كيفية إجراء الانحدار التربيعي في SPSS

تُعد النمذجة الإحصائية المتقدمة الركيزة الأساسية التي يستند إليها الباحثون في العلوم السلوكية والنفسية والاجتماعية لفهم تعقيدات الظواهر الإنسانية وتفسير التفاعلات الديناميكية بين المتغيرات المختلفة. وفي حين يُعد الانحدار الخطي البسيط والمتعدد من أكثر الأدوات التحليلية شيوعاً في الأدبيات الأكاديمية، إلا أن الواقع التجريبي والميداني يثبت مراراً وتكراراً أن الطبيعة البشرية والسلوكيات النفسية نادراً ما تتبع مسارات مستقيمة أو علاقات خطية بسيطة؛ فالعديد من السمات النفسية، مثل مستويات الاستثارة، والدافعية، والضغوط المهنية، والرضا الوظيفي، تُظهر استجابات منحنية تتغير فيها شدة الأثر أو حتى اتجاهه بناءً على مستويات المتغير المستقل.

يمثل الانحدار التربيعي (Quadratic Regression)—وهو الشكل الأكثر تطبيقاً من انحدار متعدد الحدود من الرتبة الثانية—أداة منهجية بالغة الأهمية لفك شفرات هذه العلاقات المنحنية غير الخطية. يتيح هذا النموذج للباحث اختبار الفرضيات التي تفترض وجود نقطة تحول أو ذروة مثالية (Optimum Level) تتغير بعدها طبيعة العلاقة، كما هو الحال في النظريات السيكولوجية الكلاسيكية والحديثة. إن تطبيق هذا النموذج عبر الحزمة الإحصائية للعلوم الاجتماعية IBM SPSS Statistics يتطلب فهماً عميقاً للأسس النظرية، والإجراءات الحسابية، والضوابط التشخيصية الدقيقة لتجنب الوقوع في الأخطاء الشائعة مثل التعددية الخطية الهيكلية أو التفسير الخاطئ للمعاملات.

يقدم هذا الدليل الشامل والمفصل دليلاً متكاملاً ومرجعاً أكاديمياً خطوة بخطوة للباحثين وطلاب الدراسات العليا، يغطي كافة جوانب الانحدار التربيعي في SPSS؛ بدءاً من البناء النظري والافتراضات المسبقة، مروراً بالتحضير الحسابي وتوسيط المتغيرات، والتنفيذ عبر طريقتي الانحدار الهرمي وتقدير المنحنيات، وصولاً إلى استخراج نقطة الانعطاف الرياضية وتفسيرها سيكولوجياً وكتابة التقرير النهائي وفق معايير دليل النشر العلمي التابع للجمعية الأمريكية لعلم النفس APA 7th Edition.

1. الأسس النظرية للانحدار التربيعي وموقعه في النمذجة الإحصائية النفسية

1.1 مفهوم العلاقات غير الخطية وديناميكيات المنحنيات في علم النفس

تتميز الظواهر النفسية والسلوكية بدرجة عالية من التعقيد والتداخل، حيث نادراً ما تؤدي الزيادة المستمرة في متغير نفسي معين إلى زيادة مطردة أو تناقص مستمر وثابت في المتغير التابع. في الواقع، تخضع العديد من العمليات العقلية والسلوكية لما يُعرف في القياسات السلوكية بظاهرة “U المقلوبة” (Inverted U-shaped curve) أو منحنى “شكل U” المعتدل. يشير مفهوم العلاقات غير الخطية إلى أن معدل التغير في المتغير التابع (Y) لا يظل ثابتاً لكل وحدة زيادة في المتغير المستقل (X)، بل يتغير هذا المعدل ذاته كتابع لمستوى X الحالي، مما ينتج عنه انحناء في التمثيل الهندسي للعلاقة بدلاً من الخط المستقيم.

يُعد انحدار متعدد الحدود (Polynomial Regression)، وتحديداً انحدار الرتبة الثانية أو الانحدار التربيعي، النموذج الرياضي الأكثر كفاءة وملاءمة لتمثيل هذه الديناميكيات المنحنية التي تتضمن انعطافاً واحداً في مسار البيانات. يتيح هذا النموذج للباحث تجاوز الافتراض المقيد بالخطية والتقاط التغيرات التدريجية في الاتجاه والتسارع أو التباطؤ في الأثر. تتجلى أهمية هذا التحليل في قدرته على نمذجة “نقاط التحول” (Tipping Points) أو المستويات الحرجة التي يتحول عندها الأثر الإيجابي لمتغير ما إلى أثر سلبي ضار، أو العكس، وهو ما يوفر رؤى نظرية وتطبيقية لا يمكن للنماذج الخطية التقليدية الكشف عنها بأي حال من الأحوال.

من أبرز الأمثلة الكلاسيكية والتطبيقية في الأبحاث النفسية التي تثبت ضرورة النمذجة التربيعية هو قانون يركيز-دودسون (Yerkes-Dodson Law)، الذي يصف العلاقة بين مستوى الاستثارة النفسية أو التوتر العصبي والأداء المعرفي والمهاري. يفترض هذا القانون أن الأداء يكون منخفضاً عند مستويات التوتر المتدنية نتيجة الخمول وضعف الانتباه، ثم يرتفع الأداء تدريجياً مع زيادة التوتر ليصل إلى ذروته عند مستوى معتدل ومثالي من الاستثارة، إلا أن استمرار زيادة التوتر بعد هذه النقطة الحرجة يؤدي إلى تدهور حاد في الأداء المعرفي والسلوكي نتيجة القلق المفرط والتشتت. ومن الأمثلة المعاصرة أيضاً دراسة العلاقة بين ساعات العمل الأسبوعية ومستوى الرفاهية النفسية أو السعادة؛ حيث تزيد ساعات العمل المعتدلة من الشعور بالإنتاجية والاستقرار المالي، في حين تؤدي الساعات المفرطة إلى الاحتراق النفسي وتراجع السعادة بصورة حادة متسارعة.

1.2 المعادلة الرياضية لنموذج الانحدار التربيعي وتفكيك عناصرها

يقوم نموذج الانحدار التربيعي البسيط على توسيع معادلة الانحدار الخطي العام بإضافة حد متعدد الحدود من الدرجة الثانية يمثل مربع المتغير المستقل، وتُصاغ المعادلة الرياضية العامة لمجتمع الدراسة على النحو التالي:

Y = β0 + β1X + β2X² + ε

حيث يمثل Y المتغير التابع المراد التنبؤ به، ويمثل X المتغير المستقل الأساسي في مقياسه الخطي، بينما يمثل X² المتغير المستقل مرفوعاً للقوة 2 (الحد التربيعي)، وتُعرف الرموز المتبقية كالتالي:

• الحد الثابت (Intercept – β0): يعبر عن القيمة المتوقعة لمتغير الاستجابة (Y) عندما تكون قيمة المتغير المستقل (X) مساوية للصفر تماماً. وفي حال عدم إجراء توسيط للمتغيرات، فإن هذا الحد يمثل نقطة تقاطع المنحنى مع المحور الرأسي Y.
• المعامل الخطي (Linear Coefficient – β1): يمثل الميل اللحظي (Instantaneous Slope) أو المماس لمنحنى الانحدار عند النقطة الدقيقة التي يكون فيها X = 0. من الأخطاء الشائعة تفسير β1 على أنه الأثر الخطي العام عبر كامل نطاق البيانات؛ إذ إن قيمته وإشارته تعتمدان كلياً على موضع الصفر في مقياس المتغير المستقل.
• المعامل التربيعي (Quadratic Coefficient – β2): يُعد هذا المعامل هو جوهر النمذجة التربيعية؛ فهو المسؤول عن تحديد اتجاه التقعر (Concavity) ومعدل تسارع الانحناء في العلاقة. إذا كانت إشارة β2 موجبة (β2 > 0)، يكون المنحنى مقعراً لأعلى (Convex / U-shape) ويمتلك نقطة دنيا صغرى. أما إذا كانت إشارة β2 سالبة (β2 < 0)، يكون المنحنى مقعراً لأسفل (Concave / Inverted U-shape) ويمتلك نقطة عظمى قصوى. تعكس القيمة المطلقة لمعامل β2 شدة وسرعة انحناء المنحنى؛ فالقيم الكبيرة تعني انحناءً حاداً وضيقاً، بينما تشير القيم الصغيرة إلى انحناء تدريجي متسع.
• الخطأ العشوائي المتبقي (Residual Error – ε): يمثل الفروق الفردية والانحرافات بين القيم المشاهدة الفعلية والقيم التنبؤية التي يحددها المنحنى التربيعي، ويفترض أن يتوزع توزيعاً طبيعياً بمتوسط صفر وتباين ثابت.

