كيفية إجراء الانحدار متعدد الحدود في بايثون

يمثل الانحدار الإحصائي أحد الركائز الجوهرية التي تأسست عليها منهجيات نمذجة البيانات وتحليل العلاقات السببية والارتباطية عبر تاريخ العلوم الاستقرائية. وفي سياق التطور المتسارع للحوسبة العلمية والتعلم الآلي، يواجه الباحثون والمحللون تحدياً إبستمولوجياً مستمراً يتمثل في كيفية التوفيق بين بساطة النماذج الرياضية من جهة، والتعقيد الكامن في الظواهر الطبيعية والسلوكية والفيزيائية من جهة أخرى. فعلى الرغم من الأناقة التحليلية التي يتمتع بها الانحدار الخطي البسيط وسهولة تفسير معاملاته، إلا أن العالم الحقيقي نادراً ما ينصاع لافتراض الخطية الصارمة؛ إذ تبرز المنحنيات، ونقاط الانقلاب، وتأثيرات التشبع أو التراجع التدريجي بوصفها السمة الغالبة على أغلب القياسات الميدانية والتجريبية.

من هذا المنطلق، يبرز نموذج الانحدار متعدد الحدود (Polynomial Regression) كجسر منهجي متين يربط بين البنية الخطية للمقدرات الرياضية والقدرة على نمذجة الاستجابات غير الخطية المعقدة. لا يُعد هذا النموذج مجرد تقنية إحصائية ترقيعية لمعالجة الانحناء، بل هو امتداد جبري رصين يستثمر الفضاءات الإسقاطية ذات الأبعاد الأعلى لرسم مسارات وظيفية تطابق الأنماط البيانية بدقة فائقة. وتزداد القوة التطبيقية لهذا النموذج عند تنفيذه باستخدام بيئة بايثون البرمجية؛ حيث تتيح مكتباتها العلمية المتقدمة مثل NumPy وScikit-learn الانتقال السلس من البناء الرياضي النظري إلى التنفيذ الخوارزمي، والتقييم التشخيصي، والتمثيل البصري عالي الدقة.

يهدف هذا الدليل المرجعي الموسع إلى تقديم معالجة أكاديمية وتطبيقية شاملة لكيفية إجراء الانحدار متعدد الحدود في بايثون وفق أعلى المعايير المنهجية. سنستعرض عبر فصول هذا المقال الأسس الرياضية العميقة التي تضبط عمل النموذج، والمبررات الإحصائية التي تدعو لاستخدامه، مروراً بخطوات هندسة السمات، واختبار فرضيات اللاخطية، وضبط المعلمات الفائقة، وصولاً إلى تشخيص المتبقيات ومعالجة التحديات الحرجة كالتعدد الخطي المفرط والانحياز الرياضي. إن استيعاب هذه الأدوات بصورة منهجية يمكن الباحث من امتلاك ناصية التحليل الكمي، والجمع بين الكفاءة البرمجية والصرامة النظرية في أبحاثه ومشاريعه التحليلية.

1. مقدمة تأسيسية: مفهوم الانحدار متعدد الحدود ومبررات استخدامه

1.1 القصور الهيكلي لنموذج الانحدار الخطي البسيط

يقوم نموذج الانحدار الخطي الكلاسيكي على فرضية مركزية مؤداها أن التغير في المتغير التابع يتناسب طردياً أو عكسياً بمعدل ثابت مع التغير في المتغير المستقل عبر كامل نطاق الملاحظات. وعلى الرغم من النجاح التاريخي لهذه الفرضية في تقديم تقريبات أولية مقبولة، إلا أنها تعاني من قصور هيكلي جوهري حينما تُسقط على دراسة الظواهر المعقدة. ففي الواقع المعاش، تتسم الاستجابات بوجود عتبات حرجة (Thresholds)، ومناطق تشبع (Saturation points)، وتأثيرات تناقص الغلة؛ مما يجعل معدل التغير ذاته دالة تعتمد على القيمة اللحظية للمتغير المستقل، وهو ما يعجز الخط المستقيم عن استيعابه هيكلياً.

يترتب على فرض العلاقة الخطية قسراً على بيانات ذات مسار منحنٍ نشوء ما يُعرف في الأدبيات الإحصائية بالخطأ المنهجي أو خطأ التوصيف (Specification Error). يتجسد هذا الخطأ في بقاء جزء جوهري من التباين المفسر أسيراً داخل حدود الأخطاء العشوائية، مما يرفع من قيمة مجموع مربعات البواقي ويؤدي إلى انخفاض مصطنع في القوة التفسيرية للنموذج. علاوة على ذلك، يؤدي هذا التوصيف الخاطئ إلى خلق أنماط دورية أو متتالية واضحة داخل متبقيات الانحدار، مما ينتهك بصورة صريحة الفرضية الصفرية القائلة بعشوائية الأخطاء واستقلاليتها، ويجعل التقديرات غير متسقة ومنحازة على نحو منهجي يهدد الصدق الداخلي للدراسة.

إن انتهاك شرط الخطية في الانحدار التقليدي لا يقتصر أثره على تقليل دقة التنبؤ، بل يمتد ليعصف بأسس الاستدلال الإحصائي برمته. فعندما يكون النموذج غير ملائم لبنية البيانات، تفقد اختبارات الدلالة الإحصائية، مثل اختبار “ت” لمعاملات الانحدار واختبار “ف” للنموذج الكلي، صلاحيتها التوزيعية. تصبح فترات الثقة المحسوبة غير دقيقة ومضللة لصانع القرار أو الباحث، إذ تُبنى هذه الاختبارات على افتراض أن المتوسط الشرطي للمتبقيات يساوي صفراً عند كل مستوى من مستويات المتغير المستقل؛ وهو شرط يتعذر تحققه حتماً عند محاولة مواءمة البيانات المنحنية بنموذج مستقيم أحادي البعد.

1.2 ماهية الانحدار متعدد الحدود وسياقه الرياضي

يُعرف الانحدار متعدد الحدود بأنه نمط متقدم من نماذج الانحدار الخطي الخطي-المتعدد (Multiple Linear Regression) الذي تُدرج فيه قوى أسية إضافية للمتغيرات التفسيرية المستقلة لنمذجة العلاقات المنحنية بين المتغيرات. تكمن البراعة الرياضية لهذا النموذج في أنه، على الرغم من تمثيله لعلاقة دالية غير خطية في الفضاء الهندسي الأصلي، فإنه يظل محافظاً على بنيته الخطية من حيث المعلمات؛ مما يتيح للباحث تطبيق كافة النظريات الجبرية والخوارزميات التحليلية الراسخة الخاصة بنماذج المربعات الصغرى دون الحاجة إلى اللجوء إلى خوارزميات الاستمثال غير الخطية المعقدة.

يتيح إدراج الحدود التربيعية والتكعيبية، وما يعلوها من مراتب جبرية، نمذجة التغيرات المتتالية في اتجاه المنحنى وميله اللحظي. فالحد التربيعي يمنح النموذج قدرة على استيعاب التقعر أو التحدب ورصد نقطة انقلاب قطبية وحيدة؛ في حين يتيح الحد التكعيبي تمثيل المنحنيات التي تتخذ شكل الحرف اللاتيني (S) مع وجود نقطتي انعطاف، مما يعكس تحولات كيفية في السلوك الظاهري. إن هذا التحول من الخط الثابت إلى المسار الديناميكي المتعرج يحرر التحليل الكمي من الجمود التفسيري، ويمنح النموذج مرونة عالية في مطابقة الهياكل البيانية المتشعبة دون الإخلال بوحدة الإطار الإحصائي العام.

تكمن المرونة التحليلية الفائقة للانحدار متعدد الحدود في استناده إلى مبرهنة تقريب فايرشتراس (Stone-Weierstrass Approximation Theorem)، والتي تنص على أن أي دالة متصلة معرفة على فترة مغلقة يمكن تقريبها بدقة اعتباطية بواسطة دالة متعددة الحدود ذات درجة كافية. هذه الركيزة النظرية تجعل من الانحدار متعدد الحدود أداة ملائمة لاستكشاف ونمذجة الوظائف الرياضية غير المعروفة مسبقاً، حيث يعمل النموذج كتقريب تجريبي عالي الجودة للديناميكيات الكامنة وراء الملاحظات المرصودة، مما يفتح آفاقاً واسعة للتحليل الاستكشافي والتأكيدي على حد سواء.

1.3 مجالات التطبيق العلمي وسيناريوهات الاستخدام

تتعدد مجالات استخدام الانحدار متعدد الحدود لتشمل طيفاً واسعاً من التخصصات التجريبية والسلوكية والطبية. ففي مجالات القياس النفسي والعلوم السلوكية، تتجلى الحاجة الماسة لهذا النموذج عند فحص الفرضيات الكلاسيكية المرتبطة بنماذج الأداء؛ ولعل أبرزها قانون “يركيس-دوبسون” (Yerkes-Dodson Law)، الذي يفترض وجود علاقة غير خطية تتخذ شكل المنحنى الجرسي المقلوب بين مستوى الاستثارة الفسيولوجية أو الضغط العصبي ومستوى الأداء الإدراكي، حيث يؤدي الضغط المعتدل إلى كفاءة قصوى، بينما يسبب الضغط المنخفض جداً أو المرتفع جداً تدهوراً حاداً في الإنجاز. وقد تجلى توظيف النماذج غير الخطية بصورة واضحة في دراسات القياس الفسيولوجي المتقدمة؛ حيث أظهر بحث نايجلين وزملائه (Naegelin et al., 2023) كيف تتصرف الإشارات الحيوية المرافقة للإجهاد والتوتر المهني وفق استجابات معقدة لا يمكن فهمها ضمن قوالب الخطية البسيطة.

