كيفية اختبار التعدد الخطي في SPSS

تُعد النمذجة الإحصائية المعتمدة على تحليل الانحدار الخطي المتعدد (Multiple Linear Regression) من الركائز الأساسية التي يعتمد عليها الباحثون في العلوم النفسية، والتربوية، والاجتماعية، والسلوكية لفهم العلاقات المعقدة بين المتغيرات وتفسير التباين في الظواهر الإنسانية. غير أن دقة الاستنتاجات العلمية المستخلصة من هذه النماذج ترتبط ارتباطاً وثيقاً بمدى استيفاء البيانات لمجموعة من الافتراضات الإحصائية الصارمة التي بُنيت عليها نظرية غاوص-ماركوف (Gauss-Markov Theorem). ويأتي في مقدمة هذه الفروض افتراض استقلالية المتغيرات المفسرة أو ما يُعرف بعدم وجود “التعدد الخطي” (Multicollinearity).

تنشأ مشكلة التعدد الخطي عندما ترتبط المتغيرات المستقلة (المتنبئات) فيما بينها بدرجة عالية من الارتباط الخطي، مما يؤدي إلى تداخل التأثيرات الفردية لكل متغير وصعوبة عزل الأثر الحقيقي الخاص به على المتغير التابع. وتتفاقم هذه المعضلة بصورة خاصة في البحوث النفسية والتربوية نتيجة الطبيعة المتشابكة للمفاهيم والسمات السلوكية المقاسة؛ حيث تميل مقاييس الشخصية، والذكاء، والدافعية، والاتجاهات إلى الاشتراك في مساحات تباين عريضة تعكس بنى كامنة متقاربة يصعب فصلها إجرائياً بشكل تام دون فحص إحصائي دقيق.

يقدم برنامج IBM SPSS Statistics حزمة متكاملة من الأدوات الإحصائية والمؤشرات المتقدمة لتشخيص التعدد الخطي وتقدير حجم خطورته على استقرار النموذج الإحصائي. يهدف هذا الدليل الأكاديمي الشامل إلى تزويد الباحثين وطلاب الدراسات العليا بفهم نظري وتطبيقي متعمق لكيفية اختبار التعدد الخطي وتفسير مخرجاته في SPSS، وصولاً إلى تطبيق أفضل الاستراتيجيات المنهجية لمعالجته والتوثيق الأكاديمي السليم للنتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

1. مفهوم التعدد الخطي وأهميته في النمذجة الإحصائية والنفسية

1.1 التعريف النظري والرياضي للتعدد الخطي

يُعرَّف التعدد الخطي في سياق تحليل الانحدار المتعدد بأنه الحالة التي تظهر فيها علاقة ارتباطية خطية قوية أو شبه تامة بين اثنين أو أكثر من المتغيرات المستقلة (Independent Variables) المدرجة في النموذج التنبؤي. من الناحية النظرية، يفترض نموذج الانحدار الخطي الكلاسيكي أن كل متغير مستقل يساهم بحصة فريدة وغير متداخلة من التباين في تفسير المتغير التابع (Dependent Variable). وعندما يحدث تداخل جوهري بين المتنبئات، تصبح المعلومات الإحصائية التي يقدمها أحد المتغيرات مكررة (Redundant) لوجودها الفعلي في متغير آخر.

من الناحية الرياضية والجبرية، ينبغي التمييز بوضوح بين نوعين من التعدد الخطي: التعدد الخطي التام (Perfect Multicollinearity) والتعدد الخطي التقريبي أو المرتفع (High/Near Multicollinearity). يحدث التعدد الخطي التام عندما تكون هناك علاقة خطية جبرية مطلقة وغير عشوائية بين متغيرين أو أكثر، بحيث يمكن التعبير عن أحد المتغيرات كدالة خطية مباشرة لمتغير آخر بصيغة $X_2 = \lambda_0 + \lambda_1 X_1$. في هذه الحالة الحادة، تصبح مصفوفة التغاير والتباين للمتغيرات المستقلة ($X^T X$) مصفوفة شاذة (Singular Matrix) ذات محدد رياضي يساوي صفراً تماماً ($det(X^T X) = 0$). يترتب على ذلك استحالة حساب معكوس المصفوفة $(X^T X)^{-1}$ جبرياً، مما يؤدي إلى فشل خوارزميات المربعات الصغرى العادية (OLS) في الوصول إلى حل رياضي وحيد لتقدير معاملات الانحدار.

أما التعدد الخطي التقريبي، وهو الحالة الأكثر شيوعاً في الواقع التطبيقي، فيحدث عندما تكون الارتباطات بين المتغيرات المستقلة مرتفعة جداً ولكن دون أن تصل إلى الارتباط التام (أي أن محدد المصفوفة يقترب من الصفر دون أن يساويه قط). ينتج عن ذلك تضخم هائل في العناصر القطرية لمعكوس مصفوفة التغاير، وهو ما ينعكس بصورة مباشرة على عدم استقرار التقديرات الإحصائية وتضخم أخطائها المعيارية، مما يجعل النموذج شديد الحساسية لأي تغير طفيف في بيانات العينة.

1.2 أسباب نشوء التعدد الخطي في الدراسات النفسية والسلوكية

تتعدد العوامل المنهجية والإجرائية التي تؤدي إلى ظهور التعدد الخطي في بحوث العلوم النفسية والاجتماعية. يأتي في مقدمة هذه الأسباب استخدام أدوات ومقاييس نفسية متعددة تقيس أبعاداً ومفاهيم متقاربة أو متداخلة بنيوياً. فعلى سبيل المثال، عند بناء نموذج انحدار للتنبؤ بالأداء الوظيفي يتضمن كلاً من “الاحتراق النفسي”، و”الإجهاد المهني”، و”القلق العام”، فإن هذه المقاييس تشترك في قياس مظاهر وجدانية وجسدية متطابقة تقريباً، مما يجعل الارتباط البيني بينها مرتفعاً بصورة حتمية تعكس تداخلاً مفاهيمياً (Conceptual Overlap) في البنية المقاسة.

ويرتبط السبب الثاني بحجم العينة وخصائصها الإحصائية؛ فالاعتماد على عينات صغيرة الحجم مقارنة بعدد المتغيرات المستقلة يحد من التباين الطبيعي للبيانات ويزيد من احتمالية ظهور ارتباطات عشوائية مرتفعة بين المتغيرات ليست موجودة بالضرورة في مجتمع الدراسة الأصلي. علاوة على ذلك، فإن سحب العينات بطرق غير احتمالية أو من فئات متجانسة جداً يقلل من تباين المفحوصين، مما يرفع مؤشرات التداخل الخطي.

ويتمثل السبب الثالث في الممارسات الخاطئة أثناء معالجة المتغيرات وتوليد المتغيرات التفاعلية أو متعددة الحدود (Higher-order Polynomials). فعند تضمين حد التفاعل ($X_1 \times X_2$) أو مربع المتغير ($X_1^2$) في نماذج الانحدار التفاعلية دون إجراء “توسيط مسبق” (Mean Centering) للبيانات، ينشأ تعدد خطي مصطنع وقوي بين المتغير الأساسي والمتغير المشتق منه. وأخيراً، تسهم أخطاء القياس، وجمع البيانات من مصدر واحد (Common Method Variance)، وتكرار القياس الذاتي في تضخيم الارتباطات الزائفة بين المتغيرات المستقلة.

1.3 أهمية التحقق من التعدد الخطي كافتراض أساسي لتحليل الانحدار

يمثل فحص التعدد الخطي خطوة منهجية حتمية لا غنى عنها للتحقق من استيفاء شروط نظرية غاوص-ماركوف التي تضمن أن تكون مقدرات المربعات الصغرى العادية هي “أفضل المقدرات الخطية غير المتحيزة” (BLUE: Best Linear Unbiased Estimator). فإذا تم إهمال هذا الفحص، فإن الباحث يخاطر بالاعتماد على نموذج إحصائي قد يبدو قوياً في ظاهره من حيث القدرة التنبؤية الكلية، ولكنه مضلل تماماً فيما يخص الأوزان الحقيقية للتأثيرات الفردية.

تتجلى الأهمية البالغة لاختبار التعدد الخطي في الحفاظ على دقة التقديرات المعلمية ومنع تضليل مستويات الدلالة الإحصائية؛ إذ إن التعدد الخطي لا يسبب تحيزاً في قيم معاملات الانحدار نفسها، ولكنه يرفع من تباين هذه المقدرات إلى مستويات تجعل فترات الثقة (Confidence Intervals) واسعة للغاية، وتتحول الدلالات الإحصائية للمعاملات الفردية إلى قيم غير دالة زائفاً (وقوع في الخطأ من النوع الثاني Type II Error).

بالإضافة إلى ذلك، فإن التحقق الدقيق من غياب التعدد الخطي يعزز الصدق الداخلي (Internal Validity) للنتائج السيكولوجية والتربوية؛ حيث يتيح للباحثين تقديم تفسيرات علمية دقيقة حول المساهمة الفريدة والنسبية لكل متغير مستقل في تفسير السلوك الإنساني المدروس، مما يدعم بناء نظريات علمية متينة وتصميم برامج تدخل إرشادية وتربوية مستندة إلى براهين إحصائية موثوقة ومستقرة.

