كيفية إجراء الانحدار الخطي البسيط في SPSS

يحتل تحليل الانحدار الخطي البسيط (Simple Linear Regression) مكانة مركزية في ترسانة المنهجيات الإحصائية المعتمدة في البحوث النفسية والتربوية والاجتماعية المعاصرة. وتكمن القوة التحليلية لهذا النموذج الإحصائي في قدرته المتفوقة على تجاوز مجرد الوصف الساكن للظواهر الإنسانية أو رصد الاقتران الظاهري بينها، نحو بناء نماذج نمذجة تنبؤية وتفسيرية صلبة تمكن الباحث من تقدير التغيرات الديناميكية الحاصلة في متغير تابع (مستجيب) بدلالة التغيرات المرصودة في متغير مستقل (متنبئ). إن الانتقال من رصد التوافق التزامني بين المتغيرات إلى محاولة إرساء علاقة دالية محكومة بأسس رياضية دقيقة يمثل عصب التفكير العلمي الساعي إلى فهم السلوك الإنساني والتنبؤ بمساراته وتوجيهه وضبطه وفق مبادئ القياس الكمي الصارم.

تعد حزمة البرمجيات الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) البيئة الرقمية الأكثر انتشاراً واعتماداً بين الباحثين الأكاديميين وطلبة الدراسات العليا في شتى حقول العلوم السلوكية لإجراء هذا النوع من التحليلات المعقدة. ومع ذلك، فإن التعامل مع هذه الأداة لا ينبغي أن يقتصر على مجرد الضغط الميكانيكي على الأوامر البرمجية واستخراج الجداول الرقمية الصامتة، بل يستلزم إحاطة إبستمولوجية ومنهجية واعية بكافة الفروض الرياضية التحتية، وقدرة فائقة على تفكيك بنية المخرجات وتفسير معاملاتها في ضوء السياق النظري للدراسة، فضلاً عن امتلاك مهارات التشخيص المتقدم لاكتشاف أي انتهاك للنموذج الإحصائي ومعالجته قبل اعتماد النتائج وتوثيقها بصيغة علمية رصينة تتسق مع معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition).

يسعى هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي متكامل لكيفية إجراء تحليل الانحدار الخطي البسيط باستخدام برنامج SPSS من الصفر وحتى الاحتراف الأكاديمي. سنبدأ بالتعريج على المنطلقات النظرية والرياضية التي ينهض عليها هذا الأسلوب الإحصائي، مروراً باختبار الافتراضات الصارمة، وإعداد البيانات وتنظيفها، وتنفيذ الخطوات الإجرائية التفصيلية عبر واجهات البرنامج، وتفسير المخرجات والجداول الإحصائية بعمق دلالي، وصولاً إلى استعراض الحلول الإحصائية الحصينة لمعالجة الاعتلالات الميدانية وتقديم نموذج تطبيقي متكامل وتوثيقه للنشر العلمي الرصين.

1. مدخل نظري إلى تحليل الانحدار الخطي البسيط وأهميته في البحث النفسي

1.1 مفهوم الانحدار الخطي البسيط وطبيعته الإحصائية

يُعرَّف الانحدار الخطي البسيط في الأدبيات الإحصائية بأنه أسلوب إحصائي معلمي (Parametric Technique) يُستخدم لنمذجة العلاقة الوظيفية والتنبؤية بين متغيرين كميين مستمرين: المتغير الأول يسمى المتغير المستقل (Independent Variable) أو المتنبئ (Predictor)، ويرمز له بالرمز الإحصائي X، والمتغير الثاني هو المتغير التابع (Dependent Variable) أو متغير الاستجابة/النتيجة (Outcome/Criterion)، ويرمز له بالرمز Y. وتتحدد طبيعة هذا النموذج في كونه يفترض وجود مسار خطي مستقيم يصف الطريقة التي تتغير بها قيم المتغير Y بصورة متزامنة ومنتظمة كلما طرأت تغيرات محددة على قيم المتغير X.

في إطار الدراسات النفسية والسلوكية، يمثل الفصل المنهجي بين هذين المتغيرين حجر الزاوية في تصميم البحوث؛ إذ يُفترض بالمتغير المستقل أن يكون هو المثير أو العامل السببي المحتمل أو المتغير الممهد، كأن يكون مستوى القلق، أو ساعات النوم، أو شدة الدوافع الذاتية، في حين يمثل المتغير التابع النتيجة السلوكية أو المعرفية المترتبة على ذلك، كالأداء الأكاديمي، أو معدل الاكتئاب، أو مستوى التوافق المهني. ورغم أن الانحدار الخطي يوفر صياغة تنبؤية دقيقة، إلا أن الباحث السيكولوجي الرصين يجب ألا يخلط بين التنبؤ الرياضي والسببية القطعية (Causation)، فالانحدار يثبت وجود علاقة وظيفية تسمح بتقدير قيم أحد المتغيرين من الآخر، لكن البرهنة على السببية تتطلب شروطاً منهجية وتجريبية صارمة كالعزل والضبط والترتيب الزمني المنطقي للأحداث.

من الأهمية بمكان التمييز الجوهري بين معامل الارتباط الخطي لبيرسون (Pearson’s r) ونموذج الانحدار الخطي؛ فبينما يكتفي الارتباط برصد مقدار الاقتران المتماثل واتجاهه بين متغيرين دون أدنى تمايز في الأدوار الوظيفية بينهما (فارتباط X بـ Y هو ذاته ارتباط Y بـ X)، يقوم الانحدار على علاقة غير متماثلة (Asymmetrical Relationship) تحدد دوراً صريحاً لكل طرف، مستهدفاً صياغة خط مستقيم يقلل أخطاء التقدير إلى أدنى حد ممكن، مما يفتح الباب أمام ثلاثة أهداف تطبيقية محورية في العلوم الإنسانية: الوصف الدقيق للنمط الارتباطي، والتفسير لمعرفة مقدار التباين المشترك المحكوم بالمتغير المستقل، والتنبؤ بمسارات الظواهر النفسية لدى عينات أو مواقف جديدة بناءً على المعادلات المستخرجة.

1.2 الأسس الرياضية لمعادلة الانحدار الخطي

يقوم البناء الهيكلي لنموذج الانحدار الخطي البسيط في المجتمع الإحصائي على المعادلة الجبرية القياسية التالية:

Y = β₀ + β₁X + ε

حيث يمثل Y القيمة الفعلية للمتغير التابع المقاس تجريبياً، في حين يمثل X القيمة المحددة للمتغير المستقل. أما الرموز البارامترية، فتشير β₀ إلى نقطة التقاطع الرأسي مع المحور الصادي (Constant أو Intercept)، وتشير β₁ إلى معامل انحدار المجتمع أو ميل الخط المستقيم (Slope)، بينما يمثل ε حد الخطأ العشوائي (Random Error Component) الذي يعكس حقيقة أن الظواهر الإنسانية لا يمكن التنبؤ بها بدقة حتمية مطلقة نظراً لتداخل المتغيرات الدخيلة غير المقاسة وأخطاء القياس المتأصلة في أدوات البحث السلوكي.

وعند تطبيق المعادلة على عينة إحصائية مسحوبة من المجتمع، تتحول المعادلة إلى صيغتها التقديرية الحسابية:

Ŷ = b₀ + b₁X

حيث ترمز Ŷ (وتقرأ Y-hat) إلى القيمة المتنبأ بها للمتغير التابع (Predicted Value). وتعرّف نقطة التقاطع b₀ إحصائياً بأنها القيمة المتوقعة لـ Ŷ عندما تصبح قيمة المتغير المستقل X مساوية تماماً للصفر. وفي كثير من الأبحاث النفسية، قد لا تمتلك هذه القيمة الصفرية معنى واقعياً (على سبيل المثال: درجة صفر في مقياس الذكاء)، مما يجعل قيمة التقاطع بمثابة أداة موازنة رياضية لضبط مستوى الخط البياني، إلا إذا تم استخدام أسلوب تمركز البيانات حول المتوسط الحسابي (Mean Centering) لإضفاء معنى تفسيري واقعي عليها.

أما معامل الانحدار أو الميل b₁، فهو المعلمة الأكثر أهمية من الناحية التفسيرية؛ إذ يحدد معدل التغير الإيجابي أو السلبي في المتغير التابع Y المقترن بزيادة مقدارها وحدة قياس واحدة فقط في المتغير المستقل X. فإذا كانت قيمة الميل موجبة، كان الاتجاه طردياً، وإذا كانت سالبة دلت على علاقة عكسية، في حين تشير القيمة الصفرية إلى انعدام القدرة التنبؤية بالكلية. وينشأ الباقي الإحصائي أو خطأ التقدير اللحظي (Residual) من الفارق الرياضي بين القيمة المقاسة فعلياً والقيمة المستخرجة من المعادلة التنبؤية: e = Y – Ŷ، وهو الفارق الذي يمثل عصب التقديرات الإحصائية الحديثة وتشخيص جودة النماذج.

1.3 طريقة المربعات الصغرى العادية (OLS)

لتقدير المعلمات المجهولة (b₀ و b₁) من واقع بيانات العينة، يعتمد الانحدار الخطي الكلاسيكي على خوارزمية رياضية متينة تُعرف باسم طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS). وتستند هذه الخوارزمية إلى فلسفة هندسية بسيطة ولكنها عبقرية: يمر عبر سحابة النقاط في فضاء الانتشار عدد لا نهائي من الخطوط المستقيمة الممكنة، والخط الأمثل والأكثر كفاءة هو ذلك الخط الذي يجعل مجموع مربعات الانحرافات الرأسية بين القيم الحقيقية المرصودة والقيم الواقعة مباشرة على خط الانحدار عند أدنى حد رياضي ممكن، أي تصغير الدالة:

SSE = ∑ (Y_i – Ŷ_i)² = ∑ e_i² = Minimum

إن تربيع هذه الفروق الرأسية يخدم غايتين إحصائيتين أساسيتين: الغاية الأولى هي التخلص من المشكلة الحسابية الناتجة عن إلغاء الانحرافات الموجبة للانحرافات السالبة (حيث إن مجموع الفروق البسيطة ∑(Y – Ŷ) لأي خط OLS يساوي دائماً صفراً بالضرورة الجبرية)، والغاية الثانية هي فرض عقوبة رياضية تصاعدية ومضاعفة على الأخطاء الكبيرة، مما يجعل خط الانحدار حساساً جداً للتواجد بالقرب من كافة المشاهدات وتفادي الانحرافات الفادحة قدر الإمكان.

