كيفية رسم نتائج الانحدار الخطي المتعدد في R

يُمثّل تحليل الانحدار الخطي المتعدد ركيزة أساسية في منهجيات البحث الكمي المعاصر، ولا سيما في العلوم السلوكية والدراسات النفسية والاجتماعية التي تتعامل مع ظواهر إنسانية تتسم بالتعقيد وتعدد العوامل المؤثرة. فعند دراسة استجابة نفسية معينة مثل أعراض الاكتئاب، أو مستويات الرضا الوظيفي، أو التحصيل المعرفي، يندر أن نجد متغيراً تفسيرياً واحداً قادراً على الإحاطة بمجمل التباين في الظاهرة المدروسة. ومن هنا تنبع ضرورة بناء نماذج إحصائية متعددة الأبعاد تُراعي مساهمة حزمة من المتغيرات التنبؤية في آن واحد، مع عزل تأثير كل متغير وضبط التداخلات المحتملة فيما بينها لتحديد حجم الأثر المستقل بدقة إحصائية رصينة.

غير أن الانتقال من فضاء الانحدار البسيط إلى النماذج متعددة المتغيرات يفرض تحدياً منهجياً وبصرياً بارزاً؛ إذ يتعذر على الباحث إسقاط نموذج متعدد الأبعاد على فضاء الرسم البياني الثنائي التقليدي دون اللجوء إلى تقنيات إسقاط ومعالجات رياضية خاصة. فالجداول الإحصائية المزدحمة بالمعاملات وقيم الدلالة، رغم ضرورتها الأكاديمية، تظل قاصرة عن إبراز الأنماط البنيوية غير الخطية، أو الكشف الفوري عن الحالات الشاذة والمؤثرة، أو توضيح طبيعة التفاعلات الديناميكية بين المتنبئات. وتأتي لغة البرمجة الإحصائية R لتوفير منظومة شاملة تجمع بين دقة الحساب الرياضي ومرونة التخصيص البصري من خلال حزمها المتقدمة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة نظرية وتطبيقية متعمقة لكيفية تمثيل نتائج نماذج الانحدار الخطي المتعدد بيانياً في بيئة R الإحصائية، مع التركيز على المعايير المعتمدة في النشر الأكاديمي وفق دليل جمعية علم النفس الأمريكية. وسنستعرض عبر أقسامه المتدرجة الأسس الرياضية للمخططات الجزئية، وتقنيات التأثيرات الهامشية، والتمثيل السطحي ثلاثي الأبعاد، ونماذج التفاعل، وصولاً إلى الفحوصات التشخيصية للافتراضات ودراسة حالة تطبيقية متكاملة تُمكّن الباحثين من تحويل مخرجات النماذج المعقدة إلى رسوم بيانية ذات دلالة علمية ووضوح تفسيري فائق.

1. مقدمة إلى الانحدار الخطي المتعدد وتحديات التمثيل البياني في الدراسات النفسية

1.1 المفهوم الرياضي والنفسي للانحدار الخطي المتعدد

يستند النموذج الخطي العام في صيغته متعددة المتغيرات إلى فرضية وجود علاقة خطية تجميعية تربط بين متغير تابع مستمر ومجموعة من المتغيرات التنبؤية أو المستقلة، مع افتراض وجود حد للخطأ العشوائي غير المفسر. من الناحية الرياضية البحتة، يُصاغ النموذج عبر المعادلة التي تفترض أن القيمة المتوقعة للمتغير التابع تُساوي مجموع حواصل ضرب المتغيرات المستقلة في معاملات الانحدار الجزئية الخاصة بها مضافاً إليها الثابت العام وحد الخطأ. تكتسب هذه الصياغة في حقل القياس النفسي أهمية استثنائية، نظراً لأن السلوك البشري والمشاعر والعمليات المعرفية تمثل نواتج متعددة المحددات؛ فدراسة القلق السريري على سبيل المثال تتطلب نمذجة متزامنة لتأثيرات الاستعداد الوراثي، والضغوط الحياتية اليومية، وآليات التكيف المعرفي، والدعم الاجتماعي المتاح.

يبرز هنا الفارق المنهجي الجوهري بين معامل الارتباط البسيط للدرجة الصفرية ومعامل الانحدار الجزئي المحسوب داخل النموذج المتعدد. يقيس الارتباط البسيط قوة واتجاه الاقتران الخطي بين متغيرين دون أدنى مراعاة للمتغيرات الدخيلة، مما قد يؤدي إلى استنتاجات مضللة ناتجة عن الارتباطات الزائفة. في المقابل، يُمثل معامل الانحدار الجزئي مقدار التغير المتوقع في المتغير التابع استجابةً لزيادة المتغير المستهدف بمقدار وحدة قياس واحدة، بشرط تثبيت وعزل التأثير الإحصائي لكافة المتغيرات المستقلة الأخرى المدرجة في النموذج. هذا العزل الإحصائي يُتيح للباحث النفسي تقييم المساهمة الفريدة لكل بُعد نفسي في تفسير الظاهرة قيد البحث.

تتطلب قراءة معاملات الانحدار غير المعيارية فهم وحدات القياس الأصلية للمقاييس السيكومترية المستخدمة، في حين تُوفر المعاملات المعيارية وسيلة لمقارنة الأهمية النسبية للمتنبئات المتنافسة داخل النموذج نفسه. ومع ذلك، فإن الاعتماد الحصري على التقديرات النقطية وفترات الثقة الرقمية داخل الجداول الإحصائية يغفل الجانب البصري الهندسي الذي يُفسر كيفية توزع الملاحظات الفردية عبر المستويات التنبؤية، وهو ما يقودنا إلى تفكيك معضلة الأبعاد في التمثيل البياني المباشر.

1.2 معضلة الأبعاد في التمثيل البياني المباشر

تتمثل المعضلة الكبرى في رسم نتائج الانحدار المتعدد في محدودية الإدراك الحسي وأدوات العرض التقليدية المقيدة بفضاء الإسقاط ثنائي الأبعاد، بينما يعيش النموذج الإحصائي متعدد المتغيرات في فضاء رياضي ذي أبعاد تفوق الثلاثة. فعندما يحتوي النموذج على متغيرين مستقلين ومتغير تابع، يتحول خط الانحدار البسيط إلى مستوٍ انحداري ثنائي الأبعاد يسبح في فضاء فراغي ثلاثي الأبعاد. أما عند إضافة متغير مستقل ثالث أو رابع، فإن العلاقة تتحول هندسياً إلى مستوى فائق الأبعاد يستحيل رسمه أو استيعابه بصرياً بصورة مباشرة دون تقنيات تحويل وإسقاط متخصصة.

يؤدي محاولة رسم المتغير التابع مقابل أحد المتغيرات المستقلة في مخطط انتشار ثنائي بسيط إلى تجاهل تام لوجود المتغيرات الأخرى، مما يسبب خلطاً بصرياً خطيراً وتراكباً غير مبرر للتباينات المشتركة. فالنقاط المعروضة في الرسم الثنائي التقليدي تعكس التباين الكلي بما فيه التباين المنسوب للمتغيرات الضابطة، مما يحجب الرؤية الحقيقية عن التأثير المعزول للمتنبئ. للتغلب على هذه المعضلة، طوّر الإحصائيون مفاهيم رياضية قائمة على مصفوفات الإسقاط وتفكيك المتجهات، حيث يتم إسقاط البيانات فائقة الأبعاد على مستويات فرعية ثنائية الأبعاد بعد تنقية المتغيرات من التداخل الخطي.

يتطلب هذا التحويل استخدام أساليب بيانية متقدمة تهدف إلى محاكاة التحكم الإحصائي بيانياً، ومن أبرزها مخططات الانحدار الجزئي ومخططات القيم التنبؤية المشروطة. تسمح هذه الأساليب باختزال الأبعاد الإضافية عبر تثبيتها عند قيم مرجعية معينة أو تصفية تأثيراتها من خلال تحليل البواقي، مما يُعيد تشكيل الفضاء البياني ليصبح قابلاً للقراءة والفحص النقدي الرصين في التقارير البحثية والأطروحات العلمية.

1.3 أهمية الفحص البصري لنتائج النماذج الإحصائية

يُعد التمثيل البياني المتقن لنتائج النماذج الإحصائية خطوة لا غنى عنها في ممارسات البحث الكمي الحديث، إذ يتجاوز كونه مجرد أداة لتوضيح النتائج إلى كونه أداة استكشافية وتشخيصية محورية. فالجداول الرقمية للمخرجات الإحصائية قد تخدع الباحث بقيم دلالة معنوية مضللة، بينما يكشف الفحص البصري الفوري عن وجود انحرافات حادة عن العلاقات الخطية المفترضة، كأن تكون العلاقة بين التوتر والأداء علاقة منحنية تتبع قانون يركيز-دودسون، وهو ما يعجز اختبار الخط المستقيم البسيط عن كشفه بصرياً ما لم يتم تمثيله بالرسم.

علاوة على ذلك، يُسهم الرسم البياني في الرصد الدقيق للحالات الشاذة والملاحظات ذات الرافعة العالية التي قد تمارس سحباً غير متناسب لمعاملات الانحدار وتُحرّف مسار التقديرات الخطية. إن رؤية الملاحظات المتطرفة وموقعها النسبي بالنسبة للخط الانحداري تمنح الباحث بصيرة نقدية لاتخاذ قرارات منهجية تتعلق بمدى موثوقية العينة وسلامة القياسات النفسية. كما يتيح الفحص البصري تقييم تجانس تباين الأخطاء العشوائية عبر مختلف مستويات المتغيرات المستقلة بصورة تفاعلية ومباشرة.