وفي مجالات العلوم الطبية والبيولوجية، تبرز دراسات الجرعة والاستجابة (Dose-Response Relationships) كأحد التطبيقات النموذجية للانحدار متعدد الحدود؛ إذ غالباً ما يؤدي تركيز دواء معين إلى تأثيرات خاملة عند الجرعات الضئيلة، يعقبها صعود حاد في الاستجابة العلاجية، ثم وصول إلى مرحلة الاستقرار أو حتى السمية العكسية عند الجرعات الفائقة. يمتد هذا المنطق المنهجي كذلك إلى دراسات النوم والوظائف العصبية؛ حيث برهن وايلد وزملاؤه (Wild et al., 2018) على أن مدة النوم اليومية ترتبط ارتباطاً منحنياً غير خطي بالقدرات المعرفية العليا، إذ إن كلاً من الحرمان من النوم والنوم المفرط يقترنان بانخفاض ملحوظ في الكفاءة الإدراكية، مما يفرض استخدام اقترانات تربيعية وتكعيبية لعزل النمط الحقيقي وتجنب الاستنتاجات الخاطئة الناتجة عن التبسيط الخطي المخل.

تتحدد المعايير المنهجية التي تفرض الانتقال من النماذج الخطية إلى متعددة الحدود بالاستناد إلى ركيزتين: الركيزة النظرية والركيزة البيانية التجريبية. فمن الناحية النظرية، إذا كانت المبادئ التأسيسية للعلم موضوع الدراسة تتضمن آليات الارتجاع السلبي أو التشبع، فإن البدء بنموذج منحنٍ يغدو واجباً إبستمولوجياً. أما من الناحية التجريبية، فإن الفحص البصري لمخططات التشتت، واكتشاف الأنماط غير العشوائية في متبقيات النموذج الخطي، يمثلان مؤشراً تشخيصياً حاسماً يحتم على الباحث الارتقاء بدرجة الحدودية لضمان تطابق الفرضية الإحصائية مع جوهر الواقع التجريبي المدروس.

2. الأسس الرياضية والنظرية لنموذج الانحدار متعدد الحدود

2.1 الصياغة الجبرية للنموذج وحدود المعادلة

تأخذ المعادلة الرياضية العامة لنموذج الانحدار متعدد الحدود أحادي المتغير من الدرجة الجبرية n الشكل الصياغي الموضح أدناه، حيث يُعبر عن المتغير التابع بدلالة قوى تصاعدية للمتغير المستقل:

Y = β₀ + β₁X + β₂X² + β₃X³ + … + βₙXⁿ + ε

في هذه الصياغة الرمزية، يمثل Y متجه المتغير التابع (المستجيب)، بينما يرمز X إلى المتغير المستقل (التفسيري). تمثل β₀ قيمة الحد الثابت (Intercept)، والتي تعكس القيمة المتوقعة لـ Y عندما تنعدم قيمة X تماماً؛ وهي ركيزة هندسية تحدد موضع تقاطع المنحنى مع المحور الرأسي. أما المعاملات β₁ إلى βₙ، فهي معلمات الانحدار الجزئية المقابلة لكل رتبة أسية للمتغير X، وتلعب دور الأوزان الحركية التي تشكل درجة انحناء المسار واتجاهه العام عبر المدى المتصل للبيانات، في حين يمثل الحد ε الخطأ العشوائي غير المفسر الملازم لعملية القياس.

من الأهمية بمكان التأكيد على البعد النظري الذي يفسر تصنيف هذا النموذج ضمن عائلة “الانحدار الخطي” على الرغم من المنحنى الهندسي الناتج عنه. تكمن العلة في هذا التصنيف في أن مفهوم “الخطية” في الإحصاء الرياضي يرتبط تحديداً بكيفية ارتباط دالة الاستجابة بالمعلمات المجهولة (β)، وليس بالمتغيرات المستقلة (X). فبما أن المعادلة خطية بالكامل بالنسبة للمتجهات المعلمية β (حيث تظهر جميع المعلمات مرفوعة للأس واحد ومضروبة في سمات تمثل مدخلات معروفة، ولا تتضمن حدوداً مضروبة في بعضها مثل β₁β₂)، فإن النموذج يخضع رياضياً لكافة قواعد الجبر الخطي المطبقة على الانحدار المتعدد التقليدي، مما يبسط عملية التقدير الحسابي بدرجة كبيرة.

تؤثر قيمة ودرجة كل حد في موضع المنحنى وخصائصه الطوبولوجية؛ فالحد الخطي β₁X يعكس الميل الأساسي المبدئي بالقرب من نقطة الأصل، بينما يتدخل الحد التربيعي β₂X² للتحكم في معدل تسارع هذا الميل (معدل التغير في الميل)، متسبباً في تشكيل التقعر لأعلى إذا كانت إشارته موجبة أو التحدب لأسفل إذا كانت سالبة. ومع إضافة الحدود العليا كالتكعيبي والرباعي، يكتسب المنحنى مرونة متزايدة تمكنه من تغيير اتجاه تقعره دورياً، مما يجعل كل معامل بمثابة ضابط دقيق لجزء محدد من المسار الحركي العام الذي يربط بين المتغيرين.

2.2 طريقة المربعات الصغرى لتقدير المعلمات

يتم تقدير المعلمات المجهولة للنموذج باستخدام طريقة المربعات الصغرى الاعتيادية (Ordinary Least Squares – OLS)، والتي تهدف إلى تصغير دالة الهدف المتمثلة في مجموع مربعات البواقي (Sum of Squared Residuals – SSR). تُعرف هذه الدالة رياضياً على النحو التالي:

SSR = Σ (yᵢ – ŷᵢ)² = Σ (yᵢ – (β₀ + β₁xᵢ + β₂xᵢ² + … + βₙxᵢⁿ))²

ولتحقيق هذا التصغير، تُشتق الدالة جزئياً بالنسبة لكل معلمة من معلمات النموذج (β₀, β₁, …, βₙ) وتُساوى المشتقات بالصفر، مما يفرز نظاماً من المعادلات الخطية المتزامنة المعروف بالمعادلات الطبيعية (Normal Equations).

في الفضاء الجبري المصفوفي، تتم صياغة نموذج الانحدار متعدد الحدود باستخدام مصفوفة فانديرموند (Vandermonde Matrix). تتكون هذه المصفوفة، التي يُرمز لها بـ X، من أبعاد (m × (n+1))، حيث يمثل m عدد الملاحظات وn درجة متعدد الحدود. يُخصص العمود الأول بالكامل للرقم واحد لتمثيل الحد الثابت، بينما تتألف الأعمدة المتتالية من قيم المتغير التفسيري مرفوعة إلى قوى أسية متزايدة (x, x², x³, …, xⁿ). تصاغ العلاقة الخطية المصفوفية على هيئة Y = Xβ + ε، وتُعطى التقديرات المثلى للمعلمات وفق الصيغة التحليلية المغلقة الشهيرة:

β = (XᵀX)⁻¹ XᵀY

حيث تمثل Xᵀ منقول المصفوفة، و (XᵀX)⁻¹ مقلوب حاصل ضرب المصفوفة في منقولها.

تتميز الحلول التحليلية المغلقة بقدرتها على إعطاء التقديرات الدقيقة مباشرة عبر العمليات المصفوفية، إلا أنها تواجه تحديات حسابية كبرى عندما يزداد حجم العينة أو ترتفع درجة الحدودية بدرجة تجعل مصفوفة فانديرموند سيئة التكييف الحسابي (Ill-conditioned)، مما يصعّب حساب مقلوبها بدقة رقمية مستقرة. في مثل هذه الظروف، تبرز الحلول التقريبية المعتمدة على خوارزميات الانحدار التدريجي (Gradient Descent) كبديل متين وفعال؛ حيث تقوم هذه الخوارزميات بتعديل قيم المعلمات تدريجياً في الاتجاه المعاكس لتدرج دالة التكلفة، مما يضمن تقارباً حسابياً مستقراً وموثوقاً حتى مع التعقيد الهيكلي للبيانات.

2.3 مفهوم درجة الحدودية وأبعادها النظرية

تمثل “درجة متعدد الحدود” (Polynomial Degree) الرتبة الأسية القصوى المدرجة في معادلة الانحدار، وهي المعلمة الفائقة (Hyperparameter) المركزية التي تتحكم في المرونة الهندسية للنموذج. ففي النموذج التربيعي (Degree = 2)، يقتصر السلوك الحركي على منحنى من الدرجة الثانية يمتلك نقطة تحول قصوى أو دنيا واحدة (Extremum)؛ حيث يتغير ميل المنحنى بمعدل ثابت، مما يجعله الخيار الرياضي الأمثل لنمذجة العلاقات التي تتبع نمط القطع المكافئ، مثل منحنيات التكلفة الحدية أو العلاقات الاستجابية ذات القمة الواحدة.

وعند الانتقال إلى النموذج التكعيبي (Degree = 3)، يدخل التحليل طوراً أكثر تعقيداً؛ حيث يمتلك المنحنى القدرة على احتواء نقطتي تحول ونقطة انقلاب واحدة (Inflection Point) يتغير عندها اتجاه التقعر من الأسفل إلى الأعلى أو العكس. يتيح هذا التركيب استيعاب ظواهر النمو المقيدة، ومسارات التباطؤ، والديناميكيات التي تتضمن انتقالاً تدريجياً بين حالتين مستقرتين، مما يوسع النطاق النظري للنمذجة الرياضية ليتجاوز التناظر البسيط الذي يفرضه النموذج التربيعي.

