا

يُعد تحليل الانحدار أحد الركائز المنهجية الجوهرية في العلوم السلوكية والاجتماعية والطبية، حيث يُتيح للباحثين نمذجة العلاقات المعقدة بين المتغيرات التفسيرية والمتغيرات التابعة. غير أن الظواهر النفسية بطبيعتها نادراً ما تخضع لعلاقات خطية بسيطة أو تتأثر بمتغير منفرد بمعزل عن المتغيرات السياقية والديموغرافية. ومن هنا، يبرز تحليل الانحدار الهرمي (Hierarchical Regression Analysis) كمنهجية متقدمة تتيح تفكيك التباين واختبار الفرضيات النظرية عبر خطوات متسلسلة ومنضبطة تعكس البناء المفاهيمي للدراسة بدقة وإحكام.

تكمن القوة التحليلية للانحدار الهرمي في تمكين الباحث من إدخال المتغيرات المستقلة في صورة كتل متتابعة (Sequential Blocks) بناءً على أسس نظرية مسبقة، بدلاً من إدخالها دفعة واحدة كما في الانحدار المتعدد التقليدي، أو ترك الخوارزميات الرياضية تتحكم في ترتيب الدخول كما في الانحدار التدريجي الآلي. يُتيح هذا النهج فحص ما يُعرف بـ الصدق التزايدي (Incremental Validity)، حيث يتم تقييم القدرة التنبؤية الفريدة لكتلة جديدة من المتغيرات النفسية بعد عزل وتثبيت التأثيرات المنسوبة للمتغيرات الديموغرافية أو الضابطة، مما يمنح الاستنتاجات العلمية متانة إحصائية وصدقاً داخلياً مرتفعاً.

تُعد بيئة الحزمة الإحصائية Stata من أقوى وأدق المنصات لإجراء هذه التحليلات المتقدمة؛ لما توفره من مرونة برمجية فائقة، ودقة حسابية عالية، وقدرة على إدارة البيانات المعقدة وتشخيص الافتراضات الإحصائية ونمذجة التفاعلات المتداخلة. يهدف هذا الدليل الشامل والمفصل إلى تقديم خارطة طريق متكاملة، نظرية وتطبيقية، لإجراء الانحدار الهرمي في برنامج ستاتا وفق أعلى المعايير المنهجية المعتمدة في النشر الأكاديمي الدولي وتوصيات الجمعية الأمريكية لعلم النفس (APA).

1. مقدمة تأسيسية حول تحليل الانحدار الهرمي وأهميته في البحوث النفسية

1.1 مفهوم الانحدار الهرمي وتميزه عن الانحدار المتعدد التقليدي

يُعرّف الانحدار الهرمي، والذي يُطلق عليه أحياناً الانحدار المتسلسل (Sequential Regression)، بأنه أسلوب إحصائي متقدم يعتمد على بناء نماذج انحدار خطية متداخلة (Nested Models) عبر مراحل زمنية أو منطقية محددة سلفاً من قبل الباحث. في إطار هذا التحليل، لا تُعامل المتغيرات المستقلة على قدم المساواة في لحظة الدخول إلى المعادلة التنبؤية، بل يتم تقسيمها إلى مجموعات أو كتل (Blocks). تبدأ النمذجة بإدخال الكتلة الأولى لإنشاء النموذج الأساسي، تليها الكتلة الثانية لإنتاج نموذج موسع، وهكذا دواليك حتى استيفاء الأطر النظرية للبحث.

يختلف هذا الأسلوب جوهرياً عن الانحدار المتعدد القياسي (Standard Multiple Regression) الذي يقوم على تقييم التأثير المتزامن لجميع المتغيرات المستقلة دفعة واحدة (Simultaneous Entry)، حيث تُحسب مساهمة كل متغير بناءً على التباين الفريد المتبقي بعد استبعاد تباين جميع المتغيرات الأخرى دون اعتبار للأسبقية المنطقية أو الزمنية. كما يختلف الانحدار الهرمي اختلافاً جذرياً عن الانحدار التدريجي (Stepwise Regression)؛ فالأخير يعتمد كلياً على معايير إحصائية آلية وخوارزميات حاسوبية محضة تُدخل أو تحذف المتغيرات استناداً إلى قيم الدلالة الإحصائية العشوائية في العينة الحالية، وهو ما ينتقد بشدة في الأوساط الأكاديمية لما يسببه من تضخيم لخطأ النوع الأول ومحدودية القدرة على تعميم النتائج.

في الانحدار الهرمي، يتحمل الباحث المسؤولية الكاملة والواعية في تحديد التسلسل المنطقي لدخول المتغيرات استناداً إلى النظريات السابقة والأدبيات المحكمة. وتتمثل الغاية الأساسية في تتبع سلوك التغير في معامل التحديد (ΔR²) ومقدار التحسن الإحصائي الذي تُحدثه كل كتلة مضافة، مما يكشف عن القوة التفسيرية الحقيقية للمتغيرات قيد الدراسة بعد تجريدها من أي تداخل مع المتغيرات التي سبقتها في الدخول.

1.2 مبررات استخدام الانحدار الهرمي في العلوم السلوكية والنفسية

تحظى النمذجة الهرمية بمكانة محورية في بحوث العلوم السلوكية والطب النفسي وعلم النفس الإكلينيكي؛ نظراً لأن الظاهرة الإنسانية محكومة بشبكة متداخلة من المحددات البيولوجية، والديموغرافية، والشخصية، والبيئية. المبرر الأول والأكثر شيوعاً هو عزل تأثير المتغيرات الديموغرافية والضابطة (Statistical Control). فعلى سبيل المثال، عند دراسة أثر السمات المزاجية على الاكتئاب، تقتضي الرصانة المنهجية استبعاد التباين الراجع للعمر، والنوع الاجتماعي، والحالة الاقتصادية، ومستوى التعليم أولاً، لضمان أن التأثير المرصود للسمات النفسية ليس انعكاساً زائفاً لفروق ديموغرافية كامنة.

المبرر الثاني يتمثل في فحص الصدق التزايدي (Incremental Validity) لأدوات القياس والنظريات النفسية الحديثة. عندما يُطور باحث مقياساً جديداً لمفهوم مثل “المرونة النفسية الأكاديمية”، يتعين عليه إثبات أن هذا المفهوم يفسر تبايناً إضافياً في التحصيل الدراسي يتجاوز ما تفسره المقاييس الراسخة مثل “الذكاء العام” أو “عوامل الشخصية الخمسة الكبرى”. يوفر الانحدار الهرمي البرهان الإحصائي القاطع على هذه المساهمة الفريدة.

