كيفية اختبار التعدد الخطي في ستاتا

تعد النماذج الإحصائية المتقدمة حجر الزاوية في استكشاف العلاقات السببية والتنبؤية المعقدة عبر مختلف حقول المعرفة العلمية، بدءاً من العلوم السلوكية والاجتماعية ووصولاً إلى الاقتصاد القياسي وعلم الأوبئة. وعند تطبيق تحليل الانحدار الخطي المتعدد (Multiple Linear Regression)، ينطلق الباحث من افتراضات كلاسيكية متينة تضمن أن تكون التقديرات المستخرجة متسمة بالكفاءة، والاتساق، وعدم التحيز. ومع ذلك، تصطدم هذه النماذج النظرية في كثير من الأحيان بطبيعة البيانات الميدانية والواقعية، حيث تتشابك المتغيرات وتتداخل المؤشرات لدرجة تُفقد النموذج قدرته على عزل الأثر الحقيقي والمستقل لكل متغير مفسر على حدة، وهو ما يُعرف في الأدبيات الإحصائية بظاهرة التعدد الخطي (Multicollinearity).

إن وجود تداخل أو ارتباط مرتفع بين المتغيرات المستقلة في مصفوفة الانحدار لا يُعد مجرد خلل حسابي عابر، بل هو معضلة منهجية تؤدي إلى تضخم الأخطاء المعيارية للمعاملات الانحدارية، وتقويض القوة الإحصائية للاختبارات، وجعل التقديرات شديدة الحساسية لأدنى تغيير في بيانات العينة. وفي ظل هذا التعقيد، تبرز برمجية Stata كواحدة من أقوى البيئات البرمجية الإحصائية وأكثرها مرونة وموثوقية في تشخيص، وفحص، ومعالجة هذه المعضلة من خلال حزمة واسعة من الأوامر القياسية المدمجة والأدوات المتقدمة التي تتيح للباحث تشريح بنية الارتباطات بدقة متناهية.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي وتطبيقي متكامل لكيفية اختبار وفحص التعدد الخطي في برنامج ستاتا. سنتناول بالتفصيل المفاهيم النظرية الكامنة وراء هذه الظاهرة، وجذورها الرياضية والسلوكية، والتداعيات السلبية المترتبة على إهمالها، وصولاً إلى استعراض عملي خطوة بخطوة للأوامر الإحصائية مثل vif وحزمة collin المتقدمة، مع تقديم استراتيجيات علاجية رصينة وكيفية توثيق المخرجات وفق معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة شاملة حول التعدد الخطي في النماذج الإحصائية

1.1 المفهوم الإحصائي لظاهرة التعدد الخطي

يُعرف التعدد الخطي في التحليل الإحصائي بأنه وجود علاقات ارتباطية خطية قوية أو شبه تامة بين اثنين أو أكثر من المتغيرات المستقلة (المفسرة) المدرجة في نموذج انحداري واحد. في بيئة الانحدار الخطي القياسي، يُفترض أن يقيس كل متغير مستقل بعداً فريداً ومستقلاً يسهم في تفسير التباين الحاصل في المتغير التابع. ومع ذلك، عندما يرتبط متغيران مفسران أو أكثر ببعضهما البعض بشكل وثيق، تبدأ مساحات التباين المشترك في التداخل بصورة تعرقل خوارزمية التقدير عن الفصل الرياضي الدقيق بين إسهام كل متغير.

ينشأ عن هذا التداخل نوع من التشويش الإحصائي الذي يُصعّب الإجابة عن السؤال الجوهري في تحليل الانحدار: ما هو مقدار التغير في المتغير التابع الناتج عن تغير بمقدار وحدة واحدة في متغير مستقل معين، مع تثبيت بقية المتغيرات المستقلة في النموذج؟ إن عبارة «مع تثبيت بقية المتغيرات» تصبح غير ذات معنى واقعي إذا كان المتغير المستهدف يرتبط جوهرياً بالمتغيرات الأخرى؛ إذ إن تحريك المتغير الأول سيؤدي حتماً إلى تحريك المتغيرات المرتبطة به في نفس الوقت، مما يجعل عزل التأثير الفردي مهمة شبه مستحيلة رياضياً ومنهجياً.

من الضروري التمييز بين الارتباط الإحصائي الطبيعي المقبول والتعدد الخطي المخل. فالنماذج الحقيقية في العلوم الإنسانية والاجتماعية نادراً ما تتضمن متغيرات مستقلة متعامدة تماماً (أي ذات ارتباط صفري)؛ إذ يُعد وجود ارتباطات منخفضة إلى متوسطة أمراً طبيعياً ومتوقعاً ولا يهدد سلامة النموذج. تكمن المشكلة فقط عندما يتجاوز هذا الارتباط مستويات معينة تجعل مصفوفة المتغيرات المستقلة قريبة من حالة الانحدار الخطي أو الانفراد الرياضي، مما ينعكس سلباً على كفاءة واستقرار المعلمات المقدرة.

1.2 التمييز بين التعدد الخطي التام والتعدد الخطي غير التام

يُميز الإحصائيون بدقة بين مستويين رئيسيين من التعدد الخطي: التعدد الخطي التام (Perfect Multicollinearity) والتعدد الخطي غير التام (Imperfect Multicollinearity). يحدث التعدد الخطي التام عندما تتواجد علاقة خطية جبرية دقيقة بنسبة مئة في المئة بين متغيرين مستقلين أو أكثر، بحيث يمكن كتابة أحد المتغيرات كدالة خطية مباشرة في متغير آخر، مثل المعادلة الرياضية التالية:

X_2i = λ₀ + λ₁X_1i

في مثل هذه الحالة، تكون رتبة مصفوفة المتغيرات المستقلة أقل من عدد الأعمدة، مما يعني أن مصفوفة المعلومات الحسابية غير قابلة للعكس (Singular Matrix)، ويستحيل رياضياً تطبيق معادلة المربعات الصغرى العادية (OLS) لتقدير المعلمات الفريدة. تتعامل برمجية ستاتا مع التعدد الخطي التام بآلية أوتوماتيكية حاسمة، حيث تقوم الخوارزمية باكتشاف التبعية الجبرية وإسقاط المتغير الزائد فوراً من التحليل مع وضع ملاحظة تحذيرية في نافذة المخرجات تنص على أن المتغير قد تم إسقاطه بسبب التعددية التامة (omitted because of collinearity).

على النقيض من ذلك، يمثل التعدد الخطي غير التام الحالة الأكثر شيوعاً وخطورة في الممارسة البحثية، حيث تكون المتغيرات المستقلة مرتبطة ارتباطاً وثيقاً ولكن ليس بصورة جبرية مطلقة، كما في المعادلة التالية التي تتضمن حداً للخطأ العشوائي:

X_2i = λ₀ + λ₁X_1i + v_i

في هذه الحالة، لا تعجز العمليات الحسابية عن إيجاد حلول للمعلمات، ولا تقوم ستاتا بإسقاط أي متغير تلقائياً؛ بل يقوم البرنامج بتقدير النموذج كاملاً، ولكن تأتي النتائج مصحوبة بأخطاء معيارية متضخمة وفترات ثقة متسعة تجعل الاستدلال الإحصائي مضللاً دون أن تظهر أي رسالة خطأ صريحة تنبه الباحث المبتدئ لوجود خلل بنيوي في نموذجه.

1.3 أهمية فحص التعدد الخطي في البحوث النفسية والسلوكية

تكتسب مسألة فحص التعدد الخطي أهمية استثنائية في مجالات البحوث النفسية، والتربوية، والعلوم السلوكية بسبب الطبيعة التجريدية للمفاهيم المدروسة. في هذه التخصصات، غالباً ما يعتمد الباحثون على أدوات قياس واستبانات مصممة لقياس بناءات نفسية متداخلة بطبيعتها النظرية، مثل قياس «القلق»، «الاكتئاب»، و«الضغط النفسي»، أو قياس أبعاد «الرضا الوظيفي» و«الالتزام التنظيمي»؛ مما يجعل مصفوفات البيانات مشبعة بارتباطات متبادلة ناتجة عن التداخل المفاهيمي ذاته.

إن إغفال فحص التعدد الخطي في مثل هذه الدراسات يقود إلى تشويه خطير في اختبار صحة النظريات وتفسير الأوزان الانحدارية؛ فقد يُظهر النموذج أن متغيراً نفسياً جوهرياً غير دال إحصائياً لمجرد أنه يشترك في تباين كبير مع متغير نفسي آخر أُدرج في نفس النموذج، مما يدفع الباحث بالخطأ إلى استبعاد بعد نظري هام أو قبول فرضية صفرية غير صحيحة. هذا الفشل في عزل الأثر الحقيقي يُعيق البناء التراكمي للمعرفة السلوكية ويضعف من صدق النماذج التنبؤية والتفسيرية.

علاوة على ذلك، أصبحت معايير النشر الأكاديمي الرصين في المجلات الدولية المصنفة تفرض متطلبات صارمة للتحقق من الافتراضات التشخيصية قبل قبول أي استنتاجات مستندة إلى نماذج الانحدار. يتطلب التقرير العلمي إثباتاً إحصائياً واضحاً يوضح خلو النموذج من التعدد الخطي المقلق لضمان أن معاملات الانحدار المعيارية وغير المعيارية تعكس بدقة قوة واتجاه التأثير، وليست مجرد نتاج عَرَضي للتشوهات الحسابية الناتجة عن تداخل المقاييس.

