كيفية استخدام دالة regsubsets() في لغة R لاختيار النموذج

تُعد عملية اختيار النموذج الإحصائي الأمثل (Model Selection) من الركائز المنهجية الجوهرية في التحليل الإحصائي الحديث، حيث يقف الباحث الأكاديمي والمحلل المتقدم أمام معضلة إبستمولوجية ورياضية كلاسيكية تتمثل في الموازنة الدقيقة بين تعقيد النموذج وقدرته التفسيرية من جهة، وبساطته وقابليته للتعميم التنبؤي من جهة أخرى. في سياق نماذج الانحدار الخطي المتعدد (Multiple Linear Regression)، لا تعني زيادة المتغيرات التفسيرية بالضرورة تحسين جودة الاستدلال العلمي؛ بل قد تؤدي الإضافات العشوائية إلى الوقوع في فخ الإفراط في التخصيص أو الملاءمة الزائدة (Overfitting)، وتضخيم التباين المقدر، وتشتيت الانتباه عن العلاقات السببية أو التنبؤية الحقيقية الكامنة وراء الظواهر المدروسة.

ولمعالجة هذه الإشكالية، طُوّرت خوارزميات رياضية استكشافية متقدمة تهدف إلى فحص الفضاء التبادلي للمتغيرات لاختيار أفضل مجموعة فرعية (Best Subset Selection). وتبرز في بيئة الحوسبة الإحصائية R دالة regsubsets() كأداة معيارية فائقة الكفاءة مستمدة من حزمة leaps. لا تقتصر هذه الدالة على إجراء انحدارات خطوة بخطوة فحسب، بل تعتمد في جوهرها على خوارزميات دقيقة تستند إلى شجرة التفرع والحد للوصول إلى النماذج المثلى لكل بُعد من أبعاد المتغيرات، مما يمنح الباحث أساساً رصيناً للمفاضلة وفق معايير نظرية وإحصائية صارمة.

يأتي هذا الدليل التخصصي الشامل لتقديم قراءة معمقة وتطبيقية متكاملة لكيفية توظيف دالة regsubsets() في لغة R؛ حيث سنفكك الأسس الرياضية والخوارزمية الكامنة خلفها، ونستعرض خطوات التنفيذ البرمجي خطوة بخطوة باستخدام بيانات معيارية واقعية، وصولاً إلى استخراج المؤشرات التشخيصية والمفاضلة بين المعايير المتباينة، وفحص افتراضات الانحدار، مع إبراز أفضل الممارسات المنهجية التي تضمن دقة التحليل وقابليته للتكرار العلمي الصارم.

1. مقدمة إلى اختيار النماذج الإحصائية وأهمية دالة regsubsets()

1.1 مفهوم اختيار المتغيرات وتحديد أفضل مجموعة فرعية

يمثل اختيار المتغيرات (Variable Selection) أحد أكثر المباحث حساسية في بناء النماذج القياسية؛ إذ يسعى الباحث دوماً إلى تحقيق مبدأ البساطة العلمية أو ما يُعرف في الأدبيات الفلسفية والإحصائية بـ “شفرة أوكام” (Occam’s Razor) ومبدأ الشح العلمي (Parsimony). يفترض هذا المبدأ أن النموذج الأبسط الذي يفسر القدر الكافي من تباين الظاهرة المدروسة هو دوماً النموذج المتفوق علمياً مقارنة بنموذج بالغ التعقيد يضيف عدداً كبيراً من المعلمات دون فائدة تفسيرية جوهرية. في الواقع العملي، يؤدي التمادي في حشو النموذج بمتغيرات مستقلة غير جوهرية إلى التضحية بدرجات الحرية (Degrees of Freedom)، ويزيد من احتمالية الارتباط البيني العالي بين المتنبئات، مما يرفع من الخطأ المعياري للتقديرات ويفضي إلى نماذج هشة إحصائياً تعجز عن التنبؤ الدقيق عند تعريضها لبيانات جديدة خارج عينة التدريب الأصلية.

يتجلى التحدي الأساسي في الموازنة الحاسمة بين التحيز والتباين (Bias-Variance Tradeoff)؛ فالنماذج المختصرة جداً قد تعاني من خطأ الحذف (Omitted Variable Bias) مما يزيد من تحيز التقديرات، بينما النماذج الشاملة لجميع المتغيرات المتاحة تعاني من تباين مرتفع جداً يجعل تنبؤاتها متقلبة وغير مستقرة. ومن هنا تبرز المنهجية الإحصائية لاختيار “أفضل مجموعة فرعية” (Best Subset Selection)، والتي تقوم على فكرة مفاهيمية واضحة: البحث في جميع التشكيلات الرياضية المحتملة من المتغيرات المستقلة بأحجام مختلفة ($k = 1, 2, dots, p$)، وتحديد النموذج الذي يقلل من مجموع مربعات البواقي (Residual Sum of Squares – RSS) لكل حجم، ليتمكن الباحث لاحقاً من المقارنة بين هذه النماذج المختصرة عالية الكفاءة واختيار النموذج المتوازن والأمثل.

1.2 دور حزمة leaps ودالة regsubsets() في بيئة R

في بيئة الحوسبة الإحصائية R، تتربع حزمة leaps، التي طورها وصانها الإحصائي البارز توماس لوملي (Thomas Lumley)، على قمة الأدوات البرمجية المخصصة لتنفيذ اختيار أفضل مجموعة فرعية ونمذجة الانحدار الخطي المتعدد. تعتمد هذه الحزمة في نواتها البرمجية على شيفرات مكتوبة بلغة فورتران (Fortran) قام بصياغتها آلان ميلر (Alan Miller)، وهي ترتكز رياضياً على الخوارزمية الشهيرة عالمياً المعروفة باسم خوارزمية “القفزات والحدود” (Leaps and Bounds) التي اقترحها جورج فيرنيفال وروبرت ويلسون جونيور في ورقتهما المرجعية المنشورة عام 1974 في دورية Technometrics بعنوان “Regressions by Leaps and Bounds”.

تكمن الوظيفة الرياضية الأساسية لدالة regsubsets() في استكشاف الفضاء الاحتمالي للمتغيرات بكفاءة خارقة للعادة؛ فبدلاً من اللجوء إلى الحساب الساذج (Brute Force) لجميع النماذج الممكنة البالغ عددها $2^p$ (والذي يصبح مستحيلاً حوسبياً مع زيادة المتغيرات)، تستخدم الدالة بنية شجرية ذكية لمصفوفة الجداءات المتقاطعة تمكنها من تخطي مسارات وفروع كاملة من الحسابات الرياضية غير المجدية بمجرد التيقن الرياضي من أن تلك الفروع لن تقدم مجموع مربعات بواقي أقل من أفضل نموذج تم رصده مسبقاً. هذه الآلية تمنح دالة regsubsets() تفوقاً ساحقاً على طرق انحدار الخطوات التتابعية التقليدية (Stepwise Regression)، التي تعتمد على قرارات محلية آنية (Greedy Approach) قد تؤدي إلى الوقوع في نهايات صغرى محلية تفشل في اقتناص النموذج الأفضل على المستوى الكلي.

1.3 الفوائد المنهجية لاختيار النماذج في البحوث الإحصائية والسلوكية

تمتد التطبيقات المنهجية لاختيار النماذج عبر دالة regsubsets() لتشمل طيفاً واسعاً من العلوم الاجتماعية والسلوكية والطبية الحيوية، حيث يواجه الباحثون عادة منظومات معقدة من المتغيرات المتداخلة ذات التوزيعات المتباينة. في الدراسات السلوكية والنفسية، على سبيل المثال، قد يُجمع عشرات المؤشرات لقياس الأداء المعرفي أو السمات الشخصية أو المتغيرات اللغوية والبيئية. وقد أشار باحثون مثل Haman et al. (2017) إلى تعقد المؤشرات السلوكية واللغوية لدى الأطفال متعددي اللغات، مؤكدين على ضرورة الضبط الإحصائي الدقيق لعزل المتغيرات الدخيلة وتحديد المتغيرات ذات الإسهام الحقيقي المستقل في تفسير الأداء.