وعلى صعيد التواصل العلمي، تُعزز الأشكال البيانية المصممة بعناية قدرة الباحث على نقل استنتاجاته المعقدة إلى القراء والمحكمين في المجلات العلمية المرموقة. فالرسم عالي الجودة يُلخّص سلاسل طويلة من الجداول المعقدة في تكوين بصري واحد يُبرز حجم الأثر، واتجاه العلاقة، ومدى الدقة التقديرية المتمثلة في فترات الثقة، مما يدعم الشفافية الأكاديمية ويسهل عملية تكرار الدراسات والتحقق من مصداقيتها العلمية.

2. المقارنة بين تمثيل الانحدار الخطي البسيط والانحدار المتعدد في R

2.1 آلية رسم الانحدار الخطي البسيط في R

في سياق الانحدار الخطي البسيط، تتبع بيئة R الإحصائية نهجاً بيانياً مباشراً وبديهياً نظراً لانحصار الفضاء الهندسي في بعدين اثنين يمثل أحدهما المتغير المستقل ويمثل الآخر المتغير التابع. يتم توليد هذا النموذج برمجياً عبر استدعاء الدالة الأساسية lm() التي تُقدّر معلمات الميل والمقطع بناءً على طريقة المربعات الصغرى العادية. وبمجرد ملاءمة النموذج، يمكن للباحث استخدام نظام الرسم الأساسي لإنشاء مخطط انتشار يعرض النقاط الفعلية للعينة باستخدام الدالة plot()، ثم تراكب خط الانحدار الأفضل مطابقة بسهولة فائقة عبر دالة abline() التي تستقبل كائن النموذج مباشرة.

تتميز هذه الآلية بالبساطة المفاهيمية؛ فالخط المرسوم يمثل دالة مباشرة للقيم التنبؤية الشرطية للمتغير التابع عند كل مستوى من مستويات المتغير المستقل، مع التعبير عن المسافات الرأسية الفاصلة بين النقاط والخط بصفتها المتبقيات الفعلية للنموذج. ومع ذلك، فإن هذه السهولة تخلق وهماً منهجياً لدى الباحث المبتدئ بإمكانية تعميم هذا الإجراء البسيط على كافة النماذج الخطية، وهو افتراض سرعان ما ينهار عند الانتقال إلى فضاء النمذجة متعددة المتغيرات.

2.2 أوجه القصور في تطبيق أساليب الرسم البسيطة على النماذج المتعددة

تتجلى أوجه القصور الجوهرية لأساليب الرسم البسيطة عند محاولة تطبيق دوال مثل abline() على كائنات الانحدار المتعدد؛ حيث تفشل هذه الدوال رياضياً وبرمجياً في معالجة مصفوفة المعاملات التي تحتوي على أكثر من ميل انحداري واحد. يؤدي الاقتصار على رسم المتغير التابع مقابل متغير مستقل مفرد مع تجاهل بقية المتنبئات المدرجة في النموذج إلى السقوط في فخ الخلط البصري، إذ يُظهر الرسم ميلاً ينتمي إلى الانحدار البسيط الصامت عن المتغيرات الأخرى، لا الميل الجزئي الحقيقي المحسوب داخل النموذج المتعدد.

قد يسفر هذا التبسيط الخاطئ عن ظهور ظاهرة بارزة في الإحصاء تُعرف باسم مفارقة سمبسون (Simpson’s Paradox)، حيث يظهر الارتباط البسيط في الرسم البياني الثنائي باتجاه إيجابي صاعد، بينما يُظهر معامل الانحدار الجزئي في النموذج المتعدد الحقيقي تأثيراً سلبياً هابطاً بعد ضبط المتغيرات الوسيطة أو المربكة. إن الفشل في تمثيل المتغيرات الضابطة بصرياً يعطي انطباعاً خادعاً عن اتجاه وحجم التأثير، مما يؤدي إلى استنتاجات سيكومترية كارثية في تفسير العلاقات بين البناءات النفسية.

تنشأ هذه المشكلة لأن الفضاء الثنائي يتجاهل التباين المشترك المحذوف، ويُسقط النقاط دون تصحيح إحداثياتها بما يتناسب مع تأثير المتغيرات الأخرى في النموذج. لذا، يغدو من الضروري التخلي عن الحلول البيانية الثنائية الساذجة والتوجه نحو المنهجيات المتقدمة التي تراعي العزل الرياضي التام للأبعاد المتداخلة.

2.3 الحلول البيانية المتقدمة للنماذج متعددة المتغيرات

لتجاوز هذه العقبات الإدراكية والرياضية، طُوّرت حزمة من الاستراتيجيات البيانية المتقدمة التي تُمكّن الباحثين من تفكيك النماذج متعددة الأبعاد وعرضها ضمن أشكال بيانية دقيقة وواضحة. يتمثل الحل الأول في استخدام مخططات المتغيرات المضافة، المعروفة أيضاً بمخططات الانحدار الجزئي، والتي تقوم على فكرة تصفية وحجب التباين المنسوب لجميع المتغيرات الأخرى ورسم بواقي المتغير التابع مقابل بواقي المتغير التنبؤي المستهدف، مما يُولد خطاً انحدارياً ثنائي الأبعاد يتطابق ميله تماماً مع معامل الانحدار الجزئي للنموذج الكامل.

أما الحل الثاني فيعتمد على مخططات التأثيرات الهامشية والتنبؤات المشروطة، وفيها يتم توليد قيم تنبؤية للمتغير التابع عبر متصل المتغير المستهدف مع تثبيت جميع المتغيرات المستقلة الأخرى اصطناعياً عند قيم مرجعية ثابتة كالمتوسطات الحسابية أو الوسائط. يُتيح هذا النهج رؤية التأثير المباشر للمتنبئ ضمن بيئة إحصائية نموذجية ومعيارية تُمثل الحالة المتوسطة لأفراد العينة، مع تزويد الخطوط بمناطق ثقة تعكس الدقة الاستدلالية للنموذج.

ويتمثل الحل الثالث في استخدام النمذجة السطحية ثلاثية الأبعاد، والتي تُعد مناسبة بصفة خاصة عند دراسة تأثير متغيرين مستقلين رئيسيين وتفاعلهما المشترك على المتغير التابع؛ حيث يُعرض الانحدار كمستوٍ سطحي يوضح التدرج المشترك للاستجابة. تُشكل هذه الأساليب مجتمعة الترسانة المنهجية اللازمة لتحليل وتصوير العلاقات النفسية والسلوكية المعقدة بدقة متناهية.

3. الأسس النظرية لمخططات المتغير المضاف (Added Variable Plots)

3.1 التعريف والمفهوم الإحصائي لمخطط الانحدار الجزئي

تُعد مخططات المتغير المضاف من أرقى وأدق الأدوات التشخيصية والاستدلالية في تحليل النماذج الخطية المتعددة، وتستند تاريخياً ونظرياً إلى مبرهنة فريش-وو-لوفيل (Frisch-Waugh-Lovell Theorem) الشهيرة في الاقتصاد القياسي والإحصاء الرياضي. يُعرّف المخطط بأنه تمثيل بياني ثنائي الأبعاد يعزل التأثير الصافي لمتغير تنبؤي مفرد على المتغير التابع، بعد استبعاد وحذف الأثر الخطي لجميع المتغيرات التفسيرية الأخرى الداخلة في النموذج. وبذلك، فإن ما يراه الباحث في هذا المخطط ليس البيانات الخام، بل التباين النقي المتبقي غير المفسر بالمتغيرات المرافقة.

يتميز مخطط المتغير المضاف بخاصية رياضية بالغة الأهمية: إن ميل خط المربعات الصغرى البسيط المنطبق على النقاط المعروضة في المخطط يتطابق تطابقاً عددياً مطلقاً مع قيمة معامل الانحدار الجزئي المقدر لنفس المتغير في نموذج الانحدار الخطي المتعدد الأصلي. يمنح هذا التطابق الباحث وسيلة بصرية صادقة لتقييم مقدار الانحدار وثباته، فضلاً عن فحص مساهمة المتغير في تقليل تباين الخطأ الكلي للنموذج بدقة لا تقبل اللبس.

تسمح هذه الرؤية المجزأة بعزل العلاقات السيكومترية المتشابكة؛ فعند دراسة تأثير “الاجترار الفكري” على “شدة الاكتئاب” مع وجود “التوتر المزمن” و”الدعم الاجتماعي” كمتغيرات ضابطة، يُظهر المخطط الجزئي بالضبط كيف يرتبط الجزء الفريد من التباين في الاجترار الفكري بالجزء الفريد من التباين في الاكتئاب، مما يُقدم دليلاً بيانياً ساطعاً على المساهمة الإضافية المستقلة للمتغير.

3.2 الخطوات الحسابية لإنشاء مخططات المتغير المضاف يدويًا

لفهم الآلية البرمجية العميقة التي تعمل بها الدوال المتخصصة في R، من المفيد تتبع الخطوات الخوارزمية لإنشاء مخطط المتغير المضاف بصورة يدوية خطوة بخطوة. لنفترض أن لدينا نموذجاً يتنبأ بالمتغير التابع $Y$ باستخدام مجموعة من المتغيرات المستقلة $X_1, X_2, dots, X_k$ ونرغب في بناء المخطط الجزئي الخاص بالمتغير $X_1$.