2. أسباب نشوء ظاهرة التعدد الخطي في مصفوفات البيانات

2.1 التداخل المفاهيمي بين أدوات القياس والمؤشرات النفسية

ينبع السبب الأكثر انتشاراً للتعدد الخطي في الدراسات الإنسانية والاجتماعية من التداخل المفهومي بين المتغيرات المستقلة وأدوات القياس المستخدمة. عندما يقوم الباحث بإدراج عدة مقاييس فرعية تقيس أبعاداً متقاربة جداً لظاهرة واحدة ضمن نفس المعادلة الانحدارية، فإن درجات هذه المقاييس ترتبط ارتباطاً طبيعياً شديد القوة. على سبيل المثال، إدراج مقياس «تقدير الذات» إلى جانب مقياس «الكفاءة الذاتية المدركة» ومقياس «الثقة بالنفس» في نموذج يتنبأ بالتحصيل الأكاديمي سيخلق بالضرورة تعدداً خطياً كثيفاً نظراً لاشتراك هذه المفاهيم في نفس الحقل الدلالي والنفسي.

يتفاقم هذا التداخل أيضاً بسبب ظاهرة «تباين الطريقة المشتركة» (Common Method Variance)، والتي تنشأ عندما يتم جمع كافة البيانات التقريرية الذاتية في وقت واحد، باستخدام نفس نوع مقاييس ليكرت، ومن نفس المستجيبين. هذا التوحيد في أداة القياس يُضفي ارتباطاً اصطناعياً زائداً بين جميع المتغيرات المستقلة، بغض النظر عن تمايز مفاهيمها الحقيقية، مما يرفع من مستويات الارتباط البيني إلى درجات حرجة تضر بنموذج الانحدار.

من الأخطاء الشائعة والجسيمة في هذا السياق قيام بعض الباحثين بإدراج الدرجة الكلية لمقياس ما إلى جانب الدرجات الفرعية للأبعاد المكونة لنفس المقياس في النموذج ذاته. هذا الإجراء يمثل نموذجاً صارخاً للتعدد الخطي؛ إذ إن الدرجة الكلية ليست سوى مجموع جبري للأبعاد الفرعية، مما يضع مصفوفة البيانات في حالة تبعية خطية تامة أو شبه تامة تعصف باستقرار النموذج الرياضي كلياً.

2.2 المحددات المتعلقة بجمع البيانات وحجم العينة

تلعب خصائص العينة وطريقة جمع البيانات دوراً حاسماً في إفراز ظاهرة التعدد الخطي العَرَضي (Sample-Induced Multicollinearity). فحتى في الحالات التي تكون فيها المتغيرات المستقلة مستقلة تماماً على المستوى النظري في المجتمع الأصلي، فإن صغر حجم العينة المدروسة قد يؤدي بالصدفة الإحصائية إلى ظهور ارتباطات قوية ومضللة بين المتغيرات داخل مصفوفة البيانات المقاسة، مما يولد تعدداً خطياً غير حقيقي لا يعكس الواقع النظري.

يساهم تحيز المعاينة واختيار عينات غير ممثلة تفتقر إلى التنوع في تفاقم هذه المعضلة؛ فعندما تُجمع البيانات من شريحة سكانية متجانسة للغاية تتركز فيها الاستجابات ضمن نطاق ضيق من القيم، يتقلص التباين الفردي المستقل لكل متغير، مما يدفع المتغيرات إلى التحرك معاً في اتجاهات متشابهة، مولدة بذلك ارتباطات مرتفعة تُفسد مصفوفة التغاير. يظهر هذا بوضوح عند دراسة متغيرات مثل الدخل والمستوى التعليمي في بيئة وظيفية محددة وموحدة حيث يتقارب الجميع في المؤهلات والأجور.

كذلك تؤثر طرق معالجة البيانات المفقودة (Missing Data) على مستويات التعدد الخطي؛ فاستخدام أساليب التعويض البسيطة مثل التعويض بالمتوسط الحسابي (Mean Imputation) يؤدي إلى تقليص التباين الطبيعي للمتغيرات وتضخيم العلاقات الارتباطية بينها بشكل اصطناعي، مما يجعل النموذج أكثر عرضة للتعدد الخطي مقارنة بالبيانات الأصلية غير المعالجة بتلك الطرق التقليدية.

2.3 التعدد الخطي البنيوي الناشئ عن تصميم النموذج الرياضي

لا يقتصر التعدد الخطي على مشكلات البيانات وأدوات القياس، بل قد ينشأ كأثر جانبي مباشر لكيفية بناء وتوصيف النموذج الرياضي من قِبل الباحث، وهو ما يُعرف بـ «التعدد الخطي البنيوي» (Structural Multicollinearity). يحدث هذا النوع بصفة رئيسية عند إدراج حدود التفاعل (Interaction Terms) لاختبار التأثيرات المعدلة بين متغيرين مستقلين مستمرين، مثل ضرب المتغير X₁ في المتغير X₂ وتضمين الناتج (X₁ × X₂) في الانحدار دون معالجة مسبقة.

يرتبط حد التفاعل الناتج بالضرورة ارتباطاً قوياً جداً بالمتغيرات الأصلية المكونة له، مما يرفع قيم معاملات تضخم التباين في النموذج بشكل هائل. ينطبق الأمر ذاته على النماذج التي تتضمن حدوداً متعددة الحدود (Polynomial Terms) لنمذجة العلاقات غير الخطية، مثل إدراج متغير العمر وعمر الشخص تربيعياً (Age و Age²)؛ حيث يكون مربع المتغير مرتبطاً ارتباطاً وثيقاً بمتغيره الأصلي بحكم الطبيعة الحسابية للعملية.

من المصادر البنيوية الأخرى للتعدد الخطي الوقوع في «فخ المتغير الصوري» (Dummy Variable Trap)، والذي يحدث عند تحويل متغير فئوي يتكون من k فئة إلى متغيرات صورية وتضمين جميع الفئات الـ k في النموذج بوجود الحد الثابت، مما ينشئ علاقة خطية تامة لأن مجموع قيم المتغيرات الصورية لكل مشاهدة سيساوي دائماً واحداً صحيحاً، وهو ما يماثل عمود الحد الثابت تماماً.

3. الآثار والتداعيات الإحصائية لوجود التعدد الخطي

3.1 تضخم الأخطاء المعيارية وانخفاض كفاءة التقدير

تتمثل النتيجة المباشرة والأكثر خطورة للتعدد الخطي في التضخم الهائل الذي يصيب الأخطاء المعيارية (Standard Errors) لمعاملات الانحدار المقدرة. يتضح ذلك جلياً من خلال فحص الصيغة الرياضية لتباين معامل الانحدار المقدر بأسلوب المربعات الصغرى للمتغير j:

Var(β̂_j) = σ² / [ ∑(X_ji – X̄_j)² × (1 – R_j²) ]

حيث يمثل R_j² معامل التحديد الناتج عن انحدار المتغير المستقل X_j على بقية المتغيرات المستقلة الأخرى في النموذج. عندما يقترب R_j² من الواحد الصحيح (مما يشير إلى تعدد خطي شديد)، يقترب المقدار (1 – R_j²) في المقام من الصفر، مما يؤدي إلى انفجار قيمة التباين والانحراف المعياري المقدر للمعامل نحو قيم بالغة الارتفاع.

يترتب على هذا التضخم في الأخطاء المعيارية اتساع كبير وغير مبرر في فترات الثقة (Confidence Intervals) لمعاملات الانحدار، مما يفقد التقديرات دقتها الإحصائية المرجوة. وفقاً لمبرهنة Gauss-Markov، تظل مقدرات المربعات الصغرى العادية غير متحيزة في وجود التعدد الخطي، ولكنها تفقد خاصية «الكفاءة» (Efficiency)؛ أي أنها تصبح ذات تباين عريض جداً يجعل التقدير المستخرج من عينة مفردة غير مستقر ولا يعتمد عليه في تمثيل معلمات المجتمع الحقيقية.

علاوة على ذلك، يؤدي كبر الأخطاء المعيارية إلى تراجع دراماتيكي في القوة الإحصائية (Statistical Power) للاختبارات؛ إذ تصبح قيمة إحصائية t المحسوبة (والتي تحسب بقسمة المعامل على خطئه المعياري) صغيرة جداً، مما يجعل النموذج عاجزاً عن رفض الفرضية الصفرية واكتشاف التأثيرات الحقيقية الموجودة بالفعل في المجتمع، وهو ما يُعرف بالوقوع في الخطأ من النوع الثاني (Type II Error).

3.2 تقلب إشارات المعاملات وعدم استقرار النموذج

يفرز التعدد الخطي ظاهرة محيرة ومربكة للباحثين تُعرف بعدم استقرار النموذج وتقلب إشارات المعاملات الانحدارية (Sign Flipping). في ظل وجود ارتباطات بينية مرتفعة، قد يتحول معامل الانحدار لأحد المتغيرات المستقلة من قيمة موجبة متوقعة نظرياً إلى قيمة سالبة تماماً ومنافية للمنطق العلمي والواقع التجريبي، وذلك نتيجة لمحاولة خوارزمية الانحدار تعويض التباين المشترك المتداخل رياضياً بين المتغيرات المتعددة.

يصبح النموذج الإحصائي في هذه الظروف شديد الهشاشة والحساسية (Model Instability) لأدنى التغيرات الطفيفة في مصفوفة البيانات؛ حيث يمكن أن يؤدي حذف أو إضافة عدد قليل جداً من المشاهدات في العينة، أو حتى إدخال أو إسقاط متغير ثانوي من النموذج، إلى تقلبات جذرية في قيم معاملات الانحدار المعيارية (Beta) وإشاراتها ومستويات دلالتها الإحصائية، مما يجعل النتائج تبدو متناقضة وغير قابلة للتكرار العلمي.