وفقاً لمبرهنة غاوس-ماركوف (Gauss-Markov Theorem)، تعتبر مقدرات طريقة المربعات الصغرى العادية هي أفضل المقدرات الخطية غير المتحيزة، وتُعرف اختصاراً بمصطلح (BLUE: Best Linear Unbiased Estimators)، بشرط تحقق مجموعة من الافتراضات الإحصائية الصارمة. وتعني كلمة “أفضل” هنا أن تباين هذه المقدرات هو الأصغر مقارنة بأي مقدرات خطية بديلة، مما يضمن أقصى درجات الدقة الإحصائية الممكنة في المجتمع المأخوذ منه العينة. ومع ذلك، ترتبط هذه الحساسية المفرطة للمربعات الصغرى بنقطة ضعف هيكلية تتمثل في تأثرها البالغ بالقيم المتطرفة والشاذة (Outliers)، حيث يمكن لنقطة واحدة شديدة الشذوذ أن تجذب خط الانحدار نحوها مثل المغناطيس، مما يؤدي إلى تشويه قيم المعلمات المقدرة وتضليل التفسيرات النظرية الناتجة عنها.

2. الافتراضات الإحصائية الأساسية لنموذج الانحدار الخطي البسيط

2.1 افتراض خطية العلاقة بين المتغيرين

يعد افتراض الخطية (Linearity) هو الفرض البنيوي الأول والأهم في نمذجة الانحدار الخطي البسيط؛ إذ ينص على أن النمط الرياضي الحقيقي الذي يربط بين المتغير المستقل والمتغير التابع هو نمط خطي مستقيم عبر كافة مستويات القياس. وبعبارة أخرى، يفترض النموذج أن معدل التغير في المتغير التابع المترافق مع زيادة وحدة واحدة في المتغير المستقل يظل ثابتاً ومستقراً ولا يتغير سواء كانت قيم المتغير المستقل في أدنى المقياس، أو في وسطه، أو في أقصاه.

تؤدي محاولة تطبيق الانحدار الخطي على ظواهر تتسم بطبيعة منحنية أو غير خطية (Curvilinear Relationships) إلى عواقب وخيمة على الدقة الاستدلالية للدراسة. ومن الأمثلة الشهيرة في علم النفس قانون يركيس-دودسون (Yerkes-Dodson Law)، الذي يوضح أن العلاقة بين الاستثارة والتوتر من جهة ومستوى الأداء من جهة أخرى تأخذ شكل حرف U المقلوب (أداء منخفض في التوتر المتدني جداً، وأداء مثالي في التوتر المعتدل، وتدهور في الأداء عند التوتر الشديد). فإذا قمنا بتمرير خط انحدار مستقيم لنمذجة هذه العلاقة، فإن معامل الميل سينهار ليقترب من الصفر، مما يقود الباحث إلى استنتاج زائف تماماً ومفاده غياب أي علاقة بين المتغيرين، في حين أن العلاقة بالغة القوة لكنها غير خطية.

لاكتشاف انتهاكات فرضية الخطية في المراحل الاستكشافية المبكرة للبحث، ينبغي على الباحث عدم القفز مباشرة إلى التحليل الاستدلالي، بل البدء بفحص الرسوم البيانية لتوزيع البيانات ثنائية الأبعاد عبر مخططات التشتت، بالإضافة إلى الفحص اللاحق للبواقي للتأكد من عدم ترك أثر دالي مقوس أو جيبي يعكس عجز الخط المستقيم عن مضاهاة الواقع السلوكي للبيانات.

2.2 افتراض التوزيع الطبيعي واستقلالية وتجانس تباين البواقي

تحيط بنموذج المربعات الصغرى منظومة متكاملة من الفروض التي لا تنصب في حقيقة الأمر على المتغيرات الأصلية الخام في ذاتها، بل تنصب تحديداً على سلوك البواقي الإحصائية (Residuals)، وهي الأخطاء العشوائية الناتجة عن تطبيق النموذج:

• افتراض التوزيع الطبيعي للبواقي (Normality of Residuals): يشترط هذا الفرض أن تتوزع الأخطاء العشوائية e_i توزيعاً طبيعياً معتدلاً بمتوسط حسابي قدره صفر وتباين محدد. ورغم أن مبرهنة النهاية المركزية (Central Limit Theorem) تمنح النموذج درجة معينة من الحصانة في العينات الكبيرة جداً، إلا أن اعتدالية البواقي تظل شرطاً جوهرياً وحاسماً لصحة اختبارات الدلالة الإحصائية، وبناء فترات الثقة لمعلمات الانحدار، واختبار فرضيات معنوية المعاملات عبر توزيعات t وتوزيعات F.
• افتراض استقلالية المشاهدات (Independence of Observations): يقتضي هذا الشرط ألا ترتبط قيمة الخطأ لأي مشاهدة بقيمة الخطأ لمشاهدة أخرى؛ أي غياب الارتباط الذاتي (Autocorrelation). يتحقق هذا الفرض منطقياً في التصاميم المستعرضة (Cross-sectional Studies) عند الاعتماد على العينات العشوائية البسيطة المستقلة، في حين ينتهك بشدة في الدراسات التتبعية، والسلاسل الزمنية، وتصاميم القياسات المتكررة على نفس الأفراد، مما يؤدي إلى تضخيم زائف لمستويات الدلالة وظهور نتائج إيجابية كاذبة (Type I Error).
• افتراض تجانس تباين البواقي (Homoscedasticity): ينص على أن تباين البواقي يجب أن يظل ثابتاً ومستقراً وموزعاً بصورة متساوية عبر كافة القيم المتوقعة للمتغير التابع. وفي حال انتهاك هذا الافتراض، نقع في مأزق ما يُعرف بعدم تجانس التباين (Heteroscedasticity)، حيث يصبح انتشار الأخطاء متسعاً في جزء من المخطط وضيقاً في جزء آخر، مما يترتب عليه بقاء معاملات الانحدار غير متحيزة لكنها تفقد كفاءتها الرياضية، وتصبح الأخطاء المعيارية المحسوبة مشوهة، مما ينسف مصداقية فترات الثقة وقيم الدلالة الإحصائية p-value.

2.3 مستوى قياس المتغيرات وحجم العينة المطلوب

يتطلب نموذج الانحدار الخطي الكلاسيكي أن يكون كل من المتغير المستقل والمتغير التابع مقاسين وفق مستويات القياس الكمية المستمرة، وتحديداً المقاييس الفترية (Interval Scale) أو مقاييس النسبة (Ratio Scale). وفي البحوث السيكولوجية والاجتماعية، كثيراً ما يستخدم الباحثون مقاييس ليكرت (Likert Scale)؛ وهنا يشترط العرف الأكاديمي الصارم تحويل هذه الاستجابات الرتبية إلى درجات كلية أو متوسطات أبعاد مركبة تمثل متغيراً فئوياً افتراضياً أو شبه كمي متصل قبل إدخالها في معادلات الانحدار، مع التحذير التام من استخدام متغير تابع اسمي أو ترتيبي بسيط؛ إذ تتطلب تلك الحالات نماذج انحدار لوجستي مخصصة (Logistic Regression).

أما فيما يتعلق بحجم العينة الأدنى (Sample Size) الكفيل بضمان مصداقية النموذج، فإن الأمر تحكمه اعتبارات القوة الإحصائية (Statistical Power). تعتمد القوة الإحصائية على حجم الأثر المتوقع في المجتمع، ومستوى الدلالة المرغوب (α = 0.05 عادة)، ومقدار الخطأ المعياري المقبول. تشير القواعد الإرشادية التقليدية (Rules of Thumb) مثل قاعدة غرين (Green, 1991) إلى ضرورة ألا يقل حجم العينة عن N ≥ 50 + 8m (حيث m هو عدد المتغيرات المستقلة، أي 58 مشاركاً كحد أدنى في الانحدار البسيط).

غير أن الممارسة البحثية المنهجية المعاصرة ترفض الاعتماد على هذه القواعد الحدسية المجردة، وتلزم الباحث بإجراء تحليل قبلي للقوة الإحصائية (A Priori Power Analysis) باستخدام برمجيات دقيقة مثل G*Power. إن العينات الصغيرة جداً (أقل من 30 فرداً مثلاً) ترفع بصورة حادة من خطأ المعاينة، وتجعل النموذج غير مستقر وفريسة سهلة للتقلبات العشوائية والتأثير التخريبي للقيم الشاذة، مما يجعل القدرة على تعميم النتائج منعدمة علمياً.