• الخطوة الأولى: نقوم ببناء نموذج انحدار خطي يتنبأ بالمتغير التابع $Y$ باستخدام جميع المتغيرات المستقلة الأخرى مع استبعاد المتغير المستهدف $X_1$ تماماً. يتم استخراج متبقيات هذا النموذج، ولنرمز لها بالرمز $e_{Y|X_{-1}}$، وهي تمثل تباين $Y$ المتبقي بعد تصفية تأثير بقية المتنبئات.
• الخطوة الثانية: نقوم ببناء نموذج انحدار خطي آخر يتنبأ بالمتغير المستهدف $X_1$ نفسه باستخدام نفس المتغيرات المستقلة الأخرى. يتم استخراج متبقيات هذا النموذج أيضاً، ولنرمز لها بالرمز $e_{X_1|X_{-1}}$، وهي تمثل الجزء المستقل والفريد من تباين $X_1$ الذي لا يشترك فيه مع زملائه من المتنبئات.
• الخطوة الثالثة: يتم رسم مخطط انتشار يُمثل فيه المحور الأفقي متبقيات المتغير المستهدف $e_{X_1|X_{-1}}$ بينما يُمثل المحور الرأسي متبقيات المتغير التابع $e_{Y|X_{-1}}$.
• الخطوة الرابعة: يتم ملائمة خط انحدار بسيط يمر بنقطة الأصل عبر هذه المتبقيات. رياضياً، يُبرهن أن ميل هذا الخط يُساوي بالضبط قيمة المعامل الجزئي $\beta_1$ في النموذج الكامل، وتتطابق متبقيات هذا الخط البسيط تماماً مع المتبقيات النهائية للنموذج الكامل.

تُوضح هذه الخوارزمية كيف تنجح مصفوفات الإسقاط الرياضية في تنقية العلاقات الإحصائية وتحويل المشكلة المعقدة متعددة الأبعاد إلى فضاء ثنائي نقي يعكس الصدق الداخلي للتحليل الإحصائي بدقة متناهية.

3.3 قراءة المخطط واستخلاص الدلالات السيكومترية

تتطلب القراءة التحليلية لمخططات المتغير المضاف فحص ثلاثة أبعاد هيكلية رئيسية تكشف عن البنية السيكومترية للبيانات. البعد الأول هو تقييم خطية العلاقة الجزئية؛ فإذا أظهرت المتبقيات نمطاً متعرجاً أو منحنياً، فإن ذلك يُعد مؤشراً حاسماً على أن العلاقة بين هذا المتنبئ والمتغير النفسي التابع ليست خطية بطبيعتها، مما يستلزم تعديل النموذج الرياضي عبر إضافة حدود تربيعية أو إجراء تحويلات لوغاريتمية للمتغير المعني، وهو أمر تعجز الجداول الإحصائية التقليدية عن إظهاره.

البعد الثاني يركز على الكشف عن الملاحظات ذات التأثير الحرج والرافعة الإحصائية العالية (High Leverage Points). فالنقاط التي تبتعد أفقياً بشكل متطرف على محور متبقيات المتنبئ تمتلك قدرة فائقة على جذب خط الانحدار نحوها، مما قد يضخم أو يقلص قيمة المعامل الجزئي بصورة مصطنعة. يُمكن للباحث من خلال المخطط تحديد الأرقام المعرفية لتلك الحالات السريرية أو السلوكية وتدقيق استجاباتها للتأكد من عدم وجود أخطاء في القياس أو ترميز البيانات.

البعد الثالث ينطوي على فحص تجانس تباين المتبقيات المشروطة عبر المدى الكامل للمتنبئ. فإذا اتسع انتشار النقاط رأسياً في أحد الأطراف وضاق في الطرف الآخر مشكلاً نمطاً قمعياً، فإن ذلك يدل على خرق افتراض ثبات التباين الخاص بهذا المتغير بالذات، مما يوجه الباحث نحو استخدام الأخطاء المعيارية القوية (Robust Standard Errors) لتصحيح فترات الثقة والاختبارات التائية المرتبطة بها.

4. إعداد بيئة العمل وحزم R الإحصائية المتخصصة

4.1 تثبيت واستدعاء المكتبات الضرورية

لتحقيق أعلى درجات الدقة الإحصائية والجاذبية البصرية في رسم نتائج الانحدار المتعدد، يتطلب الأمر تجهيز بيئة R بمجموعة من الحزم البرمجية المتطورة المتوفرة على شبكة CRAN. تأتي في مقدمة هذه الحزم حزمة car (Companion to Applied Regression) المطورة من قِبل جون فوكس وسانجاي ويسبرغ، والتي تُعد المرجع القياسي لتوليد مخططات الانحدار الجزئي ومصفوفات تضخم التباين والاختبارات التشخيصية المتقدمة.

إلى جانب ذلك، تُشكل منظومة tidyverse وحزمتها المركزية ggplot2 البنية التحتية لإنشاء رسوم بيانية ذات جودة نشر احترافية قائمة على فلسفة “قواعد البيانات الرسومية” (Grammar of Graphics). ولتسهيل الربط بين النماذج الإحصائية وطبقات الرسم، نستعين بحزمتي effects و ggeffects اللتين تختصان بحساب التأثيرات الهامشية والتنبؤات المشروطة بدقة فائقة، بالإضافة إلى حزمة sjPlot المتخصصة في إخراج تقارير بصرية متوافقة مع متطلبات النشر الأكاديمي.

أما بالنسبة لتحليل التأثيرات التفاعلية والوساطية، فإن حزمة interactions تُوفر أدوات منقطعة النظير لرسم خطوط الانحدار البسيطة واختبارات جونسون-نيمان، وتكتمل البيئة بحزمتي scatterplot3d و plotly لإنشاء الأشكال السطحية ثلاثية الأبعاد بنوعيها الثابت والتفاعلي. يُنصح دائماً بالتحقق من تحديث هذه المكتبات لضمان التوافق التام واستقرار الدوال البرمجية المستخدمة في التحليل.

4.2 إنشاء وتجهيز مجموعة بيانات نفسية افتراضية للمحاكاة

لضمان التطبيق العملي للتقنيات المشروحة، سنقوم ببناء مصفوفة بيانات نفسية محاكاة تعكس سيناريو واقعياً في أبحاث الصحة النفسية والسريرية. سنفترض دراسة تهدف إلى التنبؤ بـ “مستوى أعراض الاكتئاب” (Depression_Score) كمتغير تابع مستمر، مقاساً على متصل يتراوح نظرياً من 0 إلى 100، بالاعتماد على أربعة متغيرات تنبؤية رئيسية: “مستوى التوتر اليومي” (Stress)، “جودة النوم” (Sleep_Quality)، “مستوى الدعم الاجتماعي” (Social_Support)، و”الاجترار الفكري” (Rumination).

لضمان موثوقية وقابلية تكرار المحاكاة الإحصائية بدقة (Reproducibility)، يتم تثبيت بذرة التوليد العشوائي باستخدام الدالة set.seed(12345) في R. يتم توليد العينة بحجم مناسب، وليكن $N = 350$ مشاركاً، مع بناء علاقات خطية محددة سلفاً وتضمين درجات واقعية من التغاير والارتباط البيني بين المتنبئات لمحاكاة التعقيد السيكومتري الطبيعي للبيانات الإنسانية. كما يتم إدخال حد للخطأ العشوائي الموزع اعتدالياً بمتوسط صفري وانحراف معياري معلوم لضمان واقعية التجربة.

تخضع مصفوفة البيانات المتولدة لعملية فحص بنيوي للتأكد من أنواع المتغيرات ومداها العددي، مع التحقق من عدم وجود قيم شاذة مصطنعة خارج النطاقات المنطقية للمقاييس السيكومترية، لتكون جاهزة للمرحلة التالية من الاستكشاف الإحصائي والنمذجة الخطية.

4.3 فحص مصفوفة الارتباط الأولي والتوزيعات

قبل الشروع في تركيب نموذج الانحدار، تقتضي المنهجية العلمية الرصينة إجراء استكشاف بياني وإحصائي أولي للبنية الارتباطية للمتغيرات. يُنفذ ذلك عبر توليد مصفوفة معاملات الارتباط البسيط للدرجة الصفرية وفحص مصفوفة مخططات الانتشار الشاملة باستخدام دالة pairs() أو الدوال المتقدمة في حزمة GGally. يُتيح هذا الفحص التعرف على العلاقات الثنائية السطحية وتحديد التوزيعات الحدية لكل متغير عبر الرسوم التكرارية أو تقديرات الكثافة الاحتمالية.

يخدم هذا الإجراء غرضين منهجيين: أولهما، التأكد المبدئي من خلو البيانات من الارتباطات البينية المفرطة (التي تتجاوز قيمتها المطلقة $r > 0.80$ أو $0.85$) والتي تُنذر بمخاطر التعدد الخطي الحاد (Multicollinearity). وثانيهما، رصد أي تشوهات توزيعية واضحة كالملتويات الحادة التي قد تستلزم إجراء معالجات مسبقة قبل إدخالها في النموذج الخطي.

يُمثل الفحص البصري للمصفوفة الارتباطية اللبنة التأسيسية التي تُمكن الباحث من مقارنة الارتباطات الصفرية المعروضة مبدئياً بالنتائج المعزولة والمصفاة التي ستفرزها مخططات المتغير المضاف ونماذج التأثيرات الهامشية لاحقاً، مما يُظهر بوضوح القيمة المضافة لنمذجة الانحدار المتعدد.