غير أن الرفع غير المدروس لدرجة الحدودية يحمل في طياته مخاطر رياضية ومنهجية بالغة الخطورة، تتجلى في ظاهرة الاهتزاز عند الأطراف المعروفة بظاهرة رونج (Runge’s Phenomenon). فعند استخدام حدوديات ذات درجات مرتفعة (كالدرجة السادسة أو الثامنة فما فوق) لمطابقة نقاط البيانات، يبدأ المنحنى في التذبذب العنيف بصورة غير طبيعية عند نهايات المجال التفسيري، مما يؤدي إلى تنبؤات شاذة وغير واقعية، ويجعل النموذج شديد الحساسية للتقلبات الطفيفة الناتجة عن التشويش التجريبي، وهو ما يقود حتماً إلى الانهيار التام لقدرة النموذج على التعميم الاستقرائي.

3. إعداد بيئة العمل البرمجية واستيراد المكتبات الأساسية في بايثون

3.1 تهيئة بيئة الحوسبة العلمية

يتطلب الشروع في التحليل الرياضي والتجريبي المتقدم لنموذج الانحدار متعدد الحدود تأسيس بيئة برمجية متكاملة تضمن استقرار التنفيذ وقابلية إعادة إنتاج النتائج (Reproducibility). يُنصح دائماً بالاعتماد على بيئة افتراضية مستقلة (Virtual Environment) باستخدام أدوات بايثون القياسية مثل venv أو عبر منصة Conda لتفادي التضارب في إصدارات الحزم البرمجية. يتم تحديث وتثبيت الحزم الأساسية عبر أداة إدارة الحزم pip بصورة منهجية تضمن توافق طبقات التحليل الرقمي والإحصائي والبياني دون حدوث مشكلات في الاعتماديات الخلفية المشتركة.

تكتسب بيئات العمل التفاعلية، مثل Jupyter Notebook وJupyterLab، أهمية محورية واستثنائية في سياق النمذجة الإحصائية والانحدار متعدد الحدود تحديداً. تتيح هذه البيئات التفاعلية للباحث دمج الشيفرات البرمجية، والمخرجات الحسابية اللحظية، والتمثيلات البصرية، والشروحات السردية في وثيقة تحليلية واحدة متصلة ومترابطة. يُعد هذا النهج التفاعلي ضرورياً خلال مرحلة التحليل الاستكشافي للبيانات؛ إذ يمكن للباحث معاينة مخططات التشتت على الفور، وتعديل درجة الحدودية، ومراقبة التغير المتزامن في مصفوفات المتبقيات، مما يمنحه فهماً عميقاً لسلوك النموذج عبر مختلف التكوينات الجبرية.

ولضمان النزاهة العلمية وقابلية التدقيق الأكاديمي، ينبغي توثيق أرقام الإصدارات لكافة المكتبات المستدعاة وتثبيت البذور العشوائية (Random Seeds) لكافة العمليات الحسابية التي تتضمن محاكاة أو تقسيماً للبيانات. يضمن هذا الإجراء الصارم أن أي باحث مستقل يعيد تشغيل الشيفرة البرمجية على مجموعة البيانات ذاتها سيحصل بدقة تامة على نفس المعاملات، والمخططات البيانية، ومقاييس جودة التوفيق الإحصائي، مما يعزز الثقة في المخرجات التحليلية للدراسة ويدعم رصانتها الأكاديمية.

3.2 استعراض المكتبات المتخصصة ودور كل منها

يرتكز تنفيذ الانحدار متعدد الحدود في لغة بايثون على ترسانة من المكتبات العلمية التي تكمل بعضها البعض وظيفياً. تتبوأ مكتبة NumPy الصدارة بوصفها النواة الحسابية المركزية؛ حيث توفر هياكل بيانات المصفوفات متعددة الأبعاد عالية الأداء (ndarray)، وتتيح إجراء العمليات الجبرية المتجهية المعقدة وحسابات الجبر الخطي، فضلاً عن احتوائها على دوال متخصصة في حساب مصفوفات فانديرموند ومطابقة متعددات الحدود بالطرق الرياضية المباشرة والمدمجة بكفاءة وسرعة استثنائية.

وتأتي مكتبة Pandas لتتولى مهام إدارة البيانات وتجهيزها الهيكلي من خلال بنيتها الشهيرة المتمثلة في جداول البيانات (DataFrames). تتيح المكتبة استيراد مجموعات البيانات الميدانية من مصادر متنوعة، وفحص القيم المفقودة، وتنظيف البيانات، وحساب الإحصاءات الوصفية الأولية، بالإضافة إلى تنظيم المتغيرات التفسيرية والمتغير التابع في قوالب هيكلية مهيأة للمعالجة الرياضية. وتضمن مرونة Pandas سهولة التعامل مع المتغيرات النوعية والكمية ودمج التحولات الحسابية قبل تمرير البيانات إلى مقدرات النمذجة الإحصائية المتقدمة.

أما على صعيد النمذجة المتقدمة والتعلم الآلي، فتمثل مكتبة Scikit-learn المعيار الذهبي المعتمد عالمياً؛ إذ توفر وحدات متخصصة في هندسة السمات، مثل محول الحدوديات، ومقدرات الانحدار الخطي، وأدوات التحقق المتقاطع وضبط المعلمات الفائقة، بالإضافة إلى مصفوفات متكاملة لقياس جودة النماذج وأداء التنبؤ. وتتكامل هذه المنظومة البرمجية مع مكتبتي التمثيل البياني Matplotlib وSeaborn اللتين توفران قدرات فائقة في تصميم المخططات الإحصائية بدقة نشر علمي متميزة، مما يتيح تجسيد المسارات المنحنية، ومناطق عدم اليقين، وتحليلات المتبقيات بوضوح بصري بالغ الرصانة.

4. استكشاف البيانات واختبار فرضية اللاخطية بصرياً وإحصائياً

4.1 توليد وهندسة عينة البيانات التجريبية

لإدراك الآليات الداخلية للانحدار متعدد الحدود واختبار قدرته على التقاط الأنماط غير المستقيمة بصورة محكمة، تقتضي المنهجية العلمية البدء بتوليد مجموعة بيانات تجريبية خاضعة للرقابة الحسابية (Synthetic Dataset). تتيح هذه المحاكاة معرفة “الحقيقة الأساسية” (Ground Truth) للنموذج المولد، مما يسمح للباحث بمقارنة المعلمات التي يقدرها النموذج البرمجي مع المعلمات الرياضية الحقيقية التي صُممت التجربة على أساسها، وبالتالي تقييم مدى دقة خوارزميات الاستدلال.

تتم عملية التوليد في بايثون عبر إنشاء متجه لقيم المتغير المستقل X يغطي نطاقاً محدداً بفواصل متجانسة باستخدام دوال مكتبة NumPy. بعد ذلك، يتم تطبيق دالة رياضية غير خطية مقصودة، كمعادلة تربيعية تتضمن نقطة تحول واضحة أو معادلة تكعيبية تشتمل على نقطتي انعطاف، لتوليد القيم النظرية للمتغير التابع Y. تُعد هذه الخطوة بمثابة بناء الهيكل الرياضي الأساسي الذي يربط بين المتغيرين في حالة مثالية تخلو من التشويش الخارجي.

ولمحاكاة ظروف القياس التجريبي الحقيقية التي تلازم الأبحاث الميدانية والمخبرية، يُضاف إلى القيم النظرية متجه من التشويش العشوائي يتبع التوزيع الطبيعي المعياري بمتوسط حسابي صفري وانحراف معياري مضبوط بدقة. يضمن هذا الإجراء تمثيل أخطاء القياس والتباينات غير المنضبطة التي تصادف الباحثين واقعياً، ثم تُخزن المصفوفات الناتجة ضمن إطار بيانات موحد يمهد لمراحل الفحص البصري والاستدلال الإحصائي اللاحقة.

4.2 الفحص البصري الأولي وتحديد النمط

يمثل الفحص البصري الخطوة المنهجية الأولى والأساسية في التحليل الاستكشافي للبيانات؛ إذ يحظر علمياً الشروع في تقدير معلمات الانحدار قبل تكوين رؤية حدسية واضحة حول شكل العلاقة الارتباطية. يتم بناء مخطط التشتت (Scatter Plot) الأولي عبر رسم قيم المتغير التابع على المحور الرأسي في مواجهة قيم المتغير المستقل على المحور الأفقي، مع ضبط شفافية النقاط لتفادي التداخل البصري الكثيف إذا كان حجم العينة كبيراً.

يكشف الفحص البصري المتأني عن وجود التواءات وانحناءات ومناطق تسارع أو تباطؤ في السلوك التوزيعي للنقاط. فعندما تتجمع المشاهدات على نحو يظهر تقعراً صاعداً ثم هابطاً، أو مساراً يأخذ شكلاً قطعياً أو موجياً، يدرك المحلل على الفور أن الفرضية القائلة بثبات معدل التغير غير قابلة للدفاع عنها تجريبياً. يوفر هذا الاستدلال البصري دليلاً مبدئياً حاسماً على أن محاولة توفيق خط مستقيم تقليدي ستقود حتماً إلى تضليل تحليلي وقصور كبير في تمثيل الهيكل الحقيقي للبيانات.