3. إعداد البيانات وتجهيزها للتحليل في برنامج SPSS

3.1 تعريف المتغيرات في نافذة Variable View

تبدأ الرحلة الإجرائية لتنفيذ التحليل داخل بيئة SPSS بالانتقال إلى نافذة عرض المتغيرات (Variable View) عبر التبويب السفلي لواجهة البرنامج. إن إعداد خصائص المتغيرات بدقة فائقة في هذه الشاشة يشكل صمام الأمان لمنع الأخطاء البرمجية أثناء استخراج النتائج ولضمان خروج الجداول بتسميات أكاديمية واضحة ومفهومة:

• حقل الاسم (Name): يتم كتابة رمز تعريفي مختصر للمتغير، مثل Study_Hours للمتغير المستقل و Exam_Score للمتغير التابع. ويجب الالتزام بالقواعد البرمجية لبرنامج SPSS: ألا يبدأ الاسم برقم، وألا يتضمن مسافات فارغة (يُستعاض عنها بالشرطة السفلية _)، وألا يحتوي على رموز خاصة.
• حقل النوع (Type): يجب التأكد من ضبطه على الخيار الافتراضي الرقمي (Numeric) لكلا المتغيرين؛ فالانحدار لا يتعامل مع المتغيرات النصية (String).
• حقل التسمية التوضيحية (Label): يكتب هنا الاسم التفصيلي الكامل للمتغير باللغة العربية أو الإنجليزية (مثلاً: “عدد ساعات الاستذكار الأسبوعية”، “درجة التحصيل في الاختبار النهائي”). وتبرز أهمية هذا الحقل في كون نصوصه هي التي ستظهر مباشرة كعناوين رئيسية في جداول المخرجات اللاحقة بدلاً من الأسماء المختصرة.
• حقل مستوى القياس (Measure): هذه الخطوة بالغة الأهمية؛ إذ يتحتم ضبط مستوى القياس على الخيار الكمي المستمر Scale لكل من المتغير المستقل والمتغير التابع، وتجنب خياري Nominal (اسمي) أو Ordinal (رتبي).
• حقل القيم المفقودة (Missing): يتم النقر على المربع وتحديد أكواد واضحة للقيم المفقودة المتعمدة (كإدخال القيمة 999 أو -99)، وذلك لضمان عزل الحالات التي لم تستوفِ الإجابات ومنع البرنامج من احتسابها كأرقام خام حقيقية تؤدي إلى تحريف المتوسطات ومعاملات الانحدار تحريفاً كارثياً.

3.2 فحص البيانات وكشف القيم الشاذة المبدئية

عقب إدخال الأرقام الخام في شاشة عرض البيانات (Data View)، تقتضي النزاهة العلمية الشروع في مرحلة استكشاف البيانات وتنظيفها (Data Screening & Cleaning) قبل تشغيل الانحدار؛ للتأكد من خلو مصفوفة البيانات من أخطاء الإدخال البشري غير المنطقية (كالدرجات التي تتجاوز السقف الأعلى الممكن للاختبار) ومن القيم الشاذة المتطرفة (Outliers).

يتم هذا الفحص المبدئي باتباع المسار الإجرائي التالي في القوائم العلوية لبرنامج SPSS:

Analyze > Descriptive Statistics > Explore

في النافذة المنبثقة، يتم نقل المتغيرين المرصودين إلى خانة قائمة المتغيرات التابعة (Dependent List)، ثم النقر على زر Statistics وتفعيل خياري Outliers و Descriptives. بعد ذلك يتم النقر على زر Plots واختيار مخططات الصندوق المتوازية (Factor levels together) مع تفعيل خيار Normality plots with tests لاستخراج اختبارات الاعتدالية ومخططات الصندوق البيانية.

توفر مخرجات أمر Explore مؤشرات حيوية لحكم الباحث على بياناته؛ حيث تظهر جداول الإحصاء الوصفي قيم الالتواء (Skewness) والتفرطح (Kurtosis)، والتي ينبغي في التوزيع المعتدل المقبول أن تنحصر بين المجال القياسي (+2 إلى -2) وفق المعايير الأكاديمية الليبرالية للعينات السلوكية، أو بين (+1 إلى -1) للعينات الأكثر دقة. كما تكشف مخططات الصندوق (Boxplots) عن وجود أي حالات شاذة، والتي يعلمها برنامج SPSS برمز دائرة صغيرة (○) للحالات المتطرفة المعتدلة التي تبعد 1.5 ضعفاً عن المدى الربيعي، أو برمز النجمة (★) للحالات الشديدة الشذوذ التي تتجاوز ثلاثة أضعاف المدى الربيعي، مما يستوجب فحص استماراتها الأصلية للتأكد من صحتها الإدخالية أو اتخاذ قرارات منهجية بشأنها.

4. الفحص البصري والاستكشافي للعلاقة باستخدام مخطط التشتت (Scatterplot)

4.1 إنشاء مخطط التشتت عبر أداة Chart Builder في SPSS

يعد الفحص البصري باستخدام مخطط التشتت (Scatterplot) الخطوة الإلزامية التي تسبق النمذجة الرياضية؛ إذ يجسد المخطط التوزيع الهندسي المشترك لنقاط البيانات في فضاء ديكارتي ثنائي الأبعاد، كاشفاً للعين المجردة ما تعجز الأرقام التلخيصية أحياناً عن إبرازه بوضوح. يتيح برنامج SPSS بناء هذه المخططات البيانية باحترافية عالية عبر أداة منشئ الرسوم الإحصائية المتقدمة (Chart Builder).

لإنشاء هذا المخطط بدقة، يتم النقر على المسار التالي في القائمة الرئيسية:

Graphs > Chart Builder

عند ظهور شاشة المعالج التفاعلي، يتم اختيار فئة الرسوم البيانية Scatter/Dot من قائمة المعرض السفلي (Gallery)، ثم النقر والسحب لأول نموذج بياني من اليسار وهو Simple Scatter وإسقاطه في مساحة المعاينة التفاعلية الكبرى بالأعلى. بعد ذلك، يتم سحب المتغير المستقل (مثل Study_Hours) وإسقاطه بدقة فوق منطقة المحور الأفقي X-Axis?، وسحب المتغير التابع (مثل Exam_Score) وإسقاطه فوق المحور الرأسي Y-Axis?. يتيح هذا التموضع قراءة التغير في المتغير التابع كنتيجة دالية للمتغير المستقل، ثم يتم النقر على زر OK ليقوم البرنامج بتوليد المخطط في شاشة المخرجات (Output Viewer).

4.2 إضافة وتفسير خط الملاءمة الأفضل (Fit Line)

لا يكتمل الفحص البصري إلا بتراكب خط التقدير الرياضي فوق سحابة البيانات لتجسيد ميل العلاقة؛ ولتحقيق ذلك في SPSS، يتم النقر نقراً مزدوجاً (Double Click) على مخطط التشتت الناتج داخل نافذة المخرجات، مما يؤدي إلى انبثاق نافذة متخصصة تُعرف باسم محرر الرسوم البيانية (Chart Editor). من شريط الأدوات العلوي في هذه النافذة أو من قائمة العناصر (Elements)، يتم النقر على أيقونة Add Fit Line at Total (والتي تظهر خطاً مائلاً يمر عبر نقاط مبعثرة).

تفتح هذه الأداة نافذة خصائص خط التطابق (Properties)؛ حيث يجب التأكد من تحديد خيار Linear في تبويب نمط الملاءمة (Fit Method). عند تطبيق هذا الأمر، يرسم البرنامج الخط المستقيم الذي يطابق صيغة المربعات الصغرى العادية ويكتب تلقائياً معادلته الرياضية وقيمة معامل التحديد R² أعلى أو بجانب الخط. يتعين على الباحث هنا تدقيق النظر بعناية فائقة في النمط البياني المتشكل وفق المعايير الثلاثية التالية:

• شكل واتجاه العلاقة: إذا كانت النقاط تصعد تدريجياً من أسفل اليسار إلى أعلى اليمين بموازاة الخط المستقيم، دل ذلك على وجود علاقة خطية موجبة (طردية). وإذا كانت تهبط من أعلى اليسار إلى أسفل اليمين، كانت العلاقة سالبة (عكسية). أما إذا تناثرت النقاط بشكل دائري غير منتظم دون ميل ملحوظ، فإن العلاقة تكون منعدمة.
• قوة وتماسك السحابة: كلما كانت النقاط متلاصقة ومتقاربة ومتحلقة بإحكام حول خط الانحدار، دل ذلك على أن العلاقة قوية وأن خطأ التقدير سيكون ضئيلاً جداً. وكلما كانت النقاط متباعدة تباعداً عريضاً، أشار ذلك إلى ضعف القوة التفسيرية وارتفاع تباين البواقي.
• كشف الانحرافات اللاخطية والتكتلات الشاذة: يكشف المخطط فوراً ما إذا كانت العلاقة الحقيقية تأخذ منحنى دالياً (على شكل حرف U، أو شكل دالة لوغاريتمية مشبعة)، وفي تلك الحالة يجب الامتناع التام عن مواصلة إجراء الانحدار الخطي بصيغته البسيطة والتوجه نحو النماذج غير الخطية، فضلاً عن تحديد الحالات المعزولة التي تغرد بعيداً عن السرب البياني العام.

5. خطوات تنفيذ تحليل الانحدار الخطي البسيط في SPSS بالتفصيل

5.1 الوصول إلى معالج الانحدار الخطي وتحديد المتغيرات

بعد التأكد المبدئي من منطقية المؤشرات الاستكشافية وملاءمة البيانات للنمذجة الخطية، يتم الدخول إلى معالج الانحدار المتخصص في SPSS عبر المسار المنهجي التالي:

Analyze > Regression > Linear

تنفتح نافذة الحوار الرئيسية المعنونة بـ Linear Regression؛ حيث تتضمن قائمة بجميع متغيرات الدراسة على الجانب الأيسر، وصناديق إدخال فارغة على الجانب الأيمن. تتطلب هذه الخطوة تركيزاً إجرائياً تاماً لتفادي الأخطاء المعكوسة الشائعة:

• يتم النقر على المتغير التابع النمائي (مثل: درجات الاختبار النهائي Exam_Score) وتمريره بواسطة السهم الأوسط إلى صندوق Dependent. لا يقبل هذا الصندوق سوى متغير كمي واحد فقط في نموذج الانحدار البسيط.
• يتم النقر على المتغير المستقل التنبؤي (مثل: ساعات الاستذكار Study_Hours) وتمريره إلى صندوق Independent(s).
• يُترك خيار طريقة الإدخال Method مضبوطاً على خياره الافتراضي القياسي وهو Enter؛ حيث تعني هذه الطريقة إدخال المتغير المستقل إلى النموذج دفعة واحدة وبصورة إجبارية. ورغم وجود طرق استكشافية متقدمة في الصندوق المنسدل (مثل: Stepwise و Forward و Backward)، إلا أن هذه الطرق مخصصة حصراً لتحليلات الانحدار المتعدد (Multiple Regression) عند المفاضلة بين عدة متغيرات مستقلة، ولا مبرر إحصائياً مطلقاً لاستخدامها في الانحدار البسيط ذي المتغير المفرد.