1.3 مبررات الانتقال من الانحدار الخطي البسيط إلى الانحدار التربيعي

ينشأ الدافع الأساسي لاعتماد الانحدار التربيعي من أوجه القصور الجوهرية الكامنة في الانحدار الخطي البسيط عند التعامل مع بيانات حقيقية تتضمن انحناءات سلوكية. فعندما يفرض الباحث نموذجاً خطياً مستقيماً على علاقة منحنية بالفعل (مثل شكل U)، فإن الخط المستقيم يحاول التوفيق بين الاتجاهين المتعاكسين (الصعود والهبوط)، مما ينتج عنه في كثير من الأحيان معامل انحدار خطي قريب من الصفر وقيمة معامل تحديد (R²) منعدمة أو مضللة إحصائياً، مما يقود الباحث إلى استنتاج خاطئ تماماً يفيد بعدم وجود علاقة بين المتغيرين، في حين أن العلاقة موجودة وقوية جداً ولكنها غير خطية.

تُعرف هذه المشكلة في الأدبيات المنهجية المتقدمة بـ “خطأ توصيف النموذج” (Model Misspecification). يؤدي خطأ التوصيف هذا إلى تضخيم تباين البواقي ووجود أنماط منتظمة غير عشوائية في مخططات الأخطاء، مما ينتهك الافتراضات الإحصائية الكلاسيكية لنموذج المربعات الصغرى العادية (OLS). وبناءً عليه، فإن الانتقال إلى الانحدار التربيعي يسهم بصورة مباشرة في خفض تباين الخطأ غير المفسر ورفع القدرة التنبؤية للنموذج عبر زيادة نسبة التباين المفسر (R² Change)، مما يوفر تقديرات غير متحيزة للمعلمات الإحصائية تعكس الواقع الظاهراتي للبيانات النفسية بدقة متناهية.

2. الافتراضات الإحصائية الواجب استيفاؤها قبل تطبيق الانحدار التربيعي

2.1 فحص طبيعية توزيع البواقي واستقلالية المشاهدات

يتطلب نموذج الانحدار التربيعي، بوصفه امتداداً لنماذج المربعات الصغرى الخطية العامة، استيفاء مجموعة صارمة من الافتراضات الإحصائية لضمان كفاءة التقديرات وصحة اختبارات الدلالة الإحصائية (F-test و t-test). يأتي في مقدمة هذه الشروط افتراض التوزيع الطبيعي للبواقي (Normality of Residuals)؛ حيث يفترض النموذج أن أخطاء التنبؤ تتوزع حول الصفر وفق التوزيع الطبيعي المعياري. لا يشترط النموذج التوزيع الطبيعي المطلق للمتغيرات الخام ذاتها بقدر ما يشترطه لبواقي النموذج بعد استخراج أثر المتغيرات المستقلة والتربيعية.

يمكن فحص هذا الافتراض في SPSS من خلال فحص الرسوم البيانية للتوزيع التراكمي الطبيعي المتبقي (Normal P-P Plot of Regression Standardized Residual) حيث ينبغي أن تتطابق النقاط المشاهدة للبواقي مع الخط المائل المرجعي ذي الزاوية 45 درجة دون انحرافات نسقية كبيرة، بالإضافة إلى فحص المدرج التكراري (Histogram) للبواقي المعيارية مع منحنى التوزيع الطبيعي المتراكب. وللفحص العددي الدقيق، يمكن استخراج البواقي غير المعيارية وإجراء اختبار شابيرو-ويلك (Shapiro-Wilk Test) للعينات الصغيرة والمتوسطة (N < 2000) أو اختبار كولموجوروف-سميرنوف للعينات الكبيرة، حيث تدل قيمة الدلالة الإحصائية (p > .05) على عدم انتهاك شرط التوزيع الطبيعي.

أما بالنسبة لاستقلالية المشاهدات والأخطاء (Independence of Errors)، فيشترط أن تكون المشاهدات مستقلة تماماً عن بعضها البعض دون وجود ارتباط ذاتي تسلسلي (Autocorrelation). يتم تقييم هذا الشرط من خلال إحصائية ديربن-واتسون (Durbin-Watson Test)، والتي تتراوح قيمتها النظرية بين 0 و 4. تعتبر القيم القريبة من 2.0 (وتحديداً في المدى المقبول بين 1.5 و 2.5) مؤشراً قوياً على استقلالية الأخطاء وعدم وجود ارتباط ذاتي بين الملاحظات المتتالية. يؤدي انتهاك هذا الافتراض إلى تقليل مصطنع للأخطاء المعيارية، مما يزيد من احتمالية ارتكاب الخطأ من النوع الأول (Type I Error) ورفض الفرضية الصفرية بشكل زائف.

2.2 تجانس تباين البواقي (Homoscedasticity) وغياب القيم المتطرفة المؤثرة

يعد افتراض تجانس تباين الأخطاء العشوائية من الركائز البنيوية للانحدار التربيعي، ويعني هذا الافتراض أن تشتت وتباين البواقي يظل ثابتاً عبر جميع مستويات القيم المتنبأ بها لمتغير الاستجابة. يمكن التحقق من هذا الافتراض بيانياً عبر إنشاء مخطط تشتت يربط بين القيم المتنبأ بها المعيارية (ZPRED) على المحور الأفقي والبواقي المعيارية للنموذج (ZRESID) على المحور الرأسي. يجب أن تظهر النقاط في هذا المخطط كشكل مستطيل أو شريط سحابي عشوائي وموزع بانتظام حول خط الصفر الأفقي، دون أن تأخذ شكلاً قمعياً (Funnel shape) أو نمط مروحة يتسع مع زيادة القيم، حيث يشير النمط القمعي إلى عدم تجانس التباين (Heteroscedasticity) مما يتطلب تطبيق تحويلات لوغاريتمية أو استخدام الأخطاء المعيارية القوية (Robust Standard Errors).

تتسم النماذج التربيعية بحساسية فائقة لوجود القيم الشاذة والمتطرفة المؤثرة (Influential Outliers)؛ نظراً لأن تربيع المتغير المستقل يؤدي إلى مضاعفة قيم الأطراف بشكل هندسي، مما يمنح الملاحظات المتطرفة قوة سحب جبارة (High Leverage) قادرة على إمالة المنحنى التربيعي بالكامل وتغيير موضع نقطة الانقلاب أو حتى عكس إشارة المعامل التربيعي بشكل مصطنع. للكشف عن هذه الحالات في SPSS، يتم الاعتماد على المعايير الإحصائية التالية:

• مسافة كوك (Cook’s Distance): تُقيس مدى التغير الإجمالي في معاملات الانحدار في حال حذف حالة معينة. تعتبر أي قيمة تتجاوز 1.0 (أو المعيار الأكثر تحفظاً: 4 / N) مؤشراً على وجود حالة مؤثرة بشكل سلبي تتطلب الفحص والتدقيق.
• قيم الرافعة المعيارية (Centered Leverage Values): تُقيس مدى ابتعاد قيم المتغيرات المستقلة لحالة ما عن مركز متوسطات العينة. تُعد القيم التي تتجاوز ضعف أو ثلاثة أضعاف متوسط الرافعة (3k + 1) / N (حيث k هو عدد المتنبئات) حالات حرجة.
• البواقي الطلابية المحذوفة (Studentized Deleted Residuals): تُستخدم لتحديد الحالات الشاذة في المتغير التابع، وتعتبر الحالات التي تتجاوز قيمتها المطلقة ±3 حالات متطرفة تستوجب التدخل المنهجي.

2.3 طبيعة مستويات القياس للمتغيرات التابعة والمستقلة

يفرض نموذج الانحدار التربيعي شروطاً محددة بخصوص مستويات القياس للمتغيرات المدرجة في التحليل. يتطلب التحليل بالأساس أن يكون المتغير التابع (Y) مقاساً على مستوى كمي متصل، أي مقياس فترة (Interval Scale) أو مقياس نسبة (Ratio Scale). وفي ميدان العلوم النفسية والتربوية، يُقبل تطبيق الانحدار التربيعي على المتغيرات المقاسة بمقاييس ليكرت المركبة (Composite Likert Scales) التي تُشتق من جمع أو حساب متوسط مجموعة من الفقرات المترابطة التي تقيس بعداً نفسياً واحداً، شريطة أن تُظهر استمرارية مقبولة وتوزيعاً سلساً يقترب من الطبيعي.

