كيفية إجراء الانحدار اللوجستي في إكسل

يمثل التحليل الإحصائي حجر الزاوية في استخلاص المعرفة وتوجيه القرارات الاستراتيجية عبر مختلف الحقول الأكاديمية والتطبيقية، بدءاً من العلوم الطبية والوبائية، مروراً بالعلوم السلوكية والاجتماعية، وصولاً إلى الاقتصاد القياسي وأبحاث السوق. ومن بين النماذج الإحصائية القياسية المتاحة، يبرز الانحدار اللوجستي (Logistic Regression) بوصفه الأداة المنهجية الأكثر رصانة وكفاءة للتعامل مع الظواهر والنتائج ثنائية التقسيم؛ حيث تفشل نماذج الانحدار الخطي التقليدية في تقديم تقديرات احتمالية منطقية تتسق مع طبيعة الواقع المدروس ومحدداته الرياضية الصارمة.

وعلى الرغم من شيوع استخدام الحزم البرمجية الإحصائية المتخصصة مثل SPSS و R و Stata و Python لتنفيذ هذه التحليلات، فإن بناء نموذج الانحدار اللوجستي وتطبيقه داخل بيئة جداول بيانات مايكروسوفت إكسل (Microsoft Excel) يحمل قيمة معرفية وبيداغوجية بالغة الأهمية. إن تشييد النموذج خطوة بخطوة في إكسل يزيل حاجز “الصندوق الأسود” البرمجي الذي يحجب الخطوات التكرارية والرياضية الدقيقة، مما يتيح للباحث والمحلل الإحصائي استيعاباً معمقاً لكيفية تحويل البيانات الأولية، وتشكيل دالة الإمكان الأعظم، وتفعيل خوارزميات الاستمثال غير الخطي، وحساب مصفوفات التغاير واستخراج الأخطاء المعيارية ومؤشرات جودة التوفيق التشخيصية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي دقيق لخطوات تنفيذ الانحدار اللوجستي الثنائي في مايكروسوفت إكسل من البداية وحتى الاحتراف؛ حيث سنغطي الأسس الرياضية والنظرية الكامنة وراء النموذج، وآليات تنظيف وهيكلة البيانات، وكيفية إعداد واستخدام أداة الاستمثال المتقدمة (Solver)، وصولاً إلى التقدير اليدوي للأخطاء المعيارية عبر مصفوفة هسيان، واختبار الدلالة الإحصائية، وبناء مصفوفات الارتباك، وتوثيق النتائج النهائية وفقاً لأعلى معايير النشر الأكاديمي المعتمدة دولياً، مدعومةً بالصيغ والخطوات التطبيقية التراكمية المفصلة.

1. مقدمة إلى الانحدار اللوجستي ومفاهيمه الإحصائية الأساسية

1.1 ماهية الانحدار اللوجستي وطبيعة المتغير التابع الثنائي

يُعرف نموذج الانحدار اللوجستي بأنه أسلوب إحصائي بارامتري ينتمي إلى عائلة النماذج الخطية المعممة (Generalized Linear Models – GLM)، صُمم خصيصاً للتنبؤ باحتمالية وقوع حدث معين عندما يكون المتغير التابع (Dependent Variable) فئوياً ثنائي الاستجابة (Dichotomous/Binary). وفي هذا السياق، يتخذ المتغير التابع قيمتين رقميتين محددتين حصراً: القيمة (1) للدلالة على حدوث الواقعة محل الاهتمام (مثل: الشفاء من المرض، القبول في برنامج جامعي، التخلف عن سداد القرض، أو شراء المنتج)، والقيمة (0) للدلالة على عدم حدوث الواقعة (مثل: البقاء مريضاً، الرفض الأكاديمي، الالتزام بالسداد، أو الامتناع عن الشراء). تكتسب النمذجة الاحتمالية لهذه الظواهر أهمية قصوى؛ إذ إن الهدف الجوهري لا ينحصر في مجرد تصنيف الحالات، بل يتجاوز ذلك إلى تقدير الاحتمال الشرطي الدقيق (Conditional Probability) لوقوع الحدث بناءً على مجموعة معقدة من المتغيرات المستقلة أو التفسيرية (Explanatory Variables).

تكمن المعضلة المنهجية الأساسية في أن الاحتمال الإحصائي محصور بطبيعته البديهية والرياضية داخل الفترة المغلقة [0, 1]، في حين أن التركيبات الخطية للمتغيرات التفسيرية يمكن أن تمتد نظرياً من سالب ما لا نهاية إلى موجب ما لا نهاية (-∞ إلى +∞). لحل هذا التناقض البنيوي، يعتمد الانحدار اللوجستي على ما يُعرف باسم “تحويل اللوجت” (Logit Transformation)، وهو دالة ربط رياضية (Link Function) تقوم بأخذ الاحتمال الشرطي وتمريره بمرحلتين: أولاً، تحويل الاحتمال إلى نسبة أرجحية (Odds)، وثانياً، أخذ اللوغاريتم الطبيعي لهذه النسبة. يتيح هذا التحويل الرياضي الفريد مطابقة المجال اللانهائي للتركيبة الخطية التفسيرية مع النطاق الاحتمالي المحصور بين الصفر والواحد، مما يضمن خروج كافة التنبؤات ضمن حدود المنطق الإحصائي السليم دون أي تشويه احتمالي.

1.2 الفروق الجوهرية بين الانحدار الخطي والانحدار اللوجستي

عند محاولة تطبيق نموذج انحدار المربعات الصغرى العادية (Ordinary Least Squares – OLS) على متغير تابع ثنائي—فيما يُعرف بنموذج الاحتمال الخطي (Linear Probability Model – LPM)—يواجه التحليل مآزق نظرية وإحصائية بالغة التعقيد تجعل نتائجه غير موثوقة وغير قابلة للدفاع عنها أكاديمياً. يتمثل القصور الجوهري الأول في إمكانية إنتاج تنبؤات احتمالية غير منطقية بالمرة؛ إذ إن الخط المستقيم لنموذج المربعات الصغرى يستمر في الامتداد الخطي بلا حدود، مما يؤدي بالضرورة إلى توقع احتمالات تفوق القيمة (1.00) عند القيم المرتفعة جداً للمتغيرات المستقلة، أو التنبؤ باحتمالات سالبة تقل عن القيمة (0.00) عند المستويات المنخفضة، وهو خرق صريح لقوانين نظرية الاحتمالات الكلاسيكية التي تشترط بقاء أي مقياس احتمالي ضمن المدى الحقيقي [0, 1].

علاوة على ذلك، ينهار افتراض ثبات تباين الأخطاء العشوائية (Homoscedasticity)، وهو شرط جوهري لصحة اختبارات الدلالة في نموذج الانحدار الخطي العادي. ففي حالة المتغير التابع الثنائي الذي يتبع توزيع بيرنولي (Bernoulli Distribution)، يرتبط التباين ارتباطاً شرطياً ومباشراً بمتوسط الاحتمال عبر المعادلة: Var(ε) = P(1 – P). وبما أن الاحتمال P يتغير بتغير قيم المتغيرات المستقلة X، فإن تباين البواقي يتغير حتماً مع كل مشاهدة، مما يخلق ظاهرة عدم ثبات التباين الحتمي (Heteroscedasticity). كما يبطل افتراض اعتدالية توزيع الأخطاء (Normality of Residuals)؛ إذ لا يمكن للبواقي أن تتبع التوزيع الطبيعي الغوسي، بل تتخذ توزيعاً ثنائي الحدين يقتصر على قيمتين منفصلتين لكل نقطة، مما يُبطل اختبارات t واختبارات F القياسية، ويستوجب حتماً الانتقال إلى الانحدار اللوجستي الذي يستند إلى مبادئ دالة الإمكان الأعظم (Maximum Likelihood Estimation).

1.3 الدالة اللوجستية (Sigmoid) ومفهوم نسبة الأرجحية

تعتمد النمذجة اللوجستية في جوهرها الحسابي على الدالة اللوجستية القياسية، والمعروفة باسم منحنى السجمويد (Sigmoid Curve). وتتخذ هذه الدالة شكلاً بيانياً هندسياً يشبه حرف “S”، حيث تبدأ بمعدل تزايد تدريجي وبطيء عند المستويات الدنيا للاحتمال، ثم تتصاعد بحدة في المنطقة المتوسطة، قبل أن تتسطح تدريجياً لتقترب خطياً ومقارباً (Asymptotically) من القيمة 1.00 دون أن تتجاوزها، وتقترب من القيمة 0.00 دون أن تهبط تحتها أبداً. يُعبر عن الدالة رياضياً بالصيغة الآتية: P = 1 / (1 + e^-z)، حيث يمثل e الأساس الطبيعي للوغاريتمات (Euler’s Number ≈ 2.71828)، بينما يمثل z المجموع الخطي التنبؤي المتولد من المتغيرات المستقلة والمضروبة في معاملاتها المقدرة.

لفهم الآلية التي يتم من خلالها تفسير النتائج، يجب التمييز الرياضي الدقيق بين مفهوم “الاحتمال” (Probability) ومفهوم “الأرجحية” (Odds). فالاحتمال هو نسبة تكرار حدوث الواقعة مقسوماً على إجمالي المحاولات أو الحالات الممكنة (P)، وتتراوح قيمته حصراً بين 0 و 1. أما الأرجحية، فهي النسبة بين احتمال وقوع الحدث إلى احتمال عدم وقوعه، وتُحسب وفق المعادلة: Odds = P / (1 – P)، ومداها الرياضي يمتد من الصفر إلى موجب ما لا نهاية [0, ∞). وعند أخذ اللوغاريتم الطبيعي للأرجحية، نحصل على “لوغاريتم الأرجحية” أو ما يُعرف باللوجت: Logit(P) = ln[P / (1 – P)]. وتكمن عبقرية هذا التحويل الرياضي في أن دالة اللوجت تتطابق تماماً وبشكل خطي مع معادلة الانحدار: ln[P / (1 – P)] = β₀ + β₁X₁ + … + β_kX_k، مما يسمح بتقدير العلاقات غير الخطية للأحداث الثنائية باستخدام أدوات خطية معممة بالغة الإحكام.

