كيفية إجراء الانحدار اللوجستي في SPSS

يُمثّل التحليل الإحصائي حجر الزاوية في بناء المعرفة العلمية الرصينة داخل حقول العلوم النفسية، والسلوكية، والاجتماعية، والطبية. ومع تعقّد الظواهر الإنسانية وتداخل مسبباتها، بات الباحثون بحاجة ماسة إلى أدوات كمية متقدمة تتجاوز حدود الوصف البسيط أو الارتباط الخطي الكلاسيكي، لتصل إلى النمذجة التنبؤية القادرة على تفسير القرارات، والسلوكيات، والمخرجات الحرجة. ويبرز الانحدار اللوجستي (Logistic Regression) بوصفه أحد أقوى وأشمل النماذج الإحصائية المنضوية تحت مظلة النماذج الخطية المعممة (Generalized Linear Models)، حيث يُمكّن الباحث من فحص العلاقات السببية والتنبؤ باحتمالية وقوع حدث معين عندما يكون المتغير التابع ثنائي التقسيم أو فئوياً، متغلباً بذلك على القصور الجوهري لنموذج الانحدار الخطي العادي (Ordinary Least Squares – OLS).

تكمن قوة الانحدار اللوجستي في قدرته الفائقة على معالجة البيانات غير الخطية وتحويل الاحتمالات المحصورة نظرياً بين الصفر والواحد إلى مقياس خطي مستمر يمتد من اللانهاية السالبة إلى اللانهاية الموجبة عبر استخدام تحويل اللوجت (Logit Transformation). ويتيح هذا التحويل للباحثين دراسة ظواهر معقدة مثل: التنبؤ بحدوث الانتكاسة النفسية لدى مرضى الإدمان (نعم/لا)، أو استشراف قرار التسرب الأكاديمي لدى طلاب الجامعات، أو تحديد العوامل الديموغرافية والنفسية المساهمة في الإصابة باضطراب ما بعد الصدمة. وتُعد حزمة البرامج الإحصائية للعلوم الاجتماعية IBM SPSS Statistics البيئة البرمجية الأكثر شيوعاً واعتماداً لتطبيق هذه النماذج بفضل واجهتها التفاعلية الدقيقة وقدراتها التشخيصية الشاملة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي عميق لجميع مراحل تنفيذ وتفسير وتشخيص وتوثيق نماذج الانحدار اللوجستي الثنائي في بيئة SPSS. سنستعرض في هذا المقال الخلفيات الرياضية والمفاهيمية، والافتراضات المنهجية الصارمة، وخطوات تهيئة البيانات، والمسارات الإجرائية داخل البرنامج، متبوعةً بقراءة تحليلية مفصلة لجداول المخرجات، واستخراج نسب الأرجحية، وتقييم جودة المطابقة، وتتبع الحالات المؤثرة والبواقي الشاذة، وصولاً إلى صياغة النتائج وفق أعلى المعايير الأكاديمية المعتمدة في دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. المفاهيم النظرية للانحدار اللوجستي واستخداماته الإحصائية

1.1 تعريف الانحدار اللوجستي وطبيعة المتغير التابع الثنائي

يُعرَّف الانحدار اللوجستي بأنه أسلوب إحصائي تنبؤي يُستخدم لتقدير احتمالية انتماء مشاهدة معينة إلى إحدى فئتي متغير تابع نوعي (Categorical Dependent Variable) بالاعتماد على متغير مستقل واحد أو أكثر، سواء كانت تلك المتنبئات كمية متصلة أو فئوية نوعية. يكمن الفرق الجوهري بين الانحدار الخطي العادي والانحدار اللوجستي في طبيعة المتغير التابع وشكل العلاقة المفترضة؛ فبينما يفترض الانحدار الخطي أن المتغير التابع مستمر وغير مقيد وله توزيع طبيعي وتجانس في التباين، فإن المتغير التابع في الانحدار اللوجستي الثنائي هو متغير منفصل ثنائي القيمة (Dichotomous/Binary) يُرمّز عادة بالرقمين (0 و 1)، مثل: (0 = غير مصاب، 1 = مصاب) أو (0 = لم ينجح، 1 = نجح).

لو طُبِّق الانحدار الخطي التقليدي على متغير تابع ثنائي (وهو ما يُعرف بنموذج الاحتمال الخطي – Linear Probability Model)، لظهرت مشكلات منهجية جسيمة؛ أبرزها تنبؤ النموذج باحتمالات مستحيلة تقع خارج المجال المنطقي للاحتمال الرياضي [0، 1] كأن ينتج احتمال مقداره 1.35 أو -0.20، فضلاً عن الانتهاك الصريح لفرضية التوزيع الطبيعي للبواقي وتجانس التباين (Heteroscedasticity) المتأصل في التوزيعات الثنائية (توزيع برنولي). ولتجاوز هذه المعضلات، يعتمد الانحدار اللوجستي على دالة اللوجت (Logit Function)، وهي عبارة عن اللوغاريتم الطبيعي لنسبة الأرجحية (Natural Log of Odds)، وتُصاغ رياضياً كما يلي:

$$\text{Logit}(P) = \ln\left(\frac{P}{1 – P}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + dots + \beta_k X_k$$

حيث يُمثل $P$ احتمالية وقوع الحدث المستهدف ($Y = 1$)، بينما تمثل $(1 – P)$ احتمالية عدم وقوعه ($Y = 0$). وبفضل هذه الدالة، يتم تحويل نطاق الاحتمالات المقيد بين [0، 1] إلى مقياس أرجحية غير مقيد يتراوح بين $[0, +\infty]$، ثم إلى مقياس لوغاريتمي متصل يمتد من $[-\infty, +\infty]$. وتتجلى أهمية هذا التحليل في العلوم السلوكية والنفسية عند دراسة قرارات الامتثال للعلاج النفسي، والتنبؤ باضطرابات السلوك، وتفسير خيارات الأفراد في الاستجابة للمثيرات الاجتماعية المتعددة.

1.2 أنواع نماذج الانحدار اللوجستي المتاحة في البحث العلمي

تتعدد نماذج الانحدار اللوجستي بتعدد مستويات القياس وطبيعة الفئات المكونة للمتغير التابع، مما يمنح الباحثين مرونة فائقة لمعالجة مختلف التصاميم المنهجية. ويُعد الانحدار اللوجستي الثنائي (Binary Logistic Regression) النموذج الأكثر شيوعاً واستخداماً، وهو مخصص حصرياً للمخرجات التي تنقسم إلى فئتين متنافيتين وشاملتين (مثل: اجتياز الاختبار مقابل الرسوب، القبول الوظيفي مقابل الرفض).

أما إذا اشتمل المتغير التابع على ثلاث فئات أو أكثر غير مرتبة (اسمية)، فإن النموذج الواجب استخدامه هو الانحدار اللوجستي المتعدد (Multinomial Logistic Regression). يُطبَّق هذا النموذج عند دراسة متغيرات مثل: اختيار التخصص الأكاديمي (إنساني، علمي، هندسي، طبي)، أو تصنيف أنماط الشخصية غير المتدرجة؛ حيث يقوم البرنامج بمقارنة كل فئة بفئة مرجعية محددة مسبقاً عبر سلسلة من معادلات اللوجت المتزامنة.

وفي المقابل، عندما تكون فئات المتغير التابع متعددة ولكنها تحمل ترتيباً منطقياً متدرجاً (Ordinal)، كما في مقاييس حدة الاكتئاب (خفيف، متوسط، شديد) أو مستويات الرضا الوظيفي (منخفض، متوسط، مرتفع)، فإن الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression) يُعد الخيار الأمثل، مستنداً إلى فرضية الخطوط المتوازية أو الاحتمالات التراكمية (Proportional Odds Assumption). يتطلب الاختيار السليم بين هذه النماذج وعياً إبستمولوجياً ومنهجياً عميقاً بطبيعة المتغيرات وأسئلة البحث وأهداف التعميم الإحصائي.

1.3 أهمية نسب الأرجحية (Odds Ratios) والتحليل الاحتمالي

يُعد استيعاب التمايز الدقيق بين مفهومي الاحتمالية (Probability) والأرجحية (Odds) الركيزة الأساسية لتفسير مخرجات الانحدار اللوجستي. الاحتمالية هي نسبة عدد مرات حدوث الواقعة إلى إجمالي عدد المحاولات الكلية ($P = \frac{\text{Events}}{\text{Total}}$)، وتتراوح دائماً بين 0 و 1. أما الأرجحية فهي نسبة احتمالية وقوع الحدث إلى احتمالية عدم وقوعه ($\text{Odds} = \frac{P}{1 – P}$). فعلى سبيل المثال، إذا كان احتمال تعافي المريض من نوبة الاكتئاب هو 0.80، فإن احتمال عدم التعافي هو 0.20، وتكون أرجحية التعافي مساوية لـ $\frac{0.80}{0.20} = 4$، أي أن فرصة تعافيه تعادل أربعة أضعاف فرصة عدم تعافيه.