2. تأثير التعدد الخطي على نتائج تحليل الانحدار المتعدد

2.1 تضخم الأخطاء المعيارية لمعاملات الانحدار

تتمثل النتيجة المباشرة والأكثر خطورة للتعدد الخطي المرتفع في تضخم الأخطاء المعيارية ($SE_{\beta}$) المرتبطة بمعاملات الانحدار الجزئية. ينشأ هذا التضخم نتيجة عجز الخوارزمية الرياضية عن عزل التباين الفريد للمتغير المستقل، حيث يُحسب تباين معامل الانحدار $\beta_j$ وفق المعادلة الآتية:

$$operatorname{Var}(\hat{\beta}_j) = \frac{\sigma^2}{\sum (X_{ij} – \bar{X}_j)^2 (1 – R_j^2)}$$

حيث يمثل $R_j^2$ معامل التحديد الناتج عن انحدار المتغير المستقل $X_j$ على جميع المتغيرات المستقلة الأخرى في النموذج. ومع اقتراب $R_j^2$ من الواحد الصحيح (دلالة على شدة التعدد الخطي)، يقترب المقام الرياضي من الصفر، مما يؤدي إلى تضخم هائل ولا نهائي في تباين المعامل وبالتالي في خطئه المعياري.

يترتب على هذا التضخم تراجع حاد ومباشر في القوة الإحصائية (Statistical Power) لاختبارات الدلالة الفردية، وخاصة اختبار ت ($t\text{-test}$) المحسوب لكل معامل عبر قسمة قيمة بيتا على خطئها المعياري ($t = \frac{\hat{\beta}}{SE_{\hat{\beta}}}$). ومع كبر قيمة المقام، تنخفض قيمة $t$ المحسوبة انخفاضاً شديداً، مما يؤدي إلى الفشل في رفض الفرضية الصفرية وافتراض عدم وجود أثر للمتغير المستقل، على الرغم من أن المتغير قد يكون ذا أثر جوهري وحقيقي في الواقع الميداني ولكن حجبه التداخل الخطي.

2.2 عدم استقرار المعاملات وحساسية النموذج للتغيرات الطفيفة

يؤدي التعدد الخطي إلى حالة من عدم الاستقرار الشديد في تقديرات معاملات الانحدار؛ حيث تصبح المعاملات حساسة للغاية لأدنى التغيرات الإحصائية في تركيبة العينة. ففي ظل وجود التعدد الخطي، قد يؤدي حذف حالة واحدة متطرفة أو إضافة عدد قليل من المفحوصين الجدد إلى تغيرات جذرية ودراماتيكية في قيم معاملات بيتا غير المعيارية والمعيارية، بل قد يصل الأمر إلى انقلاب إشارة المعامل الرياضي من موجبة إلى سالبة أو العكس.

يخلق هذا الانقلاب في الإشارات تناقضات منطقية ونظرية صارخة تُعرف في الأدبيات الإحصائية بظاهرة “المعاملات الشاذة” أو المتناقضة (Suppressor Effects or Bouncing Betas). فقد يُظهر متغير نفسي ارتباطاً ثنائياً موجباً ودالاً بالمتغير التابع عند فحصه منفرداً، ولكنه يظهر بوزن انحداري سالب ودال داخل نموذج الانحدار المتعدد نتيجة امتصاص المتغير المتداخل لجزء كبير من تباينه وتشويه العلاقة الأصلية.

بالإضافة إلى ذلك، يؤدي عدم استقرار المعاملات إلى تآكل قدرة النموذج على التعميم المتبادل (Cross-Validation)؛ فالنموذج الذي يعاني من تعدد خطي حاد يتمتع بقدرة ضعيفة جداً على الصمود عند تطبيقه على عينة مستقلة من نفس المجتمع الإحصائي، حيث تنخفض جودة التنبؤ انخفاضاً حاداً ويفقد النموذج مصداقيته العلمية والتطبيقية.

2.3 التناقض بين جودة توفيق النموذج الكلي ودلالة المتغيرات الفردية

تُعد واحدة من أبرز العلامات الكلاسيكية المنذرة بوجود مشكلة التعدد الخطي في مخرجات الانحدار هي ظهور تناقض إحصائي صارخ بين مؤشرات جودة التوفيق الكلية للنموذج ودلالة معاملات المتغيرات الفردية. يجد الباحث نفسه أمام نموذج يسجل قيمة مرتفعة جداً لمعامل التحديد ($R^2$) واختبار فائي كلي ($F\text{-test}$) ذا دلالة إحصائية فائقة ($p < .001$)، مما يعطي انطباعاً أولياً بنجاح باهر للنموذج في تفسير التباين في المتغير التابع.

إلا أنه عند تفحص جدول معاملات الانحدار التفصيلي، يُفاجأ الباحث بأن معظم أو جميع معاملات الانحدار الفردية للمتغيرات المستقلة غير دالة إحصائياً (أي أن قيم $p$ لاختبار $t$ تتجاوز مستوى الدلالة المعتمد $.05$). يعكس هذا التناقض حقيقة أن المتغيرات المستقلة كمجموعة مترابطة تمتلك قدرة تنبؤية مشتركة عالية، ولكن نتيجة التداخل الشديد بينها، يعجز النموذج عن تحديد أي من هذه المتغيرات هو المسؤول الفعلي عن التنبؤ، وتفشل الاختبارات الفردية في إسناد مساهمة إحصائية فريدة لأي متغير بمفرده.

يخلق هذا الوضع مأزقاً نظرياً وعملياً كبيراً للباحث، خاصة عندما يكون الهدف الأساسي من الدراسة هو اختبار الفرضيات السببية أو تحديد الأهمية النسبية لمتغيرات نفسية معينة في التنبؤ بالسلوك، مما يستدعي تدخلاً منهجياً حاسماً لتشخيص التعدد الخطي وعلاجه.

3. المؤشرات الإحصائية الرئيسية لتشخيص التعدد الخطي

3.1 معامل تضخم التباين (Variance Inflation Factor – VIF)

يُعد معامل تضخم التباين (VIF) المؤشر الأكثر شيوعاً واعتماداً في الأدبيات الإحصائية الحديثة لتقييم مدى تضرر النموذج من التعدد الخطي. يعبر هذا المعامل بصورة كمية عن مقدار الزيادة أو التضخم الذي لحق بتباين معامل الانحدار المقدر مقارنة بما كان سيكون عليه لو كانت المتغيرات المستقلة متعامدة تماماً (Orthogonal) وغير مترابطة إطلاقاً.

تعتمد المعادلة الرياضية لحساب معامل تضخم التباين الخاص بالمتغير $X_j$ على معامل التحديد الجزئي ($R_j^2$) الناتج عن إجراء انحدار خطي متعدد لـ $X_j$ كمتغير تابع على بقية المتغيرات المستقلة كمتنبئات، وتُصاغ رياضياً كما يلي:

$$\text{VIF}_j = \frac{1}{1 – R_j^2}$$

من منظور تفسير القيمة الحسابية، فإن قيمة $\text{VIF} = 1$ تعني الاستقلالية التامة للمتغير وغياب أي ارتباط بينه وبين المتنبئات الأخرى. وكلما ارتفعت قيمة $R_j^2$ مقتربة من الواحد، تضاعفت قيمة VIF بصورة أسية؛ فقيمة $\text{VIF} = 5$ تعني أن تباين معامل الانحدار قد تضخم بمقدار خمسة أضعاف، بينما تعني قيمة $\text{VIF} = 10$ أن تباين التقدير تضخم بمقدار عشرة أضعاف، وأن $90%$ من تباين هذا المتغير مشترك ومفسر بواسطة بقية المتغيرات المستقلة في النموذج.

3.2 مؤشر التسامح الإحصائي (Tolerance)

يُمثل مؤشر التسامح الإحصائي (Tolerance) الوجه المباشر والمعكوس الحسابي لمعامل تضخم التباين، حيث يُقاس مقدار التباين الفريد والمستقل الذي يحتفظ به المتغير التنبؤي ولا يشاركه مع أي متغير مستقل آخر مدرج في معادلة الانحدار. يُحسب التسامح رياضياً وفق المعادلة البسيطة:

$$\text{Tolerance}_j = 1 – R_j^2 = \frac{1}{\text{VIF}_j}$$

تتراوح قيم مؤشر التسامح دائماً في المدى المحصور بين الصفر والواحد الصحيح ($0 le text{Tolerance} le 1$). تشير القيمة القريبة من الواحد (مثل $0.90$ أو أعلى) إلى أن المتغير يتمتع بدرجة عالية جداً من الاستقلالية التنبؤية وأن التداخل الخطي شبه معدوم. في المقابل، فإن اقتراب قيمة التسامح من الصفر يعكس انخفاضاً حاداً في استقلالية المتغير، مما يعني أن معظم تباينه ممتص من قبل المتغيرات الأخرى في النموذج.

