كيفية إجراء الانحدار التربيعي في Stata

تُعد النمذجة الإحصائية المتقدمة الركيزة الأساسية التي يستند إليها الباحثون في العلوم النفسية، والاجتماعية، والسلوكية، والاقتصادية لتفسير الظواهر الإنسانية المعقدة واختبار النظريات الأكاديمية بدقة متناهية. وفي كثير من الأحيان، تفترض النماذج الإحصائية الابتدائية وجود علاقات خطية بسيطة تربط بين المتغيرات التفسيرية والمتغيرات التابعة، وهو افتراض على الرغم من فائدته التبسيطية، إلا أنه قد يعجز عن عكس الحقيقة الديناميكية للعديد من الظواهر الطبيعية والسلوكية التي تتسم بالانحناء، والتغير في معدلات الاستجابة، وبلوغ نقاط الذروة أو القاع.

من هنا تبرز أهمية الانحدار التربيعي (Quadratic Regression) كأحد أبرز نماذج الانحدار متعدد الحدود (Polynomial Regression) ذات المتغير الواحد أو المتغيرات المتعددة، حيث يتيح للباحث إمكانية رصد المنعطفات الحرجة وتقدير معدل التغير المتسارع أو المتباطئ بدقة رياضية فائقة. إن الانتقال من النمذجة الخطية الصلبة إلى النمذجة المنحنية يفتح آفاقاً تحليلية واسعة، تمكن الباحث من اختبار فرضيات نظرية متقدمة تتعلق بنقاط الإشباع، ونقاط التحول، والتأثيرات المتناقصة أو المتزايدة للبرامج العلاجية والتدخلات النفسية والتنموية.

يقدم هذا الدليل المرجعي الشامل دليلاً تطبيقياً ونظرياً متعمقاً لإجراء وتشخيص وتفسير الانحدار التربيعي باستخدام حزمة البرمجيات الإحصائية الاحترافية Stata. سنستعرض عبر هذا المقال الطويل الأسس الرياضية، والافتراضات الإحصائية، وخطوات كتابة الشيفرات البرمجية والأوامر المباشرة، مروراً بالتمثيل البياني المتقدم، والتشخيص الإكلينيكي للنموذج، وصولاً إلى صياغة النتائج وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة إلى الانحدار التربيعي في البحوث النفسية والإحصائية

1.1 مفهوم العلاقات غير الخطية في القياس النفسي

في حقل القياس النفسي والعلوم السلوكية، نادراً ما تسير الاستجابات الإنسانية وفق وتيرة خطية مستقيمة وثابتة. فالسلوك البشري والعمليات المعرفية والانفعالية تتأثر بعوامل ديناميكية متداخلة تؤدي في كثير من الأحيان إلى تشكل علاقات منحنية (Curvilinear Relationships). ويُقصد بالعلاقة المنحنية تلك العلاقة التي يتغير فيها مقدار واتجاه التأثير بين المتغير المستقل والمتغير التابع تبعاً للمستوى الذي يقع فيه المتغير المستقل نفسه، بحيث لا يظل معدل التغير ثابتاً عبر جميع مستويات القياس.

تتجلى محدودية الانحدار الخطي البسيط بوضوح عندما يُطبَّق على ظواهر تتسم بالتراجع بعد ذروة معينة أو بالتعافي بعد قاع محدد؛ إذ يفترض الانحدار الخطي أن كل وحدة زيادة في المتغير المستقل تقابلها زيادة أو نقصان ثابت في المتغير التابع، وهو ما يؤدي إلى خطأ فادح في التخصيص الإحصائي (Model Misspecification) وتقديرات متحيزة لمعاملات التأثير وحجم التباين المفسر.

ولعل من أبرز الأمثلة الكلاسيكية والتطبيقية على هذه العلاقات غير الخطية في علم النفس هو قانون يركيس-دودسون (Yerkes-Dodson Law)، الذي يصف العلاقة بين مستوى الاستثارة الفسيولوجية أو التوتر العصبي ومستوى الأداء الإدراكي أو المهاري. فوفقاً لهذا القانون، يؤدي الارتفاع المعتدل في التوتر إلى تحسين اليقظة وزيادة جودة الأداء حتى بلوغ نقطة الذروة المثلى؛ غير أن استمرار تصاعد التوتر بعد هذه النقطة ينقلب إلى عامل معطل يؤدي إلى تدهور حاد في الأداء المعرفي. ومثل هذه الظاهرة تستحيل نمذجتها رياضياً بدقة دون اللجوء إلى الدوال التربيعية التي تتيح التقاط نقطة التحول الحرجة وفهم النطاق الوظيفي الأمثل للمتغير المستقل.

1.2 مقارنة بين الانحدار الخطي والانحدار التربيعي

تتمثل الفروق الجوهرية بين الانحدار الخطي والانحدار التربيعي في البنية الهيكلية للمعادلة الرياضية وطبيعة الفرضيات الإحصائية التي يتم اختبارها في كلا النموذجين. في نموذج الانحدار الخطي، تتم صياغة العلاقة عبر معادلة خط مستقيم تفترض أن الميل ثابت عند جميع النقاط. أما في نموذج الانحدار التربيعي، فتتم إضافة حد مرفوع للدرجة الثانية للمتغير المستقل، مما يمنح خط الانحدار مرونة هندسية للانحناء وتغيير اتجاهه بمعدل يتناسب مع قيمة المتغير ذاته.

تختلف الفرضية الصفرية في الانحدار الخطي البسيط، والتي تنص على أن معامل الميل يساوي صفراً، عن الفرضية الصفرية التوسيعية في النموذج التربيعي؛ حيث يختبر الباحث فرضية أساسية تنص على أن معامل الحد التربيعي يساوي صفراً. فإذا تم رفض هذه الفرضية الصفرية وثبتت الدلالة الإحصائية للمعامل التربيعي، يُعد ذلك دليلاً قاطعاً على أن العلاقة بين المتغيرين تتضمن تسارعاً أو تباطؤاً أو نقطة انقلاب لا يمكن للنموذج الخطي اختزالها.

يتغير معدل الاستجابة اللحظي في الانحدار التربيعي باستمرار، وهو ما يمثل المشتقة الأولى للدالة الرياضية، مما يعني أن تأثير إضافة وحدة واحدة من المتغير المستقل يتباين نوعياً وكمياً باختلاف موضع المشاهدة على متصل القياس. وتستند معايير اختيار النموذج التربيعي كبديل متفوق للنموذج الخطي إلى الاختبارات الإحصائية المقارنة، والزيادة الجوهرية في معامل التحديد، والتبرير النظري القوي الذي يدعم فرضية وجود حدود قصوى أو دنيا للظاهرة المدروسة.

1.3 أهمية برنامج Stata في تحليل البيانات متعددة الحدود

تحتل بيئة البرمجيات الإحصائية Stata مكانة مرموقة لدى الباحثين والأكاديميين في حقول القياس النفسي والاقتصاد القياسي بفضل كفاءتها العالية ومرونتها البرمجية الفائقة في معالجة النماذج غير الخطية والمتعددة الحدود. توفر أوامر Stata المتكاملة إمكانات قوية للتعامل مع المتغيرات المستمرة وتربيعاتها وتفاعلاتها دون الحاجة إلى إجراءات حسابية معقدة خارج بيئة التحليل الأساسية.

