كيفية تفسير اختبار F للدلالة الإجمالية في تحليل الانحدار

يمثل تحليل الانحدار الخطي المتعدد أحد أهم الأدوات الإحصائية القياسية وأكثرها شيوعاً في مجالات العلوم النفسية والاجتماعية والتربوية والطبية. تتجلى القوة المنهجية لهذا التحليل في قدرته الفائقة على بناء نماذج رياضية تفسيرية وتنبؤية تربط بين متغير تابع كمي ومجموعة من المتغيرات المستقلة أو التفسيرية. ومع ذلك، فإن مجرد وضع متغيرات متعددة داخل معادلة انحدار وحساب معاملات الانحدار الفردية لا يعني بالضرورة أن هذا النموذج يقدم قيمة علمية حقيقية أو قدرة تنبؤية تتجاوز حدود العشوائية والصدفة الإحصائية البحتة.

من هذا المنطلق، يبرز اختبار F للدلالة الإجمالية (F-test of Overall Significance) كبوابة إحصائية محورية وأساسية لتقييم الجدارة العلمية والرياضية لنموذج الانحدار ككل. يعمل هذا الاختبار الإحصائي الاستدلالي على تقييم ما إذا كانت المتغيرات المستقلة المدرجة في النموذج مجتمعة تمتلك قدرة تفسيرية حقيقية على تفسير التباين الملاحظ في المتغير التابع، مقارنة بنموذج خط الأساس الصفري الخالي من أي متغيرات تفسيرية والذي يعتمد فقط على المتوسط الحسابي. إنه بمثابة “حارس البوابة” المنهجي الذي يمنع الباحثين من الانزلاق وراء قراءات مضللة للمعاملات الفردية في نماذج تفتقر في جوهرها إلى أي قدرة تنبؤية حقيقية.

يتناول هذا الدليل الشامل والمفصل كافة الجوانب النظرية والرياضية والتطبيقية لاختبار F للدلالة الإجمالية في تحليل الانحدار؛ حيث يغطي آليات تفكيك مجموع المربعات، وحساب متوسطات المربعات ودرجات الحرية، وطبيعة التوزيعات الاحتمالية، وصياغة الفرضيات الصفرية والبديلة، فضلاً عن تقديم قراءة تحليلية دقيقة لجداول تحليل التباين (ANOVA)، وكيفية توثيق النتائج وفق المعايير الأكاديمية الصارمة الصادرة عن جمعية علم النفس الأمريكية (APA 7).

1. مقدمة عامة حول اختبار F للدلالة الإجمالية في تحليل الانحدار الخطي

1.1 مفهوم اختبار F للدلالة الإجمالية

يُعرَّف اختبار F للدلالة الإجمالية في سياق الانحدار الخطي المتعدد بأنه اختبار إحصائي معلمي (Parametric Test) استدلالي يُستخدم لاختبار الفرضية الشاملة القائلة بأن جميع معاملات الانحدار المائلة (Slope Coefficients) في النموذج تساوي صفراً في مجتمع الدراسة. يتموضع هذا الاختبار في قمة الهرم التقييمي لأي نموذج انحداري، إذ يمثل الخطوة الإحصائية الأولى والضرورية التي تسبق أي محاولة لفحص أو تفسير معاملات الانحدار الجزئية أو اختبارات t الفردية للمتنبئات كل على حدة.

إن الهدف الأساسي لاختبار F هو إجراء مقارنة رياضية مباشرة بين كفاءة النموذج المقترح الذي يحتوي على المتغيرات المستقلة والنموذج الصفري المقتصر على الحد الثابت فقط (Intercept-Only Model). في النموذج الصفري، تكون القيمة التنبؤية الوحيدة المتاحة لأي مشاهدة هي ببساطة المتوسط الحسابي العام للمتغير التابع في العينة. من هنا، يطرح اختبار F السؤال الجوهري التالي: هل يؤدي استخدام التوليفة الخطية للمتغيرات المستقلة إلى خفض التباين غير المفسر في المتغير التابع بدرجة كافية تجعل من غير المحتمل إحصائياً أن يكون هذا التحسن ناتجاً عن مجرد خطأ المعاينة العشوائي؟