5. بناء وتدريب نموذج الانحدار الخطي المتعدد في R

5.1 تطبيق دالة lm() على البيانات المتعددة

تبدأ عملية النمذجة الفعلية في بيئة R عبر صياغة المعادلة الإحصائية وتمريرها إلى الدالة المركزية lm(). يتم تحديد المتغير التابع على يسار المعامل الصياغي ~ بينما تُرتب المتغيرات التفسيرية على اليمين تفصل بينها إشارة الجمع +، مثل: Depression_Score ~ Stress + Sleep_Quality + Social_Support + Rumination. يُشير هذا التركيب إلى بناء نموذج إضافي يفترض استقلالية التأثيرات المباشرة للمتنبئات.

تتعامل الدالة داخلياً مع البيانات عبر مصفوفات الجبر الخطي لتطبيق خوارزمية تفكيك القيمة المتقاربة وحساب مقدرات المربعات الصغرى. كما تُوفر المعاملات المساعدة مثل na.action = na.omit وسيلة قياسية لإدارة القيم المفقودة وحذف الحالات التي لا تتوفر لها بيانات كاملة لضمان اتساق حجم العينة عبر جميع حدود المعادلة.

يتم تخزين مخرجات هذا الإجراء في كائن إحصائي مخصص (Model Object) من الفئة lm، والذي يحتوي بداخله على هيكل بيانات متكامل يضم المعاملات المقدرة، والقيم التنبؤية، ومصفوفة التباين والتغاير للمعلمات، والمتبقيات الفردية، ودرجات الحرية. يُعد هذا الكائن المصدر الأساسي لجميع عمليات استخراج الجداول الإحصائية وتوليد الرسوم البيانية التشخيصية والاستدلالية في المراحل اللاحقة.

5.2 استخراج وفهم مخرجات التقرير الإحصائي summary()

يُمثل استدعاء دالة summary() على كائن النموذج الخطوة الأولى لتقييم الكفاءة التفسيرية والملاءمة الإحصائية. يحتوي الجدول الناتج على تفاصيل المعاملات مقسمة إلى أربعة أعمدة رئيسية: عمود التقدير (Estimate) الذي يمثل أوزان الانحدار غير المعيارية $b_k$، وعمود الخطأ المعياري (Std. Error) الذي يقيس درجة عدم اليقين المحيطة بالتقدير، وعمود قيمة $t$ المحسوبة، وأخيراً عمود الدلالة الإحصائية المقابلة (p-value) لاختبار الفرضية الصفرية القائلة بأن المعامل يساوي صفراً في المجتمع الأصلي.

في الجزء السفلي من التقرير، يبرز معامل التحديد المتعدد ($R^2$) الذي يقيس النسبة المئوية من التباين الكلي في المتغير التابع المفسرة بواسطة حزمة المتنبئات مجتمعة، إلى جانب معامل التحديد المعدل ($Adjusted R^2$) الذي يفرض عقوبة رياضية على إضافة متغيرات إضافية لا تُسهم بشكل حقيقي في تحسين القدرة التنبؤية للنموذج، وهو المقياس الأكثر موثوقية للمقارنة بين النماذج المتنافسة في الدراسات النفسية.

ويكتمل التقرير بقيمة اختبار $F$ العام ودرجات الحرية المقترنة به، والذي يختبر ما إذا كان النموذج ككل يتمتع بقدرة تنبؤية تتفوق معنوياً على النموذج الصفري المجرد المعتمد على المتوسط فقط. ورغم الأهمية المحورية لهذه المؤشرات الرقمية، فإنها تظل غير كافية لضمان سلامة الاستدلال ما لم يتم فحص شروط التعدد الخطي وتشخيص الافتراضات بيانياً.

5.3 التحقق من تضخم التباين (VIF)

يُعد فحص التعدد الخطي خطوة تشخيصية حاسمة قبل الشروع في الرسم والتفسير؛ إذ يؤدي التداخل الخطي المفرط بين المتغيرات المستقلة إلى تضخيم الأخطاء المعيارية لمعاملات الانحدار، مما يجعل تقديرات الميل غير مستقرة وعالية الحساسية لأي تغير طفيف في بيانات العينة. يتم فحص هذه الظاهرة عددياً عبر حساب معامل تضخم التباين (Variance Inflation Factor – VIF) باستخدام دالة vif() المتاحة في حزمة car.

يقيس معامل $VIF$ لكل متغير مقدار الزيادة في تباين معامل الانحدار المقدر مقارنة بحالة ما إذا كان هذا المتغير غير مرتبط بالمرة ببقية المتغيرات التفسيرية. تشير القواعد الإرشادية في القياس النفسي إلى أن قيم $VIF$ التي تتجاوز العتبة 5 أو 10 تُنذر بوجود مشكلة تعدد خطي جسيمة تُهدد دقة التقديرات، في حين تُشير القيم القريبة من 1 إلى استقلالية مثالية للمتنبئات.

ينعكس ارتفاع التعدد الخطي بصرياً على مخططات المتغير المضاف من خلال تشتت المتبقيات على المحور الأفقي وضيق مداها الفعال، مما يجعل خط الانحدار الجزئي متذبذباً وغير واضح المعالم. لذا، فإن التأكد من انخفاض قيم $VIF$ يمنح الباحث ثقة منهجية في أن المخططات البيانية اللاحقة ستعكس تأثيرات فريدة ومستقرة قابلة للتفسير العلمي الرصين.

6. إنشاء مخططات المتغير المضاف باستخدام حزمة car

6.1 استخدام دالة avPlots() لتوليد المخططات الشاملة

تُقدم حزمة car للمحلل الإحصائي دالة قوية ومتكاملة هي avPlots()، والتي تقوم بتوليد شبكة منسقة من مخططات المتغير المضاف لجميع المتغيرات التنبؤية المدرجة في النموذج دفعة واحدة. تقوم الدالة داخلياً بإجراء العمليات الجبرية لحساب المتبقيات الجزئية لكل متغير وضبط مصفوفة العرض لتضمين الرسوم في نافذة بيانية واحدة وموحدة، مما يُسهل المقارنة البصرية المباشرة بين المساهمات النسبية للمتنبئات المختلفة.

تتميز دالة avPlots() بقدرتها التلقائية على التعرف على الحالات الشاذة والملاحظات المؤثرة إحصائياً وتحديد أرقام أسطرها على الرسم البياني باستخدام وسائط مثل id = list(method = "mahal", n = 2). يساعد هذا التحديد الآلي الباحث على رصد الحالات الفردية التي تمارس جذباً مفرطاً لخط الانحدار الجزئي مباشرة دون الحاجة إلى إجراء تنقيب رقمي معقد في مصفوفات البيانات.

كما تُتيح الدالة خيارات مرنة لتعديل شبكة العرض والخطوط والتحكم في إظهار أو إخفاء شبكات الإحداثيات وضبط الهوامش لتلائم أبعاد الصفحات في المنشورات الأكاديمية، مما يجعلها الخيار الأول والأكثر كفاءة للبدء في استكشاف العلاقات الجزئية داخل النموذج الإحصائي متعدد المتغيرات.

6.2 رسم مخطط متغير مضاف لمتنبئ منفرد عبر دالة avPlot()

عندما يرغب الباحث في تسليط الضوء على فرضية محددة تتعلق بمتغير نفسي رئيسي، يُفضل استخدام دالة avPlot() بصيغتها المفردة بدلاً من المخطط الشبكي الشامل. تستقبل هذه الدالة كائن النموذج متبوعاً باسم المتغير المستهدف كمدخل نصي، مثل: avPlot(model, variable = "Rumination")، مما يُولد رسماً بيانياً مستقلاً ومخصصاً لهذا المتغير بالذات بأعلى درجات الوضوح والتركيز البصري.

يفتح الرسم المنفرد الباب أمام تخصيص جمالي متقدم؛ حيث يمكن للباحث تعديل تسميات المحاور بدقة لتعكس المصطلحات السيكومترية المعتمدة باللغة العربية أو الإنجليزية بدلاً من أسماء المتغيرات البرمجية المختصرة (على سبيل المثال، استبدال التسمية الافتراضية بـ “متبقيات الاجترار الفكري بعد تحييد المتغيرات الأخرى”). كما يمكن التحكم في أحجام وألوان نقاط الانتشار، وتغيير سماكة ولون خط الانحدار الجزئي المنطبق ليتماشى مع متطلبات مجلات الجمعية النفسية الأمريكية.

يُتيح هذا المستوى من التخصيص للمؤلف إبراز التفاصيل الدقيقة للعلاقة قيد الاختبار، وتضمين فترات الثقة الجزئية، وتقديم شكل بياني نقي يُلبي أعلى معايير الجودة الصورية والتصميمية المطلوبة في النشر العلمي الدولي.

6.3 التفسير الأكاديمي لمخرجات avPlots

يتطلب التفسير الأكاديمي لمخرجات مخططات المتغير المضاف ربطاً وثيقاً بين الشكل الهندسي للمخطط والافتراضات النظرية للدراسة. يُشير ميل الخط الأزرق أو الأحمر المنطبق في المخطط إلى اتجاه وحجم التأثير المعزول؛ فالميل الصاعد بزاوية حادة يرمز إلى تأثير إيجابي قوي يربط المتنبئ بالمتغير التابع بعد استبعاد التباين المشترك مع باقي المتغيرات، بينما يدل الخط الأفقي المسطح تماماً على انعدام المساهمة الإضافية للمتغير وفشله في تفسير أي تباين فريد، حتى وإن كان ارتباطه الصفري البسيط ذا دلالة إحصائية.