تضع المعايير المنهجية عتبات تحذيرية واضحة للحكم على مستويات التسامح؛ حيث يُعد انخفاض التسامح عن $0.20$ مؤشراً على وجود تعدد خطي محتمل يستوجب الحذر، بينما يُعتبر انخفاضه الحاد إلى ما دون $0.10$ دليلاً قاطعاً على وجود مشكلة تعدد خطي خطيرة وحرجة تستدعي التدخل العلاجي الفوري لتصحيح النموذج.

3.3 مصفوفة الارتباط الثنائي بين المتغيرات المستقلة

يُمثل فحص مصفوفة ارتباط بيرسون الثنائية (Bivariate Pearson Correlation Matrix) الخطوة الاستكشافية الأولى التي يلجأ إليها الباحثون للكشف المبدئي عن التداخلات الخطية بين أزواج المتغيرات المستقلة. يوفر هذا الفحص نظرة سريعة على قوة واتجاه العلاقات الارتباطية المباشرة قبل تشغيل نماذج الانحدار المعقدة.

تعتمد الأدبيات الإحصائية حدوداً فاصلة للتحذير من العلاقات الخطية الثنائية المرتفعة؛ حيث يُعتبر تجاوز معامل الارتباط ($r$) لقيمة $0.70$ إشارة إنذار مبكرة على احتمالية ظهور التعدد الخطي، بينما يُعد تجاوز الارتباط لعتبة $0.80$ أو $0.85$ دليلاً شبه مؤكد على وجود تداخل ثنائي خطير بين المتغيرين المعنيين يؤثر سلباً على تقديرات الانحدار المشتركة.

ومع ذلك، ينطوي الاعتماد الحصري على مصفوفة الارتباط الثنائية على قصور منهجي خطير؛ فالارتباط الثنائي يقتصر على قياس العلاقات بين متغيرين اثنين فقط في كل مرة. ومن ثم، فإنه يعجز تماماً عن كشف “التعدد الخطي المركب” (Multivariate Collinearity) الذي ينشأ عندما يرتبط متغير مستقل معين بتوليفة خطية مشتركة (Linear Combination) مكونة من ثلاثة أو أربعة متغيرات مستقلة أخرى مجتمعة، حتى وإن كانت جميع معاملات الارتباط الثنائية الفردية بينها منخفضة ولا تتجاوز $0.40$ أو $0.50$.

4. إعداد وتجهيز البيانات في برنامج SPSS قبل إجراء الاختبار

4.1 فحص المتغيرات ومستوى القياس

تتطلب الإجراءات الإحصائية السليمة في بيئة برنامج SPSS التأكد المسبق من مطابقة المتغيرات لمستويات القياس الملائمة لتحليل الانحدار الخطي المتعدد. يشترط النموذج الكلاسيكي أن يكون المتغير التابع متصلاً كمياً (Continuous)، مقاساً بمستوى الفترة (Interval) أو النسبة (Ratio)، في حين يمكن للمتغيرات المستقلة أن تكون كمية متصلة أو متقطعة أو رتبية ذات فئات متعددة تعامل معاملة المتغيرات الفترية.

في حال تضمنت الدراسة متغيرات مستقلة نوعية أو فئوية (Categorical Variables) مثل النوع الاجتماعي، أو التخصص الأكاديمي، أو المستوى الاجتماعي الاقتصادي، فإنه يتحتم على الباحث تحويلها إلى “متغيرات وهمية” (Dummy Variables) ذات قيم ثنائية ($0$ و $1$). إذا كان المتغير الفئوي يشتمل على$k$ من الفئات، يجب إنشاء $k-1$ من المتغيرات الوهمية واختيار إحدى الفئات كفئة مرجعية (Reference Category) تُحذف من النموذج تجنباً للوقوع في مصيدة المتغير الوهمي (Dummy Variable Trap) التي تسبب تعدداً خطياً تاماً ومباشراً.

ينبغي مراجعة شاشة عرض المتغيرات (Variable View) في SPSS بدقة متناهية، والتأكد من تحديد نوع القياس الصحيح (Measure) لكل متغير (Scale للمتغيرات الكمية، وNominal للمتغيرات الفئوية والوهمية)، مع كتابة التسميات التوضيحية (Labels) والقيم المقترنة بالترميز (Values) بدقة لضمان وضوح وقابلية قراءة المخرجات الإحصائية اللاحقة.

4.2 تنظيف البيانات ومعالجة القيم المفقودة والشاذة

يُمثل تنظيف البيانات مرحلة محورية تسبق اختبار التعدد الخطي؛ فالقيم الشاذة والمتطرفة (Outliers) سواء كانت أحادية البعد (Univariate) أو متعددة الأبعاد (Multivariate) تمتلك تأثيراً مشوهاً ومضاعفاً على معاملات الارتباط والانحدار، وقد تخلق تعدداً خطياً زائفاً أو تخفي تعدداً خطياً حقيقياً قائماً في البيانات. يمكن الكشف عن القيم الشاذة متعددة الأبعاد بحساب مسافة ماهالانوبيس (Mahalanobis Distance) عبر أوامر الانحدار في SPSS وفحص القيم التي تتجاوز القيمة الحرجة لتوزيع كاي-تربيع عند مستوى معنوية $p < .001$.

كما يجب التعامل المنهجي مع مشكلة البيانات المفقودة (Missing Data)؛ فالاعتماد التلقائي على خيار الحذف حسب الحالة (Listwise Deletion) قد يؤدي إلى فقدان غير مقصود لنسبة كبيرة من عينة الدراسة، مما يقلص حجم العينة بصورة ترفع من حساسية النموذج للتعدد الخطي. يُفضل تطبيق أساليب التعويض الإحصائي المتقدمة مثل التعويض المتعدد (Multiple Imputation) أو خوارزمية تعظيم التوقع (Expectation-Maximization) بعد التحقق من طبيعة الفقد الإحصائي (MCAR أو MAR).

كذلك، ينبغي فحص افتراض اعتدالية التوزيع (Normality) للمتغيرات باستخدام اختباري كولموجروف-سميرنوف (Kolmogorov-Smirnov) وشابيرو-ويلك (Shapiro-Wilk) وفحص الالتواء (Skewness) والتفرطح (Kurtosis)؛ حيث إن الانحرافات الشديدة عن التوزيع الطبيعي تضعف كفاءة مقدرات المربعات الصغرى وتزيد من حساسية النموذج لعدم الاستقرار.

4.3 توسيط المتغيرات (Centering) عند وجود تفاعلات

يُعد توسيط البيانات حول المتوسط الحسابي (Mean Centering) إجراءً وقائياً وتصحيحياً جوهرياً في النماذج الإحصائية التي تشتمل على متغيرات معدلة وتفاعلية ($X_1 \times X_2$) أو قوى جبرية من الدرجة الثانية فأعلى ($X_1^2$). يهدف التوسيط إلى إزالة التعدد الخطي الهيكلي أو المصطنع (Structural Multicollinearity) الناتج بالضرورة الرياضية عن ضرب متغير في متغير آخر دون أن يكون هناك تداخل مفاهيمي حقيقي في الظاهرة المدروسة.

تتم عملية التوسيط في برنامج SPSS باتباع خطوات إجرائية بسيطة عبر نافذة حساب المتغيرات:

• حساب المتوسط الحسابي الدقيق للمتغير المستقل عبر قائمة Analyze > Descriptive Statistics > Descriptives.
• الانتقال إلى قائمة Transform > Compute Variable لإنشاء متغير موسط جديد بطرح المتوسط الحسابي من كل قيمة خام ($X_{\text{centered}} = X – \bar{X}$).
• توليد حد التفاعل الجديد بضرب المتغيرات بعد توسيطها ($X_{1\text{centered}} \times X_{2\text{centered}}$).

يؤدي هذا الإجراء إلى خفض معاملات تضخم التباين المرتبطة بحدود التفاعل من مستويات قد تتجاوز $20$ أو $50$ إلى مستويات آمنة جداً دون التأثير مطلقاً على قيمة معامل التحديد الإجمالي ($R^2$) أو دلالة الأثر التفاعلي، فضلاً عن تسهيل التفسير النفسي للميل البسيط (Simple Slopes).

5. خطوات إجراء اختبار التعدد الخطي في SPSS عبر الانحدار الخطي

5.1 الوصول إلى نافذة الانحدار الخطي وتعيين المتغيرات

يتيح برنامج SPSS الوصول إلى أدوات تشخيص التعدد الخطي المتقدمة بسلاسة من خلال نافذة الانحدار الخطي الرئيسية. للبدء في تنفيذ التحليل، يتبع الباحث المسار الإجرائي القياسي التالي عبر شريط القوائم العلوي:

Analyze > Regression > Linear...

بمجرد فتح نافذة الانحدار الخطي (Linear Regression Dialog)، يقوم الباحث بنقل المتغير التابع المستهدف إلى المربع المخصص له تحت مسمى Dependent. بعد ذلك، يتم تحديد جميع المتغيرات المستقلة المفسرة (سواء كانت متغيرات متصلة أو متغيرات وهمية ثنائية) ونقلها دفعة واحدة إلى صندوق المتغيرات المستقلة Independent(s).