كذلك تبرز الحاجة إلى ضبط أخطاء التقدير والتحكم في التباين في الدراسات الميدانية الواسعة التي تتناول أنماط الحياة والاضطرابات النفسية؛ كما هو موضح في أبحاث De Boni et al. (2020) حول تأثيرات الضغوط النفسية وأسلوب الحياة، حيث يساعد تقليص النموذج على استبعاد المتغيرات المشوشة والضوضاء الإحصائية، مما يتيح للأكاديمي التركيز على المسارات التفسيرية الجوهرية ذات الأهمية النظرية المباشرة، بدلاً من الغرق في تباينات عشوائية ناتجة عن خصوصيات العينة الخاضعة للدراسة.

2. المتطلبات الأساسية وتثبيت حزمة leaps في بيئة R

2.1 تثبيت وتحميل حزمة leaps في بيئة RStudio

لبدء العمل مع اختيار النماذج المتقدم في لغة R، يتعين على المستخدم التأكد من تنصيب حزمة leaps من المستودع الرسمي للحزم الإحصائية (CRAN). تُعد هذه الحزمة خفيفة الوزن وسريعة التثبيت نظراً لعدم اعتمادها على حزم وسيطة معقدة وضخمة الحجم، ولكنها تعتمد داخلياً على مترجمات فورتران القياسية المدمجة في بيئات R الحديثة سواء على أنظمة تشغيل Windows أو macOS أو Linux.

يتم تثبيت الحزمة عبر كتابة الأمر المعياري في منصة الأوامر داخل بيئة RStudio:

install.packages("leaps")

عقب إتمام عملية التحميل والبناء البرمجي بنجاح، يجب استدعاء الحزمة إلى مساحة العمل النشطة باستخدام دالة التحميل المألوفة:

library(leaps)

من المهم بمكان فحص التوافقية؛ فحزمة leaps متوافقة مع كل إصدارات R الحالية، ونادراً ما تواجه أية مشكلات اعتمادية برمجية (Dependency issues)، مما يجعلها خياراً مستقراً وموثوقاً به للمشاريع البحثية طويلة الأمد والتحليلات الأكاديمية الصارمة.

2.2 استعراض البنية البرمجية والمدخلات الأساسية لدالة regsubsets()

تمتلك دالة regsubsets() واجهة مرنة ومتعددة الوسائط، حيث تتيح صياغة النموذج إما عبر صيغة المعادلات الإحصائية الرمزية القياسية (S3 Formula Interface)، أو عبر تمرير مصفوفة المتغيرات المستقلة ومصفوفة المتغير التابع بصورة منفصلة كمدخلات جبرية ($x$ و $y$). يمثل الشكل الأول (صيغة المعادلة) الأسلوب الأكثر شيوعاً في الاستخدام التطبيقي نظراً لوضوحه الإنشائي وتوافقه مع البنية الدلالية لدوال النمذجة الكلاسيكية في R مثل lm().

تتضمن البنية العامة للدالة المعاملات التالية ذات الأهمية القصوى:
الوسيط formula لتحديد المعادلة الخطية المعبرة عن علاقة المتغير التابع بمجموعة المتغيرات المستقلة المفترضة، والوسيط data لربط الدالة بإطار البيانات التحليلي (Data Frame). بالإضافة إلى ذلك، نجد وسائط استراتيجية تتحكم في مسار المعالجة الحاسوبية؛ ومن أبرزها الوسيط nvmax الذي يحدد الحد الأقصى لعدد المتغيرات المستقلة المسموح بتضمينها في النماذج الفرعية المفحوصة (وقيمته الافتراضية محددة بـ 8 متغيرات فقط)، والوسيط method الذي يحدد الخوارزمية الرياضية للبحث (“exhaustive” أو “forward” أو “backward” أو “seqrep”)، والوسيط المنطقي really.big الذي يجب تفعيله في حال تجاوز عدد المتغيرات 50 متغيراً لتنبيه البرنامج بتخطي قيود الذاكرة الاحترازية.

2.3 فحص جاهزية البيانات للاختبارات الإحصائية

قبل الشروع في تمرير البيانات إلى دالة regsubsets()، ثمة متطلبات إحصائية ومنهجية بالغة الحرج يجب التحقق منها بدقة لضمان موثوقية النتائج. تتمثل الخطوة الأولى في تفحص أنواع المتغيرات ومستويات القياس؛ حيث تتعامل الدالة بسلاسة مع المتغيرات الكمية المستمرة والمتغيرات الثنائية (Dummy Variables). وفي حال وجود متغيرات فئوية ذات مستويات متعددة (Factors)، تقوم الدالة آلياً بتفكيكها إلى متغيرات وهمية منفصلة بمقدار ($k – 1$) مستوى، مع ملاحظة منهجية جوهرية تتمثل في أن الخوارزمية تعامل كل مستوى منفصل كمتغير مستقل بذاته، مما قد يؤدي إلى بقاء مستوى فئوي معين واستبعاد مستوى آخر لنفس المتغير، وهو ما يستدعي انتباهاً خاصاً من الباحث في مرحلة التفسير.

أما من جهة القيم المفقودة (Missing Values)، فإن خوارزميات حزمة leaps المبنية على أكواد فورتران تطبق آلياً استبعاد الحالات غير المكتملة (Listwise Deletion). لذلك، يُوصى بإجراء تفحص مسبق لنسب الفقد في البيانات عبر دوال مثل summary() أو حزم معالجة البيانات، لتفادي تقليص حجم العينة بشكل حاد دون وعي الباحث. كما ينبغي مراجعة التوزيعات الأولية ورصد القيم الشاذة المتطرفة، نظراً لأن مجموع مربعات البواقي حساس بطبيعته الرياضية للمشاهدات الشاذة ذات الروافع العالية (High Leverage Points).

3. إعداد بيانات التطبيق العملي وفحص المتغيرات

3.1 استعراض مجموعة بيانات mtcars والخصائص الإحصائية

لتطبيق خوارزميات اختيار النموذج تطبيقاً عملياً متكاملاً، سنعتمد على مجموعة البيانات الكلاسيكية المعيارية المدمجة في بيئة R الأساسية: بيانات mtcars (Motor Trend Car Road Tests). استُخرجت هذه البيانات أصلاً من مجلة Motor Trend الأمريكية الصادرة عام 1974، وهي تمثل معياراً مرجعياً كلاسيكياً في الأدبيات الإحصائية لتعليم واختبار خوارزميات الانحدار المتعدد والتحليل متعدد المتغيرات بفضل تنوع مقاييسها وتداخل علاقاتها الخطية واللاخطية.

يتألف إطار البيانات من 32 مشاهدة (تمثل طرازات سيارات مختلفة تم اختبار أدائها بين عامي 1973 و1974) موزعة عبر 11 متغيراً فيزيائياً وميكانيكياً تشمل كفاءة استهلاك الوقود، وعدد الأسطوانات، وسعة المحرك، وقوة الأحصنة، ونسبة المحور الخلفي، ووزن السيارة، وزمن التسارع، ونوع ناقل الحركة، وعدد التروس، وعدد المكربنات. يمكن فحص المشاهدات الأولى بسهولة عبر الأمر البرمجي:

head(mtcars)

إن أبعاد المصفوفة (32 صفاً في 11 عموداً) تجعلها وسطاً بيانياً نموذجياً لاختبار قدرات البحث الشامل، حيث إن عدد المتغيرات كافٍ لخلق فضاء تبادلي غني دون إرهاق موارد الذاكرة الحوسبية، كما أن حجم العينة يسمح بتطبيق الفحوصات التشخيصية بكفاءة استدلالية عالية.