5.2 ضبط خيارات الإحصاءات المتقدمة (Statistics Tab)

للحصول على المخرجات التحليلية المعمقة اللازمة للاستدلال والتوثيق، يتم النقر على زر Statistics المتواجد في الزاوية العلوية اليمنى من نافذة الانحدار، لتنبثق شاشة تفعيل المؤشرات الإحصائية. يتعين على الباحث التحقق من تفعيل الخيارات التالية:

• Estimates (تقديرات المعلمات): وهو خيار مفعل افتراضياً، ويعمل على توليد معاملات الانحدار غير المعيارية (B) وقيمتها المعيارية (Beta)، وقيمة الخطأ المعياري، واختبار الدلالة t ومستوى المعنوية المقترن به.
• Confidence intervals (فترات الثقة): يجب تفعيل هذا الخيار الحاسم، وضبطه على مستوى ثقة 95%. يوفر هذا الخيار الحد الأدنى والحد الأعلى لمعامل الانحدار، وهو مطلب إلزامي حديث لمجلات النشر العلمي المحكمة لتقييم مقدار الدقة الإحصائية بعيداً عن مجرد الاعتماد الساذج على الدلالة الصفرية.
• Model fit (جودة ملاءمة النموذج): يضمن هذا الخيار استخراج جدول تحليل التباين (ANOVA)، وحساب معامل الارتباط R، ومعامل التحديد R²، وقيمة الخطأ المعياري للتقدير.
• Descriptives (الإحصاءات الوصفية): يؤدي تفعيله إلى توليد المتوسطات الحسابية والانحرافات المعيارية وحجم العينة للمتغيرات قيد التحليل، مع استخراج مصفوفة معاملات ارتباط بيرسون الثنائية ومستويات دلالتها أحادية أو ثنائية الذيل.
• Durbin-Watson (اختبار ديربن-واتسون): يتم تفعيل هذا الفحص التشخيصي لتقييم مدى استقلالية البواقي الإحصائية والتأكد من خلو النموذج من ظاهرة الارتباط الذاتي من الدرجة الأولى.

عقب إتمام هذه التحديدات، يتم الضغط على زر Continue للعودة إلى النافذة الأم.

5.3 توليد مخططات التحقق من البواقي (Plots Tab)

يمثل التبويب الفرعي Plots الركيزة الأساسية لفحص الافتراضات الصارمة للبواقي الإحصائية بصرياً داخل برنامج SPSS. بعد النقر على زر Plots، تظهر نافذة تحتوي على قائمة من الرموز الرياضية المعيارية للبواقي والقيم المتنبأ بها:

• يتم اختيار المتغير *ZRESID (وهو يمثل البواقي المعيارية المحسوبة: Standardized Residuals) وسحبه إلى صندوق المحور الرأسي Y.
• يتم اختيار المتغير *ZPRED (وهو يمثل القيم التنبؤية المعيارية للمتغير التابع: Standardized Predicted Values) وسحبه إلى صندوق المحور الأفقي X.
• يعد هذا المخطط التقاطعي ثنائي الأبعاد (مخطط ZRESID مقابل ZPRED) الفحص البصري المعياري الأول لاختبار فرضيتي خطية العلاقة وتجانس تباين الأخطاء في آن واحد معاً.
• في الجزء السفلي من النافذة، وتحت عنوان الرسوم البيانية للبواقي المعيارية (Standardized Residual Plots)، يجب تفعيل الخيارين التاليين عبر وضع علامة صح في المربعين الخاصين بهما:
  • Histogram (المدرج التكراري): لتوليد رسم تكراري مع منحنى التوزيع الطبيعي المتراكب، مما يتيح التقييم البصري لاعتدالية توزيع الأخطاء حول الصفر.
  • Normal probability plot (مخطط الاحتمال الطبيعي P-P Plot): لرسم توزيع البواقي التراكمي الملاحظ مقابل التوزيع التراكمي النظري المتوقع.

يتم النقر بعد ذلك على زر Continue للاحتفاظ بالإعدادات والرجوع للنافذة السابقة.

5.4 حفظ التشخيصات والقيم التنبؤية (Save Tab)

يوفر تبويب Save إمكانية هندسية بالغة التطور لحفظ المخرجات الحسابية المشتقة لكل فرد ومشارك كأعمدة جديدة تُضاف تلقائياً إلى مصفوفة البيانات في نافذة Data View. إن حفظ هذه المقاييس لا يثري فهم الباحث فحسب، بل يمنحه الأدوات اللازمة للتشخيص الاستقصائي المعمق للحالات الشاذة والمؤثرة:

• Predicted Values (القيم المتنبأ بها): يتم تحديد خيار Unstandardized، مما ينشئ متغيراً جديداً باسم (PRE_1) يعبر عن القيمة المتوقعة الدقيقة Ŷ للدرجة التابعة لكل مفحوص بناءً على معادلة الانحدار المحسوبة.
• Residuals (البواقي الإحصائية): يتم تحديد خياري Unstandardized (لتوليد المتغير RES_1 المعبر عن مقدار الخطأ Y – Ŷ بوحدات القياس الأصلية)، و Standardized (لتوليد المتغير ZRE_1 الذي يقسم الباقي على انحرافه المعياري، مسهلاً رصد القيم الشاذة المتطرفة التي تتجاوز المعايير المعيارية).
• Distances (مقاييس المسافة والرافعة): يتم تفعيل خيار مسافة كوك (Cook’s distance) لتوليد المتغير (COO_1)، وخيار Leverage values (قيم الرافعة لتوليد LEV_1). تقيس هذه المؤشرات مدى ثقل وزن كل مفردة وقدرتها المنفردة على جذب خط الانحدار نحوها وتغيير قيمة المعلمات في حال استبعادها من التحليل.

عقب النقر على Continue، يعود الباحث إلى نافذة الحوار الأصلية، ليقوم بالنقر على زر OK ليشرع محرك التحليل الإحصائي في SPSS في تنفيذ العمليات الحسابية وتوليد المخرجات الكاملة في نافذة Viewer.

6. تفسير المخرجات الإحصائية: جدول ملخص النموذج (Model Summary)

6.1 معامل الارتباط المتعدد (R) ومعامل التحديد (R-Square)

يمثل جدول ملخص النموذج (Model Summary) المحطة الأولى والأبرز في قراءة النتائج الإحصائية؛ حيث يقدم مؤشرات شمولية تلخص مدى كفاءة النموذج الإحصائي في ملاءمة البيانات المقاسة. يضم هذا الجدول أعمدة محددة تكشف التماسك الداخلي للعلاقة التنبؤية:

يشير العمود الأول R إلى معامل الارتباط المتعدد (Multiple Correlation Coefficient)، وفي حالة الانحدار الخطي البسيط ذي المتغير المستقل الوحيد، تكون قيمة R مطابقة تماماً للقيمة المطلقة لمعامل ارتباط بيرسون البسيط (Pearson’s r) بين المتغيرين. تتراوح هذه القيمة بين 0 و 1، وتستخدم كمؤشر مباشر لتقييم قوة الارتباط الخطي الإجمالي؛ فكلما اقتربت القيمة من الواحد الصحيح، دلت على ارتباط تنبؤي فائق القوة بين المتنبئ والنتيجة، في حين تدل القيمة القريبة من الصفر على خواء النموذج من أي جدوى تنبؤية.

أما العمود الثاني R Square (R²)، والذي يُعرف إحصائياً بـ معامل التحديد (Coefficient of Determination)، فيعد واحداً من أهم المقاييس الإحصائية المفسرة لقوة الأثر على الإطلاق. يمثل معامل التحديد النسبة المئوية الدقيقة للتباين الكلي في المتغير التابع التي استطاع المتغير المستقل أن يفسرها أو يتنبأ بها من خلال النموذج الخطي. فعلى سبيل المثال، إذا بلغت قيمة R² = 0.456، فإن ذلك يفسر بأن 45.6% من التباينات والاختلافات الفردية المرصودة في درجات الطلاب تعزى وتفسر مباشرة بدلالة عدد ساعات الاستذكار، في حين تظل النسبة المتبقية (54.4%) بمثابة تباين متبقٍ غير مفسر ناتج عن عوامل نفسية وظرفية أخرى لم يتضمنها النموذج، بالإضافة إلى خطأ القياس العشوائي.

في حقل العلوم السلوكية والتربوية، تخضع معايير الحكم على القوة التفسيرية لـ R² لتصنيفات جيكوب كوهين (Cohen, 1988) الشهيرة؛ حيث يعتبر الأثر ضعيفاً إذا كانت قيمة R² تحوم حول 0.02 (تفسير 2% من التباين)، ومتوسطاً إذا بلغت 0.13 (13% من التباين)، وكبيراً إذا وصلت أو تجاوزت 0.26 (تفسير 26% فأكثر من التباين الكلي).

6.2 معامل التحديد المعدل والخطأ المعياري للتقدير

يتضمن جدول ملخص النموذج عمودين إضافيين بالغي الأهمية الدلالية:

• معامل التحديد المعدل (Adjusted R Square): صيغت هذه القيمة كأداة ضبط إحصائي تصحيحية تأخذ في الحسبان كلاً من حجم العينة وعدد المتغيرات المستقلة في النموذج. تكمن المشكلة الرياضية لـ R² الخام في كونه يميل بصورة حتمية إلى التضخم والتفاؤل الإحصائي الزائف؛ لذا يقوم معامل التحديد المعدل بفرض عقوبة رياضية تخفض من قيمته كلما صغر حجم العينة، ليعكس التقدير الحقيقي غير المتحيز للتباين المفسر إذا ما طُبق النموذج على المجتمع الإحصائي العام. ورغم أن أهمية هذا العمود تتعاظم في الانحدار المتعدد، إلا أنه يوفر في الانحدار البسيط مؤشراً واقعياً لحماية الباحث من تضخيم فاعلية النتائج في العينات السلوكية المحدودة.
• الخطأ المعياري للتقدير (Std. Error of the Estimate): يمثل الانحراف المعياري للبواقي الإحصائية (S_e). ويوفر هذا المؤشر رقماً يعبر عن متوسط المسافة أو الخطأ الذي تنحرف به القيم الحقيقية عن خط الانحدار بنفس وحدات قياس المتغير التابع الأصلية. فإذا كان المتغير التابع يقاس بالدرجات من (0 إلى 100)، وبلغ الخطأ المعياري للتقدير 4.2، فهذا يعني أن التنبؤات الناتجة عن النموذج تخطئ في المتوسط العام بمقدار يعادل 4.2 درجة تقريباً. وكلما صغرت هذه القيمة، تزايدت الثقة والموثوقية في الدقة التنبؤية للمعادلة المستخرجة.
• إحصائية ديربن-واتسون (Durbin-Watson): تتراوح قيمتها المحسوبة نظرياً بين 0 و 4؛ وتشير القيمة القريبة من 2.0 (مجال القبول المعتمد يتراوح عادة بين 1.5 و 2.5) إلى الاستقلال التام للأخطاء وتحقق فرضية خلو النموذج من الارتباط الذاتي المتتالي للبواقي، في حين تشير القيم المقتربة من الصفر إلى ارتباط ذاتي موجب فادح، والقيم المقتربة من 4 إلى ارتباط ذاتي سالب.