تتلاشى في ظل هذه التقلبات القدرة على إجراء مقارنات ذات مغزى حول الأهمية النسبية للمتغيرات التنبؤية؛ إذ لا يمكن الاعتماد على قيم بيتا المعيارية لترتيب المتغيرات من حيث قوة تأثيرها، نظراً لأن القيمة المخصصة لكل متغير تصبح انعكاساً للعلاقات المعقدة للارتباط الخطي مع المتغيرات الزميلة أكثر من كونها تعبيراً عن قوته التفسيرية الحقيقية والمستقلة بالنسبة للمتغير التابع.

3.3 التناقض بين جودة التوفيق الكلية واختبارات الدلالة الفردية

تعد المفارقة الكلاسيكية الأكثر دلالة على وجود التعدد الخطي في تقارير الانحدار هي ظهور تناقض صارخ بين جودة التوفيق الكلية للنموذج (Overall Goodness of Fit) ونتائج اختبارات الدلالة الإحصائية الفردية للمعاملات. يلاحظ الباحث في هذه الحالة أن النموذج ككل يمتلك معامل تحديد مرتفعاً جداً (R² > 0.70 أو 0.80 مثلاً)، مع اختبار F كلي ذي دلالة إحصائية فائقة (p < 0.001)، مما يوحي بأن مجموعة المتغيرات المستقلة تفسر بامتياز التباين في المتغير التابع.

ومع ذلك، عند الانتقال لفحص جدول المعاملات الفردية، يُفاجأ الباحث بأن معظم أو جميع اختبارات t لمعاملات الانحدار تفشل في تحقيق الدلالة الإحصائية المقبولة (قيم p > 0.05)، مما يشير ظاهرياً إلى أن أياً من هذه المتغيرات لا يسهم بمفرده بإسهام حقيقي في النموذج. هذا المشهد المتناقض يعكس بوضوح أن المتغيرات المستقلة تعمل ككتلة واحدة مترابطة لتفسير المتغير التابع، ولكن بسبب التعدد الخطي يعجز النموذج عن عزو هذا التباين المفسر لأي متغير بعينه.

يقود هذا التناقض الباحثين غير المتمرسين إلى اتخاذ قرارات منهجية كارثية؛ كأن يقوم الباحث بحذف جميع المتغيرات غير الدالة استناداً لاختبارات t الفردية، ليتفاجأ بانهيار القوة التفسيرية للنموذج بالكامل، أو أن يفترض خطأً عدم صحة فروضه البحثية، في حين أن المشكلة الحقيقية تكمن في فشل أداة التقدير في التمييز بين المتنبئات المتشابكة.

4. أدوات ومؤشرات الكشف المنهجي عن التعدد الخطي

4.1 مصفوفة معاملات الارتباط الثنائية البسيطة

يمثل فحص مصفوفة معاملات ارتباط بيرسون (Pearson Correlation) الثنائية بين أزواج المتغيرات المستقلة الخطوة الاستكشافية الأولى والبديهية في تشخيص التعدد الخطي. تعتمد هذه الطريقة على حساب قوة واتجاه الارتباط الخطي بين كل متغيرين مفسرين على حدة، وتحديد الأزواج التي تظهر قيماً مرتفعة بصورة غير اعتيادية قد تشكل خطراً على استقرار النموذج.

تشير القواعد الإرشادية التقليدية في الأدبيات الإحصائية إلى أن معامل الارتباط الثنائي الذي يتجاوز عتبة 0.80 أو 0.90 يعد مؤشراً قوياً على وجود تعدد خطي محتمل يستوجب الحذر والمعالجة. ومع ذلك، يعاني الاعتماد الحصري على مصفوفة الارتباط الثنائية من قصور منهجي خطير؛ فهي قادرة فقط على كشف التعدد الخطي الثنائي البسيط (الواقع بين متغيرين اثنين فقط)، بينما تعجز تماماً عن رصد التعدد الخطي متعدد الأبعاد (Multivariate Collinearity).

في العديد من النماذج المعقدة، قد لا يتجاوز أي معامل ارتباط ثنائي فردي حاجز 0.50 أو 0.60، ولكن قد تتواجد علاقة خطية تامة أو شبه تامة تجمع بين متغير معين ومجموعة خطية مؤلفة من ثلاثة أو أربعة متغيرات مستقلة أخرى معاً. في هذه السيناريوهات، تبدو مصفوفة الارتباط الثنائية خالية من المشاكل وخادعة للباحث، مما يبرز الحاجة الملحة للاعتماد على مؤشرات إحصائية تشخيصية أكثر تركيباً وشمولية.

4.2 معامل تضخم التباين (VIF) ومستوى التسامح (Tolerance)

يعد معامل تضخم التباين (Variance Inflation Factor – VIF) ومقلوبه الحسابي المعروف بمستوى التسامح (Tolerance) المعيارين الأكثر انتشاراً وقبولاً في التطبيقات الإحصائية لكشف التعدد الخطي متعدد الأبعاد. يقيس معامل VIF للمتغير X_j مقدار التضخم الذي يطرأ على تباين معامل الانحدار المقدر بسبب ارتباط هذا المتغير بجميع المتغيرات المستقلة الأخرى في النموذج، ويُحسب بالمعادلة التالية:

VIF_j = 1 / (1 – R_j²) = 1 / Tolerance_j

يمثل التسامح (Tolerance) نسبة التباين في المتغير المستقل المعني والتي لا يمكن تفسيرها بواسطة بقية المتغيرات المستقلة في النموذج؛ فكلما اقتربت قيمة التسامح من الصفر، دل ذلك على أن المتغير يكاد يكون نسخة مكررة من مزيج المتغيرات الأخرى، مما يؤدي بالتبعية إلى ارتفاع هائل في قيمة VIF المقابلة له.

تتضمن الممارسة المنهجية عتبات قطع استرشادية لتقييم خطورة قيم VIF؛ حيث يُعتبر تجاوز قيمة VIF للرقم 10 (وهو ما يقابل مستوى تسامح أقل من 0.10) دليلاً قاطعاً في معظم الأدبيات على وجود تعدد خطي حاد يهدد دقة التقديرات، بينما تتبنى بعض التخصصات الدقيقة والبحوث السلوكية معياراً أكثر صرامة يعتبر أي قيمة تتجاوز 5 (تسامح أقل من 0.20) مؤشراً يستدعي التدخل والتصحيح، مع ضرورة تقييم متوسط قيم VIF للنموذج ككل (Mean VIF).

4.3 مؤشر الشرط (Condition Index) وتحليل القيم الذاتية

يقدم تحليل تفكيك مصفوفة البيانات باستخدام القيم الذاتية (Eigenvalues) ومؤشرات الشرط، والذي طوره الإحصائي الشهير بيلسلي (David Belsley) ورفاقه، الأداة التشخيصية الأكثر عمقاً ودقة للتعامل مع التعدد الخطي. يعتمد هذا المدخل على تحليل البنية الطيفية لمصفوفة المتغيرات المستقلة المعيارية وحساب رقم الشرط (Condition Number) ومؤشر الشرط (Condition Index – CI) لكل قيمة ذاتية، وفق المعادلة التالية:

CI_k = √( λ_max / λ_k )

تشير قيم مؤشر الشرط التي تتراوح بين 10 و 30 إلى وجود تعدد خطي معتدل، في حين تدل القيم التي تتجاوز 30 على وجود تعدد خطي حاد وخطير يخل باستقرار مصفوفة المعاملات بالكامل. الميزة الفريدة لهذا الأسلوب مقارنة بمعامل VIF تكمن في قدرته المزدوجة؛ فهو لا يكتفي بإطلاق إنذار بوجود المشكلة، بل يقدم جدول تفكيك تباين المعاملات (Variance Decomposition Proportions).

من خلال فحص جدول تفكيك التباين، يبحث المحلل عن أسطر القيم الذاتية التي تمتلك مؤشر شرط مرتفعاً (> 30) ويحدد المتغيرات التي تسهم بنسب عالية في تباين المعاملات المرتبطة بتلك القيمة (عادة النسب التي تتجاوز 0.50 للمتغيرين أو أكثر). يتيح هذا التحديد الدقيق للباحث معرفة التشكيلة الدقيقة للمتغيرات المسؤولة عن تشكيل العلاقة الخطية المعقدة، مما يمهد الطريق لعلاجها المنهجي دون الإضرار ببقية متغيرات النموذج.

5. تهيئة برنامج ستاتا وإعداد البيانات للتحليل

5.1 بيئة العمل التفاعلية وكتابة الأوامر في ستاتا

توفر برمجية ستاتا بيئة تحليلية متكاملة تتسم بالسرعة والقوة الإحصائية، حيث تتيح للمستخدمين التفاعل مع البرمجية عبر واجهة القوائم الرسومية أو من خلال نافذة كتابة الأوامر المباشرة (Command Window). في الممارسة الأكاديمية الاحترافية، يُفضل دائماً الاعتماد على كتابة وتوثيق الأوامر عبر ملفات الأوامر الدفعية (Do-files)، مما يضمن توثيق كافة خطوات التحليل، وتسهيل إعادة تطبيقها بدقة، ومشاركتها مع الباحثين الآخرين لتعزيز مبادئ الشفافية وقابلية التكرار العلمي.