3.2 تحديد متغير الاستجابة والمتغيرات التنبؤية المرشحة

في هذا التطبيق العملي، سنصيغ سؤالاً بحثياً ميكانيكياً واضحاً: “ما هي المتغيرات التصميمية والفيزيائية الأكثر قدرة على التنبؤ وتفسير التباين في قوة المحرك الكلية للمركبة؟”. وبناءً على ذلك، يتم تحديد متغير الاستجابة التابع (Dependent / Response Variable) ليكون قوة الأحصنة الإجمالية للمركبة، والمشار إليه في البيانات بالرمز hp (Gross Horsepower).

أما على صعيد المتغيرات التفسيرية المرشحة (Candidate Predictors)، فسننتقي أربعة متغيرات تمثل جوانب ميكانيكية وهندسية متنوعة تمكننا من توضيح آلية عمل الخوارزمية بشكل شديد الدقة:

• mpg (Miles per Gallon): معدل كفاءة استهلاك الوقود (ميل لكل غالون)، ويُتوقع نظرياً وجود علاقة عكسية قوية بينه وبين قوة الأحصنة؛ فالمركبات ذات القوة الحصانية المرتفعة تستهلك وقوداً أكثر.
• wt (Weight): وزن المركبة مقاساً بآلاف الأرطال، وهو متغير فيزيائي بنيوي يرتبط بحجم المحرك وكتلة الهيكل الكلية.
• drat (Rear Axle Ratio): نسبة المحور الخلفي، والتي تعكس التروس الميكانيكية ونقل العزم إلى العجلات.
• qsec (1/4 Mile Time): زمن قطع ربع الميل بالثواني، وهو المقياس المعياري المباشر للتسارع والسرعة الحركية، ويتوقع له ارتباط خطي عكسي وثيق جداً بقوة الدفع المتولدة من المحرك.

3.3 التحقق الاستكشافي من مصفوفة الارتباط والتوزيعات

تقتضي الرصانة المنهجية عدم الاندفاع الأعمى نحو خوارزميات الاختيار الآلية دون إجراء فحص بصري ووصفي دقيق للمتغيرات ومصفوفة الارتباط الخطي (Correlation Matrix). يمكن حساب معاملات ارتباط بيرسون بين المتغير التابع والمتنبئات الأربعة عبر الأمر:

cor(mtcars[, c("hp", "mpg", "wt", "drat", "qsec")])

يكشف الفحص الرقمي لمصفوفة الارتباط عن وجود معاملات ارتباط سالبة وقوية بين قوة الأحصنة hp ومعدل استهلاك الوقود mpg ($r \approx -0.78$)، وكذلك بينها وبين زمن ربع الميل qsec ($r \approx -0.71$). كما يرتبط الوزن wt ارتباطاً طردياً معتدلاً ($r \approx 0.66$) بناتج القوة الحصانية، بينما تظهر نسبة المحور الخلفي drat ارتباطاً أضعف نسبياً ($r \approx 0.45$).

علاوة على ذلك، يفيد فحص التوزيعات التكرارية والمقاييس الوصفية عبر حساب قيم الالتواء (Skewness) والتفرطح (Kurtosis) في رصد مدى ابتعاد المتغيرات عن الاعتدالية وتحديد وجود قيم شاذة حادة (Outliers). نلاحظ مثلاً أن متغير hp يتضمن قيماً مرتفعة لبعض الطرازات الرياضية الفارهة مثل سيارة Maserati Bora (قوة 335 حصاناً)، مما يجعلها نقطة ذات رافعة مرتفعة في فضاء التقدير تتطلب متابعة لاحقة في مرحلة تشخيص بواقي النموذج.

4. التطبيق الأساسي لدالة regsubsets() وخوارزمية البحث الشامل

4.1 بناء كود الانحدار واختيار أفضل مجموعة فرعية

للانتقال إلى التنفيذ البرمجي المباشر، نقوم بصياغة نموذج الانحدار الخطي المطلوب اختباره عبر دالة regsubsets(). يتم استدعاء الدالة وتمرير المعادلة الرياضية محددة الأطراف، مع تحديد إطار البيانات بدقة، ثم حفظ المخرجات في كائن تحليلي نطلق عليه اسم reg_full ليكون متاحاً للاستجواب التشخيصي اللاحق:

reg_full <- regsubsets(hp ~ mpg + wt + drat + qsec, data = mtcars)

تتميز هذه الدالة بسرعة معالجة فائقة؛ فعلى مصفوفة بيانات صغيرة إلى متوسطة مثل mtcars، يُنفذ الأمر بصورة فورية غير محسوسة زمنياً (أقل من بضعة أجزاء من الثانية). يرجع هذا الأداء الخارق إلى أن الدالة تستند إلى حسابات الجبر الخطي المحسنة بلغة فورتران، حيث يتم استخلاص جدول التباينات المشتركة والمربعات المتقاطعة للمتغيرات الخمسة مرة واحدة فقط في الذاكرة، ثم تُجرى عمليات الاختيار والاختزال الجبري دون الحاجة لإعادة قراءة البيانات الأصلية في كل تكرار رياضي.

4.2 آلية عمل خوارزمية البحث الشامل (Exhaustive Search)

تعتمد دالة regsubsets() افتراضياً على وسيط المنهجية method = "exhaustive"، وهو ما يعني تفعيل خوارزمية البحث الشامل القائم على “القفزات والحدود” (Branch and Bound Algorithm) التي ابتكرها جورج فيرنيفال وروبرت ويلسون جونيور عام 1974. لفهم العظمة الرياضية لهذه الخوارزمية، يجب أن ندرك أن فضاء النماذج لعدد $p$ من المتغيرات يحتوي على $2^p$ احتمالاً رياضياً. وفي حالتنا الراهنة ($p = 4$)، يبلغ إجمالي النماذج الممكنة $2^4 = 16$ نموذجاً (بما فيها النموذج الفارغ)، وهو رقم بسيط يمكن حسابه بالتفصيل، ولكن إذا ارتفع عدد المتغيرات إلى $p = 30$، فإن عدد النماذج المحتملة يتجاوز المليار نموذج، مما يجعل الحساب التفصيلي لكل نموذج أمراً مستحيلاً عملياً.

وهنا تبرز خوارزمية القفزات والحدود؛ إذ تقوم بإنشاء بنية شجرية تقسم فضاء البحث إلى فروع متسلسلة. عند تقييم فرع معين، تحسب الخوارزمية حداً أدنى رياضياً لمجموع مربعات البواقي الذي يمكن لأي نموذج داخل هذا الفرع تحقيقه. وإذا كان هذا الحد الأدنى أكبر من مجموع مربعات البواقي لأفضل نموذج معروف حالياً لذلك الحجم، يتم “تشذيب” (Prune) الفرع بأكمله واستبعاده من الحسابات دفعة واحدة دون اختبار نماذجه الفرعية. تضمن هذه العملية الرياضية الصارمة العثور حتماً على أفضل نموذج ممكن لكل حجم من المتغيرات (من حجم 1 إلى 4)، مقدمة حلاً أمثلاً شاملاً (Global Optimum) يتفوق قطعاً على الحلول التقريبية التي تقدمها الطرق التجريبية الكلاسيكية.

4.3 ضبط وسيط الحد الأقصى للمتغيرات (nvmax)

تتضمن الدالة قيداً تشغيلياً افتراضياً يتعين على كل باحث استيعابه بدقة تامة: تُحدد القيمة الافتراضية للوسيط nvmax بـ 8 متغيرات فقط (nvmax = 8). هذا السلوك المبرمج يعني أن الدالة ستبحث فقط عن النماذج ذات الأحجام من 1 إلى 8، وستتجاهل البحث في النماذج الأكبر حجماً حتى لو احتوت المعادلة الممررة على 15 أو 20 متغيراً مستقلاً، مما قد يقود الباحث قليل الخبرة إلى استنتاجات خاطئة تماماً بظنه أن الدالة اختبرت كامل الفضاء المتاح.