أما بالنسبة للمتغير المستقل الأساسي (X)، فيجب أن يكون أيضاً متغيراً كمياً متصلاً يسمح بالتربيع والاشتقاق الرياضي المستمر. لا يمكن تطبيق الانحدار التربيعي مباشرة على المتغيرات الاسمية (Nominal) أو الترتيبية البسيطة (Ordinal) ذات الفئات القليلة المحدودة؛ إذ إن تربيع متغير رمزي أو رتبي يفقد المعنى الرياضي للنمذجة المنحنية. ومع ذلك، يمكن للباحث إدراج متغيرات تصنيفية فئوية في نموذج الانحدار التربيعي بوصفها متغيرات ضابطة (Control Variables / Covariates) بعد تحويلها إلى متغيرات وهمية ثنائية (Dummy Variables).

3. إعداد وهيكلة البيانات داخل برنامج SPSS

3.1 تعريف المتغيرات وضبط خصائصها في نافذة Variable View

يمثل الإعداد السليم لقاعدة البيانات في نافذة مصفوفة المتغيرات (Variable View) داخل برنامج SPSS الخطوة الإجرائية الأولى لضمان دقة العمليات الحسابية ومنع وقوع أخطاء في معالجة البرمجية للمعادلات الرياضية. يتطلب ذلك الدخول إلى واجهة المتغيرات وضبط الحقول بدقة متناهية لكل من المتغير التابع والمتغيرات المستقلة المراد دراستها.

في حقل الاسم (Name)، يجب كتابة أسماء برمجية واضحة وموجزة تخلو من المسافات والرموز الخاصة، كأن نطلق على المتغير التابع اسم WellBeing وعلى المتغير المستقل الأساسي اسم WorkHours. وفي حقل الوصف والوسم (Label)، يُستحسن كتابة الاسم الكامل والواضح للظاهرة المقاسة (مثل: “مستوى الرفاه النفسي العام” و”عدد ساعات العمل الأسبوعية الفعلية”). والأهم من ذلك هو ضبط حقل مقياس القياس (Measure)؛ حيث يجب تعيين كلاً من المتغير التابع والمستقل على خيار Scale لكي يتعرف البرنامج على طبيعتهما الكمية المستمرة، مع ضبط عدد الخانات العشرية (Decimals) برقم مناسب (غالباً خانتان عشريتان) لضمان الدقة الحسابية.

3.2 معالجة القيم المفقودة وتنقية قاعدة البيانات

تؤثر البيانات المفقودة (Missing Data) بشكل مباشر على جودة وموثوقية تحليلات الانحدار المتعدد والتربيعي، حيث يترتب على وجود الفقدان انخفاض الحجم الفعلي للعينة وتراجع القوة الإحصائية (Statistical Power) لاكتشاف التأثيرات المنحنية الدقيقة، بالإضافة إلى احتمالية إدخال تحيز منهجي إذا كان نمط الفقدان غير عشوائي. قبل الشروع في بناء النموذج التربيعي، يتعين على الباحث تقييم طبيعة الفقدان باستخدام أدوات تحليل القيم المفقودة في SPSS عبر القائمة:

Analyze > Missing Value Analysis...

يتيح هذا الإجراء فحص نمط الفقدان والتأكد مما إذا كانت البيانات مفقودة تماماً بشكل عشوائي (MCAR – Missing Completely at Random) باستخدام اختبار ليتل (Little’s MCAR Test). إذا كانت نسبة الفقدان ضئيلة جداً (أقل من 5%) وتتبع نمط MCAR، يمكن الاعتماد على خيار الحذف في القائمة (Listwise Deletion). أما إذا تجاوزت نسبة الفقدان ذلك، فينبغي اللجوء إلى الأساليب التعويضية المتقدمة مثل خوارزمية تعظيم التوقع (Expectation-Maximization – EM) أو التعويض المتعدد (Multiple Imputation) المدمجة في SPSS لضمان الحفاظ على حجم العينة وسلامة التقديرات الإحصائية.

3.3 إجراء الإحصاء الوصفي الاستكشافي للبيانات الخام

يُعد استكشاف الخصائص الإحصائية الوصفية للبيانات الخام مرحلة تمهيدية حتمية للتحقق من الملامح العامة للتوزيع وكشف أي تشوهات في الدرجات قبل الشروع في إجراء التحويلات الرياضية. يتم ذلك عبر الولوج إلى القائمة التالية في برنامج SPSS:

Analyze > Descriptive Statistics > Descriptives...

من خلال نافذة الخيارات (Options)، يتم تفعيل حساب المتوسط الحسابي (Mean)، والانحراف المعياري (Std. Deviation)، والقيمتين الدنيا والقصوى (Minimum & Maximum)، بالإضافة إلى معاملي الالتواء (Skewness) والتفرطح (Kurtosis) وأخطائهما المعيارية. يُستدل على اعتدالية التوزيع عندما تقع قيمتا الالتواء والتفرطح المعياريتين (الناتجة عن قسمة القيمة الإحصائية على خطئها المعياري) ضمن المدى من -1.96 إلى +1.96 عند مستوى دلالة .05، أو ضمن المدى الأوسع [-2, +2] المقبول في العلوم السلوكية. يوفر هذا الفحص خط الأساس الذي سيتم الاستناد إليه في العمليات اللاحقة وخاصة مرحلة التوسيط الحسابي.

4. الاستكشاف البصري للعلاقة عبر المخطط المبعثر (Scatterplot)

4.1 إنشاء مخطط التشتت البسيط باستخدام أداة Chart Builder

يُعد الفحص البصري التمهيدي من أهم الخطوات المنهجية قبل إجراء أي نمذجة تربيعية رسمية؛ إذ يوفر المخطط المبعثر (Scatterplot) رؤية حدسية مباشرة لشكل توزيع البيانات وطبيعة المسار الهندسي الذي يربط بين المتغيرين. لإنشاء مخطط التشتت في SPSS بأعلى درجات الدقة والتحكم، يتم استخدام أداة منشئ المخططات (Chart Builder) باتباع المسار التالي:

Graphs > Chart Builder...

من معرض المخططات (Gallery) في الجزء السفلي من النافذة، يتم اختيار فئة Scatter/Dot، ثم سحب المخطط المبعثر البسيط (Simple Scatter) وإفلاته في مساحة المعاينة التفاعلية العلوية (Chart canvas). بعد ذلك، يتم سحب المتغير المستقل (مثل WorkHours) وإفلاته على المحور الأفقي (X-Axis)، وسحب المتغير التابع (مثل WellBeing) وإفلاته على المحور الرأسي (Y-Axis). يُضغط بعد ذلك على زر OK لتوليد الرسم في شاشة عارض المخرجات (Output Viewer).

4.2 إضافة وتراكب خطوط المطابقة الخطية والتربيعية (Fit Lines)

بعد توليد الرسم البياني الأولي، تأتي خطوة تراكب خطوط المطابقة الرياضية للمقارنة البصرية المباشرة بين النموذج الخطي والنموذج التربيعي وتحديد مدى تفوق المنحنى في تمثيل البيانات. لتنفيذ ذلك في SPSS:

1. يتم النقر المزدوج (Double-Click) فوق الرسم البياني المولد في شاشة المخرجات لفتح نافذة Chart Editor (محرر المخططات).
2. من شريط الأدوات العلوي أو من قائمة Elements، يتم النقر على أيقونة Add Fit Line at Total (إضافة خط مطابقة كلي).
3. تفتح تلقائياً نافذة الخصائص (Properties) عند تبويب Fit Line. سيظهر النموذج الخطي (Linear) مفعلاً بشكل افتراضي كخط مستقيم يمر عبر النقاط مع عرض قيمة معامل التحديد الخطي (R²).
4. لتقييم النموذج المنحني، يتم تغيير خيار المطابقة بتحديد الدائرة المقابلة للخيار التربيعي Quadratic، ثم النقر على زر Apply.

عند تطبيق هذا الإجراء، يُعيد SPSS رسم خط المطابقة على هيئة منحنى مكافئ (Parabola) منحنٍ بدقة فوق سحابة النقاط، مع تحديث ملصق الرسم لعرض قيمة معامل التحديد التربيعي (R²). تتيح هذه المقارنة اللحظية ملاحظة مدى قدرة المنحنى التربيعي على التقاط مسار البيانات مقارنة بالخط المستقيم العاجز عن التكيف مع تغيرات الاتجاه.

