كيفية إجراء الانحدار الخطي المتعدد في برنامج SPSS

يُعد تحليل الانحدار الخطي المتعدد (Multiple Linear Regression) أحد أكثر الركائز الإحصائية رسوخاً وأهمية في ترسانة المنهجية الكمية المعاصرة؛ إذ يُمكّن الباحثين في حقول العلوم النفسية، والتربوية، والاجتماعية، والإدارية من تفكيك البنى المعقدة للظواهر الإنسانية والسلوكية. تنبع القوة التفسيرية لهذا الأسلوب من قدرته الفائقة على نمذجة العلاقات المتشابكة بين متغير تابع مستمر ومجموعة متضافرة من المتغيرات المستقلة التفسيرية، متجاوزاً بذلك أوجه القصور المتأصلة في أساليب الارتباط الثنائي البسيط التي تعجز عن عزل التأثيرات المتداخلة أو التحكم في المتغيرات الدخيلة والمربكة.

في المشهد البحثي الحديث، لا تقتصر وظيفة الانحدار الخطي المتعدد على مجرد التنبؤ الإحصائي بقيم الظواهر المستقبلية، بل تمتد لتشمل اختبار النماذج النظرية وصياغة أطر تفسيرية دقيقة للتباين الملاحظ في السلوك البشري والتحصيل المعرفي والأداء المؤسسي. ويوفر البرنامج الإحصائي الرائد عالمياً IBM SPSS Statistics بيئة حوسبية متكاملة تجمع بين القوة الخوارزمية وسهولة الواجهة التطبيقية، مما يتيح للباحثين والمحللين استخراج مخرجات تحليلية بالغة الدقة تشمل المعاملات الجزئية، ومؤشرات جودة المطابقة، والاختبارات التشخيصية للافتراضات الإحصائية الصارمة.

يقدم هذا الدليل المرجعي الموسع شرحاً إبستمولوجياً وتطبيقياً معمقاً لكيفية إجراء، وتفسير، وتوثيق تحليل الانحدار الخطي المتعدد باستخدام حزمة SPSS وفق أعلى المعايير الأكاديمية وضوابط النشر المعتمدة لدى جمعية علم النفس الأمريكية (APA 7th Edition). سنخوض في تفاصيل النمذجة الرياضية، وضبط معايير التصميم التجريبي، واختبار الافتراضات الكلاسيكية، وتتبع مسارات التنفيذ البرمجي خطوة بخطوة، وصولاً إلى تشخيص الحالات المتطرفة وكتابة التقارير الإحصائية النهائية باحترافية تامة تؤهل دراستك للنشر في المجلات العلمية المصنفة دولياً.

1. مقدمة شاملة حول الانحدار الخطي المتعدد وأهميته في البحوث النفسية والتربوية

1.1 مفهوم الانحدار الخطي المتعدد وطبيعته الإحصائية

يمثل الانحدار الخطي المتعدد امتداداً رياضياً وإحصائياً متقدماً لنموذج الانحدار الخطي البسيط (Simple Linear Regression)؛ فبينما يقتصر الأخير على دراسة أثر متغير مستقل أحادي على متغير تابع، يتسع الانحدار المتعدد ليدمج مصفوفة متكاملة من المتغيرات المستقلة (أو التنبؤية) بهدف تفسير التباين الكامن في متغير تابع واحد ذي طبيعة كمية متصلة (Continuous Scale). تستند الطبيعة الإحصائية لهذا النموذج إلى مبدأ المربعات الصغرى العادية (Ordinary Least Squares – OLS)، والتي تعمل على تقليل المسافة العمودية بين القيم الملاحظة فعلياً والقيم التنبؤية التي يفرزها خط الانحدار، بما يضمن الوصول إلى أصغر قيمة ممكنة لمجموع مربعات الأخطاء العشوائية.

تتحدد أهداف التحليل في ثلاثة محاور رئيسية لا غنى عنها لأي باحث رصين:

• التنبؤ (Prediction): بناء معادلة رياضية تستطيع تقدير قيم المتغير التابع بدقة بناءً على الدرجات المتحققة في المتغيرات المستقلة، وهو ما يُستخدم بكثافة في الدراسات الاستشرافية وتحديد اتجاهات الأداء.
• التفسير (Explanation): تحديد النسبة المئوية الدقيقة من التباين في الظاهرة المدروسة والتي يمكن عزوها إلى منظومة المتغيرات التفسيرية مجتمعة عبر معامل التحديد الإحصائي.
• تحديد الأهمية النسبية (Relative Importance): مقارنة القوة التأثيرية المنفصلة لكل متغير مستقل على حدة مع عزل وتحييد الآثار المتداخلة للمتغيرات الأخرى المشتركة في النموذج (Statistical Control).

من الناحية القياسية، يتطلب النموذج أن يكون المتغير التابع مقاساً بمستوى فئوي (Interval) أو نسبي (Ratio)، في حين تمنح المنهجية مرونة فائقة فيما يخص المتغيرات المستقلة؛ إذ تقبل المتغيرات الكمية المتصلة والمتغيرات النوعية الثنائية (Dichotomous Variables)، أو المتغيرات الفئوية المتعددة بعد تحويلها منهجياً إلى ما يُعرف بالمتغيرات الوهمية أو المصطنعة (Dummy Variables).

1.2 تطبيقات الانحدار الخطي المتعدد في علم النفس والعلوم السلوكية

تتميز الظواهر الإنسانية والسلوكية بطبيعتها الديناميكية المركبة التي يستحيل اختزالها في علاقات أحادية بسيطة؛ فالأداء الأكاديمي للطلاب، على سبيل المثال، لا يرتبط فقط بعدد ساعات الاستذكار المنزلي، بل يتشكل عبر تفاعل تزامني معقد يضم مستويات القلق الامتحاني، والدافعية الذاتية، ومستوى الذكاء الانفعالي، والوضع الاجتماعي والاقتصادي للأسرة. يُتيح الانحدار المتعدد للباحث التربوي نمذجة هذه المتغيرات في معادلة كلية تُظهر الإسهام المتفرد لساعات الاستذكار بعد تثبيت أثر القلق والوضع الاقتصادي، مما يمنح صانع القرار رؤية دقيقة لتصميم البرامج الإرشادية والتدخلات التعليمية الموجهة.

وفي حقل علم النفس الإكلينيكي والصحة النفسية، يُعد الانحدار المتعدد أداة مركزية لفحص الأطر النظرية للوقاية والنمو النفسي؛ كدراسة دور المرونة النفسية (Resilience)، وفاعلية الذات (Self-Efficacy)، والدعم الاجتماعي المدرك كمتغيرات تنبؤية في التخفيف من حدة أعراض الاكتئاب أو اضطراب ما بعد الصدمة لدى الفئات المعرضة للأزمات. وبالمثل، تستند بحوث علم النفس الصناعي والتنظيمي إلى هذه التقنية لقياس تأثير الأبعاد الخمسة الكبرى للشخصية (العصابية، الانبساط، الانفتاح، المقبولية، يقظة الضمير) على معدلات الرضا الوظيفي والاحتراق النفسي وسلوك المواطنة التنظيمية، مما يبرز الأهمية البالغة للنمذجة التنبؤية في توجيه استراتيجيات الموارد البشرية والقيادة المؤسسية.

1.3 متطلبات التصميم التجريبي وجمع البيانات لتحليل الانحدار

إن متانة النتائج المستخلصة من تحليل الانحدار الخطي المتعدد ترتبط ارتباطاً وثيقاً بصرامة التصميم المنهجي المتبع في مرحلة جمع البيانات. أولى هذه الركائز تتمثل في تحديد حجم العينة المناسب (Sample Size)؛ حيث يؤدي صغر حجم العينة إلى تراجع القوة الإحصائية (Statistical Power) وعجز النموذج عن كشف التأثيرات الحقيقية، فضلاً عن خطر الوقوع في فخ التوفيق الزائد (Overfitting). توصي الأدبيات الكلاسيكية المنهجية (مثل قاعدة Tabachnick & Fidell) بحساب حجم العينة الأدنى عبر المعادلة:

N > 50 + 8k

حيث تمثل (k) عدد المتغيرات المستقلة لاختبار النموذج الكلي، أو المعادلة:

N > 104 + k

لاختبار الدلالة الإحصائية للمعاملات الفردية. ورغم شيوع هذه القواعد الاسترشادية، يظل من الأفضل أكاديمياً إجراء تحليل قبلي للقوة الإحصائية (A Priori Power Analysis) باستخدام برمجيات متخصصة مثل G*Power لضمان تحقيق قوة إحصائية لا تقل عن 0.80 عند مستوى دلالة 0.05 وحجم تأثير متوقع (Effect Size – f²).