علاوة على ذلك، يُعد الانحدار الهرمي الإطار المثالي لاختبار التأثيرات التفاعلية والمعدلة (Moderation Effects) ونماذج التأثير غير الخطي. فمن خلال إدخال التأثيرات الرئيسة في الكتل الأولى، ثم إدخال حواصيل ضرب المتغيرات الممثلة للتفاعل في كتلة نهائية، يستطيع الباحث التحقق مما إذا كان تفاعل المتغيرات يفسر نسبة تباين ذات دلالة إحصائية تتجاوز مجرد الجمع البسيط للتأثيرات المستقلة، مما يسهم في بناء نماذج سببية وتفسيرية معقدة تحاكي الواقع النفسي للإنسان بدقة.

1.3 منطق المقارنة بين النماذج المتداخلة (Nested Models)

يقوم الأساس الرياضي للانحدار الهرمي على مفهوم النماذج المتداخلة (Nested Models). يُقال إن النموذج الأصغر ($M_1$) متداخل داخل النموذج الأكبر ($M_2$) إذا كانت جميع المتغيرات التفسيرية الموجودة في $M_1$ متضمنة بالكامل في $M_2$، مع احتواء $M_2$ على متغير أو أكثر من المتغيرات الإضافية، وتطبيقهما على نفس العينة تماماً وبنفس المتغير التابع.

تتم المقارنة الإحصائية بين هذه النماذج المتتالية من خلال تقييم مقدار الانخفاض في مجموع مربعات البواقي (Residual Sum of Squares – $SS_{res}$) أو الزيادة في مجموع مربعات الانحدار (Regression Sum of Squares – $SS_{reg}$). ويُقاس هذا التحسن عبر اختبار دلالة التغير في معامل التحديد باستخدام اختبار إف للتغير (F-Change Test)، والذي تتحدد معادلته الرياضية على النحو التالي:

$$F_{\Delta} = \frac{(R^2_2 – R^2_1) / (k_2 – k_1)}{(1 – R^2_2) / (N – k_2 – 1)}$$

حيث يمثل $R^2_1$ معامل التحديد للنموذج الأساسي، و$R^2_2$ معامل التحديد للنموذج الموسع، و$k_1$ و $k_2$ عدد المتنبئات في النموذجين على التوالي، و$N$ إجمالي حجم العينة. إذا كانت القيمة الاحتمالية المقترنة باختبار $F_{\Delta}$ أقل من مستوى الدلالة المعتمد ($\alpha = .05$)، يُستنتج أن المتغيرات المضافة قد حسنت جودة توفيق النموذج بشكل دال إحصائياً، مما يُبرر تعقيد النموذج ويؤكد الأهمية التفسيرية للكتلة المضافة.

2. الافتراضات الإحصائية والشروط المسبقة لتطبيق الانحدار الهرمي

2.1 افتراضات التوزيع والخطية واستقلالية الأخطاء

تستند موثوقية التقديرات الإحصائية في الانحدار الهرمي إلى نظرية المربعات الصغرى العادية (Ordinary Least Squares – OLS)، والتي تفترض جملة من الشروط الرياضية في بنية البيانات وسلوك البواقي (Residuals). أول هذه الافتراضات هو التوزيع الطبيعي للبواقي (Normality of Residuals)، والذي يقتضي أن تكون الأخطاء التنبؤية موزعة توزيعاً طبيعياً حول الصفر بتباين ثابت $\varepsilon \sim N(0, \sigma^2)$. لا يشترط هذا الافتراض اعتدالية المتغيرات الخام ذاتها، بل ينصب حصراً على تباين البواقي بعد استخراج معادلة الانحدار.

الافتراض الثاني هو الخطية (Linearity)، مما يعني أن العلاقة بين كل متغير مستقل والمتغير التابع هي علاقة خطية في المعلمات. يُختبر هذا الافتراض بفحص المخططات البيانية للبواقي مقابل القيم التنبؤية ومخططات الانحدار الجزئي. أما الافتراض الثالث فيتعلق بـ استقلالية الأخطاء (Independence of Errors)، وهو غياب الارتباط الذاتي بين أخطاء الملاحظات المختلفة ($Cov(\varepsilon_i, \varepsilon_j) = 0$). يُعد هذا الافتراض جوهرياً في الدراسات المقطعية لتفادي انحياز الأخطاء المعيارية.

الافتراض الرابع بالغ الأهمية هو تجانس تباين الأخطاء (Homoscedasticity)، والذي يقضي بأن يكون تباين الأخطاء ثابتاً عبر جميع مستويات القيم المتوقعة للمتغير التابع. في حال انتهاك هذا الافتراض وظهور مشكلة التباين غير المتجانس (Heteroscedasticity)، تظل المعاملات الانحدارية ($B$) غير منحازة لكنها تفقد كفاءتها الإحصائية، وتصبح الأخطاء المعيارية غير دقيقة، مما يؤدي إلى اختبارات دلالة وفترات ثقة مضللة ما لم يتم استخدام مصفوفات التباين المتينة (Robust Standard Errors).

2.2 التعامل مع مشكلة التعددية الخطية (Multicollinearity)

تنشأ معضلة التعددية الخطية (Multicollinearity) عندما ترتبط المتغيرات المستقلة فيما بينها بارتباطات مرتفعة تجعل من الصعب على النموذج عزل التأثير المستقل والفريد لكل متغير. تترتب على التعددية الخطية عواقب وخيمة، أبرزها تضخم الأخطاء المعيارية لمعاملات الانحدار، واتساع فترات الثقة، وتقلب إشارات المعاملات ($+$ أو $-$) بصورة غير منطقية، وفقدان اختبارات الدلالة الفردية لقوتها الإحصائية رغم الدلالة الإجمالية المرتفعة للنموذج.

لتقييم التعددية الخطية في ستاتا، يُعتمد على مؤشرين رئيسيين: معامل تضخم التباين (Variance Inflation Factor – VIF) ومؤشر التسامح (Tolerance)، حيث يمثل التسامح مقلوب معامل التضخم ($Tolerance = 1 / VIF$). تشير الأدبيات المنهجية إلى أن قيمة $VIF$ التي تتجاوز 10 (أو 5 في المعايير الأكثر تحفظاً)، أو قيمة تسامح تقل عن 0.10 أو 0.20، تعد دليلاً قاطعاً على وجود تعددية خطية مقلقة تستوجب التدخل المنهجي.

من أهم الاستراتيجيات المنهجية لتفادي التعددية الخطية، لاسيما عند إدخال حدود التفاعل (Interaction Terms) أو القوى التربيعية للمتغيرات، إجراء التوسيط الحسابي (Mean-Centering) للمتغيرات المستمرة قبل تكوين حواصيل الضرب. يؤدي طرح المتوسط الحسابي من كل درجة خام إلى إزالة الارتباط الهيكلي الشديد بين المتغيرات الرئيسة وحدود تفاعلها دون التأثير على قيمة الدلالة الإحصائية للتفاعل أو معامل التحديد الإجمالي.