تتميز Stata بدقة رياضية متناهية في حساب وتقدير مصفوفات التباين والتباين المشترك، وحساب الأخطاء المعيارية القوية وفترات الثقة باستخدام خوارزميات رقمية متطورة تضمن استقرار النتائج حتى في ظل وجود توزيعات متباينة أو عينات ذات أحجام متفاوتة. كما تتضمن الحزمة أدوات مدمجة لاختبار الفرضيات المعقدة والمقارنة اللحظية بين النماذج المتداخلة بأسلوب إحصائي صارم.

علاوة على ذلك، تتمتع Stata بإمكانيات تمثيل بياني بيئية هائلة تسمح بتحويل المعادلات التقديرية المجردة إلى منحنيات بصرية تفاعلية دقيقة توضح فترات الثقة وهوامش الخطأ ونقاط البيانات الفعلية، مما يمنح الباحثين قدرة لا تضاهى على استكشاف العلاقات غير الخطية وفهمها بصرياً قبل صياغة الاستنتاجات العلمية النهائية.

2. الأسس الرياضية والنظرية لنموذج الانحدار التربيعي

2.1 المعادلة العامة للانحدار التربيعي ومكوناتها

تأخذ المعادلة الرياضية العامة لنموذج الانحدار التربيعي البسيط الصيغة الجبرية التالية: المتغير التابع يساوي الحد الثابت مضافاً إليه حاصل ضرب معامل الحد الخطي في المتغير المستقل، مضافاً إليه حاصل ضرب معامل الحد التربيعي في مربع المتغير المستقل، بالإضافة إلى حد الخطأ العشوائي. رياضياً تُكتب المعادلة كالتالي: Y = β₀ + β₁X + β₂X² + ε.

يمثل الحد الثابت (Intercept: β₀) القيمة المتوقعة للمتغير التابع عندما تكون قيمة المتغير المستقل مساوية تماماً للصفر. ولهذا المعامل دلالة عملية إذا كان الصفر يقع ضمن النطاق المقبول للمتغير المستقل، بينما يقتصر دوره على التثبيت الهندسي للمنحنى إذا كان الصفر قيمة افتراضية غير واقعية. أما معامل الحد الخطي (β₁)، فلا يمثل الميل العام الثابت كما في الانحدار الخطي البسيط، بل يمثل الميل اللحظي للمنحنى عند النقطة الدقيقة التي يكون فيها المتغير المستقل مساوياً للصفر.

يُعد معامل الحد التربيعي (β₂) القلب النابض للنموذج، حيث يعبر عن مقدار انحناء الدالة ومعدل تغير الميل نفسه مع تغير المتغير المستقل بمقدار وحدة واحدة. تحدد إشارة هذا المعامل اتجاه التقعر أو التحدب؛ بينما يحدد مقدار القيمة المطلقة للمعامل حدة وسرعة الانحناء. ويشكل حد الخطأ العشوائي (ε) الفروق غير المفسرة بين القيم الفعلية المشاهدة والقيم التي يتنبأ بها النموذج المنحني، ويُفترض إحصائياً أن يتوزع توزيعاً طبيعياً بمتوسط صفري وتباين متجانس وثابت عبر سائر مستويات المتغير المستقل.

2.2 تحديد نقاط القمة والقاع (Extrema Points)

تعد القدرة على تحديد النقاط الحرجة أو القصوى من أهم الفوائد التحليلية لنموذج الانحدار التربيعي في البحوث السلوكية. وللوصول إلى هذه النقطة، يتم الاعتماد على قواعد التفاضل الرياضي الكلاسيكي من خلال إيجاد المشتقة الأولى لمعادلة الانحدار بالنسبة للمتغير المستقل ومساواتها بالصفر لتحديد موضع ثبات الميل اللحظي قبل انعكاس اتجاهه.

باشتقاق المعادلة Y = β₀ + β₁X + β₂X² بالنسبة لـ X، نحصل على المشتقة الأولى: dY/dX = β₁ + 2β₂X. وبمساواة هذه المشتقة بالصفر (β₁ + 2β₂X = 0) وحل المعادلة لإيجاد قيمة X، نحصل على الصيغة الشهيرة للنقطة الحرجة: X* = -β₁ / (2β₂). توفر هذه المعادلة القيمة الدقيقة للمتغير المستقل التي يبلغ عندها المتغير التابع أقصى قيمة ممكنة له (في حالة المنحنى المحدب) أو أدنى قيمة ممكنة له (في حالة المنحنى المقعر).

في التطبيقات الإكلينيكية والنفسية، تتيح هذه القيمة الحسابية للمختصين تحديد الجرعة المثلى من العلاج النفسي أو ساعات التدريب التي تحقق أعلى مستوى من التوافق النفسي أو الرضا الوظيفي دون إفراط. ومع ذلك، يقتضي التحليل الرصين التأكد من أن النقطة الحرجة المحسوبة تقع فعلياً داخل النطاق التجريبي للبيانات التي تم جمعها (Observed Data Range)، إذ إن وقوع النقطة خارج مدى البيانات يجعلها استقراءً نظرياً غير موثوق يفتقر إلى السند الإمبيريقي.

2.3 تفسير شكل المنحنى: التحدب مقابل التقعر

تحدد إشارة معامل الانحدار التربيعي (β₂) الشكل الهندسي للمنحنى التنبؤي وتملي الطريقة التي تُفسر بها النتائج في السياق النظري للدراسة. عندما تكون إشارة المعامل التربيعي سالبة (β₂ < 0)، يأخذ المنحنى شكل حرف U المقلوب (Inverted U-shape)، وهو ما يعكس وجود قمة حدية قصوى (Global Maximum) تصعد إليها الاستجابة تدريجياً ثم تنحدر بعد تجاوز النقطة الحرجة، مما يشير إلى وجود عوائد متناقصة أو تأثيرات ضارة ناتجة عن الإفراط في المتغير المستقل.

في المقابل، إذا كانت إشارة المعامل التربيعي موجبة (β₂ > 0)، يأخذ المنحنى شكل حرف U القائم (U-shape)، مما يعكس تقعراً للأعلى ووجود نقطة قاع دنيا (Global Minimum). يعبر هذا النمط في الدراسات النفسية عن ظواهر تبدأ بمستويات مرتفعة تتراجع تدريجياً مع زيادة التدخل حتى تصل إلى أقل مستوى لها، ثم تعاود الارتفاع مجدداً مع استمرار الزيادة، كما هو الحال في دراسة أعراض الاكتئاب عبر مراحل العمر المختلفة.

إن التفسير الدقيق لشكل المنحنى يمنع الوقوع في الأخطاء الشائعة المتمثلة في افتراض الأثر الإيجابي أو السلبي المطلق لمتغير ما. وبذلك، يوفر الانحدار التربيعي عمقاً نظرياً يُمكّن الباحثين من تفسير التعقيد السلوكي وصياغة توصيات عملية تعترف بوجود حدود فارقة تتغير عندها طبيعة التأثيرات النفسية والسلوكية جذرياً.

3. الافتراضات الإحصائية لتطبيق الانحدار التربيعي

3.1 فحص اعتدالية توزيع البواقي

يستند الاستدلال الإحصائي في نماذج الانحدار الخطي والمتعدد الحدود إلى فرضية محورية تقضي بأن البواقي (Residuals)، وهي الفروق بين القيم المرصودة والقيم التنبؤية، تتبع توزيعاً طبيعياً معتدلاً. تكتسب هذه الفرضية أهميتها القصوى عند إجراء اختبارات الدلالة الإحصائية مثل اختبار t للمعاملات واختبار F لجودة ملاءمة النموذج وحساب فترات الثقة بدقة.