قبل البدء في فحص التعدد الخطي، يُنصح بفتح ملف سجل تدقيق (Log File) باستخدام الأمر log using analysis_log.txt, replace لتسجيل وحفظ كافة المخرجات والنتائج والرسومات البيانية المستخرجة أثناء جلسة العمل. يضمن هذا الإجراء الاحتفاظ بسجل تاريخي دقيق لكافة الاختبارات التشخيصية يمكن الرجوع إليه بسهولة عند كتابة المسودات النهائية للبحوث والرسائل الجامعية.

كما يجب على الباحث التأكد من تحديث نسخة ستاتا وتثبيت المكتبات الإحصائية الإضافية المساندة عبر كتابة أمر update all لضمان توافق الأوامر القياسية مع أحدث التحديثات الرياضية والخوارزمية المعتمدة من شركة StataCorp، ومراجعة نافذة النتائج (Results Window) باستمرار لمتابعة الإشعارات التنبيهية ورسائل النظام.

5.2 استيراد وفحص سلامة مصفوفة البيانات

تبدأ المعالجة العملية باستيراد البيانات إلى ذاكرة ستاتا، سواء كانت مخزنة بصيغة ستاتا الأصلية عبر أمر use dataset.dta, clear، أو مستوردة من ملفات إكسل أو ملفات نصية مجدولة عبر أمر import excel “data.xlsx”, firstrow clear. بعد استيراد المصفوفة، يجب إجراء مراجعة بنيوية شاملة للتأكد من قراءة البرمجية لأسماء المتغيرات وأنواعها بصورة صحيحة.

تتضمن هذه المرحلة فحص القيم المفقودة (Missing Values) باستخدام أمر misstable summarize لتقييم أنماط ونسب الفقد في كل متغير مستقل؛ إذ إن وجود قيم مفقودة موزعة عشوائياً قد يؤدي إلى استبعاد مشاهدات معينة أثناء تقدير الانحدار، مما يغير من حجم العينة الفعلي ومن مصفوفة الارتباط المحسوبة. كما يساعد تطبيق أمر codebook في التحقق من عدم وجود ترميزات غير منطقية أو قيم نصية محشورة داخل أعمدة الأرقام.

من الضروري أيضاً التأكد من التشفير السليم للمتغيرات؛ حيث يجب تعريف المتغيرات الفئوية والترتيبية بوضوح وإعطاؤها ملصقات تصنيفية ملائمة (Value Labels)، والتأكد من معاملة المتغيرات المستمرة كمتغيرات عددية خالصة، لأن الخلط بين أنواع القياس قد يقود إلى استدعاء خاطئ للأوامر وتفسير مضلل لمعاملات التضخم.

5.3 الفحص الاستكشافي والتوزيعات الوصفية للمتغيرات

قبل الشروع في تركيب نموذج الانحدار وفحص التعدد الخطي المتقدم، يفرض المنهج الإحصائي السليم إجراء فحص استكشافي وصفي لكافة المتغيرات المستقلة المرشحة للدخول في النموذج. يتم ذلك بتنفيذ أمر summarize var1 var2 var3, detail لاستخراج المقاييس الوصفية الأساسية كالمتوسط الحسابي، والانحراف المعياري، ومعاملات الالتواء (Skewness) والتفرطح (Kurtosis)، ورصد أي قيم متطرفة وشاذة قد تضخم الارتباطات بصورة وهمية.

تُعد الخطوة التالية هي بناء مصفوفة الارتباط الأولية بين المتغيرات التنبؤية باستخدام أمر correlate var1 var2 var3 (أو اختصاراً corr) أو استخدام أمر pwcorr var1 var2 var3, sig star(0.05) لاستخراج معاملات ارتباط بيرسون الثنائية مع مستويات الدلالة الإحصائية وتمييز العلاقات الدالة بعلامة النجمة. يمنح هذا الإجراء الباحث رؤية حدسية أولية حول المتغيرات التي قد تشكل بؤراً للتداخل الخطي.

يُستحسن تعزيز هذا الفحص الاستكشافي بالتمثيل البصري من خلال أمر graph matrix var1 var2 var3، والذي ينشئ مصفوفة من مخططات التشتت النقطي (Scatter Plots) الثنائية بين كافة المتغيرات في رسم بياني موحد، مما يساعد في الكشف الفوري عن العلاقات الخطية القوية والشذوذ في التوزيعات، بالإضافة إلى تطبيق اختبارات الاعتدالية مثل swilk var1 var2 للتحقق من سلامة التوزيع.

6. تطبيق الانحدار الخطي المتعدد في ستاتا

6.1 صياغة وبناء أمر الانحدار regress

يمثل أمر regress (أو اختصاراً reg) المحرك الأساسي لتقدير نماذج الانحدار الخطي العادي في ستاتا وفق أسلوب المربعات الصغرى (OLS). تتسم البنية النحوية للأمر بالبساطة والصرامة، حيث يُكتب اسم الأمر متبوعاً بالمتغير التابع أولاً، ثم قائمة المتغيرات المستقلة على التوالي:

regress dependent_var independent_var1 independent_var2 independent_var3 [options]

تتيح ستاتا استخدام محددات المتغيرات المعاملية (Factor Variables) الذكية؛ حيث يمكن إضافة البادئة i. قبل أي متغير فئوي (مثل i.education_level) ليقوم البرنامج تلقائياً بإنشاء المتغيرات الصورية المناسبة واستبعاد فئة مرجعية لتفادي فخ المتغير الصوري، أو استخدام البادئة c. لتعريف المتغير كمتغير مستمر، وهو أمر بالغ الأهمية عند بناء حدود التفاعل عبر الرمز # أو ## (مثل c.age##c.income).

يمكن أيضاً تذييل الأمر بخيارات ضبط متقدمة، مثل خيار robust لحساب مصفوفة الأخطاء المعيارية المتينة ضد عدم تجانس تباين البواقي (Heteroscedasticity-robust standard errors). عند تنفيذ هذا الأمر، تقوم ستاتا بحفظ كافة التقديرات والمصفوفات الرياضية الخاصة بالنموذج مؤقتاً في الذاكرة الحسابية النشطة، مما يمهد لتشغيل أوامر ما بعد التقدير التشخيصية المتخصصة.

6.2 تطبيق عملي باستخدام مجموعة بيانات قياسية في ستاتا

لتجسيد التطبيق العملي، سنستخدم مجموعة البيانات القياسية الشهيرة المدمجة في نظام ستاتا وهي بيانات السيارات (1978 Automobile Data)، والتي يمكن استدعاؤها مباشرة بكتابة أمر sysuse auto, clear. تتضمن هذه البيانات متغيرات ذات ترابط طبيعي وواقعي مرتفع، مما يجعلها بيئة ممتازة لتوضيح ظاهرة التعدد الخطي.

سنقوم ببناء نموذج انحداري يتنبأ بسعر السيارة (متغير price) باستخدام مجموعة من الخصائص الفنية والهندسية: وزن السيارة (weight)، وطولها الإجمالي (length)، ومعدل استهلاك الوقود (mpg)، وحجم المحرك أو الإزاحة (displacement). يتم تنفيذ النموذج عبر كتابة الأمر التالي في ستاتا:

regress price weight length mpg displacement

بمجرد الضغط على زر الإدخال، تشرع خوارزميات ستاتا في معالجة مصفوفة البيانات وتقدير معاملات الانحدار وجدول المخرجات الكامل. في حال كان هناك أي متغير يمتلك ارتباطاً خطياً تاماً مع متغير آخر في المجموعة، ستعرض ستاتا ملاحظة واضحة أعلى أو ضمن جدول المعاملات تفيد بإسقاطه، وفي حالتنا هذه التي تمثل تعدداً غير تام، سينفذ البرنامج التحليل كاملاً لتبدأ مرحلة فحص المخرجات.

6.3 قراءة المخرجات الأولية ورصد علامات التحذير الإحصائية

تتطلب قراءة مخرجات أمر regress في ستاتا نظرة فاحصة لرصد علامات الإنذار المبكر للتعدد الخطي. يبدأ الفحص بالنظر إلى جدول تحليل التباين (ANOVA) الواقع في الزاوية العلوية اليسرى، ومقارنته بالمؤشرات العامة في الزاوية العلوية اليمنى، حيث نبحث عن قيمة F-statistic ومستوى دلالتها (Prob > F) للتأكد من المعنوية الإحصائية الكلية للنموذج، إلى جانب فحص قيمة معامل التحديد R-squared ومعامل التحديد المعدل Adj R-squared.

تظهر علامة الخطر الأولى عندما نجد أن قيمة R-squared مرتفعة للغاية وتكشف عن قدرة تفسيرية ممتازة، وقيمة F دالة إحصائياً عند مستوى p < 0.001، ولكن عند الانتقال إلى جدول المعاملات في الجزء السفلي من المخرجات، نلاحظ أن الأخطاء المعيارية (Std. Err.) للمتغيرات المستقلة المترابطة (مثل weight و length و displacement) متضخمة جداً، وأن قيم اختبار t المقابلة لها منخفضة، مما يجعل مستويات الدلالة (P>|t|) تفشل في الوصول إلى حاجز الدلالة الإحصائية 0.05 لبعض هذه المتغيرات الجوهرية.

كذلك يجب الانتباه إلى اتجاهات وإشارات المعاملات (Coef.) في الجدول؛ فإذا ظهر معامل متغير «طول السيارة» (length) بإشارة سالبة غير متوقعة نظرياً في وجود متغير «الوزن»، فهذا مؤشر تحذيري إضافي ينبه الباحث إلى أن التداخل الارتباطي بين الطول والوزن وحجم المحرك قد شوه المعاملات الانحدارية الفردية، مما يستدعي الانتقال الفوري للاختبارات التشخيصية المتخصصة.