يتطلب التصميم أيضاً التحقق الصارم من الخصائص السيكومترية لأدوات جمع البيانات، بما يشمل الصدق البنائي والاتساق الداخلي عبر معاملات ألفا كرونباخ أو أوميغا ماكدونالد؛ إذ يؤدي ضعف ثبات أدوات القياس إلى تضخم التباين المتبقي (Error Variance) وتخفيض دقة المعاملات التقديرية. بالإضافة إلى ذلك، ينبغي وضع بروتوكول منهجي واضح للتعامل مع البيانات المفقودة (Missing Data)، وتحديد ما إذا كان الفقد عشوائياً تماماً (MCAR) أو عشوائياً (MAR)، واختيار المعالجة الأنسب كالتعويض المتعدد (Multiple Imputation) أو خوارزمية تعظيم التوقع (EM)، وتجنب الحذف التقليدي غير المبرر للحالات لما يسببه من تحيز في التقديرات الإحصائية وتقليص لحجم العينة الفعال.

2. المفاهيم الإحصائية الأساسية ومعادلة الانحدار الخطي المتعدد

2.1 البنية الرياضية لمعادلة الانحدار المتعدد

تستند النمذجة الرياضية للانحدار الخطي المتعدد إلى صياغة جبرية تجمع المتغيرات التنبؤية في علاقة خطية تراكمية لتقدير قيمة المتغير التابع. تأخذ المعادلة العامة في مجتمع الدراسة الصيغة الرياضية التالية:

Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + … + βₖXₖ + ε

وعند تطبيق النموذج على عينة مسحوبة من المجتمع، تُكتب المعادلة التقديرية على النحو الآتي:

Ŷ = B₀ + B₁X₁ + B₂X₂ + B₃X₃ + … + BₖXₖ

تحتوي هذه المعادلة على مكونات إحصائية بنيوية تتطلب فهماً دقيقاً لتفسيرها بصورة صحيحة:

• المتغير التابع المقدر (Ŷ – Predicted Y): القيمة المتوقعة التي يتنبأ بها النموذج بناءً على قيم المتغيرات المستقلة المدخلة.
• القاطع أو الثابت (Intercept / Constant – B₀): يمثل النقطة التي يقطع فيها خط (أو مستوى) الانحدار المحور الرأسي Y، وهي القيمة المتوقعة للمتغير التابع عندما تكون جميع قيم المتغيرات المستقلة في النموذج مساوية للصفر الحسابي.
• معاملات الانحدار الجزئية غير المعيارية (Unstandardized Partial Regression Coefficients – Bₖ): تعبر عن مقدار التغير المتوقع بالزيادة أو النقصان في المتغير التابع Y لكل تغير مقداره وحدة قياس واحدة في المتغير المستقل المعني Xₖ، وذلك بشرط ثبات واستبعاد الأثر الإحصائي لكافة المتغيرات المستقلة الأخرى الداخلة في النموذج.
• حد الخطأ العشوائي أو البواقي (Residuals / Error Term – ε): يمثل الفارق الفعلي والعمودي بين الدرجة الخام الحقيقية التي حصل عليها المفحوص (Y) والدرجة التي تنبأ بها النموذج الإحصائي (Ŷ)، أي: ε = Y – Ŷ. ويعكس هذا الحد كافة العوامل غير المقاسة، وأخطاء القياس السيكومتري، والتقلبات العشوائية الكامنة في السلوك الإنساني.

2.2 المعاملات المعيارية (Beta) وأهميتها المقارنة

تعتمد المعاملات غير المعيارية (B) على وحدات القياس الأصلية للمتغيرات (مثل السنوات، والدرجات، والدولارات)؛ مما يجعل مقارنتها المباشرة لتحديد “أي المتغيرات أكثر تأثيراً” أمراً مضللاً رياضياً إذا كانت المقاييس تعتمد على موازين تدريج مختلفة. هنا تبرز الأهمية المنهجية الفائقة لمعاملات بيتا المعيارية (Standardized Beta Coefficients – β)؛ حيث يتم حساب هذه المعاملات بعد تحويل كافة درجات المتغيرات المستقلة والمتغير التابع إلى درجات معيارية (Z-Scores) بمتوسط حسابي يساوي (0) وانحراف معياري يساوي (1).

تُعرّف قيمة بيتا المعيارية بأنها: مقدار التغير المعياري في المتغير التابع (مقاساً بوحدات الانحراف المعياري) المصاحب لتغير مقداره انحراف معياري كامل واحد في المتغير المستقل ذي الصلة، مع تثبيت المتغيرات المستقلة المتبقية. ونظراً لتجريد هذه المعاملات من وحدات القياس الفيزيائية أو السيكومترية، فإنها توفر مقياساً موحداً يُمكّن الباحث من ترتيب المتغيرات التنبؤية ترتيباً تنازلياً وفق قوتها النسبية في المساهمة التفسيرية للنموذج؛ فالمتغير الذي يمتلك أعلى قيمة مطلقة لـ (|Beta|) هو المتغير الأكثر وزناً وأهمية في تفسير المتغير التابع.

من الأهمية بمكان التمييز الإحصائي بين معامل الارتباط البسيط لبيرسون (Zero-order Correlation) ومعامل بيتا الجزئي؛ إذ يعكس الارتباط البسيط العلاقة الإجمالية الخام بين المتغيرين دون تحييد أي تأثير وسيط أو مشترك، في حين يعزل معامل بيتا الارتباطات المتشابكة مع باقي المتغيرات المستقلة، كاشفاً عن المساهمة الفريدة والنقية للمتغير في ظل النموذج المقترح.

2.3 معامل التحديد (R-Squared) والتحديد المعدل (Adjusted R-Squared)

يُمثل معامل التحديد (R²) أحد أهم المؤشرات العامة لتقييم جودة مطابقة النموذج الإحصائي للبيانات الميدانية (Goodness-of-Fit)؛ حيث يُحسب رياضياً كنسبة مجموع مربعات الانحدار (Sum of Squares Regression) إلى مجموع المربعات الكلي (Total Sum of Squares). تتراوح قيمة R² نظرياً بين (0 و 1)، وغالباً ما يتم ضربها في 100 للتعبير عنها كنسبة مئوية تمثل حصة التباين الكلي في المتغير التابع التي استطاعت منظومة المتغيرات المستقلة تفسيرها بنجاح.

غير أن معامل التحديد التقليدي (R²) يعاني من عيب بنيوي خطير في التحليل المتعدد: فهو يتزايد تلقائياً أو يظل ثابتاً كلما تمت إضافة متغير مستقل جديد إلى المعادلة، حتى وإن كان هذا المتغير المضاف عبارة عن أرقام عشوائية لا تمت للظاهرة بصلة حقيقية. لمعالجة هذا التضخم المصطنع، طُوّر معامل التحديد المعدل (Adjusted R²)، والذي يُدخل تصحيحاً رياضياً صارماً يفرض عقوبة إحصائية (Penalty) على إدراج متغيرات إضافية لا تقدم مساهمة تفسيرية جوهرية تفوق ما هو متوقع بالمصادفة. يُحسب معامل التحديد المعدل عبر إدخال درجات الحرية المرتبطة بحجم العينة وعدد المتغيرات في الحسبان:

Adjusted R² = 1 – [(1 – R²)(N – 1) / (N – k – 1)]

وعند تطبيق أساليب الانحدار الهرمي أو المرحلي، يكتسب مؤشر التغير في معامل التحديد (R² Change) أهمية محورية؛ إذ يختبر إحصائياً ما إذا كانت إضافة كتلة جديدة من المتغيرات إلى النموذج الأولي تقدم زيادة دالة إحصائياً في القدرة التفسيرية للنموذج الكلي عبر اختبار فاء الإضافي (F-change test).