ينبغي على الباحث تدقيق الحالات المعلمة بأرقام تعريفية على أطراف المخطط؛ فهذه الحالات تمثل مشاركين يتميزون بتوليفات غير معتادة من المتغيرات التفسيرية مع استجابات متطرفة على المتغير التابع. إذا وُجدت نقطة شاذة وحيدة تسحب الخط الانحداري للأعلى أو للأسفل، يجب مناقشة ذلك نقدياً في متن البحث وإجراء تحليل حساسية (Sensitivity Analysis) يُقارن معاملات النموذج بوجود هذه الحالة وبدونها لضمان متانة النتائج السيكومترية.

كما يُستفاد من المخطط في تقييم مدى كفاية الفرضية الخطية؛ فإذا أظهرت النقاط المحيطة بالخط نمطاً تشتتياً منتظماً ومتناظراً على طول المحور الأفقي، استنتج الباحث تحقق شرط الخطية وثبات التباين الجزئي، مما يُعزز مصداقية الاستنتاجات النظرية المبنية على النموذج.

7. تمثيل التأثيرات الهامشية والتنبؤية باستخدام حزم effects و ggeffects

7.1 مفهوم التأثيرات الهامشية وتثبيت المتغيرات عند متوسطاتها

تستند فلسفة التأثيرات الهامشية (Marginal Effects) والتنبؤات المشروطة (Adjusted Predictions) إلى محاكاة سلوك النموذج الإحصائي في ظل ظروف معيارية متحكم فيها مخبرياً. يقوم المفهوم على حساب القيم المتوقعة للمتغير التابع عبر المتصل الكامل لأحد المتغيرات المستقلة المختارة، مع تثبيت جميع المتغيرات التفسيرية الأخرى المتبقية عند قيم إحصائية مرجعية ثابتة، كأن يتم ضبط المتغيرات المستمرة عند متوسطاتها الحسابية والمتغيرات الفئوية عند فئاتها المرجعية الأكثر تكراراً.

يختلف هذا النهج جوهرياً عن مخططات المتغير المضاف؛ فبينما تتعامل الأخيرة مع متبقيات صافية في فضاء جبري مجرد، تُقدم التأثيرات الهامشية رسماً بيانياً يقع في فضاء وحدات القياس الأصلية للمتغيرات السيكومترية. يُتيح ذلك للقارئ والباحث الإكلينيكي فهم النتائج بلغة المقاييس المستخدمة مباشرة؛ كأن يرى كيف تتغير الدرجة المتوقعة للاكتئاب (من 0 إلى 100) مع ارتفاع مستوى التوتر من أدنى درجاته إلى أعلاها لمشارك يمتلك مستويات “متوسطة” من الدعم الاجتماعي وجودة النوم والاجترار الفكري.

تتضمن التأثيرات الهامشية حساب أشرطة أو مناطق عدم اليقين المحيطة بخط التنبؤ (Confidence Bands)، والتي تعكس الخطأ المعياري للتقدير التنبؤي عند كل نقطة، مما يُوفر أداة بصرية بالغة القوة لإبراز دقة الاستدلال ومدى موثوقية النموذج عبر مختلف مستويات المتغير المستهدف.

7.2 استخدام دالة effect() من حزمة effects

تُعد حزمة effects الكلاسيكية من الأدوات الرائدة في بيئة R لتوليد التأثيرات الهامشية للنماذج الخطية والخطية المعممة. يتم تطبيق دالة Effect() عبر تمرير اسم المتغير المستهدف وكائن النموذج، مثل: eff <- Effect("Stress", model)، لتقوم الدالة بحساب التقديرات النقطية وفترات الثقة بنسبة 95% بدقة إحصائية متناهية عبر مصفوفات التباين والتغاير للنموذج الكامل.

يتم رسم الكائن الناتج بسهولة عبر تطبيق دالة plot(eff)، والتي تُنتج رسماً بيانياً يعرض خط التنبؤ المركزي محاطاً بمنطقة مظللة تمثل فترة الثقة، مع إمكانية عرض التوزيع السجادي (Rug Plot) للنقاط الأصلية على طول المحور الأفقي لتوضيح كثافة الملاحظات الفعلية في العينة وتجنب الاستقراء المفرط خارج نطاق البيانات الواقعية.

كما تُتيح دالة allEffects(model) استخراج ورسم التأثيرات الهامشية لجميع المتغيرات المدرجة في خطوة واحدة، مما يُوفر نظرة بانورامية شاملة للأثر المعياري لكل بُعد نفسي على الناتج السلوكي قيد الدراسة في ظل تثبيت باقي الأبعاد.

7.3 التمثيل الحديث باستخدام حزمة ggeffects ونظام ggplot2

تمثل حزمة ggeffects الجيل الأحدث والأكثر مرونة في حساب وتمثيل التأثيرات التنبؤية، إذ بُنيت خصيصاً للتكامل السلس والكامل مع بنية ggplot2 ومبادئ معالجة البيانات الحديثة في R. تستخدم الحزمة الدالة المحورية ggpredict() التي تقبل صياغات مرنة وسهلة، مثل: pred <- ggpredict(model, terms = "Stress")، وتُرجع إطار بيانات مرتب (Tidy Data Frame) يحتوي على القيم التنبؤية وفترات الثقة والخطأ المعياري.

يتميز هذا الإطار بإمكانية تمريره مباشرة إلى دالة plot() المتوافقة مع الحزمة لتوليد رسومات مبهرة بصرياً وجاهزة للنشر، أو دمجه كطبقات إضافية مخصصة داخل أوامر ggplot2 الاعتيادية. يُتيح ذلك للباحث إضافة عناصر هندسية مخصصة مثل geom_ribbon() لتمثيل فترات الثقة، و geom_line() للخط التنبؤي، و geom_point() لتراكب البيانات الخام المشروطة.

تُوفر ggeffects أيضاً تحكماً فائقاً في تحديد القيم المرجعية للمتغيرات الضابطة، كأن يختار الباحث تثبيتها عند الانحراف المعياري الموجب والسالب بدلاً من المتوسط الحسابي، مما يمنح مرونة تحليلية لا تضاهى في عرض السيناريوهات التنبؤية المختلفة للمتغير النفسي التابع.

8. التمثيل البياني ثلاثي الأبعاد ونماذج سطح الاستجابة (3D Surface Plots)

8.1 الحالات المنهجية المناسبة للتمثيل ثلاثي الأبعاد

يبرز اللجوء إلى التمثيل البياني ثلاثي الأبعاد كخيار منهجي متقدم عندما ترتكز الفرضية البحثية على استكشاف التفاعل المشترك والتدرج التنبؤي لمتغيرين تفسيريين مستمرين رئيسيين في التنبؤ بمتغير تابع واحد. في هذا السياق، لم يعد الباحث مهتماً بعزل كل متغير على حدة في رسم ثنائي الأبعاد، بل يسعى إلى استيعاب “تضاريس الاستجابة” النفسية الناتجة عن اقتران هذين المتغيرين معاً، كما هو الحال عند دراسة التفاعل بين “مستوى التوتر” و”جودة النوم” في توليد “أعراض الاكتئاب”.

في الفضاء ثلاثي الأبعاد، يتحول خط الانحدار إلى مستوٍ انحداري مسطح (في حالة النماذج الإضافية الخطية) أو سطح منحنٍ متعرج (في حالة وجود حدود تفاعلية أو قوى تربيعية). يُمكن هذا التمثيل الباحث من رؤية كيفية انحدار الاستجابة النفسية عبر مختلف التوليفات الواقعية للمتغيرين، مما يُثري الفهم النظري للظاهرة وتداخلاتها المعقدة.

ومع ذلك، تفرض الرسوم ثلاثية الأبعاد تحديات إدراكية تتعلق بمحدودية زاوية الرؤية وحجب بعض النقاط خلف المستويات المائلة في الوسائط المطبوعة الثابتة؛ لذا فإن استخدامها يتطلب عناية فائقة في اختيار زوايا الإسقاط وتدعيمها دائماً بالرسوم التفاعلية أو المخططات الكنتورية المرافقة.

8.2 استخدام حزمة scatterplot3d لإنشاء المخططات الثابتة

تُعد حزمة scatterplot3d الأداة الكلاسيكية الأكثر رسوخاً في R لإنشاء رسوم بيانية ثلاثية الأبعاد ثابتة ومعدّة للطباعة الأكاديمية بالأبيض والأسود أو بالألوان المتدرجة. يتم استدعاء الدالة الرئيسية عبر تحديد محاور الإحداثيات الثلاثة، مع إمكانية التحكم الدقيق في زاوية الإسقاط البصري من خلال وسيط angle وتحديد نوع النقاط وحجمها.

يكمن الجمال الرياضي لهذه الحزمة في قدرتها على تراكب المستوي الانحداري المسطح مباشرة فوق النقاط المجسمة عبر استدعاء دالة plane3d() وتمرير كائن نموذج الانحدار الخطي المتعدد ذي المتنبئين. يقوم هذا الإجراء بحساب شبكة المستوي وإسقاطها هندسياً لتقطع فضاء البيانات بدقة مذهلة.