في برنامج Stata، يمكن فحص اعتدالية البواقي عبر طريقتين متكاملتين: الفحص الإحصائي الرقمي والفحص البصري البياني. يتمثل الفحص الرقمي في تطبيق اختبارات صريحة مثل اختبار شابيرو-ويلك (Shapiro-Wilk Test) عبر الأمر swilk، أو اختبار شابيرو-فرانشيا عبر الأمر sfrancia، حيث تشير القيمة الاحتمالية الأكبر من 0.05 إلى عدم وجود انحراف دال إحصائياً عن التوزيع الطبيعي، مما يؤكد صحة الفرضية.

أما على الصعيد البصري، فيُوصى دائماً برسم مخطط التجزيء الطبيعي (Quantile-Quantile Plot) عبر الأمر qnorm أو رسم المدرج التكراري مع منحنى التوزيع الاعتدالي عبر الأمر histogram, normal. وإذا كشفت التحليلات عن التواء حاد أو وجود ذيول ثقيلة في البواقي، يتعين على الباحث دراسة تطبيق تحويلات مناسبة على المتغير التابع أو فحص وجود قيم شاذة شديدة التأثير تؤدي إلى تشويه البنية التوزيعية.

3.2 تجانس التباين واستقلالية المشاهدات

يشير افتراض تجانس التباين (Homoscedasticity) إلى ضرورة بقاء تباين الأخطاء العشوائية ثابتاً عبر جميع المستويات المتوقعة للمتغير التابع وعبر مختلف قيم المتغير المستقل المربّع. ويؤدي خرق هذا الافتراض وظهور مشكلة عدم تجانس التباين (Heteroscedasticity) إلى فقدان مقدرات المربعات الصغرى العادية لكفاءتها الإحصائية، مما يجعل الأخطاء المعيارية المحسوبة غير صحيحة ويزيد من مخاطر الوقوع في الخطأ من النوع الأول أو الثاني.

يتيح برنامج Stata التحقق من تجانس التباين بسهولة فائقة باستخدام اختبار بروش-باغان (Breusch-Pagan Test) عبر الأمر الإحصائي المباشر estat hettest بعد تشغيل نموذج الانحدار. إذا كانت القيمة الاحتمالية لهذا الاختبار ذات دلالة إحصائية (p < 0.05)، فإن ذلك يعد دليلاً على وجود تباين غير متجانس يستدعي المعالجة.

إلى جانب تجانس التباين، يجب أن تكون المشاهدات مستقلة تماماً وخالية من الارتباط الذاتي (Autocorrelation)، وهو افتراض يتحقق أساساً من خلال التصميم التجريبي السليم وتطبيق أساليب المعاينة العشوائية غير العنقودية. وعند رصد مشكلة تباين الأخطاء، يُعد استخدام خيار الأخطاء المعيارية القوية (Robust Standard Errors) عبر إضافة vce(robust) إلى أمر الانحدار في Stata الحل القياسي الأكثر موثوقية لتصحيح فترات الثقة واختبارات الدلالة دون المساس بقيم المعاملات التقديرية نفسها.

3.3 مشكلة التعدد الخطي بين المتغير وحدّه التربيعي

من التحديات البنيوية الخاصة بنماذج الانحدار متعدد الحدود نشوء مشكلة التعدد الخطي العالي (Multicollinearity) بصورة حتمية وميكانيكية بين المتغير المستقل (X) والحد المرفوع للقوة الثانية (X²). ينبع هذا الارتباط القوي من حقيقة أن المتغير التربيعي هو اشتقاق حسابي مباشر للمتغير الأصلي، مما يؤدي تلقائياً إلى ارتفاع قيم معاملات الارتباط البينية وتضخم الأخطاء المعيارية للمعاملات الفردية، مما قد يُظهر المتغيرات كما لو كانت غير دالة إحصائياً على الرغم من الجودة العالية للنموذج ككل.

لقياس درجة التعدد الخطي في Stata، يقوم الباحث باستخراج معامل تضخم التباين (Variance Inflation Factor – VIF) عبر الأمر estat vif. في الانحدار الخطي التقليدي، تشير قيم VIF التي تتجاوز 10 (أو 5 في المعايير الأكثر صرامة) إلى وجود مشكلة مقلقة تتطلب التدخل الفوري وتعديل بنية النموذج.

وللحد من هذا التعدد الخطي الحسابي، تُعد استراتيجية تمركز البيانات حول المتوسط (Mean-Centering) الممارسة الإحصائية القياسية الموصى بها في الأدبيات المنهجية. يتضمن التمركز طرح المتوسط الحسابي للمتغير من كل مشاهدة من مشاهداته قبل حساب الحد التربيعي. تؤدي هذه الخطوة إلى خفض الارتباط الخطي المصطنع بين الحد الخطي والحد التربيعي بصورة جذرية، مما يعيد قيم VIF إلى نطاقاتها الطبيعية الآمنة، ويسهل التفسير المنطقي لمعامل الحد الخطي ليصبح معبراً عن الميل عند متوسط العينة بدلاً من نقطة الصفر المطلقة.

4. إعداد وإدخال البيانات في برنامج Stata

4.1 طرق إدخال البيانات المباشرة واستيراد الملفات

تتعدد طرق تجهيز وإدخال البيانات في بيئة Stata بما يلائم حجم البيانات ونوع الملفات المصدرية المتوفرة لدى الباحث. للمشاريع الصغيرة أو التدريب التجريبي، يمكن إدخال البيانات يدوياً عن طريق فتح نافذة محرر البيانات باستخدام الأمر البرمجي edit، أو عبر استعراضها دون إمكانية التعديل باستخدام الأمر browse، مما يتيح إدخال الأرقام وتسمية الأعمدة مباشرة من خلال واجهة المستخدم التفاعلية.

أما في الدراسات الميدانية الكبيرة، فإن الاستيراد المباشر من ملفات الجداول الإلكترونية هو الخيار الأوسع انتشاراً. توفر Stata أوامر برمجية سريعة مثل import excel "data.xlsx", firstrow clear لاستيراد ملفات Microsoft Excel مع اعتبار الصف الأول أسماءً رسمية للمتغيرات، أو أمر import delimited "data.csv", clear للتعامل مع الملفات النصية المفصولة بفواصل.

من الضروري بعد الاستيراد التأكد من أن جميع المتغيرات التحليلية تم تعريفها كمتغيرات رقمية (Numeric) وليست نصية (String)، حيث ترفض نماذج الانحدار في Stata التعامل مع المتغيرات النصية. ويمكن تحويل المتغيرات النصية الرقمية بسهولة باستخدام أمر destring varname, replace. كما يتعين فحص القيم المفقودة والتأكد من تمثيلها بالنقطة (.) التي يعتمدها النظام، تجنباً لخلطها مع القيم الصفرية أو إدراجها الخاطئ في العمليات الحسابية والمعادلات الرياضية.

4.2 فحص وتلخيص المتغيرات قبل التحليل

قبل الشروع في تشغيل نماذج الانحدار المعقدة، تقتضي قواعد البحث الأكاديمي الرصين إجراء فحص استكشافي وتلخيصي شامل لكافة المتغيرات المدرجة في التحليل للتحقق من سلامة القياس وتماسك البيانات. يُعد الأمر البرمجي describe الخطوة الأولى لاستعراض مواصفات قاعدة البيانات، ومعرفة عدد المشاهدات، وأنواع المتغيرات المخزنة، والملصقات التوضيحية المقترنة بكل منها.