3. الافتراضات الإحصائية الصارمة لتحليل الانحدار الخطي المتعدد

3.1 افتراض الخطية واستقلال الملاحظات

يقوم الانحدار الخطي المتعدد على مجموعة من الافتراضات النظرية والرياضية الصارمة التي يشترط التحقق منها لضمان مصداقية التقديرات المعلمية، والتي يُلخصها المتخصصون في أطر منهجية مثل نظرية Gauss-Markov لضمان الحصول على أفضل المقدرات الخطية غير المتحيزة (BLUE). أول هذه الشروط هو افتراض الخطية (Linearity)؛ والذي يفترض أن العلاقة الكامنة بين كل متغير تنبؤي والمتغير التابع تتخذ شكلاً مستقيماً وليست علاقة منحنية أو أسية. يؤدي انتهاك الخطية إلى خفض القوة التفسيرية للنموذج وفشله في رصد الارتباطات الحقيقية، مما يفرض في بعض الأحيان اللجوء لتحويلات البيانات أو الانحدار غير الخطي.

أما الركيزة الثانية فهي استقلال الملاحظات والأخطاء العشوائية (Independence of Residuals)؛ أي أن الخطأ التقديري المرتبط بأي مفحوص في العينة لا يرتبط إطلاقاً بالخطأ التقديري لأي مفحوص آخر. يُعد هذا الافتراض جوهرياً في الدراسات المقطعية (Cross-sectional). ويتم اختباره إحصائياً بصورة قياسية عبر اختبار دربن-واتسون (Durbin-Watson Test) الذي يفحص وجود الارتباط الذاتي من الدرجة الأولى بين البواقي (Autocorrelation). تتراوح قيمة الاختبار بين 0 و 4؛ وتعتبر القيمة القريبة من 2.0 (وتحديداً النطاق المقبول أكاديمياً بين 1.5 و 2.5) مؤشراً قوياً على استقلال البواقي وسلامة البيانات من الارتباط التسلسلي الناتج عن التكرار الزمني أو التجميع العنقودي غير المنضبط.

3.2 افتراض التوزيع الطبيعي للبواقي وتجانس التباين

ينصب افتراض التوزيع الطبيعي (Normality of Residuals) في تحليل الانحدار على توزيع الأخطاء التقديرية (البواقي) حصراً، وليس على التوزيع الخام للمتغيرات الأصلية كما يعتقد البعض خطأً. ينص الافتراض على أن البواقي الناتجة عن النموذج يجب أن تتوزع توزيعاً طبيعياً اعتدالياً حول متوسط مقداره الصفر مع انحراف معياري ثابت. يُعد هذا الشرط ضرورياً لصحة اختبارات الدلالة الإحصائية (اختبارات F و t) وفترات الثقة المحيطة بالمعاملات التقديرية، لا سيما في العينات الصغيرة والمتوسطة الحجم.

يتكامل مع ذلك افتراض تجانس تباين البواقي (Homoscedasticity)؛ والذي يقتضي أن يكون تباين الأخطاء العشوائية ثابتاً ومتماثلاً عبر كافة المستويات والقيم المتنبأ بها للمتغير التابع. إذا كان تباين البواقي يتسع أو يضيق مع تغير القيم التنبؤية، نكون أمام ظاهرة تُعرف بـ تغاير أو عدم تجانس التباين (Heteroscedasticity). يترتب على هذا الانتهاك تشوه خطير في حساب الأخطاء المعيارية لمعاملات الانحدار، مما يؤدي إما إلى تضخيمها ومن ثم الفشل في رصد الدلالة الإحصائية (الخطأ من النوع الثاني – Type II Error)، أو تصغيرها مصطنعاً مما يعطي دلالة زائفة لتأثيرات غير موجودة فعلياً (الخطأ من النوع الأول – Type I Error).

3.3 افتراض غياب التعددية الخطية العالية (No Multicollinearity)

تحدث ظاهرة التعددية الخطية (Multicollinearity) عندما ترتبط المتغيرات المستقلة فيما بينها بعلاقات ارتباطية مرتفعة جداً ومفرطة؛ مما يعني أن المتغيرات التنبؤية تشترك في نقل نفس المعلومات الإحصائية تقريباً وتتنافس فيما بينها لتفسير نفس الجزء من التباين في المتغير التابع. تؤدي التعددية الخطية الحادة إلى زعزعة استقرار مصفوفة الانحدار، وتضخيم الأخطاء المعيارية للمعاملات بصورة هائلة، وانقلاب إشارات المعاملات (B) من الموجب إلى السالب بصورة متناقضة مع النظرية المنطقية والارتباطات البسيطة، فضلاً عن جعل النموذج فائق الحساسية لأي تغيير طفيف في بيانات العينة.

للكشف الاستكشافي عن التعددية الخطية، تُفحص مصفوفة الارتباطات البسيطة بين المتغيرات المستقلة؛ وتُعد الارتباطات التي تتجاوز (0.70 أو 0.80) مؤشراً تحذيرياً أولياً. غير أن المعيار الإحصائي القاطع يستند إلى مؤشرين بنيويين يوفرهما برنامج SPSS:

• معامل التسامح (Tolerance): يمثل نسبة التباين في متغير مستقل معين والتي لا يمكن تفسيرها بواسطة بقية المتغيرات المستقلة الأخرى في النموذج (Tolerance = 1 – R²ᵢ). ويجب أن تكون قيمته أكبر من 0.10 (أو 0.20 وفق المعايير الصارمة).
• معامل تضخم التباين (Variance Inflation Factor – VIF): وهو المقلوب الرياضي لقيمة التسامح (VIF = 1 / Tolerance). يشير ارتفاع قيمة VIF فوق 10 (أو فوق 5 في التقديرات المتحفظة) إلى وجود تعددية خطية شديدة تُهدد سلامة وموثوقية النموذج، وتستدعي التدخل العلاجي الفوري.

4. كيفية التحقق من افتراضات الانحدار في برنامج SPSS تشخيصياً

4.1 فحص الخطية وتجانس التباين عبر الرسوم البيانية للبواقي

يوفر برنامج SPSS أدوات بصرية وتشخيصية بالغة التطور تتيح للباحث التحقق المباشر من صحة الافتراضات الإحصائية قبل اعتماد النتائج النهائية. يُعد مخطط الانتشار للبواقي المعيارية مقابل القيم التنبؤية المعيارية (*ZRESID vs *ZPRED) الأداة الأكثر شمولية لفحص افتراضي الخطية وتجانس التباين بالتزامن. لتوليد هذا الرسم، يتم إدراج *ZRESID في المحور الصادي (Y-axis) و *ZPRED في المحور السيني (X-axis) داخل نافذة الرسوم البيانية التابعة للانحدار.

تتم قراءة هذا الرسم البياني بالتحقق من تحقق المواصفات المنهجية التالية:

• تحقق الافتراضات السليمة: يجب أن تنتشر نقاط البيانات بصورة عشوائية متماثلة ومستطيلة الشكل (Random Rectangular Dispersion) حول خط الصفر الأفقي، دون تشكيل أي أنماط منتظمة، مع بقاء الغالبية الساحقة من النقاط محصورة بين خطي الانحراف المعياري (+2 و -2) أو (+3 و -3).
• مؤشر عدم الخطية (Non-Linearity): إذا اتخذت النقاط نمطاً منحنياً واضحاً (مثل شكل حرف U أو منحنى قطعي مكافئ)، فهذا دليل قاطع على أن العلاقة بين المتغيرات ليست خطية.
• مؤشر تغاير التباين (Heteroscedasticity): إذا ظهرت النقاط على هيئة قمع أو مروحة مفتوحة (Funnel / Cone Shape) تتسع تدريجياً كلما زادت القيم التنبؤية أو تضيق، فهذا يثبت عدم ثبات تباين الأخطاء.

بالإضافة إلى ذلك، يُنصح بتوليد الرسوم الجزئية (Partial Plots) لكل متغير مستقل؛ حيث تُظهر هذه الرسوم شكل العلاقة الخطية المعزولة بين كل متغير تنبؤي على حدة والمتغير التابع بعد تحييد بقية المتغيرات، مما يكشف بدقة أي شذوذ في خطية متغير محدد.