وعلاوة على رصد الانحناء العام، يسهم المخطط البصري في الكشف المبكر عن القيم الشاذة والمتطرفة (Outliers) وتجمعات البيانات غير المتجانسة. إن ملاحظة النقاط الشاذة في هذه المرحلة المبكرة تحمي عملية نمذجة متعدد الحدود لاحقاً من الانحرافات الشديدة؛ إذ تتميز الحدوديات ذات الرتب المرتفعة بحساسية مفرطة للنقاط الطرفية المنعزلة، مما يستدعي توثيق هذه الملاحظات والتثبت من طبيعتها المنهجية قبل الانتقال إلى خطوات المعالجة الرياضية المتقدمة.

4.3 الاختبارات الإحصائية الأولية للاخطية

لا يكتفي التحليل الأكاديمي الرصين بالانطباعات البصرية الأولية، بل يعضدها بسلسلة من الاختبارات والمؤشرات الإحصائية الصارمة لتأكيد فرضية اللاخطية. تبدأ هذه العملية بفحص معامل ارتباط بيرسون الخطي (Pearson’s r)؛ حيث يُعد من الأخطاء المنهجية الشائعة افتراض ضعف العلاقة بين متغيرين لمجرد أن قيمة معامل بيرسون تقترب من الصفر. فإذا كانت العلاقة من الدرجة الثانية (شكل U مقلوب على سبيل المثال)، فقد ينخفض معامل بيرسون إلى الصفر تماماً رغم وجود علاقة قطعية تامة ومؤكدة بين المتغيرين، مما يستدعي استخدام مقاييس ارتباط متقدمة كمعامل سبيرمان للرتب أو اختبار المسافة الترابطية.

تتجلى هذه الإشكالية بوضوح في دراسات التغير اللغوي والصوتي، حيث بين سوسكوثي وهاي (Sóskuthy & Hay, 2017) كيف أن التغيرات الزمنية في أنماط الاستخدام اللفظي وتأثيرها على مدة نطق الكلمات تخضع لمسارات تطورية غير خطية؛ مما يجعل معاملات الارتباط البسيطة عاجزة عن التقاط الديناميكية الصوتية الكامنة، ويفرض اللجوء إلى اختبارات تفحص طبيعة التغير المنحني في المتبقيات.

تكتمل هذه المرحلة بتطبيق اختبار خطية العلاقة عبر ملاءمة نموذج خطي بسيط أولياً، واستخراج مصفوفة المتبقيات الناتجة وفحصها بواسطة اختبارات التشخيص الإحصائي، مثل اختبار رامزي لخطأ إعادة التوصيف (Ramsey RESET Test). يقوم هذا الاختبار على افتراض صفري مؤداه أن العلاقة خطية بالكامل، من خلال إضافة قوى تنبؤية للقيم المقدرة واختبار دلالتها الإحصائية المشتركة عبر توزيع “ف”؛ فإذا ثبتت معنوية الحدود المضافة، تُرفض الفرضية الصفرية رسمياً، ويصبح الانتقال المنهجي إلى نموذج الانحدار متعدد الحدود ضرورة علمية مبررة رياضياً وإحصائياً.

5. تنفيذ الانحدار متعدد الحدود باستخدام مكتبة NumPy

5.1 مطابقة المنحنى عبر دالة polyfit

توفر مكتبة NumPy مساراً مباشراً وفائق السرعة لتنفيذ الانحدار متعدد الحدود من خلال دالتها العريقة polyfit. تتلقى هذه الدالة كمدخلات أساسية متجهات البيانات X وY، بالإضافة إلى عدد صحيح يحدد درجة متعدد الحدود المرغوبة (deg). تقوم الدالة خلف الكواليس بإنشاء مصفوفة فانديرموند المناسبة وحل المعادلات الطبيعية باستخدام خوارزميات تفكيك القيمة المفردة (Singular Value Decomposition – SVD) المطبقة في حزم LAPACK، مما يضمن دقة واستقراراً حسابياً ممتازاً عند التعامل مع المصفوفات المعقدة.

تُرجع الدالة مصفوفة أحادية البعد تحتوي على معاملات الانحدار المقدرة مرتبة تنازلياً وفق القوى الأسية (أي بدءاً من معامل Xⁿ، ثم Xⁿ⁻¹، وصولاً إلى الحد الثابت). يتيح هذا الترتيب المقارنة الرياضية الفورية بين المعاملات المستخرجة والمعلمات النظرية التي تم توليد البيانات على أساسها؛ حيث يستطيع الباحث التحقق من تقارب التقديرات الإحصائية نحو القيم الحقيقية ضمن هوامش الخطأ المعياري المقبولة علمياً، مما يعكس كفاءة الدالة في استخلاص النمط البنيوي من قلب التشويش العشوائي.

ومع ذلك، ينبغي للباحث الانتباه إلى التحذيرات الحسابية التي قد تصدرها بيئة التشغيل عند استخدام درجات مرتفعة للمتعدد؛ إذ تُصدر مكتبة NumPy تحذيراً صريحاً من نوع RankWarning عندما تصبح مصفوفة الإسناد سيئة التكييف الحسابي وتفقد استقلالها الخطي الكامل. يشير هذا التحذير المنهجي إلى أن الفروق العددية الهائلة بين قوى X الكبيرة والصغيرة قد أدت إلى عدم استقرار حسابي في مقلوب المصفوفة، مما يقتضي إعادة النظر في درجة الحدودية المختارة أو اللجوء إلى تحويلات مركزة البيانات لتقليل الارتباط الرياضي الشديد بين الأعمدة.

5.2 توليد النماذج التنبؤية بواسطة دالة poly1d

لتسهيل توظيف المعاملات المستخرجة في أغراض التنبؤ الحسابي، توفر مكتبة NumPy الفئة المساعدة poly1d، والتي تتلقى مصفوفة المعاملات الناتجة عن polyfit وتقوم بتغليفها في كائن رياضي متكامل وقابل للاستدعاء كدالة برمجية اعتيادية. تُظهر هذه الفئة جمالية خاصة عند طباعتها نصياً، إذ تقوم بصياغة المعادلة الجبرية على هيئة نصية واضحة ومقروءة توضح كافة الحدود ومضروباتها الأسية بأسلوب يحاكي الصيغ المكتوبة في كتب الرياضيات الكلاسيكية.

تتيح الدالة التنبؤية المولدة استقبال متجهات عددية جديدة ممتدة على نطاق المتغير المستقل، وتقوم بحساب القيم المتوقعة المقابلة على الفور وبكفاءة متجهية مذهلة دون الحاجة إلى كتابة حلقات تكرارية مكلفة حوسبياً. ولرسم منحنى انحداري شديد النعومة والاتصال البصري، يُنشئ الباحث متجهاً كثيفاً يضم مئات النقاط المتقاربة عبر دالة linspace وتمريرها عبر كائن poly1d؛ مما ينتج مساراً بيانياً متسلسلاً يعكس بدقة فائقة هندسة الدالة في كل نقطة من نطاق الملاحظة.

تتميز هذه الطريقة الحسابية المعتمدة على أدوات NumPy المدمجة بانخفاض النفقات الحاسوبية الإضافية (Computational Overhead) وسرعة التنفيذ، مما يجعلها الخيار المثالي في المهام التي تتطلب معالجة فورية ومطابقات رياضية سريعة لمتغير وحيد. غير أن محدوديتها تكمن في قصر تطبيقها على الحالات أحادية المتغير، وافتقارها إلى آليات النمذجة المتقدمة وخطوط الأنابيب البرمجية الشاملة التي تتوفر في بيئات التعلم الآلي المتخصصة كـ Scikit-learn.

5.3 بناء التمثيل البياني لنموذج NumPy

يكتمل تنفيذ النموذج عبر إرساء تمثيل بياني احترافي يجمع بين نقاط البيانات التجريبية الأصلية والمنحنى النظري المقدر. يُستخدم في هذا السياق مخطط تراكبي عبر مكتبة Matplotlib؛ حيث تُمثل الملاحظات الفعلية كدوائر مبعثرة ذات ألوان خافتة لإبراز التوزيع التجريبي، بينما يُرسم منحنى الانحدار كخط متصل ذي لون مميز وسماكة مدروسة ليمثل الاتجاه الوظيفي المتوسط المتوقع من النموذج.

يشترط في الإخراج البياني الأكاديمي مراعاة القواعد التوثيقية الدقيقة؛ إذ يجب تسمية المحاور بوضوح متضمناً ذلك وحدات القياس المقابلة لكل متغير، ووضع عنوان رئيسي يفصح عن رتبة الحدودية المطبقة، وتضمين وسيلة إيضاحية (Legend) تميز بصرياً بين المشاهدات المرصودة والنموذج الرياضي المقدر. تسهم هذه العناصر التوضيحية في تمكين القارئ من إجراء مقارنة فورية بين انتشار البيانات الفعلي ومسار التوافق، ورصد أي انحيازات موضعية واضحة في التوفيق.

وعند تأمل التمثيل البياني الناتج، يبرز سلوك المنحنى عند نهايات النطاق كعنصر حاسم في التقييم المنهجي؛ إذ يُظهر المنحنى في بعض الأحيان اتجاهاً حاداً نحو الصعود أو الهبوط اللامتناهي عند الأطراف بما يخالف المعقولية العلمية والفيزيائية للظاهرة موضوع الدراسة. يوفر هذا الفحص البصري للمنحنى المتراكب تغذية راجعة بالغة الأهمية حول مدى نجاح درجة الحدودية المختارة في استيعاب الانحناء دون الوقوع في شرك المبالغة الهندسية أو التشوه التنبؤي الطرفي.