7. اختبار معامل تضخم التباين والتسامح عبر أمر vif

7.1 تنفيذ أمر ما بعد التقدير vif في ستاتا

يُعد أمر vif الأداة الرسمية والأكثر استخداماً في ستاتا لحساب معاملات تضخم التباين ومستويات التسامح. يشترط لتنفيذ هذا الأمر أن يكون نموذج الانحدار regress قد تم تقديره للتو وما زالت نتائجه مخزنة في الذاكرة الحسابية النشطة للنظام؛ إذ يُصنف أمر vif كأمر لما بعد التقدير (Postestimation Command) يستمد مدخلاته مباشرة من المصفوفات الناتجة عن النموذج الأخير.

يتم تنفيذ الأمر ببساطة متناهية من خلال كتابة الكلمة المفتاحية في نافذة الأوامر:

vif

عند إدخال هذا الأمر، تقوم ستاتا تلقائياً وفي الخلفية بتقدير سلسلة من نماذج الانحدار المساعدة (Auxiliary Regressions)، حيث يُعامل كل متغير مستقل كمتغير تابع بدوره ويُنحدر على كافة المتغيرات المستقلة المتبقية لحساب معامل التحديد الفرعي R_j²، ومن ثم تطبيق معادلة VIF واستخراج النتائج في جدول مرتب وأنيق يسهل استيعابه وتوثيقه.

يمكن للمستخدمين المتقدمين تصدير مخرجات جدول VIF مباشرة إلى ملفات خارجية أو تخزينها ضمن جداول مخصصة للنشر باستخدام مصفوفات ستاتا أو حزم تصدير الجداول، مما يوفر مرونة عالية في الأتمتة المنهجية للتقارير البحثية.

7.2 تفسير مخرجات جدول VIF وقيم التسامح (1/VIF)

يحتوي جدول المخرجات الناتج عن تنفيذ أمر vif في ستاتا على ثلاثة أعمدة رئيسية منظمة بوضوح:

• عمود المتغيرات (Variable): يسرد أسماء المتغيرات المستقلة المدرجة في النموذج بالترتيب.
• عمود معامل تضخم التباين (VIF): يوضح قيمة تضخم التباين المحسوبة لكل متغير مستقل على حدة.
• عمود مستوى التسامح (1/VIF): يعرض مقلوب قيمة VIF، وهو ما يمثل نسبة التباين المنفرد والمتسامح لكل متغير.

في أسفل الجدول، يعرض البرنامج سطراً ختامياً مميزاً يوضح متوسط معامل تضخم التباين للنموذج ككل (Mean VIF)، وهو مؤشر تركيبي يلخص الدرجة العامة لتضخم التباين عبر كافة المتنبئات المدرجة.

عند قراءة الجدول، يبحث الباحث عن المتغيرات التي تسجل أعلى قيم VIF وأدنى قيم تسامح؛ ففي مثال بيانات السيارات الذي طبقناه، قد نلاحظ أن متغيرات مثل weight و length تسجل قيماً مرتفعة لـ VIF (تتجاوز 8 أو 10) مع قيم تسامح منخفضة جداً تقترب من 0.10. يشير هذا التوزيع الرقمي بوضوح لا لبس فيه إلى أن هذين المتغيرين يعانيان من تداخل خطي شديد يفسر تضخم أخطائهما المعيارية في مخرجات الانحدار السابقة.

7.3 المعايير المرجعية لتقييم مستويات الخطورة لقيم VIF

يتطلب اتخاذ قرارات منهجية سليمة الاستناد إلى قواعد إرشادية واضحة ومقرة في أدبيات القياس الإحصائي لتقييم مستويات خطورة قيم VIF المستخرجة من ستاتا. يمكن تلخيص هذه المعايير المرجعية في ثلاثة مستويات تقييمية رئيسية:

• المستوى الآمن (VIF < 5 والتسامح > 0.20): يشير هذا النطاق إلى أن التداخل الخطي بين المتغيرات المستقلة يقع ضمن الحدود الطبيعية والمقبولة، وأن الأخطاء المعيارية للمعاملات لم تتأثر بصورة مخلة، مما يتيح للباحث الاعتماد التام على دلالة معاملات الانحدار وفترات الثقة دون الحاجة لإجراءات تصحيحية.
• المستوى المقلق أو الحرج (5 ≤ VIF ≤ 10 والتسامح بين 0.10 و 0.20): يعد هذا النطاق منطقة رمادية تستدعي الحذر الشديد؛ خاصة في الدراسات السلوكية والنفسية ذات العينات الصغيرة أو المتوسطة. قد يبدأ النموذج في هذه المرحلة بإظهار بوادر عدم الاستقرار وتقلب المعاملات، ويُنصح الباحث بمراجعة بنية المقاييس والتأكد من عدم وجود تكرار مفهومي.
• المستوى الخطر أو الحاد (VIF > 10 والتسامح < 0.10): يجمع معظم علماء الإحصاء التطبيقي (مثل Jacob Cohen وجيمس هاوسمان) على أن تجاوز قيمة VIF لحاجز 10 يمثل دليلاً قاطعاً على وجود تعدد خطي حاد يؤدي إلى تآكل القوة الإحصائية للنموذج وتشويه تقديرات المعلمات، مما يفرض التدخل العلاجي الإلزامي لإعادة هيكلة النموذج.

بالإضافة إلى تقييم القيم الفردية، ينبغي الانتباه إلى قيمة Mean VIF؛ فإذا كان المتوسط العام يتجاوز حاجز 2.5 أو 3 بشكل ملحوظ، فهذا يعكس تشبع النموذج العام بالتعدد الخطي حتى وإن لم يتجاوز أي متغير فردي حاجز 10 بمفرده.

8. التحليل المتقدم للتعدد الخطي عبر حزمة collin ومصفوفات التفكيك

8.1 تثبيت واستخدام حزمة collin المتقدمة في ستاتا

على الرغم من الفائدة الكبيرة للأمر القياسي vif، إلا أنه يظل مقتصراً على تقديم قياسات تضخم التباين الكلاسيكية دون النفاذ إلى بنية العلاقات المتعددة وتفكيك القيم الذاتية. لتجاوز هذا القصور، طور الإحصائيون حزمة خارجية متقدمة تُعرف باسم collin، والتي تمثل إضافة ضرورية للباحثين الساعين لإجراء تشخيص معمق وشامل للتعدد الخطي.

يتم تثبيت هذه الحزمة بسهولة من داخل برنامج ستاتا عبر الاتصال بالإنترنت وكتابة أمر التثبيت التالي في نافذة الأوامر:

ssc install collin

تتميز حزمة collin بميزة منهجية جوهرية؛ إذ يمكن تطبيقها مباشرة على مصفوفة المتغيرات المستقلة دون الحاجة لتقدير نموذج الانحدار مسبقاً أو تحديد متغير تابع، وذلك عبر كتابة الأمر متبوعاً بقائمة المتغيرات المراد فحصها:

collin weight length mpg displacement

يولد هذا الأمر تقريراً تشخيصياً متكاملاً يتضمن مصفوفات التباين المشترك، ومقاييس VIF والتسامح، وجداول القيم الذاتية، ومؤشرات الشرط، وجدول تفكيك التباين الشامل في مخرج موحد.

8.2 تحليل القيم الذاتية ومؤشرات الشرط (Condition Index)

ينقسم المخرج التحليلي لأمر collin إلى عدة أجزاء فائقة الأهمية، يأتي في مقدمتها جدول تحليل القيم الذاتية (Eigenvalues) ومؤشرات الشرط (Condition Index – CI). يتيح هذا الجدول فحص استقرار مصفوفة البيانات من خلال تقييم كيفية توزيع التباين عبر الأبعاد الرياضية المتعامدة المشتقة من مصفوفة المتغيرات.

يستند التفسير الإحصائي لمؤشر الشرط إلى معايير عالمية صارمة:

• مؤشر الشرط < 10: يشير إلى استقرار تام وغياب شبه كامل لأي تداخل خطي مخل بين المتغيرات.
• مؤشر الشرط بين 10 و 30: يدل على وجود تعدد خطي ضعيف إلى معتدل يستوجب المراقبة دون أن يشكل خطراً داهماً على التقديرات.
• مؤشر الشرط > 30 (أو رقم الشرط الكلي Condition Number > 30): يُعتبر الإشارة الحمراء الأقوى التي تؤكد وجود تعدد خطي حاد ومعقد يهدد البنية الحسابية للنموذج الانحداري.

يرافق كل مؤشر شرط في المخرجات جدول نسب تفكيك تباين المعاملات (Variance Decomposition Proportions)، حيث يظهر لكل متغير مستقل عمود يوضح نسبة التباين المرتبطة بكل قيمة ذاتية. عندما نجد سطراً يمتلك مؤشر شرط أكبر من 30، ويشترك فيه متغيران مستقلان أو أكثر بنسب تباين مرتفعة تتجاوز 0.50 (أي أكثر من 50% من تباين معامل كل منهما يتركز في هذا البعد المشترك)، فإننا نكون قد وضعنا أيدينا بدقة متناهية على المتغيرات المتواطئة في خلق التعدد الخطي.