في قائمة طريقة الإدخال Method، يُنصح باختيار طريقة الإدخال المباشر Enter في معظم الأبحاث النفسية لتشخيص النموذج النظري الكامل. على الرغم من أن طرق الانحدار المتدرج (Stepwise) أو الإزالة (Backward/Forward) تُستخدم أحياناً، إلا أن طريقة الإدخال المتزامن هي الأنسب لفحص التعدد الخطي بين مجموعة محددة مسبقاً من المتنبئات دون تدخل خوارزميات الاختيار الآلي التي قد تخفي بعض مظاهر التداخل.

5.2 تفعيل خيارات التشخيص الإحصائي للتعدد الخطي

لتوليد المؤشرات الرقمية الخاصة بالتعدد الخطي، يجب الانتقال إلى نافذة الخيارات الإحصائية المتقدمة بالضغط على زر Statistics… الموجود على الجانب الأيمن من نافذة الانحدار. تفتح هذه الخطوة شاشة فرعية تحتوي على حزمة من الخيارات الإحصائية الحيوية.

في هذه الشاشة، يجب تفعيل الخيارات التالية بعناية فائقة:

• تفعيل خيار Estimates لاستخراج قيم معاملات الانحدار غير المعيارية والمعيارية والأخطاء المعيارية ومستويات الدلالة.
• تفعيل خيار Model fit للحصول على تقييم شامل لجودة توفيق النموذج الإجمالي وجدول تحليل التباين (ANOVA) وقيمة $R^2$.
• تفعيل خيار Collinearity diagnostics وهو الخيار المحوري الإلزامي الذي يوجه البرنامج لاستخراج قيم التسامح (Tolerance)، ومعامل تضخم التباين (VIF)، وجدول التشخيص المتعمق للقيم الذاتية ومؤشرات الحالة ونسب التباين.
• تفعيل خيار Covariance matrix لاستخراج مصفوفة التباين والتغاير بين تقديرات المعاملات، والتي توفر رؤية مدعمة حول الارتباطات بين مقدرات بيتا.

بعد الانتهاء من تحديد هذه الخيارات، يتم الضغط على زر Continue للعودة إلى النافذة السابقة.

5.3 تحديد خيارات الرسوم البيانية الإضافية وحفظ المخرجات

لإجراء تشخيص شامل ومتكامل لجميع افتراضات الانحدار بالتوازي مع التعدد الخطي، يُستحسن الضغط على زر Plots… وضبط الخيارات الرسومية للتحقق من تجانس التباين واعتدالية البواقي. يتم ذلك بنقل المتغير *ZRESID (البواقي المعيارية) إلى المحور الرأسي Y، ونقل المتغير *ZPRED (القيم التنبؤية المعيارية) إلى المحور الأفقي X، مع تفعيل مربعي الاختيار Histogram و Normal probability plot.

كما يتيح زر Save… إمكانية حفظ المتغيرات التشخيصية الجديدة في ملف البيانات مباشرة، مثل مسافات ماهالانوبيس وكوك (Cook’s Distance) والبواقي القياسية، مما يسمح بإجراء فحوص لاحقة للقيم الشاذة والمؤثرة التي قد تتفاعل مع التعدد الخطي لتشويه النموذج.

أخيراً، يتم الضغط على زر Continue ثم النقر على زر OK لتنفيذ التحليل الإحصائي، أو الضغط على Paste لتوليد كود الأمر (Syntax) وحفظه في نافذة الأوامر البرمجية لتوثيق خطوات التحليل وضمان إمكانية تكرارها بدقة في المستقبل.

6. قراءة وتفسير مخرجات التعدد الخطي في SPSS: جدول المعاملات

6.1 فحص أعمدة Collinearity Statistics في جدول Coefficients

عند ظهور شاشات المخرجات في SPSS، يتجه التركيز المباشر لتشخيص التعدد الخطي نحو جدول المعاملات الرئيسي المعنون بـ Coefficients. يظهر في أقصى الجانب الأيمن من هذا الجدول عمودان إضافيان مستخرجان بفضل تفعيل خيار التشخيص، وهما عمودا إحصاءات التعدد الخطي (Collinearity Statistics): عمود Tolerance وعمود VIF.

يبدأ الباحث بفحص عمود التسامح (Tolerance) لكل متغير مستقل على حدة، حيث تتم مقارنة القيمة الإحصائية بالمعايير المقبولة؛ فالقيم التي تتجاوز $0.70$ أو $0.80$ تعكس وضعاً مثالياً واستقلالية ممتازة، بينما تعتبر القيم التي تتراوح بين $0.10$ و $0.40$ مؤشرات على وجود تداخل خطي ملحوظ، والقيم الأقل من $0.10$ تدل على مشكلة حادة.

بالتوازي مع ذلك، يتم تفحص عمود معامل تضخم التباين (VIF)؛ حيث يُعد المتغير آمناً إذا كانت قيمته قريبة من الواحد الصحيح (أقل من $3$ أو $5$). إذا تراوحت قيمة VIF لمتغير معين بين $5$ و $10$، فإن ذلك يستدعي الحذر والمراقبة المنهجية، أما إذا تجاوزت القيمة حاجز $10.0$، فإن ذلك يشخص رسمياً وجود تعدد خطي مفرط يؤثر سلباً على مصداقية نتائج ذلك المتغير داخل النموذج.

6.2 ربط مؤشرات التعدد الخطي بالمعاملات غير المعيارية والمعيارية

يتطلب التحليل الإحصائي الرصين الربط المنهجي بين مؤشرات التعدد الخطي المرتفعة وبقية المعالم التقديرية الواردة في جدول المعاملات. يلاحظ الباحث بشكل مباشر وجود ارتباط طردي وثيق بين ارتفاع قيمة VIF لمتغير ما وبين كبر قيمة خطئه المعياري غير المعياري Std. Error مقارنة بقيمة المعامل نفسه B.

يؤدي تضخم الخطأ المعياري إلى تقليص قيمة معامل بيتا المعياري Standardized Beta بالنسبة لقوة أثره المفترضة، مما ينعكس على عمود الدلالة الإحصائية Sig.. في كثير من الأحيان، قد يجد الباحث متغيراً يمتلك قيمة بيتا معقولة (مثلاً $\beta = 0.22$)، ولكن قيمة Sig. المرتبطة به غير دالة إحصائياً ($p = .185$) بسبب تضخم الخطأ المعياري الناجم عن ارتفاع VIF إلى مستويات تفوق $8.5$.

كما ينبغي التدقيق في إشارات معاملات الانحدار (موجبة أم سالبة) ومقارنتها بالأسس النظرية وفرضيات البحث؛ فظهور إشارة معاكسة لما تؤكده النظريات السيكولوجية والارتباطات الأولية يمثل عرضاً سريرياً إحصائياً لظاهرة التعدد الخطي التي قامت بقلب اتجاه المعامل نتيجة التداخل الشديد مع متغير مفسر آخر.

6.3 أمثلة تطبيقية لتفسير مخرجات جدول المعاملات

لتوضيح سيناريوهات التفسير في التقارير الأكاديمية، نستعرض ثلاثة نماذج واقعية تمثل مستويات متباينة من التعدد الخطي:

الحالة الأولى (نموذج سليم وخالٍ من المشكلات): نموذج يتنبأ بالرضا الحياتي باستخدام متغيرات: الدعم الاجتماعي، وتقدير الذات، والتفاؤل. أظهر جدول المعاملات قيم Tolerance تتراوح بين $0.75$ و $0.88$، وقيم VIF ممتدة بين $1.13$ و $1.33$. التفسير: يتمتع النموذج باستقلالية تامة بين المتنبئات، وجميع التقديرات المعلمية مستقرة تماماً وأخطاؤها المعيارية غير متضخمة، مما يجعل تفسير الدلالة الإحصائية لكل متغير آمناً وموثوقاً.

الحالة الثانية (تعدد خطي متوسط يستوجب المراقبة): نموذج يتنبأ بالتحصيل الدراسي بالاعتماد على: قلق الاختبار، وقلق الرياضيات، والدافعية الأكاديمية. سجل متغير قلق الاختبار تسامحاً قدره $0.18$ ومعامل $\text{VIF} = 5.55$، وسجل قلق الرياضيات تسامحاً قدره $0.19$ ومعامل $\text{VIF} = 5.26$. التفسير: هناك تداخل خطي متوسط إلى مرتفع بين مقياسي القلق، وقد أدى إلى تضخم طفيف في الأخطاء المعيارية، مما يفرض على الباحث مناقشة هذا التداخل بحذر عند تفسير الأثر المنفصل لكل نوع من أنواع القلق.

الحالة الثالثة (تعدد خطي حاد ومعطل للنموذج): نموذج يتنبأ بالأداء المعرفي بالاعتماد على: الدرجة الكلية للذكاء اللفظي، ودرجة الاستيعاب المفاهيمي، ودرجة المفردات اللغوية (حيث المقياسان الأخيران يشكلان في الأصل اختبار الذكاء اللفظي). أظهرت النتائج قيماً لـ Tolerance بلغت $0.06$ و $0.08$، بينما تجاوزت قيم VIF حاجز $16.6$ و $12.5$. التفسير: النموذج يعاني من تعدد خطي كارثي حطم الدلالة الإحصائية للمتغيرات، مما يفرض إلغاء النموذج الحالي وإعادة هيكلته عبر حذف المتغيرات الفرعية أو الاكتفاء بالدرجة الكلية.