تُعرف القيمة الأسية لمعامِل الانحدار في برنامج SPSS باسم $\text{Exp}(B)$، وهي تمثل نسبة الأرجحية (Odds Ratio – OR). تشير هذه القيمة إلى التغير النسبي في أرجحية حدوث المتغير التابع لكل زيادة بمقدار وحدة واحدة في المتغير المستقل المعني، مع تثبيت باقي المتغيرات في النموذج. إذا كانت قيمة $\text{Exp}(B) > 1$، دل ذلك على أن زيادة المتغير المستقل ترتبط بزيادة أرجحية حدوث المتغير التابع (عامل خطورة أو تعزيز). وإذا كانت $\text{Exp}(B) < 1$، دل ذلك على أن زيادة المتغير المستقل تقلل من أرجحية حدوث التابع (عامل حماية أو تثبيط)، بينما تعني القيمة $\text{Exp}(B) = 1$ غياب أي تأثير إحصائي.

لا يكتمل التفسير العلمي لنسب الأرجحية دون فحص فترات الثقة (Confidence Intervals – 95% CI) المرافقة لها. تُشير فترة الثقة التي لا تشتمل على القيمة (1.00) إلى دلالة إحصائية حقيقية عند مستوى دلالة $\alpha = 0.05$، مما يتيح للباحث تعميم النتائج على المجتمع الأصلي بثقة علمية عالية، وتفادي الوقوع في خطأ النوع الأول الناتج عن التقديرات النقطية العشوائية.

2. الافتراضات الإحصائية والشروط المسبقة للانحدار اللوجستي

2.1 طبيعة المتغيرات وحجم العينة المطلوب

على الرغم من أن الانحدار اللوجستي يتميز بعدم اشتراط التوزيع الطبيعي للمتغيرات المستقلة أو تجانس تباين الخطأ كما هو الحال في الانحدار الخطي، إلا أنه يخضع لمجموعة صارمة من الشروط المنهجية التي تضمن سلامة الاستدلال الإحصائي. أول هذه الشروط هو دقة تصنيف المتغير التابع؛ إذ يجب أن يُقاس بدقة على مقياس ثنائي واضح تماماً وخالٍ من أي تداخل مفاهيمي أو تصنيفي غامض.

أما من حيث حجم العينة (Sample Size)، فإن تقدير معالم الانحدار اللوجستي يعتمد على خوارزمية تقدير الإمكانية العظمى (Maximum Likelihood Estimation – MLE)، وهي طريقة إحصائية تقاربية تتطلب عينات متوسطة إلى كبيرة الحجم لضمان ثبات التقديرات. وتُعد قاعدة عدد الأحداث لكل متغير (Events Per Variable – EPV) المعيار الذهبي الموصى به في الأدبيات الإحصائية المعاصرة (Peduzzi et al., 1996).

تنص قاعدة (EPV) على ضرورة توفر ما لا يقل عن 10 إلى 20 حدثاً في الفئة الأقل تكراراً (Rare Event) من فئات المتغير التابع لكل متغير مستقل مدرج في النموذج. فعلى سبيل المثال، إذا تضمن النموذج 5 متنبئات، يجب ألا يقل تكرار الفئة الصغرى في المتغير التابع عن $5 \times 10 = 50$ حالة، مما يفرض حجماً كلياً للعينة قد يتجاوز 200 إلى 300 مشارك بناءً على نسبة انتشار الظاهرة. يؤدي انتهاك هذا الشرط في العينات الصغيرة إلى تضخم الخطأ المعياري، وانحياز المعلمات نحو المبالغة، وظهور ظاهرة الانفصال الإحصائي التام.

2.2 استقلالية المشاهدات وغياب الارتباط الذاتي

يشترط نموذج الانحدار اللوجستي استقلالية المشاهدات (Independence of Observations)، ويعني ذلك أن تكون استجابة أو حالة أي فرد في العينة غير متأثرة باستجابات الأفراد الآخرين، وألا تتضمن البيانات قياسات متكررة على نفس الأفراد عبر الزمن (Repeated Measures) ما لم تُستخدم نماذج متخصصة مثل معادلات التقدير المعممة (GEE) أو النماذج الخطية الهرمية المتعددة المستويات (Multilevel Logistic Models).

يظهر انتهاك هذا الفرض جلياً في الدراسات الميدانية النفسية عند جمع البيانات من بيئات متداخلة عنقودياً دون ضبط منهجي؛ مثل جمع بيانات الطلاب داخل فصول دراسية محددة، أو المرضى داخل أجنحة علاجية مشتركة، أو أفراد ينتمون إلى نفس الأسر. يؤدي وجود الارتباط العنقودي أو الارتباط الذاتي (Autocorrelation) إلى تقليل الأخطاء المعيارية ظاهرياً بشكل خادع، مما يرفع احتمالية رفض الفرضية الصفرية بالخطأ (التضخم في الدلالة الإحصائية الزائفة). ولضمان استقلالية المشاهدات، يجب على الباحث اتباع تصاميم العينات العشوائية البسيطة أو الطبقية المضبوطة بعناية.

2.3 فحص التعددية الخطية والخطية في دالة اللوجت

يُعد غياب التعددية الخطية العالية (Multicollinearity) بين المتغيرات المستقلة شرطاً جوهرياً لصحة النموذج اللوجستي. فعندما ترتبط المتنبئات فيما بينها بارتباطات قوية ($r > 0.80$)، تصبح مصفوفة المعلومات غير مستقرة، وتتذبذب إشارات معاملات الانحدار بصورة عشوائية، وترتفع الأخطاء المعيارية للمعاملات بشكل مفرط. يتم التحقق من هذا الافتراض عبر فحص معامِل تضخم التباين (Variance Inflation Factor – VIF) ومؤشر السماحية (Tolerance) من خلال إجراء انحدار خطي أولي موازٍ؛ حيث يُشترط عموماً أن تكون قيمة $\text{VIF} < 5$ (أو $ 0.10$ أو $0.20$.

بالإضافة إلى ذلك، يفترض الانحدار اللوجستي وجود علاقة خطية بين المتغيرات المستقلة المستمرة واللوغاريتم الطبيعي للاحتمالية (Logit)، وهو ما يُعرف بفرضية الخطية في اللوجت (Linearity in the Logit). لا يفترض النموذج علاقة خطية بالمتغير التابع ذاته بل بتحويل اللوجت الخاص به. ويُستخدم اختبار بوكس-تيدويل (Box-Tidwell Test) للتحقق من هذا الفرض، وذلك بإنشاء حدود تفاعلية بين كل متغير مستمر واللوغاريتم الطبيعي لنفسه ($X \times \ln(X)$) وإدراجها في النموذج اللوجستي. إذا كانت القيمة الاحتمالية لأي من هذه الحدود التفاعلية دالة إحصائياً ($p < 0.05$)، دل ذلك على انتهاك فرضية الخطية، مما يوجب تحويل المتغير (كاستخدام التحويلات اللوغاريتمية أو الجذرية أو تحويل المتغير المتصل إلى فئات متعددة).

3. إعداد وهيكلة البيانات داخل برنامج SPSS قبل التحليل

3.1 ترميز وتعريف المتغيرات في شاشة Variable View

تبدأ المعالجة الإحصائية الدقيقة داخل برنامج SPSS بتهيئة شاشة عرض المتغيرات (Variable View)، حيث تتطلب خوارزميات الانحدار اللوجستي انضباطاً صارماً في تحديد خصائص الأعمدة الإحصائية. يجب أولاً تسمية المتغيرات بأسماء واضحة وموجزة في حقل (Name)، مع كتابة التوصيف الكامل في حقل (Label) لضمان ظهور شروح وافية في جداول المخرجات. كما يجب تحديد مستوى القياس في حقل (Measure) بدقة بالغة؛ حيث يُعرّف المتغير التابع كمتغير اسمي (Nominal)، بينما تُعرّف المتنبئات الفئوية كـ (Nominal) أو (Ordinal)، والمتنبئات الكمية كـ (Scale).