4.2 فحص اعتدالية البواقي باستخدام المدرج التكراري ورسم P-P

للتحقق البصري والرقمي من التوزيع الطبيعي للبواقي في SPSS، يتم تفعيل خياري المدرج التكراري (Histogram) ومخطط الاحتمال الطبيعي التراكمي (Normal P-P Plot of Regression Standardized Residuals). يعرض المدرج التكراري منحنى التوزيع الطبيعي المتراكب فوق أعمدة تكرار البواقي المعيارية، مما يسمح للباحث بملاحظة أي التواء بارز (Skewness) نحو اليمين أو اليسار، أو تفرطح حاد أو مفلطح (Kurtosis).

أما مخطط الاحتمال الطبيعي (P-P Plot)، فيقارن التوزيع التراكمي الملاحظ للبواقي بالتوزيع التراكمي النظري المتوقع للتوزيع الطبيعي؛ حيث تُرسم البيانات مقابل خط قطري بزاوية 45 درجة يمثل الاعتدالية المثالية. كلما كانت نقاط المشاهدات متطابقة مع الخط القطري أو ملتصقة به بشدة دون انحرافات موجية أو تباعد ملحوظ عند الأطراف، دل ذلك على سلامة افتراض التوزيع الطبيعي للبواقي. ولإضفاء مزيد من الدقة الإحصائية الكمية، يمكن حفظ درجات البواقي غير المعيارية (Unstandardized Residuals) في ملف البيانات وإجراء اختباري كولموجوروف-سميرنوف (Kolmogorov-Smirnov) وشابيرو-ويلك (Shapiro-Wilk) عبر قائمة الاستكشاف الإحصائي (Explore)؛ حيث يؤكد عدم دلالة الاختبارين إحصائياً (p > 0.05) اعتدالية التوزيع.

4.3 استخراج مؤشرات التعددية الخطية (Collinearity Diagnostics)

يوفر تبويب الإحصاءات في نافذة الانحدار داخل SPSS وظيفة تشخيص التعددية الخطية (Collinearity Diagnostics) التي تُنتج جدولاً تفصيلياً يضم مؤشرات التسامح (Tolerance)، ومعامل تضخم التباين (VIF)، وجدول تحلل التباين الذاتي (Eigenvalues and Condition Index). يبدأ التقييم بفحص عمود التسامح وVIF في جدول المعاملات وفق المعايير الأكاديمية التالية:

المؤشر التشخيصي	الحد المثالي والمقبول	المستوى الحرج والتحذيري	التفسير الإحصائي والقرار المنهجي
التسامح (Tolerance)	> 0.20 (إلى 1.0)	< 0.10	القيم أقل من 0.10 تشير إلى أن أكثر من 90% من تباين المتغير مفسر بمتغيرات أخرى.
معامل تضخم التباين (VIF)	< 5.0 (أو < 10)	> 10.0	القيم أعلى من 10 تشير إلى تضخم هائل في الخطأ المعياري وعدم استقرار المعاملات.
مؤشر الحالة (Condition Index)	< 15.0	> 30.0	القيم أكبر من 30 مع ارتباطها بنسب تباين مرتفعة (> 0.50) لمتغيرين تدل على تداخل جذري.

يتيح جدول تشخيص التعددية الخطية فحص مؤشر الحالة (Condition Index) المقترن بالجذور الكامنة (Eigenvalues)؛ فإذا تجاوز مؤشر الحالة القيمة الحرجة (30)، وترافق ذلك مع استحواذ نفس البعد على نسبة تباين (Variance Proportion) تتجاوز 0.50 لاثنين أو أكثر من معاملات المتغيرات المستقلة، فهذا يحدد بدقة شديدة المتغيرات المحددة المسؤولة عن أزمة التعددية الخطية، مما يوجه الباحث لاتخاذ قرار دمجها أو حذف أحدهما.

5. إعداد وتجهيز مصفوفة البيانات في برنامج SPSS

5.1 تهيئة المتغيرات في شاشة Variable View

تتطلب الكفاءة المنهجية ضبطاً دقيقاً لخصائص المتغيرات في شاشة عرض المتغيرات (Variable View) داخل ملف عمل SPSS قبل الشروع في بناء النموذج. يشمل هذا الضبط الخطوات الإجرائية التالية:

• التسمية والتوصيف (Name & Label): كتابة اسم مختصر وخالٍ من المسافات للمتغير في حقل (Name)، متبوعاً بوضع التسمية الأكاديمية والوصف الكامل في حقل (Label)؛ حيث تظهر هذه التسميات الإيضاحية في الجداول والرسوم البيانية النهائية للمخرجات.
• مستوى القياس (Measure): ضبط مستوى القياس للمتغير التابع ولكافة المتغيرات المستقلة الكمية المتصلة ليكون بمستوى مقياس (Scale). أما إذا كانت المتغيرات المستقلة نوعية، فيجب تحديدها كمتغير اسمي (Nominal) أو رتبي (Ordinal).
• ترميز المتغيرات الوهمية (Dummy Coding): إذا اشتمل النموذج على متغيرات نوعية تصنيفية (مثل المستوى التعليمي: بكالوريوس، ماجستير، دكتوراه)، فلا يمكن إدخالها كأرقام متسلسلة؛ بل يجب تحويلها إلى متغيرات ثنائية وهمية برمز (0 و 1) باستخدام أمر Transform > Recode into Different Variables. يتم إنشاء عدد من المتغيرات الوهمية يساوي (k – 1) حيث تمثل (k) عدد الفئات، وتُترك فئة واحدة كفئة مرجعية للمقارنة (Reference Category).
• تعريف القيم المفقودة (Missing Values): تحديد الأكواد الرقمية المخصصة للإجابات المفقودة (مثل 999 أو -99) في حقل (Missing) لضمان استبعادها من الحسابات الرياضية وتجنب احتسابها كدرجات حقيقية تطيح بدقة النتائج.

5.2 فحص جودة البيانات وتنظيفها قبل التحليل

تمر مرحلة تنظيف البيانات بسلسلة من الفحوص الاستكشافية الممنهجة عبر المسار Analyze > Descriptive Statistics > Explore؛ لفحص القيم الصغرى والعظمى واكتشاف أي أخطاء إدخال مطبعية خارج النطاق المنطقي للمقاييس السيكومترية. كما يتم حساب الدرجات الكلية للمقاييس المركبة بعد عكس الفقرات السلبية والتأكد من موثوقية ثبات المقاييس.

يتبع ذلك توليد مصفوفة معاملات ارتباط بيرسون الأولية لجميع المتغيرات عبر المسار Analyze > Correlate > Bivariate؛ وذلك لفحص مؤشرين جوهريين: أولهما وجود ارتباطات دالة إحصائياً بين المتغيرات المستقلة والمتغير التابع (وهو ما يبرر إدخالها نظرياً وإحصائياً في النموذج)، وثانيهما التأكد من عدم وجود ارتباطات ثنائية مفرطة الارتفاع بين المتغيرات المستقلة وبعضها البعض (r > 0.85). وأخيراً، يجب حفظ نسخة احتياطية خام ومؤمنة من ملف البيانات الأصلي قبل تطبيق أي تحويلات أو تنظيفات إحصائية لضمان إمكانية الرجوع للأصل وتتبع مسار التعديلات الأكاديمية (Audit Trail).

6. خطوات تنفيذ تحليل الانحدار الخطي المتعدد في SPSS خطوة بخطوة

6.1 الوصول إلى نافذة الانحدار الخطي وتعيين المتغيرات

لتشغيل تحليل الانحدار الخطي المتعدد داخل برنامج SPSS، يتم اتباع المسار الإجرائي القياسي عبر شريط القوائم الرئيسي:

Analyze > Regression > Linear…

تفتح هذه الخطوة النافذة الحوارية الرئيسية للتحليل (Linear Regression Dialog Box)، والتي تتطلب تعيين الأدوار الإحصائية للمتغيرات بدقة فائقة:

• نقل المتغير التابع المستمر من قائمة المتغيرات اليسرى إلى الصندوق المخصص بعنوان Dependent.
• نقل كافة المتغيرات المستقلة (الكمية والمتغيرات الوهمية الثنائية) إلى الصندوق المخصص بعنوان Independent(s).
• إذا تطلب التصميم البحثي حصر التحليل في عينة فرعية معينة (مثل الذكور فقط أو عينة معيارية محددة)، يمكن استخدام حقل Selection Variable وتعيين قاعدة الاختيار عبر زر Rule دون التأثير على بقية ملف البيانات.