2.3 حجم العينة والقوة الإحصائية المطلوبة

يتطلب الانحدار الهرمي حجماً كافياً من العينة لضمان استقرار معاملات الانحدار وتفادي ظاهرة فرط التوفيق (Overfitting). تاريخياً، اقترحت الأدبيات قواعد عامة استرشادية، مثل قاعدة تاباشنيك وفيديل ($N ge 50 + 8k$) لاختبار معامل التحديد المتعدد، و($N ge 104 + k$) لاختبار المعاملات الفردية، حيث يمثل $k$ إجمالي عدد المتغيرات التفسيرية. ومع ذلك، تُعد هذه القواعد غير دقيقة في النمذجة الهرمية المتقدمة.

يقتضي المعيار العلمي الرصين إجراء تحليل القوة الإحصائية المسبق (A-Priori Power Analysis) لتحديد حجم العينة المطلوب لاكتشاف التغير المتوقع في معامل التحديد ($\Delta R^2$) عند مستوى قوة إحصائية محدد ($1 – beta = .80$ أو $.90$) ومستوى دلالة ($\alpha = .05$). يعتمد ذلك على حجم الأثر المتوقع بحساب معامل كوهين ($f^2$):

$$f^2 = \frac{R^2_{AB} – R^2_A}{1 – R^2_{AB}}$$

إلى جانب حجم العينة، يتعين فحص القيم الشاذة والمتطرفة (Outliers) والنقاط ذات التأثير المرتفع (Influential Cases) التي قد تجر خط الانحدار نحوها وتغير نتائج النماذج الهرمية بشكل مضلل. يُعتمد في تقييم الحالات المؤثرة على مسافة كوك (Cook’s Distance)، حيث تعتبر القيم التي تتجاوز $1.0$ (أو عتبة $4 / N$) نقاطاً مؤثرة تتطلب فحصاً معمقاً، إضافة إلى مقاييس الرافعة (Leverage) ومسافات ماهالانوبيس (Mahalanobis Distance) لرصد الشذوذ متعدد المتغيرات.

3. إعداد بيئة العمل وتجهيز البيانات في برنامج ستاتا (Stata)

3.1 استيراد البيانات والتحقق من بنية المتغيرات

تبدأ المعالجة الإحصائية في ستاتا باستيراد مصفوفة البيانات من صيغ التخزين الشائعة مثل ملفات Excel أو CSV أو ملفات SPSS. توفر ستاتا حزمة من الأوامر المباشرة للتعامل مع مختلف الصيغ بدقة متناهية:

import excel "burnout_study.xlsx", sheet("Data") firstrow clear

import delimited "burnout_study.csv", clear

use "burnout_study.dta", clear

عقب استيراد البيانات، يتعين إجراء فحص هيكلي شامل للتحقق من أنواع المتغيرات (نصية، رقمية، ترتيبية) وتسميتها بدقة عبر نافذة الأوامر، وتطبيق التسميات التوضيحية لضمان وضوح المخرجات وتوافقها مع المعايير العلمية:

describe

label variable age "العمر بالسنوات"

label variable burnout "مستوى الاحتراق النفسي الكلي"

label variable resilience "مقياس المرونة النفسية"

label define gender_lbl 0 "ذكور" 1 "إناث"

label values gender gender_lbl

تتعامل ستاتا مع المتغيرات الفئوية (Categorical Variables) عبر بادئة العوامل الفئوية (Factor-variable notation) باستخدام الرمز i. (مثل i.gender أو i.education_level)، مما يغني الباحث عن إنشاء المتغيرات الوهمية (Dummy Variables) يدوياً ويضمن اختيار الفئة المرجعية تلقائياً بدقة بالغة. كما يتعين فحص القيم المفقودة (Missing Values) باستخدام أمر mdesc أو misstable summarize للتأكد من نمط الفقدان وتفادي تناقص العينة التلقائي عند مقارنة النماذج.

3.2 تحويل وتوسيط المتغيرات النفسية (Standardization and Centering)

يعد التوسيط الحسابي وتحويل المقاييس النفسية إلى درجات معيارية خطوة حاسمة لتهيئة النماذج الهرمية، خصوصاً تلك التي تتضمن حدود تفاعل أو مقاييس متباينة في وحدات القياس. لتوليد الدرجات المعيارية ($Z\text{-Scores}$)، يُستخدم أمر egen المقترن بدالة التوسيع المعياري std():

egen z_resilience = std(resilience)

egen z_mindfulness = std(mindfulness)

أما لعملية التوسيط الحسابي البسيط (Grand-Mean Centering)، يتم حساب المتوسط الحسابي أولاً ثم طرحه من الدرجة الأصلية لكل مفحوص عبر الأوامر التالية:

summarize resilience, meanonly

generate c_resilience = resilience - r(mean)

summarize stress, meanonly

generate c_stress = stress - r(mean)

يضمن التوسيط الحسابي تحويل نقطة الأصل (الصفر) للمتغير الموسط لتمثل المتوسط العام للعينة، مما يجعل المعامل الثابت ($Constant / \beta_0$) في نموذج الانحدار قابلاً للتفسير المباشر كقيمة متوقعة للمتغير التابع عند متوسطات المتغيرات المستقلة، فضلاً عن تقليص الارتباط المتبادل عند ضرب المتغيرات لإنشاء التفاعل لاحقاً عبر صيغة ستاتا المدمجة c.c_resilience#c.c_stress. يُنصح دائماً بكتابة هذه الخطوات كاملة وتوثيقها داخل ملف تنفيذي (Do-file) لضمان الشفافية وقابلية تكرار المعالجة (Reproducibility).

4. الفحص الاستكشافي والإحصاء الوصفي قبل النمذجة

4.1 استخراج الإحصاءات الوصفية ومصفوفة الارتباط

يمثل الفحص الاستكشافي للبيانات حجر الزاوية في التحليل الإحصائي الرصين، حيث يكشف عن الخصائص التوزيعية للمتغيرات ويوفر إشارات مبكرة حول مدى ملاءمتها للنمذجة الخطية. يبدأ التحليل باستخراج الإحصاءات الوصفية الأساسية، بما في ذلك مقاييس النزعة المركزية والتشتت والالتواء والتفرطح، باستخدام أوامر summarize و tabstat في ستاتا:

summarize burnout c_resilience c_stress age experience, detail

tabstat burnout c_resilience c_stress age, statistics(n mean sd skewness kurtosis) columns(statistics)

تُتيح هذه الإحصاءات التأكد من وقوع معاملات الالتواء (Skewness) والتفرطح (Kurtosis) ضمن الحدود المقبولة للتوزيع الطبيعي التقريبي (عادة بين $-2$ و $+2$). يعقب ذلك توليد مصفوفة معاملات الارتباط الثنائية (Pearson Correlation Matrix) بين المتغير التابع وجميع المتغيرات المستقلة والضابطة، باستخدام أمر correlate أو أمر pwcorr المدعوم بمستويات الدلالة الإحصائية:

pwcorr burnout c_resilience c_stress age experience, star(0.05) sig

تؤدي مصفوفة الارتباط وظيفتين جوهريتين: الأولى هي التحقق من وجود علاقات ثنائية دالة نظرياً وإحصائياً تدعم إدخال هذه المتغيرات في النماذج الهرمية، والثانية هي رصد مؤشرات التعددية الخطية المبكرة؛ إذ إن وجود معاملات ارتباط ثنائية تتجاوز $.80$ أو $.85$ بين متغيرين مستقلين ينذر بتداخل حاد يهدد دقة التقدير الإحصائي.