في تطبيقنا الحالي، وبما أن إجمالي المتنبئات المرشحة هو 4 متغيرات فقط، فإن القيمة الافتراضية كافية لتغطية النموذج الكامل. ومع ذلك، وكأفضل ممارسة برمجية أكاديمية، يجب دائماً تعيين هذا الوسيط صراحة ليتطابق مع إجمالي عدد المتغيرات التفسيرية المدروسة:

reg_full <- regsubsets(hp ~ mpg + wt + drat + qsec, data = mtcars, nvmax = 4)

تجدر الإشارة إلى أنه عند العمل على مصفوفات ضخمة (تتجاوز 50 متغيراً)، فإن البحث الشامل يصبح مكلفاً جداً في الذاكرة الحوسبية، وتطلق الدالة خطأً احترازياً يمنع الاستمرار ما لم يتم تمرير الوسيط really.big = TRUE، أو التحول المنهجي نحو خوارزميات الاختيار المرحلية الأكثر مرونة من حيث التكلفة الحسابية.

5. أساليب البحث المتقدمة: التدريجي، والأمامي، والخلفي

5.1 تطبيق خوارزمية الاختيار الأمامي (Forward Stepwise Selection)

في حالات الدراسات ذات الأبعاد المتعددة الكبيرة التي يتعذر فيها استخدام البحث الشامل بسبب تعقيداته الحوسبية، توفر دالة regsubsets() خوارزميات مرحلية بديلة عبر تغيير وسيط method. الخيار الأول هو الاختيار الأمامي التدريجي (Forward Stepwise Selection)، والذي يتم تفعيله عبر ضبط المعامل method = "forward":

reg_forward <- regsubsets(hp ~ mpg + wt + drat + qsec, data = mtcars, method = "forward", nvmax = 4)

يستند منطق خوارزمية الاختيار الأمامي إلى استراتيجية طماعة (Greedy Heuristic)؛ حيث تبدأ العملية بنموذج أولي صفري (Null Model) لا يحتوي على أية متغيرات باستثناء نقطة التقاطع (Intercept). في الخطوة التالية، تختبر الخوارزمية جميع المتغيرات المنفردة، وتختار المتغير الذي يحقق أعلى خفض في مجموع مربعات البواقي (أي المتغير الذي يرتبط بأعلى معامل تحديد $R^2$). في الخطوة اللاحقة، يُثبت هذا المتغير المختار، ثم يُبحث بين المتغيرات المتبقية عن المتغير الإضافي الذي يقدم أعلى إسهام تفسيري تراكمي للتباين، وتتكرر هذه السلسلة تتابعياً حتى استنفاد الحد الأقصى للمتغيرات. تتميز هذه الطريقة بكفاءتها الحوسبية العالية، حيث تتطلب تقييم حوالي $1 + p(p+1)/2$ نموذجاً فقط، وهو رقم ضئيل جداً مقارنة بـ $2^p$.

5.2 تطبيق خوارزمية الحذف الخلفي (Backward Stepwise Selection)

على النقيض من المسار الأمامي، تعتمد خوارزمية الحذف الخلفي التتابعي (Backward Stepwise Elimination) على البدء بالنموذج الكامل المشبع (Full Model) الذي يتضمن جميع المتغيرات التفسيرية المرشحة دفعة واحدة، ويتم تنفيذها عبر تحديد الوسيط method = "backward" داخل الدالة:

reg_backward <- regsubsets(hp ~ mpg + wt + drat + qsec, data = mtcars, method = "backward", nvmax = 4)

تعمل هذه الخوارزمية بآلية استبعاد تدريجية للأضعف إحصائياً؛ حيث تقوم في الخطوة الأولى بتقييم النموذج الكامل، ثم تحذف المتغير الأقل إسهاماً في النموذج (المتغير الذي يؤدي حذفه إلى أقل زيادة ممكنة في مجموع مربعات البواقي RSS، أو المتغير صاحب أصغر قيمة إحصائية للاختبار الجزئي). بعد إقصائه، يُعاد تقييم النموذج المتبقي ويُحذف المتغير الأضعف التالي، وهكذا دواليك حتى نصل إلى نموذج يحتوي على متغير واحد فقط. يشترط لتطبيق هذا الأسلوب شرط رياضي ومنهجي صارم: يجب بالضرورة أن يكون عدد مشاهدات العينة ($n$) أكبر من عدد المتغيرات التنبؤية الكلية ($p$)؛ وإلا فإن مصفوفة المتغيرات تفقد رتبتها الكاملة (Full Rank)، مما يجعل تقدير معلمات النموذج الكامل أمراً مستحيلاً جبرياً عبر طريقة المربعات الصغرى العادية.

5.3 المقارنة المنهجية بين أساليب البحث المتاحة

توفر حزمة leaps أيضاً خوارزمية رابعة تُعرف بالاستبدال المتسلسل (Sequential Replacement Heuristic) وتفعل عبر method = "seqrep"، حيث تجمع بين الإضافة والحذف بتبديل متغير من داخل النموذج بآخر من خارجه إذا كان ذلك يحسن ملاءمة النموذج. عند وضع هذه الأساليب في ميزان المقارنة المنهجية، يتبين أن البحث الشامل (Exhaustive) يظل المعيار الذهبي المطلق لضمان العثور على أفضل النماذج رياضياً لكل حجم، متى ما كانت الموارد الحسابية وأبعاد البيانات تسمح بذلك.

أسلوب البحث	المبدأ الحسابي الأساسي	المزايا الجوهرية	العيوب والمحددات المنهجية
البحث الشامل (Exhaustive)	خوارزمية القفزات والحدود (Branch & Bound)	يضمن رياضياً الوصول إلى النموذج الأمثل عالمياً	مكلف جداً حوسبياً عند تجاوز المتغيرات لـ 40-50 متغيراً
الاختيار الأمامي (Forward)	البدء بالصفر والإضافة التتابعية للأفضل	سريع جداً، ويعمل حتى عندما يكون $p > n$	طريقة طماعة؛ لا تلغي المتغيرات التي تفقد بريقها لاحقاً
الحذف الخلفي (Backward)	البدء بالنموذج الكامل وحذف الأقل تأثيراً	يأخذ في الحسبان التفاعلات الشاملة بين المتغيرات منذ البداية	يشترط بالضرورة أن يكون $n > p$، ويتجاهل المتغيرات المستبعدة كلياً
الاستبدال المتسلسل (SeqRep)	التبديل الموضعي الدوري للمتغيرات	يتحرك بمرونة بين الحذف والإضافة لتجنب الفخاخ المحلية	لا يضمن الوصول إلى الأمثل الشامل، ويعتمد على نقطة البداية

في كثير من الحالات التجريبية، قد تتطابق نتائج الطرق الثلاث عندما تكون الارتباطات البينية بين المتنبئات ضعيفة. ولكن عند اشتداد التعددية الخطية، كثيراً ما تتشعب مخرجات الطرق التدريجية عن البحث الشامل، مما يستوجب توخي الحذر الشديد عند الاعتماد على المسارات التتابعية في الاستدلال العلمي النهائي.