2. أهمية وتطبيقات الانحدار اللوجستي في الدراسات الإحصائية والسلوكية

2.1 التنبؤ بالنتائج السلوكية والقرارات المصيرية

يحتل الانحدار اللوجستي مكانة استراتيجية في الأبحاث السلوكية والاجتماعية والاقتصادية، نظراً لأن أغلب القرارات المصيرية التي يتخذها البشر تتبلور في صيغة خيارات ثنائية قاطعة. ففي مجال العلوم النفسية والتربوية، يُوظف النموذج لدراسة محددات النجاح أو الرسوب الأكاديمي، والتنبؤ باحتمالية تسرب الطلاب من التعليم استناداً إلى متغيرات نفسية وسلوكية وديموغرافية مثل الدافعية الذاتية والمستوى الاقتصادي ومعدل ساعات الدراسة الأسبوعية. كما يُستخدم في الدراسات الإكلينيكية والطب السلوكي لتقييم احتمالية الانتكاس لدى المتعافين من الإدمان، أو قياس عوامل الخطر (Risk Factors) المؤدية إلى الإصابة باضطرابات التوتر الحاد، حيث يتيح للباحثين ليس فقط معرفة العوامل ذات الدلالة، بل حساب الحجم النسبي للتأثير الخاص بكل عامل على حدة.

وفي القطاعين المالي والمصرفي، يُمثل الانحدار اللوجستي الركيزة الأساسية لنماذج التصنيف الائتماني (Credit Scoring). حيث تسعى البنوك للتنبؤ بما إذا كان العميل سيتعثر في سداد القرض (1) أم سيلتزم بالسداد المنتظم (0)، بالاعتماد على تاريخه الائتماني، ومستوى دخله، ونسبة الديون إلى الأصول. وتبرز القوة التفسيرية للنموذج في قدرته على تزويد صناع القرار بتقديرات احتمالية كمية دقيقة تدعم السياسات الاحترازية، وتفاضل بين سيناريوهات المخاطر بدلاً من الاعتماد على التقديرات الانطباعية أو الحدس الشخصي الخالي من الإسناد الإحصائي.

2.2 مزايا وتحديات الاعتماد على إكسل في التحليلات الإحصائية المتقدمة

يتيح تطبيق الانحدار اللوجستي داخل برنامج إكسل مزايا تعليمية ومنهجية فريدة لا توفرها البرمجيات الإحصائية الجاهزة؛ فالبرامج المتخصصة غالباً ما تعمل كصناديق مغلقة تستقبل المدخلات وتُخرج جداول النتائج بضغطة زر واحدة دون أن يرى الباحث التدفق الحسابي التكراري الذي قاد لتلك التقديرات. وفي المقابل، يجبر إكسل الباحث على بناء الهيكل الرياضي للدالة اللوجستية خطوة بخطوة، وإعداد خلايا الاحتمالات، وتشييد دالة الإمكان الأعظم، وإدارة خوارزميات الحل التكراري يدوياً. يسهم هذا النهج المباشر في تعزيز الفهم المفاهيمي العميق للنظرية الإحصائية، وإزالة الغموض الرياضي الذي يحيط بعملية تقدير المعاملات.

بالإضافة إلى الجانب التعليمي، يُعد مايكروسوفت إكسل بيئة برمجية عالمية متاحة في شتى المؤسسات الأكاديمية والمهنية دون الحاجة إلى تراخيص برمجية باهظة الثمن أو بيئات تشغيلية معقدة. ومع ذلك، لا يخلو الاعتماد على إكسل من تحديات تقنية؛ إذ يتطلب بناء النماذج جهداً كبيراً في التحضير اليدوي وتدقيق الصيغ الحسابية لتفادي أخطاء المراجع الدائرية أو أخطاء التنسيق. كما يفتقر إكسل إلى الاختبارات التشخيصية الجاهزة للبواقي ومصفوفات التباين والتغاير التلقائية، مما يفرض على المحلل بناء خوارزميات المصفوفات لحساب الأخطاء المعيارية يدوياً، وهو ما يستلزم دقة متناهية وإلماماً متقدماً بالعمليات الحسابية المصفوفية داخل أوراق العمل.

2.3 الشروط المسبقة والافتراضات اللازمة لنجاح التحليل

لضمان الحصول على تقديرات إحصائية دقيقة وغير متحيزة، يجب التحقق من استيفاء مجموعة من الافتراضات الصارمة قبل الشروع في تقدير نموذج الانحدار اللوجستي:

• استقلالية المشاهدات (Independence of Observations): يجب أن تكون الحالات المدروسة مستقلة إحصائياً تماماً عن بعضها البعض، بحيث لا تؤثر استجابة حالة معينة على استجابة الحالات الأخرى، مما يستبعد استخدام هذا النموذج القياسي على البيانات الطولية أو السلاسل الزمنية المتكررة دون تعديلات خاصة (مثل نماذج الانحدار اللوجستي المعمم GEE).
• غياب الارتباط الخطي التام والمتعدد (Absence of Multicollinearity): ينبغي ألا توجد علاقات خطية قوية أو ارتباطات مرتفعة بين المتغيرات المستقلة؛ إذ يؤدي التعدد الخطي إلى تضخم كبير في الأخطاء المعيارية للمعاملات وفقدان استقرار خوارزميات الحل.
• الخطية في لوغاريتم الأرجحية (Linearity in the Logit): يفترض النموذج وجود علاقة خطية دقيقة بين كل متغير مستقل مستمر ولوغاريتم أرجحية المتغير التابع (Log-Odds)، ويمكن اختبار هذا الفرض عبر اختبار بوكس-تيدويل (Box-Tidwell Test).
• كفاية حجم العينة (Adequate Sample Size): تعتمد دالة الإمكان الأعظم على النظريات التقاربية المقاربة للعينة الكبيرة (Asymptotic Properties)، وتوصي الأدبيات بضرورة وجود 10 إلى 20 مشاهدة على الأقل لكل متغير مستقل في الفئة الأقل تكراراً للنتيجة الثنائية (قاعدة الأحداث لكل متغير Events Per Variable – EPV).

3. التجهيز الأولي للبيانات وهيكلتها داخل أوراق عمل إكسل

3.1 ترميز المتغير التابع ثنائي الاستجابة

تبدأ الخطوة العملية الأولى داخل إكسل بالتدقيق الصارم في طبيعة المتغير التابع والتأكد من توافقه المطلق مع القواعد الرقمية للنمذجة؛ إذ لا يمكن لأداة الاستمثال ولا للدوال اللوجستية التعامل مع النصوص الوصفية مثل “نعم/لا”، “مقبول/مرفوض”، أو “ناجح/راسب”. يجب تحويل هذه الفئات بدقة متناهية إلى أرقام ثنائية مجردة، حيث يُخصص الرقم (1) حصراً للفئة التي تعبر عن حدوث الظاهرة أو النجاح، في حين يُخصص الرقم (0) للفئة المرجعية أو غياب الظاهرة.

لتحقيق هذا الترميز بشكل آلي ومنظم وتفادي أخطاء الإدخال البشري، يُنصح بإنشاء عمود جديد مجاور للمتغير الوصفي الأصلي، وتطبيق دالة التحويل الشرطية المتقدمة في إكسل. على سبيل المثال، إذا كانت النصوص الوصفية موجودة في العمود A ابتداءً من الخلية A2، يمكن إدراج الصيغة الآتية في الخلية B2:

=IF(TRIM(A2)="نعم", 1, IF(TRIM(A2)="لا", 0, ""))

تعمل دالة TRIM على إزالة أي مسافات فارغة غير مرئية قد تعيق المقارنة المنطقية للنصوص. وبعد كتابة الصيغة، يتم تعميمها عبر السحب والنقر المزدوج على مقبض التعبئة حتى نهاية صفوف البيانات. ويجب التحقق من خلو العمود الناتج تماماً من أي قيم نصية أو فراغات أو رموز، مع فحص التوزيع التكراري للفئتين للتأكد من عدم وجود قيم شاذة تخرج عن النطاق المسموح (0 أو 1).

3.2 تنظيف وتنظيم المتغيرات التفسيرية (المستقلة)

تشمل مرحلة تحضير المتغيرات المستقلة فحصاً شاملاً للمتغيرات الكمية المستمرة والمتغيرات النوعية الفئوية على حد سواء. بالنسبة للمتغيرات المستمرة (مثل العمر، الدخل، أو ضغط الدم)، يجب مراجعة مقاييس الرسم للتأكد من عدم وجود تفاوت هائل في المقادير العددية؛ إذ إن الجمع بين متغير يتراوح بين 0 و 1 مع متغير آخر يتراوح بين مئات الآلاف قد يؤدي إلى مشاكل في دقة التقارب الرقمي لخوارزميات إكسل، مما قد يستدعي في بعض الأحيان تحويل المتغيرات أو تقييسها (Standardization) بحساب الدرجات المعيارية Z-Scores.

أما بالنسبة للمتغيرات النوعية المستقلة المتعددة الفئات (مثل المستوى التعليمي أو التوزيع الجغرافي)، فلا يجوز إدخالها كأرقام تسلسلية تعسفية (1، 2، 3…) لأن ذلك يفترض ضمناً وجود فترات متساوية وترتيب كمي غير حقيقي. ويكمن الحل المنهجي في إنشاء “المتغيرات الوهمية” (Dummy Variables)، حيث يتم تفكيك المتغير الفئوي المكون من K فئة إلى K-1 من الأعمدة الثنائية الجديدة، بحيث تمثل كل خلية حضور الفئة (1) أو غيابها (0)، وتُترك إحدى الفئات كفئة مرجعية للمقارنة (Reference Category). وبالتوازي مع ذلك، يجب فحص القيم المفقودة (Missing Data)؛ ويُفضل في بيئة إكسل استبعاد الصفوف التي تحتوي على بيانات مفقودة بالكامل إذا كانت العينة كافية، أو تعويضها بمتوسط المتغير في الحالات التي تستوفي معايير المعالجة الإحصائية المعتمدة.

3.3 ترتيب خلايا ورقة العمل لضمان سلاسة الحسابات

يعد الترتيب المكاني لعناصر النموذج الإحصائي داخل ورقة العمل الخطوة الأكثر حساسية لضمان تدفق الحسابات بصورة سلسة وتجنب الارتباك أثناء كتابة الصيغ الحسابية واستدعاء الدوال المصفوفية. القاعدة الذهبية في هذا السياق هي الفصل الصارم بين “كتلة البيانات الأولية والتحويلية” و”كتلة معاملات النموذج والإحصاءات التلخيصية”.