يحظى ترميز المتغير التابع الثنائي في حقل (Values) بأهمية قصوى؛ فالقاعدة المنهجية المعتمدة في SPSS تنص على أن البرنامج يُنمذج احتمالية ظهور الفئة ذات القيمة الرقمية الأعلى مقابل الفئة الأدنى. لذلك، يجب ترميز غياب الحدث أو الحالة المرجعية بالرقم (0) وتسميتها بدقة (مثل: 0 = “غير مصاب” أو “ضابطة”)، وترميز وقوع الحدث المستهدف بالتنبؤ بالرقم (1) وتسميته (مثل: 1 = “مصاب” أو “حالة”). إن أي خطأ في هذا الترميز سيعكس اتجاه نسب الأرجحية بالكامل، مما يقود إلى استنتاجات عكسية مشوهة.

3.2 إدارة البيانات المفقودة والقيم الشاذة

تمارس البيانات المفقودة (Missing Data) تأثيراً بالغاً على قوة نموذج الانحدار اللوجستي ودقة معاملاته. يقوم الإجراء الافتراضي في SPSS بحذف أي مشاهدة تحتوي على قيمة مفقودة واحدة في أي من المتغيرات المدرجة في التحليل بنظام الحذف القائم على القائمة (Listwise Deletion)، مما قد يؤدي إلى انكماش حجم العينة الفعلي وتشويه تمثيليتها إذا لم تكن البيانات مفقودة تماماً بشكل عشوائي (MCAR).

يتعين على الباحث فحص أنماط ونسب الفقد باستخدام أوامر تحليل القيم المفقودة (Analyze > Missing Value Analysis). إذا تجاوزت نسبة الفقد في أحد المتغيرات 5% وكانت عشوائية، يُستحسن اللجوء إلى تقنيات التعويض الإحصائي المتقدم مثل التعويض المتعدد (Multiple Imputation) المتاح داخل SPSS لتفادي استنزاف القدرة الإحصائية للنموذج. وفي الوقت ذاته، يجب استكشاف القيم الشاذة المتطرفة أحادية المتغير (Univariate Outliers) عبر الرسوم البيانية الاستكشافية ومخططات الصندوق (Boxplots)، والتحقق من كونها ناتجة عن أخطاء إدخال أو تعكس استجابات واقعية حادة تستدعي المعالجة قبل النمذجة النهائية.

3.3 تحويل المتغيرات المستقلة الفئوية وإعداد المتغيرات الوهمية

عندما تشتمل المتغيرات المستقلة على متغيرات نوعية متعددة الفئات (أكثر من فئتين، مثل: المستوى التعليمي: ابتدائي، ثانوي، جامعي، دراسات عليا)، لا يمكن إدخالها مباشرة كمتغيرات كمية مستمرة لأن ذلك يفترض وجود مسافات متساوية ورتبة رقمية بين المستويات، وهو افتراض باطل إحصائياً. يتطلب ذلك تحويل المتغير الفئوي المكون من ($k$) من الفئات إلى ($k – 1$) من المتغيرات الوهمية (Dummy Variables).

يوفر برنامج SPSS ميزة أتمتة هذه العملية بسلاسة فائقة داخل معالج الانحدار اللوجستي عبر نافذة المتغيرات الفئوية (Categorical Wizard). يتعين على الباحث تحديد الفئة المرجعية (Reference Category) بحذر؛ وتكون إما الفئة الأولى (First) أو الفئة الأخيرة (Last). تُقارن جميع الفئات الأخرى بهذه الفئة الأساسية. فعلى سبيل المثال، إذا اختيرت فئة “الدراسات العليا” كفئة مرجعية أخيرة، فإن معاملات الانحدار ونسب الأرجحية الناتجة للمستويات الأخرى ستفسر مقارنةً بحملة الدراسات العليا حصراً، مما يستوجب اختيار فئة مرجعية ذات دلالة منطقية أو حجم عينة وازن لتكون نقطة ارتكاز المقارنة.

4. الخطوات الإجرائية لتنفيذ الانحدار اللوجستي الثنائي في SPSS

4.1 الوصول إلى نافذة الانحدار اللوجستي الثنائي

لتشغيل التحليل داخل واجهة برنامج SPSS، نتبع المسار التفاعلي القياسي من القائمة الرئيسية العلوية: نضغط على أمر التحليل (Analyze)، ثم نمرر المؤشر نحو خيار الانحدار (Regression)، ونختار من القائمة المنسدلة الانحدار اللوجستي الثنائي (Binary Logistic…) كما هو موضح في المسار التالي:

Analyze > Regression > Binary Logistic...

بمجرد النقر على هذا الخيار، تنبثق النافذة الرئيسية المخصصة للتحليل (Logistic Regression Dialog Box). تتضمن هذه النافذة قائمة بجميع متغيرات ملف البيانات في الجزء الأيسر، ومربعات حوار مخصصة لإسناد المتغيرات في الجزء الأيمن. نقوم بتحديد المتغير التابع الثنائي ونقله بواسطة زر السهم إلى مربع المتغير التابع (Dependent). بعد ذلك، نحدد مجموعة المتغيرات المستقلة (سواء كانت كمية مستمرة أو فئوية نوعية) وننقلها إلى مربع المتغيرات المصاحبة (Covariates).

4.2 اختيار وتحديد طرق إدخال المتغيرات (Methods)

تحتوي نافذة الانحدار اللوجستي على قائمة منسدلة حاسمة تُعرف بقائمة الطريقة (Method)، وتتضمن عدة استراتيجيات لبناء النموذج الرياضي:

• طريقة الإدخال المباشر (Enter Method): وهي الطريقة الافتراضية والمعيارية في الأبحاث القائمة على أطر نظرية متينة؛ حيث يتم إدخال جميع المتغيرات المستقلة دفعة واحدة في خطوة حسابية واحدة، لتقييم الإسهام الفريد لكل متغير مع ضبط تأثير المتغيرات الأخرى.
• طرق الاختيار التدريجي الأمامي (Forward Stepwise): تبدأ بنموذج فارغ وتضيف المتغيرات واحداً تلو الآخر بناءً على أقوى معيار إحصائي للتحسن، وتنقسم إلى: (Forward Conditional)، و(Forward LR المعتمد على نسبة الإمكانية)، و(Forward Wald).
• طرق الحذف التنازلي الخلفي (Backward Stepwise): تبدأ بالنموذج الكامل المحتوي على جميع المتغيرات، ثم تستبعد المتغيرات الأقل إسهاماً والأضعف دلالة إحصائية تدريجياً، وتنقسم إلى: (Backward Conditional)، و(Backward LR)، و(Backward Wald).

من الناحية المنهجية الصارمة، يُوصى باستخدام طرق الإدخال المباشر (Enter) أو الحذف التنازلي القائم على نسبة الإمكانية (Backward LR) عند الرغبة في التبسيط، وتجنب استخدام الطرق التدريبية الاستكشافية في الدراسات التأكيدية لأنها ترفع من معدل التحيز وتعتمد بشكل مفرط على التقلبات العشوائية للعينة المدروسة.

4.3 إعداد كتل التحليل المتسلسل (Hierarchical Blocks)

عندما تقتضي خطة البحث اختبار نموذج نظري مركب يتضمن متغيرات وسيطة أو معدلة أو ضبط متغيرات ديموغرافية قبل تقييم المتنبئات النفسية المستهدفة، يُتيح برنامج SPSS استخدام ميزة الكتل المتتابعة (Blocks) لتنفيذ الانحدار اللوجستي الهرمي (Hierarchical Logistic Regression).

يتم ذلك عبر إدخال المتغيرات الضابطة (Control Variables) مثل: العمر، والنوع الاجتماعي، والمستوى الاجتماعي والاقتصادي في الكتلة الأولى (Block 1 of 1)، مع اختيار طريقة الإدخال (Enter). بعد ذلك، نضغط على زر (Next) أعلى مربع المتغيرات المصاحبة، لتفتح شاشة الكتلة الثانية (Block 2 of 2)؛ حيث نقوم بإدراج المتغيرات النفسية أو السلوكية المستقلة المستهدفة (مثل: الصلابة النفسية، واستراتيجيات التكيف، والأعراض الاكتئابية). تتيح هذه التراتبية قياس مقدار التحسن الدال إحصائياً في قدرة النموذج التفسيرية بعد عزل وتثبيت أثر المتغيرات الديموغرافية والضابطة بالكامل.

5. ضبط الخيارات المتقدمة ومعلمات التحليل في SPSS

5.1 تحديد خيارات المتغيرات الفئوية (Categorical Options)

عند احتواء مربع المتغيرات المصاحبة (Covariates) على متغيرات فئوية، يجب إبلاغ البرنامج بضرورة معاملتها كمتغيرات نوعية وترميزها آلياً. يتم ذلك بالضغط على زر (Categorical…) في يمين النافذة الرئيسية للانتقال إلى شاشة تعريف المتغيرات الفئوية (Define Categorical Covariates).