7. تفسير المخرجات الإحصائية: جدول تحليل التباين (ANOVA)

7.1 تفكيك مجموع المربعات ودرجات الحرية

يقوم جدول تحليل التباين (Analysis of Variance – ANOVA) بفحص الصلاحية الكلية للنموذج الإحصائي المقترح. وتقوم الفلسفة الرياضية لهذا الجدول على تجزئة وتفكيك التباين الإجمالي المقاس في المتغير التابع، ممثلاً في مجموع المربعات الكلي (Total Sum of Squares – SST)، إلى مركبين أساسيين منفصلين:

SS_Total = SS_Regression + SS_Residual

يتضح هذا التفكيك عبر دراسة أسطر جدول ANOVA بالتفصيل:

• مجموع مربعات الانحدار (Regression Sum of Squares – SSR): يمثل مقدار التباين والتشتت الذي نجح نموذج الانحدار الخطي المقترح في تفسيره واستيعابه، ويقاس بحساب الفروق المربعة بين القيم المتنبأ بها والمتوسط الحسابي العام للمتغير التابع: ∑(Ŷ – Ȳ)². درجات الحرية المقترنة به (df) تساوي دائماً عدد المتغيرات المستقلة في النموذج، وهي تساوي تماماً (df = 1) في حالة الانحدار البسيط.
• مجموع مربعات الخطأ أو البواقي (Residual/Error Sum of Squares – SSE): يمثل مقدار التشتت العشوائي أو التباين الفوضوي الذي فشل النموذج الرياضي في الإحاطة به، ويقاس بالفروق المربعة بين الدرجات الأصلية والقيم المتنبأ بها: ∑(Y – Ŷ)². وتتحدد درجات الحرية الخاصة به بالمعادلة df = N – k – 1 (حيث N حجم العينة الكلي، و k عدد المتغيرات المستقلة، أي N – 2 في الانحدار البسيط).
• مجموع المربعات الكلي (Total Sum of Squares): هو حاصل الجمع الجبري للمركبين، ويعكس التشتت الإجمالي للدرجات الأصلية حول متوسطها الحسابي الكلي: ∑(Y – Ȳ)²، وتكون درجات الحرية التابعة له مساوية دائماً لـ N – 1. ومن الجدير بالذكر أن قسمة مجموع مربعات الانحدار على مجموع المربعات الكلي (SSR / SST) تنتج هندسياً وبدقة متناهية قيمة معامل التحديد R² ذاتها التي ظهرت في جدول ملخص النموذج.

7.2 اختبار فائية الانحدار (F-Test) ومستوى الدلالة

للانتقال من التباينات الخام إلى مرحلة الحكم الاستدلالي الصارم، يقوم البرنامج بحساب متوسط المربعات (Mean Square) لكل من الانحدار والخطأ من خلال قسمة مجموع مربعات كل مركب على درجات الحرية المقترنة به:

MS_Regression = SS_Regression / df_Regression

MS_Residual = SS_Residual / df_Residual

بعد ذلك، يتم اشتقاق القيمة الإحصائية لاختبار F المحسوبة (F-Statistic) عن طريق قسمة تباين الانحدار المفسر على تباين الخطأ غير المفسر:

F = MS_Regression / MS_Residual

تخضع هذه القيمة لاختبار الفرضية الصفرية الأساسية للنموذج (Null Hypothesis: H₀) والتي تنص على أن: “النموذج الخطي لا يمتلك أي قدرة تفسيرية، وأن ميل الانحدار في المجتمع يساوي صفراً، وأن قيمة R² = 0“. تقارن القيمة المحسوبة لاختبار F بتوزيع فيشر النظري في ضوء درجات الحرية المقابلة؛ وكلما تضخمت قيمة F وابتعدت عن الواحد الصحيح صعوداً، دل ذلك على أن التباين الذي يفسره النموذج يتفوق بمراحل درامية على تباين الخطأ العشوائي، مما يؤدي إلى انخفاض قيمة الدلالة المقترنة Sig. (p-value).

إذا كانت قيمة p-value الظاهرة في عمود Sig. أقل من مستوى الدلالة الأكاديمي المعتمد (المحدد سلفاً عند α = 0.05 أو α = 0.01)، يتم رفض الفرضية الصفرية بحزم، ويُحكم بصلاحية النموذج إحصائياً (Statistically Significant Model). يعني هذا القرار العلمي أن العلاقة بين المتغير المستقل والمتغير التابع هي علاقة منتظمة وحقيقية في المجتمع وليست وليدة الصدفة الإحصائية أو أخطاء المعاينة العشوائية، مما يخول الباحث الانتقال للخطوة التالية وهي فحص معاملات النموذج الفردية.

8. تفسير المخرجات الإحصائية: جدول المعاملات (Coefficients) وبناء المعادلة

8.1 المعاملات غير المعيارية (Unstandardized Coefficients)

يعد جدول المعاملات (Coefficients) العصب التفسيري والإجرائي لنموذج الانحدار؛ حيث يضم المعالم الرياضية التفصيلية التي تسمح ببناء معادلة التنبؤ والتحقق من وزن المتغير المستقل ودلالته المنفردة. ينقسم الجدول إلى عدة أعمدة محورية:

يقدم العمود الأول المعنون بـ Unstandardized Coefficients قيمتين حاسمتين تحت الحرف اللاتيني B:

• قيمة الثابت (Constant أو b₀): وتظهر في السطر الأول المعنون بـ (Constant). تمثل هذه القيمة النقطة التي يتقاطع عندها خط الانحدار التقديري مع المحور الرأسي Y عندما تكون قيمة المتغير المستقل X مساوية تماماً للصفر. فإذا أظهر الجدول مثلاً أن قيمة الثابت تساوي 32.50، فهذا يعني رياضياً أن الطالب الذي يقضي صفراً من ساعات الاستذكار (أي لم يستذكر مطلقاً) يُتوقع له نظرياً الحصول على درجة تعادل 32.50 من مئة. يجب تفسير هذه القيمة بحذر سيكولوجي بالغ؛ إذ إنها قد تفقد معناها التطبيقي إذا كانت القيمة الصفرية لـ X مستحيلة الوقوع واقعياً، ولكنها تظل ضرورية جبرياً كمعامل ضبط توازني لخط الملاءمة.
• معامل ميل الانحدار (Slope أو b₁): ويظهر في السطر الثاني المقابل لاسم المتغير المستقل المكتوب (مثل: Study_Hours). يمثل هذا المعامل مقدار واتجاه التغير المطلق الحاصل في وحدات قياس المتغير التابع الأصلية المترتب على زيادة وحدة قياس واحدة فقط في المتغير المستقل. فإذا كانت قيمة B لمتغير ساعات الاستذكار تساوي (+4.15)، فإن التفسير الأكاديمي الصارم هو: “كل زيادة مقدارها ساعة استذكار واحدة أسبوعياً يرتبط بها ارتفاع مقداره 4.15 درجات في الاختبار التحصيلي النهائي”.
• الخطأ المعياري للمعاملات (Std. Error): يوضح هذا العمود التشتت المتوقع للمعامل B عبر العينات المختلفة المسحوبة من نفس المجتمع؛ وكلما كانت هذه القيمة ضئيلة، دلت على استقرار تقدير المعلمة واقترابها الشديد من المعلمة الحقيقية للمجتمع الإحصائي ككل.

8.2 المعاملات المعيارية واختبار ت والدلالة الإحصائية

يوفر النصف الأيمن من جدول المعاملات حزمة من المؤشرات المعيارية والاختبارات الفرضية المتقدمة التي تكتسي أهمية استدلالية قصوى:

• معامل الانحدار المعياري (Standardized Coefficients – Beta / β): يمثل هذا المؤشر وزن الانحدار بعد إزالة وحدات القياس الأصلية وإخضاع المتغيرين لتحويل Z المعياري (Standardization: بمتوسط صفر وانحراف معياري قدره واحد). وتفسر قيمة β بأنها مقدار التغير في الانحرافات المعيارية للمتغير التابع المقترن بزيادة انحراف معياري واحد كامل في المتغير المستقل. وفي إطار الانحدار الخطي البسيط حصراً، يحمل معامل بيتا خاصية رياضية متفردة؛ إذ تتطابق قيمته الرياضية وإشارته الجبرية تماماً مع معامل ارتباط بيرسون البسيط (r) بين المتغيرين، وتتحدد دلالته في تسهيل مقارنة التأثيرات عند التعامل مع مقاييس متباينة الوحدات.
• اختبار ت (t-Statistic): يشتق هذا الاختبار بقسمة المعامل غير المعياري على خطئه المعياري المباشر: t = B / Std. Error. يُجرى هذا الفحص لاختبار الفرضية الصفرية الجزئية القائلة بأن ميل الانحدار في المجتمع يساوي صفراً (H₀: β₁ = 0). فإذا كانت قيمة t المحسوبة بعيدة عن الصفر وتتجاوز القيمة الحرجة المجدولة (التي تقارب ±1.96 عند مستوى ثقة 95%)، يتم رفض الفرضية الصفرية.
• مستوى الدلالة (Sig.): يمثل قيمة الاحتمالية (p-value) لاختبار t ثنائي الذيل. تؤكد القيمة إذا كانت (p < 0.05) أن المتغير المستقل يسهم إسهاماً تنبؤياً ذا دلالة إحصائية معنوية في تفسير المتغير التابع.
• فترات الثقة لمعامل B (95% Confidence Interval): تحدد هذه الأعمدة (Lower Bound و Upper Bound) النطاق الواقعي الذي يرجح الباحث بنسبة يقين 95% أن يقع داخله معامل ميل الانحدار الحقيقي في المجتمع. ومن القواعد المنهجية الذهبية: إذا لم تتضمن فترة الثقة الرقم صفر بين حدها الأدنى وحدها الأعلى (كأن تكون الحدود كلها موجبة [2.10 , 6.20] أو كلها سالبة)، فإن المعامل يعد دالاً إحصائياً بصورة قاطعة.