تنبع الأهمية الحاسمة لاختبار F من كونه صمام الأمان المنهجي للباحث؛ فإذا فشل النموذج في تحقيق الدلالة الإحصائية الإجمالية عند مستوى ألفا المحدد (مثل p > 0.05)، فإن أي دلالة إحصائية قد تظهر لاحقاً لمعامل انحدار فردي بواسطة اختبار t تُعد غالباً من قبيل المصادفة الإحصائية أو الضجيج العشوائي الناتج عن تضخم خطأ النوع الأول. وبالتالي، فإن اختبار F يحدد بشكل قاطع ما إذا كان النموذج برمته يستحق التفسير العلمي أم يجب رفضه بالكامل وإعادة النظر في بنيته النظرية والبيانية.

1.2 أهمية الاختبار في النمذجة الإحصائية النفسية

تحظى النمذجة الإحصائية في العلوم السلوكية والنفسية بطبيعة خاصة، حيث يتعامل الباحثون مع ظواهر إنسانية معقدة ومتعددة الأبعاد مثل القلق، والتحصيل الأكاديمي، والاكتئاب، والرضا الوظيفي، والسمات الشخصية. هذه الظواهر لا يمكن تفسيرها عادة من خلال متغير مستقل واحد، بل تتطلب صياغة أطر نظرية تتضمن مجموعات متكاملة من المتغيرات التفسيرية والمتداخلة. في هذا السياق، يوفر اختبار F للباحث النفسي وسيلة رياضية صارمة لاختبار النظريات النفسية عبر تقييم الحزمة التفسيرية الشاملة دفعة واحدة.

تتمثل إحدى أكبر التحديات في الأبحاث النفسية في مشكلة الاختبارات المتعددة (Multiple Testing Problem) وتضخم معدل الخطأ العائلي (Family-wise Error Rate). عندما يقوم الباحث بفحص عدد كبير من المتغيرات المستقلة باستخدام اختبارات t الفردية فقط، يزداد احتمال ارتكاب خطأ من النوع الأول (رفض الفرضية الصفرية عندما تكون صحيحة بالفعل). يعمل اختبار F كاختبار مظلي (Omnibus Test) يحمي الباحث من هذا الفخ المنهجي، من خلال فرض اختبار إجمالي موحد ومحكم لجميع المتغيرات مجتمعة تحت مظلة فرضية صفرية واحدة تحافظ على مستوى الخطأ الاسمي المحدد.

علاوة على ذلك، يمنح اختبار F الباحثين النفسيين معياراً كمياً وموضوعياً للتمييز بين النماذج النظرية المتنافسة وقبول أو رفض الفرضيات السببية والتنبؤية المقترحة في الأدبيات. فبدلاً من الاعتماد على الاستنتاجات المبنية على الارتباطات البسيطة ثنائية المتغير، يتيح هذا الاختبار تقييم الأثر الجمعي لبنى نفسية معقدة، مما يعزز من الموثوقية التكرارية (Replicability) والصدق البنائي للنتائج المنشورة في الدوريات النفسية المحكمة.

2. الأسس النظرية والرياضية لحساب اختبار F في الانحدار

2.1 تفكيك مجموع المربعات (Sum of Squares)

يقوم التحليل الإحصائي للانحدار واختبار F على مبدأ هندسي ورياضي بالغ الأناقة يُعرف باسم تفكيك مجموع المربعات (Partitioning of Sum of Squares). يهدف هذا المبدأ إلى تجزئة التباين الإجمالي المشاهد في المتغير التابع حول متوسطه الحسابي إلى مكونين رئيسيين ومتعامدين: جزء يستطيع النموذج تفسيره، وجزء آخر يظل غير مفسر ويُعزى إلى الخطأ العشوائي أو المتغيرات غير المقاسة.