4.2 التصور البصري للعلاقات وتوزيع المتغيرات

لا يغني التحليل الرقمي عن الفحص البصري الدقيق لبنية البيانات. توفر ستاتا قدرات تصوير بياني متقدمة لفحص التوزيعات واكتشاف الأنماط غير الخطية أو القيم الشاذة المتطرفة. يمكن فحص اعتدالية المتغير التابع والمتغيرات المستقلة عبر رسم المدرجات التكرارية المقترنة بمنحنى الكثافة الاحتمالية للتوزيع الطبيعي:

histogram burnout, normal kdensity title("توزيع درجات الاحتراق النفسي")

لفحص العلاقات الخطية الثنائية بين المتغيرات المستقلة والمتغير التابع ورصد أي انحناءات غير خطية قد تستدعي تحويل البيانات أو إدخال قوى تربيعية، يُستخدم مخطط التشتت المقترن بخط الانحدار الخطي ومنحنى التنعيم الموضعي (Lowess):

twoway (scatter burnout c_stress) (lfit burnout c_stress) (lowess burnout c_stress), ytitle("الاحتراق النفسي") xtitle("ضغوط العمل الموسطة") legend(label(1 "الملاحظات") label(2 "الانحدار الخطي") label(3 "منحنى Lowess"))

كما يُنصح بإنشاء الرسوم الصندوقية (Box Plots) لرصد القيم الشاذة أحادية المتغير بدقة:

graph box burnout c_resilience c_stress, title("فحص القيم المتطرفة للمتغيرات الأساسية")

تُصدر هذه الرسوم البيانية بأعلى درجات الوضوح والجاهزية للنشر الأكاديمي باستخدام خيارات التصدير بصيغة EPS أو TIFF أو PDF بدقة 300 أو 600 نقطة في البوصة (DPI) عبر الأمر graph export.

5. تنفيذ النموذج الأول: إدخال المتغيرات الضابطة والديموغرافية

5.1 بناء النموذج الأساسي (Baseline Model) في ستاتا

تبدأ المرحلة الأولى من الانحدار الهرمي بتقدير النموذج الأساسي (المعروف أيضاً بنموذج الكتلة الأولى – Block 1). يُخصص هذا النموذج حصراً للمتغيرات التي يرغب الباحث في ضبطها إحصائياً وتجريد المتغير التابع من تأثيرها قبل اختبار الفرضيات المركزية. تشمل هذه المتغيرات عادةً الخصائص الديموغرافية (مثل العمر، والنوع، والحالة الاجتماعية) أو المتغيرات الهيكلية وظروف البيئة الأساسية (مثل سنوات الخبرة، وعدد ساعات العمل).

يُكتب أمر الانحدار الخطي في ستاتا عبر regress متبوعاً بالمتغير التابع ثم المتغيرات الضابطة، ثم يُحفظ النموذج التقديري في الذاكرة المؤقتة لاستخدامه في المقارنات اللاحقة باستخدام أمر estimates store:

regress burnout age experience work_hours i.gender

estimates store Model1

يُولّد تنفيذ هذا الأمر جدول تحليل التباين (ANOVA Table) الذي يقسم التباين الكلي في المتغير التابع إلى تباين مفسر بالنموذج (Model SS) وتباين متبقٍ غير مفسر (Residual SS)، إضافة إلى استخراج قيمة معامل التحديد ($R^2$) وقيمة معامل التحديد المعدل ($Adjusted R^2$) الخاصة بالكتلة الضابطة.

5.2 تفسير معلمات النموذج الأساسي واختبار الدلالة الإجمالية

يتطلب تحليل النموذج الأساسي قراءة متأنية لمخرجات ستاتا الإحصائية. يُشير اختبار الدلالة الإجمالية للنموذج ($F\text{-statistic}$) والقيمة الاحتمالية المقترنة به ($Prob > F$) إلى ما إذا كانت المتغيرات الضابطة مجتمعة تفسر نسبة ذات دلالة إحصائية من التباين في المتغير التابع. يمثل معامل التحديد ($R^2$) للنموذج الأول الأساس المرجعي ($Baseline$) الذي ستُقاس عليه التحسينات التفسيرية اللاحقة.

على مستوى المتغيرات الفردية، تُفحص المعاملات غير المعيارية ($B$) والأخطاء المعيارية ($Std. Err.$) واختبارات$t$ المقترنة بها. يُعبر المعامل غير المعياري عن مقدار التغير المتوقع في المتغير التابع لكل زيادة بمقدار وحدة واحدة في المتغير التفسيري، مع افتراض ثبات باقي المتغيرات الضابطة في النموذج. يُعد توثيق نتائج هذا النموذج خطوة تأسيسية تمكن القارئ والمحكم من إدراك الحجم الحقيقي للتأثيرات الديموغرافية قبل الانتقال للكتل النظرية الأكثر عمقاً.

6. تنفيذ النماذج المتتابعة: إضافة المتغيرات النفسية والتفاعلات

6.1 بناء النموذج الثاني: إضافة المتغيرات المستقلة الرئيسة

في المرحلة الثانية من الانحدار الهرمي، يتم إدخال الكتلة الثانية (Block 2) المتضمنة للمتغيرات التفسيرية النفسية أو السلوكية الرئيسة، مع الإبقاء الكامل على جميع المتغيرات الضابطة المدخلة في النموذج الأول. تهدف هذه الخطوة إلى اختبار الفرضيات الجوهرية حول الأثر المباشر للمتغيرات المستهدفة بعد تحييد التباين المرتبط بالمتغيرات الديموغرافية.

يُنفذ النموذج الثاني في ستاتا ويُحفظ في الذاكرة التقديرية عبر الأوامر التالية:

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress

estimates store Model2

عند ظهور مخرجات النموذج الثاني، يلاحظ الباحث حدوث تحولات في معلمات النموذج الأول؛ فقد تتغير قيم معاملات المتغيرات الضابطة أو تفقد دلالتها الإحصائية، مما يشير إلى أن جزءاً من تأثيرها السابق كان وسيطاً أو متشابكاً مع المتغيرات النفسية التي أُضيفت حديثاً. كما يتم فحص المعاملات المعيارية ($\beta$ – Beta Weights) عبر إضافة خيار beta للأمر:

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress, beta

تُتيح المعاملات المعيارية المقارنة المباشرة بين الأهمية النسبية للمتنبئات النفسية المختلفة داخل النموذج بغض النظر عن وحدات القياس الأصلية لمقاييسها.