7. التشخيص المعمق: جدول تشخيص التعدد الخطي (Collinearity Diagnostics)

7.1 تفسير القيم الذاتية (Eigenvalues)

يقدم جدول Collinearity Diagnostics في مخرجات SPSS تقييماً متقدماً يعتمد على الجبر الخطي وتحليل التحلل الطيفي (Spectral Decomposition) لمصفوفة المتغيرات المستقلة الموحدة. يقسم الجدول تباين النموذج إلى أبعاد خطية متعامدة (Dimensions) بعدد مساوٍ لعدد المتغيرات المستقلة مضافاً إليها المقدار الثابت (Constant).

تمثل القيمة الذاتية (Eigenvalue) لكل بعد مقدار التباين الإجمالي الذي يفسره ذلك البعد الخطي من البيانات الأصلية. في النماذج المثالية الخالية من التعدد الخطي، تتوزع القيم الذاتية بشكل متقارب ومتوازن نسبياً عبر جميع الأبعاد الخطية.

وعلى النقيض من ذلك، فإن ظهور قيم ذاتية شديدة الانخفاض وقريبة جداً من الصفر (مثل $0.01$ أو $0.002$) في الأبعاد الأخيرة يمثل دليلاً قاطعاً على أن المتغيرات المستقلة تشترك في أبعاد خطية مكررة، وأن هناك علاقة خطية شبه تامة تربط بين بعض المتغيرات. يدل عدد القيم الذاتية القريبة من الصفر على عدد العلاقات الخطية المتداخلة التي تسبب مشكلة التعدد الخطي داخل النموذج.

7.2 تحليل مؤشر الحالة (Condition Index)

يُمثل مؤشر الحالة (Condition Index – CI) مقياساً معيارياً متقدماً لحساب درجة عدم الاستقرار العددي في مصفوفة المتغيرات. يُحسب مؤشر الحالة لكل بعد خطي من خلال إيجاد الجذر التربيعي لنسبة أكبر قيمة ذاتية في النموذج ($\lambda_{\max}$) إلى القيمة الذاتية الخاصة بذلك البعد المحدد ($\lambda_k$)، وفق الصيغة الرياضية التالية:

$$\text{Condition Index}_k = \sqrt{\frac{\lambda_{\max}}{\lambda_k}}$$

يمتلك البعد الخطي الأول دائماً مؤشر حالة يساوي $1.00$ نظراً لأن القيمة الذاتية تُقسم على نفسها. ومع انخفاض القيم الذاتية في الأبعاد المتتالية، يرتفع مؤشر الحالة تدريجياً. وتعتمد الأدبيات القياسية (Belsley et al., 1980) القواعد الإرشادية التالية لتقييم خطورة مؤشر الحالة:

• أقل من 15: يشير إلى تماسك رياضي ممتاز وغياب أي مشكلات مقلقة للتعدد الخطي.
• بين 15 و 30: يشير إلى وجود تعدد خطي متوسط إلى قوي يستدعي التحري وفحص نسب التباين بحذر.
• أكبر من 30: يمثل عتبة الخطر الحرج (Severe Collinearity) ويدل على حالة عدم استقرار عددي شديدة في النموذج تجعل المقدرات المعلمية غير موثوقة إحصائياً.

7.3 قراءة نسب التباين (Variance Proportions)

للوصول إلى تشخيص دقيق يحدد المتغيرات المسؤولة تحديداً عن إحداث التعدد الخطي في البعد الذي يعاني من مؤشر حالة مرتفع، يوجه الباحث نظره إلى قسم نسب التباين (Variance Proportions) الملحق بجدول Collinearity Diagnostics. يعرض هذا القسم نسبة تباين معامل كل متغير مستقل المحملة على كل بعد من الأبعاد المشتقة.

تقوم القاعدة المنهجية لتأكيد وجود مشكلة تعدد خطي حرجة على تحقق شرطين متلازمين معاً:

1. أن يمتلك البعد الخطي مؤشر حالة مرتفعاً يتجاوز القيمة الحرجة ($CI > 30$).
2. أن يشترك متغيران مستقلان أو أكثر في امتلاك نسب تباين مرتفعة تتجاوز $0.50$ (أي أكثر من $50%$) محملة على نفس هذا البعد ذي مؤشر الحالة المرتفع.

عند تحقق هذين الشرطين، يتم عزل وتحديد المتغيرات التي اشتركت في نسب التباين العالية كأطراف رئيسية متداخلة تسببت في انهيار استقلالية البعد الخطي. يتيح هذا التشخيص التشريحي الدقيق للباحث معرفة المتغيرات المستهدفة بالتعديل أو الدمج أو الحذف دون الحاجة إلى التخمين أو التعديل العشوائي للمتغيرات السليمة داخل النموذج.

8. استخدام مصفوفة الارتباط ومعاملات التغاير لتأكيد التشخيص

8.1 استخراج مصفوفة الارتباط في SPSS ومراجعة العلاقات البينية

يُعد استخراج مصفوفة الارتباط الثنائية خطوة إجرائية مكملة وضرورية لبناء فهم شامل لشبكة العلاقات البينية بين المتنبئات. يمكن الحصول على هذه المصفوفة في SPSS عبر المسار المباشر:

Analyze > Correlate > Bivariate...

حيث يتم نقل جميع المتغيرات المستقلة إلى قائمة المتغيرات واختيار معامل ارتباط بيرسون (Pearson) واختبار الدلالة ثنائي الطرف (Two-tailed). بعد استخراج الجدول، يقوم الباحث بمسح شامل لجميع قيم معاملات الارتباط ($r$).

تساعد هذه الخطوة في التعرف السريع على المتغيرات الثنائية التي تسجل ارتباطات قوية تقترب من عتبة الخطر ($r ge 0.70$ أو $0.80$). فإذا تطابقت قيم الارتباط الثنائي المرتفعة مع ارتفاع مؤشرات VIF لنفس المتغيرات، فإن ذلك يوفر برهاناً مزدوجاً على أن التعدد الخطي ناشئ عن تداخل مباشر بين هذين المتغيرين بالذات، مما يسهل اتخاذ القرار العلاجي المناسب.

8.2 قراءة مصفوفة التغاير بين المعاملات (Coefficient Correlations Matrix)

تُعد مصفوفة الارتباطات والتغايرات بين المقدرات (Coefficient Correlations / Covariance Matrix) التي تُستخرج عبر تفعيل خيار Covariance matrix في نافذة إحصاءات الانحدار، أداة تشخيصية بالغة العمق والخصوصية. تختلف هذه المصفوفة جوهرياً عن مصفوفة ارتباط المتغيرات الخام؛ فهي تقيس درجة الارتباط والتداخل بين أخطاء تقدير معاملات الانحدار نفسها ($\hat{\beta}$) داخل النموذج التنبؤي.

عند فحص جدول Coefficient Correlations، يبحث الباحث عن الارتباطات السالبة أو الموجبة المرتفعة جداً بين تقديرات المعاملات (مثل قيم تقترب من $-0.70$ أو $-0.90$). يشير الارتباط السالب المرتفع جداً بين مقدري متغيرين إلى أن النموذج يواجه صعوبة بالغة في الفصل بين وزنيهما، بحيث إن أي زيادة عشوائية طفيفة في تقدير معامل المتغير الأول ستعوض بتقدير منخفض بشكل مفرط لمعامل المتغير الثاني.

يكشف هذا التضارب الرياضي في مصفوفة تقديرات المعاملات عن سبب عدم استقرار النموذج وتفسير التباين المشترك، ويقدم دليلاً إضافياً يساند نتائج مؤشرات التسامح ومؤشر الحالة لتأكيد التعدد الخطي البنيوي بين مقدرات المعلمات.

8.3 مقارنة دقة مصفوفة الارتباط مع أدوات التشخيص المتقدمة

على الرغم من سهولة وبساطة فحص مصفوفة الارتباط الثنائية، إلا أنه من الأخطاء الشائعة في الأبحاث الاكتفاء بها لتشخيص التعدد الخطي. توضح المقارنة المنهجية الدقيقة أن مصفوفة الارتباط تعاني من نقطة عمياء رئيسية تتمثل في عجزها عن رصد العلاقات الخطية التراكمية؛ فقد تكون جميع معاملات الارتباط الثنائية بين أربعة متغيرات مستقلة منخفضة وتقع في حدود $0.35$ إلى $0.45$، ومع ذلك يصل معامل تضخم التباين VIF لأحد هذه المتغيرات إلى $12.0$ ومؤشر الحالة إلى $35.0$.