نقوم بنقل جميع المتغيرات النوعية من مربع المتغيرات المصاحبة إلى مربع المتغيرات المصاحبة الفئوية (Categorical Covariates). في الجزء السفلي من هذه الشاشة، نجد خيار نظام التباين (Contrast). يتيح SPSS أنظمة تباين متعددة تشمل: (Simple, Difference, Helmert, Repeated, Indicator). يُعد نظام المؤشر (Indicator) الخيار القياسي الأكثر سهولة في التفسير المباشر؛ حيث ينشئ متغيرات وهمية تُقارن كل فئة بفئة مرجعية ثابتة.

يتعين على الباحث تحديد الفئة المرجعية (Reference Category) باختيار إما الأخيرة (Last) أو الأولى (First) وفق المنطق النظري للدراسة، ثم الضغط حتماً على زر (Change) لاعتماد التعديل؛ حيث يظهر التغيير بجانب اسم المتغير كالتالي: Education(Indicator(last)). إن إغفال الضغط على زر (Change) يؤدي إلى تجاهل التخصيص والعودة إلى الضبط الافتراضي دون وعي الباحث.

5.2 تفعيل مقاييس جودة التوفيق في تبويب الخيارات (Options)

يُعد تبويب الخيارات (Options…) الشاشة الحيوية التي تمكّن الباحث من استدعاء أهم الاختبارات التشخيصية ومؤشرات جودة المطابقة. عند فتح نافذة الخيارات، يجب تفعيل مجموعة من الصناديق الأساسية لضمان اكتمال التحليل:

• تفعيل خيار اختبار هوسمر-ليمشو لجودة التوفيق (Hosmer-Lemeshow goodness-of-fit)، وهو المقياس الأكثر دقة لتقييم التطابق بين التكرارات الملاحظة والمتوقعة عبر فئات الخطر.
• تفعيل خيار مخططات التصنيف (Classification plots) لرسم التوزيع الاحتمالي لتصنيف الحالات بيانياً.
• تفعيل خيار فترات الثقة لنسب الأرجحية (CI for exp(B)) وضبطها عند المستوى المعياري 95%، وهو أمر إلزامي للتوثيق العلمي.
• تفعيل خيار قائمة الحالات للبواقي (Casewise listing of residuals)، وتحديد معيار البواقي الشاذة عند القيمة المعيارية 2.0 أو 2.5 من الانحراف المعياري لاكتشاف المشاهدات التي فشل النموذج في التنبؤ بها بدقة.
• التحقق من قيمة نقطة القطع الاحتمالية (Classification cutoff) والتأكد من ضبطها افتراضياً عند القيمة 0.50، مع إمكانية تعديلها في حالات اختلال توازن الفئات الحاد.

5.3 حفظ المتغيرات التشخيصية والتنبؤية (Save Options)

يتيح زر الحفظ (Save…) في النافذة الرئيسية للانحدار اللوجستي تصدير متغيرات تنبؤية وتشخيصية جديدة تُضاف كأعمدة مستقلة مباشرة داخل محرر بيانات SPSS (Data View). تفيد هذه المتغيرات في إجراء الفحوصات التشخيصية اللاحقة ورسم المنحنيات البيانية المتقدمة:

• القيم المتوقعة (Predicted Values): تتضمن حفظ الاحتمالات (Probabilities) المحسوبة لكل حالة للمتغير التابع، وحفظ عضوية المجموعة (Group membership) المتوقعة وفقاً لنقطة القطع المحددة.
• البواقي (Residuals): تشمل حفظ البواقي غير المعيارية (Unstandardized)، والبواقي المعيارية (Standardized)، بالإضافة إلى بواقي الديفيانس (Deviance Residuals) الضرورية لفحص مدى ملاءمة النموذج لكل مشاهدة على حدة.
• التأثير والتشخيص (Influence): تتضمن استخراج مسافة كوك (Cook’s Distance) لقياس مقدار التغير الكلي في معالم النموذج عند حذف حالة معينة، وقيم الرفع (Leverage values) لرصد المشاهدات الشاذة في فضاء المتنبئات، ومؤشرات (DFBETA) التي تُحسب لكل متغير مستقل لتحديد الحالات الفردية المؤثرة في تغيير قيمة معامِل كل متغير بشكل ملموس.

6. قراءة وتفسير مخرجات النموذج المبدئي (Block 0: Beginning Block)

6.1 فهم منطق النموذج الصفري (Null Model)

عند استعراض ملف مخرجات SPSS (SPSS Viewer)، يبدأ البرنامج دوماً بتقديم قسم كامل يُسمى الكتلة 0: كتلة البداية (Block 0: Beginning Block). يُمثل هذا القسم ما يُعرف في الأدبيات الإحصائية باسم النموذج الصفري أو الأساسي (Null / Baseline Model)، وهو نموذج احتيالي افتراضي يُقدّر ثابتاً رياضياً فقط ($\text{Constant}$) دون إدراج أي متغير من المتغيرات المستقلة المقترحة في الدراسة.

تتمثل الوظيفة المنهجية للكتلة الصفرية في وضع خط أساس تنبؤي يستند فقط إلى تكرارات الفئة الأكثر شيوعاً في المتغير التابع (Modal Category). يُظهر جدول التصنيف (Classification Table) في هذه الكتلة أن البرنامج يصنف جميع أفراد العينة آلياً ضمن الفئة ذات التكرار الأعلى؛ فإذا كانت العينة تتكون من 70 فرداً مصاباً بالاكتئاب و30 فرداً غير مصاب، فإن النموذج الصفري سيتنبأ بأن جميع الأفراد الـ 100 مصابون، محققاً بذلك نسبة دقة قاعدية قدرها 70.0%. تُمثل هذه النسبة المعيار الأدنى الذي يجب على نموذج الباحث الحقيقي (المحتوي على المتنبئات في الكتلة 1) أن يتفوق عليه بمقدار دال إحصائياً لإثبات جدواه العلمية والتنبؤية.

6.2 تحليل جدول المتغيرات غير المدرجة (Variables not in the Equation)

يُعد جدول المتغيرات غير المدرجة في المعادلة (Variables not in the Equation) داخل الكتلة الصفرية كاشفاً أولياً مهماً عن القوة الكامنة للمتنبئات قبل دمجها الفعلي في الحسابات التفاعلية. يحتوي هذا الجدول على قائمة بجميع المتغيرات المستقلة المرشحة، مبيناً إحصاء راو للدرجات الكفؤة (Score Statistic) ودرجات الحرية (df) ومستوى الدلالة الإحصائية المقابل (Sig.).

تُشير القيمة الاحتمالية الدالة إحصائياً ($p < 0.05$) لأي متغير مستقل في هذا الجدول إلى أن هذا المتغير، لو أُضيف منفرداً إلى النموذج، سيُسهم في تقليل خطأ التنبؤ وتحسين ملاءمة النموذج بشكل دال إحصائياً. كما تمنح قيم إحصاء الدرجات (Score) للباحث رؤية استكشافية أولية لترتيب المتغيرات المستقلة الأكثر تأثيراً وأهمية قبل تقييم النموذج النهائي المشترك في الكتلة اللاحقة.

7. تقييم جودة التوفيق والملاءمة الكلية للنموذج (Block 1: Model Evaluation)

7.1 تفسير اختبارات الأومنيباص لمعلمات النموذج (Omnibus Tests of Model Coefficients)

عند الانتقال إلى الكتلة 1 (Block 1)، حيث يتم دمج المتغيرات المستقلة في الحسابات، يُقدم جدول اختبارات الأومنيباص لمعلمات النموذج (Omnibus Tests of Model Coefficients) التقييم الشامل الأول للتحسن المحقق. يعتمد هذا الاختبار على إحصاء كاي تربيع لنسبة الإمكانية (Likelihood Ratio Chi-Square)، والذي يقارن دقة النموذج الكامل الجديد بالنموذج الصفري المبدئي.

يتضمن الجدول ثلاثة مستويات للتقييم: الخطوة (Step)، والكتلة (Block)، والنموذج (Model). وفي حال استخدام طريقة الإدخال المباشر (Enter) في كتلة واحدة، تتطابق القيم الثلاث تماماً. تُشير القيمة الاحتمالية الدالة إحصائياً ($p < 0.001$ أو $p < 0.05$) لاختبار الأومنيباص إلى رفض قاطع للفرضية الصفرية القائلة بأن جميع معاملات المتغيرات المستقلة تساوي الصفر معاً ($\beta_1 = \beta_2 = dots = \beta_k = 0$). يُثبت هذا الفحص أن المتغيرات المستقلة مجتمعة قدّمت قدرة تنبؤية وتفسيرية حقيقية تتفوق بوضوح على التخمين القائم على النموذج الصفري المبدئي.