6. استخراج وتفسير مخرجات دالة summary() للنماذج

6.1 قراءة مصفوفة المتغيرات وعلامات النجوم التوضيحية

لاستكشاف نتائج اختيار النماذج المستخلصة من كائن reg_full، يتم تطبيق دالة التلخيص الإحصائي القياسية summary()، وتخزين المخرجات في كائن تحليلي منفصل لتسهيل قراءتها واستخراج عناصرها:

summary_reg <- summary(reg_full)

عند طباعة محتويات summary_reg على شاشة R، يُعرض جدول بياني هيكلي ذكي يمثل مصفوفة المتغيرات المختارة لكل حجم نموذج (من حجم 1 إلى 4). تتخذ المخرجات شكلاً شبكياً تُرتب فيه الصفوف وفق عدد المتغيرات المدرجة في النموذج الفرعي، بينما تمثل الأعمدة المتغيرات المستقلة المرشحة. يُشار إلى وجود المتغير داخل النموذج الأفضل لذلك الحجم بعلامة النجمة (*)، في حين يُترك الحقل فارغاً في حال عدم اختياره.

تكشف قراءة المخرجات لمثالنا المعتمد على بيانات mtcars عن تسلسل منطقي محكم؛ فالنموذج الأفضل المكون من متغير واحد فقط (حجم 1) يحتوي حصرياً على نجمة أمام المتغير mpg، مما يؤكد أنه المتنبئ المنفرد الأكثر ارتباطاً واختزالاً لتباين قوة الأحصنة. وعند الانتقال إلى النموذج ثنائي المتغيرات (حجم 2)، نجد النجوم تستقر أمام mpg و qsec، مما يشير إلى أن الجمع بين كفاءة استهلاك الوقود وزمن التسارع يقدم التركيبة الأكثر فاعلية. وفي النموذج ثلاثي المتغيرات (حجم 3)، تظهر النجوم أمام mpg و wt و qsec، مستبعدة المتغير drat، حتى نصل إلى النموذج الرابع الكامل الذي يضم كافة المتغيرات مجتمعة.

6.2 استخراج المؤشرات الإحصائية الأساسية في كائنات مستقلة

لا تتوقف مخرجات summary() عند التحديد البصري للمتغيرات، بل تزود الباحث بمصفوفة متكاملة من المقاييس والمؤشرات الإحصائية الدقيقة المدمجة كعناصر داخلية في الكائن التلخيصي. يمكن الوصول إلى هذه المؤشرات ومعاينتها منفردة باستخدام المشغل البرمجي المألوف ($)، وتشمل هذه المؤشرات: مجموع مربعات البواقي (rss)، ومعامل التحديد البسيط (rsq)، ومعامل التحديد المعدل (adjr2)، وإحصائية مالوز (cp)، ومعيار المعلومات البيزي (bic).

لتنظيم هذه المؤشرات في مصفوفة بيانات موحدة تسهل المقارنة الأكاديمية الشاملة، يمكن تجميعها في إطار بيانات تحليلي أنيق عبر الكود التالي:

metrics_table <- data.frame(
  Variables_Count = 1:4,
  RSS = summary_reg$rss,
  R_Squared = summary_reg$rsq,
  Adj_R2 = summary_reg$adjr2,
  Cp = summary_reg$cp,
  BIC = summary_reg$bic
)

يتيح هذا الجدول المستخلص للباحث نظرة بانورامية متزامنة، بحيث يستطيع تتبع سلوك كل مؤشر إحصائي بالتوازي مع زيادة حجم النموذج، مما يمهد لتطبيق معايير المفاضلة الاستدلالية بدقة وموضوعية مطلقة بعيداً عن الانطباعات الذاتية.

6.3 تحليل مسار تحسن النموذج الإحصائي مع زيادة المتغيرات

عند دراسة مسار الأرقام المسجلة في جدول المؤشرات، تبرز ظاهرة إحصائية كلاسيكية تؤكد القواعد النظرية للانحدار الخطي؛ فكلما انتقلنا من نموذج ذي حجم أصغر إلى نموذج بحجم أكبر، يتناقص مجموع مربعات البواقي (RSS) تناقصاً رتيباً بالضرورة، ويتزايد في المقابل معامل التحديد البسيط ($R^2$) حتماً. يرجع ذلك إلى الخاصية الجبرية الصرفة لطريقة المربعات الصغرى، حيث إن إضافة أي متغير جديد، حتى لو كان ضوضاء عشوائية بيضاء، ستستغل جزءاً ولو تافهاً جداً من الارتباط العيني لتخفيض تباين البواقي.

ومع ذلك، يكشف التحليل المتأني لمعدل التغير (Marginal Improvement) عن خضوع هذه المؤشرات لـ “قانون تناقص العوائد” (Law of Diminishing Returns). فبينما يمثل الانتقال من النموذج أحادي المتغير إلى النموذج ثنائي المتغيرات قفزة هائلة في خفض مجموع مربعات البواقي ورفع القوة التفسيرية، نجد أن الانتقال من النموذج الثلاثي إلى النموذج الرباعي لا يقدم سوى تحسن هامشي ضئيل جداً في تباين الأخطاء. يشير هذا التباطؤ الحاد في وتيرة التحسن إلى وصول النموذج إلى نقطة التشبع التفسيري، مما ينبه المحلل إلى ضرورة فرض عقوبة إحصائية على تعقيد النموذج لتجنب هدر درجات الحرية وتضخيم أخطاء التقدير.

7. معايير المفاضلة الإحصائية لتحديد النموذج الأمثل

7.1 معامل التحديد المعدل (Adjusted R-squared)

يُعد معامل التحديد البسيط ($R^2$) معياراً مضللاً عند استخدامه منفرداً للمفاضلة بين نماذج مختلفة في عدد المتغيرات المستقلة؛ نظراً لأنه لا يمكن أن ينخفض أبداً عند إضافة متغير تنبؤي جديد، بل يتجه دوماً نحو الزيادة التراكمية، مما يجعله ينحاز بطبيعته الرياضية نحو النموذج الكامل الأكثر تعقيداً على الدوام. ولتصحيح هذا الخلل الهيكلي، طُوّر معامل التحديد المعدل (Adjusted $R^2$)، والذي يعيد ضبط معامل التحديد التقليدي من خلال تقسيمه على درجات الحرية المتبقية:

$$\bar{R}^2 = 1 – \frac{\text{RSS} / (n – d – 1)}{\text{TSS} / (n – 1)}$$

حيث تمثل $d$ عدد المتغيرات المستقلة في النموذج، و $n$ حجم العينة الكلي، و $\text{TSS}$ مجموع المربعات الكلي للمتغير التابع. يفرض هذا المعيار عقوبة صريحة على إدراج المتغيرات غير المجدية؛ فإذا كان التخفيض الحاصل في مجموع مربعات البواقي بفعل المتغير الجديد أقل من التكلفة الناتجة عن فقدان درجة حرية واحدة في المقام، فإن قيمة معامل التحديد المعدل ستنخفض بدلاً من أن ترتفع. في لغة R، يمكن تحديد النموذج الذي يحقق النهاية العظمى لمعامل التحديد المعدل مباشرة عبر الأمر:

best_adjr2 <- which.max(summary_reg$adjr2)

ورغم القيمة التفسيرية المعتبرة لمعامل التحديد المعدل، يؤكد علماء القياس الإحصائي على محدداته؛ فهو معيار تحسيني تجريبي يفتقر إلى أسس نظرية الاحتمالات الصارمة، ولا يفرض عقوبة قوية كافية على النماذج شديدة التعقيد في العينات الضخمة.

7.2 معيار مالوز الإحصائي (Mallows’ Cp)

يمثل معيار $C_p$ الذي اقترحه الإحصائي كولين مالوز (Colin Mallows) أداة استدلالية رفيعة المستوى لتقييم مقدار التحيز والخطأ المتوسط للتربيع في التنبؤات الناتجة عن نموذج فرعي غير كامل مقارنة بالنموذج المشبع الكامل. تُعرّف إحصائية مالوز رياضياً بالصيغة التالية:

$$C_p = \frac{\text{RSS}_d}{\hat{\sigma}^2} – n + 2(d + 1)$$

حيث تمثل $\text{RSS}_d$ مجموع مربعات البواقي للنموذج الفرعي المحتوي على $d$ من المتغيرات التفسيرية، في حين تمثل $\hat{\sigma}^2$ التقدير غير المتحيز لتباين الخطأ المستخلص من النموذج الكامل المشبع الذي يضم جميع المتنبئات المتاحة. تقيس هذه الإحصائية حجم خطأ التنبؤ الكلي المعياري، وتفرض عقوبة مقدارها $2(d + 1)$ لتعويض التفاؤل المفرط لطريقة المربعات الصغرى.