يُنصح بوضع مصفوفة البيانات في الجانب الأيمن أو الأيسر من الورقة ابتداءً من الصفوف العليا، على أن تُخصص الأعمدة الأولى للمتغيرات التفسيرية: X1 في العمود A، و X2 في العمود B، وهكذا، يتبعها مباشرة عمود المتغير التابع الفعلي Y في العمود C. يُفضل بعد ذلك تحويل هذا النطاق إلى “جدول إكسل رسمي” (Excel Table) بالضغط على Ctrl + T، مما يسهل كتابة الصيغ ويضمن تحديث النطاقات تلقائياً في حال إضافة مشاهدات جديدة. وفي المقابل، يُخصص نطاق علوي مستقل، على سبيل المثال في الأعمدة من H إلى J، ليكون لوحة التحكم الإحصائية التي تحتوي على أسماء المعاملات، قيمها التقديرية المبدئية، وخلايا التقييم العام لدالة الإمكان ومؤشرات جودة التوفيق، مع تمييز خلايا المعاملات بألوان محايدة واضحة لتسهيل الإشارة إليها وتثبيتها لاحقاً في صيغ الحساب.

4. تفعيل وإعداد أداة الاستمثال (Solver) في برنامج إكسل

4.1 خطوات تثبيت وظيفة Solver الإضافية في إكسل

تُعد وظيفة Solver الأداة الرياضية الأكثر تطوراً داخل مايكروسوفت إكسل لتنفيذ عمليات الاستمثال المقيد وحل المعادلات غير الخطية المعقدة. لا تظهر هذه الأداة بشكل افتراضي في شريط الأدوات عند تثبيت البرنامج لأول مرة، بل تتطلب تفعيلاً برمجياً بسيطاً من خلال حزمة الوظائف الإضافية المدمجة في النظام الأساسي للبرنامج. لتفعيل أداة Solver، اتبع الخطوات التنفيذية الدقيقة الآتية:

1. انقر على تبويب ملف (File) الموجود في الزاوية العليا، ثم اختر خيارات (Options) من القائمة الجانبية السفلية.
2. ستفتح نافذة خيارات إكسل؛ انقر على قسم الوظائف الإضافية (Add-Ins) من اللوحة الجانبية اليمنى.
3. في أسفل النافذة، تأكد من أن القائمة المنسدلة المسماة إدارة (Manage) محددة على خيار وظائف Excel الإضافية (Excel Add-ins)، ثم اضغط على زر انتقال (Go…).
4. سيظهر مربع حوار يحتوي على قائمة بالحزم الإضافية المتاحة؛ ضع علامة اختيار داخل المربع المقابل لخيار حزمة أداة Solver (Solver Add-in).
5. اضغط على زر موافق (OK) لإتمام التثبيت. بمجرد إغلاق النافذة، توجه إلى تبويب بيانات (Data) في الشريط الرئيسي، وستلاحظ ظهور أيقونة أداة Solver في أقصى يمين الشريط ضمن مجموعة التحليل (Analysis).

في حال عدم ظهور الأداة بعد تطبيق هذه الخطوات، يجب التحقق من سياسات الأمان الخاصة بالماكرو داخل بيئة العمل المؤسسية، أو إعادة تشغيل التطبيق لضمان تسجيل مكتبات الربط الديناميكي (DLL) الخاصة بالأداة بنجاح.

4.2 آلية عمل أداة Solver في خوارزميات الاستمثال غير الخطي

تختلف معالجة نموذج الانحدار اللوجستي اختلافاً جذرياً عن الانحدار الخطي؛ ففي الأخير توجد حلول جبرية مصفوفية مغلقة ومعروفة تُعرف بمعادلات المربعات الصغرى الاعتيادية. أما في الانحدار اللوجستي، فإن دالة الإمكان لوغاريتمية وغير خطية بطبيعتها، مما يجعل من المستحيل رياضياً حل قيم المعاملات بواسطة معادلات جبرية مباشرة ونهائية. ومن هنا يبرز الدور المحوري لأداة Solver، التي تعتمد على خوارزميات البحث التكراري الرقمي المتقدمة لحل مسائل الاستمثال المقيد وغير المقيد.

تستخدم أداة Solver خوارزمية التدرج المخفض المعمم غير الخطي (GRG Nonlinear Algorithm)، وهي خوارزمية تحسين رائدة طُورت بواسطة لاسدون وفانينجتون وليندستروم. تعمل هذه الخوارزمية عبر حساب متجه التدرج للمشتقات الجزئية من الدرجة الأولى لدالة الهدف بالنسبة لكل معامل من المعاملات المجهولة. وتبدأ الخوارزمية من نقطة ابتدائية تقديرية يضعها الباحث، ثم تشرع في التحرك التكراري في اتجاه أقصى تزايد لدالة الإمكان عبر استكشاف “منحدر الدالة”، مع تعديل حجم الخطوة التكرارية بشكل تكيفي حتى تتلاشى التدرجات وتصل الدالة إلى قمة السطح الرياضي، وهو ما يمثل نقطة الحل الأمثل التي تعظم احتمال تطابق النموذج مع البيانات الفعلية الملاحظة.

4.3 ضبط المعايير الدقيقة للتقارب ومحددات الدقة

لضمان وصول خوارزمية Solver إلى الحل الأقصى الحقيقي وتفادي التوقف المبكر عند قمم محلية غير مثلى (Local Optima)، يجب تعديل المعايير الرياضية الدقيقة للتقارب من خلال لوحة الخيارات المتقدمة للمحرك الحسابي. يتم ذلك بالنقر على زر خيارات (Options) داخل النافذة الرئيسية لأداة Solver، ثم الانتقال إلى تبويب محرك GRG Nonlinear.

يُنصح بتعيين معيار التقارب (Convergence) على قيمة بالغة الدقة مثل 0.000001 (أو 1E-06)، وهو ما يجبر الخوارزمية على الاستمرار في الحساب حتى يصبح التغير النسبي في قيمة دالة لوغاريتم الإمكان بين خطوتين متتاليتين أقل من هذه العتبة الصارمة. كما يُفضل تعيين عدد التكرارات القصوى (Max Iterations) عند 1000 تكرار، وزيادة الحد الأقصى للوقت (Max Time) إلى 500 ثانية لتفادي انقطاع التحليل في قواعد البيانات الكبيرة. ومن الإعدادات الحاسمة أيضاً اختيار المشتقات المركزية (Central Derivatives) بدلاً من المشتقات الأمامية (Forward Derivatives)؛ فعلى الرغم من أنها تتطلب وقتاً حسابياً أطول قليلاً، إلا أنها توفر دقة رقمية فائقة في تقريب انحدارات الدالة اللوجستية وتمنع الأخطاء التقريبية التي قد تشوه تقدير المعاملات.

5. تأسيس خلايا معاملات الانحدار وبناء معادلة المجموع الخطي

5.1 تخصيص خلايا معاملات النموذج الإحصائي

قبل الشروع في كتابة أي معادلات حسابية في صفوف البيانات، يجب تأسيس المساحة المخصصة للمعاملات التقديرية التي ستتحكم بها أداة Solver وتعدلها بصورة تكرارية. في منطقة مستقلة من ورقة العمل (ولتكن الخلايا H2:I5)، يتم إنشاء جدول مصغر للمعاملات. في هذا الجدول، نضع عموداً للمسميات وآخر للقيم الرقمية المقدرة:

• الخلية H2: نكتب المسمى “الحد الثابت (Intercept / β₀)”، وتكون القيمة التقديرية المبدئية في الخلية I2.
• الخلية H3: نكتب المسمى “معامل المتغير الأول (β₁)”، والقيمة التقديرية في الخلية I3.
• الخلية H4: نكتب المسمى “معامل المتغير الثاني (β₂)”، والقيمة التقديرية في الخلية I4.

من الضروري للغاية وضع قيم تخمينية أولية (Initial Guesses) في خلايا المعاملات I2:I4 لتبدأ منها الخوارزمية رحلة البحث. يُفضل في معظم الحالات وضع القيمة 0.0 أو 0.001 في كافة هذه الخلايا. يمثل الصفر نقطة انطلاق محايدة تفترض مبدئياً عدم وجود أي تأثير للمتغيرات المستقلة على أرجحية المتغير التابع، مما يضع الاحتمال التنبؤي الأولي عند النقطة 0.50 لكافة الحالات، وهي النقطة التي تملك فيها الدالة اللوجستية أعلى حساسية للمشتقات الأولى، مما يسهل توجيه خوارزمية الاستمثال نحو الاتجاه الصاعد الأمثل بسرعة ودقة عالية.

5.2 بناء معادلة اللوجت (Logit / Z) في الأعمدة التحليلية

بعد تحديد خلايا المعاملات، نعود إلى مصفوفة البيانات الرئيسية لبناء المتغير الوسيط، وهو المجموع الخطي المعروف باسم اللوجت أو الرمز الرياضي Z. يمثل Z التركيبة الخطية الكلاسيكية التي تدمج المتغيرات المستقلة مع المعاملات وفق الصيغة: Z = β₀ + β₁X₁ + β₂X₂ + … + β_kX_k. نقوم بإنشاء عمود جديد تماماً بجوار أعمدة البيانات الفعلية ونطلق على رأسه اسم Z_Logit (وليكن في العمود D ابتداءً من الخلية D2).

يمكن كتابة صيغة Z بطريقتين داخل إكسل. الطريقة الكلاسيكية عبر الضرب المباشر:

=$I$2 + ($I$3 * A2) + ($I$4 * B2)

أما الطريقة الأكثر احترافية وأناقة رياضية—خاصة عند وجود عدد كبير من المتغيرات المستقلة—فهي الاعتماد على دالة الضرب المصفوفي والجمع الصافي SUMPRODUCT. وتُصاغ المعادلة في الخلية D2 على النحو الآتي:

=$I$2 + SUMPRODUCT($I$3:$I$4, A2:B2)

من الأهمية بمكان التأكيد على استخدام علامات التثبيت المطلق ($) لتثبيت نطاقات خلايا المعاملات ($I$2 و $I$3:$I$4)، في حين تُترك مراجع المتغيرات المستقلة نسبية (A2:B2) لكي تتغير تلقائياً عند سحب الصيغة وتعميمها عبر كافة صفوف البيانات حتى نهاية العينة.