علاوة على ذلك، تُتيح الحزمة ميزة إسقاط خطوط رأسية تنحدر من كل نقطة فعلية إلى المستوي الانحداري، مما يُعطي تجسيداً بصرياً مباشراً لمتبقيات النموذج ($e_i$) ومسافات الخطأ في الفضاء الفراغي، وهو ما يُعمّق الفهم البصري لمفهوم المربعات الصغرى ومقدار الملاءمة الكلية للبيانات.

8.3 الرسوم التفاعلية ثلاثية الأبعاد باستخدام حزمة plotly و rgl

يمثل الانتقال إلى الرسوم التفاعلية باستخدام حزم حديثة مثل plotly و rgl ثورة في استكشاف البيانات ثلاثية الأبعاد؛ إذ يتجاوز الباحث قيود الزوايا الثابتة ليتحكم بالكامل في تدوير المجسم البياني بزاوية 360 درجة، والتكبير والتصغير، وعزل طبقات معينة من البيانات في الوقت الفعلي داخل بيئة RStudio أو صفحات الويب الأكاديمية التفاعلية.

يتم بناء السطح التفاعلي في plotly عبر توليد شبكة إحداثيات منتظمة للمتغيرين المستقلين باستخدام دالة expand.grid()، ثم تطبيق دالة predict() لحساب الارتفاع التنبؤي المقابل لكل نقطة على الشبكة وتشكيل مصفوفة السطح. بعد ذلك، يتم رسم السطح الملون بنمط كونتوري مجسم مع نثر نقاط البيانات الأصلية فوقه وتحته بألوان تعكس قربها أو بعدها عن التنبؤ النموذجي.

تُتيح هذه الرسوم التفاعلية أيضاً ميزة قراءة القيم الدقيقة لأي مشارك عند تمرير مؤشر الفأرة فوق النقطة (Hover Tooltips)، مما يجعلها أداة لا تُقدر بثمن في العروض التقديمية، ومناقشات الأطروحات العلمية، والملاحق التفاعلية للمجلات الأكاديمية الرقمية الحديثة.

9. تمثيل التأثيرات التفاعلية (Moderation / Interaction Effects) بيانيًا

9.1 صياغة نماذج الانحدار المشتملة على حدود التفاعل

في العديد من الدراسات النفسية والسلوكية، لا يقتصر السؤال البحثي على التأثير المستقل البسيط للمتنبئ، بل يمتد إلى دراسة الشروط والظروف التي يتغير فيها هذا التأثير؛ وهو ما يُعرف في الأدبيات السيكومترية بنماذج التأثير المعدل (Moderation) أو التفاعل الإحصائي (Interaction Effects). يُصاغ هذا النموذج رياضياً في بيئة R عبر إدراج حاصل ضرب المتغير المستقل الأساسي في المتغير المعدل باستخدام رمز الضرب * داخل صيغة دالة lm()، مثل: Depression ~ Stress * Social_Support، والتي تقوم تلقائياً بتقدير التأثيرات الرئيسية لكلا المتغيرين مضافاً إليها حد التفاعل المشترك.

تتمثل المشكلة الإحصائية الشائعة في هذه النماذج في نشوء تعدد خطي مصطنع ناتج عن ارتباط حد التفاعل العالي بالمتغيرات الأصلية المكونة له. لتفادي هذا التضخم وتسهيل التفسير البصري للمقاطع المعنوية، يُوصى بشدة بمركزة المتغيرات المستمرة حول متوسطاتها الحسابية (Mean-Centering) قبل تدريب النموذج أو استخدام الحزم المتخصصة التي تتولى هذه المعالجة تلقائياً خلف الكواليس.

يُشير المعامل الدال إحصائياً لحد التفاعل إلى أن ميل خط انحدار المتغير التابع على المتغير المستقل ليس ثابتاً، بل يختلف في شدته أو اتجاهه باختلاف مستويات المتغير المعدل، مما يجعل التمثيل البياني ضرورة حتمية لا غنى عنها لاستيعاب طبيعة هذا التغير الشرطي المعقد.

9.2 رسم خطوط الانحدار البسيطة الشرطية (Simple Slopes Plot)

تُمثل طريقة “الخطوط البسيطة” (Simple Slopes Analysis) الأسلوب الكلاسيكي المعتمد في علم النفس لتفسير التأثيرات التفاعلية بصرياً، وتستند إلى أسلوب اختيار النقاط المرجعية (Pick-a-Point Approach) المطور من قِبل كوهين وإيكن وويست. تقوم الفكرة على إعادة حساب ورسم خط انحدار المتغير المستقل عند مستويات شرطية محددة للمتغير المعدل: عادةً عند المتوسط الحسابي، وعند انحراف معياري واحد فوق المتوسط (+1 SD) لتمثيل المستويات المرتفعة، وعند انحراف معياري واحد تحت المتوسط (-1 SD) لتمثيل المستويات المنخفضة.

تُوفر حزمة interactions دالة فائقة الكفاءة تُدعى interact_plot() تتولى تنفيذ هذا الإجراء المعقد بسطر برمجي واحد، مع دعم كامل لتراكب البيانات الأصلية وتوليد فترات الثقة المحيطة بكل خط على حدة. يُظهر الرسم البياني الناتج حزمة من الخطوط المتقاطعة أو المتباعدة؛ حيث يُشير تباين زوايا ميل هذه الخطوط إلى طبيعة الدور التعديلي الذي يلعبه المتغير.

فعلى سبيل المثال، قد يُظهر الرسم أن خط انحدار الاكتئاب على التوتر يكون شديد الانحدار إيجابياً عندما يكون الدعم الاجتماعي منخفضاً (-1 SD)، بينما يصبح الخط شبه أفقي ومستقراً عندما يكون الدعم الاجتماعي مرتفعاً (+1 SD)، مما يُقدم تجسيداً بصرياً رائعاً لفرضية “الدور الوقائي والمخفف” للدعم الاجتماعي في امتصاص الصدمات النفسية وفق أعلى معايير الجمعية الأمريكية لعلم النفس.

9.3 تقنية جونسون-نيمان (Johnson-Neyman Technique) لتحديد مناطق الدلالة

على الرغم من الانتشار الواسع لمخططات الخطوط البسيطة، إلا أنها تواجه انتقاداً منهجياً يتمثل في الطبيعة الاعتباطية لتقسيم المتغير المعدل المستمر إلى ثلاث نقاط اصطناعية فقط ($\pm 1 SD$). للتغلب على هذا القصور، طُوّرت تقنية جونسون-نيمان (Johnson-Neyman Technique) المتقدمة، والتي تهدف إلى تحديد النطاق الدقيق والكامل لقيم المتغير المعدل التي يكون عندها ميل المتغير المستقل دالاً إحصائياً عند مستوى دلالة محدد ($\alpha = .05$)، وتلك التي يفقد عندها دلالته.

تُنفذ هذه التقنية في R بسهولة فائقة عبر دالة johnson_neyman() المتاحة في حزمة interactions، والتي تُنتج رسماً بيانياً محورياً يُمثل فيه المحور الأفقي المتصل الكامل للمتغير المعدل، بينما يُمثل المحور الرأسي قيمة ميل الانحدار المشروط (Conditional Slope) محاطاً بنطاق ثقة متغير الاتساع بحسب تباين التقدير.

يُقسّم المخطط بوضوح مناطق الدلالة الإحصائية بألوان متباينة، مع وضع خطوط رأسية فاصلة تحدد النقاط الحرجة (Transition Points). يُمكّن هذا المخطط الباحث من كتابة استنتاجات سيكومترية دقيقة للغاية، كأن يُقرر في تقريره الأكاديمي: “يظل تأثير التوتر على الاكتئاب دالاً إحصائياً وموجباً فقط طالما كانت درجات الدعم الاجتماعي أقل من القيمة الحرجة 42.5، بينما يختفي هذا التأثير تماماً ويصبح غير دال بمجرد تجاوز الدعم الاجتماعي لهذا الحد الحرج”.

10. مخططات تشخيص افتراضات الانحدار الخطي المتعدد (Diagnostic Plots)

10.1 مخططات البواقي مقابل القيم المتوقعة (Residuals vs Fitted)

تُعد الفحوصات التشخيصية للافتراضات الإحصائية الركيزة الحاكمة لمدى موثوقية وشرعية أي نموذج انحداري، ويأتي في مقدمتها مخطط المتبقيات مقابل القيم المتوقعة (Residuals vs Fitted Plot). يتم استدعاء هذا المخطط أساسياً في R عبر الأمر plot(model, which = 1) أو باستخدام حزمة ggfortify عبر الدالة autoplot() للحصول على إخراج جمالي حديث مبني على طبقات ggplot2.

يخدم هذا المخطط التحقق من افتراضين جوهريين: الخطية (Linearity) وتجانس تباين الأخطاء العشوائية (Homoscedasticity). يُقيّم الباحث افتراض الخطية من خلال فحص الخط الأحمر المُنعم المار عبر المتبقيات؛ فإذا استقر الخط أفقياً حول خط الصفر المركزي دون تموجات واضحة، دلّ ذلك على تحقق شرط الخطية التام. أما إذا أظهر الخط شكلاً مقعراً أو محدباً على هيئة حرف U، فإن ذلك يُشير إلى وجود علاقة غير خطية مهملة تتطلب تعديل صياغة النموذج.

أما بالنسبة لتجانس التباين، فيتم تقييمه من خلال مراقبة النطاق الرأسي لانتشار النقاط عبر مختلف القيم المتوقعة على المحور الأفقي؛ فإذا كان انتشار النقاط منتظماً ومتساوياً على امتداد الرسم، تحقق شرط التجانس. أما إذا ظهر انتشار النقاط على هيئة قمع أو بوق متسع في أحد الطرفين، كان ذلك دليلاً قاطعاً على عدم تجانس التباين (Heteroscedasticity)، مما يفرض استخدام مصفوفات التباين المصححة لضمان سلامة اختبارات الفروض.