6. بناء النموذج وتدريبه عبر مكتبة Scikit-Learn المتطورة

6.1 توليد السمات غير الخطية باستخدام PolynomialFeatures

تقدم مكتبة Scikit-learn فلسفة تصميمية متطورة تتعامل مع الانحدار متعدد الحدود عبر استراتيجية هندسة السمات (Feature Engineering). يتم هذا التحويل من خلال فئة محول مخصصة تُعرف بـ PolynomialFeatures، والتي تنتمي إلى وحدة التجهيز الأولي preprocessing. تعمل هذه الفئة على أخذ مصفوفة السمات الخطية الأصلية وتوليد مصفوفة جديدة موسعة تتضمن كافة التركيبات الأسية الممكنة وصولاً إلى الدرجة المحددة سلفاً في المعلمة degree.

تتضمن فئة PolynomialFeatures خيارات ضبط دقيقة، من أهمها معامل include_bias. عند ضبط هذا المعامل على القيمة True، يولد المحول تلقائياً عموداً أولياً يتألف بالكامل من القيمة واحد لتمثيل الحد الثابت، وهو ما يحاكي بنية مصفوفة فانديرموند بدقة؛ أما عند ضبطه على False، فيتم إهمال هذا العمود اعتماداً على قيام مقدر الانحدار الخطي بتقدير الحد الثابت داخلياً. كذلك تتيح المعلمة interaction_only قصر التوليد على حدود التفاعل المشترك بين المتغيرات دون رفع المتغيرات المفردة لقوى أسية عليا، وهو ما يفيد في دراسات التفاعل المعقدة متعددة المتغيرات.

عند تغذية مصفوفة مدخلات أحادية البعد ذات أبعاد (N, 1) إلى هذا المحول لدرجة تكعيبية، يقوم بتحويلها آلياً إلى مصفوفة سمات ثلاثية الأبعاد أو رباعية الأبعاد تضم المتغير الأصلي ومربعه ومكعبه. تكتسب هذه الآلية قوتها القصوى عند تطبيقها على نماذج متعددة المتغيرات، حيث تقوم الفئة تلقائياً بتوليد الحدود التفاعلية المشتركة كضرب المتغير الأول في مربع المتغير الثاني، مما يوفر إطاراً موحداً وقابلاً للتوسع الرياضي دون الحاجة إلى كتابة شيفرات يدوية معقدة وعرضة للخطأ.

6.2 تدريب نموذج LinearRegression على السمات المعدلة

عقب إتمام هندسة السمات وتوسيع الفضاء التفسيري، يتم تمرير مصفوفة السمات الناتجة مباشرة إلى مقدر الانحدار الخطي الكلاسيكي LinearRegression المتوفر في وحدة linear_model. يقوم هذا المقدر بتنفيذ خوارزمية المربعات الصغرى الاعتيادية لتقدير الأوزان الخطية المرتبطة بكل سمة من السمات المولدة، مستفيداً من حقيقة أن مسألة التحسين تظل خطية تماماً في فضاء السمات الجديد.

عقب إتمام عملية التوافق والملاءمة عبر استدعاء دالة fit، يمكن للباحث استخراج المعلمات المقدرة بسهولة فائقة؛ حيث يوفر المقدر خاصية intercept_ التي تحتوي على قيمة الحد الثابت، وخاصية coef_ التي تمثل مصفوفة معاملات الانحدار الجزئية المقابلة لكل رتبة أسية وحدود التفاعل. تُظهر مطابقة هذه المعاملات مع المعادلة الرياضية المستهدفة نجاح خوارزمية التعلم الآلي في إعادة بناء الدالة التوليدية للبيانات وتحديد الوزن النسبي لكل قوة رياضية بدقة متناهية.

تُصاغ المعادلة التنبؤية المخرجة في قالب إحصائي يمكن استخدامه لاحقاً للتنبؤ بملاحظات غير مرصودة عبر دالة predict. وتتميز مخرجات Scikit-learn بقدرتها على الاندماج الفوري مع أدوات التحليل والتقييم الأخرى داخل النظام البيئي لبايثون؛ مما يتيح حساب الفروق بين التنبؤات والقيم الفعلية وتحويل النتائج إلى أطر بيانات أو مصفوفات إحصائية تخضع لمعايير الجودة والتحقق العلمي الرصين.

6.3 أتمتة العملية باستخدام خطوط الأنابيب البرمجية Pipeline

على الرغم من إمكانية تنفيذ هندسة السمات والتدريب الخطي كخطوتين منفصلتين، إلا أن أفضل الممارسات المنهجية في علم البيانات تحتم دمج هاتين المرحلتين في كائن برمجي موحد عبر استخدام خطوط الأنابيب البرمجية Pipeline المتوفرة في وحدة pipeline. يتيح كائن Pipeline ربط محول السمات PolynomialFeatures بمقدر الانحدار الخطي LinearRegression في سلسلة معالجة متكاملة يتم التعامل معها خارجياً كنموذج موحد ومتماسك.

يحقق استخدام خط الأنابيب فوائد منهجية جوهرية؛ لعل أبرزها القضاء التام على خطر “تسرب البيانات” (Data Leakage) أثناء مراحل التحقق المتقاطع. فعند تقييم النماذج الإحصائية، يجب ألا تتعرض أدوات التحويل لأي معلومة تخص عينات الاختبار؛ وبفضل Pipeline، يتم تطبيق التجهيز وهندسة السمات حصرياً على بيانات التدريب ثم يُطبق التحويل ذاته بصرامة على بيانات الاختبار دون أي تداخل، مما يحفظ النزاهة العلمية لعملية التقييم.

وعلاوة على الوقاية من تسرب البيانات، يضمن خط الأنابيب قابلية تكرار التجربة البرمجية وتبسيط الشيفرة المصدرية إلى أقصى حد؛ حيث يكفي استدعاء دالتي fit وpredict على كائن الأنبوب ليقوم داخلياً بتنفيذ التحويل الجبري للسمات وتمريرها للمقدر وتوليد التنبؤات بتدفق منطقي خالٍ من الأخطاء. كما يمهد هذا البناء الهيكلي الطريق لتطبيق خوارزميات البحث الشبكي المتقدمة لضبط درجة متعدد الحدود آلياً، كما سيتضح في الفصول اللاحقة.

7. تحديد الدرجة المثلى للحدودية وموازنة معضلة الانحياز والتباين

7.1 معضلة الانحياز والتباين في سياق درجة الحدودية

تمثل معضلة الانحياز والتباين (Bias-Variance Tradeoff) الإشكالية النظرية والعملية الأهم عند تطبيق نموذج الانحدار متعدد الحدود. يشير “الانحياز” إلى الخطأ الناشئ عن افتراضات النموذج المفرطة في التبسيط؛ فعندما نختار درجة حدودية منخفضة للغاية (كاعتماد الدرجة الأولى الخطية لتمثيل علاقة تتضمن انحناءً قطعياً)، يقع النموذج في فخ “نقص التوافق” (Underfitting)، حيث يعجز عن استيعاب النمط البنيوي الكامن في البيانات، وتكون أخطاء التدريب والاختبار مرتفعة على حد سواء.

وعلى النقيض من ذلك تماماً، يمثل “التباين” حساسية النموذج المفرطة للتقلبات العشوائية والتشويش الملازم لعينة التدريب المحددة. فعند رفع درجة الحدودية إلى مستويات عليا (كالدرجة الثامنة أو العاشرة)، يكتسب النموذج مرونة مفرطة تجعله يتتبع كل نقطة تجريبية فردية وكل تقلب عشوائي، وهو ما يُعرف بظاهرة “الإفراط في التوافق” (Overfitting). وفي هذه الحالة، ينخفض خطأ التدريب إلى الصفر تقريباً، وتظهر مؤشرات مطابقة خادعة، لكن النموذج يفقد بالكامل قدرته على التعميم، وتنهار دقته التنبؤية انهياراً دراماتيكياً عند تعريضه لبيانات جديدة ومستقلة.

تتطلب الحكمة المنهجية البحث الدقيق عن نقطة التوازن المثلى، وهي الدرجة الجبرية التي تحقق أدنى مستوى ممكن من “خطأ التعميم الكلي” (Total Generalization Error)، والذي يمثل المجموع الجبري لمربع الانحياز والتباين والخطأ العشوائي غير القابل للاختزال. إن السعي وراء رفع درجة الحدودية لمجرد تحسين المطابقة على عينة الملاحظات الحالية يعد خطأً معرفياً يخل بمبدأ “نصل أوكام” (Occam’s Razor)، الذي يحث على اختيار أبسط النماذج القادرة على تفسير الظاهرة تفسيراً كافياً.

7.2 تقنيات التحقق المتقاطع لاختيار الدرجة الأنسب

للإفلات من شراك معضلة الانحياز والتباين واختيار الدرجة الرياضية المثلى على نحو موضوعي ومحايد، تعتمد المنهجية الإحصائية المتقدمة على تقنيات التحقق المتقاطع (Cross-Validation)، وبخاصة أسلوب التحقق المتقاطع ذي الطيات المتعددة (K-Fold Cross-Validation). يقوم هذا الأسلوب على تقسيم العينة المتاحة إلى K من الأجزاء المتساوية؛ حيث يُدرب النموذج على (K-1) من الأجزاء ويُختبر على الجزء المتبقي، وتتكرر هذه العملية بالتناوب عبر كافة الطيات لحساب متوسط خطأ التنبؤ الإجمالي لكل درجة حدودية مقترحة.