4.3 التحليل البصري لأنماط التشتت ونقاط التحول

يتطلب التحليل البصري لمخطط التشتت بعد تراكب المنحنى التربيعي فحصاً نقدياً لثلاثة عناصر أساسية:

• شكل الانحناء واتجاه التقعر: يجب مراقبة ما إذا كانت سحابة النقاط تظهر نمطاً تصاعدياً في البداية يتبعه هبوط تدريجي (مما يشير إلى منحنى U مقلوب بتأثير تربيعي سالب)، أم تظهر نمطاً تنازلياً يتبعه صعود وارتداد (مما يشير إلى شكل U بتأثير تربيعي موجب).
• الموقع التقريبي لذروة المنحنى أو قاعه (Vertex): يساعد الفحص البصري في تحديد النطاق العددي على المحور الأفقي (X) الذي يحدث عنده الانعطاف في اتجاه العلاقة، ومقارنة هذا الموضع بمدى البيانات الفعلي للتأكد من أن نقطة التحول تقع داخل النطاق الواقعي للمشاهدات وليس خارجه.
• تحسن التباين المفسر (R²): تُعد الزيادة الملحوظة في قيمة R² للخط التربيعي مقارنة بالخط الخطي مؤشراً بصرياً قوياً يبرر للمحلل المضي قدماً في إجراء اختبارات الانحدار التربيعي الهرمية والتحقق من دلالتها إحصائياً.

5. التعامل مع مشكلة التعددية الخطية وتوسيط المتغيرات (Mean-Centering)

5.1 فهم مشكلة التعددية الخطية الناتجة عن تربيع المتغيرات

عند إجراء الانحدار التربيعي بالطريقة التقليدية المباشرة، أي عبر تربيع قيم المتغير المستقل الخام (X² = X * X)، يواجه النموذج الإحصائي معضلة رياضية خطيرة تُعرف بـ التعددية الخطية الهيكلية (Structural Multicollinearity). تنشأ هذه المشكلة لأن قيم المتغير ومربعه تكون بالضرورة مرتبطة ببعضها ارتباطاً وثيقاً وفائق الارتفاع (قد يتجاوز معامل الارتباط r = .95 في كثير من البيانات الإيجابية الخام)، وهو ارتباط ناتج عن العملية الحسابية للتربيع وليس عن طبيعة الظاهرة النفسية في حد ذاتها.

تؤدي التعددية الخطية الشديدة بين المتغير الخطي والحد التربيعي إلى تضخيم غير طبيعي للأخطاء المعيارية لمعاملات الانحدار (Inflated Standard Errors)، مما يقلل بشكل حاد من حساسية وقوة اختبارات t للدلالة الإحصائية، ويجعل تقديرات المعاملات غير مستقرة وعالية التقلب؛ حيث قد يصبح أحد المعاملين أو كلاهما غير دال إحصائياً رغم وجود أثر كلي فائق الدلالة للنموذج، كما يجعل من المستحيل تقريباً فصل الأثر الخطي المستقل عن الأثر التربيعي التراكمي.

5.2 خطوات إجراء التوسيط الحسابي (Mean-Centering) في SPSS

يُمثل التوسيط الحسابي حول المتوسط (Mean-Centering) الحل الإحصائي والمنهجي المعياري الموصى به عالمياً (وفق كتابات كبار الإحصائيين مثل Aiken & West, 1991) للتخلص التام من التعددية الخطية الهيكلية. يقوم التوسيط على طرح المتوسط الحسابي العام للمتغير المستقل من كل درجة خام من درجات المشاركين، مما ينقل مركز المقياس ونقطة الصفر إلى المتوسط الحسابي للعينة. يتم تنفيذ هذه العملية في SPSS عبر مرحلتين دقيقتين:

المرحلة الأولى: استخراج المتوسط الحسابي الدقيق للمتغير المستقل:

يتم الانتقال إلى Analyze > Descriptive Statistics > Descriptives... ونقل المتغير المستقل (مثل WorkHours)، ثم الضغط على OK. لنفترض أن مخرجات التحليل أظهرت أن المتوسط الحسابي للمتغير هو Mean = 40.25.

المرحلة الثانية: حساب المتغير الموسط عبر دالة Compute Variable:

1. يتم التوجه إلى القائمة الرئيسية واختيار: Transform > Compute Variable...
2. في حقل المتغير الهدف (Target Variable)، يتم كتابة اسم المتغير الموسط الجديد، وليكن: WorkHours_centered.
3. في مربع التعبير الرياضي (Numeric Expression)، تتم صياغة معادلة الطرح بإدخال المتغير الأصلي مطروحاً منه المتوسط المحسوب:
   
   WorkHours - 40.25
4. يتم الضغط على OK لتنفيذ العملية الحسابية.

عند فحص المتغير الجديد في نافذة Data View، سيظهر عمود جديد يحتوي على الدرجات الموسطة، حيث تصبح درجات الأفراد الذين يعملون ساعات أعلى من المتوسط موجبة، بينما تصبح درجات من يعملون ساعات أقل من المتوسط سالبة، وتصبح درجة الفرد الواقع عند المتوسط مساوية للصفر تماماً.

5.3 فوائد التوسيط في تسهيل تفسير معاملات الانحدار

لا تقتصر فوائد التوسيط الحسابي على إزالة التعددية الخطية وخفض مؤشرات تضخم التباين (VIF) إلى مستوياتها المثالية المنخفضة فحسب، بل تمتد لتمنح معاملات النموذج الإحصائي معنى وتفسيراً سيكولوجياً وتطبيقياً فائق الوضوح والجدوى:

• إعادة تعريف وتفسير الحد الثابت (β0): في النماذج غير الموسطة، يمثل الثابت قيمة Y عندما يكون المتغير X مساوياً للصفر المطلق، وهو ما قد يكون مستحيلاً أو عديم المعنى سيكولوجياً (مثل التنبؤ بسعادة شخص يعمل صفر ساعات أو معدل ذكائه صفر). أما بعد التوسيط، يصبح الثابت الإحصائي (β0) يمثل بدقة القيمة المتوقعة للمتغير التابع عند متوسط المتغير المستقل في العينة.
• إعادة تعريف المعامل الخطي (β1): يتحول تفسير المعامل الخطي ليصبح الميل اللحظي للعلاقة عند نقطة متوسط المتغير المستقل تحديداً، مما يعكس اتجاه وسرعة التغير للأفراد الذين يمتلكون مستويات متوسطة من السمة.
• الحفاظ التام على المعامل التربيعي (β2) ونسبة التباين المفسر: من الناحية الرياضية، فإن التوسيط الحسابي لا يغير على الإطلاق من قيمة المعامل التربيعي (β2)، ولا من خطئه المعياري، ولا من قيمة الدلالة الإحصائية له، ولا من معامل التحديد الإجمالي (R²) وتغيره (ΔR²)؛ فالمنحنى يحتفظ بهندسته وتحدبه الأصليين بالكامل مع مجرد إزاحة أفقية لمحور الإحداثيات نحو المركز.

6. حساب المتغير التربيعي باستخدام دالة Compute Variable

6.1 إنشاء المتغير التربيعي من المتغير الموسط

بعد إتمام عملية توسيط المتغير المستقل بنجاح، تأتي الخطوة الحسابية التالية وهي توليد الحد التربيعي (Quadratic Term) بالاعتماد حصراً على المتغير الموسط (وليس المتغير الخام الأصلي). تُنفذ هذه الخطوة داخل SPSS باستخدام نافذة حساب المتغيرات باتباع الخطوات التفصيلية التالية:

1. الولوج إلى القائمة العلوية واختيار: Transform > Compute Variable...
2. الضغط على زر Reset لمسح أي معادلات أو أسماء سابقة تم إدخالها في النافذة.
3. في خانة المتغير الهدف (Target Variable)، يتم كتابة اسم برمجى معبر للمتغير التربيعي الجديد، مثل: WorkHours_centered_sq.
4. في خانة التعبير الرياضي (Numeric Expression)، يتم كتابة الصيغة الرياضية لتربيع المتغير الموسط، ويمكن صياغتها بإحدى طريقتين متكافئتين في لغة SPSS:
   
   WorkHours_centered ** 2
   
   أو
   
   WorkHours_centered * WorkHours_centered
5. النقر على زر OK لتنفيذ العملية الحسابية وتوليد العمود في قاعدة البيانات.