10.2 مخطط الاحتمال الطبيعي للبواقي (Normal Q-Q Plot)

يختص مخطط الاحتمال الطبيعي للبواقي (Normal Quantile-Quantile Plot) بالتحقق من افتراض اعتدالية توزيع الأخطاء العشوائية في المجتمع الإحصائي قيد الدراسة، ويتم استدعاؤه برمجياً عبر الأمر plot(model, which = 2). يقوم المخطط بمقارنة التوزيع التراكمي الفعلي للمتبقيات المعيارية للنموذج (على المحور الرأسي) بالتوزيع النظري المتوقع لمتغير عشوائي موزّع توزيعاً طبيعياً معيارياً بنفس المعلمات (على المحور الأفقي).

في الحالة المثالية التي يتطابق فيها توزيع الأخطاء مع التوزيع الطبيعي، تترتب جميع نقاط البيانات بدقة متناهية على طول الخط المرجعي القطري المائل بزاوية 45 درجة. وتكتسب الانحرافات عن هذا الخط دلالات إحصائية نوعية؛ فالنقاط التي تنحرف للأعلى في الطرف الأيمن وللأسفل في الطرف الأيسر تُشير إلى ظاهرة “ذيول التوزيع الثقيلة” (Heavy Tails)، والتي تدل على وجود حالات متطرفة تفوق ما يتوقعه التوزيع الطبيعي المعتاد.

ورغم أن مبرهنة النهاية المركزية تمنح النماذج متانة نسبية ضد خروقات التوزيع الطبيعي في العينات الكبيرة، إلا أن الفحص البصري الدقيق لمخطط Q-Q يظل أمراً جوهرياً في المقاييس النفسية لضمان دقة حساب فترات الثقة وحدود الدلالة الإحصائية للاختبارات التائية والتفاعلية.

10.3 مخطط مسافة كوك والرافعة الإحصائية (Cook’s Distance & Leverage)

يُمثل مخطط المتبقيات المعيارية مقابل الرافعة الإحصائية (Residuals vs Leverage) ومخطط مسافات كوك، المستدعيين عبر plot(model, which = 4:5)، خط الدفاع الأخير للكشف عن الحالات المؤثرة تأثيراً هداماً على ثبات معاملات الانحدار. تقيس الرافعة الإحصائية ($h_{ii}$) مدى ابتعاد قيم المتغيرات المستقلة لحالة معينة عن مركز ثقل بيانات المتغيرات المستقلة للعينة بأكملها، في حين تقيس مسافة كوك ($Cook’s D$) المقدار الإجمالي الذي ستتغير به كافة معاملات النموذج مجتمعة إذا تم حذف تلك الحالة المفردة من التحليل.

يُحدد المخطط خطوطاً كونتورية متقطعة تمثل حدود مسافة كوك الحرجة، والتي تُحدد تقليدياً بالقيمة $D > 0.5$ كإشارة تحذيرية والقيمة $D > 1.0$ كحالة ذات تأثير حرج وخطير، أو باستخدام العتبة المعتمدة على حجم العينة $4/n$. تظهر الحالات التي تجمع بين الرافعة العالية والمتبقيات الكبيرة في الزاوية العلوية أو السفلية اليمنى من الرسم، مما يجعلها أهدافاً رئيسية للفحص السيكومتري الدقيق.

يجب على الباحث التعامل مع هذه الملاحظات الشاذة بحكمة أكاديمية؛ فلا يجوز حذفها تلقائياً لمجرد تحسين مظهر النتائج، بل يجب التحقق من خلوها من أخطاء الإدخال، أو الإبلاغ عنها بشفافية ومناقشة خصائصها الإكلينيكية الفريدة التي قد تفتح آفاقاً بحثية جديدة لفهم الاستجابات غير النمطية.

11. تخصيص الرسوم البيانية بجودة النشر الأكاديمي (APA Style) باستخدام ggplot2

11.1 استخراج التنبؤات وفترات الثقة ودمجها في إطار بيانات

لتحقيق أقصى درجات التحكم الهندسي والجمالي في مظهر الرسوم البيانية وفق معايير النشر الدولي، يُفضل بناء الرسوم من الصفر باستخدام طبقات حزمة ggplot2 عبر استخراج مصفوفات التنبؤ الرياضية يدوياً. يتم ذلك باستخدام دالة predict() الأساسية في R مع تمرير كائن النموذج وإطار بيانات جديد يحتوي على شبكة القيم المستهدفة، مع تفعيل الوسيط interval = "confidence" لحساب الحدود الدنيا والعليا لفترات الثقة بنسبة 95% بدقة إحصائية متناهية.

تُنتج هذه العملية مصفوفة رقمية تتضمن ثلاثة أعمدة: القيمة التنبؤية المتوقعة ($fit$)، والحد الأدنى للثقة ($lwr$)، والحد الأعلى للثقة ($upr$). يتم دمج هذه الأعمدة بسلاسة مع إطار البيانات الأصلي أو شبكة التقييم باستخدام دالة cbind() لتشكيل بنية بيانات مستطيلة ومرتبة (Tidy Structure) تُمثل المدخل الأساسي لدوال الرسم البياني المتقدمة.

تمنح هذه المنهجية الباحث حرية كاملة في فصل العمليات الحسابية الصرفة عن طبقات العرض البصري، مما يُمكّنه من معالجة البيانات، وإعادة ترتيب المستويات، وإضافة متغيرات تصنيفية إضافية تدعم بناء رسوم بيانية ذات طبقات مركبة وواضحة المعالم.

11.2 تطبيق قواعد التنسيق القياسية لجمعية علم النفس الأمريكية (APA 7th)

يفرض دليل النشر الأكاديمي لجمعية علم النفس الأمريكية في نسخته السابعة (APA 7th Edition) معايير تصميمية صارمة تهدف إلى تعزيز البساطة وتقليل “الحبر غير المفيد” (Non-Data Ink) وإزالة أي عناصر تشتت القارئ عن فهم البيانات. يتطلب هذا التنسيق التخلي التام عن الخلفيات الرمادية وخطوط الشبكة الصندوقية المزدحمة، وهو ما يتحقق في ggplot2 عبر تطبيق السمة الكلاسيكية theme_classic() أو استخدام حزمة jtools ودالتها المخصصة theme_apa().

تشمل القواعد القياسية ضبط نوع وحجم الخطوط لتكون من عائلة خطوط واضحة ومقروءة (مثل Times New Roman أو Arial) بحجم يتراوح بين 10 و 12 نقطة، مع التأكد من أن تسميات المحاور تتضمن اسم المتغير ووحدة قياسه بوضوح تام، وضبط تباعد الأرقام عن محاور الإسقاط. كما يُشترط أن تكون خطوط المحاور واضحة باللون الأسود أو الرمادي الداكن مع علامات تدريج خارجية (Axis Ticks) دقيقة.

وفيما يخص الألوان، يوصي دليل APA باستخدام لوحات ألوان واضحة ومتباينة يمكن تمييزها بسهولة عند الطباعة بتدرجات الرمادي، مع مراعاة إمكانية قراءتها من قِبل الأشخاص المصابين بعمى الألوان (Colorblind-Friendly Palettes) عبر استخدام مكتبات متخصصة مثل viridis أو RColorBrewer، مما يضمن وصول الرسالة العلمية للرسم لكافة فئات القراء بكفاءة وعدالة مطلقة.

11.3 إضافة العناصر المساعدة وتصدير الرسوم بدقة عالية

تكتمل اللمسات الأكاديمية للشكل البياني بإضافة العناصر النصية والمعلومات التوضيحية المساعدة داخل مساحة الرسم مباشرة عبر دالة annotate(). يُمكن للباحث إدراج معادلة الانحدار المحسوبة، وقيمة معامل التحديد ($R^2$)، ومستوى الدلالة الإحصائية ($p$-value)، مما يمنح القارئ ملخصاً إحصائياً فورياً دون الحاجة إلى التنقل المستمر بين الرسم والجداول المرافقة في نص البحث.

وعند الوصول إلى مرحلة الحفظ والتصدير للنشر في المجلات العلمية المحكمة، تبرز دالة ggsave() كأداة حاسمة للتحكم في الجودة التقنية للملفات الصورية. تشترط معظم دور النشر الأكاديمية (مثل APA و Elsevier و Springer) ألا تقل دقة الرسوم النقطية عن 300 أو 600 نقطة في البوصة (DPI) للصور بصيغة TIFF أو PNG، أو تقديم الرسوم بصيغ متجهة عالية النقاء لا تفقد جودتها بالتكبير مثل PDF أو EPS.

يتم ضبط أبعاد الرسم بالبوصة أو السنتيمتر عبر وسائط width و height لتتطابق تماماً مع قياسات أعمدة المجلات العلمية (سواء كان شكلاً يمتد على عمود واحد بعرض 3.5 بوصة تقريباً أو على كامل الصفحة بعرض 7 بوصات)، مما يضمن عدم حدوث أي تشوه أو تغيير في نسب الخطوط والرموز عند تنضيد المقال النهائي للطباعة.