6.2 بناء النموذج الثالث: اختبار حدود التفاعل والتأثيرات المعدلة

تُمثل الكتلة الثالثة (Block 3) ذروة التحليل الهرمي في العديد من الدراسات النفسية، حيث يُخصص هذا النموذج لاختبار الفرضيات التفاعلية أو الأثر المعدل (Moderation Effect). يُقصد بالأثر المعدل أن العلاقة بين متغير مستقل رئيس والمتغير التابع تتغير قوةً أو اتجاهاً باختلاف مستويات متغير مستقل آخر (المتغير المعدل).

توفر ستاتا أسلوباً برمجياً حديثاً لنمذجة التفاعلات دون الحاجة لإنشاء متغيرات ضربية يدوية، وذلك باستخدام عاملي الربط # و ##. يتيح استخدام c.var1##c.var2 إدخال التأثيرات الرئيسة لكلا المتغيرين وحد التفاعل بينهما تلقائياً:

regress burnout age experience work_hours i.gender c.c_resilience c.c_mindfulness c.c_stress c.c_resilience#c.c_stress

estimates store Model3

إذا كان المعامل الانحداري لحد التفاعل ($c.c_resilience#c.c_stress$) دالاً إحصائياً ($p < .05$)، فإن ذلك يقدم دليلاً تجريبياً قاطعاً على وجود أثر معدل للمرونة النفسية في العلاقة بين ضغوط العمل والاحتراق النفسي، مما يستدعي لاحقاً تحليل المنحدرات البسيطة (Simple Slopes Analysis) لتفسير طبيعة هذا التفاعل بدقة عند مستويات مختلفة (المتوسط، $+1 SD$، $-1 SD$) باستخدام أمر margins و marginsplot.

7. مقارنة النماذج واختبار التغير في معامل التحديد (R² Change Test)

7.1 حساب التغير في R² واختبار F للتغير يدوياً وعبر الأوامر

يُمثل فحص التغير في معامل التحديد ($\Delta R^2$) واختبار دلالته الإحصائية جوهر الاستدلال في الانحدار الهرمي. يوضح $\Delta R^2$ نسبة التباين الإضافية التي تمكنت الكتلة الجديدة من تفسيرها بشكل فريد ومستقل عن كافة المتغيرات السابقة. بعد تنفيذ النماذج المتتابعة وتخزينها، يمكن اختبار دلالة الإضافة للكتلة الثانية مقارنة بالأولى باستخدام أمر test المباشر بعد تشغيل النموذج الكامل، والذي يختبر الفرضية الصفرية القائلة بأن جميع معاملات المتغيرات المضافة حديثاً تساوي صفراً في المجتمع:

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress

test c_resilience c_mindfulness c_stress

تُعطي قيمة اختبار $F$ الناتجة عن أمر test نفس قيمة اختبار $F\text{-Change}$ الإحصائي تماماً. وتأكيداً للحسابات، يمكن استخراج قيم $R^2$ بدقة من مصفوفات النتائج المخزنة في ستاتا ($e(r2)$) لحساب مقدار التغير والتحقق اليدوي من الإسهام الفريد:

display "R2 Model 1 = " %6.4f e(r2)

يوفر هذا التحليل الدقيق تقييماً حاسماً للصدق التزايدي، مؤكداً ما إذا كانت الإضافة النظرية تبرر إحصائياً التوسع في تعقيد النموذج الرياضي.

7.2 استخدام اختبار نسبة الإمكانية (Likelihood-Ratio Test) في ستاتا

بالإضافة إلى اختبار $F\text{-Change}$ القائم على نظرية المربعات الصغرى، توفر ستاتا أداة استدلالية متقدمة لمقارنة النماذج المتداخلة المستندة إلى دالة الإمكانية العظمى (Maximum Likelihood)، وهي اختبار نسبة الإمكانية (Likelihood-Ratio Test) عبر أمر lrtest. يُشترط لتطبيق هذا الاختبار أن تكون النماذج متداخلة ومقدرة على نفس العينة تماماً ومخزنة في الذاكرة التقديرية:

lrtest Model1 Model2

lrtest Model2 Model3

يختبر أمر lrtest ما إذا كان الفرق في اللوغاريتم الطبيعي لدالة الإمكانية ($Log\text{-}Likelihood$) بين النموذجين يختلف دلالياً عن الصفر، متتبعاً توزيع مربع كاي ($\chi^2$) بدرجات حرية مساوية لعدد المعلمات الإضافية في النموذج الموسع.

علاوة على ذلك، يُنصح باستخراج معايير المعلومات الإحصائية الشاملة، وعلى رأسها معيار أكايكي للمعلومات (AIC) ومعيار بايز للمعلومات (BIC) عبر أمر estimates stats:

estimates stats Model1 Model2 Model3

تتميز معايير AIC و BIC بأنها تفرض عقوبة رياضية على زيادة عدد المتغيرات التفسيرية لمنع فرط التوفيق. وتُشير القيم الأصغر في AIC و BIC إلى النموذج الأفضل والأكثر كفاءة (Parsimonious Model) الذي يحقق أعلى قدرة تفسيرية بأقل عدد ممكن من المعلمات.

8. استخدام الأوامر المتقدمة المدمجة للانحدار الهرمي في ستاتا

8.1 تطبيق أمر `nestreg` لأتمتة الانحدار الهرمي

لتسهيل إجراءات الانحدار الهرمي واختصار الخطوات البرمجية المتعددة في أمر واحد شامل، توفر ستاتا أمراً مدمجاً فائق القوة هو أمر nestreg. يقوم هذا الأمر بتنفيذ الانحدار الهرمي عبر كتل محددة بين أقواس دائرية، ويولد تلقائياً جداول مقارنة النماذج واختبارات $F\text{-Change}$ ومقادير التغير في $R^2$ في خطوة واحدة فائقة الدقة:

nestreg: regress burnout (age experience work_hours i.gender) (c_resilience c_mindfulness c_stress) (c.c_resilience#c.c_stress)

تتجاوز قدرات أمر nestreg الانحدار الخطي البسيط؛ إذ يمكن دمجه مع مختلف نماذج الانحدار المعممة المتقدمة في ستاتا، مثل الانحدار اللوجستي (nestreg: logit y (block1) (block2)) أو انحدار بروبيت أو انحدار توبيت للبيانات المقيدة (Tobit Regression). ورغم الكفاءة العالية لأمر nestreg في استخراج جداول التغير الإجمالية، يظل التشغيل التفصيلي خطوة بخطوة وتخزين التقديرات عبر estimates store هو الأفضل عند الرغبة في إجراء تشخيصات لاحقة معقدة أو استخراج تنبؤات هامشية مفصلة لكل كتلة على حدة.

8.2 توليد جداول المقارنة الاحترافية عبر `esttab` و `outreg2`

تقتضي التقاليد الأكاديمية عرض نتائج النماذج الهرمية المتتابعة في جدول موحد يتضمن معاملات كل نموذج، وأخطائه المعيارية، ومؤشرات جودة التوفيق، والتغير في $R^2$. توفر حزمتا estout (التي تتضمن أمر esttab) و outreg2 من مستودع ستاتا للمستخدمين (SSC) إمكانات متطورة لتوليد هذه الجداول الأكاديمية الاحترافية وتصديرها مباشرة إلى برامج Word أو LaTeX أو Excel.