6.2 اختيار طريقة إدخال المتغيرات (Regression Methods)

يوفر برنامج SPSS قائمة منسدلة حاسمة تحت مسمى Method لتحديد الخوارزمية التي سيتم بها إدخال المتغيرات المستقلة في معادلة الانحدار. تشمل هذه الخيارات عدة أساليب ذات أبعاد منهجية متباينة:

• طريقة الإدخال المباشر (Enter Method / Standard Regression): وهي الطريقة الافتراضية والأكثر قبولاً في الأوساط الأكاديمية ونشر البحوث السيكولوجية؛ حيث تُدخل كافة المتغيرات المستقلة دفعة واحدة في خطوة حسابية واحدة، لتقييم القدرة التفسيرية للنموذج المشترك ووزن كل متغير بعد عزل المتغيرات الأخرى. تُعد هذه الطريقة الخيار الأمثل لاختبار الفرضيات النظرية المحددة سلفاً.
• طريقة الانحدار الهرمي (Hierarchical Regression): وتتم من خلال إدخال المتغيرات على كتل متتابعة عبر النقر على زر Next؛ حيث يضع الباحث المتغيرات الديموغرافية والضابطة في الكتلة الأولى (Block 1)، ثم يضيف المتغيرات التفسيرية الرئيسية في الكتلة الثانية (Block 2)، مما يسمح بحساب القيمة المضافة الدقيقة (ΔR²) لاختبار النظرية التفسيرية.
• طرق الاختيار الإجرائي الإحصائي (Stepwise, Forward, Backward): وهي طرق آلية تعتمد فيها الخوارزمية الرياضية على معايير الدلالة الإحصائية المحضة لإدخال أو استبعاد المتغيرات خطوة بخطوة. ورغم فائدتها في الدراسات الاستكشافية والتنقيب عن البيانات (Data Mining)، إلا أنها تواجه انتقادات منهجية واسعة في علم النفس نظراً لاعتمادها على تقلبات العينة العشوائية وتضخيمها لخطر الخطأ من النوع الأول وإغفالها للتأصيل النظري.

7. تحديد الخيارات الإحصائية والتشخيصية المتقدمة في SPSS

7.1 ضبط نافذة الإحصاءات (Statistics Sub-dialog)

للحصول على مخرجات شاملة تغطي كافة متطلبات التحليل والاختبارات الافتراضية والتوثيق الأكاديمي، يتم النقر على زر Statistics في النافذة الرئيسية وتفعيل الخيارات التالية بعناية:

• Estimates: لاستخراج قيم معاملات الانحدار غير المعيارية (B)، والأخطاء المعيارية، ومعاملات بيتا المعيارية (Beta)، واختبارات t والدلالة الإحصائية.
• Confidence intervals: تفعيل فترات الثقة 95% لمعاملات الانحدار غير المعيارية؛ لبيان مدى دقة التقدير الإحصائي وفق توصيات APA 7.
• Model fit: لاستخراج جدول ملخص النموذج متضمناً معامل الارتباط R، ومعامل التحديد R²، ومعامل التحديد المعدل، والخطأ المعياري للتقدير، وجدول تحليل التباين ANOVA.
• R squared change: ضروري جداً في الانحدار الهرمي لتقييم دلالة القيمة التفسيرية المضافة لكل كتلة متغيرات.
• Descriptives: لاستخراج المتوسطات الحسابية، والانحرافات المعيارية، ومصفوفة معاملات ارتباط بيرسون الثنائية ومستويات دلالتها لكافة المتغيرات.
• Part and partial correlations: لحساب معاملات الارتباط الجزئي (Partial) وشبه الجزئي (Part / Semi-partial) لتحديد نسبة التباين الفريدة المنفصلة التي يفسرها كل متغير مستقل.
• Collinearity diagnostics: لاستخراج مؤشرات التسامح (Tolerance)، ومعاملات تضخم التباين (VIF)، ومؤشر الحالة (Condition Index).
• Durbin-Watson: لاستخراج إحصائية دربن-واتسون للتحقق من استقلال البواقي وغياب الارتباط الذاتي.
• Casewise diagnostics: لتشخيص وفحص الحالات المتطرفة، مع تحديد خيار Outliers outside: 3 standard deviations لحصر الحالات التي تبتعد بواقيها عن خط الانحدار بأكثر من 3 انحرافات معيارية.

7.2 ضبط خيارات الرسوم البيانية (Plots Sub-dialog)

يُعد النقر على زر Plots الخطوة المركزية لتفعيل الفحوص البصرية للافتراضات الإحصائية؛ حيث يتم ضبط التعيينات التالية بدقة:

• نقل المتغير المعياري للبواقي *ZRESID إلى الصندوق المخصص للمحور الصادي Y.
• نقل المتغير المعياري للقيم المتنبأ بها *ZPRED إلى الصندوق المخصص للمحور السيني X.
• تفعيل خيار Histogram لتوليد المدرج التكراري للبواقي متضمناً منحنى التوزيع الطبيعي.
• تفعيل خيار Normal probability plot لتوليد مخطط P-P الاحتمالي التراكمي.
• تفعيل خيار Produce all partial plots لإنشاء رسوم بيانية جزئية توضح العلاقة الخطية المعزولة بين كل متغير مستقل منفرد والمتغير التابع، مما يكشف الحالات الشاذة الموضعية والانحرافات عن الخطية لكل مسار تفسيري.

7.3 حفظ المتغيرات التشخيصية الجديدة (Save Sub-dialog)

يوفر زر Save إمكانية توليد وحفظ متغيرات إحصائية جديدة مباشرة داخل ملف البيانات النشط (Data View)؛ مما يُمكّن الباحث من إجراء تشخيصات معمقة ومتقدمة لجودة النموذج ورصد الحالات الشاذة والمؤثرة. يُوصى بتحديد الخيارات التشخيصية التالية:

• القيم المتنبأ بها (Predicted Values): تحديد كل من Unstandardized (القيم المتوقعة الأصلية) و Standardized (القيم المتوقعة المعيارية).
• البواقي (Residuals): تحديد Standardized (البواقي المعيارية Z) و Studentized deleted (البواقي المحذوفة المعيارية؛ وهي الأداة الأقوى لكشف الحالات المتطرفة المنعزلة التي تؤثر على دقة النموذج).
• المسافات والتشخيصات المؤثرة (Distances): تحديد Mahalanobis (لحساب المسافة متعددة الأبعاد لكشف الشذوذ في مصفوفة المتغيرات المستقلة)، وتحديد Cook’s distance (لقياس التأثير الإجمالي لكل حالة على كافة معاملات الانحدار)، وتحديد Leverage values (لقياس مدى بعد قيم الحالة في المتغيرات المستقلة عن مركز التوزيع).

8. قراءة وتفسير جدول ملخص النموذج (Model Summary) وتحليل التباين (ANOVA)

8.1 تفسير جدول ملخص النموذج (Model Summary)

يُمثل جدول ملخص النموذج (Model Summary) المحطة التقييمية الأولى لجودة النموذج التنبؤي الشامل؛ حيث يضم مجموعة من المعاملات والمؤشرات الإحصائية التي تشخص قوة وكفاءة المنظومة التفسيرية ككل.

تتم قراءة وتفسير عناصر هذا الجدول وفق القواعد المنهجية التالية:

• معامل الارتباط المتعدد (R): يمثل الارتباط الخطي البسيط بين القيم الملاحظة الفعلية للمتغير التابع والقيم المتنبأ بها من خلال النموذج الخطي. تتراوح قيمته بين 0 و 1، وكلما اقتربت من 1 دل ذلك على قوة الارتباط المشترك بين منظومة المتغيرات التنبؤية والمتغير التابع.
• معامل التحديد (R Square): يعبر عن نسبة التباين الإجمالي في المتغير التابع المفسرة بواسطة المتغيرات المستقلة مجتمعة. على سبيل المثال، إذا كانت قيمة R² = 0.435، فهذا يعني أن المتغيرات المستقلة تفسر 43.5% من التباين في المتغير التابع، في حين تعود الـ 56.5% المتبقية إلى عوامل أخرى غير متضمنة في النموذج أو إلى أخطاء القياس العشوائية.
• معامل التحديد المعدل (Adjusted R Square): يقدم تقديراً أكثر دقة وموضوعية للتباين المفسر بعد تصحيح تضخم العينة وعدد المتغيرات، وهو المعامل الواجب اعتماده وتوثيقه أكاديمياً في تقرير النتائج، لا سيما عند المقارنة بين نماذج مختلفة في الحجم.
• الخطأ المعياري للتقدير (Std. Error of the Estimate): يمثل الانحراف المعياري للبواقي حول خط الانحدار، ويقيس دقة النموذج في التنبؤ بوحدات قياس المتغير التابع الأصلية؛ فكلما كانت هذه القيمة أصغر حجماً دل ذلك على ارتفاع دقة التنبؤ وتقارب القيم الملاحظة من خط النموذج.
• إحصائية دربن-واتسون (Durbin-Watson): تُفحص للتأكد من استقلال الأخطاء؛ وتعتبر القيمة التي تدور حول 2.0 (بين 1.5 و 2.5) دليلاً على خلو النموذج من مشكلات الارتباط الذاتي للبواقي.