المكون الأول هو مجموع المربعات الكلي (Total Sum of Squares – SST)، ويمثل إجمالي التشتت أو التباين في قيم المتغير التابع (Y) بالنسبة لمتوسطها العام، ويُحسب بالمعادلة الرياضية التالية:

SST = ∑ (Y_i – Ȳ)²

المكون الثاني هو مجموع مربعات الانحدار (Regression Sum of Squares – SSR) أو مجموع المربعات المفسر (Explained Sum of Squares – ESS)، وهو يقيس مقدار التباين في المتغير التابع الذي استطاع نموذج الانحدار التنبؤ به وتفسيره بنجاح عبر التوليفة الخطية للمتغيرات المستقلة، ويُعبر عنه رياضياً بالصيغة:

SSR = ∑ (Ŷ_i – Ȳ)²

المكون الثالث هو مجموع مربعات الخطأ أو البواقي (Residual/Error Sum of Squares – SSE)، وهو يمثل التباين المتبقي غير المفسر، أي الفروق التربيعية بين القيم الفعلية المشاهدة والقيم التي تنبأ بها النموذج، وتُحسب بالمعادلة:

SSE = ∑ (Y_i – Ŷ_i)²

تتكامل هذه المكونات الثلاثة في العلاقة الرياضية الأساسية لنظرية خطية المربعات الصغرى: SST = SSR + SSE. تعكس هذه المعادلة بدقة ميزانية التباين في الظاهرة المدروسة؛ حيث يسعى الباحث دائماً إلى جعل قيمة SSR قريبة قدر الإمكان من SST، وبالتالي تقليص قيمة SSE إلى أدنى حد ممكن، وهو الأساس الذي يستند إليه اختبار F في تقييم كفاءة النموذج.

2.2 حساب متوسط المربعات ودرجات الحرية

لكي نتمكن من مقارنة مجموع المربعات التفسيري (SSR) بمجموع المربعات المتبقي (SSE) بشكل عادل وموضوعي، لا يمكننا استخدام المجموع الخام مباشرة، نظراً لأن كل مجموع يتأثر بعدد القيم والمعاملات التي ساهمت في حسابه. لذلك، يتم تحويل مجاميع المربعات إلى متوسطات مربعات (Mean Squares) عن طريق قسمة كل مجموع مربعات على عدد درجات الحرية (Degrees of Freedom) المرتبطة به.

ترتبط درجات حرية الانحدار (df_model أو df_regression) بعدد المتغيرات التنبؤية المستقلة المدرجة في النموذج، ويُرمز لها بالرمز k (أو p في بعض المراجع). وبالتالي، يُحسب متوسط مربعات الانحدار (Mean Square Regression – MSR) بالصيغة التالية:

MSR = SSR / k

في المقابل، ترتبط درجات حرية البواقي أو الخطأ (df_error أو df_residual) بحجم العينة الإجمالي (n) مطروحاً منه إجمالي عدد المعاملات المقدرة في النموذج بما في ذلك الحد الثابت، أي (n – k – 1). وبناءً على ذلك، يُحسب متوسط مربعات الخطأ (Mean Square Error – MSE) بالصيغة:

MSE = SSE / (n – k – 1)

يمثل MSR التباين المفسر لكل درجة حرية واحدة يوفرها النموذج، بينما يمثل MSE تقدير تباين مجتمع البواقي العشوائية (σ²). ومن هنا تتشكل النسبة الإحصائية النهائية لاختبار F، والتي تعبر عن النسبة البسيطة والمباشرة بين متوسط مربعات الانحدار ومتوسط مربعات الخطأ:

F = MSR / MSE = [SSR / k] / [SSE / (n – k – 1)]

2.3 طبيعة توزيع F الإحصائي وخصائصه

يتبع الناتج الحسابي لنسبة F توزيعاً احتمالياً نظرياً شهيراً يُعرف باسم توزيع إف لفيشر وسنيديكور (Snedecor’s F-distribution). يتميز توزيع F بكونه توزيعاً مستمراً غير متماثل، وملتوياً التواءً إيجابياً واضحاً نحو اليمين (Right-skewed)، ولا يمكن لقيمته الإحصائية أن تكون سالبة على الإطلاق، نظراً لأنها ناتجة عن قسمة متوسطين لمربعات قيم حقيقية (وهي مقادير موجبة دوماً بحكم التربيع).

يتحدد الشكل الدقيق لمنحنى توزيع F من خلال معلمتين مستقلتين تماماً هما درجتا الحرية: درجات حرية البسط (Numerator df = k) ودرجات حرية المقام (Denominator df = n – k – 1). كلما زادت درجات حرية البسط والمقام، اقترب شكل التوزيع تدريجياً من التماثل وتناقص التواؤه نحو اليمين، مقترباً في شكله المقارب من التوزيعات شبه المعيارية، بينما تشتد حدة الالتواء في العينات الصغيرة ومع النماذج المحتوية على عدد قليل من المتغيرات.