يحدث هذا السيناريو عندما يكون المتغير المستقل الرابع مفسراً بالكامل تقريباً عبر التوليفة المشتركة للمتغيرات الثلاثة الأولى مجتمعة ($R_j^2$ مرتفع جداً)، وهي علاقة مركبة لا يمكن للارتباط الثنائي رصدها منفرداً. لذلك، فإن القاعدة الإحصائية الرصينة تقضي بأن فحص مصفوفة الارتباط الثنائية يُعد شرطاً غير كافٍ وحده، وأن أدوات التشخيص المتقدمة المتمثلة في قيم VIF ومؤشرات الحالة ونسب التباين هي المعيار الحاسم والنهائي لتقييم التعدد الخطي متعدّد المتغيرات.

9. المعايير المنهجية وحدود القطع (Cut-off Values) لاتخاذ القرار

9.1 النقاش الأكاديمي حول الحدود الفاصلة لمعامل تضخم التباين VIF

شهدت الأدبيات الإحصائية نقاشاً أكاديمياً موسعاً حول تحديد العتبات القاطعة (Cut-off Thresholds) للحكم على خطورة معامل تضخم التباين VIF. تاريخياً، اقترحت الأدبيات الإحصائية الكلاسيكية (Neter et al., 1996) اعتماد المعيار الصارم: $\text{VIF} > 10$ (ما يعادل $\text{Tolerance} < 0.10$) كحد فاصل قاطع لوجود تعدد خطي خطير يوجب التدخل وتعديل النموذج.

ومع تطور منهجيات البحث السلوكي والنفسي وزيادة التركيز على الصدق التفسيري للنماذج، تبنى العديد من المنهجيين المعاصرين معايير أكثر تحفظاً وصرامة. يوصي العديد من الإحصائيين باعتماد معيار $\text{VIF} > 5$ (المقابل لـ $\text{Tolerance} 3.3$ أو $4.0$، خاصة في الدراسات ذات العينات المتوسطة والصغيرة.

يرتبط اختيار العتبة المعتمدة بطبيعة البحث؛ ففي النماذج الاستكشافية والمقاييس النفسية المعقدة، قد يتسامح الباحث مع قيم VIF تصل إلى $5.0$، بينما في الدراسات التحققية الدقيقة التي تهدف إلى قياس الأثر السببي النسبي وحساب حجوم التأثير الصافية، فإن تخطي حاجز $3.3$ إلى $5.0$ يمثل تهديداً حقيقياً لدقة الاستنتاجات العلمية.

9.2 معايير التسامح ومؤشر الحالة في الأبحاث النفسية المحكمة

تفرض المجلات العلمية المحكمة ذات معامل التأثير المرتفع معايير صارمة وواضحة للإبلاغ عن مؤشرات التعدد الخطي والتحقق من كفاءة النماذج. يتمثل المعيار المتفق عليه في رفض النماذج التي تتضمن قيماً لمؤشر التسامح تقل عن $0.10$، واعتبار النماذج التي تسجل قيماً بين $0.10$ و $0.20$ نماذج في منطقة الخطر التي تتطلب تبريراً منهجياً مفصلاً وتوثيقاً لحجم تأثير التداخل على الأخطاء المعيارية.

فيما يتعلق بجدول التشخيص المتعمق، تشترط المعايير الأكاديمية دمج مؤشر الحالة (Condition Index) مع نسب التباين المشترك؛ فلا يُكتفى بظهور قيمة $\text{CI} > 30$ لإدانة النموذج، بل يجب أن يقترن ذلك بوجود متغيرين على الأقل تتجاوز نسبة تباين كل منهما $0.50$ على نفس البعد الخطي. إذا تحقق هذا الاقتران، فإن البحث يعتبر النموذج مشوباً بخلل إحصائي يمنع النشر ما لم يقم الباحث بتطبيق معالجة منهجية معتمدة.

9.3 مصفوفة اتخاذ القرار الإحصائي بناءً على تضافر المؤشرات

لتوجيه الباحث نحو اتخاذ القرار الإحصائي السليم والمنهجي، يمكن تصنيف مستويات التعدد الخطي إلى أربعة مستويات رئيسية استناداً إلى تضافر المؤشرات التشخيصية المختلفة، كما هو موضح في مصفوفة القرار التالية:

• المستوى الأول: تعدد خطي معدوم أو طفيف (Negligible): $\text{VIF} 0.33$، $\text{Condition Index} < 15$. الإجراء: النموذج سليم ومستقر تماماً، ويتم تفسير جميع النتائج والمعاملات بثقة كاملة دون الحاجة لأي تعديل.
• المستوى الثاني: تعدد خطي متوسط (Moderate): VIF بين $3$ و $5$، Tolerance بين $0.20$ و $0.33$، CI بين $15$ و $30$. الإجراء: النموذج مقبول إحصائياً، وتكون التقديرات مستقرة بشكل عام، ولكن يوصى بالإبلاغ عن المؤشرات ومناقشة الارتباط البيني في قسم محددات الدراسة.
• المستوى الثالث: تعدد خطي مرتفع (Substantial/High): VIF بين $5$ و $10$، Tolerance بين $0.10$ و $0.20$، CI يتجاوز $30$ مع نسب تباين مشتركة على أبعاد معينة. الإجراء: تتضخم الأخطاء المعيارية بشكل ملحوظ؛ إذا كان الهدف التنبؤ الكلي فقط ($R^2$)، يمكن الإبقاء على النموذج، أما إذا كان الهدف تفسير الأوزان الفردية والمسارات السببية، فإن التدخل العلاجي يصبح واجباً.
• المستوى الرابع: تعدد خطي حرج ومفرط (Severe/Critical): $\text{VIF} > 10$، $\text{Tolerance} 30$ مع نسب تباين مشتركة $> 0.50$ لمتغيرين أو أكثر. الإجراء: النموذج معطل إحصائياً وتفسيراته مضللة؛ التدخل العلاجي إلزامي عبر حذف المتغيرات المسببة، أو دمجها، أو التحول إلى أساليب انحدار بديلة.

10. استراتيجيات معالجة وتصحيح التعدد الخطي في SPSS

10.1 حذف المتغيرات الزائدة أو دمجها

تُمثل استراتيجية حذف أحد المتغيرات المتداخلة الحل الأكثر بساطة ومباشرة للتعامل مع التعدد الخطي، ولكن ينبغي ألا يتم الحذف بصورة عشوائية أو ميكانيكية. عند اكتشاف ارتباط مرتفع جداً بين متغيرين (مثل $\text{VIF} > 10$)، يقوم الباحث بالمفاضلة بينهما استناداً إلى الأهمية النظرية، ومستوى الصدق والثبات للمقياس، وجودة القياس الميداني، فيتم الإبقاء على المتغير الأكثر ارتباطاً بالأسس النظرية للمشكلة وحذف المتغير الآخر الذي يقدم معلومات إحصائية مكررة.

كبديل منهجي متفوق على الحذف، يلجأ الباحثون إلى “دمج المتغيرات” (Variable Aggregation) في مؤشر كلي مركب. إذا كان المتغيران يقيسان بُعدين متقاربين لمفهوم سيكولوجي واحد (مثل “القلق المعرفي” و”القلق الجسدي”)، يمكن دمجهما في متغير جديد يسمى “القلق العام” بحساب المتوسط الحسابي أو المجموع التراكمي لدرجاتهما عبر نافذة Transform > Compute Variable في SPSS.

بعد تطبيق الحذف أو الدمج، يتم إعادة تشغيل نموذج الانحدار الخطي ومقارنة النتائج؛ حيث يلاحظ الباحث عادة انخفاضاً دراماتيكياً في قيم VIF إلى الحدود الآمنة، واستقراراً فورياً في الأخطاء المعيارية، وظهور الدلالة الإحصائية الحقيقية للمتغيرات المتبقية، مع الحفاظ تقريباً على نفس القوة التفسيرية الإجمالية للنموذج ($R^2$).

10.2 استخدام التحليل العاملي وتحليل المكونات الأساسية (PCA)

يُمثل تحليل المكونات الأساسية (PCA – Principal Component Analysis) أو التحليل العاملي الاستكشفي (EFA) حلاً إحصائياً أنيقاً وجذرياً لمعالجة مشكلات التعدد الخطي في مصفوفات البيانات الكبيرة والمتشابكة، حيث يقوم بتحويل مجموعة المتغيرات المستقلة المترابطة إلى مجموعة جديدة من المتغيرات الاصطناعية غير المترابطة إطلاقاً تسمى المكونات الأساسية (Components).

تتضمن خطوات تطبيق هذا الأسلوب في برنامج SPSS ما يلي:

• الانتقال إلى قائمة Analyze > Dimension Reduction > Factor... ونقل المتغيرات المستقلة المتداخلة.
• في نافذة Extraction، اختيار طريقة استخراج المكونات الأساسية (Principal Components).
• في نافذة Rotation، اختيار طريقة التدوير المتعامد (Varimax) لضمان الاستقلالية التامة بين العوامل الناتجة.
• في نافذة Scores، تفعيل خيار حفظ الدرجات العاملية كمتغيرات جديدة في ملف البيانات (Save as variables) باختيار طريقة الانحدار (Regression).