5.3 التحقق من سلامة العمليات الحسابية لمصفوفة Z

بمجرد تعميم معادلة اللوجت على كافة الصفوف، يجب إجراء تدقيق منهجي للتأكد من سلامة الصياغة الرياضية وغياب أي خلل فني في ورقة العمل. يبدأ هذا الفحص بالتأكد من عدم ظهور أي من رسائل الأخطاء البرمجية الشهيرة في إكسل مثل #VALUE!، والتي تدل عادةً على وجود نصوص أو مسافات فارغة غير رقمية في أحد أعمدة المتغيرات المستقلة، أو خطأ #REF! الذي ينشأ عن مسح غير مقصود لأحد نطاقات المعاملات المثبتة.

علاوة على ذلك، يجب القيام بحساب يدوي لعينة اختبارية تتكون من صفين أو ثلاثة صفوف متفرقة باستخدام الآلة الحاسبة المستقلة ومقارنتها بالقيمة الظاهرة في عمود Z عند تطبيق القيم الصفرية الابتدائية للمعاملات؛ فإذا كانت المعاملات الأولية تساوي صفراً، يجب أن تكون قيمة Z مساوية تماماً لقيمة الحد الثابت I2 في كافة الصفوف بلا استثناء. كما يجب مراقبة انتشار قيم Z لاحقاً أثناء تقدم عملية التحسين؛ إذ ينبغي أن تنتشر القيم بسلاسة بين الأرقام الموجبة والسالبة (مثلاً من -5 إلى +5) وفق طبيعة البيانات، دون القفز إلى أرقام هائلة غير واقعية قد تدل على حدوث مشاكل في التباعد الحسابي أو الارتباط الخطي التام.

6. حساب الاحتمالات التنبؤية ودالة الإمكان الأعظم في إكسل

6.1 تحويل قيم اللوجت إلى احتمالات شرطية باستخدام دالة الـ Exp

تتمثل الخطوة التحويلية الجوهرية في استبدال قيم Z اللانهائية بتقديرات احتمالية مقيدة بدقة بين الصفر والواحد. يتم ذلك من خلال تطبيق دالة السجمويد الرياضية على كل قيمة من قيم Z المحسوبة. نقوم بإنشاء عمود تحليلي جديد بجوار عمود Z ونسميه Predicted_Prob (P) (وليكن في العمود E، ابتداءً من الخلية E2).

نكتب في الخلية E2 الصيغة الرياضية اللوجستية مستعينين بدالة الأساس الطبيعي المدمجة في إكسل EXP، وفق التركيب الآتي:

=1 / (1 + EXP(-D2))

عند فحص هذا العمود بعد تعميمه على كافة الحالات، نلاحظ الخصائص الإحصائية البديعة للمنحنى اللوجستي: فعندما تكون قيمة D2 موجبة وكبيرة جداً، يقترب ناتج EXP(-D2) من الصفر، مما يجعل الاحتمال النهائي P يقترب بشدة من القيمة 1.000. وعلى العكس تماماً، عندما تكون قيمة Z سالبة وكبيرة، فإن EXP(-D2) تصبح قيمة هائلة، مما يجعل المقام كبيراً جداً، فيهبط الاحتمال التنبؤي ليلامس 0.000. أما عندما تكون قيمة Z مساوية للصفر تماماً، فإن EXP(0) = 1، وبالتالي يكون الاحتمال 1 / (1 + 1) = 0.500، وهو ما يعكس حالة عدم اليقين التام بين وقوع الحدث وعدم وقوعه.

6.2 صياغة دالة الإمكان (Likelihood) لكل حالة فردية

تقوم فلسفة تقدير الإمكان الأعظم على الإجابة عن السؤال الآتي: ما هي قيم المعاملات التي تجعل النتيجة الفعلية الملاحظة في بيانات العينة هي الأكثر ترجيحاً وإمكاناً للحدوث؟ لتحقيق ذلك، يجب حساب “إمكان” (Likelihood – L) كل حالة فردية على حدة. إذا كانت النتيجة الفعلية للحالة هي الحدوث (Y = 1)، فإن إمكان هذه الحالة هو نفس الاحتمال التنبؤي المحسوب لها بواسطة النموذج (L = P). أما إذا كانت النتيجة الفعلية هي عدم الحدوث (Y = 0)، فإن إمكانية حدوث الواقعة الملاحظة هي احتمال الفشل المتمم (L = 1 – P).

يمكن التعبير عن هذه العلاقة الشرطية داخل إكسل في عمود جديد نسميه Likelihood (العمود F، ابتداءً من الخلية F2) باستخدام دالة IF البسيطة:

=IF(C2=1, E2, 1 - E2)

كما يمكن صياغة الدالة بطريقة رياضية بديلة وأكثر تقدماً تجمع الحالتين معاً في صيغة جبرية موحدة دون دوال شرطية، بالاعتماد على خصائص الأسس الرياضية: L = (P^Y) × ((1 – P)^{(1 – Y)}). وتُكتب في الخلية F2 كالآتي:

=(E2^C2) * ((1 - E2)^(1 - C2))

تُظهر هذه المعادلة التوافق التام؛ فعندما تكون C2 = 1، يتحول القوس الثاني إلى القوة صفر مساوياً (1)، ويبقى E2 فقط. وعندما تكون C2 = 0، يتحول القوس الأول إلى القوة صفر ويبقى القوس الثاني (1 - E2)، مما يوفر صياغة احتمالية موحدة تتبع تماماً دالة كثافة بيرنولي للاحتمالات.

6.3 حساب لوغاريتم الإمكان (Log-Likelihood) والمجموع الكلي لدالة الهدف

بما أن المشاهدات الإحصائية مستقلة عن بعضها، فإن دالة الإمكان الكلية للعينة بأكملها تمثل حاصل الضرب المتسلسل (Product) لإمكانات كافة الحالات الفردية: L_total = L₁ × L₂ × … × L_n. ولكن نظراً لأن كل قيمة من قيم الإمكان الفردية محصورة بين الصفر والواحد، فإن ضرب مئات أو آلاف القيم الاحتمالية الصغيرة ببعضها سيؤدي حتماً إلى رقم متناهي الصغر يقترب من الصفر المطلق، وهو ما يسبب عجزاً برمجياً في معالجات الحواسيب يُعرف باسم “الطفحان السفلي الحسابي” (Arithmetic Underflow).

لتجاوز هذه العقبة وتسهيل العمليات الحسابية، نلجأ إلى تطبيق اللوغاريتم الطبيعي، الذي يحول حاصل الضرب التراكمي إلى مجموع جمعي بسيط (Summation). ننشئ عموداً جديداً يُسمى Log_Likelihood (العمود G، ابتداءً من الخلية G2)، ونطبق الصيغة الموسعة الآمنة التي تحسب لوغاريتم الإمكان مباشرة من الاحتمالات لتجنب مشاكل دقة الأعداد العشرية:

=(C2 * LN(MAX(E2, 0.0000000001))) + ((1 - C2) * LN(MAX(1 - E2, 0.0000000001)))

إن إدراج دالة MAX هنا إجراء وقائي حاسم يمنع حدوث خطأ #NUM! القاتل في إكسل؛ إذ إن اللوغاريتم الطبيعي للقيمة صفر غير معرف رياضياً (-∞)، وتضمن دالة MAX ألا تهبط القيمة المدخلة للوغاريتم عن حد أدنى متناهي الصغر. وأخيراً، في خلية مستقلة محددة بوضوح (ولتكن الخلية I6)، نقوم بحساب المجموع الكلي لكافة قيم هذا العمود باستخدام دالة الجمع:

=SUM(G2:G101)

تُمثل الخلية I6 النواة المركزية للتحليل بأكمله، وهي ما يُعرف بـ دالة الهدف الكلية للوغاريتم الإمكان (Total Log-Likelihood – LL). ستكون هذه القيمة سالبة دائماً (لأن لوغاريتم أي رقم أقل من 1 هو رقم سالب)، والهدف الإحصائي هو جعل هذه القيمة أقرب ما يمكن إلى الصفر (أي تعظيمها رياضياً للوصول إلى أعلى قمة ممكنة للإمكان).

7. تشغيل خوارزمية Solver وتقدير المعاملات بطريقة الإمكان الأعظم

7.1 تعريف معالم نافذة Solver البرمجية بدقة

بعد اكتمال الهيكل الرياضي لورقة العمل، نصل إلى لحظة استدعاء أداة التحسين لتقدير المعاملات المجهولة. نتوجه إلى تبويب بيانات (Data) ونضغط على أيقونة Solver لتنبثق النافذة الرئيسية لإعداد معلمات الحل. يجب إدخال المعطيات بدقة متناهية وفق المخطط الإحصائي الآتي:

• تعيين الهدف (Set Objective): نحدد في هذا الحقل الخلية التي تحتوي على المجموع الكلي للوغاريتم الإمكان، وهي الخلية $I$6.
• إلى (To): نختار بشكل قاطع خيار أقصى حد (Max)؛ لأننا نهدف إلى تطبيق مبدأ “الإمكان الأعظم” لتعظيم القيمة اللوغاريتمية السالبة وتقريبها من الصفر. (ملاحظة: في حال فضل الباحث استخدام مقياس الانحراف -2LL، فإنه يختار خيار “أدنى حد Min”).
• عبر تغيير خلايا المتغيرات (By Changing Variable Cells): نحدد نطاق الخلايا التي تحتوي على المعاملات التقديرية المجهولة للنموذج، وهي في مثالنا الخلايا $I$2:$I$4 (المشتملة على الحد الثابت ومعاملات المتغيرات المستقلة).

يضمن هذا الضبط قيام إكسل بتوجيه المحرك الحسابي لتجربة آلاف التوليفات الرقمية للمعاملات $I$2:$I$4، ورصد أثرها التراكمي الفوري عبر أعمدة Z والاحتمالات، وصولاً إلى الخلية $I$6 حتى استقرارها عند القيمة القصوى المطلقة.