7.2 تحليل ملخص النموذج ومقاييس التباين المفسر (Model Summary)

يحتوي جدول ملخص النموذج (Model Summary) على إحصاءات مركزية تعكس مقدار عدم الملاءمة ودرجة التباين المفسر في المتغير التابع:

• إحصاء سالب ضعفي لوغاريتم الإمكانية (-2 Log Likelihood / -2LL): يُعرف أيضاً باسم الديفيانس (Deviance). وهو مقياس مباشر لمقدار الخطأ أو عدم التطابق بين البيانات الواقعية والنموذج الرياضي المقدر. كلما انخفضت قيمة (-2LL) مقارنةً بالكتلة الصفرية، دل ذلك على تحسن كبير واقتراب التقديرات من البيانات الفعلية.
• معامِل كوكس وسنيل للتحديد ($R^2$ Cox & Snell): هو أحد مقاييس التحديد الزائفة (Pseudo R-Squared) المبنية على لوغاريتم الإمكانية، ويحاكي معامِل التحديد في الانحدار الخطي. يعيبه إحصائياً أنه لا يصل أبداً إلى نهايته العظمى النظرية (1.00) حتى في حال المطابقة الكاملة، مما يجعل تفسيره مقيداً.
• معامِل ناجلكيرك للتحديد ($R^2$ Nagelkerke): يُعد التعديل الرياضي المصحح لمعامل كوكس وسنيل؛ حيث يقسم قيمته على القيمة العظمى الممكنة ليصبح المقياس متدرجاً بدقة بين 0 و 1 (أو من 0% إلى 100%). يُفسر هذا المعامل بنسبة التباين الإجمالي في احتمالية حدوث المتغير التابع التي يمكن تفسيرها بواسطة المتغيرات المستقلة المدرجة في النموذج (مثلاً: قيمة 0.385 تعني أن النموذج يفسر 38.5% من التباين في المتغير التابع).

7.3 فحص اختبار هوسمر-ليمشو لجودة التوفيق (Hosmer and Lemeshow Test)

يُعد اختبار هوسمر-ليمشو (Hosmer-Lemeshow Goodness of Fit Test) المقياس الأكثر موثوقية لفحص مدى دقة النموذج عبر مختلف مستويات الاحتمال. يقوم منطق هذا الاختبار على تقسيم بيانات العينة إلى عشر مجموعات متساوية الحجم تقريباً تُعرف باسم عشيرات الخطر (Deciles of Risk) بناءً على الاحتمالات المتوقعة، ثم مقارنة التكرارات الملاحظة بالتكرارات المتوقعة في كل عشير باستخدام توزيع كاي تربيع ($\chi^2$).

يتطلب هذا الاختبار فهماً إحصائياً عكسياً خاصاً؛ فالفرضية الصفرية تفترض وجود تطابق تام بين البيانات الملاحظة والتنبؤات المحسوبة من النموذج. وعليه، فإن النتيجة المرغوبة هي غياب الدلالة الإحصائية ($p > 0.05$). تشير القيمة الاحتمالية غير الدالة (مثل: $\chi^2 = 6.42, df = 8, p = 0.599$) إلى أن النموذج يتطابق مع البيانات الميدانية بشكل ممتاز ولا يعاني من نقص جوهري في التوفيق. ومع ذلك، يجب الحذر عند تطبيق هذا الاختبار على العينات الضخمة جداً (أكثر من 5000 مشاهدة)؛ حيث يميل إلى إظهار دلالة إحصائية زائفة بسبب حساسيته الفائقة للفروق الحسابية الطفيفة.

8. تحليل وتفسير جدول المتغيرات في المعادلة (Variables in the Equation)

8.1 تفسير المعاملات غير المعيارية (B) والخطأ المعياري (S.E.)

يُمثل جدول المتغيرات في المعادلة (Variables in the Equation) النواة الأساسية لقراءة النتائج الفردية للمتنبئات. يُشير العمود الأول المعنون بـ (B) إلى المعاملات غير المعيارية لمعادلة الانحدار اللوجستي، وهي تمثل مقدار التغير في اللوغاريتم الطبيعي لنسبة الأرجحية ($\ln(\text{Odds})$) المرتبط بزيادة المتغير المستقل بمقدار وحدة قياس واحدة، مع تثبيت المتغيرات الأخرى.

توضح إشارة المعامل (B) اتجاه التأثير؛ فالإشارة الموجبة تعني أن ارتفاع المتغير المستقل يزيد من احتمالية وقوع الحدث المستهدف ($Y=1$)، بينما تدل الإشارة السالبة على أن ارتفاع المتغير يقلل من احتمالية وقوعه. أما عمود الخطأ المعياري (S.E.) فيقيس مدى التشتت والتقلب في تقدير المعامل عبر العينات العشوائية؛ وتشير القيم الصغيرة للخطأ المعياري إلى دقة مرتفعة واستقرار إحصائي في تقدير المعلمة. يمكن من خلال هذه القيم صياغة معادلة اللوجت التنبؤية الكاملة:

$$\text{Logit}(P) = B_0 + B_1 X_1 + B_2 X_2 + dots + B_k X_k$$

8.2 اختبار فالد الإحصائي ومستوى الدلالة (Wald Statistic & Sig.)

يُستخدم إحصاء فالد (Wald Statistic) لاختبار الدلالة الإحصائية الفردية لكل معامِل من معاملات الانحدار اللوجستي، ويُحسب بقسمة مربع المعامل غير المعياري على مربع خطئه المعياري:

$$\text{Wald} = \left(\frac{B}{\text{S.E.}}\right)^2$$

يتبع إحصاء فالد توزيع كاي تربيع بدرجة حرية واحدة ($df = 1$) لكل متغير كمي مستقل. يُظهر عمود (Sig.) القيمة الاحتمالية المقابلة؛ وتُعد القيمة ($p < 0.05$) دليلاً قاطعاً على أن المتغير المستقل يقدم إسهاماً تنبؤياً ذا دلالة إحصائية في النموذج. ومع ذلك، ينطوي اختبار فالد على عيب رياضي شهير يُعرف بـ ظاهرة هاكيمان (Hauck-Donner Effect)؛ فعندما يكون حجم التأثير كبيراً جداً ويكون المعامل $B$ ضخماً للغاية، يتضخم الخطأ المعياري بصورة مفرطة، مما يؤدي إلى انخفاض قيمة إحصاء فالد بشكل مصطنع وظهور نتيجة غير دالة إحصائياً بالخطأ. ولتلافي ذلك، يُفضل فحص اختبار نسبة الإمكانية (Likelihood Ratio Test) للمتغيرات ذات المعاملات شديدة الارتفاع.

8.3 التفسير التطبيقي لنسب الأرجحية Exp(B) وفترات الثقة

نظراً لصعوبة التفسير المباشر للمعاملات اللوغاريتمية (B) في السياقات الإنسانية والاجتماعية، يرتكز التفسير التطبيقي العملي على عمود $\text{Exp}(B)$ الذي يمثل نسبة الأرجحية الحقيقية. يتم حساب التغير النسبي المئوي في الأرجحية عبر المعادلة الحسابية البسيطة:

$$\text{Percentage Change in Odds} = (\text{Exp}(B) – 1) \times 100$$

لإيضاح التفسير العلمي التطبيقي، نستعرض الحالات التفسيرية التالية:

• المتغيرات المستمرة ذات المعامل الموجب: إذا كان معامِل متغير “القلق النفسي” هو $B = 0.405$ وتكون قيمة $\text{Exp}(B) = 1.50$، فإن التفسير ينص على أن: “كل زيادة بمقدار درجة واحدة على مقياس القلق ترتبط بزيادة أرجحية الإصابة باضطراب النوم بنسبة 50% ($[1.50 – 1] \times 100 = 50%$)، مع تثبيت باقي المتغيرات”.
• المتغيرات المستمرة ذات المعامل السالب: إذا كان معامِل متغير “المرونة النفسية” هو $B = -0.357$ وتكون قيمة $\text{Exp}(B) = 0.70$، فإن التفسير ينص على أن: “كل زيادة بمقدار درجة واحدة في المرونة النفسية ترتبط بانخفاض أرجحية الإصابة بالاحتراق النفسي بنسبة 30% ($[0.70 – 1] \times 100 = -30%$)”.
• المتغيرات الفئوية (Dummy Comparisons): إذا أظهرت فئة “العاطلين عن العمل” قيمة $\text{Exp}(B) = 2.80$ مقارنة بالفئة المرجعية “الموظفين بدوام كامل”، فإن أرجحية ظهور الاكتئاب لدى العاطلين تبلغ 2.80 ضعف (أو تزيد بنسبة 180%) مقارنة بالموظفين.
• فترات الثقة 95% لـ $\text{Exp}(B)$: إذا امتدت فترة الثقة لمتغير ما بين $[1.25, 2.15]$، فإننا نثق بنسبة 95% أن الزيادة الحقيقية في الأرجحية في المجتمع تتراوح بين 25% و 115%. وبما أن النطاق لا يشتمل على الرقم 1.00، فإن التأثير يعتبر ثابتاً ودالاً إحصائياً.