تتمثل “القاعدة الذهبية” الأكاديمية في تحليل معيار مالوز في البحث عن النموذج الذي يحقق قيمة $C_p$ صغيرة وتكون في الوقت ذاته قريبة جداً أو مساوية لعدد معلمات النموذج شاملة نقطة التقاطع، أي أننا نستهدف رياضياً الشرط: $C_p \approx p = (d + 1)$. يشير تحقق هذا الشرط إلى خلو النموذج الفرعي من التحيز المنهجي واستقراره التنبؤي، في حين تشير القيم التي تتجاوز $p$ بكثير إلى معاناة النموذج من تحيز جسيم ناجم عن حذف متغيرات بالغة التأثير. يمكن في لغة R استخلاص أدنى قيمة لإحصائية مالوز باستخدام الدالة:

best_cp <- which.min(summary_reg$cp)

7.3 معيار المعلومات البيزي (BIC) ومجموع مربعات البواقي (RSS)

يقف معيار المعلومات البيزي (Bayesian Information Criterion – BIC)، الذي وضعه عالم الرياضيات جدعون شوارتز، على أرضية نظرية احتمالية بالغة المتانة مستمدة من الاستدلال البيزي والتعبير عن دالة الإمكان الأقصى المعاقبة (Penalized Likelihood). في سياق الانحدار الخطي بافتراض اعتدالية الأخطاء، يُعبر عن معيار BIC بالصيغة الجبرية المباشرة المستندة إلى مجموع مربعات البواقي:

$$\text{BIC} = \frac{1}{n} \left( \text{RSS} + \ln(n) \cdot d \cdot \hat{\sigma}^2 \right)$$

تكمن القوة المنهجية الفريدة لمعيار BIC في صرامة العقوبة التي يفرضها على زيادة المتغيرات؛ فبينما يكتفي معيار أكايكي (AIC) ومعيار مالوز بفرض عقوبة ثابتة مقدارها 2 لكل معامل إضافي، يفرض معيار BIC عقوبة متصاعدة لوغاريتمياً ترتبط بحجم العينة الكلي بمقدار $ln(n)$. ونظراً لأن $ln(n) > 2$ لأي عينة يتجاوز حجمها 7 مشاهدات، فإن معيار BIC يميل دائماً إلى تفضيل نماذج أكثر شحاً وبساطة (More Parsimonious Models) مقارنة ببقية المعايير، مما يجعله أداة استثنائية لمكافحة الإفراط في التخصيص. يتم استهداف النموذج الفائز بيزياً عبر استخراج القيمة الصغرى للمعادلة:

best_bic <- which.min(summary_reg$bic)

عند وقوع تعارض تحليلي، كأن يوصي معيار معامل التحديد المعدل بنموذج ذي ثلاثة متغيرات بينما يوصي معيار BIC بنموذج ذي متغيرين فقط، يتعين على الباحث التحلي بالحكمة المنهجية؛ فإذا كان الهدف المركزي للدراسة هو الدقة التنبؤية البحتة خارج العينة، يُرجح عادة خيار $C_p$ أو معامل التحديد المعدل، أما إذا كان الهدف هو الوصف التفسيري والاستدلال النظري واختبار الفرضيات بأقصى درجات البساطة، فإن خيار BIC يمثل المسار الأكثر حصانة ورصانة علمية.

8. التمثيل البصري والرسومي لنتائج اختيار النموذج

8.1 رسم النماذج باستخدام دالة plot.regsubsets()

تتميز حزمة leaps بتوفير طريقة متخصصة للرسم البياني مدمجة تحت المظلة العامة لدالة plot()، وتعرف برمجياً باسم plot.regsubsets(). تتيح هذه الوظيفة بناء مخطط بصري شبكي متعدد الأبعاد يلخص نتائج مئات الحسابات الإحصائية في لوحة رسومية واحدة فائقة الوضوح. يتم استدعاء الرسم البياني الأساسي بمجرد تمرير كائن التحليل المحفوظ:

plot(reg_full)

يقوم الهيكل البصري لهذا المخطط الشبكي على مصفوفة مستطيلة تمثل أعمدتها المتغيرات المستقلة المتاحة في النموذج (بالإضافة إلى نقطة التقاطع Intercept)، في حين يمثل المحور الرأسي المعيار الإحصائي المختار للمفاضلة. وتُعرض النماذج الفرعية المفحوصة كصفوف أفقية متباينة؛ حيث يُشار إلى إدراج المتغير في تركيبة نموذج معين بتلوين المربع المقابل له باللون الأسود الداكن (أو التظليل الرمادي)، بينما يشير المربع الأبيض الفارغ إلى استبعاد المتغير من ذلك النموذج. تُقرأ اللوحة من الأعلى إلى الأسفل؛ فالصف الأفقي الواقع في قمة المخطط يمثل النموذج المتصدر والفائز وفقاً للمعيار المعروض على المحور العمودي.

8.2 تخصيص المخططات البيانية وفقاً للمعايير الإحصائية المختلفة

تكتسب هذه الأداة الرسومية مرونتها العالية من القدرة على التحكم في المعيار الإحصائي الممثل على المحور الرأسي عبر تمرير وسيط القياس scale. يوفر هذا الوسيط خيارات متعددة لتكييف المخطط وفق متطلبات التحليل الأكاديمي، وتشمل: scale = "bic"، و scale = "Cp"، و scale = "adjr2"، و scale = "r2".

لتوليد رسم بياني شبكي يستند إلى معيار المعلومات البيزي (BIC)، نكتب:

plot(reg_full, scale = "bic")

في هذا المخطط، تُرتب النماذج بحيث تقع النماذج ذات القيم الأدنى لمعيار BIC في قمة الرسم (وهي النماذج الأفضل إحصائياً). وبالمثل، يمكن معاينة توزيع معامل التحديد المعدل عبر الأمر:

plot(reg_full, scale = "adjr2")

وهنا تنعكس القراءة الرأسية لتتصدر النماذج ذات القيم الأعلى للمؤشر قمة المخطط. يُساعد هذا التنوع الرسومي الباحث على فحص المتغيرات المحورية التي تتكرر باستمرار في الصفوف العليا عبر مختلف المقاييس، والمتغيرات الهامشية التي تظهر فقط في النماذج السفلية الضعيفة، مما يعزز الفهم البصري لمدى استقرار إسهام كل متغير تنبؤي.

8.3 الرسم الخطي للمؤشرات لتحديد النقطة المثلى للنموذج

بالإضافة إلى المخططات الشبكية، يفضل التحليل الإحصائي الرصين إنشاء رسومات بيانية خطية متصلة تتبع المنحنيات التطورية للمؤشرات الإحصائية مقابل عدد المتغيرات التفسيرية (Model Size). تتيح هذه المنحنيات تحديد نقطة التحول الحرجة (Elbow Point) بصرياً، والتحقق من توافق مسارات المؤشرات. يمكن تجزئة نافذة الرسم لعرض لوحتين متجاورتين عبر تفعيل وسيط البيئة الرسومية par(mfrow = c(1, 2))، ثم كتابة الأوامر البرمجية التالية:

par(mfrow = c(1, 2))
# رسم منحنى معيار المعلومات البيزي
plot(1:4, summary_reg$bic, type = "b", pch = 19, col = "darkblue",
     xlab = "عدد المتغيرات المستقلة", ylab = "معيار المعلومات البيزي (BIC)",
     main = "تحديد النموذج الأمثل وفق BIC")
points(best_bic, summary_reg$bic[best_bic], col = "red", cex = 2, pch = 21, bg = "red")

# رسم منحنى معامل التحديد المعدل
plot(1:4, summary_reg$adjr2, type = "b", pch = 19, col = "darkgreen",
     xlab = "عدد المتغيرات المستقلة", ylab = "معامل التحديد المعدل (Adj R2)",
     main = "تحديد النموذج الأمثل وفق Adj R2")
points(best_adjr2, summary_reg$adjr2[best_adjr2], col = "red", cex = 2, pch = 21, bg = "red")
par(mfrow = c(1, 1))

يبرز هذا الكود بصرياً نقطة النهاية الصغرى لمنحنى BIC ونقطة النهاية العظمى لمنحنى Adjusted $R^2$ بدوائر حمراء بارزة، مما يقدم برهاناً توضيحياً قاطعاً لا يدع مجالاً للشك حول الحجم الأمثل للنموذج المقترح تقديره نهائياً.