7.2 ضبط القيود وخيارات محرك الحل غير الخطي

قبل النقر على أمر التنفيذ، توجد نقطة بالغة الأهمية يقع فيها أغلب الباحثين المبتدئين وتؤدي إلى تشويه تام للنتائج: وهي مربع الاختيار المعنون “جعل المتغيرات غير المقيدة موجبة فقط” (Make Unconstrained Variables Non-Negative). يجب إلغاء تفعيل هذا الخيار تماماً (Uncheck) وتفريغه من علامة الاختيار. إن ترك هذا الخيار مفعلاً سيجبر إكسل على حصر معاملات الانحدار في الأرقام الموجبة فقط، في حين أن معاملات الانحدار اللوجستي الحقيقية يمكن—بل يجب في كثير من الأحيان—أن تكون سالبة تماماً للدلالة على العلاقات العكسية حيث يؤدي تزايد المتغير المستقل إلى انخفاض أرجحية حدوث المتغير التابع.

بعد ذلك، نتوجه إلى القائمة المنسدلة لاختيار طريقة الحل (Select a Solving Method)، ونختار منها حصراً: GRG Nonlinear. تتطلب دوال الاحتمالات اللوجستية محركاً يتعامل مع المنحنيات التمايزية الناعمة غير الخطية، ولا يجوز إطلاقاً اختيار Simplex LP (المخصص للمسائل الخطية الصرفة) أو Evolutionary (الذي يستند إلى الخوارزميات الجينية ويفتقر إلى الدقة في الوصول إلى الحلول التقاربية الدقيقة في هذا النوع من الدوال الإحصائية).

7.3 تنفيذ الحل وفحص رسائل الاستجابة الناتجة

مع اكتمال كافة الإعدادات والخيارات، نضغط على زر حل (Solve) الموجود أسفل نافذة الأداة. خلال أجزاء من الثانية—أو بضع ثوانٍ بحسب حجم قاعدة البيانات—سيقوم إكسل بتنفيذ التكرارات الحسابية. وعند اكتمال العملية، تنبثق نافذة نتائج Solver الرسمية (Solver Results). يجب قراءة نص الرسالة الظاهرة بعناية تحليلية فائقة؛ فالرسالة المثالية التي تؤكد نجاح التحليل الإحصائي هي:

“عثرت أداة Solver على حل. تم استيفاء كل القيود وشروط المثالية” (Solver found a solution. All constraints and optimality conditions are satisfied).

يدل هذا النص على أن خوارزمية GRG قد هبطت بمشتقات دالة الإمكان إلى الصفر وحققت شرط التقارب المحدد. نختار حينها “الاحتفاظ بحل Solver” (Keep Solver Solution) ونضغط على موافق. ستلاحظ على الفور أن الأرقام الافتراضية الصفرية في الخلايا I2:I4 قد استُبدلت بقيم كسرية محددة هي المعاملات التقديرية الحقيقية لطريقة الإمكان الأعظم، كما أن قيمة دالة لوغاريتم الإمكان في I6 قد ارتفعت إلى أقصى قيمة ممكنة لها، لتصبح كافة أوراق العمل جاهزة لمرحلة التفسير والتقييم الإحصائي المتقدم.

8. تفسير المخرجات الإحصائية ومعاملات الانحدار اللوجستي

8.1 التفسير الإحصائي للحد الثابت (Intercept)

يمثل الحد الثابت (β₀)، والمستخرج في الخلية I2، اللوغاريتم الطبيعي لأرجحية حدوث المتغير التابع (Log-Odds) عندما تكون كافة المتغيرات المستقلة المشمولة في النموذج مساوية للصفر تماماً (X₁ = X₂ = … = 0). ونظراً لأن لوغاريتم الأرجحية مقياس مجرد يصعب إدراكه حسياً بشكل مباشر، فإن التفسير المنهجي السليم يقتضي تحويل هذا المعامل إلى احتمال أساسي مجرد (Baseline Probability) باستخدام التحويل اللوجستي العكسي:

P_baseline = 1 / (1 + e^-β₀)

فعلى سبيل المثال، إذا كانت قيمة الحد الثابت المقدرة تساوي -0.847، فإن الأرجحية الأساسية للحدوث عند نقطة الصفر هي e^-0.847 ≈ 0.428، مما يعني أن الاحتمال الأساسي المجرد هو: 1 / (1 + 0.428^-1) ≈ 0.30 (أي بنسبة 30%). ومن الضروري فحص مدى منطقية هذا الأساس الإحصائي في ضوء سياق الظاهرة؛ ففي الدراسات الطبية أو السلوكية، قد لا يكون لقيمة المتغيرات المستقلة عند الصفر أي معنى فيزيائي (مثل أن يكون عمر المريض صفراً أو ضغط دمه صفراً)، وهنا يُنظر إلى الحد الثابت بوصفه مرتكزاً رياضياً للمنحنى يضمن ضبط المحاذاة التنبؤية للنموذج ككل أكثر من كونه قيمة ذات دلالة عملية منفصلة، إلا إذا تم تمركز المتغيرات حول متوسطاتها الحسابية مسبقاً (Mean Centering).

8.2 تحليل معاملات الانحدار (Slopes) وتحويلها إلى نسب أرجحية (Odds Ratios)

تعبر المعاملات المقدرة للمتغيرات التفسيرية (β₁, β₂, …) عن التغير في لوغاريتم أرجحية المتغير التابع الناتج عن زيادة المتغير المستقل المعني بمقدار وحدة واحدة، مع افتراض ثبات باقي المتغيرات في النموذج (Ceteris Paribus). تشير الإشارة الرياضية للمعامل إلى اتجاه العلاقة بصورة مباشرة؛ فالإشارة الموجبة تعني أن ارتفاع المتغير المستقل يزيد من احتمالية وأرجحية حدوث النتيجة، في حين تعني الإشارة السالبة أن ارتفاعه يؤدي إلى كبح وتخفيض أرجحية حدوث النتيجة.

ولكي تصبح هذه المعاملات ذات دلالة تفسيرية عملية واضحة، نقوم بتحويلها إلى ما يُعرف بـ نسبة الأرجحية (Odds Ratio – OR)، وذلك برفع الثابت الطبيعي e إلى أس المعامل التقديري: OR = e^β. ننشئ عموداً جديداً بجوار قيم المعاملات ونطبق فيه دالة إكسل الحسابية:

=EXP(I3)

تُفسر نتائج نسبة الأرجحية وفق ثلاث حالات قياسية حاسمة:

• إذا كانت OR > 1: فإن الزيادة بمقدار وحدة واحدة في المتغير المستقل تؤدي إلى مضاعفة أرجحية حدوث الحدث بمقدار قيمة OR (تأثير إيجابي طردي). على سبيل المثال، إذا كانت OR = 1.45، فهذا يعني أن كل زيادة بوحدة واحدة في المتغير ترفع أرجحية الحدوث بنسبة 45%.
• إذا كانت OR < 1: فإن الزيادة تؤدي إلى خفض أرجحية حدوث الحدث (تأثير وقائي أو سلبي). فإذا كانت OR = 0.70، فهذا يعني انخفاض الأرجحية بنسبة 30% مع كل زيادة بمقدار وحدة واحدة.
• إذا كانت OR = 1: فهذا يعني غياب أي تأثير للمتغير المستقل على أرجحية وقوع الحدث التابع على الإطلاق.

8.3 تطبيق التنبؤ العملي لحالات افتراضية جديدة

تتمثل الثمرة التطبيقية الكبرى لبناء نموذج الانحدار اللوجستي في القدرة على توظيفه كأداة تنبؤية لتقييم حالات واقعية جديدة لم تكن ضمن العينة التدريبية الأصلية. للقيام بذلك داخل ورقة إكسل، ننشئ جدولاً تنبؤياً مستقلاً يحتوي على صفوف مخصصة لمدخلات السيناريوهات المفترضة. في هذا الجدول، يتم إدخال القيم الافتراضية للمتغيرات المستقلة لحالة جديدة مستهدفة (ولتكن قيم X₁ و X₂ في الخلايا K2 و L2).

نقوم بتركيب معادلة اللوجت التنبؤية للحالة الجديدة في الخلية M2 بالربط مع معاملات النموذج النهائية المستخرجة بواسطة أداة Solver:

=$I$2 + ($I$3 * K2) + ($I$4 * L2)

ثم نطبق دالة التحويل الاحتمالي في الخلية المجاورة N2 لحساب الاحتمال التنبؤي النهائي:

=1 / (1 + EXP(-M2))

تتيح هذه الترتيبة التفاعلية لمحلل البيانات وصانع القرار محاكاة سيناريوهات متعددة بمجرد تغيير الأرقام المدخلة في K2 و L2، ورؤية الانعكاس الاحتمالي الفوري على قرار الحالة. يُمكّن ذلك المؤسسات من وضع سياسات مرنة للتدخل المبكر أو التسعير أو القبول استناداً إلى تقييم كمي فوري لمستوى المخاطر المحسوبة لكل فرد أو حالة على حدة.

9. تقييم جودة توفيق النموذج والقدرة التنبؤية في إكسل

9.1 حساب معاملات التحديد الزائفة (Pseudo R-Squared)

في نماذج الانحدار الخطي التقليدية، يُعد معامل التحديد (R²) المقياس الأساسي لتحديد النسبة المئوية للتباين المفسر في المتغير التابع بواسطة المتغيرات المستقلة. أما في الانحدار اللوجستي، فنظراً لغياب مفهوم مجموع مربعات البواقي الكلاسيكي، طوّر الإحصائيون ما يُعرف بمقاييس “التحديد الزائفة” (Pseudo R-Squared)، ويُعد معامل ماكفادين للتحديد (McFadden’s R²) أشهر هذه المقاييس وأكثرها قبولاً ورصانة في الأدبيات القياسية.