يعقب ذلك تشغيل الأمر الاستكشافي الأساسي summarize var1 var2, detail، والذي يستخرج مصفوفة من المقاييس الإحصائية الوصفية تشمل المتوسط الحسابي، والانحراف المعياري، والتباين، ومعاملات الالتواء والتفرطح، إضافة إلى القيم المئينية والحدين الأدنى والأقصى. يساعد هذا التدقيق الإحصائي في رصد الأخطاء الطباعية أو القيم الشاذة المتطرفة التي قد تخرج عن النطاق المنطقي لأدوات القياس النفسي المستخدمة (مثل وجود درجات سالبة في مقياس ليكرت خماسي الدرجات).

لضمان الشفافية وقابلية التكرار (Reproducibility) في البحث العلمي، يُلزم الباحث بالاعتماد على ملفات الأوامر النصية المعروفة باسم do-files لكتابة وحفظ كافة الخطوات الإجرائية والبرمجية، بالتوازي مع فتح ملفات التسجيل الشاملة عبر الأمر log using analysis_log.txt, replace لتوثيق كافة المخرجات والنتائج وضمان توثيق المسار التحليلي بصورة احترافية.

5. الاستكشاف البصري للعلاقات غير الخطية في Stata

5.1 إنشاء مخططات التشتت الأساسية (Scatter Plots)

يمثل الاستكشاف البصري مرحلة تمهيدية لا غنى عنها في تحليل الانحدار، حيث يمنح الباحث نظرة أولية مباشرة حول طبيعة النمط التوزيعي الذي يربط بين المتغيرين المستقل والتابع. يُعتبر مخطط التشتت (Scatter Plot) الأداة البيانية الأنسب لفحص كثافة البيانات ورصد الانحناءات ونقاط التجمع أو التشتت الشديد غير النمطية.

يتم إنشاء مخطط التشتت في برنامج Stata باستخدام الأمر الرسومي ثنائي الأبعاد scatter، وتأتي صياغته الأساسية بذكر المتغير التابع أولاً متبوعاً بالمتغير المستقل، كما في الصيغة البرمجية: scatter y_var x_var. يمكن إثراء الرسم وتنسيقه ليتوافق مع المتطلبات الطباعية المتقدمة بإضافة خيارات لتحديد العناوين وتسمية المحاور، مثل: title("العلاقة بين المتغيرين") xtitle("المتغير المستقل") ytitle("المتغير التابع").

يتيح التدقيق في مخطط التشتت فرصة مبكرة لاكتشاف ما إذا كانت سحابة النقاط تتصاعد أو تهبط بخط مستقيم موحد، أم أنها تأخذ شكلاً مقوساً يتصاعد في البداية ثم يبدأ بالهبوط أو العكس. يوفر هذا الفحص البصري التبرير الإمبيريقي الأولي لاختيار نموذج الانحدار التربيعي بدلاً من الاكتفاء بالنموذج الخطي البسيط.

5.2 إضافة خطوط التوفيق الخطي والتربيعي التوضيحية

للمقارنة البصرية المباشرة بين قدرة الخط المستقيم والمنحنى الملتوي على مطابقة البيانات وتفسيرها، تتيح Stata تركيب خطوط التوفيق الإحصائي فوق نقاط مخطط التشتت الأصلي عبر أوامر الرسم المزدوجة twoway. يتيح الأمر lfit رسم خط الانحدار الخطي المستقيم، بينما يتيح الأمر qfit حساب ورسم منحنى التوافق التربيعي التلقائي الذي يمثل دالة الدرجة الثانية على الرسم نفسه.

يمكن تنفيذ ذلك بدمج الأوامر في سطر واحد منسق: twoway (scatter y x, mcolor(navy%40)) (lfit y x, lcolor(red) lwidth(medium)) (qfit y x, lcolor(green) lwidth(thick)). تتيح هذه اللوحة البيانية المقارنة المباشرة لمعرفة مدى ابتعاد الخط الخطي الأحمر عن التجمعات النقطية الحقيقية مقارنة بالمنحنى التربيعي الأخضر الذي يلتف حول مراكز الكثافة في البيانات.

ولدعم الفحص البصري بطرق غير معلمية (Non-parametric) خالية من الافتراضات الرياضية المسبقة، يمكن إضافة دالة التنعيم الموضعي المعروفة باسم Lowess (Locally Weighted Scatterplot Smoothing) عبر الأمر lowess y x. إذا تطابق مسار خط Lowess التجريبي مع مسار منحنى qfit التربيعي، فإن ذلك يقدم برهاناً بصرياً قوياً على أن الطبيعة الحقيقية للعلاقة تتبع بالفعل نمطاً تربيعياً محدباً أو مقعراً.

6. إنشاء المتغيرات التربيعية والتحويلات الحسابية

6.1 توليد المتغير التربيعي يدوياً عبر أمر generate

يُعد التوليد اليدوي للمتغيرات الرياضية المرفوعة للقوة الثانية أحد الأساليب التقليدية المباشرة لتجهيز النماذج متعددة الحدود في Stata. يعتمد هذا الأسلوب على إنشاء عمود جديد في قاعدة البيانات يحتوي على مربع كل مشاهدة من مشاهدات المتغير المستقل الأصلي.

يتم تنفيذ ذلك من خلال كتابة الأمر البرمجي الصريح: generate x_sq = x^2، حيث يمثل x_sq اسم المتغير الجديد الناتج، بينما يمثل الرمز ^ معامل الرفع للأس الرياضي. وللحفاظ على التنظيم الاحترافي لملف البيانات وسهولة قراءته من قبل باحثين آخرين، يُنصح دائماً بإرفاق ملصق توضيحي بالمتغير المنشأ عبر الأمر: label variable x_sq "مربع المتغير المستقل".

بعد إتمام عملية التوليد الحسابي، يتعين على الباحث التحقق من صحة النتائج عبر الأمر browse x x_sq لمقارنة الأرقام الأصلية بقيمها التربيعية، مع التأكد من أن المشاهدات المفقودة في المتغير الأصلي قد عوملت بدقة كمشاهدات مفقودة في المتغير الجديد دون تحويلها بالخطأ إلى أصفار رقمية.

6.2 استخدام مشغلات المتغيرات الإحصائية (Factor Variables)

في الإصدارات الحديثة من برنامج Stata، وفر المطورون آلية برمجية فائقة التطور تتيح التعامل مع المتغيرات المستمرة والتفاعلات والحدود متعددة الحدود دون الحاجة إلى إنشاء متغيرات جديدة وتخزينها في قاعدة البيانات، وذلك عبر استخدام ما يُعرف بـ مشغلات المتغيرات المستمرة (Factor Variables Syntax).

تعتمد هذه الصيغة على إضافة البادئة c. قبل اسم المتغير لإعلام البرنامج بأنه متغير مستمر، واستخدام مشغل التفاعل المزدوج ## للإشارة إلى إدراج المتغير وحدّه التربيعي معاً في خطوة واحدة، بالصيغة التالية: c.x##c.x. يُترجم البرنامج هذا الأمر تلقائياً داخل النموذج إلى إدراج الحد الخطي المنفرد c.x والحد المربع المشترك c.x#c.x.

تمتاز هذه الطريقة المتقدمة بفوائد برمجية وتحليلية كبرى؛ إذ إنها تحافظ على نظافة قاعدة البيانات وتقلل من احتمالات الخطأ الحسابي، بالإضافة إلى أنها تعد شرطاً لازماً لتمكين أوامر التنبؤ وحساب التأثيرات الهامشية اللاحقة مثل margins و marginsplot من التعرف التلقائي على البنية غير الخطية للمتغير وإجراء الاشتقاقات الرياضية وفترات الثقة دون الحاجة إلى تدخل يدوي معقد.