يتم تثبيت وتفعيل الحزمة عبر الأمر:

ssc install estout, replace

ثم يُنفذ أمر توليد الجدول التراكمي الشامل للنماذج الثلاثة المخزنة سابقاً:

esttab Model1 Model2 Model3 using "hierarchical_results.rtf", replace ///
    b(%8.3f) se(%8.3f) beta(%8.3f) star(* 0.05 ** 0.01 *** 0.001) ///
    stats(r2 r2_a N F, fmt(%8.3f %8.3f %8.0f %8.2f) ///
    labels("R-squared" "Adj. R-squared" "Observations" "F Statistic")) ///
    title("نتائج تحليل الانحدار الهرمي للتنبؤ بالاحتراق النفسي") ///
    varlabels(_cons "الثابت")

يولد هذا الكود ملفاً منسقاً بجودة النشر، يُبرز مستويات الدلالة الإحصائية بالنجوم التقليدية، ويعرض المعاملات غير المعيارية والمعيارية والأخطاء المعيارية في نسق منظم يلبي متطلبات الدوريات العلمية المحكمة.

9. التشخيصات الإحصائية اللاحقة وفحص متانة النماذج الهرمية

9.1 فحص البواقي والتجانس والتعددية الخطية بعد التقدير

لا يكتمل التحليل الإحصائي الرصين دون إجراء فحص تشخيصي صارم للنموذج النهائي الموسع للتأكد من سلامة الافتراضات الإحصائية وعدم تأثر النتائج بأي انتهاكات هيكلية. يبدأ الفحص التشخيصي بعد تقدير النموذج الأخير بتنفيذ أمر estat vif للتحقق القاطع من قيم تضخم التباين لجميع المتغيرات وحدود التفاعل:

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress c_res_x_stress

estat vif

يعقب ذلك فحص افتراض تجانس تباين البواقي باستخدام اختبار بروش-باغان / كوك-وايزبرغ (Breusch-Pagan / Cook-Weisberg test):

estat hettest

إذا أشارت النتيجة إلى دلالة إحصائية ($p < .05$)، مما يعني رفض فرضية تجانس التباين ووجود مشكلة التباين غير المتجانس، يتعين إعادة تقدير النموذج الهرمي باستخدام الأخطاء المعيارية المتينة (Robust Huber-White Standard Errors) عبر إضافة خيار vce(robust) لحماية الاستدلال من الانحياز:

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress c_res_x_stress, vce(robust)

كما يتم الفحص البصري لتوزيع البواقي مقابل القيم المتوقعة باستخدام المخطط التشخيصي المدمج في ستاتا:

rvfplot, yline(0) title("مخطط تباين البواقي مقابل القيم المتوقعة")

يؤكد غياب أي نمط قمعي أو انحنائي في هذا المخطط سلامة التوزيع الخطي وتجانس التباين.

9.2 فحص النقاط المؤثرة والتحقق من استقرار المعلمات

يقتضي فحص متانة النماذج الهرمية رصد الملاحظات ذات القوة التأثيرية المفرطة التي قد تكون مسؤولة بمفردها عن ظهور دلالة إحصائية لمعامل معين. يُستخرج مقياس مسافة كوك (Cook’s Distance) في ستاتا عبر أمر predict بعد الانحدار مباشرة:

predict cooksd_val, cooksd

list burnout age c_resilience cooksd_val if cooksd_val > (4/_N) & !missing(cooksd_val)

إذا رُصدت حالات تتجاوز العتبة الحرجة، يُجرى تحليل حساسية (Sensitivity Analysis) بمقارنة معلمات النموذج مع وجود هذه الحالات وبدونها للتأكد من استقرار المعاملات وعدم اعتماد الاستنتاجات على قيم شاذة معزولة.

ولتعزيز الموثوقية الإحصائية في العينات الصغيرة أو البيانات المعقدة، يمكن اللجوء إلى إعادة أخذ العينات المعززة (Bootstrapping) لتقدير فترات الثقة التجريبية لمعاملات الانحدار ومقادير التغير في $R^2$ عبر تكرار العينة آلاف المرات:

bootstrap, reps(5000) seed(12345): regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress c_res_x_stress

يوفر التحليل المعزز أعلى مستويات اليقين والصلابة الإحصائية في مواجهة التوزيعات غير المثالية.

10. صياغة وتفسير النتائج وفق معايير الجمعية الأمريكية لعلم النفس (APA)

10.1 هيكلة وتصميم جدول الانحدار الهرمي بصيغة APA 7th

تضع الجمعية الأمريكية لعلم النفس (APA – الإصدار السابع) معايير صارمة وواضحة لعرض نتائج تحليل الانحدار الهرمي في البحوث المنشورة. يُصمم الجدول الأكاديمي ليتضمن خطوطاً أفقية فقط (دون خطوط رأسية إطلاقاً)، مع تقسيم الأعمدة بدقة لعرض المعاملات غير المعيارية ($B$)، والأخطاء المعيارية ($SE$), والمعاملات المعيارية ($beta$) لكل نموذج متتابع.

يجب أن يتضمن الجزء السفلي من الجدول أسطراً مخصصة للمؤشرات التراكمية لكل خطوة: معامل التحديد ($R^2$)، ومعامل التحديد المعدل ($Adjusted R^2$)، ومقدار التغير في معامل التحديد ($\Delta R^2$)، وقيمة اختبار إف للتغير ($F_{\Delta}$ أو $\Delta F$) مع درجات الحرية المقترنة بها. يوضح الجدول التالي النسق القياسي المعتمد في دليل APA 7th:

المتغير التنبؤي	النموذج 1 ($B$)	$SE$	$\beta$	النموذج 2 ($B$)	$SE$	$\beta$	النموذج 3 ($B$)	$SE$	$\beta$
المتغير الثابت	45.210***	2.150	—	38.450***	2.010	—	37.890***	1.980	—
العمر (بالسنوات)	-0.120*	0.055	-0.140	-0.045	0.048	-0.052	-0.041	0.047	-0.048
سنوات الخبرة	-0.085	0.062	-0.091	-0.021	0.054	-0.022	-0.018	0.053	-0.019
ساعات العمل الأسبوعية	0.310***	0.071	0.285	0.185**	0.063	0.170	0.179**	0.061	0.165
المرونة النفسية	—	—	—	-0.415***	0.068	-0.345	-0.395***	0.067	-0.328
اليقظة الذهنية	—	—	—	-0.280***	0.072	-0.215	-0.265***	0.070	-0.203
ضغوط العمل	—	—	—	0.520***	0.075	0.410	0.495***	0.074	0.390
المرونة × الضغوط	—	—	—	—	—	—	-0.185**	0.058	-0.172
$R^2$	0.142			0.435			0.468
$Adjusted R^2$	0.131			0.421			0.452
$\Delta R^2$	0.142***			0.293***			0.033**
$\Delta F$	13.22 (3, 240)			41.08 (3, 237)			14.65 (1, 236)

ملاحظة: $N = 244$. المتغيرات المستقلة الموسطة تم استخدامها في التفاعل. * $p < .05$، ** $p < .01$، *** $p < .001$.