لحساب معامل ماكفادين، نحتاج إلى مقارنة لوغاريتم الإمكان للنموذج الكامل المقترح (LL_model) بلوغاريتم الإمكان الخاص بـ “النموذج الأساسي الفارغ” (Null Model – LL_null)، وهو النموذج الذي يشتمل على الحد الثابت فقط دون أي متغيرات مستقلة. لحساب LL_null في إكسل، ننشئ نسخة سريعة من دالة الإمكان على عمود المتغير التابع بمفرده، أو نستخدم الصيغة التحليلية المختصرة المباشرة في خلية مستقلة (ولتكن I7):

=(COUNTIF(C2:C101, 1) * LN(COUNTIF(C2:C101, 1)/COUNT(C2:C101))) + (COUNTIF(C2:C101, 0) * LN(COUNTIF(C2:C101, 0)/COUNT(C2:C101)))

بمجرد توفر قيمة LL_null في الخلية I7 وقيمة LL_model في الخلية I6، نطبق معادلة ماكفادين في الخلية I8:

=1 - (I6 / I7)

يجب الانتباه جيداً إلى أن قيم معامل ماكفادين الزائف تكون دائماً أقل عددياً بكثير من قيم R² المعتادة في الانحدار الخطي؛ فوفقاً للأدبيات المرجعية المعتمدة (مثل ماكفادين نفسه وهير وزملاؤه)، تُعد القيمة التي تتراوح بين 0.20 و 0.40 دليلاً قاطعاً على جودة توفيق استثنائية وفائقة جداً للنموذج اللوجستي، وتكافئ قيماً تزيد عن 0.70 في الانحدار الخطي العادي.

9.2 بناء مصفوفة الارتباك (Confusion Matrix) وجدول التصنيف

تُعد مصفوفة الارتباك (Confusion Matrix) الأداة التشخيصية التجريبية الأبرز لتقييم القدرة التصنيفية العملية للنموذج اللوجستي. تقوم الفكرة على تحويل الاحتمالات المستمرة المحسوبة في العمود E إلى توقعات ثنائية قاطعة (0 أو 1)، عبر مقارنتها بقيمة قطع حرجة محددة سلفاً (Cutoff Value – C)، والتي تُحدد عادةً عند المستوى الكلاسيكي 0.50.

ننشئ عموداً جديداً لتسجيل التصنيف التنبؤي باسم Predicted_Y (العمود H، ابتداءً من الخلية H2)، ونكتب فيه الصيغة الشرطية الآتية:

=IF(E2 >= 0.5, 1, 0)

بعد ذلك، ننتقل إلى بناء جدول متقاطع من خانتين في خانتين في مساحة فارغة من الورقة لتشكيل مصفوفة الارتباك بأقسامها الأربعة، مستخدمين دالة العد الشرطي المتقدم COUNTIFS لحساب التكرارات بدقة:

• الإيجابيات الصادقة (True Positives – TP): الحالات التي توقع النموذج حدوثها وحدثت بالفعل (Y=1 و Pred=1):
  =COUNTIFS(C2:C101, 1, H2:H101, 1)
• السلبيات الصادقة (True Negatives – TN): الحالات التي توقع النموذج عدم حدوثها ولم تحدث فعلاً (Y=0 و Pred=0):
  =COUNTIFS(C2:C101, 0, H2:H101, 0)
• الإيجابيات الكاذبة (False Positives – FP): خطأ من النوع الأول؛ توقع النموذج حدوثها لكنها لم تحدث (Y=0 و Pred=1):
  =COUNTIFS(C2:C101, 0, H2:H101, 1)
• السلبيات الكاذبة (False Negatives – FN): خطأ من النوع الثاني؛ توقع النموذج عدم حدوثها ولكنها حدثت بالفعل (Y=1 و Pred=0):
  =COUNTIFS(C2:C101, 1, H2:H101, 0)

9.3 استخراج مؤشرات الحساسية والدقة والنوعية

بمجرد استخراج القيم العددية للمصفوفة، يمكن استخلاص المؤشرات التشخيصية الحاكمة لأداء التصنيف عبر معادلات بسيطة ومباشرة توفر رؤية متكاملة لمدى كفاءة النموذج التنبؤية:

1. الحساسية (Sensitivity / Recall): تقيس قدرة النموذج على التقاط واكتشاف الحالات الإيجابية الفعلية بنجاح دون إغفالها، وتُحسب بقسمة الإيجابيات الصادقة على إجمالي الحالات الإيجابية الحقيقية:

=TP / (TP + FN)

2. النوعية أو الخصوصية (Specificity): تقيس كفاءة النموذج في تشخيص وتحديد الحالات السلبية الفعلية بدقة وتجنب الإنذارات الكاذبة، وتُحسب بقسمة السلبيات الصادقة على إجمالي الحالات السلبية الحقيقية:

=TN / (TN + FP)

3. الدقة العامة (Overall Classification Accuracy): تمثل النسبة المئوية الإجمالية لكافة الحالات التي نجح النموذج في تصنيفها تصنيفاً صائباً (إيجابياً وسلبياً) من بين مجموع حالات العينة الكلي:

=(TP + TN) / (TP + TN + FP + FN)

تكتسب هذه المقاييس أهمية مضاعفة عند التعامل مع مجموعات بيانات غير متوازنة (Imbalanced Datasets)؛ حيث يمكن للدقة الإجمالية أن تعطي انطباعاً خادعاً إذا كانت إحدى الفئتين تهيمن على الأغلبية الساحقة من العينة، مما يجعل مؤشري الحساسية والنوعية الميزان الأدق لضبط نقطة القطع المثلى وفقاً للتكلفة النسبية لكل نوع من أنواع الخطأ في السياق التطبيقي للبحث.

10. حساب الأخطاء المعيارية والدلالة الإحصائية للمعاملات يدوياً

10.1 مفهوم مصفوفة التغاير ومصفوفة المعلومات (Hessian Matrix)

تتوقف أغلب الشروحات السطحية لانحدار إكسل عند مجرد تقدير قيم المعاملات النقطية عبر Solver دون تقديم اختبارات الدلالة الإحصائية، معللة ذلك بعدم وجود مخرجات تلقائية للأخطاء المعيارية. ومع ذلك، يمكن للباحث المتمرس استخراج البنية الكاملة للاستدلال الإحصائي يدوياً داخل إكسل بالاعتماد على النظرية الرياضية المقاربة للمعلومات الإحصائية؛ إذ تنص نظرية الإمكان الأعظم على أن مصفوفة التباين والتغاير التقاربية للمعاملات (Asymptotic Covariance Matrix – V) تساوي المعكوس الرياضي لـ “مصفوفة معلومات فيشر” الملاحظة، والتي تمثل في جوهرها مصفوفة هسيان (Hessian Matrix) للمشتقات الجزئية الثانية لدالة لوغاريتم الإمكان بعكس الإشارة.

تُصاغ هذه المصفوفة جبرياً بالصيغة المصفوفية المدمجة الرائعة الآتية:

V = (X^T W X)^-1

حيث تمثل X مصفوفة التصميم للبيانات (Design Matrix) بأبعاد (N × K)، وتتضمن عموداً مبدئياً مكوناً من الرقم (1) لمطابقة الحد الثابت ويليه أعمدة المتغيرات المستقلة. بينما تمثل W مصفوفة أوزان قطرية بأبعاد (N × N)، تكون قيم عناصرها القطرية مساوية لتباين بيرنولي المحسوب لكل مشاهدة: W_i = P_i × (1 – P_i)، في حين تكون كافة العناصر غير القطرية أصفاراً مطلقة.

لتطبيق هذا البناء الماتريكسي في إكسل دون الحاجة لتشييد مصفوفة W هائلة الحجم تستهلك الذاكرة، نقوم بإنشاء أعمدة ترجيحية مساعدة. ننشئ عموداً لوزن المشاهدة باسم Weight_W (العمود J)، ونضع في الخلية J2 الصيغة:

=E2 * (1 - E2)

ثم ننشئ مصفوفة البيانات الموزونة بضرب كل متغير من مصفوفة X (بما فيها عمود الآحاد) في الجذر التربيعي للوزن SQRT(W)، مما يسمح بحساب مصفوفة المعلومات عبر ضرب المصفوفات التقليدي.

10.2 استخراج الخطأ المعياري لكل معامل (Standard Error)

لحساب المصفوفة المعكوسة في خطوة مصفوفية موحدة وذكية داخل إكسل، نحدد نطاقاً مربعاً فارغاً يتناسب مع عدد المعاملات (K × K). فإذا كان لدينا حد ثابت ومتغيران مستقلان (3 معاملات إجمالاً)، نحدد نطاقاً من 3 صفوف و 3 أعمدة (وليكن L10:N12).

مع استمرار تحديد هذا النطاق المربع بالكامل، نكتب صيغة المصفوفات المركبة الآتية في شريط المعادلات لدمج الدوال الرياضية MINVERSE (لمعكوس المصفوفة)، و MMULT (لضرب المصفوفات)، و TRANSPOSE (لتدوير المصفوفة)، مطبقة على عمود الوزن والمصفوفة X المكونة من عمود الآحاد وأعمدة المتغيرات (ولنفرض أنها تقع في النطاق A2:C101 بعد إضافة عمود الآحاد كعمود A):

=MINVERSE(MMULT(TRANSPOSE(A2:C101), MMULT(A2:C101 * J2:J101, A2:C101)))

في إصدارات إكسل الحديثة (Microsoft 365 و Office 2021 وما بعدها)، نضغط ببساطة على زر Enter وستتدفق المصفوفة تلقائياً عبر النطاق المحدد، بينما في الإصدارات الأقدم يجب الضغط على التوليفة الكلاسيكية الشهيرة Ctrl + Shift + Enter لحساب المصفوفة ككتلة واحدة.

تمثل المصفوفة الناتجة L10:N12 مصفوفة التباين والتغاير للمعاملات. تمثل القيم الواقعة على القطر الرئيسي لهذه المصفوفة تباين المعاملات المقدرة (Variance of Coefficients): فالخلية L10 هي تباين الحد الثابت، والخلية M11 هي تباين المعامل الأول، والخلية N12 هي تباين المعامل الثاني. ولاستخراج الخطأ المعياري (Standard Error – SE) لكل معامل، نقوم ببساطة بأخذ الجذر التربيعي للعنصر القطري المقابل في جدول المعاملات الرئيسي باستخدام دالة إكسل:

=SQRT(L10)

تُعد هذه الأخطاء المعيارية المقياس الحاسم لدرجة الدقة الإحصائية لتقديرات المعاملات؛ حيث يشير صغر الخطأ المعياري إلى دقة التقدير وضيق نطاق التشتت الاحتمالي حول القيمة المعلمية الحقيقية للمجتمع.