6.3 تطبيق توسط المتغير المستقل (Centering) قبل التربيع

كما تم التوضيح سابقاً، فإن رفع المتغير المستقل ذي المتوسط الموجب المرتفع إلى القوة الثانية مباشرة يتسبب في ارتفاع حاد في التعدد الخطي بين الحد الخطي والحد التربيعي. ولمعالجة ذلك، يتم اللجوء إلى تقنية التمركز حول المتوسط (Mean-Centering) كخطوة تحويلية ضرورية تسبق إجراء التربيع والنمذجة.

تُنفذ عملية التمركز الحسابي في Stata بدقة عبر سلسلة من الأوامر البسيطة؛ حيث يتم أولاً استخراج المتوسط الحسابي للعينة وتخزينه كقيمة نظامية، ثم طرح هذا المتوسط من كل قيمة فعلية للمتغير:

• summarize x, meanonly (لحساب وتخزين المتوسط بدقة فائقة)
• generate x_centered = x - r(mean) (لطرح المتوسط من كل مشاهدة)
• label variable x_centered "المتغير المستقل متمركزاً حول المتوسط"

بعد إنشاء المتغير المتمركز، يمكن توليد حدّه التربيعي يدوياً عبر الأمر: generate x_cent_sq = x_centered^2، أو استخدامه مباشرة عبر المشغلات c.x_centered##c.x_centered. يؤدي هذا الإجراء التحويلي إلى تقليل التداخل الخطي الحسابي بصورة هائلة، مع المحافظة التامة على القيمة التفسيرية، وحجم التأثير، والدلالة الإحصائية للحد التربيعي، مما يجعل النموذج أكثر استقراراً وقابلاً للتفسير العلمي الرصين.

7. تنفيذ نموذج الانحدار التربيعي خطوة بخطوة في Stata

7.1 تشغيل أمر الانحدار regress بالطريقة التقليدية

يتم تقدير معاملات الانحدار التربيعي في بيئة Stata بالاعتماد على أمر الانحدار الخطي المتعدد الكلاسيكي regress، حيث يتعامل البرنامج مع المتغير المربع كمتغير تفسيري مستقل إضافي ضمن مصفوفة التصميم التقديرية لمربعات الصغرى العادية (OLS).

عند الاعتماد على المتغيرات المولدة يدوياً، تُكتب جملة الانحدار البرمجية بوضع المتغير التابع في الصدارة، يليه المتغير المستقل الخطي، ثم المتغير التربيعي، كما في السطر البرمجي التالي: regress y x x_sq. إذا كان الباحث يطبق التمركز حول المتوسط، تُستبدل المتغيرات بالصيغة المتمركزة: regress y x_centered x_cent_sq.

تتيح لغة Stata إضافة شروط منطقية أو حصر التحليل على عينات فرعية باستخدام العبارات الشرطية if و in، مثل فحص النموذج لدى الإناث فقط: regress y x x_sq if gender == 1. كما يمكن ضبط مستوى الثقة الإحصائي لمخرجات النموذج من خلال إضافة خيار المستوى المطلوب مثل: level(99) للحصول على فترات ثقة عند مستوى 99% بدلاً من المستوى الافتراضي 95%.

7.2 تشغيل الانحدار باستخدام المشغلات الحسابية (c. syntax)

تُمثل الصياغة البرمجية القائمة على مشغلات المتغيرات المستمرة الأسلوب الأكثر حداثة وكفاءة لتنفيذ الانحدار التربيعي في Stata. فبدلاً من إعداد أعمدة جديدة للمربعات، يُكتب الأمر مباشرة بصيغة تفاعلية ذكية تفهم البنية الرياضية الكاملة للنموذج.

تتم كتابة الأمر البرمجي على النحو التالي: regress y c.x##c.x. يقوم المحلل الإحصائي في Stata عند استقبال هذا السطر بتقدير ثلاثة معالم أساسية: الحد الثابت، ومعامل الحد الخطي الأول x، ومعامل الحد التربيعي c.x#c.x. يعكس هذا التدوين الرياضي التكامل الداخلي بين المتغير ومربعه، مما يمهد الطريق لاستخراج النتائج المتقدمة.

إن الفائدة التحليلية القصوى لهذا التدوين تتجلى بوضوح في المراحل اللاحقة للتحليل؛ حيث تعتمد الأوامر التفسيرية فائقة الأهمية مثل حساب الفروق الهامشية (Marginal Effects) ورسم المنحنيات التنبؤية المتراكبة على هذه الصيغة لتطبيق قاعدة تفاضل الدوال بدقة آلية كاملة، وهو ما يتعذر تنفيذه تلقائياً عند استخدام المتغيرات المنفصلة التقليدية.

7.3 تطبيق الانحدار التربيعي متعدد المتغيرات (مع ضوابط)

نادراً ما تقتصر البحوث النفسية والاجتماعية على نموذج ثنائي المتغيرات، نظراً لوجود متغيرات دخيلة أو ضابطة (Covariates) قد تؤثر على المتغير التابع وتؤدي إلى تشويه العلاقة غير الخطية المفترضة إذا تم إغفالها من النموذج (Omitted Variable Bias).

يتيح برنامج Stata إدراج المتغيرات الضابطة المستمرة والفئوية بسهولة تامة ضمن معادلة الانحدار التربيعي. تُدرج المتغيرات الفئوية (مثل المستوى التعليمي، أو الحالة الاجتماعية، أو المجموعات التجريبية) مسبوقة بالبادئة i. لإنشاء المتغيرات الوهمية (Dummy Variables) واختيار الفئة المرجعية آلياً، كما في الأمر التالي:

regress y c.x##c.x age income i.education i.treatment

يسمح هذا التحليل الموسع باختبار مدى ثبات وصمود المعامل التربيعي ودلالته الإحصائية بعد ضبط التأثيرات التباينية للمتغيرات الديموغرافية والتدخلات التجريبية، مما يوفر دليلاً قوياً على أن الانحناء الملاحظ في الظاهرة النفسية هو خاصية جوهرية أصيلة لا تعود إلى تأثيرات مضللة للمتغيرات الضابطة المحيطة.

8. قراءة وتفسير مخرجات الانحدار الإحصائية في Stata

8.1 تفسير جدول تحليل التباين (ANOVA Table) وجودة النموذج

ينقسم مخرج أمر الانحدار في Stata إلى ثلاثة أقسام هيكلية متكاملة، يقع جدول تحليل التباين (ANOVA Table) في الجزء العلوي الأيسر منها. يشتمل هذا الجدول على تجزئة التباين الكلي في المتغير التابع إلى مجموعين من المربعات: مجموع مربعات النموذج (Model SS) الذي يعبر عن التباين المفسر بواسطة النموذج التربيعي، ومجموع مربعات البواقي (Residual SS) الذي يمثل التباين العشوائي غير المفسر.

يقابل كل مجموع لمربعات الانحرافات درجات الحرية (df) الخاصة به، والتي يُحسب منها متوسط المربعات (Mean Square – MS). ومن خلال قسمة متوسط مربعات النموذج على متوسط مربعات البواقي، تنتج قيمة اختبار F الإحصائي، والتي تُقرأ جنباً إلى جنب مع قيمتها الاحتمالية المقابلة Prob > F. فإذا كانت هذه القيمة الاحتمالية أقل من 0.05، دل ذلك على أن النموذج التربيعي ككل يتمتع بجودة ملاءمة ذات دلالة إحصائية ويفسر تبايناً حقيقياً لا يمكن عزوه للصدفة الإحصائية.