9. تقييم مصفوفة التصنيف والقدرة التنبؤية للنموذج

9.1 قراءة جدول التصنيف (Classification Table)

يُقدم جدول التصنيف (Classification Table) في الكتلة 1، والذي يُعرف علمياً باسم مصفوفة الالتباس (Confusion Matrix)، تقييماً عملياً للقدرة التمييزية والتطبيقية للنموذج الرياضي عبر مقارنة التصنيفات الفعلية الملاحظة بالتصنيفات التنبؤية المشتقة من دالة الاحتمال عند نقطة القطع المعتمدة (عادة 0.50).

يتكون الجدول من تقاطع الفئات الملاحظة والتنبؤية، منتجاً أربع خلايا احتمالية رئيسية: الإيجابيات الحقيقية (True Positives – TP)، والسلبيات الحقيقية (True Negatives – TN)، والإيجابيات الكاذبة (False Positives – FP / Type I Error)، والسلبيات الكاذبة (False Negatives – FN / Type II Error). وتُحسب نسبة الدقة الإجمالية (Overall Percentage Correct) بقسمة مجموع الحالات المصنفة تصنيفاً صحيحاً على إجمالي حجم العينة:

$$\text{Overall Accuracy} = \frac{\text{TP} + \text{TN}}{\text{Total Sample}} \times 100$$

تتمثل المقارنة الجوهرية هنا في مقارنة هذه الدقة الكلية بنسبة الدقة القاعدية المستخرجة من الكتلة 0؛ فإذا كانت دقة النموذج الصفري 60% وارتفعت في النموذج الكامل إلى 82.5%، فإن ذلك يبرهن على كفاءة المتنبئات المدرجة في تقليل أخطاء التصنيف العشوائي بمقدار 22.5 نقطة مئوية.

9.2 حساب الحساسية (Sensitivity) والنوعية (Specificity)

لا تكفي نسبة الدقة الإجمالية وحدها لتقييم النماذج في العلوم السلوكية والطبية، خاصة عند عدم تساوي حجم الفئتين؛ مما يستلزم تفكيك الأداء التنبؤي إلى مؤشري الحساسية (Sensitivity) والنوعية (Specificity):

• الحساسية (Sensitivity): وتُعرف أيضاً بمعدل الإيجابية الحقيقية (True Positive Rate)، وهي تمثل قدرة النموذج على اكتشاف وتشخيص الحالات الإيجابية الفعلية بدقة:
  $$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
  تحظى الحساسية بأهمية قصوى في التشخيصات الإكلينيكية الحرجة (مثل التنبؤ بمحاولات الانتحار أو الأمراض الخطيرة)، حيث يكون الخطأ المتمثل في عدم اكتشاف الحالة (False Negative) مكلفاً وإنسانياً لا يُغتفر.
• النوعية (Specificity): وتُعرف بمعدل السلبية الحقيقية (True Negative Rate)، وهي تمثل قدرة النموذج على استبعاد وتشخيص الحالات السلبية الفعلية بدقة:
  $$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}$$
  تعد النوعية ضرورية لتجنب التشخيص الإيجابي الكاذب وما يتبعه من قلق وتكاليف علاجية غير مبررة.

9.3 منحنى خاصية تشغيل المتلقي (ROC Curve) وتحليل المساحة تحته (AUC)

نظراً لأن جدول التصنيف الكلاسيكي يعتمد على نقطة قطع اعتباطية واحدة (0.50)، يوفر منحنى خاصية تشغيل المتلقي (Receiver Operating Characteristic – ROC Curve) تقييماً شاملاً لأداء النموذج عبر جميع نقاط الفصل الممكنة بين 0 و 1. يتم رسم المنحنى بتمثيل معدل الحساسية (Sensitivity) على المحور الرأسي مقابل معدل الإيجابيات الكاذبة ($1 – \text{Specificity}$) على المحور الأفقي.

تُمثل المساحة تحت المنحنى (Area Under the Curve – AUC) المعيار الإحصائي المتكامل للحكم على القدرة التمييزية للنموذج، وتتراوح قيمتها نظرياً بين 0.50 (تنبؤ عشوائي يعادل رمي قطعة نقود) و 1.00 (تمييز تنبؤي مثالي خالٍ من الخطأ). وتُصنف جودة معامِل (AUC) وفق القواعد الأكاديمية التالية:

• 0.50 إلى 0.60: أداء تمييزي فاشل وضعيف جداً (Fail).
• 0.60 إلى 0.70: أداء تمييزي ضعيف ومقبول بالحد الأدنى (Poor).
• 0.70 إلى 0.80: أداء تمييزي جيد ومقبول علمياً (Fair / Acceptable).
• 0.80 إلى 0.90: أداء تمييزي ممتاز (Excellent).
• 0.90 إلى 1.00: أداء تمييزي استثنائي وفائق الدقة (Outstanding).

يمكن استخراج تحليل منحنى ROC في SPSS عبر المسار (Analyze > Classify > ROC Curve)، واختيار متغير الاحتمالات المحفوظة (PRE_1) كمتغير اختبار، وتحديد المتغير التابع الأصلي كمتغير الحالة وتحديد القيمة 1 كقيمة إيجابية، مما يتيح استخراج نقطة القطع المثلى (Optimal Cutoff Coordinate) التي تحقق أعلى توازن بين الحساسية والنوعية.

10. تشخيص البواقي والحالات الشاذة والنقاط المؤثرة

10.1 فحص البواقي المنحرفة والمعيارية (Residual Analysis)

يُمثل التحقق من جودة وموثوقية النموذج اللوجستي خطوة تشخيصية حاسمة لا تكتمل بدون فحص البواقي (Residuals) المترتبة على التنبؤ. الباقي في الانحدار اللوجستي هو الفرق بين القيمة الملاحظة الفعلية (0 أو 1) والاحتمال المتوقع المقدر بواسطة النموذج ($\text{Residual} = Y_i – \hat{P}_i$).

يقوم الباحث بفحص البواقي المعيارية (Standardized Residuals – ZResid) وبواقي الديفيانس (Deviance Residuals) المحفوظة في ملف البيانات. يُشترط أن تتوزع هذه البواقي عشوائياً بالقرب من الصفر. وتُعد أي مشاهدة تتجاوز قيمتها المعيارية المطلقة الحد الحرج $\pm 2.5$ أو $\pm 3.0$ حالة شاذة في ملاءمة النموذج (Outlier). تُمثل هذه الحالات مشاهدات غير متوقعة تماماً؛ كشخص توافرت لديه كافة العوامل المسببة للمرض ومع ذلك لم يُصب، أو العكس. يستوجب ذلك فحص هذه الحالات بشكل نوعي لفهم الخصائص الخفية التي لم يستطع النموذج استيعابها.

10.2 اكتشاف الحالات ذات التأثير القوي (Influential Cases)

تختلف الحالة الشاذة (Outlier) عن الحالة المؤثرة (Influential Case)؛ فالحالة المؤثرة هي تلك المشاهدة الفردية التي تؤدي إلى تغيير جذري وملموس في قيم معاملات الانحدار ($B$) أو تخل بقرارات الدلالة الإحصائية للنموذج ككل عند استبعادها من التحليل. يتم تقييم التأثير من خلال ثلاثة مؤشرات إحصائية أساسية:

• مسافة كوك (Cook’s Distance): تقيس التأثير التراكمي الشامل للحالة على جميع القيم المتنبأ بها في النموذج مجتمعة. وتُعد أي قيمة تقترب من أو تتجاوز 1.00 مؤشراً على حالة بالغة التأثير تتطلب التدخل الحذر.
• قيم الرفع (Leverage Values / Centered Hat Values): تقيس مدى بعد قيم المتغيرات المستقلة لحالة معينة عن متوسطات المتغيرات المستقلة للعينة بأكملها. تُحسب العتبة الحرجة الشائعة لقيم الرفع بالمعادلة:
  $$\text{Leverage Criterion} = \frac{2(k + 1)}{N}$$
  حيث $k$ هو عدد المتنبئات و$N$ هو حجم العينة الإجمالي؛ وأي حالة تتجاوز هذه القيمة تعتبر نقطة ذات رافعة مرتفعة في فضاء المتغيرات المستقلة.
• إحصاء DFBeta: يقيس مقدار التغير الدقيق في معامِل انحدار ($B$) متغير مستقل محدد عند استبعاد حالة معينة. ويُعد تجاوز قيمة DFBeta المعيارية للحد المطلق 1.00 دليلاً على أن الحالة الفردية مسؤولة بمفردها عن تشويه تقدير وزن ذلك المتغير المستقل.