6.2 التحقق من صحة الحسابات البرمجية وتناسق البيانات

يجب على الباحث، كجزء من الممارسات المنهجية الرصينة لضبط جودة البيانات، إجراء فحص ومراجعة سريعة للعمود المتولد حديثاً في شاشة عرض البيانات (Data View) للتحقق من النقاط التالية:

• إيجابية كافة القيم التربيعية: نظراً لأن حاصل ضرب أي رقم في نفسه (سواء كان موجباً أو سالباً) يجب أن يكون قيمة موجبة أو صفراً، يجب التأكد من عدم وجود أي أرقام سالبة على الإطلاق في عمود WorkHours_centered_sq. أدنى قيمة ممكنة في هذا العمود يجب أن تكون مساوية أو قريبة جداً من الصفر (للأفراد الذين تطابقت درجاتهم مع المتوسط).
• مطابقة عدد الحالات: التحقق من أن عدد القيم الصالحة في عمود المتغير التربيعي يتطابق تطابقاً تاماً مع عدد حالات المتغير الموسط والمتغير الأصلي دون توليد قيم مفقودة جديدة غير مبررة.
• فحص عينة عشوائية: اختيار حالتين أو ثلاث حالات يدوياً والتأكد من صحة تطبيق العملية الحسابية؛ فمثلاً إذا كانت قيمة المتغير الموسط لأحد الأفراد هي -3.00، فيجب أن تكون قيمته التربيعية المقابلة هي 9.00 تماماً.

7. تنفيذ الانحدار التربيعي عبر طريقة الانحدار الخطي الهرمي (Hierarchical Method)

7.1 إعداد النموذج الهرمي متعدد الكتل (Block-by-Block Setup)

تُعد طريقة الانحدار الخطي الهرمي (Hierarchical / Sequential Polynomial Regression) المعيار الذهبي والأكثر رصانة في الأبحاث السلوكية والنفسية لاختبار العلاقات التربيعية؛ إذ تتيح للباحث اختبار ما إذا كان المنحنى التربيعي يضيف قدرة تنبؤية وتفسيرية حقيقية ودالة إحصائياً إلى النموذج تفوق ما يفسره النموذج الخطي البسيط بمفرده. يتم إعداد هذا التحليل في SPSS باتباع الخطوات الدقيقة التالية:

1. الانتقال عبر القوائم الرئيسية إلى مسار الانحدار الخطي:
   
   Analyze > Regression > Linear...
2. نقل المتغير التابع (مثل: WellBeing) إلى مربع Dependent.
3. إعداد الكتلة الأولى (Block 1 of 1): يتم إدخال المتغير المستقل الموسط الخطي فقط (WorkHours_centered) في مربع Independent(s). إذا كان لدى الباحث متغيرات ضابطة (مثل العمر والجنس)، يتم إدخالها أيضاً في هذه الكتلة الأولى. يتم الإبقاء على طريقة الإدخال Enter.
4. إعداد الكتلة الثانية (Block 2 of 2): يتم النقر على زر Next الموجود أعلى مربع المتغيرات المستقلة؛ ليتحول النص إلى (Block 2 of 2). يتم الآن إدخال المتغير التربيعي المحسوب فقط (WorkHours_centered_sq) في مربع Independent(s) مع الإبقاء على طريقة Enter.

7.2 تحديد الخيارات الإحصائية والمخرجات المطلوبة (Statistics & Plots)

للحصول على التقرير التشخيصي المتكامل لاختبار الفرضيات والتحقق من صلاحية النموذج وافتراضاته، يجب ضبط الخيارات الإضافية في النوافذ الفرعية قبل تشغيل التحليل:

1. نافذة الإحصاءات (Statistics):

• تفعيل خيار Estimates وخيار Model fit (مفعلان تلقائياً).
• تفعيل خيار R squared change: وهو الخيار الأهم لاختبار الدلالة الإحصائية للقيمة المضافة للحد التربيعي.
• تفعيل خيار Confidence intervals (بنسبة 95%) للحصول على فترات الثقة لمعاملات الانحدار.
• تفعيل خيار Collinearity diagnostics لفحص مؤشرات التعددية الخطية (VIF و Tolerance) والتأكد من نجاح عملية التوسيط.
• تفعيل خيار Durbin-Watson لتقييم استقلالية الأخطاء والبواقي.
• تفعيل خيار Casewise diagnostics وتحديد خيار (Outliers outside 3 standard deviations) لرصد الحالات الشاذة والمؤثرة.
• الضغط على Continue.

2. نافذة الرسوم البيانية للبواقي (Plots):

• نقل المتغير *ZRESID إلى مربع المحور الرأسي Y.
• نقل المتغير *ZPRED إلى مربع المحور الأفقي X (لفحص تجانس التباين والخطية).
• تفعيل خياري Histogram و Normal probability plot (لفحص طبيعية توزيع البواقي).
• الضغط على Continue.

7.3 تشغيل التحليل وإنشاء جداول المخرجات

بعد ضبط كافة المعلمات والمتغيرات والخيارات التشخيصية بدقة، يتم النقر على زر OK في النافذة الرئيسية لتنفيذ التحليل الإحصائي. سيقوم برنامج SPSS ببناء وتشغيل نموذجين متتاليين ومقارنتهما في مخرجات شاشة النتائج (Output Viewer):

• النموذج 1 (Model 1): يمثل النموذج الخطي الأساسي ويتضمن المتغير الخطي الموسط فقط.
• النموذج 2 (Model 2): يمثل النموذج التربيعي الكامل المتراكم ويتضمن كلاً من المتغير الخطي الموسط والحد التربيعي معاً.

يتم حفظ ملف المخرجات بصيغة .spv تمهيداً للشروع في القراءة التحليلية والتفسيرية المنهجية للجداول الإحصائية المرافقة.

8. تنفيذ الانحدار التربيعي عبر ميزة تقدير المنحنى (Curve Estimation)

8.1 الوصول إلى نافذة Curve Estimation وتحديد المتغيرات

يوفر برنامج SPSS أداة مدمجة ومباشرة لتقدير مختلف النماذج غير الخطية تُعرف باسم أداة “تقدير المنحنى” (Curve Estimation). تُعد هذه الأداة وسيلة استكشافية فائقة السرعة تتيح مقارنة فورية بين طيف واسع من الدوال الرياضية المنحنية واختبار جودة مطابقتها للبيانات الميدانية. للوصول إلى هذه الأداة في SPSS، يتم اتباع المسار التالي:

Analyze > Regression > Curve Estimation...

في النافذة المنبثقة، يتم نقل المتغير التابع الكمي (مثل: WellBeing) إلى مربع المتغير التابع Dependent(s)، ونقل المتغير المستقل (مثل: WorkHours) إلى مربع المتغير المستقل Variable في خانة Independent.

8.2 تحديد النماذج الرياضية وخيارات العرض البياني

تتيح نافذة تقدير المنحنيات اختيار عدة نماذج رياضية ليتم تشغيلها ومقارنتها دفعة واحدة في نفس التقرير. للاستفادة المثلى من هذه الأداة في سياق الانحدار التربيعي، يتم ضبط الإعدادات التالية:

• في مربع النماذج (Models)، يتم تحديد خيارين معاً: خيار Linear (الخطي) وخيار Quadratic (التربيعي).
• التأكد من تفعيل مربع الاختيار Include constant in equation؛ وذلك لضمان تضمين الحد الثابت (β0) في المعادلة التقديرية.
• تفعيل خيار Plot models؛ وهو الإجراء الذي يوجه البرنامج لتوليد رسم بياني متراكب عالي الدقة يوضح نقاط البيانات المشاهدة مع منحنى النموذج الخطي ومنحنى النموذج التربيعي معاً في شكل بياني واحد.
• تفعيل خيار Display ANOVA table لعرض جداول تحليل التباين التفصيلية واختبارات F لكل نموذج رياضي على حدة.
• الضغط على زر OK لتوليد المخرجات والرسوم البيانية المرافقة.