10.2 الصياغة النصية الأكاديمية لنتائج الانحدار الهرمي

يجب أن تتسم الصياغة النصية بالدقة والموضوعية وربط الأرقام بالمعاني النفسية وفق النماذج المعيارية المعتمدة دولياً. فيما يلي نموذج صياغة أكاديمية رصينة لتقرير نتائج التحليل الهرمي المعروض في الجدول السابق:

“أُجري تحليل انحدار هرمي ثلاثي المراحل للتنبؤ بمستوى الاحتراق النفسي لدى الأطباء. في المرحلة الأولى، تم إدخال المتغيرات الديموغرافية والضابطة (العمر، سنوات الخبرة، ساعات العمل الأسبوعية). كشفت النتائج أن النموذج الأول كان دالاً إحصائياً، $F(3, 240) = 13.22, p < .001$، وفسر ما نسبته $14.2%$ من التباين في الاحتراق النفسي ($R^2 = .142$). وقد شكلت ساعات العمل الأسبوعية منبئاً موجباً دالاً ($\beta = .285, p < .001$)، بينما كان العمر منبئاً سالباً دالاً ($\beta = -.140, p = .031$)."

“في المرحلة الثانية، أُدخلت المتغيرات النفسية الأساسية (المرونة النفسية، اليقظة الذهنية، ضغوط العمل). أدى ذلك إلى تحسن ذي دلالة إحصائية في القدرة التفسيرية للنموذج، $\Delta R^2 = .293, \Delta F(3, 237) = 41.08, p < .001$، حيث ارتفعت نسبة التباين المفسر الإجمالية إلى $43.5%$ ($R^2 = .435$). ارتبطت كل من المرونة النفسية ($\beta = -.345, p < .001$) واليقظة الذهنية ($\beta = -.215, p < .001$) سالباً وبدلالة إحصائية بالاحتراق النفسي، في حين ارتبطت ضغوط العمل موجباً وبقوة بالاحتراق ($\beta = .410, p < .001$)."

“في المرحلة الثالثة، أُضيف حد التفاعل بين المرونة النفسية الموسطة وضغوط العمل الموسطة. أظهرت النتائج أن حد التفاعل فسر نسبة تباين إضافية دالة إحصائياً بلغت $3.3%$،$Delta R^2 = .033, Delta F(1, 236) = 14.65, p < .001$، وبلغ$R^2$ الإجمالي النهائي $46.8%$. كان معامل التفاعل سالباً ودالاً إحصائياً ($B = -0.185, beta = -.172, p = .002$)، مما يؤكد الفرضية القائلة بأن المرونة النفسية تلعب دوراً معدلاً يُخفف من الأثر السلبي لضغوط العمل على تفاقم الاحتراق النفسي."

11. دراسة حالة تطبيقية شاملة: التنبؤ بالاحتراق النفسي لدى الأطباء

11.1 توصيف مشكلة البحث وتحديد متغيرات الدراسة

لتطبيق كافة المفاهيم المنهجية السابقة على أرض الواقع، نتناول دراسة تطبيقية واقعية تهدف إلى فحص العوامل التفسيرية المحددة لظاهرة الاحتراق النفسي المهني (Physician Burnout) لدى عينة قوامها 244 طبيباً في المستشفيات الجامعية. استندت الدراسة إلى نموذج متطلبات الوظيفة ومواردها (JD-R Model).

تم تحديد بنية المتغيرات على النحو التالي: المتغير التابع هو الدرجة الكلية على مقياس ماسلاش للاحتراق النفسي (MBI). الكتلة الأولى (المتغيرات الضابطة): العمر (بالسنوات)، وسنوات الخبرة المهنية، ومعدل ساعات العمل الأسبوعية، والنوع الاجتماعي. الكتلة الثانية (الموارد والمتطلبات النفسية): مقياس المرونة النفسية (CD-RISC)، ومقياس اليقظة الذهنية (MAAS)، ومقياس إدراك ضغوط العمل (PSS). الكتلة الثالثة (التفاعل المعدل): حاصل ضرب المرونة النفسية الموسطة في ضغوط العمل الموسطة لاختبار قدرة المرونة على حماية الأطباء من التدهور تحت وطأة الضغط المرتفع.

11.2 كود ستاتا الكامل خطوة بخطوة وتتبع المخرجات

يوثق الكود البرمجي التنفيذي التالي (Do-file) مسار التحليل المتكامل من استدعاء البيانات والتحويلات وحتى النمذجة والتشخيص النهائي وفق أعلى المعايير المتبعة:

* ====================================================================
* مشروع تحليل الانحدار الهرمي: التنبؤ بالاحتراق النفسي لدى الأطباء
* ====================================================================
clear all
set more off
version 17

* 1. استيراد وتجهيز البيانات
use "physicians_burnout_data.dta", clear

* 2. التوسيط الحسابي للمتغيرات المستقلة
summarize resilience, meanonly
generate c_resilience = resilience - r(mean)

summarize mindfulness, meanonly
generate c_mindfulness = mindfulness - r(mean)

summarize stress, meanonly
generate c_stress = stress - r(mean)

* 3. الإحصاء الوصفي ومصفوفة الارتباط
summarize burnout age experience work_hours c_resilience c_mindfulness c_stress
pwcorr burnout age experience work_hours c_resilience c_mindfulness c_stress, sig star(0.05)

* 4. تنفيذ الانحدار الهرمي خطوة بخطوة وتخزين النماذج
* النموذج 1: المتغيرات الضابطة
regress burnout age experience work_hours i.gender
estimates store Model1

* النموذج 2: إضافة المتغيرات النفسية الرئيسة
regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress
estimates store Model2

* النموذج 3: إضافة حد التفاعل المعدل
regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress c.c_resilience#c.c_stress
estimates store Model3

* 5. المقارنة الإحصائية واختبار التغير
lrtest Model1 Model2
lrtest Model2 Model3
estimates stats Model1 Model2 Model3

* 6. التشخيصات اللاحقة للنموذج النهائي
estat vif
estat hettest
predict cooksd, cooksd

* 7. تحليل المنحدرات البسيطة للأثر المعدل
margins, dydx(c_stress) at(c_resilience=(-5 0 5))
marginsplot, title("الأثر المعدل للمرونة النفسية على علاقة الضغوط بالاحتراق") ///
    ytitle("المنحدر البسيط لأثر الضغوط") xtitle("مستوى المرونة النفسية")

* 8. تصدير الجدول بصيغة APA
esttab Model1 Model2 Model3 using "Table_Burnout_Regression.rtf", replace ///
    b(%8.3f) se(%8.3f) beta(%8.3f) star(* 0.05 ** 0.01 *** 0.001) ///
    r2 ar2 pr2 aic bic obslast wide

يُظهر تتبع هذه الخطوات البرمجية قدرة الباحث على الإحاطة بكافة أبعاد الظاهرة النفسية واستخلاص دلالات تطبيقية وسريرية بالغة الأهمية؛ حيث يثبت التحليل أن برامج التدريب على اليقظة الذهنية وبناء المرونة النفسية في المؤسسات الطبية لا تسهم فقط في خفض الاحتراق النفسي المباشر، بل توفر درعاً وقائياً يخفف من وطأة ضغوط العمل الحتمية على الكوادر الصحية.