10.3 التعامل المنهجي مع الحالات الشاذة والمؤثرة

يتطلب التعامل مع الحالات الشاذة والمؤثرة التزاماً منهجياً وأخلاقياً صارماً في البحث العلمي؛ إذ يُحظر تماماً حذف أي مشاهدة لمجرد أنها لا تتوافق مع فرضيات الباحث أو تحسن من الدلالة الإحصائية للنموذج. تبدأ المعالجة المنهجية بمراجعة سجلات الإدخال الأصلية للتأكد من خلو الحالة من أخطاء الرصد أو الترميز المطبعي الخاطئ، وتصحيحها إن وُجدت.

إذا كانت المشاهدة صحيحة وواقعية، يُجري الباحث ما يُعرف بـ تحليل الحساسية (Sensitivity Analysis)، وهو عبارة عن تشغيل نموذج الانحدار اللوجستي مرتين: المرة الأولى بوجود الحالات المؤثرة الشاذة، والمرة الثانية بعد استبعادها المؤقت. تُقارن النتائج في الحالتين من حيث اتجاه المعاملات، ودلالة اختبار فالد، ومقاييس جودة التوفيق. فإذا ظلت الاستنتاجات العلمية والقرارات الإحصائية ثابتة ومستقرة، يتم الإبقاء على الحالات مع الإشارة إليها بشفافية في تقرير البحث، أما إذا أحدثت تشوهاً كبيراً، فيجوز استبعادها مع تبرير منهجي مفصل ومناقشة أسباب استثنائيتها ضمن حدود الدراسة.

11. توثيق وكتابة نتائج الانحدار اللوجستي وفق معايير جمعية علم النفس الأمريكية (APA 7)

11.1 العناصر الأساسية الواجب تضمينها في النص التقريري

تفرض المعايير المنهجية الصادرة عن جمعية علم النفس الأمريكية في دليلها السابع (APA 7th Edition) دقة متناهية وشمولاً إحصائياً عند توثيق نماذج الانحدار اللوجستي في الأوراق والرسائل الجامعية. يجب أن يغطي التقرير النصي العناصر الإلزامية التالية بتسلسل منطقي:

• تقييم النموذج الكلي: ذكر نتائج اختبار الأومنيباص متضمناً قيمة كاي تربيع، ودرجات الحرية، ومستوى الدلالة الدقيق ($\chi^2(df) = dots, p = dots$).
• مقاييس جودة التوفيق والتباين: توثيق قيمة سالب ضعفي لوغاريتم الإمكانية ($-2\text{LL}$)، ومعامل كوكس وسنيل ($R^2_{\text{CS}}$)، ومعامل ناجلكيرك للتحديد ($R^2_{\text{N}}$)، بالإضافة إلى نتيجة اختبار هوسمر-ليمشو ($\chi^2_{\text{HL}}(df) = dots, p = dots$).
• القدرة التنبؤية والتصنيفية: الإبلاغ عن الدقة الإجمالية لمصفوفة التصنيف ومقارنتها بنموذج الأساس (الكتلة 0)، وذكر نسبتي الحساسية والنوعية، وقيمة المساحة تحت منحنى ROC إن وُجدت ($\text{AUC}$).
• المتنبئات الفردية: استعراض المعامل غير المعياري ($B$)، والخطأ المعياري ($\text{SE}$)، وإحصاء فالد ($\text{Wald } \chi^2$)، والقيمة الاحتمالية الدقيقة ($p$)، وقيمة نسبة الأرجحية ($\text{Exp}(B)$) مقرونة بفترة الثقة 95% الخاصة بها ($95% \text{ CI } [\text{LL}, \text{UL}]$).

11.2 تصميم وتنسيق جدول الانحدار اللوجستي وفق دليل APA

يتطلب أسلوب APA تنسيقاً جدولياً خالياً من الخطوط الرأسية ومقتصراً على ثلاثة خطوط أفقية رئيسية (أعلى وأسفل رأس الجدول، وأسفل الجدول). يوضح الجدول التالي البنية النموذجية المعيارية لتوثيق نتائج الانحدار اللوجستي الثنائي:

المتغير المستقل (Predictor)	$B$	$\text{SE}$	$\text{Wald } \chi^2$	$df$	$p$	$\text{Exp}(B)$	$95% \text{ CI for } \text{Exp}(B)$
العمر (بالسنوات)	0.042	0.018	5.44	1	.020	1.04	[1.01, 1.08]
النوع الاجتماعي (أنثى)أ	0.658	0.245	7.21	1	.007	1.93	[1.19, 3.12]
القلق النفسي	0.125	0.035	12.76	1	< .001	1.13	[1.06, 1.21]
المرونة النفسية	-0.089	0.028	10.10	1	.001	0.91	[0.87, 0.97]
الثابت (Constant)	-2.450	0.850	8.31	1	.004	0.09	—

ملاحظة: $N = 350$. تمثل (أ) الفئة المرجعية: الذكور. $-2\text{LL} = 312.45$؛ $\chi^2(4) = 48.62, p < .001$؛ $R^2_{\text{Cox &a\mp; Snell}} = .130$؛ $R^2_{\text{Nagelkerke}} = .185$؛ اختبار هوسمر-ليمشو: $\chi^2(8) = 7.15, p = .521$. دقة التصنيف الإجمالية = 78.6%.

11.3 نموذج تطبيقي متكامل لكتابة فقرة النتائج الأكاديمية

نستعرض فيما يلي صياغة أكاديمية نموذجية متكاملة باللغة العربية مطابقة لمتطلبات دليل APA الإصدار السابع لتوثيق نتائج الدراسة المفترضة أعلاه:

«أُجري تحليل الانحدار اللوجستي الثنائي لاختبار قدرة كل من: العمر، والنوع الاجتماعي، ومستوى القلق، والمرونة النفسية على التنبؤ باحتمالية الإصابة بالاكتئاب السريري (0 = غير مصاب، 1 = مصاب). أظهرت النتائج أن النموذج الإحصائي الكلي كان دالاً إحصائياً ومطابقاً للبيانات بشكل ممتاز، $\chi^2(4) = 48.62, p < .001$، مما يشير إلى قدرة المتنبئات مجتمعة على التمييز بين الأفراد المصابين وغير المصابين. وفسر النموذج ما نسبته 18.5% من التباين الكلي في حالة الإصابة وفقاً لمعامِل ناجلكيرك ($R^2_{\text{Nagelkerke}} = .185$)، و13.0% وفقاً لمعامِل كوكس وسنيل ($R^2_{\text{Cox &a\mp; Snell}} = .130$). كما أكد اختبار هوسمر-ليمشو جودة ملاءمة النموذج للبيانات الفعلية، $\chi^2(8) = 7.15, p = .521$. وبلغت دقة التصنيف الإجمالية للنموذج 78.6% (بحساسية بلغت 71.2% ونوعية بلغت 84.1%) مقارنة بنسبة دقة قاعدية بلغت 58.0% في النموذج الصفري.

وعند فحص المعلمات الفردية للمتغيرات في النموذج النهائي، تبين أن جميع المتنبئات أسهمت بشكل دال إحصائياً في التنبؤ. ارتبط ارتفاع درجات القلق بزيادة دالة في أرجحية الإصابة بالاكتئاب ($B = 0.125, \text{SE} = 0.035, \text{Wald } \chi^2(1) = 12.76, p < .001, \text{Exp}(B) = 1.13, 95% \text{ CI } [1.06, 1.21]$)؛ حيث تُشير نسبة الأرجحية إلى أن كل زيادة بمقدار درجة واحدة في القلق ترفع أرجحية الإصابة بنسبة 13%. كما أظهرت الإناث أرجحية إصابة أعلى بمقدار 1.93 ضعف مقارنة بالذكور ($B = 0.658, \text{SE} = 0.245, \text{Wald } \chi^2(1) = 7.21, p = .007, 95% \text{ CI } [1.19, 3.12]$). وفي المقابل، برزت المرونة النفسية كعامل وقائي دال ($B = -0.089, \text{SE} = 0.028, \text{Wald } \chi^2(1) = 10.10, p = .001, \text{Exp}(B) = 0.91, 95% \text{ CI } [0.87, 0.97]$)، حيث تقلل كل درجة إضافية في المرونة من أرجحية الإصابة بنسبة 9%، مع تثبيت المتغيرات الأخرى في النموذج».