8.3 المقارنة بين طريقة تقدير المنحنى وطريقة الانحدار الهرمي

على الرغم من سهولة وسرعة ميزة تقدير المنحنى (Curve Estimation)، إلا أن هناك فروقاً منهجية جوهرية تجعل الباحثين يفضلون الانحدار الهرمي في الأبحاث المتقدمة المنشورة في المجلات الأكاديمية المحكمة:

• إدراج المتغيرات الضابطة (Control Variables): لا تسمح نافذة Curve Estimation إلا بوجود متغير مستقل واحد فقط؛ مما يحرم الباحث من إمكانية ضبط المتغيرات الديموغرافية أو العوامل الدخيلة (مثل العمر، والمستوى الاقتصادي)، في حين يتيح الانحدار الهرمي مرونة مطلقة لإدخال أي عدد من المتغيرات الضابطة في الكتلة الأولى قبل تقييم الأثر المنحني.
• التوسيط وتفسير المعاملات: تقوم أداة Curve Estimation بحساب الحد التربيعي على البيانات الخام مباشرة، مما يعيد إنتاج مشكلة التعددية الخطية الشديدة ويجعل تفسير المعامل الخطي مضللاً (لأنه يمثل الميل عند الصفر الخام)، بينما يعتمد الانحدار الهرمي على المتغيرات الموسطة التي تقدم معاملات واضحة وتفصل الأثر الخطي عند المتوسط بدقة بالغة.
• اختبار القيمة المضافة الرسمية (ΔR²): يوفر الانحدار الهرمي اختباراً إحصائياً رسمياً مباشراً (F Change Test) لاختبار ما إذا كان الانتقال من الخطية إلى التربيع يمثل تحسناً ذا دلالة إحصائية، وهو ما لا يوفره إجراء Curve Estimation بشكل مدمج.

9. القراءة التفسيرية التفصيلية لمخرجات التحليل في SPSS

9.1 تفسير جدول ملخص النموذج (Model Summary) والتغير في R²

يمثل جدول ملخص النموذج (Model Summary) المحطة المركزية الأولى في قراءة نتائج الانحدار الهرمي؛ حيث يتضمن المؤشرات المقارنة بين النموذج الخطي (Model 1) والنموذج التربيعي (Model 2):

• معامل التحديد الكلي (R Square – R²): يوضح نسبة التباين في المتغير التابع التي يفسرها النموذج. في النموذج 1، يعكس R² نسبة التباين المفسرة بالأثر الخطي فقط (مثلاً R² = .145 أي 14.5%). أما في النموذج 2، فإن R² يعكس إجمالي التباين المفسر بواسطة المتغير الخطي والتربيعي معاً (مثلاً R² = .282 أي 28.2%).
• معامل التحديد المعدل (Adjusted R Square): يُعد أكثر تحفظاً وموثوقية لتقييم النموذج؛ نظراً لأنه يضبط قيمة R² بناءً على عدد المتنبئات وحجم العينة، ويحول دون التضخم المصطنع لنسبة التباين المفسر عند إضافة حدود رياضية إضافية.
• التغير في معامل التحديد (R Square Change – ΔR²): يمثل الفارق الصافي بين R² للنموذج الثاني و R² للنموذج الأول (في مثالنا: ΔR² = .282 – .145 = .137). تدل هذه القيمة على أن إضافة الحد التربيعي أسهمت بمفردها في تفسير 13.7% إضافية من تباين المتغير التابع لم يستطع النموذج الخطي تفسيرها.
• دلالة التغير في إحصائية ف (Sig. F Change): تُعد هذه القيمة هي الحكم الإحصائي القاطع لإثبات أو نفي وجود علاقة تربيعية منحنية؛ فإذا كانت قيمة Sig. F Change < .05 (أو < .001)، فإننا نرفض الفرضية الصفرية ونتأكد من أن الأثر المنحني حقيقي وذو دلالة إحصائية فائقة ولا يُعزى للصدفة العشوائية.
• الخطأ المعياري للتقدير (Std. Error of the Estimate): يعبر عن متوسط تشتت الدرجات الفعلية حول خط أو منحنى الانحدار. يلاحظ انخفاض هذه القيمة في النموذج 2 مقارنة بالنموذج 1، مما يؤكد زيادة دقة التنبؤ وتراجع أخطاء النمذجة.

9.2 تحليل جدول تحليل التباين (ANOVA Table) والدلالة الكلية

يوفر جدول تحليل التباين (ANOVA) تقييماً شاملاً للصلاحية الإحصائية الكلية لكل نموذج من النماذج المتتالية مقارنة بالنموذج الصفري (نموذج المتوسط العام الخالي من المتنبئات):

• مجموع المربعات (Sum of Squares): يُقسم إجمالي التباين (Total Sum of Squares) إلى جزأين: مجموع مربعات الانحدار المفسر (Regression) ومجموع مربعات البواقي غير المفسرة (Residual). في النموذج التربيعي (Model 2)، يزداد مجموع مربعات الانحدار وينخفض مجموع مربعات البواقي مقارنة بالنموذج 1، مما يعكس زيادة كفاءة النموذج.
• درجات الحرية (df): لنموذج الانحدار، تمثل درجات الحرية عدد المتنبئات المدرجة (df = 1 للنموذج الأول، و df = 2 للنموذج الثاني). أما درجات حرية البواقي فتمثل (N – k – 1)، حيث N هو حجم العينة و k هو عدد المتنبئات.
• إحصائية ف العامة (F-statistic) وقيمة الدلالة (Sig.): تختبر إحصائية F ما إذا كانت النسبة بين متوسط مربعات الانحدار إلى متوسط مربعات البواقي أكبر من المتوقع بموجب الصدفة. يشير حصول النموذج 2 على قيمة F دالة إحصائياً (p < .001) إلى أن النموذج التربيعي ككل يمتلك قدرة تنبؤية فائقة ويعتبر صالحاً للاعتماد الإحصائي.

9.3 تفسير جدول المعاملات (Coefficients Table) ومؤشرات التعددية

يحتوي جدول المعاملات على المعلمات التفصيلية اللازمة لبناء معادلة الانحدار واختبار دلالة كل حد من حدودها على حدة، مع التركيز على قراءة Model 2 (النموذج الكامل بعد إدخال الحد التربيعي):

• المعاملات غير المعيارية (Unstandardized Coefficients – B):
  • الحد الثابت (Constant – B): يمثل القيمة المتوقعة للمتغير التابع عند متوسط المتغير المستقل (نظراً لاستخدام المتغيرات الموسطة).
  • المعامل الخطي الموسط (Linear B): يمثل اتجاه وميل المنحنى عند نقطة المتوسط الحسابي. إذا كانت قيمته موجبة ودالة، فهذا يعني أن العلاقة عند المتوسط تتجه تصاعدياً.
  • المعامل التربيعي الموسط (Quadratic B): يمثل اتجاه تقعر المنحنى وشدة انحنائه. إذا كانت إشارته سالبة (مثلاً B = -0.045) ودالة إحصائياً عند مستوى (p < .05)، فإن هذا يؤكد رسمياً نمط U المقلوب (Inverted U-shape) ووجود تأثير العائد المتناقص.
• الخطأ المعياري (Std. Error): يقيس دقة تقدير كل معامل؛ وتدل الأخطاء المعيارية المنخفضة على استقرار التقديرات.
• المعاملات المعيارية (Standardized Coefficients – Beta): تسمح بمقارنة الأهمية النسبية للمتغيرات، وتكون مفيدة خصوصاً عند وجود متغيرات ضابطة متعددة مقاسة بوحدات مختلفة.
• اختبار ت والدلالة (t-value & Sig.): يختبر الفرضية الصفرية القائلة بأن قيمة المعامل تساوي صفراً في مجتمع الدراسة. تشير الدلالة الإحصائية للحد التربيعي (p < .05) إلى ضرورة الإبقاء عليه في النموذج.
• تشخيصات التعددية الخطية (Collinearity Statistics):
  • معامل التحمل (Tolerance): يجب أن يكون أكبر من 0.20 (والمثالي > 0.70).
  • معامل تضخم التباين (VIF): يجب أن يكون أقل من 5.0 (والمثالي < 2.0). بفضل إجراء التوسيط الحسابي، ستظهر قيم VIF للحد الخطي والتربيعي منخفضة جداً وقريبة من 1.0، مما يؤكد التخلص الكامل من التعددية الهيكلية.