8.2 تفسير جدول تحليل التباين (ANOVA Table)

يختبر جدول تحليل التباين (ANOVA) الفرضية الصفرية العامة للنموذج، والتي تنص على أن: “النموذج التنبؤي غير ذي دلالة إحصائية، وأن كافة معاملات الانحدار في المجتمع تساوي الصفر (H₀: β₁ = β₂ = … = βₖ = 0)”، مقابل الفرضية البديلة القائلة بأن معاملاً واحداً على الأقل يختلف جوهرياً عن الصفر.

يتضمن جدول ANOVA تفكيكاً إحصائياً دقيقاً لمصادر التباين في البيانات:

• تباين الانحدار (Regression): يمثل مجموع مربعات الانحرافات المفسرة بنجاح بواسطة النموذج، ويقترن بدرجات حرية مساوية لعدد المتغيرات المستقلة (k).
• تباين البواقي (Residual): يمثل مجموع مربعات الأخطاء العشوائية والانحرافات غير المفسرة، ويقترن بدرجات حرية مساوية لـ (N – k – 1).
• التباين الكلي (Total): يمثل إجمالي التباين في المتغير التابع ويساوي مجموع مربعات الانحدار والبواقي بدرجات حرية (N – 1).
• متوسط المربعات (Mean Square): يُحسب بقسمة مجموع المربعات لكل مصدر على درجات حريته الخاصة.
• قيمة فاء المحسوبة (F-statistic): تُحسب بقسمة متوسط مربعات الانحدار على متوسط مربعات البواقي (F = MS_Regression / MS_Residual).
• مستوى الدلالة (Sig. / p-value): إذا كانت قيمة الدلالة أقل من مستوى ألفا المحدد مسبقاً (p < 0.05 أو p < 0.001)، يتم رفض الفرضية الصفرية وقبول الفرضية البديلة، مما يؤكد أن المتغيرات المستقلة تتضافر للتنبؤ بالمتغير التابع بصورة دالة إحصائياً تفوق ما يمكن حدوثه بمجرد المصادفة العشوائية.

9. تحليل وتفسير جدول المعاملات (Coefficients Table) واختبار الفرضيات

9.1 تفسير المعاملات غير المعيارية وقيمة القاطع الإحصائي

يُعد جدول المعاملات (Coefficients Table) القلب النابض لتحليل الانحدار؛ حيث ينتقل الباحث من تقييم النموذج العام ككل إلى فحص واختبار الفرضيات التفصيلية المرتبطة بكل متغير مستقل على حدة وتحديد طبيعة واتجاه وحجم مساهمته التفسيرية.

يبدأ التفسير بفحص المعاملات غير المعيارية (Unstandardized Coefficients – B) وخطئها المعياري (Std. Error):

• القاطع أو الثابت (Constant – B₀): يمثل القيمة المتوقعة للمتغير التابع عندما تنعدم قيم كافة المتغيرات المستقلة (تساوي صفراً). ينبغي تفسير هذه القيمة بحذر؛ إذ إنها قد لا تحمل معنى واقعياً إذا كان الصفر يقع خارج النطاق الفعلي لدرجات المقاييس السيكومترية (مثل مقاييس ليكرت من 1 إلى 5)، إلا أنها تظل ركيزة رياضية لا غنى عنها لضبط موقع خط الانحدار.
• معامل الانحدار غير المعياري (B): يعكس القيمة الاتجاهية والكمية للتأثير؛ فالإشارة الموجبة تدل على علاقة طردية طردية مباشرة، بينما تدل الإشارة السالبة على علاقة عكسية. يعبر الرقم عن مقدار الزيادة أو النقصان في درجات المتغير التابع المرتبط بزيادة وحدة قياس واحدة في هذا المتغير المستقل، مع افتراض بقاء المتغيرات الأخرى ثابتة دون تغيير.
• الخطأ المعياري للمعامل (Std. Error of B): يقيس التشتت والتقلب المتوقع في قيمة المعامل B عبر العينات العشوائية المتكررة. كلما كان الخطأ المعياري صغيراً مقارنة بقيمة B، دل ذلك على استقرار ودقة التقدير الإحصائي.
• فترات الثقة 95% لمعامل B: توفر مجالاً رقمياً يُتوقع باحتمال 95% أن يقع داخله المعامل الحقيقي في مجتمع الدراسة. وتُعد القاعدة الذهبية هنا هي: إذا لم تتضمن فترة الثقة الرقم صفر (0) بين حديها الأدنى والأعلى (مثل [0.15, 0.62] أو [-0.78, -0.12])، فإن المعامل يكون دالاً إحصائياً عند مستوى p < 0.05.

9.2 اختبار تاء (t-test) ومستوى الدلالة الإحصائية لكل متغير

لاختبار الدلالة الإحصائية الفريدة لكل متغير مستقل، يُجري البرنامج اختبار تاء الأحادي (t-test) لاختبار الفرضية الصفرية القائلة بأن معامل هذا المتغير في المجتمع يساوي الصفر (H₀: βᵢ = 0). تُحسب قيمة t بقسمة معامل الانحدار غير المعياري على خطئه المعياري (t = B / SE_B).

تتم مراجعة عمود الدلالة الإحصائية (Sig. / p-value) لكل صف في الجدول:

• إذا كانت قيمة (p < 0.05)، نرفض الفرضية الصفرية ونستنتج أن هذا المتغير المستقل يساهم مساهمة حقيقية ومستقلة وذات دلالة إحصائية في التنبؤ بالمتغير التابع، حتى بعد التحكم في سائر المتغيرات الأخرى في النموذج.
• إذا كانت قيمة (p ≥ 0.05)، نفشل في رفض الفرضية الصفرية، مما يعني أن هذا المتغير لا يقدم إضافة تفسيرية فريدة ذات قيمة إحصائية في ظل وجود المتغيرات الأخرى المشاركة.

وللمقارنة بين المتغيرات الدالة إحصائياً وتحديد أكثرها تأثيراً وأهمية، نتجه مباشرة إلى عمود معاملات بيتا المعيارية (Standardized Coefficients – Beta)؛ فالمتغير الذي يحمل أكبر قيمة مطلقة لـ (|Beta|) يُصنف على أنه المتغير التنبؤي الأقوى وزناً في النموذج.

9.3 بناء معادلة التنبؤ الخطية النهائية

بمجرد استخراج المعاملات غير المعيارية من جدول Coefficients، يستطيع الباحث صياغة المعادلة الرياضية التنبؤية التطبيقية لاستخدامها في التقدير الميداني. لنفترض أننا بصدد دراسة للتنبؤ بالأداء الوظيفي (Y) بناءً على الذكاء الانفعالي (X₁)، وساعات التدريب (X₂)، والاحتراق النفسي (X₃)، وأسفر الجدول عن النتائج التالية: الثابت B₀ = 25.40، B₁ = 0.45، B₂ = 0.30، B₃ = -0.60. تُكتب المعادلة التنبؤية على النحو الآتي:

الأداء الوظيفي المقدر (Ŷ) = 25.40 + 0.45(الذكاء الانفعالي) + 0.30(ساعات التدريب) – 0.60(الاحتراق النفسي)

إذا تقدم موظف جديد وحصل على الدرجات التالية: الذكاء الانفعالي = 40، ساعات التدريب = 15، الاحتراق النفسي = 10، يتم التعويض المباشر في المعادلة لحساب الأداء المتوقع:

Ŷ = 25.40 + 0.45(40) + 0.30(15) – 0.60(10) = 25.40 + 18.00 + 4.50 – 6.00 = 41.90

إذا كان الأداء الحقيقي المرصود لهذا الموظف لاحقاً هو (45.00)، فإن الباقي الفعلي (Residual) يُحسب على النحو: ε = Y – Ŷ = 45.00 – 41.90 = +3.10. ويجب على الباحث التحذير دائماً من استخدام هذه المعادلة التنبؤية للتنبؤ بحالات تقع درجاتها خارج النطاق الأصلي للمقاييس المستخدمة في العينة (Extrapolation)؛ لتفادي الأخطاء التقديرية الفادحة الناتجة عن احتمال تغير طبيعة العلاقات الخطية عند المستويات القصوى.