8.3 صياغة وتطبيق معادلة التنبؤ الخطية

تمثل صياغة معادلة التنبؤ الخطية الثمرة التطبيقية الكبرى لتحليل الانحدار؛ حيث يتم تحويل القيم المستخرجة من عمود B غير المعياري إلى صياغة جبرية كاملة وصريحة تمكن الباحث ومتخذي القرار التربوي والسلوكي من حساب نتائج تنبؤية دقيقة لحالات مستقبلية. تصاغ المعادلة في ضوء نموذجنا الافتراضي على النحو التالي:

Exam_Score_Predicted = 32.50 + 4.15 × (Study_Hours)

لتطبيق هذه المعادلة إجرائياً، إذا أردنا التنبؤ بالدرجة المتوقعة لطالب جديد يستذكر بمعدل (8 ساعات) أسبوعياً، فإننا نقوم بالتعويض المباشر عن قيمة X في المعادلة:

Ŷ = 32.50 + (4.15 × 8) = 32.50 + 33.20 = 65.70

وبالتالي، نتنبأ بأن هذا الطالب سيحصل على درجة تعادل (65.70 من مئة) في اختباره النهائي مع هامش خطأ يخضع لمقدار الخطأ المعياري للتقدير.

مع ذلك، تفرض الأمانة المنهجية الالتزام بالتحذير الإحصائي الصارم ضد ما يُعرف بـ الاستقراء الخارجي (Extrapolation)؛ وهو محاولة التنبؤ بقيم تقع خارج النطاق الفعلي للمشاهدات التي بُنيت على أساسها المعادلة الأصلية (كأن نحاول التنبؤ بدرجة طالب يستذكر 35 ساعة أسبوعياً في حين أن عينة البحث تراوحت ساعاتها فقط بين 2 و 15 ساعة). إن التنبؤ خارج النطاق يفترض دون أي سند علمي أن الخط المستقيم سيستمر في مساره إلى ما لا نهاية، متجاهلاً احتمالية وصول الظاهرة إلى نقطة التشبع الإدراكي، أو الإجهاد البدني، أو القيود الطبيعية لمقاييس الاختبار، مما يقود إلى تقديرات وهمية وخاطئة تماماً.

9. التشخيص المتقدم للبواقي واختبار صحة الافتراضات بعد التحليل

9.1 فحص اعتدالية البواقي باستخدام الرسوم البيانية والاختبارات

عقب إتمام التحليل واستخراج الجداول، تقتضي قواعد الصرامة المنهجية الشروع في التشخيص البعدي للنموذج عبر فحص ملفات البواقي؛ إذ إن النموذج لا يكتسب شرعيته العلمية إلا بإثبات تحقق افتراضاته. يبدأ هذا الفحص بالتحقق من التوزيع الطبيعي للبواقي من خلال الأدوات الثلاث التالية المتاحة في مخرجات SPSS:

• المدرج التكراري للبواقي المعيارية (Histogram): يتم فحص شكل الأعمدة التكرارية لملاحظة مدى تموضعها المتناسق تحت منحنى التوزيع الطبيعي المعياري (الذي يمثله الخط المتصل ذو الشكل الجرسي المتماثل). ويجب أن تتمركز قمة المدرج حول الصفر، مع امتداد أطراف متناظرة يمنة ويسرة دون وجود التواءات بارزة أو فجوات حادة تشير إلى تشوه التوزيع.
• مخطط الاحتمال الطبيعي التراكمي (Normal P-P Plot): يمثل الأداة البصرية الأكثر حساسية؛ حيث يرسم المخطط العلاقة بين الاحتمال التراكمي الملاحظ للبواقي المعيارية على المحور الرأسي والاحتمال التراكمي المتوقع نظرياً على المحور الأفقي. تتجلى اعتدالية البواقي المثالية في مدى التصاق النقاط الدائرية بالخط المستقيم المائل بزاوية 45 درجة الممتد قطرياً من الصفر إلى الواحد. إن أي انحراف بسيط مقبول، ولكن إذا تشكلت النقاط على هيئة موجات جيبية أو ابتعدت ابتعاداً بنيوياً صريحاً عن خط الـ 45، فإن فرضية الاعتدالية تعتبر منتهكة.
• الاختبارات الإحصائية الصارمة (Shapiro-Wilk & Kolmogorov-Smirnov): لتجاوز الذاتية في التقييم البصري، يمكن للباحث الانتقال إلى نافذة Data View حيث تم حفظ متغير البواقي غير المعياري (RES_1)، وتطبيق أمر Analyze > Descriptive Statistics > Explore عليه مع تفعيل Normality plots with tests. يقدم اختبار شابيرو-ويلك (Shapiro-Wilk) الدليل القاطع؛ فإذا كانت قيمة الدلالة (p > 0.05)، نتمسك بالفرضية الصفرية التي تؤكد خضوع الأخطاء للتوزيع الطبيعي المعتدل.

9.2 تشخيص تجانس التباين والخطية عبر مخطط البواقي مقابل التنبؤات

يعد المخطط المبعثر الذي يربط بين البواقي المعيارية (*ZRESID) على المحور الصادي والقيم المتنبأ بها المعيارية (*ZPRED) على المحور السيني الأداة الكلاسيكية الحاسمة لاختبار فرضي الخطية وتجانس التباين في آن واحد:

في الحالة النموذجية التي تشهد تحققاً كاملاً للافتراضات، يجب أن تتبعثر نقاط المشاهدات في المخطط بصورة فوضوية وعشوائية خالصة داخل شريط مستطيل منتظم يحيط بالخط الأفقي الصفري (الذي يمثل خط الصفر للبواقي)، بحيث تنحصر معظم النقاط بشكل متجانس بين القيمة (+2) والقيمة (-2) انحرافاً معيارياً دون اتخاذ أي اتجاه دالي محدد.

أما في حال انتهاك الافتراضات، فإن العين الإحصائية الفاحصة ترصد أحد النمطين الخطرين التاليين:

• نمط القمع أو البوق (Funnel / Megaphone Shape): يتجلى هذا المظهر عندما تبدأ النقاط متجمعة ومتقاربة جداً في الجانب الأيسر من المخطط ثم تنفرج وتتسع متباعدة كلما تحركنا نحو اليمين (أو العكس). يعد هذا النمط دليلاً دامغاً على انتهاك فرضية تجانس التباين ووقوع النموذج في أسر عدم تجانس التباين (Heteroscedasticity)؛ مما يدل على أن خطأ التنبؤ يزداد تصاعدياً بارتفاع قيم المتغير، وهو ما يعطل كفاءة التقدير الإحصائي.
• النمط المنحني أو المقوس (Curvilinear / U-Shape Pattern): إذا اصطفت النقاط على هيئة قوس مقعر أو محدب، فإن ذلك يبرهن بصورة حاسمة على أن خط الانحدار المستقيم قد عجز عن استيعاب المسار الحقيقي للعلاقة، وأن هناك انتهاكاً صريحاً لفرضية الخطية، مما يوجب مراجعة صياغة النموذج برمته.

9.3 الكشف عن المشاهدات المؤثرة والقيم الشاذة المرتفعة

ليست كل القيم الشاذة متساوية في خطورتها التدميرية على نموذج الانحدار الخطي؛ لذا يميز الإحصائيون بين ثلاثة مفاهيم استقصائية دقيقة تعتمد على المتغيرات الجديدة التي تم حفظها في ورقة البيانات:

• القيم الشاذة في البواقي (Outliers in Residuals): تفحص عبر دراسة عمود البواقي المعيارية (ZRE_1) أو البواقي الطلابية المحذوفة (Studentized Deleted Residuals). المعيار المعتمد هنا هو اعتبار أي مشاهدة تتجاوز قيمتها المطلقة (±2.5 أو ±3.0) انحرافاً معيارياً بمثابة حالة شاذة تعجز المعادلة عن التنبؤ بها بدقة ملائمة، وتتطلب فحصاً منفرداً لظروف جمع بياناتها.
• نقاط الرافعة (Leverage Points): ترصد من خلال فحص عمود (LEV_1)؛ وتقيس الرافعة المركزية مدى ابتعاد المشاهدة وتطرفها في قيم المتغير المستقل X مقارنة بمتوسط العينة. الحالات ذات الرافعة العالية تمتلك قدرة كامنة على إمالة خط الانحدار كعتلة ميكانيكية. يُحدد معيار الخطر للحالات التي تتجاوز قيمة الرافعة فيها ضعف أو ثلاثة أضعاف متوسط الرافعة المحسوب بالعلاقة: 2(k + 1) / N (حيث k عدد المتنبئات و N حجم العينة).
• مسافة كوك المؤثرة (Cook’s Distance): تفحص عبر عمود (COO_1) الذي تم توليده سابقاً. تمثل مسافة كوك المؤشر الأرقى والأشمل؛ لأنها تقيس المقدار الإجمالي الذي ستتحرك به جميع معاملات الانحدار مجتمعة إذا تم حذف هذه المشاهدة المعينة من التحليل. وفقاً للمعيار الكلاسيكي المعتمد في الأدبيات الإحصائية، فإن أي حالة تتجاوز مسافة كوك لها الرقم 1.0 تعد حالة شديدة التأثير والتخريب (Highly Influential Point)، مما يفرض على الباحث إعادة تقدير النموذج بدونها لاختبار مدى حساسية واستقرار استنتاجاته.