10.3 إجراء اختبار فالد (Wald Test) وحساب القيم الاحتمالية (P-values)

مع توفر المعاملات التقديرية (β) وأخطائها المعيارية المقابلة (SE)، يصبح بالإمكان اختبار الفرضية الصفرية القائلة بأن المعامل في مجتمع الدراسة يساوي صفراً (H₀: β_j = 0)، وهو ما يعني غياب أي أثر إحصائي للمتغير المستقل. ولتحقيق ذلك، نعتمد على إحصاء فالد (Wald z-statistic)، والذي يُحسب بقسمة المعامل التقديري على خطئه المعياري في عمود مخصص في لوحة النتائج:

=I3 / J3

يتبع هذا المقياس تقاربياً التوزيع الطبيعي المعياري القياسي (Standard Normal Distribution – Z). ولاستخراج القيمة الاحتمالية ثنائية الطرف (Two-Tailed P-value) المرتبطة بإحصاء فالد، نطبق دالة التوزيع الطبيعي المتراكم المدمجة في إكسل NORM.S.DIST في الخلية المجاورة، وفق الصيغة الرياضية الدقيقة الآتية:

=2 * (1 - NORM.S.DIST(ABS(K3), TRUE))

تضمن دالة ABS أخذ القيمة المطلقة للمقياس لاحتساب الاحتمال في طرفي المنحنى التوزيعي بصورة سليمة تماماً. إذا كانت القيمة الاحتمالية المحسوبة أقل من مستوى الدلالة المعياري المعتمد (α = 0.05)، فإننا نرفض الفرضية الصفرية ونتوصل بثقة إحصائية إلى أن المتغير المستقل المعني يتمتع بتأثير ذي دلالة إحصائية على لوغاريتم أرجحية المتغير التابع.

ولاستكمال منظومة الاستدلال الإحصائي الرصينة، نقوم ببناء حدود فترات الثقة 95% لمعاملات الانحدار ونسب الأرجحية. نستخدم القيمة الحرجة للتوزيع الطبيعي عند مستوى ثقة 95% وهي 1.96، وتُصاغ حدود الثقة للمعامل (β) على النحو الآتي:

• الحد الأدنى لفترة ثقة المعامل (Lower 95% CI): =I3 - (1.96 * J3)
• الحد الأعلى لفترة ثقة المعامل (Upper 95% CI): =I3 + (1.96 * J3)

ثم نستخرج حدود فترة الثقة المقابلة لنسبة الأرجحية برفع الأساس e إلى قوى تلك الحدود: =EXP(Lower_CI) و =EXP(Upper_CI). وإذا كانت فترة ثقة نسبة الأرجحية لا تشتمل على الرقم (1.00) داخل نطاقها، فإن ذلك يؤكد الدلالة الإحصائية للمتغير المستقل بصورة قاطعة وواضحة.

11. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها أثناء التحليل في إكسل

11.1 مشكلات تقارب أداة Solver وحلول إعادة الضبط

أثناء تشغيل أداة Solver، قد يواجه المحلل رسائل إخفاق غير متوقعة تحول دون الوصول إلى التقديرات الإحصائية المثلى. أشهر هذه الرسائل هي: “تعذر على أداة Solver العثور على حل قابل للتطبيق” (Solver could not find a feasible solution) أو “تباعدت قيم دالة الهدف” (The Objective values do not converge). تنشأ هذه المشاكل عادةً عن سوء تحديد النقطة التخمينية المبدئية أو وجود تعقيدات رياضية شديدة في سطح الدالة الاحتمالية.

للتغلب على هذه المشكلات التقنية وإعادة ضبط الأداة للعمل بنجاح، يُوصى باتباع التدابير التصحيحية الآتية:

1. تغيير القيم الابتدائية (Initial Values): إذا بدأت الحسابات بأصفار وفشلت الخوارزمية، جرب إدخال أرقام كسرية عشوائية صغيرة جداً مثل 0.01 أو -0.01 في خلايا المعاملات؛ فغالباً ما يساعد هذا التغيير الطفيف الخوارزمية على كسر التناظر والتخلص من التدرجات المستوية التي تعيق الانطلاق.
2. تفعيل خيار “استخدام البداية المتعددة” (Use Multistart): يقع هذا الخيار داخل نافذة خيارات Solver في تبويب GRG Nonlinear. عند تفعيله، يقوم البرنامج تلقائياً بتجربة نقاط انطلاق عشوائية متعددة عبر فضاء الحل لاختبار شمولية القمة وتفادي الوقوع في القمم المحلية الخادعة.
3. مراجعة المقاييس العددية للمتغيرات (Variable Scaling): إذا كان أحد المتغيرات المستقلة مقاساً بوحدات ضخمة جداً (كالرواتب بمئات الآلاف) ومتغير آخر بوحدات دقيقة (كنسب مئوية)، يؤدي هذا التفاوت إلى جعل سطح الدالة بيضاوياً ممتداً بشكل مفرط (Ill-conditioned surface)، مما يعيق حركة خوارزمية GRG. والحل الجذري هو إعادة تحجيم المتغير الكبير بقسمته على 1,000 أو 10,000 داخل مصفوفة البيانات قبل إجراء التحليل.

11.2 ظاهرة الفصل التام وشبه التام (Complete and Quasi-Complete Separation)

تُعد ظاهرة “الفصل التام” (Complete Separation) أو شبه التام (Quasi-Complete Separation) واحدة من أخطر الكوارث الرياضية التي تواجه نماذج الانحدار اللوجستي في قواعد البيانات المحدودة أو المنحازة. تحدث هذه الظاهرة عندما يكون هناك متغير مستقل معين (أو توليفة خطية من المتغيرات) قادراً على التنبؤ بالمتغير التابع بشكل قاطع ومطلق بنسبة 100% دون أي شذوذ أو خطأ تصنيفي في العينة (على سبيل المثال: كافة الحالات التي يزيد فيها دخلها عن 5000 قبلت القرض، وكل من قل دخله عن ذلك رُفض تماماً).

من الناحية الرياضية، لكي يتنبأ النموذج باحتمال قاطع يساوي (1.00) أو (0.00) مطلقين، يجب أن تتجه قيمة اللوجت Z إلى موجب ما لا نهاية (+∞) أو سالب ما لا نهاية (-∞). ونتيجة لذلك، تسعى خوارزمية Solver للاستمرار في زيادة قيمة معامل هذا المتغير إلى ما لا نهاية في محاولة مستحيلة لبلوغ الاحتمال الكامل، مما يؤدي إلى تضخم رقمي شاذ في قيمة المعامل المقدر (مثل أن يظهر المعامل برقم 842.15)، وتضخم هائل موازٍ في خطئه المعياري ليصل إلى ملايين، مع خروج القيمة الاحتمالية P-value بنتيجة مضللة تقترب من 1.00 بدلاً من أن تكون ذات دلالة إحصائية.

عند اكتشاف هذه الحالة، يجب على الباحث ألا يقبل مخرجات Solver الشاذة. وتتضمن استراتيجيات المعالجة المنهجية:

• دمج الفئات الصغيرة إذا كان المتغير فئوياً لتقليل التجزئة المفرطة.
• استبعاد المتغير المسبب للفصل التام وتوثيق ذلك منهجياً في التقرير بوصفه محدداً حتمياً مطلقاً لا يحتاج إلى نمذجة احتمالية تكرارية.
• استخدام أساليب الانحدار الجزائي المتطورة مثل انحدار فيرث اللوجستي (Firth’s Penalized Likelihood)، وهو أسلوب يتطلب بيئات برمجية متخصصة مثل R للتعامل مع العينات الصغيرة ذات الفصل التام.

11.3 فحص الارتباط الخطي المتعدد بين المتغيرات التفسيرية

يؤدي الارتباط الخطي القوي بين اثنين أو أكثر من المتغيرات المستقلة المشمولة في النموذج (Multicollinearity) إلى زعزعة استقرار التقديرات الإحصائية لمصفوفة المعلومات المعكوسة. فعندما تتكرر نفس المعلومة التفسيرية عبر متغيرين مرتبطين ارتباطاً وثيقاً (مثل الطول والوزن، أو مستوى الدخل السنوي والإنفاق الاستهلاكي)، تصبح مصفوفة (XT W X) قريبة من المصفوفات المفردة الشاذة (Singular Matrix)، مما يجعل عملية قلب المصفوفة عبر دالة MINVERSE محفوفة بعدم الاستقرار الرقمي وينتج عنه أخطاء معيارية متضخمة بشدة تجعل المتغيرات تبدو غير ذات دلالة إحصائية على الرغم من أهميتها الجوهرية.

لفحص هذا الافتراض داخل إكسل، نتوجه إلى حزمة أدوات تحليل البيانات الأساسية (Data Analysis Toolpak) في تبويب بيانات، ونختار أداة الارتباط (Correlation). نقوم بتحديد نطاق كافة المتغيرات المستقلة فقط، واستخراج “مصفوفة معاملات الارتباط الثنائية” (Correlation Matrix). إذا أظهرت المصفوفة وجود معامل ارتباط بيرسون يتجاوز 0.80 أو 0.85 بين أي زوج من المتغيرات، فإن هذا يشير إلى خطر داهم لوجود تعدد خطي خطير.

ولمعالجة هذه المعضلة في بيئة إكسل، يتعين على المحلل الاختيار بين استبعاد أحد المتغيرين المتكررين والاحتفاظ بالمتغير الأكثر اتساقاً مع النظرية العلمية وسياق البحث، أو دمجهما معاً في مؤشر تركيبي موحد يعبر عن البعد المشترك بينهما عبر حساب المتوسط المعياري، مما يعيد النموذج إلى استقراره الرياضي ويحمي الأخطاء المعيارية من التضخم الزائف.

12. مقارنة إكسل بالبرمجيات الإحصائية وتوثيق النتائج وفق المعايير العلمية

12.1 مطابقة نتائج إكسل مع حزم التحليل الإحصائي المتقدمة (SPSS و R و Python)

تثور دائماً تساؤلات منهجية وشكوك أكاديمية حول مدى موثوقية وجودة الحسابات الإحصائية المتقدمة المنجزة يدوياً داخل مايكروسوفت إكسل مقارنة بالحزم البرمجية الإحصائية المتخصصة والمعتمدة دولياً مثل IBM SPSS Statistics ولغة R البرمجية وحزم لغة بايثون (مثل statsmodels و scikit-learn). ومن الناحية الرياضية المجردة، إذا تم تطبيق الخطوات الموضحة في هذا الدليل بدقة، فإن دالة الإمكان الأعظم هي كيان رياضي ثابت وموضوعي، ويجب أن تتطابق تقديرات إكسل الناتجة عن أداة Solver مع مخرجات البرمجيات الأخرى حتى المنزلة العشرية الرابعة أو الخامسة على الأقل.