10. تشخيص القيم الشاذة والمؤثرة في نموذج الانحدار باستخدام SPSS

10.1 الكشف عن القيم المتطرفة في المتغيرات التابعة والبواقي

تمثل القيم المتطرفة والشاذة (Outliers) أحد أكبر التهديدات لدقة وموثوقية نماذج الانحدار الخطي؛ إذ تمتلك القدرة على تغيير اتجاه وميل خط الانحدار بصورة مصطنعة، وتضخيم معامل التحديد أو تقليصه، وتشويه نتائج الدلالة الإحصائية للمعاملات. يقدم برنامج SPSS جدولاً تشخيصياً متخصصاً يُعرف بـ Casewise Diagnostics؛ والذي يعرض حصرياً المشاهدات التي تتجاوز بواقيها المعيارية 3 انحرافات معيارية (|ZResidual| > 3.0).

عند ظهور هذا الجدول في المخرجات، يقوم الباحث بمراجعة رقم الحالة (Case Number)، وقيمتها الفعلية (Observed Y)، وقيمتها التنبؤية (Predicted Y)، وقيمة الباقي المعياري (Std. Residual). وللحصول على دقة تشخيصية أعلى، تُفحص درجات البواقي المحذوفة المعيارية (Studentized Deleted Residuals) المحفوظة في ملف البيانات؛ حيث تُشير القيم التي تتجاوز مطلقتها (±2.58 عند مستوى 0.01) أو (±3.0) إلى أن هذه الحالة تمثل قيمة متطرفة حقيقية في تباين المتغير التابع لم يستطع النموذج استيعابها بنجاح.

تتضمن الاستراتيجيات المنهجية للتعامل مع هذه الحالات الخطوات التالية:

• التحقق من سجلات الإدخال الأصلية للتأكد من عدم وجود خطأ مطبعي في تفريغ البيانات وتصحيحه إن وُجد.
• إذا كانت الدرجة حقيقية ولكنها غير منتمية لمجتمع الدراسة المستهدف، يمكن حذف الحالة بشرط التوثيق الأكاديمي الشفاف لأسباب الاستبعاد.
• تطبيق تحويلات البيانات الرياضية أو استخدام أساليب الانحدار القوي في حال كان وجود القيم المتطرفة نابعاً من التواء أصيل في الظاهرة المدروسة.

10.2 تقييم المشاهدات المؤثرة باستخدام مسافة كوك والرافعة

ليست كل قيمة متطرفة هي بالضرورة حالة مؤثرة؛ فالمشاهدة المؤثرة (Influential Observation) هي تلك الحالة التي يؤدي حذفها من التحليل إلى تغير جوهري وملموس في قيم معاملات الانحدار وميل الخط التنبؤي. لتقييم التأثير والتطرف متعدد الأبعاد، يعتمد الباحث على المؤشرات المتقدمة المحفوظة مسبقاً في ملف البيانات:

المؤشر التشخيصي	الوظيفة الإحصائية	المعيار الإرشادي الحرج للقطع	الإجراء التحليلي المقترح
مسافة كوك (Cook’s Distance)	قياس التغير الكلي في كافة المعاملات مجتمعة عند استبعاد الحالة.	Cook’s D > 1.0 (أو > 4/n في العينات الكبيرة)	فحص الحالة بدقة وإجراء تحليل حساسية للتأكد من تأثيرها الحرج.
قيمة الرافعة المركزية (Leverage)	قياس مدى بعد الحالة عن متوسطات المتغيرات المستقلة المشتركة.	Leverage > 2(k + 1)/n (أو > 3(k + 1)/n)	تشير لقيمة شاذة في تركيبة المتغيرات التنبؤية تمتلك ذراع تأثير هائلة.
مسافة ماهالانوبيس (Mahalanobis)	قياس المسافة الإقليدية متعددة المتغيرات من مركز المركزية (Centroid).	مقارنة القيمة بجدول كاي-تربيعي (χ²) بدرجات حرية k عند p < 0.001	تحديد الشذوذ المتعدد في نمط الاستجابة عبر المتغيرات المستقلة مجتمعة.

يُعد إجراء تحليل الحساسية (Sensitivity Analysis) الممارسة الأكاديمية الأرقى للتعامل مع الحالات المؤثرة؛ حيث يعيد الباحث تشغيل نموذج الانحدار مرتين: الأولى بوجود الحالات المؤثرة، والثانية بعد استبعادها المؤقت. إذا ظلت استنتاجات الدلالة الإحصائية وقيم المعاملات مستقرة نسبياً، يُبقى على الحالات مع التنويه عنها؛ أما إذا انهارت المعاملات أو تغيرت دلالتها، يُلزم الباحث بعرض نتائج النموذجين بشفافية تامة ومناقشة الدوافع السلوكية وراء شذوذ تلك الحالات.

11. كتابة وتوثيق نتائج الانحدار الخطي المتعدد وفق أسلوب APA (الإصدار السابع)

11.1 صياغة التقرير النصي لنتائج النموذج الكلي والمعاملات

يتطلب توثيق نتائج الانحدار وفق الدليل الأخير لجمعية علم النفس الأمريكية (APA 7th Edition) دقة متناهية في كتابة الرموز الإحصائية (كتابة الرموز اللاتينية بخط مائل مثل F, t, p, R²)، وتحديد درجات الحرية بدقة، وذكر فترات الثقة 95% للمعاملات غير المعيارية. يجب أن يغطي التقرير النصي ثلاثة محاور رئيسية: تقييم افتراضات النموذج، ودلالة النموذج الكلي، والدلالة المنفصلة للمعاملات الفرعية.

فيما يلي نموذج تطبيقي متكامل باللغة العربية مصاغ وفق معايير النشر الصارمة في المجلات العلمية المحكمة:

“أُجري تحليل الانحدار الخطي المتعدد بطريقة الإدخال المباشر (Enter) للتنبؤ بمستوى الرضا الوظيفي بناءً على ثلاثة متغيرات مستقلة: الدعم التنظيمي المدرك، والتمكين النفسي، وصراع الدور. أظهرت الفحوص التشخيصية سلامة كافة الافتراضات الإحصائية؛ حيث أشارت رسوم البواقي المعيارية ومخططات الاحتمال الطبيعي P-P إلى تحقق افتراضي الخطية واعتدالية توزيع الأخطاء وتجانس تباينها. كما دلت إحصائية دربن-واتسون (Durbin-Watson = 1.94) على استقلال البواقي، وأكدت مؤشرات التسامح (Tolerance > .65) ومعاملات تضخم التباين (VIF < 1.54) خلو البيانات من مشكلة التعددية الخطية.

كشفت النتائج عن دلالة النموذج التنبؤي الكلي إحصائياً، F(3, 196) = 38.45, p < .001، وبلغ معامل التحديد R² = .370 (معامل التحديد المعدل Adjusted R² = .361)، مما يوضح أن منظومة المتغيرات المستقلة تفسر ما نسبته 37.0% من إجمالي التباين في الرضا الوظيفي.

وعند فحص المعاملات الفردية، تبيّن أن الدعم التنظيمي كان المنبئ الأكثر إسهاماً وإيجابية في الرضا الوظيفي (B = 0.42, SE = 0.06, β = .45, t = 6.82, p < .001, 95% CI [0.30, 0.54])، يليه التمكين النفسي بمسار دال وإيجابي (B = 0.28, SE = 0.08, β = .24, t = 3.65, p < .001, 95% CI [0.13, 0.43]). وفي المقابل، كان صراع الدور منبئاً سالباً ودالاً إحصائياً بالأداء (B = -0.21, SE = 0.07, β = -.20, t = -3.10, p = .002, 95% CI [-0.35, -0.08]).”