9. بناء النموذج النهائي والتحقق من الافتراضات الإحصائية

9.1 ملائمة النموذج المختار باستخدام دالة lm()

بعد الاستقرار الإحصائي على التركيبة التنبؤية الفائزة استناداً إلى دالة regsubsets() ومؤشرات المفاضلة التحليلية—والتي أجمعت في تطبيقنا على تفوق النموذج المحتوي على المتغيرات الثلاثة: mpg و wt و qsec—تنتقل الممارسة الإحصائية إلى مرحلة التقدير المعلمي الكامل (Parameter Estimation). لا تُستخدم دالة regsubsets() لحساب المعاملات التنبؤية وفترات الثقة التفصيلية، بل تقتصر مهمتها على التحديد الهيكلي للمتغيرات، مما يوجب إعادة ملائمة النموذج المختار باستخدام دالة الانحدار الخطي الكلاسيكية lm():

final_model <- lm(hp ~ mpg + wt + qsec, data = mtcars)
summary(final_model)

من خلال استعراض مخرجات summary(final_model)، يستطيع الباحث فحص معاملات الانحدار الجزئية ($\beta$)، وأخطائها المعيارية، والقيم الاحتمالية المصاحبة لاختبارات $t$ (p-values) لكل متغير على حدة. نلاحظ أن المتغيرات الثلاثة تحتفظ بمستويات دلالة إحصائية مرتفعة ($p < 0.05$ أو $p < 0.01$)، مما يؤكد اتساق الاختيار الآلي مع معايير الاستدلال الكلاسيكية. كما يمكن استخراج فترات الثقة للمعاملات بمستوى ثقة 95% عبر دالة confint(final_model)، لتقديم تقديرات مجالية تعكس بدقة هامش عدم اليقين الإحصائي المحيط بكل معلمة مقدرة.

9.2 التحقق من اعتدالية واستقلالية وتجانس تباين البواقي

إن اختيار النموذج الأفضل إحصائياً لا يعني آلياً أنه نموذج صالح للاستدلال والتعميم ما لم يتم التحقق الصارم من افتراضات الانحدار الخطي للمربعات الصغرى الكلاسيكية (Gauss-Markov Assumptions). يبدأ هذا التحقق بتوليد المخططات التشخيصية الأربعة المدمجة عبر الأمر:

par(mfrow = c(2, 2))
plot(final_model)
par(mfrow = c(1, 1))

توفر هذه المخططات الرباعية فحصاً بصرياً مباشراً لمدى خطية العلاقة عبر مخطط البواقي مقابل القيم التنبؤية (Residuals vs Fitted)، والذي يجب أن يتوزع عشوائياً حول خط الصفر دون نمط قمعي أو انحنائي واضح. كما يُفحص مخطط التجزيء المئيني الطبيعي (Normal Q-Q Plot) لرصد استقرار البواقي على خط التطابق النظري. ولدعم التشخيص البصري بالاختبارات الإحصائية الصارمة، يُجرى اختبار شابيرو-ويلك (Shapiro-Wilk Test) لفحص التوزيع الطبيعي للأخطاء العشوائية:

shapiro.test(residuals(final_model))

تشير القيمة الاحتمالية الأكبر من 0.05 إلى قبول الفرض الصفري باعتدالية توزيع البواقي. وللتحقق من فرضية ثبات وتجانس تباين الأخطاء (Homoscedasticity)، يمكن الاستعانة باختبار بروش-باغان (Breusch-Pagan Test) المتوفر في مكتبة lmtest، مما يوفر غطاءً استدلالياً متكاملاً يؤكد سلامة الفروض الرياضية التي بُني عليها النموذج النهائي.

9.3 فحص التعددية الخطية (Multicollinearity) باستخدام معامِل تضخم التباين (VIF)

تمثل مشكلة التعددية الخطية (Multicollinearity) أحد أبرز التهديدات التي تشوه نماذج الانحدار المتعدد وتجعل معاملات الانحدار متقلبة وعالية الحساسية للتغيرات الطفيفة في البيانات. تنشأ هذه المشكلة عندما ترتبط المتغيرات التفسيرية المدرجة ارتباطاً خطياً وثيقاً فيما بينها، مما يعيق قدرة النموذج على عزل التأثير المستقل المنفرد لكل متنبئ.

لفحص هذا التهديد، يتم حساب معامِل تضخم التباين (Variance Inflation Factor – VIF) لكل متغير تنبؤي داخل النموذج النهائي، ويمكن استخراجه بسهولة عبر حزمة car بتنفيذ الأمر:

car::vif(final_model)

يقيس مؤشر VIF مدى تضخم تباين المعامل المقدر مقارنة بحالة تعامد المتغيرات المستقلة (غياب أي ارتباط بينها). وبحسب القواعد الإحصائية الاسترشادية المتفق عليها في الأدبيات المنهجية، تعتبر قيم VIF الأقل من 5 قيماً آمنة ومقبولة تماماً ولا تشير إلى قلق تحليلي، في حين تدل القيم التي تتراوح بين 5 و 10 على وجود تداخل خطي معتدل إلى مرتفع، وتعد القيم التي تتجاوز 10 مؤشراً خطيراً على تعددية خطية شديدة تستلزم تدخلاً تصحيحياً فورياً (مثل استبعاد أحد المتغيرات المتطابقة، أو استخدام تقنيات الانحدار الحلقي Ridge Regression، أو تقليص الأبعاد عبر تحليل المكونات الأساسية PCA). في نموذجنا المختار، تبقى قيم VIF لجميع المتغيرات دون العتبات الحرجة، مما يضمن استقرار التقديرات وسلامة دلالتها العلمية.

10. الأخطاء الشائعة وأفضل الممارسات الأكاديمية عند اختيار النماذج

10.1 مخاطر الاعتماد الأعمى على الخوارزميات دون سند نظري

على الرغم من التطور التقني والرياضي المذهل الذي تمثله خوارزميات دالة regsubsets()، فإن الخطيئة المنهجية الكبرى التي يقع فيها بعض الباحثين تتمثل في إحالة القرار العلمي بالكامل إلى الآلة الحوسبية، وتهميش الأطر النظرية الموجهة للبحث. لا تمتلك الخوارزميات الرياضية وعياً معرفياً بالظاهرة المدروسة؛ فهي تتعامل مع أرقام مجردة وتستجيب للتباينات العينية، مما قد يدفعها في بعض الأحيان إلى تفضيل نموذج يتضمن متغيراً تافهاً أو متغيراً ينشأ ارتباطه عن طريق الصدفة البحتة (Spurious Correlation) والتحيز الناتج عن تكديس البيانات.