8.3 المقارنة المنهجية بين مخرجات vif ومخرجات collin

يوضح الجدول المقارن التالي الفروق المنهجية والتطبيقية بين أداة ستاتا القياسية vif وحزمة التشخيص المتقدمة collin:

وجه المقارنة	الأمر القياسي vif	حزمة collin المتقدمة
طبيعة الأمر	أمر ما بعد تقدير (يتطلب تنفيذ regress أولاً)	أمر مستقل (يُطبق مباشرة على مصفوفة المتغيرات)
المؤشرات المقدمة	معامل VIF ومستوى التسامح (1/VIF) فقط	VIF، التسامح، القيم الذاتية، مؤشر الشرط، تفكيك التباين
كشف التعدد الخطي المركب	يرصد تضخم التباين الإجمالي لكل متغير على حدة	يكشف البنية العميقة للتعدد متعدد الأبعاد والمتغيرات المتداخلة
التوسيط الحسابي للحد الثابت	يعتمد دائماً على البيانات الموسطة بوجود الثابت	يتيح فحص التعدد مع وجود الحد الثابت أو بدونه بدقة
التوافر في النظام	مدمج تلقائياً في كافة إصدارات ستاتا القياسية	حزمة خارجية تتطلب التثبيت المسبق عبر ssc

تؤكد أفضل الممارسات في البحث العلمي على عدم الاكتفاء بأمر vif وحده، بل استكمال التشخيص باستخدام collin، خاصة في النماذج المعقدة التي تتضمن عدداً كبيراً من المتنبئات؛ حيث يُسهم هذا التكامل في تقديم صورة بصرية ورقمية كاملة تضمن متانة الاستنتاجات العلمية المنشورة.

9. التعدد الخطي في نماذج الانحدار اللوجستي والتعميمي

9.1 طبيعة التعدد الخطي في نماذج الاستجابة الثنائية والمحدودة

لا يقتصر التعدد الخطي على نماذج الانحدار الخطي العادي، بل يمتد بتأثيراته السلبية إلى نماذج الاستجابة الثنائية والمحدودة، مثل الانحدار اللوجستي (Logistic Regression – logit) ونموذج البروبيت (Probit). في هذه النماذج غير الخطية، يتم التقدير باستخدام أسلوب الإمكانية العظمى (Maximum Likelihood Estimation – MLE) بدلاً من المربعات الصغرى.

في ظل وجود ارتباطات مرتفعة بين المتغيرات المفسرة، تفقد خوارزميات الاستمثال العددي قدرتها على التقارب السريع (Convergence Failures)، وتتضخم الأخطاء المعيارية لمعاملات اللوغاريتم الطبيعي لنسب الأرجحية (Log-Odds)، مما يؤدي إلى فترات ثقة عريضة جداً لنسب الأرجحية (Odds Ratios) تجعل تفسيرها السريري أو السلوكي عديم الجدوى.

بالإضافة إلى ذلك، يتقاطع التعدد الخطي في النماذج اللوجستية مع ظاهرة خطيرة تُعرف بـ «الفصل التام أو شبه التام» (Complete or Quasi-complete Separation)؛ حيث تؤدي التوليفة الخطية لبعض المتغيرات المترابطة إلى التنبؤ التام بالمتغير التابع لبعض الفئات، مما يتسبب في تفجر معاملات الانحدار وأخطائها المعيارية لتصل إلى قيم فلكية (مثل قيم معاملات تتجاوز الآلاف مع أخطاء معيارية بالملايين)، وهو ما يفرض فحصاً دقيقاً ومسبقاً للتعددية قبل اعتماد نتائج الانحدار اللوجستي.

9.2 الطرق البديلة لحساب VIF في نماذج logit و logistic في ستاتا

يواجه مستخدمو ستاتا عائقاً تقنياً عند محاولة تنفيذ أمر ما بعد التقدير vif مباشرة بعد تنفيذ أمر logit أو logistic؛ إذ يظهر البرنامج رسالة خطأ تفيد بأن أمر vif غير مدعوم بعد هذه النماذج (vif is not supported after logit). ينشأ هذا التقييد البرمجي لأن مفهوم VIF الرياضي التقليدي مستمد من مصفوفة المربعات الصغرى ومعامل التحديد R² الذي لا يتطابق مباشرة مع مقاييس جودة التوفيق في الإمكانية العظمى.

لتجاوز هذه المشكلة وتطبيق فحص التعدد الخطي على المتغيرات المستقلة لنفس النموذج اللوجستي في ستاتا، يتبع المحللون أحد أسلوبين معتمدين:

• أسلوب الانحدار الزائف (Pseudo-OLS Approach): يقوم الباحث بتقدير نموذج انحدار خطي عادي مؤقت باستخدام أمر regress واضعاً نفس المتغير التابع الثنائي ونفس قائمة المتغيرات المستقلة المستخدمة في النموذج اللوجستي، ثم ينفذ أمر vif مباشرة. بما أن حساب التعدد الخطي و VIF يعتمد كلياً على العلاقات المتبادلة بين المتغيرات المستقلة نفسها وبمعزل عن طبيعة توزيع المتغير التابع، فإن قيم VIF المستخرجة بهذه الطريقة تعكس بدقة متناهية درجة التضخم الخطي الموجود بين المتنبئات في النموذج اللوجستي.
• استخدام حزمة collin المباشرة: كتابة أمر collin متبوعاً بقائمة المتغيرات المستقلة المدرجة في النموذج اللوجستي، وهو ما يولد تقرير VIF ومؤشرات الشرط الكاملة دون الحاجة لتقدير أي نموذج وهمي مسبق.

كذلك تتيح حزم خارجية مثل fitstat للمستخدمين استخراج مؤشرات ملائمة متعددة تساعد في ضبط النموذج وتقييم استقراره العام.

9.3 فحص التعدد الخطي في نماذج البقاء والبيانات الطولية (Panel Data)

يمتد التحدي المنهجي للتعدد الخطي إلى النماذج الإحصائية المتقدمة مثل نماذج تحليل البقاء وانحدار كوكس للمخاطر النسبية (Cox Proportional Hazards – stcox)، بالإضافة إلى نماذج البيانات الطولية المجمعة (Panel Data) المقدرة عبر أمر xtreg بنوعيها: نماذج التأثيرات الثابتة (Fixed Effects) والتأثيرات العشوائية (Random Effects).

في نماذج البيانات الطولية (Panel Data)، يكتسب التعدد الخطي بعداً فريداً ومزدوجاً؛ حيث يمكن أن ينشأ التعدد الخطي عبر الزمن (Within-entity collinearity) عندما تتغير عدة متغيرات مستقلة بنفس النمط الزمني لكل وحدة مدروسة، أو عبر الوحدات (Between-entity collinearity). في نماذج التأثيرات الثابتة (xtreg, fe)، يتم إسقاط أي متغير ثابت عبر الزمن تلقائياً بسبب التعدد الخطي التام مع التأثيرات الثابتة الفردية، في حين تتأثر النماذج بشكل بالغ إذا كانت المتغيرات المتغيرة زمنياً مرتبطة ببعضها ارتباطاً وثيقاً.

لتشخيص التعدد الخطي في هذه النماذج داخل ستاتا، يمكن تطبيق حزمة xtvif المصممة خصيصاً لبيانات البانل، أو استخدام أسلوب تفكيك التباين عبر تحويل البيانات إلى مكونات داخلية (Within) ومكونات بينية (Between) وتطبيق أدوات التشخيص القياسية مثل collin على كل مكون لضمان سلامة وكفاءة مقدرات البانل المتقدمة.

10. استراتيجيات المعالجة والحلول الإحصائية للتعدد الخطي في ستاتا

10.1 إعادة التوصيف النظري وحذف المتغيرات الزائدة

تمثل المعالجة النظرية الواعية خط الدفاع الأول عند اكتشاف تعدد خطي حاد في نموذج الانحدار. تتلخص هذه الاستراتيجية في إعادة مراجعة الإطار المفهومي للدراسة، وتحديد المتغيرات المستقلة المكررة التي تقدم نفس المعلومة التفسيرية دون إضافة نوعية للنموذج، واتخاذ قرار بحذف المتغير الزائد (Redundant Variable) الذي يمتلك أعلى قيمة VIF وأقل أهمية نظرية بالنسبة لسياق البحث.

ومع ذلك، يجب التعامل مع قرار الحذف بحذر منهجي بالغ؛ إذ يواجه الباحث مقايضة خطيرة بين التخلص من التعدد الخطي وخطر الوقوع في «تحيز المتغير المحذوف» (Omitted Variable Bias). فإذا كان المتغير المحذوف يمتلك تأثيراً سببياً حقيقياً في المجتمع ويرتبط بالمتغيرات المتبقية، فإن حذفه سينقل أثره إلى حد الخطأ العشوائي، مما يولد تحيزاً في قيم المعاملات المتبقية وينتهك افتراضات الانحدار الجوهرية.

للمفاضلة الموضوعية بين النموذج الكامل والنموذج المختزل بعد الحذف في ستاتا، يُنصح بتطبيق اختبارات المقارنة بين النماذج المتداخلة مثل اختبار نسبة الإمكانية أو اختبار القيد الخطي عبر أمر test var_name، إلى جانب مقارنة معايير المعلومات الأكاديمية مثل معيار أكايكي (AIC) ومعيار بايز (BIC) باستخدام أمر estat ic؛ حيث يشير انخفاض قيم AIC و BIC في النموذج المختزل إلى تحسن كفاءة التوصيف وجودة التوفيق.