وقد أثبتت الدراسات التطبيقية الرائدة تفوق تقنيات التحقق المتقاطع في ضبط النماذج المعقدة؛ إذ بيّن دوما وبيروز (Doma & Pirouz, 2020) في تحليلهما المقارن لنماذج التعلم الآلي عبر الإشارات الفسيولوجية والدماغية المتشعبة أن الاعتماد الحصري على مقاييس المطابقة الداخلية يقود إلى نماذج هشة ومتحيزة، في حين يضمن التحقق المتقاطع اختيار معلمات النمذجة التي تحتفظ باستقرارها وقدرتها على الصمود أمام التباينات الخارجية.

يمكن أتمتة هذه العملية بالكامل في بايثون عبر توظيف أداة البحث الشبكي GridSearchCV المدمجة مع خط الأنابيب Pipeline. يحدد الباحث نطاقاً من الدرجات التجريبية (من الدرجة 1 إلى الدرجة 10 مثلاً)، ويتولى كائن البحث الشبكي تدريب النماذج وتقييمها عبر طيات التحقق المتقاطع، مستخدماً مقياس متوسط مربع الخطأ كمعيار مفاضلة، ثم استخراج الدرجة الأنسب التي تحقق التوازن الرياضي الأكمل وتوفر أعلى درجات الاستقرار الإحصائي خارج نطاق عينة التطوير.

7.3 منحنيات التعلم ومنحنيات التحقق

تمثل منحنيات التحقق (Validation Curves) ومنحنيات التعلم (Learning Curves) أدوات تشخيصية بصرية بالغة الأهمية لفهم سلوك النموذج وتقييم استقراره. يُنشأ منحنى التحقق عبر رسم خطأ التدريب وخطأ التحقق المتقاطع كدالة في درجة متعدد الحدود المعروضة على المحور الأفقي؛ مما يتيح للباحث معاينة نقطة التباعد التاريخية بين المنحنيين بوضوح بصري قاطع، حيث يستمر خطأ التدريب في الانحدار التدريجي نحو الصفر، في حين يبدأ خطأ التحقق في الصعود الحاد بمجرد تخطي الدرجة المثلى، كاشفاً بوضوح عن بدء طور الإفراط في التوافق.

أما منحنيات التعلم، فترسم أداء النموذج (ممثلاً في دقة التدريب ودقة التحقق) كدالة في حجم عينة البيانات المستخدمة للتدريب مع تثبيت درجة الحدودية. يساعد هذا المنحنى في الإجابة عن تساؤل منهجي حاسم: هل يعاني النموذج من مشكلة انحياز بنيوي تتطلب زيادة درجة التعقيد، أم أنه يعاني من تباين مرتفع يتطلب جمع المزيد من الملاحظات التجريبية لكبح جماح التذبذب؟

إذا تقارب منحنى التدريب ومنحنى التحقق عند مستوى خطأ مرتفع على الرغم من زيادة حجم العينة، فإن ذلك يشير بصورة قاطعة إلى نقص التوافق ومحدودية مرونة النموذج، مما يسوغ الترقية لدرجة حدودية أعلى. أما إذا ظلت هناك فجوة واسعة بين خطأ التدريب المنخفض وخطأ التحقق المرتفع، فإن ذلك يبرهن على الإفراط في التوافق وحاجة النموذج إما إلى خفض درجته، أو إضافة شروط تنظيمية تكبح جموح معالماته المرتفعة.

8. التقييم الإحصائي الدقيق وتشخيص أداء النموذج

8.1 مقاييس جودة التوفيق الإحصائية

يقتضي التقييم الأكاديمي الصارم لنموذج الانحدار متعدد الحدود استخدام منظومة متكاملة من المقاييس الكمية التي تفحص دقة التوفيق وجودة التنبؤ. يبرز معامل التحديد (R-squared) كمقياس تقليدي يحدد النسبة المئوية للتباين في المتغير التابع التي استطاع النموذج تفسيرها. غير أن الاعتماد المنفرد على R-squared يحمل مخاطر تضليلية جسيمة في سياق الانحدار متعدد الحدود؛ إذ إن هذه القيمة ترتفع رياضياً بصورة حتمية ومستمرة كلما أضيفت حدود أسية جديدة للنموذج، حتى وإن كانت هذه الحدود لا تمثل سوى ضجيج عشوائي عديم الفائدة.

ولمعالجة هذا القصور المنهجي، يُعد معامل التحديد المعدل (Adjusted R-squared) هو المعيار الإحصائي الواجب اعتماده؛ حيث يفرض هذا المقياس عقوبة رياضية صريحة على النموذج تتناسب طردياً مع عدد المعلمات المضافة وعكسياً مع حجم العينة، وفق الصيغة الرياضية الآتية:

R²_adj = 1 – [(1 – R²)(n – 1) / (n – p – 1)]

حيث تمثل n حجم العينة وp عدد الحدود التفسيرية في النموذج. وبفضل هذه العقوبة، لن يرتفع معامل التحديد المعدل إلا إذا كان الحد الأسي المضاف يسهم في خفض تباين المتبقيات بنسبة تتجاوز الأثر المتوقع للصدفة الإحصائية البحتة.

وإلى جانب معاملات التحديد، تبرز المقاييس المستندة إلى الأخطاء المطلقة؛ وأهمها متوسط مربع الخطأ (Mean Squared Error – MSE) وجذره التربيعي (RMSE) اللذان يفرضان وزناً أكبر على الأخطاء الكبيرة مما يجعلهما حساسين للقيم الشاذة، ومتوسط الخطأ المطلق (Mean Absolute Error – MAE) الذي يقدم مقياساً حدسياً مباشراً لمتوسط الانحراف بوحدات قياس المتغير الأصلي ذاتها. يتيح الجمع بين هذه المؤشرات تكوين رؤية شاملة حول كفاءة النموذج التنبؤية ومدى استقراره عبر مختلف قطاعات البيانات.

8.2 تحليل وتشخيص المتبقيات الإحصائية

لا يمكن إعلان كفاية أي نموذج انحدار دون إجراء تشخيص متعمق لمتبقيات النموذج (Residuals)، والتي تُعرف بالفروق الفردية بين القيم المرصودة فعلياً والقيم المتوقعة رياضياً (eᵢ = yᵢ – ŷᵢ). يمثل رسم المتبقيات في مواجهة القيم المتنبأ بها (Residuals vs. Fitted Plot) الاختبار التشخيصي الأهم؛ ففي النموذج الصحيح والمكتمل إحصائياً، يجب أن تنتشر المتبقيات كانتشار سحابة عشوائية متجانسة حول خط الصفر الأفقي، دون إظهار أي مسارات منحنية، أو تشكيلات اتجاهية، أو أشكال مروحية.

إن ظهور أي انحناء واضح في مخطط المتبقيات يعطي إشارة تحذيرية لا تقبل اللبس بأن درجة الحدودية المستخدمة غير كافية، وأن هناك علاقة غير خطية لا تزال عالقة داخل مصفوفة الأخطاء لم يتم استخلاصها بعد. كما يتيح هذا المخطط فحص فرضية ثبات تباين الأخطاء (Homoscedasticity)؛ إذ إن اتساع نطاق المتبقيات أو تضيقه التدريجي مع تغير القيم المقدرة يشير إلى مشكلة تباين الخطأ المتغير (Heteroscedasticity)، مما يستدعي استخدام تحويلات وظيفية لمتغير الاستجابة أو تطبيق الانحدار الموزون.

تكتمل حلقة تشخيص المتبقيات باختبار فرضية التوزيع الطبيعي للأخطاء عبر إنشاء مخطط الاحتمال الطبيعي (Normal Q-Q Plot) وتطبيق اختبارات الدلالة مثل اختبار شابيرو-ويلك (Shapiro-Wilk) واختبار جارك-بيرا (Jarque-Bera). إن تطابق نقاط المتبقيات مع الخط القطري النظري يبرهن على سلامة الفرضيات التوزيعية التي تستند إليها فترات الثقة واختبارات الدلالة الإحصائية؛ مما يمنح الباحث الأساس الموضوعي لتوثيق نتائجه وتعميم استدلالاته بثقة تامة.

8.3 معايير المفاضلة النموذجية المتقدمة

في الممارسات الإحصائية المعاصرة، لا يُكتفى بالمقاييس الوصفية للمفاضلة بين النماذج المتنافسة ذات الدرجات المختلفة، بل يُحتكم إلى معايير نظرية المعلومات الإحصائية التي توفر إطاراً عقابياً صارماً ضد التعقيد الزائد؛ ولعل أبرزها معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) ومعيار المعلومات البيزي (Bayesian Information Criterion – BIC). تستند هذه المعايير إلى دالة الإمكان الأعظم (Maximum Likelihood)، وتعمل على تقدير كمية المعلومات المفقودة عند استخدام نموذج معين لتمثيل العملية التوليدية الحقيقية للبيانات.

تتجلى هذه المعايير بأهمية خاصة في دراسات النمذجة الفسيولوجية؛ حيث أوضح ميتييه وزملاؤه (Meteier et al., 2021) في فحصهم لعبء العمل الفسيولوجي لدى السائقين في المركبات الذاتية أن الاختيار بين التوصيفات الإحصائية المتعددة يتطلب موازنة دقيقة بين جودة ملاءمة النموذج وعدد معالماته، لضمان عدم الانجراف نحو نماذج شديدة التعقيد تعجز عن تفسير الاستجابات الميدانية المستقلة.