في الجزء العلوي الأيمن من المخرج، يُعرض معامل التحديد (R-squared) الذي يوضح النسبة المئوية الدقيقة لإجمالي التباين في المتغير التابع التي تمكن النموذج التربيعي من تفسيرها، مدعوماً بقيمة معامل التحديد المعدل (Adj R-squared) الذي يأخذ في الحسبان عدد المتغيرات التفسيرية وحجم العينة لتجنب التضخم المصطنع لقوة التفسير.

8.2 تفسير المعاملات الإحصائية (Coefficients) ومستويات الدلالة

يحتوي الجزء السفلي من مخرجات Stata على جدول تقدير المعاملات، وهو الركيزة الأساسية للإجابة عن الفرضيات البحثية. يُفرد الجدول سطراً لكل متغير، مبيناً قيمة المعامل التقديري (Coef.)، والخطأ المعياري (Std. Err.)، وقيمة اختبار تائي المحسوبة (t)، والقيمة الاحتمالية المقابلة (P>|t|)، بالإضافة إلى فترات الثقة 95%.

يجب أن يتجه اهتمام الباحث أولاً نحو سطر الحد التربيعي (c.x#c.x أو x_sq)؛ فإذا كانت قيمته الاحتمالية دالة إحصائياً (p < 0.05)، يُعد ذلك إثباتاً إمبيريقياً لوجود العلاقة غير الخطية، وتحدد إشارة المعامل التقديري طبيعة التقعر أو التحدب. إن ثبوت معنوية الحد التربيعي يفرض قيوداً منهجية صارمة على طريقة قراءة وتفسير معامل الحد الخطي المنفرد (x)؛ إذ لا يجوز تفسيره كأثر رئيسي ثابت ومطلق كما هو الحال في الانحدار الخطي، بل يُفسر حصراً على أنه الميل اللحظي عندما تكون قيمة المتغير المستقل مساوية للصفر (أو عند المتوسط في حال تطبيق التمركز).

توضح فترات الثقة المدى الذي يقع ضمنه المعامل الحقيقي في المجتمع بدرجة يقين 95%. ويشير عدم اشتمال فترة الثقة للحد التربيعي على الرقم صفر إلى استقرار التقدير الإحصائي وجودة الدلالة الانحنائية للنموذج المعتمد.

8.3 حساب وتفسير التأثيرات الهامشية (Marginal Effects)

نظراً لأن ميل منحنى الانحدار التربيعي يتغير لحظياً عند كل نقطة على طول متصل المتغير المستقل، فإن المعاملات الثابتة لا تكفي وحدها لوصف مقدار التغير في المتغير التابع بدقة عملية. تبرز هنا ضرورة استخدام التأثيرات الهامشية (Marginal Effects)، والتي تمثل المشتقة اللحظية للمعادلة التقديرية بالنسبة للمتغير المستقل.

في برنامج Stata، يُستخدم الأمر المتقدم margins, dydx(x) لحساب متوسط الأثر الهامشي للمتغير المستقل عبر جميع أفراد العينة. وللحصول على رؤية تحليلية تفصيلية توضح كيف يتغير الأثر والتأثير مع تدرج قيم المتغير، يمكن استخراج التأثيرات الهامشية عند قيم محددة مسبقاً (At Representative Values) باستخدام الأمر التوسيعي:

margins, dydx(x) at(x=(10(10)50))

يستخرج هذا الأمر جدولاً إحصائياً يوضح قيمة الميل الدقيق، وخطأه المعياري، ومستوى دلالته عند القيم (10، 20، 30، 40، 50). يتيح هذا الجدول للباحث رصد التحول التدريجي في الميل من قيمة موجبة دالة إحصائياً عند المستويات المنخفضة، إلى قيمة صفرية غير دالة عند نقطة الذروة، ثم تحوله إلى ميل سالب دال إحصائياً عند المستويات المرتفعة، مما يقدم وصفاً كمياً شاملاً لديناميكية العلاقة المنحنية.

9. التمثيل البياني المتقدم لنموذج الانحدار التربيعي في Stata

9.1 استخدام أمر marginsplot لتمثيل التنبؤات والمنحنيات

يُعد التمثيل البياني للنماذج التربيعية الوسيلة الأكثر إيضاحاً وتأثيراً لإيصال النتائج الإحصائية وتفسيرها في التقارير الأكاديمية والمجلات المحكمة. توفر Stata بعد تشغيل أمر الانحدار القائم على المشغلات (c.x##c.x) قدرات رسومية تنبؤية فائقة عبر التكامل بين أمرين متعاقبين هما margins و marginsplot.

تتمثل الخطوة الأولى في توليد القيم المتنبأ بها للمتغير التابع عند سلسلة متصلة ومتدرجة من قيم المتغير المستقل تغطي مجاله بالكامل من أدنى قيمة إلى أعلى قيمة بفاصل منتظم، عبر الأمر التالي: margins, at(x=(0(2)40)). يقوم هذا الأمر بحساب الاستجابة المتوقعة وفترات الثقة 95% عند كل نقطة محددة.

مباشرة بعد حساب الهوامش، يتم تنفيذ أمر الرسم البياني التلقائي عالي الدقة: marginsplot. يقوم هذا الأمر برسم المنحنى التربيعي الأملس بدقة متناهية مع إضافة فترات الثقة كأشرطة خطية أو مناطق مظللة حول المنحنى التنبؤي. يمكن تخصيص المظهر الجمالي بالكامل ليطابق مواصفات النشر العلمي عبر أوامر ملحقة لتعديل الألوان، وسماكة الخطوط، وخلفية الرسم، وعناوين المحاور بما يضمن تقديم شكل بياني احترافي يوضح مسار الانحناء ومواضع عدم اليقين الإحصائي.

9.2 رسم المنحنى فوق نقاط البيانات الفعلية (Overlay Plot)

على الرغم من الجاذبية التوضيحية لمنحنيات marginsplot، إلا أن القارئ الأكاديمي والباحث يحتاج غالباً إلى رؤية المنحنى التنبؤي التربيعي متراكباً بشكل مباشر فوق سحابة المشاهدات والبيانات الأصلية الخام، وذلك لتقييم مدى قدرة المنحنى على محاكاة التشتت الفعلي للبيانات الواقعية.

لتحقيق هذا الرسم التراكبي المزدوج في Stata، يتم استخدام نظام الطبقات في بيئة twoway. يجمع الأمر بين طبقة مخطط التشتت الأساسي للمشاهدات وطبقة المنحنى التربيعي التنبؤي المشتق مباشرة من معادلة الانحدار المقدرة، وذلك بصياغة الأمر البرمجي التالي:

twoway (scatter y x, mcolor(gray%50) msymbol(circle_hollow)) (qfit y x, lcolor(navy) lwidth(thick)), title("المنحنى التربيعي التنبؤي فوق البيانات الفعلية") legend(order(1 "البيانات المرصودة" 2 "نموذج الانحدار التربيعي"))

تُظهر هذه اللوحة البيانية التكاملية دقة النموذج وتوضح مدى احتواء المنحنى للمسار المركزي لسحابة النقاط. كما تتيح للباحث رصد أي تباعد غير طبيعي في أطراف التوزيع أو وجود مشاهدات متطرفة تبتعد بمسافات شاسعة عن المنحنى العام.