12. دراسة حالة تطبيقية متكاملة وكتابة تقرير النتائج بالصيغة الأكاديمية

12.1 سيناريو البحث والفرضيات الإحصائية المقترحة

لتتويج المفاهيم النظرية والبرمجية السابقة في إطار تطبيقي حي، نستعرض دراسة حالة واقعية مستمدة من أبحاث علم النفس الإكلينيكي والصحة السلوكية. تهدف الدراسة إلى فحص النموذج التنبؤي لـ “شدة أعراض الاكتئاب” (Depression Symptoms) لدى عينة من البالغين المعرضين لضغوط وظيفية وحياتية، بالاعتماد على ثلاثة متغيرات نفسية رئيسية: “مستوى التوتر اليومي المزمن” (Stress – متنبئ رئيسي مستمر)، “المرونة النفسية” (Resilience – متغير معدل مستمر)، و”الاجترار الفكري المعرفي” (Rumination – متغير ضابط مستمر).

تتمحور الفرضيات الإحصائية للدراسة حول ثلاث قضايا رئيسية:

• الفرضية الأولى (التأثير المباشر للتوتر): يُسهم التوتر اليومي المزمن إيجابياً وبشكل دال إحصائياً في التنبؤ بشدة أعراض الاكتئاب بعد ضبط تأثيرات المرونة النفسية والاجترار الفكري.
• الفرضية الثانية (المساهمة الفريدة للمتغيرات الضابطة): يُظهر كل من الاجترار الفكري (تأثير طردي) والمرونة النفسية (تأثير عكسي) مساهمة تنبؤية جزئية مستقلة ذات دلالة في النموذج المتعدد.
• الفرضية الثالثة (التأثير المعدل للمرونة النفسية): تعمل المرونة النفسية كمتغير معدل يخفف من الأثر الإيجابي للتوتر على أعراض الاكتئاب؛ بحيث يضعف هذا الأثر طردياً مع ارتفاع مستويات المرونة النفسية لدى الأفراد.

12.2 التحليل الإحصائي الكامل وتوليد كافة المخططات البيانية

لتنفيذ التحليل في R، نبدأ بتدريب النموذج التفاعلي الشامل باستخدام الدالة lm() مع مركزة المتغيرات حول متوسطاتها الحسابية لتسهيل التفسير وتفادي التعدد الخطي، وفق الصيغة البرمجية: model_clinical <- lm(Depression ~ Stress_c * Resilience_c + Rumination_c, data = clinical_data). يُظهر الفحص الأولي للنموذج ملاءمة إحصائية ممتازة مع قيمة $F$ كلية دالة إحصائياً وقيمة معامل تحديد مفسر تتجاوز $R^2 = .48$.

في الخطوة التالية، نُنفذ مخططات المتغير المضاف الشاملة عبر استدعاء avPlots(model_clinical) لفحص المساهمة الجزئية الفريدة لكل متنبئ بعد عزل التباين المشترك؛ حيث تُظهر المخططات بوضوح انحداراً جزئياً إيجابياً حاداً لمتغير التوتر والاجترار، وانحداراً جزئياً سالباً للمرونة النفسية، مع خلو المخططات من أي حالات ذات رافعة شاذة تؤثر على استقرار النموذج.

ثم ننتقل إلى رسم التأثير التفاعلي المعدل عبر استدعاء interact_plot() لتوليد خطوط الانحدار البسيطة للتوتر عند المستويات الثلاثة للمرونة النفسية (المتوسط، $\pm 1 SD$). يُظهر الرسم بوضوح تباعد الخطوط؛ حيث يكون ميل خط التوتر على الاكتئاب شديد الانحدار لدى منخفضي المرونة، بينما يصبح ميله ضعيفاً جداً لدى مرتفعي المرونة النفسية. ويُختتم التحليل بتطبيق دالة johnson_neyman() لتحديد العتبة الدقيقة التي تفقد عندها الضغوط قدرتها على إحداث تفاقم معنوي في أعراض الاكتئاب، متبوعة بالفحوصات التشخيصية للافتراضات عبر حزمة ggplot2 لتأكيد سلامة النموذج وصلاحيته للنشر.

12.3 صياغة قسم النتائج والتعليق على الأشكال البيانية وفق معايير APA

تُصاغ نتائج النموذج الإحصائي والأشكال البيانية المرافقة في متن التقرير الأكاديمي بأسلوب رصين وموجز يتوافق حرفياً مع شروط ومعايير الجمعية الأمريكية لعلم النفس (APA 7th)، كما هو موضح في النموذج التطبيقي التالي:

“أُجري تحليل انحدار خطي متعدد للتنبؤ بشدة أعراض الاكتئاب استناداً إلى التوتر اليومي، والمرونة النفسية، والاجترار الفكري المعرفي، مع تضمين حد التفاعل بين التوتر والمرونة. أظهرت النتائج الإجمالية أن النموذج يفسر نسبة ذات دلالة إحصائية من التباين في أعراض الاكتئاب، $R^2 = .485$، $F(4, 345) = 81.24$، $p < .001$، $R^2_{adj} = .479$. وكما هو موضح في مخططات المتغير المضاف (الشكل 1)، ساهم التوتر اليومي بمساهمة جزئية موجبة ودالة فريداً ($b = 0.42$، $SE = 0.05$، $t = 8.40$، $p < .001$)، في حين ارتبطت المرونة النفسية ارتباطاً جزئياً سالباً دالاً بأعراض الاكتئاب ($b = -0.31$، $SE = 0.04$، $t = -7.75$، $p < .001$)."

“علاوة على ذلك، كشف التحليل عن وجود أثر تفاعلي معدل دال إحصائياً بين التوتر اليومي والمرونة النفسية في التنبؤ بالاكتئاب، $b = -0.018$، $SE = 0.005$، $t = -3.60$، $p < .001$. ويُظهر تحليل الخطوط البسيطة الموضح في (الشكل 2) أن التأثير الطردي للتوتر على الاكتئاب كان في أعلى مستوياته وأشدها حدة لدى الأفراد ذوي المرونة النفسية المنخفضة (انحراف معياري واحد تحت المتوسط)، $b = 0.60$، $p < .001$؛ بينما تراجع هذا التأثير بشكل جوهري، وإن ظل دالاً، لدى الأفراد ذوي المرونة النفسية المرتفعة (انحراف معياري واحد فوق المتوسط)، $b = 0.24$، $p = .002$. وأكدت تقنية جونسون-نيمان أن التأثير الضار للتوتر يتلاشى تماماً ويفقد دلالته الإحصائية عندما تتجاوز درجات المرونة النفسية الدرجة المعيارية +1.85 انحراف معياري، مما يدعم الفرضية النظرية القائلة بالدور الوقائي للمرونة."

الشروح التوضيحية للأشكال (Figure Captions):

الشكل 1. مخططات المتغير المضاف (Added Variable Plots) توضح المساهمة الجزئية الفريدة لكل متنبئ في النموذج بعد تحييد وضبط المتغيرات الأخرى، مع تمييز الحالات ذات التأثير الإحصائي برقم التعريف.

الشكل 2. الأثر التعديلي للمرونة النفسية على العلاقة بين التوتر اليومي وأعراض الاكتئاب؛ الخطوط تمثل التنبؤات المشروطة عند المتوسط وانحراف معياري واحد للأعلى وللأسفل، مع فترات ثقة بنسبة 95% وفق معايير APA.

الخلاصة والخاتمة المنهجية

يُمثل التمثيل البياني المتقن لنتائج الانحدار الخطي المتعدد في بيئة R جسراً منهجياً يربط بين الصرامة الرياضية للجبر الخطي والإدراك البصري للظواهر النفسية والسلوكية المعقدة. فكما تبين عبر فصول هذا الدليل، لا يمكن للباحث المعاصر الاكتفاء بالجداول الإحصائية الصماء التي تعجز عن تصوير البنية متعددة الأبعاد للنماذج التنبؤية، أو كشف الانحرافات التشخيصية الدقيقة، أو إبراز التفاعلات الشرطية بين البناءات السيكومترية بكفاءة.

إن توظيف حزمة الأدوات الشاملة المتاحة في R — بدءاً من مخططات المتغير المضاف في حزمة car لعزل التباين الصافي، مروراً بنمذجة التأثيرات الهامشية والتنبؤية في حزمة ggeffects، والتمثيل السطحي ثلاثي الأبعاد في scatterplot3d و plotly، وصولاً إلى تفكيك التفاعلات المعقدة بتقنيات جونسون-نيمان في حزمة interactions — يمنح الباحثين قدرة لا تضاهى على استنطاق البيانات وتقديم نتائج أبحاثهم بأعلى مستويات الشفافية العلمية والجاذبية البصرية وفق المعايير العالمية لجمعية علم النفس الأمريكية (APA 7th).

ختاماً، يجب التأكيد على أن الرسم البياني ليس مجرد أداة إيضاح تزيينية تضاف في ختام التحليل، بل هو جزء عضوي لا يتجزأ من صميم عملية الاستدلال الإحصائي؛ فالرسم المتقن يكشف ما تخفيه الأرقام، ويصحح المسارات المنهجية، ويُسهم في بناء معرفة سيكولوجية تراكمية تتسم بالدقة والصدق وقابلية التكرار.

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., 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., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). SAGE Publications. https://socialsciences.mcmaster.ca/jfox/Books/Companion/
• Lüdecke, D. (2018). ggeffects: Tidy data frames of marginal effects from regression models. Journal of Open Source Software, 3(26), 772. https://doi.org/10.21105/joss.00772
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag New York. https://doi.org/10.1007/978-3-319-24277-4