يقوم برنامج SPSS بإنشاء متغيرات جديدة في ورقة البيانات تمثل درجات العوامل المتعامدة المستخرجة ($FAC1_1, FAC2_1, dots$). تتميز هذه الدرجات العاملية بأن معامل الارتباط البيني بينها يساوي صفراً تماماً ($r = 0.00$). عند استخدام هذه العوامل الجديدة كمتغيرات مستقلة في نموذج الانحدار الخطي، يحصل الباحث على قيم VIF تساوي تماماً $1.00$ وقيم Tolerance تساوي $1.00$، مما يقضي على التعدد الخطي بشكل مطلق ويحافظ على التباين المشترك للبيانات.

10.3 زيادة حجم العينة وجمع بيانات جديدة

تسهم زيادة حجم العينة في تقليص الآثار السلبية للتعدد الخطي من الناحية الرياضية؛ فالأخطاء المعيارية لمعاملات الانحدار تتناسب عكسياً مع الجذر التربيعي لحجم العينة ($\sqrt{N}$). وبالتالي، فإن جمع بيانات إضافية وتوسيع حجم العينة يؤدي إلى تقليل التباين التقديري لمعاملات بيتا ويضيق فترات الثقة، مما يعوض جزئياً التضخم الناجم عن التعدد الخطي.

بالإضافة إلى ذلك، فإن استقطاب عينة أوسع وأكثر تنوعاً جغرافياً أو ديموغرافياً يساعد على كسر الارتباطات المصطنعة التي قد تنشأ من التجانس الشديد للعينة المحدودة، مما يتيح تباينات أوسع للمتغيرات المستقلة في مجالات القياس المختلفة.

ومع ذلك، تجدر الإشارة إلى أن هذا الحل يمتلك حدوداً واضحة؛ فإذا كان التعدد الخطي ناتجاً عن ارتباط بنيوي ومفاهيمي متأصل بين المتغيرات (Structural Overlap)، فإن زيادة حجم العينة لن تغير من قيمة معامل التحديد الجزئي بين المتنبئات ($R_j^2$) ولن تخفض قيمة VIF، مما يجعل الحلول البنيوية (كالدمج أو التحليل العاملي) هي الخيار الأنسب في هذه الحالة.

10.4 الاعتماد على نماذج الانحدار البديلة

عندما تتعذر معالجة التعدد الخطي بالأساليب التقليدية بسبب ضرورة الاحتفاظ بجميع المتغيرات المستقلة بصورتها المنفردة بناءً على متطلبات نظرية صارمة، يلجأ الباحثون إلى أساليب الانحدار المعلمية المنتظمة (Regularized Regression) والبدائل الإحصائية المتقدمة. يأتي في مقدمة هذه الأساليب انحدار الحافة (Ridge Regression)، الذي يتعامل مع التعدد الخطي بإضافة مقدار ضئيل من التحيز الرياضي (معلمة الجزاء $lambda$) إلى العناصر القطرية لمصفوفة التغاير ($X^T X + \lambda I$)، مما يلغي شذوذ المصفوفة ويؤدي إلى خفض هائل في تباين المقدرات واستقرار قيم المعاملات.

كما يُعد انحدار اللاسو (Lasso Regression) بديلاً متقدماً يجمع بين معالجة التعدد الخطي وانتقاء المتغيرات آلياً؛ حيث يقوم بتقليص معاملات المتغيرات الزائدة وغير المؤثرة وصولاً إلى تصفيرها تماماً وحذفها من النموذج، مما يبقي فقط على المتغيرات الأكثر فاعلية واستقلالية.

ويُعد أسلوب انحدار المربعات الصغرى الجزئية (PLS-Regression) حلاً استثنائياً للتعامل مع البيانات التي تحتوي على عدد كبير من المتغيرات المتداخلة ذات الارتباطات المعقدة، حيث يقوم بدمج مزايا تحليل المكونات الأساسية والانحدار الخطي المتعدد لنمذجة العلاقات التنبؤية بكفاءة رياضية متناهية تضمن استقرار النتائج وموثوقيتها.

11. تطبيق عملي خطوة بخطوة: دراسة حالة في علم النفس التربوي

11.1 عرض فرضية البحث ومتغيرات العينة

لتطبيق المفاهيم والإجراءات السابقة بشكل عملي متكامل، نفترض إجراء دراسة ميدانية في علم النفس التربوي تهدف إلى التنبؤ بـ “التحصيل الأكاديمي النهائي” ($Y$) لدى عينة مكونة من$N = 250$ طالباً في المرحلة الجامعية. اعتمدت الدراسة على أربعة متغيرات مستقلة مقاسة بمقاييس سيكومترية مقننة ذات فترات متصلة، وهي:

• ساعات الاستذكار الأسبوعية ($X_1$ – Study Hours): عدد الساعات الفعلية المخصصة للمذاكرة الفردية.
• عدد الاختبارات التجريبية المنجزة ($X_2$ – Mock Exams): عدد نماذج الامتحانات التجريبية التي تدرب عليها الطالب ذاتياً.
• الفعالية الذاتية الأكاديمية ($X_3$ – Academic Self-Efficacy): مقياس يقيس ثقة الطالب في قدراته المعرفية والتحصيلية.
• قلق الاختبار ($X_4$ – Test Anxiety): مقياس يقيس مستوى الاستثارة الانفعالية السلبية المصاحبة للامتحانات.

تنص الفرضية البحثية الرئيسية على أن: “المتغيرات الأربعة المستقلة تسهم مجتمعة وبشكل فريد ودال إحصائياً في التنبؤ بمستوى التحصيل الأكاديمي النهائي لدى الطلاب”.

11.2 تنفيذ الإجراءات الإحصائية في SPSS وعرض شاشات المخرجات

تم إدخال البيانات في برنامج SPSS، واتباع الخطوات الإجرائية المعيارية: الانتقال إلى Analyze > Regression > Linear، وتعيين التحصيل الأكاديمي في صندوق Dependent، وتعيين المتغيرات الأربعة في صندوق Independent(s)، وتفعيل خيارات Model fit، و Estimates، و Collinearity diagnostics في قائمة Statistics.

أظهرت المخرجات الإحصائية الأولية جودة توفيق كلية ممتازة للنموذج؛ حيث بلغت قيمة معامل التحديد $R^2 = 0.62$، وقيمة اختبار فاء المحسوبة $F(4, 245) = 99.88$ بدلالة إحصائية فائقة ($p < .001$). ومع ذلك، عند تفحص جدول المعاملات (Coefficients) وجدول Collinearity Diagnostics، ظهرت المؤشرات التشخيصية الواردة تفصيلاً في الجدول التالي:

المتغير المستقل (Predictor)	المعامل غير المعياري ($B$)	الخطأ المعياري ($SE$)	المعامل المعياري ($\beta$)	قيمة $t$	مستوى الدلالة ($p$)	التسامح (Tolerance)	تضخم التباين (VIF)
المقدار الثابت (Constant)	42.15	4.32	—	9.76	< .001	—	—
ساعات الاستذكار ($X_1$)	0.48	0.38	0.14	1.26	.208	0.078	12.82
الاختبارات التجريبية ($X_2$)	0.62	0.45	0.16	1.38	.169	0.082	12.20
الفعالية الذاتية ($X_3$)	0.35	0.07	0.38	5.00	< .001	0.745	1.34
قلق الاختبار ($X_4$)	-0.28	0.06	-0.31	-4.67	< .001	0.812	1.23

كما أظهر جدول تشخيص التعدد الخطي (Collinearity Diagnostics) أن البعد الخطي الأخير (Dimension 5) سجل مؤشر حالة حرجاً بلغ $\text{Condition Index} = 34.65$، واشترك متغيرا ساعات الاستذكار والاختبارات التجريبية في نسب تباين بلغت $0.88$ و $0.84$ على التوالي على نفس هذا البعد.

11.3 التحليل النقدي للنتائج وتطبيق الإجراء التصحيحي

يكشف التحليل النقدي للمخرجات السابقة بوضوح عن وقوع النموذج في فخ التعدد الخطي الحاد والمضلل. على الرغم من أن النموذج الكلي يفسر $62%$ من التباين بدلالة عالية، إلا أن كلاً من “ساعات الاستذكار” و”الاختبارات التجريبية” ظهرا كمتغيرين غير دالين إحصائياً ($p = .208$ و $p = .169$) على الرغم من أهميتهما النظرية، وذلك بسبب تضخم خطئهما المعياري الناتج عن ارتفاع قيم VIF لتتجاوز $12.0$ وانخفاض التسامح لما دون $0.08$.

أكدت نسب التباين في جدول مؤشر الحالة أن هذين المتغيرين يمثلان في الواقع مقياسين لمفهوم سلوكي واحد وهو “الجهد الأكاديمي المنبذول”. وبناءً عليه، تم اتخاذ الإجراء التصحيحي بدمج المتغيرين في مقياس مركب موحد يُدعى “مؤشر الجهد والجاهزية الأكاديمية” بعد تحويل الدرجات إلى درجات معيارية ($Z\text{-scores}$) وحساب متوسطهما.