يوضح الجدول المقارن الآتي دراسة مطابقة تجريبية نموذجية تم إجراؤها على نفس مجموعة البيانات بين إكسل (باستخدام محرك GRG Nonlinear ومعيار تقارب 1E-06) والبرمجيات المتخصصة:

المقياس الإحصائي	مايكروسوفت إكسل (Solver)	برنامج IBM SPSS	لغة R (دالة glm)	الفرق المطلق
الحد الثابت (β0)	-1.24582	-1.24581	-1.245816	< 0.00001
معامل المتغير X1	0.05431	0.05431	0.054312	0.00000
معامل المتغير X2	-0.89214	-0.89215	-0.892147	< 0.00001
لوغاريتم الإمكان (LL)	-48.2163	-48.2163	-48.21634	0.00000
الخطأ المعياري (SE X1)	0.01822	0.01822	0.018219	0.00000

تُعزى الفروق الطفيفة جداً—التي تظهر في بعض الأحيان بعد المنزلة العشرية الرابعة—إلى اختلافات ثانوية في معايير التوقف التكراري، أو استخدام البرمجيات الأخرى لخوارزمية “نيوتن-رافسون” (Newton-Raphson) القياسية أو خوارزمية Fisher Scoring التي تعتمد على مصفوفة المعلومات المتوقعة (Expected Information) بدلاً من مصفوفة المعلومات الملاحظة المستخدمة في خوارزميات الاستمثال العام، وهي فروق رياضية هامشية لا تؤثر إطلاقاً على الاستنتاجات العلمية أو القرارات التطبيقية للتحليل.

12.2 الحدود التشغيلية لإكسل ومتى ينبغي الانتقال لبرامج بديلة

على الرغم من النجاح الباهر لإكسل كأداة تعليمية وتطبيقية للبيانات المحدودة والمتوسطة، إلا أن له حدوداً تشغيلية ومنهجية صارمة يجب على الباحث إدراكها بوضوح لمعرفة التوقيت المناسب للانتقال إلى البيئات البرمجية الأكثر تخصصاً. وتتمثل أبرز هذه المحددات في:

• حجم البيانات والتعقيد الحسابي (Big Data): عند التعامل مع قواعد بيانات ضخمة تحتوي على مئات الآلاف أو ملايين الصفوف وعشرات المتغيرات، تصبح إعادة حساب أوراق العمل ومصفوفات الأوزان في إكسل بطيئة ومستهلكة للذاكرة العشوائية بصورة هائلة، مما يؤدي إلى تجمد البرنامج وعجز Solver عن التقارب في أوقات معقولة.
• النماذج اللوجستية المتقدمة: يقتصر هذا التطبيق العملي في إكسل على الانحدار اللوجستي الثنائي البسيط؛ أما في حال كان المتغير التابع متعدد الفئات الاسمية (Multinomial Logistic Regression) أو فئوياً ترتيبياً (Ordinal Logistic Regression)، فإن كتابة الدوال التراكمية والاحتمالات المتعددة يدوياً تصبح بالغة التعقيد وعرضة للأخطاء بصورة لا تُقارن بالسهولة البرمجية لكتابة سطر كود واحد في R أو Stata.
• غياب أدوات تشخيص البواقي المتقدمة: تفتقر جداول إكسل إلى الآليات التلقائية لحساب بواقي بيرسون المعيارية (Standardized Pearson Residuals)، وبواقي الديفيانس (Deviance Residuals)، ومسافة كوك (Cook’s Distance)، واختبار هوسمر-ليمشو لجودة التوفيق (Hosmer-Lemeshow Test)، مما يتطلب جهداً يدوياً هائلاً لبنائها من الصفر. وعندما تتطلب الورقة البحثية مصفوفات تشخيصية عميقة للتأكد من خلو النموذج من المشاهدات الشاذة المؤثرة (Influential Outliers)، يصبح الانتقال لبرامج متخصصة ضرورة منهجية لا غنى عنها.

12.3 صياغة وتوثيق نتائج الانحدار اللوجستي وفق دليل الجمعية الأمريكية لعلم النفس (APA)

يعد التوثيق العلمي الدقيق للنتائج الإحصائية الخطوة النهائية والأكثر أهمية لضمان قبول الأبحاث في المجلات المحكمة ذات معامل التأثير المرتفع. وتفرض المعايير الصادرة عن الجمعية الأمريكية لعلم النفس (APA Style – الإصدار السابع) بروتوكولاً محدداً لعرض مخرجات الانحدار اللوجستي، يشمل صياغة جدول قياسي منظم مصحوباً بفقرة تفسيرية نصية محكمة.

يجب أن يشتمل جدول تقرير الانحدار اللوجستي الرسمي في APA على المعاملات غير المعيارية (B)، والأخطاء المعيارية (SE)، وإحصاء فالد (Wald’s z)، ومستويات الدلالة الإحصائية (p)، ونسب الأرجحية [Odds Ratio – Exp(B)]، وفترات الثقة 95% لنسب الأرجحية [95% CI]. ويُنسق الجدول علمياً على النحو الآتي:

جدول 1: نتائج نموذج الانحدار اللوجستي للتنبؤ بالنجاح الأكاديمي

المتغير التنبؤي	B	SE	Wald z	p	OR	95% CI لـ OR
الحد الثابت	-2.145	0.652	-3.29	.001	0.117	—
ساعات الاستذكار (X1)	0.142	0.045	3.16	.002	1.153	[1.055, 1.259]
قلق الاختبار (X2)	-0.584	0.198	-2.95	.003	0.558	[0.378, 0.822]

ملاحظة: R² ماكفادين = .245؛ لوغاريتم الإمكان الكلي = -45.12؛ حجم العينة N = 120. تشير الأقواس المعقوفة إلى حدود فترة الثقة [الحد الأدنى، الحد الأعلى].

أما من حيث الصياغة النصية الأكاديمية المصاحبة للجدول وفق دليل APA، فتتم كتابتها بأسلوب يربط الأرقام بالدلالات الموضوعية على النحو الآتي:

“تم إجراء تحليل انحدار لوجستي ثنائي لتقييم أثر كل من ساعات الاستذكار الأسبوعية ومستوى قلق الاختبار على احتمالية النجاح في الاختبار النهائي. أظهر النموذج دلالة إحصائية وجودة توفيق ممتازة وفقاً لمعامل ماكفادين للتحديد الزائف (McFadden’s R² = .245)، مع لوغاريتم إمكان نهائي بلغ -45.12. وأسفرت النتائج عن وجود تأثير إيجابي دال إحصائياً لساعات الاستذكار على أرجحية النجاح (B = 0.142, SE = 0.045, p = .002)؛ حيث تشير نسبة الأرجحية (OR = 1.153, 95% CI [1.055, 1.259]) إلى أن كل زيادة بمقدار ساعة استذكار واحدة ترفع من أرجحية نجاح الطالب بنسبة 15.3% مع ثبات المتغيرات الأخرى. وفي المقابل، ارتبط قلق الاختبار بانخفاض دال إحصائياً في أرجحية النجاح (B = -0.584, SE = 0.198, p = .003, OR = 0.558, 95% CI [0.378, 0.822])، مما يشير إلى أن ارتفاع قلق الاختبار بوحدة واحدة يخفض أرجحية النجاح بنسبة 44.2% تقريباً.”

خاتمة

تناول هذا الدليل التطبيقي الموسع المسار المتكامل لتنفيذ الانحدار اللوجستي الثنائي داخل بيئة مايكروسوفت إكسل، بدءاً من تفكيك المفاهيم الرياضية لتحويل اللوجت ودالة السجمويد، وصولاً إلى المعالجة الهيكلية للبيانات وترميز المتغيرات الثنائية والوهمية. وقد استعرضنا خطوة بخطوة كيفية توظيف أداة الاستمثال المتقدمة Solver لتعظيم دالة لوغاريتم الإمكان عبر خوارزمية GRG Nonlinear، وكسر قيود المعالجات التلقائية عبر الاشتقاق اليدوي الكامل للأخطاء المعيارية من مقلوب مصفوفة معلومات فيشر وهسيان باستخدام دوال المصفوفات المتقدمة، وإجراء اختبارات فالد التشخيصية وحساب نسب الأرجحية ومؤشرات جودة التوفيق ومصفوفة الارتباك.

إن بناء هذه النماذج في بيئة الجداول الحسابية يمنح الباحثين والمحللين رسوخاً مفاهيمياً وعمقاً تحليلياً استثنائياً؛ إذ يحول المفاهيم الإحصائية المجردة إلى تدفقات رقمية حية ومرئية تحت السيطرة المباشرة للمحلل. وبالرغم من وجود حدود تشغيلية تحتم الانتقال إلى البيئات البرمجية المتخصصة عند التعامل مع مجموعات البيانات الضخمة أو النماذج اللوجستية المعقدة، يظل إتقان الانحدار اللوجستي في إكسل مهارة أساسية وأصيلة تُثري الكفاءة المنهجية، وتضمن بناء تحليلات رصينة، وتوفر فهماً شفافاً للآليات الرياضية الكامنة خلف اتخاذ القرارات القائمة على البيانات وفق أعلى المعايير العلمية المتعارف عليها عالمياً.

المراجع

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118548387
• Lasdon, L. S., Waren, A. D., Jain, A., & Ratner, M. (1978). Design and testing of a generalized reduced gradient code for nonlinear programming. ACM Transactions on Mathematical Software, 4(1), 34–50. https://doi.org/10.1145/355769.355773
• McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior. In P. Zarembka (Ed.), Frontiers in econometrics (pp. 105–142). Academic Press.
• Menard, S. (2002). Applied logistic regression analysis (2nd ed.). SAGE Publications. https://doi.org/10.4135/9781412983433
• Microsoft Corporation. (2023). Define and solve a problem by using Solver. Microsoft Support. https://support.microsoft.com/en-us/office/define-and-solve-a-problem-by-using-solver-5d1a388f-079d-43ac-a7eb-f63e45925040
• Peng, C. Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An introduction to logistic regression analysis and reporting. The Journal of Educational Research, 96(1), 3–14. https://doi.org/10.1080/00220670209598786