11.2 تصميم وتنسيق جدول الانحدار الموحد وفق دليل APA

تحظر معايير دليل APA 7 استخدام الخطوط العمودية في الجداول الإحصائية، وتلزم الباحث بالاعتماد حصراً على الخطوط الأفقية الأساسية (أعلى وأسفل الترويسة، وأسفل الجدول)، مع وضع الرموز الإحصائية المائلة، وعرض فترات الثقة 95% بشكل متسق، وتذييل الجدول بهامش توضيحي يشرح مستويات الدلالة الإحصائية والاختصارات المستخدمة.

الجدول 1
نتائج تحليل الانحدار الخطي المتعدد للتنبؤ بالرضا الوظيفي (N = 200)

المتغير التنبؤي	B	SE B	β	t	p	95% CI [LL, UL]
الثابت (Constant)	18.35	2.41	—	7.61	< .001	[13.60, 23.10]
الدعم التنظيمي المدرك	0.42	0.06	.45	6.82	< .001	[0.30, 0.54]
التمكين النفسي	0.28	0.08	.24	3.65	< .001	[0.13, 0.43]
صراع الدور	-0.21	0.07	-.20	-3.10	.002	[-0.35, -0.08]
ملاحظة. N = 200. B = المعامل غير المعياري؛ SE B = الخطأ المعياري للمعامل؛ β = معامل بيتا المعياري؛ CI = فترة الثقة؛ LL = الحد الأدنى؛ UL = الحد الأعلى. ملخص النموذج الكلي: R = .608, R² = .370, Adjusted R² = .361, F(3, 196) = 38.45, p < .001. * p < .05. ** p < .01. *** p < .001.

12. الأخطاء الشائعة في تحليل الانحدار الخطي المتعدد وطرق معالجتها

12.1 الأخطاء المنهجية والمفاهيمية في بناء النموذج

يقع العديد من الباحثين في منزلقات منهجية ومفاهيمية تؤدي إلى إفساد مصداقية تحليلات الانحدار الخطي المتعدد، ومن أبرز هذه المزالق:

• الخلط بين الارتباط والانحدار والسببية (Causality vs Association): يجب إدراك أن الانحدار المتعدد في التصاميم المقطعية (Cross-sectional) يظل أداة ارتباطية تنبؤية ترصد الاقتران الرياضي بين التغيرات، ولا يثبت علاقة سببية حتمية مباشرة مالم يستند التحليل إلى تصميم تجريبي منضبط أو بيانات طولية (Longitudinal Data) مع ضبط دقيق للأسبقية الزمنية.
• تحيز المتغيرات المحذوفة (Omitted Variable Bias): يؤدي إغفال متغير تفسيري جوهري ذي ارتباط بالمتغير التابع وبالمتغيرات المستقلة إلى تشوه خطير في المعاملات المقدرة (B)، وتحميل أثر المتغير الغائب على المتغيرات الحاضرة، مما يعطي انطباعاً خادعاً بحجم تأثيراتها الحقيقية.
• التوفيق المفرط للنموذج (Overfitting): إدخال عدد هائل وغير مبرر نظرياً من المتغيرات المستقلة في عينة صغيرة بهدف رفع قيمة R²؛ مما يجعل النموذج يفسر الضجيج العشوائي للعينة بدلاً من النمط الأصيل للمجتمع، ويفشل تماماً عند تعميمه على بيانات جديدة.
• الاستخدام الأعمى لطرق الاختيار الآلي (Stepwise Regression): الاعتماد التلقائي على خوارزميات الحذف والإضافة دون سند نظري نفسي؛ مما يفرز نماذج عشوائية تتغير جذرياً بمجرد حذف مفحوص واحد من العينة.

12.2 حلول عملية لانتهاك الافتراضات الإحصائية في SPSS

عندما تُظهر الفحوص التشخيصية انتهاكاً لواحد أو أكثر من افتراضات الانحدار الكلاسيكية، يمتلك المحلل الإحصائي ترسانة من الحلول والمعالجات الإجرائية المتقدمة المتاحة داخل SPSS:

• علاج عدم الخطية والتواء التوزيع: تطبيق التحويلات الرياضية (Data Transformations) على المتغيرات المنحرفة عبر أمر Transform > Compute Variable؛ مثل استخدام التحويل اللوغاريتمي الطبيعي (Log Transformation – LN(X)) في حالات الالتواء الموجب الشديد، أو تحويل الجذر التربيعي (SQRT(X)) للالتواء المعتدل، أو تحويل مقلوب القيمة (1/X) لتطبيع التوزيع واستعادة الخطية.
• علاج التعددية الخطية المرتفعة: عند رصد قيم VIF حرجة بين متغيرين مستقلين أو أكثر، يمكن للباحث: إما دمج المتغيرين المترابطين في مؤشر مركب واحد (Composite Index) بحساب متوسطهما إذا كانا يقيسان بعدين لنفس المفهوم النظري، أو حذف المتغير الأقل أهمية وأصالة نظرية، أو اللجوء إلى تقنية انحدار الحافة (Ridge Regression) التي تفرض معلماً انكماشياً يثبت استقرار المعاملات.
• علاج عدم تجانس التباين واعتدالية البواقي عبر إعادة العينات (Bootstrapping): يوفر برنامج SPSS خيار Bootstrap المتقدم في نافذة الانحدار؛ حيث يقوم البرنامج بتوليد آلاف العينات العشوائية التكرارية (مثلاً 2000 عينة مع الإحلال) من بيانات الدراسة الأصلية لبناء توزيع تجريبي للمعاملات دون اشتراط التوزيع الطبيعي أو تجانس التباين. يُنتج هذا الخيار أخطاء معيارية متينة (Robust Standard Errors) وفترات ثقة مصححة بالتسريع والتحيز (BCa 95% Confidence Intervals) تمتاز بالدقة المتناهية ومقاومة انتهاكات التباين.
• الانحدار المتين (Robust Regression): في حال تعذر التغلب على القيم المتطرفة الشديدة أو تغاير التباين، يمكن تفعيل نماذج الانحدار الخطي المعمم (Generalized Linear Models – GZLM) أو نماذج Huber-White لتوليد تقديرات مقاومة للحالات الشاذة دون الحاجة لحذف أي مشاهدة من مصفوفة البيانات.

خاتمة شاملة وتوصيات منهجية

يُمثل تحليل الانحدار الخطي المتعدد في برنامج SPSS أداة إحصائية متكاملة تجمع بين العمق الرياضي والقوة التفسيرية لنمذجة الظواهر الإنسانية والسلوكية والتربوية المعقدة. تتطلب الممارسة التحليلية الرصينة من الباحث ألا ينظر إلى البرنامج الإحصائي كمجرد آلة لاستخراج الجداول، بل كمنظومة تفاعلية تستوجب وعياً نظرياً صارماً بطبيعة التصميم التجريبي، والتأصيل الإبستمولوجي لفرضيات الدراسة، والتحقق الاستباقي والدقيق من مصفوفة الافتراضات الإحصائية (الخطية، الاستقلالية، الاعتدالية، تجانس التباين، وغياب التعددية الخطية).

إن التميز الأكاديمي في توظيف هذه التقنية يتجلى في التفسير المتزن لقيمة R² دون الانخداع بتضخمها المصطنع، والمفاضلة الواعية بين المعاملات غير المعيارية والمعيارية (Beta)، وفحص وتشخيص الحالات الشاذة والمؤثرة بمسافات كوك وماهالانوبيس، وتوثيق المخرجات النهائية وفق دليل النشر المعتمد APA 7. إن الالتزام بهذه الضوابط المنهجية والرياضية هو الضمان الحقيقي لتحويل البيانات الخام إلى معرفة علمية أصيلة، قابلة للتعميم، وقادرة على توجيه الممارسات التطبيقية والقرارات التربوية والنفسية بكفاءة وموثوقية تامة.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• 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.
• IBM Corp. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). McGraw-Hill Education. https://doi.org/10.4324/9781003117452
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.