تمت إعادة تشغيل نموذج الانحدار الخطي باستخدام المتغير المركب الجديد مع الإبقاء على الفعالية الذاتية وقلق الاختبار. أظهرت النتائج المصححة استقراراً مثالياً للنموذج؛ حيث احتفظ النموذج بقدرته التفسيرية العالية ($R^2 = 0.615$)، وهبطت جميع قيم VIF إلى ما دون $1.30$ وتجاوزت قيم التسامح $0.78$، وتحول متغير الجهد الأكاديمي المركب إلى متغير دال إحصائياً بقوة ($beta = 0.32, t = 5.88, p < .001$)، مما يعكس الأثر الحقيقي للمتغير بعد تحريره من تشويه التعدد الخطي.

12. أفضل الممارسات والتوثيق الأكاديمي لنتائج التعدد الخطي في التقارير والأطروحات

12.1 كيفية كتابة نتائج اختبار التعدد الخطي وفق دليل APA (الإصدار السابع)

تقتضي معايير دليل النشر العلمي لجمعية علم النفس الأمريكية (APA 7th Edition) تضمين فقرة مخصصة ومحكمة لفحص افتراضات الانحدار الخطي في مستهل قسم النتائج (Results Section) قبل الخوض في تفسير الفرضيات. يجب الإبلاغ عن القيم الرقمية الدقيقة لمؤشرات التعدد الخطي بصياغة واضحة ومهنية.

نستعرض فيما يلي نموذجاً معيارياً معتمداً لصياغة فقرة التحقق من التعدد الخطي في الأطروحات والأبحاث النفسية المحكمة:

“قبل إجراء تحليل الانحدار الخطي المتعدد لاختبار فرضيات الدراسة، تم التحقق من استيفاء افتراض عدم وجود التعدد الخطي (Multicollinearity) بين المتغيرات المستقلة. أظهرت مصفوفة الارتباط الثنائية بين المتنبئات معاملات ارتباط بيرسون تراوحت بين $r = .21$ و $r = .54$، وجميعها دون العتبة الحرجة المحددة بـ $.70$. كما كشف الفحص الدقيق لإحصاءات التعدد الخطي الملحقة بجدول المعاملات عن تراوح قيم مؤشر التسامح (Tolerance) بين $0.68$ و $0.89$، وجميعها تفوق بشكل ملحوظ الحد الأدنى المقبول وهو $0.20$. وتراوحت قيم معامل تضخم التباين (VIF) بين $1.12$ و $1.47$، وهي قيم تقع تماماً دون العتبة التحذيرية الصارمة ($5.0$) والعتبة التقليدية ($10.0$). بالإضافة إلى ذلك، سجل أعلى مؤشر حالة (Condition Index) في جدول التشخيص المتعمق قيمة بلغت $14.22$ مع عدم وجود نسب تباين مشتركة تفوق $.50$ على بعد واحد. تؤكد هذه المؤشرات تضافر الأدلة الإحصائية على سلامة النموذج واستيفائه التام لافتراض استقلالية المتنبئات، مما يضمن استقرار التقديرات المعلمية ودقة اختبارات الدلالة الإحصائية.”

12.2 تصميم جداول النتائج الإحصائية وتضمين المؤشرات التشخيصية

وفقاً لإرشادات APA 7، يُفضل دمج مؤشرات التعدد الخطي الأساسية (Tolerance و VIF) ضمن الجدول الرئيسي لنتائج الانحدار المتعدد، وذلك لتقديم تقرير متكامل وشامل يسهل على المحكمين والقراء تقييم جودة النمذجة الإحصائية دون إثقال متن التقرير بجداول فرعية زائدة.

يوضح الجدول الأكاديمي المعياري أدناه كيفية التوثيق السليم والشامل للنتائج الإحصائية في الأبحاث النفسية والتربوية:

جدول 1: نتائج تحليل الانحدار الخطي المتعدد ومؤشرات التعدد الخطي للتنبؤ بالتحصيل الأكاديمي ($N = 250$)

المتغير المستقل	$B$	$SE B$	$\beta$	$t$	$p$	$95% text{ CI}$	Tolerance	VIF
المقدار الثابت	44.50	3.85	—	11.56	< .001	[36.91, 52.09]	—	—
الجهد الأكاديمي المركب	0.54	0.09	0.33	6.00	< .001	[0.36, 0.72]	0.81	1.23
الفعالية الذاتية	0.34	0.06	0.37	5.67	< .001	[0.22, 0.46]	0.79	1.27
قلق الاختبار	-0.27	0.05	-0.30	-5.40	< .001	[-0.37, -0.17]	0.85	1.18

ملاحظة: $R^2 = .615$ (معدل $R^2 = .610$), $F(3, 246) = 131.05, p < .001$. $B$ = المعامل غير المعياري؛ $SE B$ = الخطأ المعياري للمعامل؛ $\beta$ = المعامل المعياري؛ $\text{CI}$ = فترة الثقة؛ Tolerance = مؤشر التسامح؛ VIF = معامل تضخم التباين.

12.3 أخطاء شائعة يجب تجنبها عند اختبار التعدد الخطي في SPSS

يقع العديد من الباحثين في مجموعة من المزالق والأخطاء المنهجية المتكررة أثناء التعامل مع التعدد الخطي في بيئة SPSS، ومن أبرز هذه الأخطاء التي ينبغي تجنبها بوعي كامل:

• الاعتماد الحصري والمطلق على مصفوفة الارتباط الثنائي: تجاهل قيم VIF والتسامح والاكتفاء بفحص ارتباطات بيرسون الثنائية، مما يؤدي إلى الفشل في رصد التعدد الخطي متعدد الأبعاد الناتج عن توليفات المتغيرات المجتمعة.
• الحذف التلقائي والمتسرع للمتغيرات: الإقدام على حذف متغيرات مستقلة ذات ثقل نظري جوهري بمجرد تسجيلها لقيمة VIF أعلى بقليل من $3.0$ دون تقييم أثر الحذف على صدق المحتوى النظري للنموذج، متجاهلين حلولاً أكثر كفاءة كالدمج أو التوسيط.
• تجاهل التعدد الخطي وتفسير أوزان بيتا مباشرة: القفز مباشرة لمناقشة الدلالة الإحصائية لقيم بيتا وأثرها في اختبار الفرضيات رغم وجود مؤشرات VIF تتجاوز $10.0$، مما يؤدي إلى تبني استنتاجات علمية باطلة وغير قابلة للتكرار.
• الخلط المفاهيمي بين التعدد الخطي ومشكلات التباين الأخرى: الخلط بين مشكلة التعدد الخطي (الارتباط بين المتغيرات المستقلة) ومشكلة عدم تجانس تباين البواقي (Heteroscedasticity) أو الارتباط الذاتي للأخطاء (Autocorrelation)، ومحاولة تطبيق حلول إحصائية غير متطابقة مع طبيعة الخلل القائم.
• عدم توسيط المتغيرات التفاعلية: تضمين حدود التفاعل وقوى المتغيرات في نماذج الانحدار المتقدمة دون إجراء التوسيط الحسابي المسبق ($X – \bar{X}$)، مما يولد تعدداً خطياً مصطنعاً يشوه نتائج النموذج ويفقد الباحث القدرة على تفسير التأثيرات البسيطة بدقة.

خاتمة

يُمثل التحقق الدقيق من افتراض عدم وجود التعدد الخطي في برنامج SPSS ركيزة أساسية لا غنى عنها لضمان الجودة الإحصائية والصدق المنهجي لنتائج تحليل الانحدار الخطي المتعدد في البحوث النفسية والتربوية والاجتماعية. إن التعامل الواعي مع مؤشرات التشخيص المتقدمة—بدءاً من معامل تضخم التباين (VIF) ومؤشر التسامح (Tolerance)، مروراً بتحليل القيم الذاتية ومؤشرات الحالة ونسب التباين—يمكن الباحث من استكشاف بنية البيانات المعقدة وعزل التأثيرات الفريدة للمتغيرات بدقة متناهية.

إن إتقان استراتيجيات المعالجة المنهجية، سواء عبر دمج المتغيرات المتداخلة، أو تطبيق تقنيات تحليل المكونات الأساسية (PCA)، أو التحول إلى نماذج الانحدار المنتظمة (Ridge/Lasso)، مع الالتزام الصارم بمعايير التوثيق الأكاديمي وفق دليل APA (الإصدار السابع)، يضمن بناء نماذج تنبؤية وتفسيرية متينة تساهم بفاعلية في تطوير المعرفة السيكولوجية وتقديم توصيات تطبيقية موثوقة ومستندة إلى براهين إحصائية راسخة.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Belsley, D. A., Kuh, E., & Welsch, R. E. (1980). 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://www.routledge.com/Applied-Multiple-RegressionCorrelation-Analysis-for-the-Behavioral-Sciences/Cohen-Cohen-West-Aiken/p/book/9780805822236
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications. https://edge.sagepub.com/field5e
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning. https://www.cengage.com
• IBM Corporation. (2023). IBM SPSS Statistics for Windows, Version 29.0. IBM Corp. https://www.ibm.com/products/spss-statistics
• Neter, J., Kutner, M. H., Nachtsheim, C. J., & Wasserman, W. (1996). Applied linear statistical models (4th ed.). Irwin.
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com