10. حساب نقطة التحول وتفسير الاتجاه المنحني في السياق النفسي

10.1 الاشتقاق الرياضي لحساب نقطة التحول (Inflection / Turning Point)

لا يكتمل التحليل الإحصائي للنموذج التربيعي بمجرد إثبات دلالة المعاملات، بل يتعين على الباحث استخراج الإحداثيات الرياضية الدقيقة لـ “نقطة التحول” أو ذروة المنحنى (Vertex / Turning Point). تمثل هذه النقطة المستوى الحرج أو الأمثل للمتغير المستقل الذي ينقلب عنده مسار العلاقة وتتحول المشتقة الأولى للدالة من الموجب إلى السالب (أو العكس). يتم اشتقاق هذه النقطة عبر تطبيق قواعد التفاضل والتكامل على معادلة الانحدار التقديرية:

معادلة النموذج: Y = B0 + B1(X_c) + B2(X_c)²

بإجراء المشتقة الأولى بالنسبة للمتغير المستقل (dY/dX_c) ومساواتها بالصفر لتحديد نقطة النهاية العظمى أو الصغرى:

dY / dX_c = B1 + 2 * B2 * (X_c) = 0

وبحل المعادلة جبرياً لعزل المتغير المستقل الموسط (X_c_turning):

2 * B2 * (X_c) = -B1

X_c_turning = -B1 / (2 * B2)

إعادة التحويل إلى مقياس الدرجات الخام الأصلية:
نظراً لأن القيمة المحسوبة أعلاه تمثل نقطة التحول على مقياس المتغير الموسط، يجب إعادة تحويلها إلى المقياس الطبيعي الخام عبر إضافة المتوسط الحسابي الأصلي (Mean_X) الذي تم طرحه في مرحلة التوسيط:

X_raw_turning = X_c_turning + Mean_X

حساب القيمة التنبؤية القصوى أو الدنيا للمتغير التابع (Y_peak):
يتم تعويض قيمة (X_c_turning) المحسوبة مباشرة في معادلة الانحدار التقديرية لاستخراج أعلى (أو أدنى) درجة متوقعة للرفاه النفسي أو الأداء عند تلك النقطة الحرجة:

Y_turning = B0 + B1 * (X_c_turning) + B2 * (X_c_turning)²

10.2 التفسير السيكولوجي لطبيعة الانحناء (شكل U مقابل شكل U المقلوب)

يحمل الاتجاه المنحني دلالات سيكولوجية عميقة يجب على الباحث استعراضها وتفكيك مضامينها في مناقشة النتائج:

• منحنى U المقلوب (Inverted U-Shape / B2 < 0): يعكس نمط “المستوى الأمثل وتأثير التناقص الحاد” (Too-much-of-a-good-thing effect). يشير هذا النمط إلى أن الزيادة في المتغير المستقل تكون مفيدة ومرغوبة في مراحلها الأولى، مما يعزز المشاعر الإيجابية والأداء، ولكن بمجرد الوصول إلى نقطة التحول المثلى (X_raw_turning)، تصبح أي زيادة إضافية عبئاً نفسياً واستنزافاً للموارد المعرفية أو الجسدية، مما يؤدي إلى تراجع حاد في المتغير التابع. ومن الأمثلة التطبيقية: ساعات العمل الأسبوعية، والتمكين الوظيفي الزائد، والتركيز المفرط على التفاصيل.
• منحنى شكل U المعتدل (U-Shape / B2 > 0): يعكس نمط “الهبوط الأولي ثم التعافي والنمو” (Decline and Recovery / Paradoxical Effect). يوضح هذا النمط أن التعرض الأولي لمتغير ما قد يؤدي إلى اضطراب وهبوط مؤقت في المتغير التابع، ولكن مع استمرار التراكم وتجاوز نقطة القاع الحرجة، تبدأ عمليات التكيف واكتساب المهارات والتنظيم الذاتي، مما يقود إلى طفرة إيجابية وارتفاع ملحوظ في المخرجات. ومن الأمثلة التطبيقية: مراحل الصدمة الثقافية والتكيف، أو منحنيات القلق خلال برامج العلاج بالتعرض التدريجي.

10.3 توليد فترات الثقة والتنبؤات للقيم المنحنية

لإضفاء مزيد من الدقة المنهجية على التنبؤات، يتيح برنامج SPSS حفظ القيم التنبؤية الفردية وحساب فترات الثقة حول مسار المنحنى عند مختلف مستويات المتغير المستقل. يتم ذلك من خلال نافذة الانحدار الخطي عبر النقر على زر Save واختيار:

• Unstandardized Predicted Values: لحفظ الدرجات التنبؤية الدقيقة لكل مشارك في عمود جديد (PRE_1).
• Prediction Intervals (Mean & Individual 95%): لحساب حدود الثقة الدنيا والعليا لمسار المنحنى المتوسط وللحالات الفردية.

تُمكن هذه الإجراءات الباحث من رسم مناطق عدم اليقين (Confidence Bands) حول المنحنى المنشأ؛ مما يتيح تقييم الدقة التنبؤية للنموذج عند الأطراف المتطرفة لبيانات العينة، حيث تتسع فترات الثقة عادة عند الأطراف نتيجة قلة كثافة المشاهدات مقارنة بالمركز المزدحم حول المتوسط.

11. استكشاف وتشخيص مشكلات النماذج التربيعية والحلول الإحصائية

11.1 مشكلة فرط المطابقة (Overfitting) ومحدودية التعميم

تُعد مشكلة فرط المطابقة (Overfitting) من أبرز المخاطر المنهجية التي تهدد صلاحية النماذج التربيعية ومتعددة الحدود. تحدث هذه الظاهرة عندما يكون حجم العينة صغيراً نسبياً مقارنة بتعقيد النموذج، مما يجعل المنحنى التربيعي يقوم بمطابقة “الضوضاء العشوائية” (Random Noise) والفروق الصدفية الخاصة بالعينة بدلاً من مطابقة النمط الهيكلي الحقيقي للظاهرة في المجتمع الأصلي.

يؤدي فرط المطابقة إلى الحصول على قيم R² مرتفعة ومضللة داخل العينة الحالية، ولكن النموذج يفشل فشلاً ذريعاً عند محاولة تعميمه على عينات جديدة مستقلة. ولتفادي هذه المشكلة، ينبغي على الباحثين مراعاة الآتي:

• التحقق من حجم العينة الكافي: يوصى بأن لا يقل حجم العينة عن 150 إلى 200 مشارك على الأقل للنماذج التربيعية البسيطة لضمان استقرار تقديرات الانحناء.
• مراقبة معامل التحديد المعدل (Adjusted R²): إذا لوحظ وجود فجوة كبيرة بين R² و Adjusted R²، فهذا مؤشر تحذيري على فرط المطابقة.
• تطبيق التحقق المتقاطع (Cross-Validation): يُنصح بتقسيم البيانات إلى عينة تدريب (Training set) بنسبة 80% لتقدير النموذج، وعينة اختبار (Validation set) بنسبة 20% للتحقق من استقرار القدرة التنبؤية للمعادلة في بيئة جديدة.

11.2 حالات عدم دلالة الحد التربيعي ومعايير الرجوع للنموذج الخطي

في بعض المسوح والبحوث الميدانية، قد تسفر المخرجات الإحصائية عن عدم وجود دلالة إحصائية لإحصائية التغير (Sig. F Change > .05) وقيمة معامل الحد التربيعي (p > .05)، وهو ما يشير إلى أن إضافة التقعر لم تقدم تحسناً حقيقياً يفوق ما يقدمه الخط المستقيم.

في مثل هذه الحالات، تفرض الرصانة الأكاديمية ومبدأ نصل أوكام للبساطة العلمية (Occam’s Razor / Parsimony Principle) ضرورة حذف الحد التربيعي والرجوع كلياً إلى النموذج الخطي البسيط وتفسير نتائجه بوصفه النموذج النهائي للبحث. إن الإبقاء المتعنت على متغيرات غير دالة في النماذج الإحصائية يؤدي إلى إهدار درجات الحرية وتشتيت التفسير النظري وزيادة الخطأ المعياري العام للنموذج دون مبرر علمي مدعوم بالأدلة التجريبية.

11.3 التداخل مع المتغيرات المعدلة والوسيطة غير الخطية

من المسائل المنهجية المتقدمة التي يقع فيها الباحثون هو الخلط بين الأثر التربيعي للمتغير (Quadratic Main Effect: X²) والأثر التفاعلي المعدل (Moderation Effect: X * Z). ففي كثير من الأحيان، قد يبدو المنحنى غير خطي بسبب وجود متغير معدل خفي لم يتم تضمينه في التحليل، أو العكس حيث يتم تفسير الأثر غير الخطي خطأً على أنه تفاعل بين متغيرات مختلفة.

عند الرغبة في اختبار النماذج المعدلة غير الخطية (Nonlinear Moderation)، يتيح الانحدار الهرمي في SPSS بناء كتل تسلسلية منظمة:

• الكتلة 1: المتغيرات الضابطة والمتغيرات المستقلة والمعدلة الموسطة (X_c و Z_c).
• الكتلة 2: الحد التربيعي للمتغير المستقل (X_c²).
• الكتلة 3: حد التفاعل الخطي (X_c * Z_c).
• الكتلة 4: حد التفاعل غير الخطي المنحني (X_c² * Z_c).