10. المقارنة الإحصائية بين النماذج: الخطي مقابل التربيعي

10.1 اختبار نسبة الإمكانية واختبار F للتغير (Hierarchical Testing)

لا يكفي مجرد ظهور دلالة إحصائية للمعامل التربيعي للحكم بأفضلية النموذج؛ بل يتعين على الباحث إثبات أن إضافة الحد التربيعي قد حققت تحسناً جوهرياً ودالاً إحصائياً في جودة ملاءمة النموذج مقارنة بالنموذج الخطي البسيط المنافس، وذلك بالاعتماد على أسلوب الانحدار الهرمي المتسلسل (Hierarchical Model Comparison).

يتيح برنامج Stata تنفيذ هذه المقارنة الصارمة عبر تقدير النموذجين المتداخلين وحفظ نتائجهما في الذاكرة المؤقتة لمقارنتهما لاحقاً. يتم ذلك بتنفيذ الخطوات البرمجية التالية:

• regress y x (تشغيل النموذج الخطي الأبسط)
• estimates store Linear_Model (تخزين تقديرات النموذج الخطي)
• regress y c.x##c.x (تشغيل النموذج التربيعي الأوسع)
• estimates store Quadratic_Model (تخزين تقديرات النموذج التربيعي)
• lrtest Linear_Model Quadratic_Model (إجراء اختبار نسبة الإمكانية)

إلى جانب ذلك، يمكن إجراء اختبار F للتغير (F-test of R-squared Change) مباشرة بعد تشغيل النموذج التربيعي عبر الأمر البسيط: test c.x#c.x. يختبر هذا الأمر الفرضية الصفرية القائلة بأن إضافة الحد التربيعي لا تسهم بأي تفسير إضافي للتباين. فإذا كانت القيمة الاحتمالية للاختبار أصغر من 0.05، يتم رفض الفرضية الصفرية، مما يشكل دليلاً حاسماً على التفوق الإحصائي للنموذج التربيعي وقدرته التفسيرية الإضافية الأصيلة.

10.2 معايير المفاضلة بين النماذج (AIC و BIC)

تعتمد النمذجة الإحصائية الحديثة على مبدأ البساطة المعرفية (Parsimony)، والذي يقتضي اختيار النموذج الأكثر قدرة على تفسير البيانات باستخدام أقل عدد ممكن من المعالم الإحصائية تجنباً لمشكلة الإفراط في التوفيق (Overfitting). وللمفاضلة بين النماذج المتنافسة، يُعتمد على معيارين عالميين هما: معيار أكايكي للمعلومات (Akaike Information Criterion – AIC) ومعيار بايز للمعلومات (Bayesian Information Criterion – BIC).

في برنامج Stata، يمكن استخراج قيم هذين المعيارين فور الانتهاء من تقدير كل نموذج عبر كتابة الأمر الإحصائي المباشر: estat ic. يُظهر هذا الأمر جدولاً يوضح عدد المعالم المقدرة، ولوغاريتم الإمكانية، وقيمتي AIC و BIC للنموذج النشط في الذاكرة.

تنص القاعدة الإحصائية للمفاضلة على أن النموذج الأفضل والأكفأ هو الذي يسجل قيماً عددية أقل لمعياري AIC و BIC. وتعتبر الفروق الحسابية التي تتجاوز درجتبن (ΔAIC > 2) مؤشراً على تفوق النموذج ذي القيمة الأدنى، بينما تشير الفروق التي تتجاوز 10 درجات (ΔBIC > 10) إلى دليل إحصائي قاطع لصالح النموذج التربيعي مقارنة بالنموذج الخطي، مما يؤكد جودة وكفاءة التحول نحو النمذجة غير الخطية.

11. التشخيص الإحصائي للنموذج وفحص القيم الشاذة والمؤثرة

11.1 تحليل البواقي وتشخيص التباين غير المتجانس في Stata

تُمثل مرحلة التشخيص اللاحق للنموذج (Post-estimation Diagnostics) صمام الأمان الذي يضمن سلامة الاستنتاجات العلمية وخلو النموذج من التشوهات الهيكلية وسوء التخصيص. يعتمد التشخيص الأساسي على استخراج وفحص البواقي المعيارية (Standardized Residuals) لمعرفة ما إذا كانت الأخطاء تتوزع عشوائياً بشكل سليم حول الصفر.

في Stata، تُولد البواقي التنبؤية المعيارية مباشرة عبر الأمر: predict res_std, rstandard. يتم بعد ذلك إجراء الفحص البصري المحوري عبر رسم مخطط البواقي مقابل القيم المتنبأ بها (Residuals versus Fitted Values Plot) باستخدام الأمر المخصص المباشر: rvfplot, yline(0).

إذا أظهر مخطط rvfplot توزيعاً عشوائياً متجانساً للبواقي في شكل سحابة نقطية منتظمة لا يظهر فيها أي شكل نمطي أو انحنائي، دل ذلك على كفاءة النموذج التربيعي ونجاحه في استيعاب الانحناء الموجود في البيانات. أما إذا ظهرت البواقي في شكل قمعي يتسع تدريجياً، دل ذلك على وجود مشكلة تباين غير متجانس، بينما يشير بقاء أنماط انحنائية متموجة إلى حاجة النموذج لإضافة حدود تكعيبية من الدرجة الثالثة أو تطبيق تحويلات لوغاريتمية مناسبة.

11.2 الكشف عن المشاهدات الشاذة والمؤثرة (Outliers & Leverage)

تتسم نماذج الانحدار متعددة الحدود بحساسية بالغة للقيم المتطرفة والمشاهدات الشاذة ذات الرافعة العالية (High Leverage Points)؛ إذ يمكن لنقطة شاذة واحدة تقع في أطراف مدى المتغير المستقل أن تؤدي إلى سحب طرف المنحنى التربيعي بقوة نحوها وتغيير اتجاه التقعر بصورة مضللة لا تعكس البنية الحقيقية للمجتمع الأصلي.

للكشف عن هذه المشاهدات الخطيرة، يوفر برنامج Stata حزمة من الأدوات التشخيصية الكمية؛ حيث يمكن حساب مسافة كوك (Cook’s Distance) لكل مشاهدة عبر الأمر البرمجي: predict cook_d, cooksd. تُعتبر المشاهدات التي تسجل مسافة كوك تتجاوز العتبة الحرجة المقبولة 4/n (حيث n يمثل حجم العينة) نقاطاً مؤثرة للغاية تتطلب تدقيقاً خاصاً.

كما يمكن استعراض المشاهدات المجمعة ذات التأثير المزدوج (الرافعة العالية والبواقي الكبيرة معاً) باستخدام الرسم التشخيصي الشهير: lvr2plot. يتيح هذا الرسم عزل النقاط ذات الخطورة الإحصائية العالية، مما يمكن الباحث من فحصها نوعياً للتأكد من عدم وجود أخطاء في التسجيل، أو تقييم أثر النموذج بعد تطبيق الانحدار المتين (Robust Regression) لضمان استقرار المعاملات وموثوقيتها.

12. دراسة حالة تطبيقية وكتابة التقارير الأكاديمية وفق معايير APA

12.1 تطبيق عملي كامل: دراسة ساعات العمل ومستوى السعادة

لتجسيد كافة الخطوات النظرية والبرمجية السابقة في سياق واقعي، نفترض إجراء دراسة في علم النفس المهني تبحث في العلاقة بين عدد ساعات العمل الأسبوعية (المتغير المستقل X) ومستوى السعادة والرفاه النفسي في العمل (المتغير التابع Y، مقاساً على مقياس نفسي من 0 إلى 100) لدى عينة مكونة من 500 موظف.