في ظل صحة الفرضية الصفرية (أي عندما لا يكون للمتغيرات التفسيرية أي أثر حقيقي)، تكون القيمة المتوقعة لـ MSR مساوية تماماً للقيمة المتوقعة لـ MSE، مما يجعل النسبة النظرية المتوقعة لاختبار F تحوم حول القيمة (1.0). أما عندما تمتلك المتغيرات المستقلة قدرة تنبؤية حقيقية، فإن MSR يتضخم بشكل كبير لكونه يحتوي على أثر الإشارة الحقيقية مضافاً إليها التباين العشوائي، مما يدفع بقيمة F المحسوبة إلى أقصى الذيل الأيمن للتوزيع، في منطقة الرفض الإحصائي المحددة بواسطة النقطة الحرجة (Critical Value).

3. صياغة الفرضيات الإحصائية لاختبار الدلالة الإجمالية

3.1 فرضية العدم (Null Hypothesis – H0)

تُعد الفرضية الصفرية أو فرضية العدم (Null Hypothesis)، والتي يُرمز لها بالرمز H₀، الأساس المنطقي الذي ينطلق منه اختبار F في الاستدلال الإحصائي الكلاسيكي. في سياق نموذج الانحدار الخطي المتعدد الذي يحتوي على k من المتغيرات المستقلة، تُصاغ الفرضية الصفرية رياضياً على النحو الصارم التالي:

H₀: β₁ = β₂ = β₃ = … = β_k = 0

من الناحية المفاهيمية والنظرية، تنص هذه الفرضية على أن جميع معاملات الانحدار المائلة في مجتمع الدراسة تساوي صفراً في آن واحد وبشكل متزامن. وبتعبير علمي آخر، تفترض الفرضية الصفرية أنه لا توجد أي علاقة خطية حقيقية تربط بين أي من المتغيرات المستقلة المدرجة والمتغير التابع في المجتمع الإحصائي المسحوبة منه العينة، وأن أي معاملات غير صفرية تظهر في نتائج العينة ليست سوى تذبذبات عشوائية ناجمة عن خطأ المعاينة البحت.

يترتب على فرضية العدم نتيجة بالغة الأهمية: إذا كانت جميع المعاملات تساوي صفراً بالفعل، فإن النموذج التنبؤي المقترح لا يقدم أي ميزة أو تحسين حقيقي على الإطلاق في التنبؤ بسلوك المتغير التابع مقارنة بالاكتفاء باستخدام المتوسط الحسابي البسيط (Ȳ). وعليه، يمثل اختبار F وسيلة رياضية صارمة لاختبار ما إذا كان لدينا دليل كافٍ يدعونا لرفض هذا الافتراض التقليلي المفرط والاعتراف بفاعلية النموذج.

3.2 الفرضية البديلة (Alternative Hypothesis – H1)

في المقابل، تمثل الفرضية البديلة (Alternative Hypothesis)، والتي يُرمز لها بالرمز H₁ أو H_a، الموقف النظري والعملي الذي يتبناه الباحث عادة عند تصميمه للدراسة وصياغة النموذج. تُصاغ الفرضية البديلة رياضياً على النحو التالي:

H₁: يوجد على الأقل معامل انحدار واحد β_j ≠ 0 (حيث j = 1, 2, …, k)

من الأخطاء المفاهيمية الشائعة بين طلاب الدراسات العليا والباحثين المبتدئين الاعتقاد بأن رفض الفرضية الصفرية وقبول الفرضية البديلة يعني تلقائياً أن جميع معاملات الانحدار (β₁, β₂, …, β_k) تختلف جوهرياً عن الصفر وأن كافة المتغيرات المستقلة ذات دلالة إحصائية. الحقيقة الإحصائية الدقيقة هي أن الفرضية البديلة تتطلب فقط وجود متغير مستقل واحد على الأقل يمتلك علاقة خطية دالة إحصائياً بالمتغير التابع بعد الأخذ في الاعتبار بقية المتغيرات.