10. الحلول الإحصائية عند انتهاك افتراضات الانحدار الخطي في SPSS

10.1 التحويلات الرياضية للمتغيرات (Data Transformations)

عندما تبرهن الاختبارات التشخيصية المتقدمة على وقوع انتهاكات بنيوية لافتراضات الخطية أو التوزيع الطبيعي للبواقي أو تجانس التباين، لا يتوجب على الباحث إلقاء بياناته أو التخلي عن دراسته؛ بل يقدم التحليل الرياضي حلاً ناجزاً يتمثل في إخضاع البيانات الخام لما يُعرف بـ التحويلات الرياضية (Data Transformations) بهدف استعادة السلوك الإحصائي المعتدل:

• التحويل اللوغاريتمي (Logarithmic Transformation): يعد العلاج الأنجع للبيانات التي تعاني من التواء إيجابي شديد (Positive Skewness) أو عدم تجانس تباين يتسع طردياً مع تزايد القيم. يتم تطبيق دالة اللوغاريتم الطبيعي (LN) أو اللوغاريتم العشري (LG10) على المتغير المعني لتقريب القيم المتطرفة وضغط الفروق المتباعدة.
• تحويل الجذر التربيعي (Square Root Transformation): يوظف عبر الدالة الرياضية (SQRT) في التعامل مع بيانات العد والحالات التي تعاني من التواء إيجابي معتدل، مما يسهم في كبح تشتت التباينات واستعادة الاعتدالية.
• تحويل المعكوس (Reciprocal Transformation): يتم بحساب القيمة الناتجة عن قسمة (1 مقسوماً على قيمة المتغير الأصلية)، وهو مفيد للغاية في المتغيرات التي تقيس السرعة أو معدلات زمن الاستجابة في الاختبارات السلوكية والتجريبية.

لتنفيذ هذه التحويلات خطوة بخطوة في بيئة SPSS، يتم النقر على المسار:

Transform > Compute Variable

في الشاشة المنبثقة، يُكتب اسم المتغير المعدل الجديد في خانة Target Variable (مثلاً: Log_Study_Hours). بعد ذلك، يتم الانتقال إلى قائمة مجموعات الدوال الحسابية (Function group) وتحديد فئة Arithmetic، ثم اختيار الدالة Ln أو Lg10 من قائمة الدوال السفلية وتمريرها للأعلى بالسهم لتستقر في خانة Numeric Expression. يتم بعد ذلك سحب المتغير الأصلي ووضعه بين قوسي الدالة، ليصبح التعبير على سبيل المثال: LG10(Study_Hours). بعد النقر على OK، يقوم البرنامج بتوليد عمود رقمي جديد تماماً في ورقة البيانات يمثل المتغير المحول، والذي يعاد تشغيل الانحدار الخطي باستخدامه، ليلاحظ الباحث غالباً انضباط البواقي واستعادة تجانسها المفقود.

10.2 طرق إعادة المعاينة والانحدار الحصين (Robust Regression)

إذا استعصت البيانات على التحويلات الرياضية المباشرة، أو إذا كان الباحث يرفض التعديل الدالي للمقاييس الأصلية حرصاً على بقاء التفسير بوحدات القياس الواقعية، فإن الإحصاء المتقدم يوفر بدائل حديثة لا تعتمد على الشروط البارامترية الصارمة، ومن أبرزها داخل SPSS:

أسلوب التمهيد وإعادة المعاينة المتكررة (Bootstrapping): تعد طريقة البوتسترابينج منهجية تجريبية تعتمد على إعادة سحب عينات عشوائية مكثفة من نفس بيانات العينة الأصلية بالاسترجاع لآلاف المرات (مثلاً: 1000 أو 2000 عينة تمهيدية). تكمن عبقرية هذه الطريقة في أنها لا تفترض أي افتراض مسبق حول التوزيع الطبيعي للمجتمع أو تجانس البواقي، بل تقوم باشتقاق التوزيع العيني التجريبي المباشر للمعلمات.

يتم تفعيل هذا الخيار في SPSS بسهولة عبر نافذة الانحدار الخطي الرئيسية بالنقر على زر Bootstrap في الشريط الأيمن، وتفعيل خيار Perform bootstrapping، وتحديد عدد العينات عند 1000 عينة، واختيار طريقة تصحيح فترات الثقة المتقدمة BCa (Bias-corrected and accelerated). تسفر المخرجات في تلك الحالة عن جدول معاملات إضافي يتضمن أخطاء معيارية وفترات ثقة قوية وحصينة للغاية ومقاومة لأي تشوه لا بارامتري في البيانات.

الأخطاء المعيارية المتسقة مع عدم تجانس التباين (HCSE): في الإصدارات الحديثة من IBM SPSS Statistics (الإصدار 25 فما فوق)، تمت إضافة أدوات لتقدير الأخطاء المعيارية الحصينة وفق مقدرات هوبر-وايت (Huber-White Robust Standard Errors) المعروفة اختصاراً بـ HC3 و HC4 عبر واجهة الانحدار العام. تقوم هذه المقدرات بتعديل حسابات مصفوفة التباين المشترك لتمنح أخطاء معيارية وقيم t موثوقة ومصححة رياضياً تحمي الباحث من الوقوع في الخطأ من النوع الأول عند ثبوت عدم تجانس التباين.

أما بشأن التعامل مع القيم الشاذة والمؤثرة، فإن النهج المنهجي الأكاديمي الصارم يرفض الحذف الكيفي غير المبرر للحالات بغية تحسين النتائج اصطناعياً؛ فإذا ثبت أن النقطة الشاذة نتجت عن خطأ في القياس أو عدم التزام المفحوص، جاز حذفها منهجياً مع توضيح ذلك بشفافية كاملة. أما إذا كانت الحالة تمثل فرداً حقيقياً ينتمي للمجتمع المدروس، فإن المعيار الذهبي المتبع هو إجراء تحليل الحساسية (Sensitivity Analysis)؛ وهو تشغيل التحليل مرتين: مرة بالبيانات الكاملة، ومرة بعد استبعاد الحالة الشاذة المؤثرة، مع عرض النتائج المقارنة جنباً إلى جنب في متن البحث لمكاشفة القارئ بمدى استقرار النموذج.

11. توثيق وكتابة نتائج الانحدار الخطي البسيط وفق دليل الجمعية الأمريكية لعلم النفس (APA)

11.1 معايير التوثيق النصي للجمل والفقرات العلمية

يتطلب توثيق نتائج تحليل الانحدار الخطي البسيط في الأطروحات والمجلات المصنفة الخضوع للمحددات الصارمة للطبعة السابعة من دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition). تقتضي هذه المعايير صياغة نصية مترابطة وموجزة تستعرض التحقق من الافتراضات أولاً، ثم تفصح عن القوة التفسيرية الشاملة للنموذج وقيم اختباره، وتختتم ببيان دلالة المعلمات الفردية واتجاهها وحجم أثرها مع الالتزام بكتابة الرموز الإحصائية بالحروف المائلة (Italicized):

نورد فيما يلي النموذج النصي الأكاديمي القياسي للتوثيق المعتمد باللغة العربية مع ما يقابله من توثيق للمصطلحات الإحصائية القياسية:

“أُجري تحليل انحدار خطي بسيط لتقييم القدرة التنبؤية لعدد ساعات الاستذكار الأسبوعية بالدرجات المحصلة في الاختبار الأكاديمي النهائي. وقبل الشروع في التحليل، تم فحص افتراضات النموذج؛ حيث أظهر الفحص البصري لمخطط التشتت ومخططات البواقي المحسوبة تحقق فرضيتي الخطية وتجانس تباين الأخطاء، كما أكد مخطط الاحتمال الطبيعي واختبار شابيرو-ويلك اعتدالية توزيع البواقي الإحصائية (p > .05)، ولم تسجل مسافة كوك أي حالات شاذة تتجاوز القيمة الحرجة المسموحة.

أشارت نتائج التحليل الإحصائي إلى ملاءمة معنوية فائقة لنموذج الانحدار العام، F(1, 18) = 15.08, p < .001، وبلغ معامل التحديد R² = .456، مما يوضح أن ساعات الاستذكار تفسر ما نسبته 45.6% من إجمالي التباين المشترك في درجات الاختبار التحصيلي. وقد أظهرت المعاملات الفردية أن ساعات الاستذكار تعد متنبئاً إيجابياً ذا دلالة إحصائية مرتفعة بدرجات الاختبار، B = 4.15, SE = 1.07, β = .675, t(18) = 3.88, p = .001, 95% CI [1.90, 6.40]؛ وتشير هذه النتيجة إلى أن كل زيادة بمقدار ساعة استذكار واحدة يرتبط بها تحسن مقداره 4.15 درجات في الاختبار النهائي.”

11.2 تصميم جداول النتائج وفق الطبعة السابعة (APA 7th Edition)

يفرض دليل APA قواعد صارمة وشديدة التميز لتنسيق الجداول الإحصائية؛ ومن أبرز معالمها البصرية: الامتناع القطعي عن استخدام أي خطوط رأسية (No Vertical Lines)، واستخدام الخطوط الأفقية فقط عند رأس الجدول وأسفل العناوين التوضيحية وفي قاع الجدول الختامي، مع كتابة الحواشي التفسيرية ومستويات الدلالة بالنجمات أسفل الجدول مباشرة. يوضح الجدول التالي البنية النموذجية الصالحة للنشر فوراً لنتائج الانحدار الخطي البسيط:

جدول 1: نتائج تحليل الانحدار الخطي البسيط للتنبؤ بدرجات الاختبار النهائي بدلالة ساعات الاستذكار (N = 20)

المتغير	B	95% CI [LL, UL]	SE B	β	t	p
الثابت (Constant)	32.50	[18.25, 46.75]	6.78	—	4.79	< .001
ساعات الاستذكار	4.15	[1.90, 6.40]	1.07	.675	3.88	.001

ملاحظة. N = 20. CI = فترة الثقة لمعامل الانحدار غير المعياري؛ LL = الحد الأدنى لفترة الثقة؛ UL = الحد الأعلى لفترة الثقة. R² = .456 (معامل التحديد المعدل = .426). F(1, 18) = 15.08, p = .001.