يتميز معيار BIC بفرضه عقوبة رياضية أقوى بكثير من AIC على إضافة المعلمات كلما كبر حجم العينة (حيث تتضمن صيغته لوغاريتم حجم العينة مضروباً في عدد المعلمات)؛ مما يجعله أكثر ميلاً نحو اختيار نماذج أكثر إحكاماً وبساطة تحمي التحليل من خطر المعلمات غير المفيدة. وعند مقارنة سلسلة من النماذج ذات الدرجات الحدودية المتتابعة، يقع الاختيار المنهجي الرصين على النموذج الذي يحقق أدنى قيمة عددية لمعياري AIC وBIC؛ إذ يمثل هذا النموذج التسوية المثلى بين الكفاءة التفسيرية والبساطة الجبرية.

9. تمثيل النتائج بيانياً وتفسير المخرجات في الأبحاث العلمية

9.1 إنشاء مخططات نهائية عالية الدقة للنشر العلمي

يمثل الإخراج البصري للمخرجات الإحصائية الواجهة الاتصالية المركزية التي تنقل جوهر الاكتشافات العلمية إلى المجتمع الأكاديمي. ولتحقيق أعلى معايير الجودة المعتمدة في المجلات المفهرسة، يجب تصميم منحنيات الانحدار متعدد الحدود باستخدام مكتبات متقدمة مثل Seaborn المتكاملة مع إعدادات Matplotlib الدقيقة. يشمل ذلك ضبط الدقة المكانية للصورة بما لا يقل عن 300 نقطة في البوصة (DPI)، واستخدام أنماط خطوط مقروءة وواضحة، واختيار لوحات ألوان متباينة تلائم الطباعة باللونين الأبيض والأسود وتراعي القراء المصابين بعمى الألوان.

تقتضي المعايير الأكاديمية الصارمة عدم الاكتفاء برسم منحنى الانحدار كخط مصمت أحادي، بل يجب إحاطته بـ “شريط الثقة الإحصائي” (Confidence Interval Band)، والذي يمثل غالباً حدود الثقة عند مستوى 95%. يوضح هذا الشريط المظلل مدى عدم اليقين الإحصائي المرتبط بمسار المنحنى عند كل نقطة؛ حيث يتسع الشريط بطبيعة الحال كلما اقتربنا من أطراف نطاق البيانات بسبب قلة المشاهدات وزيادة تباين التقدير، مما يوفر للقارئ تقييماً بصرياً فورياً لموثوقية المسار المقدر عبر مختلف القطاعات.

وعلاوة على ذلك، يستحسن إدراج الصيغة الرياضية الدقيقة للنموذج المقدر وقيمة معامل التحديد وقيمة الخطأ المعياري التقديري كملصق نصي أنيق داخل المساحة البيضاء المتاحة في المخطط. يسهم هذا الدمج بين البيانات الصورية والمعلومات الرقمية في تحويل الشكل البياني إلى وحدة سردية مستقلة بذاتها، يستطيع القارئ استيعاب كامل دلالاتها واستنتاجاتها الجوهرية دون الحاجة إلى الرجوع المتكرر إلى المتن النصي للبحث.

9.2 التفسير العلمي لمعاملات النموذج

يحمل تفسير معاملات الانحدار متعدد الحدود خصوصية منهجية تفصله جذرياً عن تفسير معاملات الانحدار الخطي البسيط؛ إذ يُعد من الأخطاء التفسيرية الفادحة والشائعة في الدراسات محاولة تفسير معامل الحد الخطي (β₁) بمعزل عن معامل الحد التربيعي (β₂). ففي النماذج غير الخطية، لم يعد التغير في Y دالة ثابتة لكل وحدة زيادة في X، بل أصبح الأثر الحدي (Marginal Effect) متغيراً ومتحركاً، ويُعبر عنه رياضياً بالمشتقة الأولى لدالة الانحدار بالنسبة للمتغير التفسيري (dY/dX = β₁ + 2β₂X + …).

يتطلب التحليل العلمي الرصين حساب وتفسير هذا الأثر الحدي عند نقاط دلالية محددة؛ مثل متوسط المتغير المستقل، أو عند انحراف معياري واحد فوق المتوسط ودونه، لتوضيح كيف تتبدل قوة واتجاه التأثير التفسيري عبر المستويات المختلفة. كما تكتسب المعاملات دلالة استثنائية عند استخدامها لتحديد “نقاط التحول القصوى أو الدنيا” في الظاهرة السلوكية؛ حيث يمكن إيجاد النقطة الحرجة (X_critical) التي يصل عندها المنحنى التربيعي إلى قمته أو قاعه عبر مساواة المشتقة الأولى بالصفر، مما يعطي القيمة (-β₁ / 2β₂).

إن تحديد هذه النقاط الحرجة وتفسيرها يمثل قيمة علمية كبرى لصناع القرار والباحثين؛ إذ تحدد بدقة متناهية العتبات التي يبدأ عندها السلوك في التراجع، كالمستوى الأمثل لإنفاق الموارد، أو الجرعة الدوائية التي تحقق أعلى فاعلية ممكنة قبل بدء ظهور الآثار الجانبية. يمنح هذا التفسير المشتق النموذج متعدد الحدود عمقاً تحليلياً يتجاوز مجرد التنبؤ الحسابي الصامت إلى بناء فهم نظري عميق لآليات الظاهرة المدروسة.

9.3 توثيق النتائج وفق المعايير الأكاديمية الدولية

يخضع توثيق مخرجات الانحدار متعدد الحدود في التقارير الأكاديمية والرسائل العلمية إلى محددات دقيقة تفرضها أدلة النشر الدولية، مثل دليل جمعية علم النفس الأمريكية (APA Publication Manual). تقضي هذه القواعد بعدم الاكتفاء بسرد النتائج ضمن فقرات إنشائية، بل يجب تنظيمها في جداول إحصائية هرمية ومقننة توثق معاملات الانحدار غير المعيارية (B)، وأخطاءها المعيارية (SE B)، والمعاملات المعيارية (Beta)، وقيم اختبار “ت” المحسوبة ومستويات دلالتها الإحصائية الدقيقة (p-values) لكل رتبة أسية مدرجة.

وعند المفاضلة بين النماذج المتعاقبة، يُلزم الباحث بعرض خطوات التحليل الهرمي التدريجي (Hierarchical Polynomial Regression)؛ حيث يُعرض النموذج الخطي في الخطوة الأولى، متبوعاً بالنموذج التربيعي في الخطوة الثانية، والتكعيبي في الخطوة الثالثة. يجب أن يوثق الجدول التغير الإحصائي في معامل التحديد (ΔR²)، وقيمة اختبار “ف” للتغير الدال (F-change)، لإثبات أن إدراج القوى الأسية العليا قد حقق بالفعل إضافة تفسيرية جوهرية وذات دلالة إحصائية مستقلة تتجاوز ما قدمته النماذج الأبسط.

يتكامل هذا التوثيق الجدولي مع سرد نصي منهجي يوضح مبررات اختيار درجة متعدد الحدود، ومناقشة نتائج تشخيص المتبقيات والتأكد من استيفاء الفروض الإحصائية. ويختتم التقرير ببيان الآثار العملية والتطبيقية المستخلصة من الهيكل المنحني المعتمد؛ مما يسهم في سد الفجوة بين الأرقام الرياضية المجردة والتطبيقات الميدانية المعاشة في التخصص العلمي موضوع الدراسة.

10. المشكلات الشائعة، أساليب المعالجة وأفضل الممارسات المنهجية

10.1 التعامل مع ظاهرة التعدد الخطي المرتفع

تُعد ظاهرة التعدد الخطي المرتفع (Severe Multicollinearity) العرض الجانبي البنيوي الأكثر خطورة وملازمة لنموذج الانحدار متعدد الحدود؛ إذ ينشأ هذا التعدد بصورة حتمية وميكانيكية نتيجة رفع قيم المتغير المستقل X إلى قوى أسية متتالية (X, X², X³). يؤدي هذا البناء الجبري إلى نشوء ارتباط خطي هائل وشبه تام بين الأعمدة المكونة لمصفوفة فانديرموند، مما يهدد استقرار عملية التقدير المصفوفي، ويؤدي إلى تضخم هائل في الأخطاء المعيارية للمعاملات، جاعلاً إياها شديدة الحساسية للتغيرات الهامشية في عينة الملاحظات ومجرداً اختبارات الدلالة الفردية من قوتها الإحصائية.

تتمثل المعالجة المنهجية الأبسط والأكثر فاعلية لهذه المشكلة الهيكلية في تطبيق إجراء “تمركز البيانات حول المتوسط” (Mean Centering) قبل توليد القوى الأسية؛ حيث يُطرح المتوسط الحسابي لعينة المتغير المستقل من كل قيمة فردية (X_centered = X – X̄). يترتب على هذا التمركز حول الصفر تفكيك التلازم الحركي المتطابق بين القوى الفردية والزوجية؛ إذ تصبح القيم الإيجابية والسلبية للمتغير المتمركز متماثلة حول نقطة الأصل، مما يقلص بصورة دراماتيكية الارتباط الرياضي المشترك بين X وX² دون أن يؤثر ذلك إطلاقاً على القوة التنبؤية الكلية للنموذج أو على قيمة معامل التحديد أو دلالة الأثر المنحني العام.