وبالتالي، فإن دلالة اختبار F ورفض الفرضية الصفرية يعلنان فقط أن النموذج ككل يمتلك قدرة تنبؤية غير عشوائية، دون تحديد أي المتغيرات على وجه الدقة هو المسؤول عن هذا التحسن التنبؤي. يترك اختبار F مهمة التحديد التفصيلي لدور كل متغير على حدة للاختبارات الجزئية المكملة المتمثلة في اختبارات t للمعاملات الفردية، مما يبرز التكامل الوظيفي بين الاختبار الإجمالي والاختبارات التفصيلية.

4. مقارنة النموذج الإحصائي بالنموذج الصفري (Intercept-Only Model)

4.1 بنية النموذج الصفري (نموذج خط الأساس)

لفهم الآلية العميقة لعمل اختبار F، يجب تفكيك المفهوم الهيكلي للنموذج الصفري، والمعروف أيضاً باسم نموذج خط الأساس (Baseline Model) أو نموذج الثابت فقط (Intercept-Only Model). في هذا النموذج التجريدي، يتم استبعاد كافة المتغيرات التفسيرية (X₁, X₂, …, X_k) بالكامل من المعادلة الخطية، وتأخذ المعادلة الرياضية الشكل المبسط التالي:

Y_i = β₀ + ε_i

في ظل هذا النموذج، وبناءً على مبدأ طريقة المربعات الصغرى العادية (OLS)، يُقدَّر الحد الثابت (β₀) بالقيمة التي تُقلل مجموع مربعات الأخطاء إلى أدنى حد، وهذه القيمة ليست سوى المتوسط الحسابي البسيط للمتغير التابع في العينة (Ȳ). هذا يعني أنه في غياب أي معلومات إضافية مستمدة من المتغيرات التفسيرية، فإن أفضل تنبؤ غير متحيز يمكن تقديمه لأي فرد في العينة لقيمة متغيرة التابع هو المتوسط العام للجماعة المدروسة.

في هذا النموذج الأولي، يكون كل التباين الملاحظ في المتغير التابع غير مفسر بالكامل، وبالتالي فإن مجموع مربعات أخطاء النموذج الصفري يساوي حرفياً مجموع المربعات الكلي للمتغير التابع: SSE_null = SST. يمثل هذا المقدار خطأ التنبؤ الأساسي وحالة “الجهل الإحصائي المنظم” التي ينطلق منها الباحث لمحاولة تحسين التنبؤ عبر إدخال المتغيرات المستقلة الجديدة في النموذج الكامل.

4.2 تقييم التحسن في القدرة التنبؤية

عندما ينتقل الباحث من النموذج الصفري إلى النموذج المقترح الكامل (Full Model) الذي يحتوي على التوليفة المكونة من k من المتغيرات المستقلة، يُتوقع منطقياً أن تنخفض أخطاء التنبؤ. يتمثل التعبير الرياضي عن هذا الانخفاض في الفرق بين خطأ النموذج الصفري وخطأ النموذج الكامل، وهو تحديداً مجموع مربعات الانحدار: SSR = SST – SSE_full.

ومع ذلك، تفرض الطبيعة الرياضية لطريقة المربعات الصغرى حقيقة حتمية: إن إضافة أي متغير مستقل إلى النموذج، حتى لو كان متغيراً تم توليده بأرقام عشوائية تماماً، ستؤدي دائماً وبحكم الضرورة الحسابية إلى تقليل قيمة SSE بمقدار طفيف جداً وزيادة قيمة SSR. هنا يكمن الدور الجوهري والمنهجي لاختبار F؛ فهو يحدد ما إذا كان هذا التحسن في القدرة التنبؤية وخفض التباين غير المفسر كبيراً وجوهرياً بما يكفي ليعكس علاقة حقيقية، أم أنه مجرد تحسن هامشي ناتج عن تزايد تعقيد النموذج الرياضي بفعل الصدفة الإحصائية.

يوفر اختبار F بذلك مبرراً منهجياً ومعياراً اقتصادياً (Parsimony Criterion) لبناء النماذج العلمية؛ فالباحث لا يحق له الادعاء بأن تعقيد النموذج بإضافة متغيرات مستقلة جديدة مبرر علمياً ما لم يُثبت اختبار F أن مقدار التباين المفسر المكتسب لكل درجة حرية إضافية (MSR) يفوق بشكل دال إحصائياً مقدار خطأ التنبؤ العشوائي المتبقي لكل درجة حرية (MSE).