تؤكد الدراسات السلوكية والأكاديمية المعاصرة على مركزية الأساس النظري عند صياغة النماذج الإحصائية؛ ففي أبحاث اكتساب اللغة والسمات الصوتية المتقدمة مثل أعمال Lewandowski & Jilka (2019)، يتم اختيار المتغيرات وتوجيه النمذجة استناداً إلى نماذج نظرية في علم النفس المعرفي واللسانيات، وليس عبر البحث العشوائي. كذلك نجد في دراسات النقل المعجمي واللغوي عند Lorenz et al. (2021)، وأبحاث التسمية الصورية والمفردات عند الأطفال لدى Krysztofiak et al. (2025)، تشديداً صريحاً على أن الاختيار الإحصائي للمتغيرات يجب أن يعمل كأداة تصفية تابعة للمنطق النظري، بحيث لا يُدرج أي متغير في حوض الترشيح الأولي ما لم تكن هناك فرضية علمية تبرر إمكانية تأثيره في متغير الاستجابة. كما تسهم الأطر الشبكية الإحصائية الحديثة وتطبيقات النمذجة المنظمة كما بين Swanson (2021) في تأكيد أهمية اتساق النماذج الرياضية مع البنية الهيكلية المعقدة للبيانات الواقعية.

10.2 أهمية التحقق المتقاطع (Cross-Validation) وتعميم النتائج

يتمثل الخطر التقني الملازم لعملية اختيار أفضل مجموعة فرعية في الوقوع في فخ التفاؤل المفرط (Optimism)؛ حيث تعاني المقاييس الداخلية المستخلصة من نفس عينة التدريب (Training Sample) مثل $R^2$ وحتى معيار BIC من درجة معينة من التحيز نحو العينة، مما يجعل أداء النموذج يبدو متفوقاً جداً داخل البيانات التي استُخدمت لبنائه، في حين قد يتدهور أداؤه التنبؤي بشكل ملحوظ عند تطبيقه على عينة جديدة مستقلة (Test Sample). ولمواجهة هذا التحدي وتأكيد صلاحية النموذج للتعميم الخارجي، يُعد التحقق المتقاطع (Cross-Validation)، وتحديداً أسلوب التحقق المتقاطع لعشرة أجزاء (10-fold Cross-Validation)، الممارسة الإحصائية الفضلى لاختبار استقرار النموذج المختار.

في هذا النهج، تُقسم البيانات عشوائياً إلى عشرة أجزاء متساوية؛ حيث يُدرب النموذج على تسعة أجزاء وتُطبق دالة regsubsets() لاختيار المتغيرات، ثم يُحسب خطأ التنبؤ الفعلي (Mean Squared Prediction Error – MSPE) على الجزء العاشر المحجوب. تتكرر هذه العملية عبر جميع الأجزاء، ويُختار حجم النموذج الذي يحقق أدنى خطأ تنبؤي متقاطع عبر العينات. يضمن هذا الأسلوب الصارم تحييد التحيزات الداخلية لعينة mtcars وتأكيد قدرة المتغيرات الفائزة (mpg، wt، qsec) على الصمود التنبؤي في بيئات اختبار واقعية ومستقلة.

10.3 المعايير المنهجية لتوثيق نتائج regsubsets() في الأوراق العلمية

تفرض الهيئات الأكاديمية والجمعيات العلمية العالمية، مثل جمعية علم النفس الأمريكية (APA)، متطلبات دقيقة وشفافة لتوثيق عمليات اختيار النماذج في البحوث المحكمة، بهدف تمكين المجتمع العلمي من التحقق من النتائج وإعادة إنتاجها (Reproducibility). لا يجوز في الكتابة الأكاديمية الاكتفاء بعرض النموذج النهائي المختار دون الإفصاح التفصيلي عن الإجراءات المنهجية الاستكشافية التي قادت إليه.

تشمل التوصيات المنهجية للتوثيق الصارم ما يلي:
أولاً، الإفصاح الواضح عن الحزمة البرمجية المستخدمة وتوثيق مرجعيتها الإحصائية، مع تحديد الخوارزمية البرمجية المعتمدة (تحديد ما إذا كان البحث شاملاً Exhaustive أو تدريجياً Forward/Backward).
ثانياً، تقديم جدول مقارنة شامل للنماذج المرشحة يتضمن تسلسل أحجام النماذج ومجموع المتغيرات في كل منها، مصحوبة بالقيم الدقيقة للمؤشرات المعيارية ($R^2$ المعدل، $C_p$ مالوز، وBIC)، مع الإشارة بوضوح إلى المعيار المحدد الذي بُني عليه قرار الاختيار النهائي.
ثالثاً، الإفصاح عن شفرة R البرمجية البرمجية المعيارية القابلة للتكرار (Reproducible Script)، مع تثبيت البذرة العشوائية (Seed) في حال استخدام تقنيات التحقق المتقاطع، وتقديم معاملات النموذج النهائي وأخطائها المعيارية ومجالات الثقة بصورة تفصيلية ومقروءة.

خاتمة

لقد استعرض هذا الدليل المتكامل الأبعاد النظرية والتطبيقية المعمقة لتوظيف دالة regsubsets() وحزمة leaps في بيئة لغة R الإحصائية. تظل هذه الأداة الإحصائية، المستندة إلى الإرث الرياضي لخوارزمية القفزات والحدود لميلر وفيرنيفال وويلسون، إحدى أقوى الوسائل الاستدلالية المتاحة للباحثين لحل معضلة اختيار المتغيرات وتجنب مخاطر التعقيد غير المبرر والإفراط في التخصيص.

إن الاستخدام المسؤول والناجح لهذه الخوارزميات المتقدمة لا يتحقق بالانقياد الأعمى للمخرجات الحسابية المجردة، بل يكمن في التزاوج المحكم بين المنطق النظري الرصين، والتحليل الاستكشافي المتمعن للمتغيرات، وتطبيق الفحوصات التشخيصية لافتراضات الانحدار الخطي والتعددية الخطية، وإخضاع النماذج المختارة لاختبارات التعميم والتحقق المتقاطع. ومن خلال هذه الرؤية المنهجية الشاملة، يتحول اختيار النموذج من مجرد تمرين برمجي آلي إلى ممارسة علمية رفيعة تسهم في استخلاص نماذج قياسية مستقرة، وقابلة للتفسير العلمي، وقادرة على التنبؤ الدقيق بحقائق الظواهر الطبيعية والسلوكية والاجتماعية.

المراجع

• De Boni, R. B., Balanzá‐Martínez, V., Mota, J. C. d., Cardoso, T. d. A., Ballester, P. L., Atienza-Carbonell, B., et al. (2020). Depression, Anxiety, and Lifestyle Among Essential Workers: A Web Survey From Brazil and Spain During the COVID-19 Pandemic. Journal of Medical Internet Research. https://doi.org/10.2196/22835
• Haman, E., Wodniecka, Z., Marecka, M., Szewczyk, J., Białecka‐Pikul, M., Otwinowska, A., et al. (2017). How Does L1 and L2 Exposure Impact L1 Performance in Bilingual Children? Evidence from Polish-English Migrants to the United Kingdom. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2017.01444
• Krysztofiak, M., Łuniewska, M., Chyl, K., Hansen, P. B., Kołak, J., Muszyńska, K., et al. (2025). Searching for words: picture naming errors and contributing factors in bilingual and monolingual children aged 3–7 years. International Journal of Bilingual Education and Bilingualism. https://doi.org/10.1080/13670050.2025.2455671
• Lewandowski, N., & Jilka, M. (2019). Phonetic Convergence, Language Talent, Personality and Attention. Frontiers in Communication. https://doi.org/10.3389/fcomm.2019.00018
• Lorenz, E., Hasai, Y., & Siemund, P. (2021). Multilingual lexical transfer challenges monolingual educational norms: not quite!. Multilingua. https://doi.org/10.1515/multi-2021-0014
• Swanson, T. (2021). modnets: Modeling Moderated Networks. https://doi.org/10.32614/cran.package.modnets