12. الأخطاء الشائعة واستراتيجيات استكشاف المشكلات وحلها في ستاتا

12.1 الأخطاء المنهجية والمفاهيمية في بناء الكتل الهرمية

يقع بعض الباحثين في منزلقات منهجية ومفاهيمية خطيرة عند تطبيق الانحدار الهرمي. الخطأ الأكثر شيوعاً هو الخلط بين التسلسل الهرمي النظري والانتقاء التدريجي الآلي، حيث يقوم الباحث بتجربة ترتيبات مختلفة للكتل والاحتفاظ بالترتيب الذي يعطي أكبر $\Delta R^2$، وهو ما ينسف جوهر الانحدار الهرمي القائم على الأسبقية النظرية الصارمة، ويحول التحليل إلى استكشافي عشوائي (Data Dredging / $p\text{-hacking}$).

الخطأ الثاني هو فرط التوفيق وإدخال متغيرات ضابطة مفرطة لا تستند لأدبيات واضحة، مما يستنزف درجات الحرية ويقلل القوة الإحصائية لاكتشاف المتغيرات النفسية في الكتل اللاحقة. الخطأ الثالث يكمن في بناء حدود التفاعل دون توسيط مسبق للمتغيرات المستقلة، الأمر الذي يؤدي إلى ظهور معاملات تضخم تباين زائفة ($VIF > 20$) ناتجة حصراً عن التعددية الخطية الهيكلية وليست الحقيقية، مما يشوه تفسير التأثيرات الرئيسة للمتغيرات.

علاوة على ذلك، ينبغي الحذر من سوء تفسير قيمة $\Delta R^2$ الصغيرة؛ ففي الدراسات النفسية والسلوكية، يُعد التغير في $R^2$ بمقدار يتراوح بين $1%$ و $3%$ عند إدخال التفاعلات ذا دلالة عملية ونظرية بالغة الأهمية، ولا ينبغي التقليل من شأنه طالما كان دالاً إحصائياً ومتسقاً مع الأطر النظرية المعتمدة.

12.2 حل رسائل الخطأ والمشكلات التقنية في ستاتا

عند تنفيذ الانحدار الهرمي في ستاتا، قد تظهر بعض رسائل الخطأ الشائعة التي تستلزم تدخلاً دقيقاً:

1. مشكلة إسقاط المتغيرات بسبب التعددية الخطية التامة (omitted because of collinearity):
تحدث هذه المشكلة عندما يكون أحد المتغيرات التفسيرية تركيبة خطية تامة لمتغير آخر (مثل إدخال جميع فئات المتغير الفئوي دون ترك فئة مرجعية، أو إدخال متغيري الخبرة والسن مع ارتباط شبه كامل). الحل يكمن في الاعتماد على بادئة الفئات i. التي تختار الفئة المرجعية تلقائياً، أو حذف المتغير الزائد المسبب للتطابق.

2. معضلة تذبذب حجم العينة بين النماذج (Sample Size Fluctuation):
إذا كانت مصفوفة البيانات تحتوي على قيم مفقودة موزعة على بعض المتغيرات، ستقوم ستاتا تلقائياً باستبعاد الحالات ذات القيم المفقودة في كل نموذج على حدة (Listwise Deletion)، مما يؤدي إلى تقدير النموذج الأول على عينة ($N = 250$) والنموذج الثاني على عينة أصغر ($N = 230$). يؤدي هذا التباين إلى إبطال المقارنة بين النماذج المتداخلة ويجعل استخدام lrtest مستحيلاً تقنياً (ظهور رسالة models are not nested or based on different observations).

للتغلب على هذه المعضلة وضمان تثبيت العينة عبر جميع النماذج، يجب تقييد التقدير على العينة التي لا تحتوي على أي فقدان في كامل المتغيرات المدرجة عبر شرط if e(sample) أو إنشاء متغير تحديد العينة الموحدة:

generate byte complete_case = !missing(burnout, age, experience, work_hours, gender, resilience, mindfulness, stress)

regress burnout age experience work_hours i.gender if complete_case == 1

estimates store Model1

regress burnout age experience work_hours i.gender c_resilience c_mindfulness c_stress if complete_case == 1

estimates store Model2

lrtest Model1 Model2

يضمن هذا الإجراء المنهجي التطابق التام لحجم العينة، مما يتيح مقارنة النماذج المتداخلة بدقة واحترافية لا تشوبها شائبة.

الخاتمة والتوصيات المستقبلية

يُمثل تحليل الانحدار الهرمي في برنامج ستاتا أداة منهجية وتحليلية رفيعة المستوى لفك شفرات العلاقات المتشابكة بين الظواهر النفسية والسلوكية. ومن خلال التطبيق المنضبط لترتيب الكتل النظرية، وعزل المتغيرات الضابطة، والتحقق المستمر من الافتراضات الإحصائية وتشخيص البواقي والتعددية الخطية، يمتلك الباحث برهاناً علمياً قاطعاً على الصدق التزايدي والتفاعلي لنماذجه المقترحة.

تفتح إتقان هذه المنهجية في ستاتا الأبواب أمام تطبيقات متقدمة في النمذجة السببية، مثل الانتقال نحو نمذجة المعادلات البنائية (Structural Equation Modeling – SEM) أو النماذج الخطية الهرمية متعددة المستويات (Multilevel Modeling – MLM) عندما تتوزع البيانات داخل بنى عنقودية (مثل المرضى داخل المستشفيات أو الطلاب داخل الفصول). إن الجمع بين الرؤية النظرية العميقة والتمكن البرمجي الإحصائي يظل المعيار الذهبي لإنتاج بحوث نفسية رصينة قادرة على إحداث تأثير حقيقي في الأوساط الأكاديمية والتطبيقية.

References

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. SAGE Publications.
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics using Stata (2nd ed., Vols. 1–2). Stata Press.
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203774441
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
• Jann, B. (2007). Making regression tables from stored estimates. The Stata Journal, 7(2), 227–244. https://doi.org/10.1177/1536867X0700700207
• Long, J. S., & Freese, J. (2014). Regression models for categorical dependent variables using Stata (3rd ed.). Stata Press.
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.