12. المشكلات التطبيقية الشائعة في SPSS وحلولها العملية

12.1 مشكلة الفصل الكامل وشبه الكامل للبيانات (Complete/Quasi-Complete Separation)

تُعد مشكلة الانفصال الكامل (Complete Separation) أو شبه الكامل (Quasi-Complete Separation) والمعروفة أيضاً بمشكلة الوحيدات أحادية التنبؤ (Monotone Likelihood) من أكثر المآزق التقنية تعقيداً في الانحدار اللوجستي داخل SPSS. تحدث هذه المشكلة عندما ينجح متغير مستقل واحد أو توليفة من المتغيرات في التنبؤ بجميع حالات المتغير التابع بشكل مثالي وتام دون أي خطأ (مثلاً: جميع الأفراد الذين تزيد أعمارهم عن 60 عاماً مصابون بالمرض بنسبة 100%، وكل من هم دون ذلك غير مصابين بنسبة 100%).

من الناحية الرياضية، يتطلب هذا الفصل التام معامل انحدار يقترب من اللانهاية ($\beta to \infty$). يظهر هذا العطل البرمجي في مخرجات SPSS على هيئة رسالة تحذيرية في بداية التقرير، متبوعة بظهور معاملات انحدار ضخمة للغاية ($B > 20$ أو $B > 50$) مصحوبة بـ أخطاء معيارية هائلة بشكل شاذ ($\text{S.E.} > 50$ أو $\text{S.E.} > 1000$)، مما يجعل إحصاء فالد مساوياً للصفر والقيمة الاحتمالية مساوية لـ $p = 0.999$ أو $p = 1.000$ بشكل مضلل كاذب.

تتمثل الحلول المنهجية لمعالجة الانفصال الإحصائي في:

• دمج الفئات الصغيرة في المتغير الفئوي المستقل لتقليل الخلايا الصفرية في الجداول المتقاطعة.
• استبعاد المتغير المسبب للفصل التام إذا كان يمثل تحصيلاً حاصلاً للتعريف المفاهيمي للظاهرة.
• تطبيق تقنية انحدار فيرث اللوجستي المعاقب (Firth’s Penalized Likelihood Logistic Regression)، وهي الطريقة الرياضية الأكثر متانة للتخلص من انحياز العينات الصغيرة والفصل التام (تتطلب استخدام حزم خارجية مثل مكتبة logistf في بيئة R أو الإضافات المخصصة عبر SPSS R-Plugin).

12.2 التعامل مع تباين العينة الحاد وانخفاض الأحداث النادرة

تواجه النمذجة اللوجستية تحدياً جوهرياً عند دراسة الظواهر النادرة (Rare Events Data)، وهي البيانات التي تقل فيها نسبة حدوث الفئة المستهدفة في المتغير التابع عن 5% من إجمالي حجم العينة الكلي (مثل: التنبؤ بحوادث الانتحار النادرة، أو الإصابة بالأمراض النفسية نادرة الشيوع). في مثل هذه الحالات، يعاني مقدر الإمكانية العظمى في SPSS من انحياز حاد يميل إلى التقليل المفرط من احتمالية وقوع الحدث النادر.

تتمثل النتيجة المباشرة لهذا الاختلال في حصول الباحث على نسبة دقة إجمالية مرتفعة جداً (قد تصل إلى 97%) في جدول التصنيف، ولكن عند فحص جدول الحساسية (Sensitivity) نجدها تقترب من الصفر؛ حيث يتنبأ النموذج بأن جميع الحالات تنتمي للفئة الشائعة دون كشف أي حالة نادرة حقيقية. لمعالجة هذا الخلل، يجب اتباع الإجراءات التالية:

• تعديل نقطة القطع التصنيفية (Adjusting Cutoff Value): تخفيض نقطة الفصل الافتراضية من 0.50 إلى قيمة تتناسب مع نسبة انتشار الحدث في العينة (مثلاً: ضبطها عند 0.10 أو 0.05) من خلال نافذة الخيارات (Options) لتحفيز النموذج على التقاط الحالات الإيجابية النادرة.
• إعادة موازنة العينة (Re-sampling Strategies): استخدام تقنيات زيادة العينة للأقلية (Oversampling) مثل خوارزمية (SMOTE) خارج SPSS، أو تقليل العينة للأغلبية (Undersampling) لموازنة الفئات قبل النمذجة.
• استخدام تصاميم الحالات والشواهد (Case-Control Designs): جمع بيانات العينة بصورة موجهة عن عمد بحيث تتضمن نسبة متكافئة (مثلاً 1:1 أو 1:2) بين الحالات المستهدفة والمجموعات الضابطة، مع تصحيح الثابت رياضياً لاحقاً.

12.3 أخطاء التفسير الإحصائي الأكثر انتشاراً بين الباحثين

يقع العديد من الباحثين في عثرات إحصائية ومنهجية شائعة عند تفسير مخرجات الانحدار اللوجستي، ومن أبرز هذه الأخطاء:

• الخلط بين نسبة الأرجحية (Odds Ratio) والمخاطر النسبية (Relative Risk): يميل الباحثون إلى تفسير $\text{Exp}(B) = 2.0$ بأن أفراد المجموعة المعرضة لديهم “ضعف احتمالية أو ضعف خطر” حدوث الواقعة. هذا التفسير غير دقيق إلا إذا كان الحدث نادراً جداً ($P < 0.10$)؛ فالأرجحية تمثل نسبة الاحتمال إلى متممه وليست الاحتمال المطلق.
• افتراض السببية الحتمية من النموذج التنبؤي: لا يعني وجود معامل انحدار لوجستي دال إحصائياً ($p < 0.001$) وجود علاقة سببية حتمية مباشرة، بل يظل التحليل ارتباطياً تنبؤياً مشروطاً بضبط المتغيرات الأخرى، ما لم يكن التصميم التجريبي مضبوطاً زمنياً وإجرائياً بالكامل.
• الاعتماد الحصري والمفرط على القيمة الاحتمالية ($p$-value): إهمال حجم التأثير العملي المتمثل في نسبة الأرجحية ($\text{Exp}(B)$) وفترات الثقة 95%؛ فقد يكون المتغير دالاً إحصائياً في العينات الضخمة ولكن بنسبة أرجحية مهملة عملياً (مثل: $\text{Exp}(B) = 1.01$).
• إساءة تفسير الفئة المرجعية للمتغيرات الفئوية: إهمال التحقق من الفئة المرجعية المحددة في شاشة (Categorical Contrast)، مما يؤدي إلى عكس استنتاجات المقارنة ونسب الأرجحية للمتغيرات الديموغرافية والنوعية بصورة مشوهة بالكامل.

الخلاصة والخاتمة المنهجية

يُمثل الانحدار اللوجستي الثنائي أداة إحصائية وتحليلية متقدمة وفائقة المرونة في العلوم الإنسانية، والاجتماعية، والسلوكية، والطبية. ومن خلال استبدال افتراضات الانحدار الخطي الصارمة بدالة تحويل اللوجت ونظرية الإمكانية العظمى، يُمكّن هذا النموذج الباحثين من تفكيك الشبكات السببية المعقدة واستشراف القرارات والسلوكيات الفئوية بدقة وموثوقية عالية.

يتطلب التطبيق الاحترافي للتحليل داخل بيئة SPSS تكاملاً منهجياً صارماً يربط بين الفهم النظري المعمق، والتجهيز الرياضي الرصين للبيانات، والفحص التشخيصي الدقيق لافتراضات الخطية والتعددية الخطية، والتقييم المتزن للبواقي والحالات المؤثرة. كما تكتمل القيمة العلمية للتحليل عند توثيق نتائجه بشفافية ونزاهة ومطابقة تامة لمعايير التوثيق الدولية (APA 7th)، مما يسهم في تقديم مخرجات بحثية موثوقة تثري المعرفة الأكاديمية وتدعم صناعة القرار القائم على الأدلة الكمية الرصينة.

المراجع (References)

• Agresti, A. (2018). An introduction to categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119405283
• 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
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Menard, S. (2002). Applied logistic regression analysis (2nd ed.). SAGE Publications. https://doi.org/10.4135/9781412983433
• Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.