تفترض النظرية النفسية أن العمل لساعات معتدلة يمنح الفرد شعوراً بالإنجاز والهوية المهنية والدخل الملائم مما يرفع مستوى سعادته، إلا أن الإفراط في ساعات العمل يتجاوز الطاقة الاستيعابية ويؤدي إلى الاحتراق النفسي وتراجع السعادة. نلخص الشيفرة البرمجية الكاملة والمترابطة لتنفيذ هذا التحليل في Stata على النحو التالي:

• use "work_happiness.dta", clear (تحميل قاعدة البيانات)
• summarize work_hours happiness (استكشاف البيانات الوصفية)
• twoway (scatter happiness work_hours) (lfit happiness work_hours) (qfit happiness work_hours) (الاستكشاف البصري)
• regress happiness c.work_hours##c.work_hours (تنفيذ الانحدار التربيعي)
• estat hettest (فحص تجانس تباين الأخطاء)
• margins, at(work_hours=(10(5)70)) (حساب القيم التنبؤية المتوقعة)
• marginsplot, title("أثر ساعات العمل على مستوى السعادة النفسية") (رسم المنحنى التنبؤي)
• nlcom -1*_b[work_hours]/(2*_b[c.work_hours#c.work_hours]) (حساب النقطة الحرجة للذروة مع فترة الثقة)

أظهرت نتائج التقدير أن معامل الحد الخطي بلغ b = 2.45 (p < .001)، بينما بلغ معامل الحد التربيعي b = -0.035 (p < .001) مع حد ثابت b₀ = 45.2. تشير إشارة المعامل التربيعي السالبة بوضوح إلى منحنى محدب على شكل حرف U المقلوب. وبالتطبيق الحسابي للأمر nlcom، وجدنا أن نقطة الذروة العظمى للسعادة تتحقق تماماً عند 35 ساعة عمل أسبوعياً، بحيث يبدأ منحنى السعادة في الهبوط التدريجي الحاد للموظفين الذين يعملون ساعات تتجاوز هذه العتبة الحرجة.

12.2 صياغة وتوثيق نتائج الانحدار التربيعي بأسلوب APA

تقتضي معايير النشر الأكاديمي الصادرة عن جمعية علم النفس الأمريكية (APA 7th Edition) توثيق نتائج الانحدار بدقة ولغة علمية محكمة تدمج بين المؤشرات الإحصائية العامة للنموذج والمعاملات التفصيلية، مع تجنب التكرار واستخدام جداول ورسوم بيانية منسقة بعناية.

تتم صياغة الفقرة التقريرية للنتائج السابقة في المتن الأكاديمي وفق الأسلوب التالي: “تم إجراء تحليل انحدار تربيعي متعدد الحدود لاختبار الفرضية القائلة بوجود علاقة منحنية بين ساعات العمل الأسبوعية ومستوى السعادة والرفاه النفسي. كشفت النتائج عن جودة ملاءمة دالة إحصائياً للنموذج التربيعي ككل، F(2, 497) = 48.62, p < .001, R² = .164 (R²_adj = .160)، مما يشير إلى أن النموذج يفسر ما نسبته 16.4% من التباين الكلي في مستوى السعادة النفسية.”

“وقد أظهرت النتائج التفصيلية دلالة إحصائية لمعامل الحد الخطي لساعات العمل (b = 2.450, SE = 0.312, t(497) = 7.85, p < .001, 95% CI [1.837, 3.063])، بالتوازي مع دلالة إحصائية عالية لمعامل الحد التربيعي (b = -0.035, SE = 0.004, t(497) = -8.75, p < .001, 95% CI [-0.043, -0.027]). وتؤكد الإشارة السالبة للمعامل التربيعي تشكل منحنى على شكل حرف U المقلوب؛ حيث بلغت ساعات العمل المثلى المحققة لأعلى مستوى سعادة متوقع 35.00 ساعة أسبوعياً (SE = 1.15, 95% CI [32.74, 37.26])، في حين ارتبط تجاوز هذا المعدل بتراجع مستمر في مؤشرات السعادة المهنية.”

12.3 أخطاء شائعة يجب تجنبها عند تطبيق الانحدار التربيعي

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية شائعة عند تطبيق وتحليل الانحدار التربيعي. ومن أبرز هذه الأخطاء وأخطرها: الاستغناء عن الحد الخطي وحذفه من المعادلة مع الإبقاء على الحد التربيعي فقط بحجة عدم معنوية الحد الخطي المنفرد. يُعد هذا الإجراء خطأ هيكلياً فادحاً يُعرف بانتهاك مبدأ الهرمية الرياضية (Hierarchical Principle)، حيث يؤدي حذف الحد الخطي إلى إجبار محور تماثل المنحنى على الوقوع قسراً عند النقطة صفر، مما يشوه التقديرات بالكامل.

يتمثل الخطأ المنهجي الثاني في تعميم التنبؤات واستقراء المنحنى خارج النطاق التجريبي المرصود للبيانات (Extrapolation). إن الدوال التربيعية تتسارع قيمها بشكل أسي في أطرافها؛ مما يجعل أي تنبؤ بقيم تقع خارج الحدين الأدنى والأقصى للبيانات الفعلية غير واقعي ومضللاً بدرجة كبيرة، وقد يؤدي إلى استنتاجات خاطئة تماماً.

أما الخطأ الثالث، فيكمن في القفز إلى استنتاجات سببية حتمية لمجرد ثبوت دلالة الانحناء التربيعي في الدراسات الارتباطية المستعرضة (Cross-sectional Studies). إن إثبات وجود منحنى تربيعي بين متغيرين في مسح مقطعي يعبر عن اقتران غير خطي وليس بالضرورة علاقة علية، ويتطلب الحسم السببي تصاميم تجريبية مضبوطة أو دراسات طولية متكررة تقيس التغير عبر الزمن.

خاتمة

يُمثل الانحدار التربيعي إضافة منهجية وتحليلية رفيعة المستوى لأدوات الباحثين في مختلف الحقول العلمية؛ إذ يمكنهم من كسر قيود الخطية الصلبة والغوص عميقاً في فهم الديناميكيات المعقدة والمنعطفات الحرجة للظواهر السلوكية والإنسانية. ويوفر برنامج Stata بيئة برمجية وإحصائية متكاملة تدمج بين سهولة وبراعة أوامر التقدير، ودقة الحسابات الهامشية، وقوة التشخيص البياني والرقمي للنموذج.

إن التطبيق الأمثل لهذا النموذج الإحصائي المتقدم يتطلب من الباحث وعياً منهجياً يجمع بين الإلمام بالأسس الرياضية للتفاضل والاشتقاق، والالتزام الصارم بالتحقق من الافتراضات الإحصائية لتجانس التباين واعتدالية الأخطاء ومعالجة التعدد الخطي، والقدرة على توظيف أدوات Stata المتطورة مثل مشغلات المتغيرات وأوامر الهوامش، وصولاً إلى التوثيق الأكاديمي الرصين للنتائج وفق المعايير المعترف بها عالمياً بما يثري المعرفة العلمية ويدعم اتخاذ القرارات القائمة على الأدلة الإحصائية القوية.

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.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294. https://doi.org/10.2307/1911963
• 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.
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Long, J. S., & Freese, J. (2014). Regression models for categorical dependent variables using Stata (3rd ed.). Stata Press.
• Mitchell, M. N. (2021). Interpreting and visualizing regression models using Stata (2nd ed.). Stata Press.
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709
• StataCorp. (2023). Stata 18 Base Reference Manual. Stata Press. https://www.stata.com/manuals/r.pdf
• UCLA: Statistical Consulting Group. (2022). Regression with Stata: Chapter 2 – Regression Diagnostics. IDRE. https://stats.oarc.ucla.edu/stata/webbooks/reg/
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.