12. تطبيق عملي متكامل: دراسة أثر ساعات الاستذكار على التحصيل الأكاديمي

12.1 توصيف البيانات التجريبية وفرضيات البحث النفسي التربوي

لإغلاق الدائرة بين التنظير الرياضي والتنفيذ الإجرائي، نقدم فيما يلي محاكاة تجريبية واقعية متكاملة لدراسة افتراضية في علم النفس التربوي، تهدف إلى فحص ما إذا كان عدد ساعات الاستذكار الأسبوعية يمتلك قدرة تنبؤية دالة بدرجات التحصيل في اختبار مادة الإحصاء النفسي لدى عينة عشوائية مكونة من (20 طالباً جامعياً).

تتم صياغة الفرضيات الإحصائية للبحث بصورة دقيقة وموجهة على النحو التالي:

• الفرضية الصفرية (Null Hypothesis – H₀): لا توجد قدرة تنبؤية ذات دلالة إحصائية لعدد ساعات الاستذكار الأسبوعية بدرجات التحصيل الأكاديمي النهائي لدى طلبة الجامعة (β₁ = 0).
• الفرضية البديلة (Alternative Hypothesis – H₁): يمتلك عدد ساعات الاستذكار الأسبوعية قدرة تنبؤية موجبة وذات دلالة إحصائية بدرجات التحصيل الأكاديمي النهائي لدى طلبة الجامعة (β₁ > 0).

تم إدخال مصفوفة البيانات الخام للعشرين طالباً في محرر البيانات داخل SPSS كالتالي: ساعات الاستذكار (X): [2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9, 10, 11, 12, 13, 14]؛ درجات الاختبار التحصيلي المقابلة (Y): [45, 40, 48, 52, 49, 55, 50, 60, 58, 62, 65, 63, 70, 68, 75, 72, 78, 80, 85, 88]. تم ضبط مستوى المتغيرين على خيار Scale في Variable View مع إرفاق التسميات التوضيحية الكاملة.

12.2 استخراج المخرجات الكاملة خطوة بخطوة وتفسير الأرقام الإحصائية

تم تشغيل إجراء الانحدار الخطي الكامل باتباع المسارات الموضحة سلفاً، وتفعيل الخيارات الإحصائية ورسوم البواقي وحفظ مقاييس كوك والتنبؤ. أسفر التشغيل البرمجي في SPSS عن استخراج الجداول الإحصائية الثلاثية التالية:

1. جدول Model Summary: سجلت النتائج قيمة معامل ارتباط متعدد R = 0.675، مما يشير إلى ارتباط إيجابي قوي ومباشر بين ساعات المذاكرة ودرجة الاختبار. وسجل معامل التحديد R² = 0.456، بينما بلغ معامل التحديد المعدل Adjusted R² = 0.426 مع خطأ معياري للتقدير قدره Std. Error of the Estimate = 9.85، وسجل اختبار ديربن-واتسون قيمة متزنة تعادل Durbin-Watson = 1.88 مؤكداً استقلالية المشاهدات.

2. جدول ANOVA: بلغت قيمة مجموع مربعات الانحدار (SSR) ما مقداره 1463.20 بدرجة حرية (df = 1)، في حين بلغ مجموع مربعات البواقي (SSE) 1747.80 بدرجة حرية (df = 18)، بمجموع مربعات كلي قدره 3211.00. وأسفر قسمة متوسط المربعات عن قيمة إحصائية لاختبار ف قدرها F = 15.08 بمستوى دلالة مقترن بلغ Sig. = 0.001. وحيث إن هذه القيمة أصغر بكثير من مستوى الدلالة المعتمد (α = 0.05)، فإننا نرفض الفرضية الصفرية ونقر بصلاحية النموذج ككل.

3. جدول Coefficients: أظهرت التقديرات غير المعيارية أن قيمة الثابت بلغت Constant (b₀) = 32.50 بخطأ معياري قدره 6.78 وقيمة t = 4.79 بمستوى دلالة p < 0.001. أما معامل ميل الانحدار لساعات الاستذكار فبلغ B (b₁) = 4.15 بخطأ معياري قدره 1.07 ومعامل معياري Beta = 0.675، وقيمة t = 3.88 ودلالة إحصائية بلغت Sig. = 0.001 مع فترة ثقة تتراوح بين 1.90 كحد أدنى و 6.40 كحد أقصى.

4. نتائج تشخيص البواقي المحفوظة: تراوحت قيم البواقي المعيارية (ZRE_1) بين -1.72 و +1.81، وهي تقع بالكامل داخل النطاق الآمن المسموح (±2.5). كما بلغت أعلى قيمة مسجلة لمسافة كوك (COO_1) في العينة 0.14، وهي قيمة تقل بمراحل عن المحك الحرج (1.0)، مما يبرهن على خلو الدراسة من أي حالات شاذة مشوهة لمسار النتائج.

12.3 كتابة التقرير النهائي بصيغته البحثية الجاهزة للنشر

بناءً على هذه المصفوفة التحليلية المستخرجة، يُصاغ تقرير المناقشة والتفسير النفسي للأطروحة العلمية بالصيغة الختامية التالية:

“سعت هذه الدراسة إلى اختبار الفرضية البحثية القائلة بقدرة عدد ساعات الاستذكار الأسبوعية على التنبؤ بمستوى التحصيل الأكاديمي في مادة الإحصاء النفسي. وقد كشفت المعالجة الإحصائية باستخدام تحليل الانحدار الخطي البسيط عن نموذج تنبؤي قوي وصالح إحصائياً، F(1, 18) = 15.08, p = .001. وأسفر النموذج عن تفسير ما يقارب نصف التباين الكلي في درجات التحصيل (R² = .456)، مما يمنح ساعات الاستذكار وزناً تفسيرياً معتبراً وفق تصنيفات كوهين للأحجام الكبيرة للآثار السلوكية.

وقد أثبتت المعاملات التقديرية وجود أثر طردي دال لساعات الاستذكار (B = 4.15, β = .675, p = .001)، الأمر الذي يوجهنا إلى قبول الفرضية البديلة ورفض الفرضية الصفرية بحزم وثقة. وتكتسب هذه النتيجة وزناً إرشادياً وتربوياً فائق الأهمية؛ إذ تشير معادلة التنبؤ المستخلصة (درجة الاختبار = 32.50 + 4.15 × ساعات الاستذكار) إلى أن كل زيادة واقعية في الجهد الأسبوعي للاستذكار بمقدار ساعتين تثمر عن قفزة نوعية متوقعة في تحصيل الطالب تعادل (8.3 درجات). وتدعم هذه النتيجة أطروحات نظرية الجهد المعرفي والاستثمار الزمني في التعلم التي ترى أن الإتقان المعرفي للمفاهيم الرياضية الإحصائية مشروط بالتعرض المتكرر والتمرين المستمر المبذول عبر الزمن.

ومع ذلك، يتعين على الباحث الإحاطة بالمحددات البنيوية لهذه الدراسة؛ فبالرغم من القوة التفسيرية العالية للنموذج، إلا أن هناك ما نسبته (54.4%) من التباين لا تزال تسبح خارج إطار النموذج المفسر. ترجع هذه النسبة غير المفسرة إلى تداخل عوامل سيكولوجية وسياقية محورية لم يشملها الانحدار البسيط، مثل جودة استراتيجيات التعلم المستخدمة، ومستوى القلق الإحصائي، ومهارات ما وراء المعرفة، والقدرات المعرفية التأسيسية. وبناءً عليه، توصي الدراسة بضرورة انتقال الباحثين في المراحل اللاحقة نحو توظيف نماذج الانحدار الخطي المتعدد (Multiple Linear Regression) لإدراج هذه المتغيرات وضبطها تجريبياً وإحصائياً لتقديم رؤية تكاملية لظاهرة التحصيل الأكاديمي.”

خاتمة شاملة وآفاق بحثية متقدمة

يقف تحليل الانحدار الخطي البسيط بوصفه الجسر المنهجي الرابط بين المعاينة الوصفية البسيطة والنمذجة التنبؤية المعقدة في العلوم الإنسانية والاجتماعية. ومن خلال هذا العرض المعمق، تجلى لنا بوضوح أن النجاح في تطبيق هذا الأسلوب الإحصائي عبر برنامج SPSS لا يقف عند استيعاب التسلسل الإجرائي للنقر على القوائم المنسدلة، بل يتطلب في جوهره التزاماً علمياً بالتحقق الاستباقي والبعدي من حزمة الفروض الرياضية المؤسسة للنموذج، وفهماً دلالياً للفرق بين مجرد الارتباط الساذج والتنبؤ الخطي، ومعرفة دقيقة بآليات التعامل مع الأخطاء غير المتجانسة والتأثيرات الضاغطة للقيم المتطرفة.

إن إتقان تحليل الانحدار الخطي البسيط يشكل القاعدة التأسيسية الصلبة التي لا غنى عنها لأي باحث يتطلع إلى ارتياد آفاق المنهجيات الإحصائية الأكثر تركيباً في برمجيات SPSS وما وراءها؛ فالانحدار البسيط هو اللبنة البنيوية التي تنطلق منها نماذج الانحدار الخطي المتعدد، وتحليلات الوساطة والاعتدال (Mediation and Moderation Analyses)، وصولاً إلى نمذجة المعادلات البنائية المتقدمة (SEM). إن توظيف الباحث لهذه الأدوات برصانة منهجية وأمانة علمية في التوثيق والتشخيص يضمن الارتقاء بمصداقية الاستنتاجات السيكولوجية والتربوية ويسهم بصورة حقيقية في تراكم المعرفة الإنسانية الرصينة.

المراجع

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
• Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510. https://doi.org/10.1207/s15327906mbr2603_7
• IBM Corporation. (2021). IBM SPSS Statistics 28 Brief Guide. IBM Corp. https://www.ibm.com/docs/en/spss-statistics
• Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS (7th ed.). Open University Press. https://doi.org/10.4324/9781003117452
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.