10.2 التوسيط الحسابي للمتغيرات (Mean Centering)

يعد التوسيط الحسابي (Mean Centering) الحل الإحصائي المعياري والذهبي لمعالجة «التعدد الخطي البنيوي» الناشئ عن تضمين حدود التفاعل (Interaction Terms) أو المتغيرات متعددة الحدود (Polynomial Terms مثل التربية والتكعيب). تقوم فكرة التوسيط على طرح المتوسط الحسابي العام للمتغير من كل قيمة مفردة في ذلك المتغير، مما يجعل متوسط المتغير الجديد يساوي صفراً تماماً دون تغيير شكله التوزيعي أو تباينه الأصلي.

عند حساب حاصل ضرب متغيرين موسطين حسابياً (X_{1_c} × X_{2_c})، يقل الارتباط الرياضي الاصطناعي بين حد التفاعل والمتغيرات الفردية المكونة له بشكل جذري، مما يؤدي إلى انخفاض دراماتيكي في قيم VIF لتعود إلى مستوياتها الآمنة والمقبولة.

لتطبيق التوسيط الحسابي خطوة بخطوة في ستاتا، نتبع الأوامر البرمجية التالية:

summarize x1
generate x1_c = x1 – r(mean)
summarize x2
generate x2_c = x2 – r(mean)
generate x1_x2_interaction = x1_c * x2_c
regress y x1_c x2_c x1_x2_interaction
vif

من المزايا الكبرى للتوسيط الحسابي أنه يحافظ على القوة التفسيرية للنموذج وقيمة R² دون أدنى تغيير، مع إضفاء تفسير عملي دقيق للحد الثابت (Constant)؛ إذ يصبح مساوياً للقيمة المتوقعة للمتغير التابع عندما تكون كافة المتغيرات المستقلة عند مستوياتها المتوسطة الحقيقية في العينة.

10.3 بناء المؤشرات المركبة وتطبيق التحليل العاملي التلخيصي

عندما ينشأ التعدد الخطي عن استخدام عدة مقاييس فرعية مترابطة تقيس بناءات نفسية أو سلوكية متقاربة، فإن الحل المنهجي الأمثل يتمثل في دمج هذه المقاييس في مؤشر مركب واحد (Composite Index) أو استخلاص عوامل كامنة تلخص التباين المشترك بكفاءة واقتدار.

يمكن إجراء هذا الدمج بأساليب متعددة داخل ستاتا:

• بناء المتوسط التجميعي: جمع المقاييس المترابطة وحساب متوسطها الحسابي البسيط أو المعياري باستخدام أمر egen composite_score = rowmean(scale1 scale2 scale3)، مع التحقق المسبق من الاتساق الداخلي عبر حساب معامل ألفا كرونباخ باستخدام أمر alpha scale1 scale2 scale3.
• التحليل العاملي الاستكشافي (Exploratory Factor Analysis): تطبيق أمر factor scale1 scale2 scale3 scale4, pcf لاستخراج العوامل الرئيسية الكامنة التي تفسر الارتباطات المتشابكة بين المقاييس، ومن ثم تنفيذ أمر التدوير المتعامد rotate, varimax لضمان استقلالية العوامل الناتجة.
• استخراج درجات العوامل الكامنة: استخدام أمر ما بعد التحليل العاملي predict factor1 factor2 لإنشاء متغيرات جديدة متعامدة تماماً (Orthogonal) تمثل درجات المشاركين على كل عامل كامن.

باستخدام درجات العوامل الناتجة كمتغيرات مستقلة في نموذج الانحدار الجديد، يضمن الباحث القضاء التام على التعدد الخطي (حيث تصبح قيم VIF مساوية لـ 1.0 تماماً بين العوامل المتعامدة)، مع الاحتفاظ بكافة المعلومات والتباينات الغنية الكامنة في المقاييس الأصلية.

10.4 طرق الانحدار المعاقب وانحدار الحيد (Ridge Regression)

عندما تكون جميع المتغيرات المستقلة المترابطة ذات أهمية نظرية قصوى لا تسمح بحذف أي منها، وعندما يفشل التوسيط أو الدمج العاملي في تحقيق الهدف، يلجأ الإحصائيون المتقدمون إلى أساليب الانحدار المعاقب أو المنظم (Regularized Regression)، وفي مقدمتها انحدار الحيد (Ridge Regression) وانحدار لاسو (LASSO).

تقوم فلسفة انحدار الحيد على إدخال مقدار طفيف من التحيز الرياضي (Bias Penalty يرمز له بـ λ) إلى قطر مصفوفة المعلومات الحسابية (X’X + λI)، مما يجعل المصفوفة قابلة للعكس بسهولة ويؤدي إلى تقليص هائل في تباين الأخطاء المعيارية للمعاملات. ووفقاً لمعادلة المفاضلة بين التحيز والتباين (Bias-Variance Tradeoff)، فإن التضحية بمقدار ضئيل جداً من عدم التحيز يقابله انخفاض دراماتيكي في التباين العام واستقرار كبير في التقديرات والتنبؤات.

توفر ستاتا الحديثة إمكانية تنفيذ انحدار لاسو وشبكة المرونة (Elastic Net) عبر الأوامر المدمجة lasso linear و elasticnet linear، كما يمكن تثبيت حزمة انحدار الحيد عبر أمر ssc install ridgereg وتطبيقها بكتابة:

ridgereg dependent_var var1 var2 var3, model(ridge) lambda(0.1)

تعتبر هذه الأساليب المتقدمة المعيار الذهبي في بيئات البيانات الضخمة والنماذج التنبؤية فائقة التعقيد؛ حيث تضمن الحصول على نماذج مستقرة تمتلك قدرة تعميم تنبؤية عالية تتفوق بمراحل على المربعات الصغرى العادية في وجود التعدد الخطي الشديد.

11. دراسة حالة تطبيقية متكاملة خطوة بخطوة في ستاتا

11.1 صياغة المشكلة البحثية وبناء النموذج الأولي

لتجسيد كافة الخطوات التشخيصية والعلاجية في سياق تطبيقي واقعي وموحد، سنفترض دراسة نفسية وتربوية تهدف إلى التنبؤ بمستوى «الأداء الأكاديمي» (academic_perf) لعينة من طلاب الجامعات، بالاستناد إلى مجموعة من المتغيرات النفسية المعرفية والسلوكية: «دافعية الإنجاز» (achievement_mot)، «تنظيم الذات» (self_regulation)، «الجهد الدراسي المبذول» (study_effort)، و«ساعات الاستذكار الأسبوعية» (study_hours).

تتميز هذه المتغيرات بتشابكها المفهومي الشديد؛ فالطالب ذو الدافعية العالية يمتلك عادة تنظيماً ذاتياً مرتفعاً ويبذل جهداً مضاعفاً ويقضي ساعات أطول في الدراسة، مما ينبئ بوجود تعدد خطي وشيك. نقوم أولاً بتوليد أو استدعاء ملف البيانات إلى ستاتا وتهيئة المتغيرات وصياغة الفرضية العامة للبحث، ثم نبدأ بكتابة كود البناء الأولي للنموذج في ملف الـ Do-file.

11.2 تشخيص التعدد الخطي وتوثيق المخرجات والأوامر

نقوم بتنفيذ نموذج الانحدار الخطي المتعدد الأولي عبر كتابة الأمر التالي في واجهة ستاتا:

regress academic_perf achievement_mot self_regulation study_effort study_hours

عند فحص المخرجات الأولية، نلاحظ أن النموذج يتمتع بقوة تفسيرية عالية (R² = 0.74, F(4, 195) = 138.5, p < 0.001)، ولكن معاملات متغيري «تنظيم الذات» و«الجهد الدراسي» تظهر بأخطاء معيارية متضخمة وقيم p تتجاوز 0.15، مما يعني عدم دلالتهما الفردية خلافاً للتأصيل النظري الراسخ.

ننتقل فوراً لتشخيص التعدد الخطي بتشغيل أمر تضخم التباين:

vif

تظهر نتائج جدول VIF قيماً حرجة تسجل 11.45 لمتغير self_regulation و 10.82 لمتغير study_effort، مع مستوى تسامح متدنٍ للغاية يبلغ 0.087 و 0.092 على التوالي، ومتوسط عام Mean VIF = 6.85. تؤكد هذه الأرقام أن التعدد الخطي الحاد هو المسؤول المباشر عن فقدان هذه المتغيرات لدلالتها الإحصائية.

لتعميق الفحص، نقوم بتنفيذ حزمة collin:

collin achievement_mot self_regulation study_effort study_hours

يكشف جدول القيم الذاتية عن وجود مؤشر شرط كلي (Condition Index) يبلغ 34.2 (متجاوزاً حاجز الخطر 30)، ويظهر جدول تفكيك تباين المعاملات أن 82% من تباين معامل self_regulation و 78% من تباين معامل study_effort يشتركان في نفس البعد الرياضي الكامن، مما يحدد بؤرة الخلل المنهجي بدقة متناهية.

11.3 تنفيذ خطة المعالجة وإعادة تقييم النموذج المصحح

بناءً على نتائج التشخيص السابقة، والتشابه المفاهيمي الكبير بين بنود مقياس تنظيم الذات ومقياس الجهد الدراسي في هذه العينة، نقرر تطبيق استراتيجية بناء «المؤشر المركب للإدارة الذاتية للدراسة» (academic_self_mgmt) عبر دمج المقياسين معيارياً بعد التحقق من اتساقهما المشترك (α = 0.89)، وذلك بتنفيذ الأوامر التالية في ستاتا:

egen academic_self_mgmt = rowmean(self_regulation study_effort)
regress academic_perf achievement_mot academic_self_mgmt study_hours
vif

عند إعادة تشغيل الانحدار وفحص جدول المخرجات الجديد، نصل إلى النتائج التصحيحية المذهلة التالية:

• احتفظ النموذج الجديد بجودته التفسيرية العالية واستقراره العام (R² = 0.735, F(3, 196) = 181.2, p < 0.001).
• أصبحت جميع المعاملات الانحدارية الفردية دالة إحصائياً عند مستوى p < 0.001 مع أخطاء معيارية منخفضة ودقيقة وفترات ثقة متوازنة.
• أظهر جدول vif الجديد انخفاضاً حاسماً في كافة قيم معاملات تضخم التباين؛ حيث سجلت أعلى قيمة VIF للمؤشر الجديد 1.42 فقط، وسجل التسامح 0.704، وبلغ المتوسط العام Mean VIF = 1.31، مما يؤكد الشفاء التام للنموذج من أعراض التعدد الخطي وتحقيق الصدق الإحصائي والمفهومي المطلوب.