تضمن هذه الهيكلة التسلسلية عزل التباين الصافي لكل أثر ومنع التداخل التفسيري بين انحناء المسار الرئيس وتغير هذا الانحناء عبر مستويات المتغير المعدل.

12. توثيق وكتابة نتائج الانحدار التربيعي وفق دليل الجمعية الأمريكية لعلم النفس (APA 7)

12.1 صياغة الفقرات النصية لنتائج التحليل الهرمي

يتطلب توثيق نتائج الانحدار التربيعي في التقارير ورسائل الماجستير والدكتوراه والأوراق العلمية صياغة أكاديمية دقيقة تتبع نمط الجمعية الأمريكية لعلم النفس (APA 7th Edition). يجب أن يصف التقرير خطوات التحليل الهرمي، مع توثيق المؤشرات الإحصائية بدقة متناهية متضمنة قيم درجات الحرية وقيم p الدقيقة وأحجام التأثير. وفيما يلي صياغة نموذجية رصينة يمكن للباحث الاسترشاد بها:

“لاختبار الفرضية القائلة بوجود علاقة غير خطية على شكل U مقلوب بين عدد ساعات العمل الأسبوعية ومستوى الرفاه النفسي، تم إجراء تحليل انحدار هرمي متعدد الحدود من الدرجة الثانية بعد توسيط المتغير المستقل حول متوسطه الحسابي لتجنب التعددية الخطية الهيكلية. في الخطوة الأولى، تم إدخال المتغير الخطي لساعات العمل الموسطة، حيث أظهرت النتائج أن النموذج الخطي كان دالاً إحصائياً، F(1, 198) = 33.62, p < .001, R² = .145، مما يشير إلى أن ساعات العمل تفسر 14.5% من تباين الرفاه النفسي.”

“وفي الخطوة الثانية، تم إدخال الحد التربيعي لساعات العمل الموسطة (WorkHours²)، مما أدى إلى زيادة ذات دلالة إحصائية فائقة في القدرة التفسيرية للنموذج، ΔR² = .137, ΔF(1, 197) = 37.58, p < .001. فسر النموذج التربيعي الكلي ما نسبته 28.2% من التباين الإجمالي في الرفاه النفسي، F(2, 197) = 38.64, p < .001, Adjusted R² = .275. وكما هو موضح في جدول النتائج، كان معامل الانحدار غير المعياري للحد التربيعي سالباً ودالاً إحصائياً (B = -0.045, SE = 0.007, β = -.412, t(197) = -6.13, p < .001, 95% CI [-0.059, -0.031])، مما يؤكد صحة الفرضية بوجود علاقة منحنية مقعرة لأسفل على شكل U مقلوب.”

“وبناءً على نتائج الاشتقاق الرياضي للمعادلة، تم حساب نقطة التحول القصوى (Vertex) عند القيمة الموسطة (X_c = 0.89)، والتي تقابل 41.14 ساعة عمل أسبوعية على المقياس الخام الأصلي. يشير ذلك إلى أن الرفاه النفسي يرتفع تدريجياً مع زيادة ساعات العمل حتى يصل إلى ذروته عند حوالي 41 ساعة أسبوعياً، لتبدأ السعادة والرفاهية بالانخفاض المتسارع مع أي زيادة إضافية في ساعات العمل بعد هذا الحد الحرج.”

12.2 تصميم الجداول الإحصائية المجمعة وفق مواصفات APA

تشترط معايير APA 7 تصميم جداول مقتضبة ونقية تخلو من الخطوط العمودية وتقتصر على الخطوط الأفقية الأساسية لتحديد العناوين والفواصل الهيكلية. يوضح الجدول التالي البنية النموذجية لعرض نتائج الانحدار الهرمي التربيعي:

النموذج والمتغيرات	B	SE B	β	t	p	95% CI
النموذج 1 (الخطي)
الحد الثابت (Constant)	52.34	0.68	–	76.97	< .001	[50.99, 53.68]
ساعات العمل الموسطة (Linear)	0.48	0.08	.381	5.80	< .001	[0.32, 0.64]
مؤشرات النموذج 1: R² = .145, Adjusted R² = .141, F(1, 198) = 33.62, p < .001
النموذج 2 (التربيعي)
الحد الثابت (Constant)	55.80	0.84	–	66.43	< .001	[54.14, 57.46]
ساعات العمل الموسطة (Linear)	0.08	0.10	.063	0.80	.425	[-0.12, 0.28]
مربع ساعات العمل الموسطة (Quadratic)	-0.045	0.007	-.412	-6.13	< .001	[-0.059, -0.031]
مؤشرات النموذج 2: R² = .282, Adjusted R² = .275, ΔR² = .137, ΔF(1, 197) = 37.58, p < .001

ملاحظة: N = 200. B = المعامل غير المعياري؛ SE B = الخطأ المعياري للمعامل؛ β = المعامل المعياري؛ CI = فترة الثقة للمعامل غير المعياري. المتغير المستقل تم توسيطه حول متوسط العينة (Mean = 40.25).

12.3 إدراج الرسوم البيانية التوضيحية وتفسير نقطة التحول في التقرير

عند تضمين الرسم البياني للمنحنى التربيعي في التقرير الأكاديمي أو المنشور العلمي، يجب تصدير الرسم من SPSS بجودة عالية لا تقل عن 300 نقطة في البوصة (300 DPI) لضمان وضوح الطباعة. يُفضل تنسيق المخطط بحيث تظهر المحاور بالدرجات الخام الحقيقية لتسهيل القراءة المباشرة من قبل القارئ، مع تراكب المنحنى التربيعي وفترات الثقة 95% المحيطة به.

يجب أن يتضمن التقرير أسفل الشكل تعليقاً توضيحياً شاملاً (Figure Caption) وفق نمط APA، كالتالي:

“الشكل 1. العلاقة غير الخطية المنحنية بين ساعات العمل الأسبوعية ومستوى الرفاه النفسي. توضح النقاط المبعثرة المشاهدات الفردية، بينما يمثل الخط المتصل منحنى الانحدار التربيعي التقديري (Y = 55.80 + 0.08X_c – 0.045X_c²). يشير الخط المتقطع العمودي إلى نقطة التحول المثلى الواقعة عند 41.14 ساعة أسبوعياً.”

خاتمة واستنتاجات منهجية

يُمثل الانحدار التربيعي نقلة نوعية في قدرة الباحثين على استكشاف ونمذجة الظواهر السلوكية والنفسية المعقدة التي تتجاوز في طبيعتها قيود الفرضيات الخطية الضيقة. إن فهم الديناميكيات المنحنية وظواهر U المقلوبة لا يسهم فقط في رفع الدقة الإحصائية وتجنب أخطاء توصيف النماذج، بل يفتح آفاقاً جديدة لتطوير نظريات نفسية وإدارية أكثر واقعية وقدرة على تحديد المستويات المثلى والمستويات الحرجة للسلوك الإنساني.

لقد استعرض هذا الدليل المتكامل المنهجية الصارمة لتطبيق هذا التحليل عبر برنامج SPSS، بدءاً من استيفاء الافتراضات الإحصائية الكلاسيكية، ومروراً بالمعالجة الحتمية لمشكلة التعددية الخطية عبر التوسيط الحسابي، والتنفيذ المنظم باستخدام الانحدار الهرمي، وصولاً إلى الحساب الجبري الدقيق لنقاط التحول والتفسير السيكولوجي الرصين. إن التزام الباحث بهذه الخطوات المنهجية والتوثيق الأكاديمي الدقيق وفق معايير APA 7 يضمن خروج الدراسات بنتائج متينة وقابلة للتعميم والتكرار العلمي، مما يثري الإنتاج المعرفي العربي في مجالات القياس والتقويم والإحصاء التطبيقي.

المراجع (References)

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. SAGE Publications.
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• 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.
• Grant, A. M., & Schwartz, B. (2011). Too much of a good thing: The challenge and opportunity of the inverted U. Perspectives on Psychological Science, 6(1), 61–76. https://doi.org/10.1177/1745691610393523
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). The Guilford Press.
• IBM Corporation. (2021). IBM SPSS Statistics for Windows, Version 28.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Marsh, H. W., Dowson, M., Pietsch, J., & Walker, R. (2004). Why multicollinearity matters: A reexamination of relations between self-efficacy, self-concept, and achievement. Journal of Educational Psychology, 96(3), 518–522. https://doi.org/10.1037/0022-0663.96.3.518
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.