ولتقييم مدى نجاح المعالجة في السيطرة على هذه المشكلة، يجب على الباحث مراقبة مؤشر معامل تضخم التباين (Variance Inflation Factor – VIF) لكل متغير في النموذج. ففي حين أن المتغيرات الأصلية غير المتمركزة قد تظهر قيماً فلكية لـ VIF تتجاوز المئات أو الآلاف، فإن تطبيق التمركز الصحيح يقود في الغالب إلى هبوط هذه القيم إلى ما دون العتبات الحرجة المقبولة إحصائياً (أقل من 5 أو 10 كحد أقصى)؛ مما يستعيد الاستقرار العددي للمقدرات ويمنح المعاملات الفردية موثوقية تفسيرية رصينة.

10.2 مخاطر الاستنباط الخارجي خارج نطاق البيانات

يمثل الاستنباط الخارجي (Extrapolation) – والمقصود به استخدام النموذج المقدر لتوليد تنبؤات لقيم تقع خارج النطاق الأدنى والأقصى لمشاهدات المتغير المستقل المستخدمة في التدريب – خطأً منهجياً قاتلاً في سياق الانحدار متعدد الحدود. فبينما قد يقدم الانحدار الخطي البسيط تقريباً اتجاهياً معقولاً نسبياً خارج حدوده المباشرة، فإن دوال متعددات الحدود تظهر سلوكاً حرجاً وبالغ التطرف عند الأطراف، مدفوعة بالقوى الأسية العليا التي تهيمن بالكامل على سلوك الدالة عند الابتعاد عن المركز.

يتجلى هذا الخطر في النماذج التكعيبية والرباعية؛ حيث تتجه الدالة نحو ما لا نهاية الموجبة أو السالبة بمعدلات تسارع فلكية بمجرد الخروج الطفيف عن حدود النطاق التجريبي. يؤدي هذا السلوك الرياضي المندفع إلى توليد قيم تنبؤية وهمية ومستحيلة علمياً (كالوصول إلى نسب أداء سلبية، أو احتمالات تتجاوز 100%، أو كميات استهلاك خيالية)، وهو ما يجرد النموذج من أي فائدة عملية ويشوه القرارات الإدارية أو السريرية المبنية على هذه التقديرات الطائشة.

تفرض التوصيات المنهجية الصارمة حظراً مطلقاً على استخدام نماذج متعدد الحدود للتنبؤ خارج المدى الملاحظ، والتأكيد الصريح على أن صلاحية النموذج التفسيرية والتنبؤية محصورة حصراً وتحديداً داخل “المغلف الملاحظ” (Observed Convex Hull) للبيانات التجريبية. وإذا كان موضوع البحث يفرض بالضرورة استشراف مسارات مستقبلية أو مناطق غير مستكشفة، فإن الخيار العلمي الصحيح يتمثل في استخدام النماذج الميكانيكية القائمة على معادلات تفاضلية قطاعية أو دوال لوجستية مقيدة ذات خطوط مقاربة أفقية تمنع الانفجار الرياضي غير المنضبط.

10.3 أساليب التنظيم وبدائل النمذجة المتقدمة

عندما تفرض طبيعة المشكلة البحثية استخدام نماذج ذات أبعاد تفسيرية مرتفعة ومعقدة، تبرز أساليب التنظيم الإحصائي (Regularization Techniques) كأداة متقدمة للتحكم في تضخم المعاملات وكبح الإفراط في التوافق. تتصدر هذه الأساليب تقنيتا انحدار ريدج (Ridge Regression – L2) وانحدار لاسو (Lasso Regression – L1)؛ حيث تقوم هاتان الطريقتان بتعديل دالة الهدف في المربعات الصغرى بإضافة حد عقابي يتناسب مع حجم المعلمات، مما يجبر خوارزمية التحسين على تقليص قيم المعاملات غير الضرورية نحو الصفر أو تصفيرها تماماً كما في لاسو، وبالتالي الاحتفاظ بالمرونة المنحنية مع حماية النموذج من التقلبات العشوائية الهشة.

وقد أثبتت هذه النماذج المنظمة فاعليتها عبر العديد من التطبيقات الحديثة؛ حيث بيّن آل مشوط وزملاؤه (Al Machot et al., 2019) في نمذجة البيانات المعقدة للمستشعرات الفسيولوجية، وكذلك ريس وزملاؤه (Reece et al., 2017) في التنبؤ الحوسبي بالاضطرابات النفسية من الأنماط السلوكية، أن دمج آليات التنظيم والتحكم في السمات المتعددة يضمن كفاءة استدلالية متفوقة تمنع النماذج من الوقوع في فخ التشويش وتضمن قابليتها للتطبيق في بيئات العمل الميدانية الواقعية.

وفي الحالات التي تتسم فيها البيانات بوجود أنماط لاخطية شديدة التعقيد والتغير الموضعي، تقدم شرائح الانحدار غير الخطية (Splines) والنماذج المضافة المعممة (Generalized Additive Models – GAMs) بديلاً متفوقاً وراسخاً لمتعددات الحدود العالية. تعتمد الشرائح على تقسيم مجال البيانات إلى قطاعات محددة بواسطة “عُقد” (Knots)، وتوفيق حدوديات منخفضة الدرجة (كالحدوديات التكعيبية) داخل كل قطاع مع ربطها بسلاسة رياضية تضمن استمرار المشتقات؛ مما يوفر مرونة موضعية مذهلة تلتقط التعقيدات الدقيقة دون التعرض لمخاطر اهتزازات رونج أو مشكلات التعدد الخطي، مجسدة بذلك ذروة التطور في هندسة النماذج الإحصائية المنحنية المعاصرة.

الخاتمة

استعرض هذا الدليل المتعمق الأبعاد الرياضية، والمنهجية، والبرمجية لنموذج الانحدار متعدد الحدود، مبيناً كيف يشكل هذا النموذج أداة قياسية لا غنى عنها للانتقال من قيود الفرضيات الخطية الضيقة إلى رحابة النمذجة المنحنية الأكثر مطابقة لواقع الظواهر الطبيعية والإنسانية. لقد تتبعنا المسار الإحصائي المتكامل بدءاً من تفكيك القصور الهيكلي للنماذج الكلاسيكية، مروراً بالصياغة الجبرية لمصفوفة فانديرموند وحلول المربعات الصغرى، وصولاً إلى الترجمة الخوارزمية الدقيقة عبر ترسانة بايثون البرمجية المتمثلة في NumPy وScikit-learn.

وقد تبين لنا بجلاء أن القيمة المعرفية للانحدار متعدد الحدود لا تكمن في مجرد رفع الدرجة الرياضية للحصول على معاملات توافق مضللة، بل تتطلب ممارسة واعية وحذرة توازن بدقة بين معضلتي الانحياز والتباين عبر تقنيات التحقق المتقاطع ومنحنيات التعلم والتشخيص المعمق للمتبقيات. كما شدد الدليل على ضرورة الالتزام بأفضل الممارسات الإحصائية في ضبط التعدد الخطي عبر التمركز، والامتناع التام عن الاستنباط الخارجي الذي يقود إلى تشوهات تنبؤية خطيرة، والانفتاح على أدوات التنظيم المتقدمة والبدائل الحديثة كالشرائح عندما يقتضي التعقيد البياني ذلك.

إن إتقان الباحث لهذه الأدوات التحليلية يمنحه القدرة على إنتاج معرفة كمية رصينة تتوافق مع أعلى معايير النشر الأكاديمي الدولية؛ حيث يجتمع عمق الفهم النظري مع مهارة التنفيذ البرمجي لتقديم مخرجات إحصائية دقيقة، ومفسرة علمياً، وقابلة للاعتماد في اتخاذ القرارات وحل المشكلات المعقدة عبر شتى ميادين البحث العلمي.

المراجع

Al Machot, F., Elmachot, A., Ali, M., Al Machot, E., & Kyamakya, K. (2019). A Deep-Learning Model for Subject-Independent Human Emotion Recognition Using Electrodermal Activity Sensors. Sensors, 19(7), 1659. https://doi.org/10.3390/s19071659

Doma, V., & Pirouz, M. (2020). A comparative analysis of machine learning methods for emotion recognition using EEG and peripheral physiological signals. Journal of Big Data, 7(1), 1–21. https://doi.org/10.1186/s40537-020-00289-7

Meteier, Q., Capallera, M., Ruffieux, S., Angelini, L., Abou Khaled, O., Mugellini, E., & Gallay, E. (2021). Classification of Drivers’ Workload Using Physiological Signals in Conditional Automation. Frontiers in Psychology, 12, 596038. https://doi.org/10.3389/fpsyg.2021.596038

Naegelin, M., Weibel, R. P., Kerr, J. I., Schinazi, V. R., La Marca, R., von Wangenheim, F., & Feuerriegel, S. (2023). An interpretable machine learning approach to multimodal stress detection in a simulated office environment. Journal of Biomedical Informatics, 140, 104299. https://doi.org/10.1016/j.jbi.2023.104299

Reece, A. G., Reagan, A. J., Lix, K., Dodds, P. S., Danforth, C. M., & Langer, E. J. (2017). Forecasting the onset and course of mental illness with Twitter data. Scientific Reports, 7(1), 13006. https://doi.org/10.1038/s41598-017-12961-9

Sóskuthy, M., & Hay, J. B. (2017). Changing word usage predicts changing word durations in New Zealand English. Cognition, 166, 298–313. https://doi.org/10.1016/j.cognition.2017.05.032

Wild, C. J., Nichols, E. S., Battista, M. E., Stojanoski, B. B., & Owen, A. M. (2018). Dissociable effects of self-reported daily sleep duration on high-level cognitive abilities. SLEEP, 41(12), zsy182. https://doi.org/10.1093/sleep/zsy182