12. أفضل الممارسات وتوثيق نتائج التعدد الخطي وفق معايير APA

12.1 الصياغة الأكاديمية الدقيقة لنتائج الفحص في متن البحث

يفرض الدليل الإرشادي الأحدث لجمعية علم النفس الأمريكية (APA Publication Manual, 7th Edition) على الباحثين الإفصاح المنهجي والشفاف عن نتائج فحص افتراضات الانحدار، وفي مقدمتها افتراض عدم وجود تعدد خطي، ضمن قسم النتائج (Results) أو قسم التحليل الإحصائي في البحوث والرسائل العلمية.

تتضمن الصياغة الأكاديمية المحكمة تقريراً واضحاً يحدد المؤشرات المستخدمة (مثل VIF ومستوى التسامح ومصفوفة الارتباط)، وعتبات القطع المعتمدة، والقيم الفعلية المستخرجة من ستاتا. وفيما يلي نموذج نصي قياسي معتمد باللغة العربية للتوثيق في متن البحث:

«قبل الشروع في اختبار الفرضيات التنبؤية، تم التحقق من سلامة افتراض التعدد الخطي بين المتغيرات المستقلة. أظهرت النتائج المستخرجة عبر برنامج Stata أن قيم معاملات تضخم التباين (VIF) تراوحت بين 1.18 و 2.34، وهي قيم تقل جميعها عن العتبة الحرجة الموصى بها (VIF < 5)، كما تراوحت قيم مستوى التسامح (Tolerance) بين 0.427 و 0.847 (جميعها > 0.20)، وبلغ متوسط تضخم التباين العام للنموذج (Mean VIF = 1.62). بالإضافة إلى ذلك، لم يتجاوز مؤشر الشرط الكلي حاجز 14.2، مما يؤكد استيفاء النموذج لافتراض الاستقلالية الخطية النسبية وعدم وجود تعدد خطي يهدد كفاءة واستقرار المعلمات المقدرة.»

في الحالات التي يتم فيها رصد تعدد خطي وتصحيحه (كما في دراسة الحالة)، يجب الإفصاح بشفافية عن المشكلة الأصلية والإجراء التصحيحي المتخذ (مثل الدمج أو التوسيط الحسابي) مع تقديم مقارنة رقمية تثبت انخفاض مؤشرات VIF بعد المعالجة، مما يرفع من المصداقية العلمية للبحث.

12.2 تصميم الجداول الإحصائية الاحترافية للمخرجات

تتطلب معايير APA عرض نتائج تحليل الانحدار الخطي المتعدد ضمن جدول إحصائي شامل ومنظم يدمج المعاملات التقديرية مع مؤشرات التشخيص. يوضح الجدول التالي النموذج المعتمد لعرض مخرجات الانحدار وتشخيص التعدد الخطي وفق قواعد APA 7th:

المتغير التنبؤي	B	SE B	β	t	p	Tolerance	VIF
الحد الثابت (Constant)	12.45	2.10	—	5.93	< .001	—	—
دافعية الإنجاز	0.48	0.08	.38	6.00	< .001	.782	1.28
الإدارة الذاتية للدراسة (مركب)	0.62	0.09	.44	6.89	< .001	.704	1.42
ساعات الاستذكار الأسبوعية	0.25	0.05	.21	5.00	< .001	.815	1.23

ملاحظة. R² = .735، و R² المعدل = .731، و F(3, 196) = 181.20، و p < .001. يشير B إلى معامل الانحدار غير المعياري؛ و SE B إلى الخطأ المعياري للمعامل؛ و β إلى معامل الانحدار المعياري؛ و VIF إلى معامل تضخم التباين.

لتسهيل تصدير مثل هذه الجداول من ستاتا بتنسيقات متوافقة تماماً مع برامج معالجة النصوص كـ Microsoft Word، يمكن للباحثين استخدام حزم تصدير احترافية مثل outreg2 أو asdoc أو esttab المتاحة مجاناً ضمن مستودعات ستاتا البرمجية، مما يوفر الوقت ويمنع الأخطاء اليدوية أثناء نقل الأرقام.

12.3 أخطاء شائعة وسوء فهم منهجي يجب تجنبه

يقع العديد من الباحثين وطلاب الدراسات العليا في أخطاء منهجية شائعة ومفاهيم مغلوطة حول التعدد الخطي، نلخص أبرزها فيما يلي لتفاديها:

• الخلط بين التنبؤ الكلي والتفسير السببي الفردي: من الأخطاء الفادحة الاعتقاد بأن التعدد الخطي يبطل قدرة النموذج على التنبؤ الإجمالي؛ فالحقيقة الرياضية هي أن التعدد الخطي لا يؤثر إطلاقاً على جودة التنبؤ الكلية للمتغير التابع (R² تظل دقيقة والتنبؤات النقطية للقيم تظل غير متحيزة وذات كفاءة)، وإنما تنحصر المشكلة كلياً في عزل وتفسير الأوزان الفردية لكل متغير على حدة. إذا كان هدف البحث ينحصر في التنبؤ البحت دون الاهتمام بتفسير الآليات السببية، فإن التعدد الخطي لا يمثل عائقاً جوهرياً.
• الاعتماد الأعمى والمجرد على عتبة VIF = 10: يمثل التعامل مع الرقم 10 كقاعدة جامدة ومقدسة خطأً منهجياً شائعاً؛ إذ يجب تقييم قيم VIF دائماً في ضوء حجم العينة، ومقدار التباين الكلي في النموذج، ومستوى القوة الإحصائية المطلوبة. ففي العينات الصغيرة (N < 100)، يمكن لقيمة VIF تبلغ 4 أو 5 أن تعصف تماماً بدلالة المعاملات وتتطلب تدخلاً فورياً.
• الإفراط في حذف المتغيرات الضابطة: يسارع بعض الباحثين بمجرد رؤية ارتفاع طفيف في VIF إلى حذف متغيرات ضابطة (Control Variables) أساسية أثبتتها الأدبيات النظرية، مما يوقع النموذج في مشكلة تحيز المتغير المحذوف الأكثر خطورة على الصدق الداخلي للبحث.
• الخلط بين التعدد الخطي وعدم تجانس التباين أو الارتباط الذاتي: التعدد الخطي هو خاصية تتعلق بمصفوفة المتغيرات المستقلة X فقط، ولا علاقة له بحدود الخطأ العشوائي أو البواقي (Residuals)، بخلاف مشكلات مثل عدم تجانس تباين الأخطاء (Heteroscedasticity) أو الارتباط الذاتي للأخطاء (Autocorrelation).

خاتمة

يمثل اختبار التعدد الخطي في برنامج ستاتا محطة تشخيصية محورية لا غنى عنها في مسار التحليل الإحصائي الرصين، وضمانة أساسية لجودة التقديرات الاستدلالية وصدق التفسيرات النظرية في البحوث العلمية المعاصرة. لقد استعرضنا خلال هذا الدليل الشامل كيف يمكن للتداخل الارتباطي بين المتغيرات المفسرة أن يقوض استقرار النماذج، ويضخم الأخطاء المعيارية، ويخلق تناقضات مضللة بين جودة التوفيق الكلية والدلالات الإحصائية الفردية.

من خلال توظيف الأدوات القياسية المدمجة في ستاتا مثل أمر vif، والحزم التشخيصية المتقدمة مثل collin وما تقدمه من تحليل للقيم الذاتية ومؤشرات الشرط وتفكيك التباين، يمتلك الباحث ترسانة برمجية متكاملة تمكنه من كشف التعدد الخطي في كافة صوره، سواء في نماذج الانحدار الخطي الكلاسيكية، أو نماذج الاستجابة اللوجستية والبيانات الطولية المتقدمة.

ختاماً، يجب التأكيد على أن مواجهة التعدد الخطي لا تنتهي عند حدود التشخيص الرقمي، بل تتطلب حكمة منهجية واعية توازن بين المعالجة الإحصائية (كالتوسيط الحسابي، وبناء المؤشرات المركبة، وأساليب الانحدار المعاقب) والتأصيل النظري الصارم للبناءات المفاهيمية المدروسة، بما يضمن صياغة وتوثيق تقارير علمية دقيقة وشفافة ترتقي لأعلى معايير النشر الأكاديمي الدولي.

References

• Belsley, D. A., Kuh, E., & Welsch, R. E. (2005). Regression diagnostics: Identifying influential data and sources of collinearity. John Wiley & Sons. https://doi.org/10.1002/0471725153
• 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. https://doi.org/10.4324/9780203774441
• Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/econometric-analysis/P200000005785
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning. https://www.cengage.com
• O’Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality & Quantity, 41(5), 673–690. https://doi.org/10.1007/s11135-006-9018-6
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning. https://www.cengage.com/c/introductory-econometrics-a-modern-approach-7e-wooldridge/