5. العلاقة الوثيقة بين اختبار F ومعامل التحديد R-squared

5.1 الترابط الرياضي بين F و R²

يرتبط اختبار F للدلالة الإجمالية برابطة رياضية عضوية وغير قابلة للانفصال بـ معامل التحديد (R-squared – R²). يُعرّف معامل التحديد R² بأنه نسبة التباين في المتغير التابع التي تم تفسيرها بنجاح بواسطة المتغيرات المستقلة في النموذج، ويُحسب بالصيغة: R² = SSR / SST = 1 – (SSE / SST).

من خلال هذه العلاقة البنيوية، يمكن إعادة اشتقاق وصياغة إحصائية F المحسوبة بصورة مباشرة وتامة بدلالة معامل التحديد وحجم العينة وعدد المتغيرات، دون الحاجة للرجوع إلى مجاميع المربعات الخام، عبر المعادلة الجبرية القياسية التالية:

F = [R² / k] / [(1 – R²) / (n – k – 1)]

توضح هذه الصيغة الرياضية المكافئة بوضوح لا لبس فيه أن إحصائية F ليست سوى تحويل مباشر لمعامل التحديد R² إلى مقياس استدلالي يزن نسبة التباين المفسر (R²) مقسومة على عدد المتنبئات (k)، في مقابل نسبة التباين غير المفسر (1 – R²) مقسومة على درجات حرية الخطأ (n – k – 1). كلما ارتفعت قيمة R² واقتربت من الواحد الصحيح، تضاءل المقام (1 – R²) وتضخم البسط، مما يؤدي بالضرورة الرياضية إلى ارتفاع قيمة F وزيادة احتمالية رفض الفرضية الصفرية.

5.2 الفروق الجوهرية في الدلالة والتفسير

على الرغم من الترابط الحسابي الوثيق بين F و R²، إلا أن هناك فروقاً منهجية واستدلالية جوهرية يجب على الباحث التمييز بينها بدقة بالغة. يمثل معامل التحديد R² مقياساً وصفياً بحتاً لحجم التأثير (Effect Size) في العينة المدروسة، حيث يخبرنا عن النسبة المئوية الدقيقة للتباين المفسر من الظاهرة. في المقابل، يمثل اختبار F أداة استدلالية (Inferential Tool) تختبر ما إذا كان هذا الـ R² المشاهد يختلف في مجتمع الدراسة اختلافاً جوهرياً عن الصفر الإحصائي، أم أنه مجرد نتاج للصدفة.

يؤدي عدم إدراك هذا التمايز إلى ارتباك تفسيري شائع، لا سيما في حالتين طرفيتين شهيرتين في التطبيقات العملية:

• الحالة الأولى (العينات الضخمة جداً): في العينات الكبيرة جداً (مثل n = 10,000)، قد نحصل على قيمة R² شديدة الضآلة لا تتجاوز 0.01 (أي أن النموذج يفسر 1% فقط من التباين)، ومع ذلك تكون قيمة F مرتفعة جداً وذات دلالة إحصائية فائقة (p < 0.001). هنا، يشير اختبار F إلى أن النموذج أفضل من لا شيء من الناحية الاستدلالية، ولكن R² يؤكد أن النموذج ضعيف جداً من الناحية العملية والتطبيقية.
• الحالة الثانية (العينات الصغيرة جداً): في العينات شديدة الصغر (مثل n = 12 مع 4 متغيرات مستقلة)، قد نحصل على R² مرتفع جداً يصل إلى 0.60 (60% من التباين مفسر)، ومع ذلك تكون قيمة F غير دالة إحصائياً (p > 0.05). يرجع ذلك إلى أن حجم العينة الصغير لم يوفر قوة إحصائية كافية لاستبعاد فرضية الصدفة، على الرغم من الحجم الوصفي الكبير للتأثير.

6. المقارنة المنهجية بين اختبار F واختبارات t الفردية للمعاملات

6.1 التقييم الشامل مقابل التقييم الجزئي

عند تقييم مخرجات تحليل الانحدار الخطي المتعدد، يواجه الباحث مستويين متباينين من الاستدلال الإحصائي: التقييم الشامل المظلي المتمثل في اختبار F، والتقييم الجزئي الفريد المتمثل في اختبارات t الفردية لمعاملات الانحدار (Slope Coefficients). يكمن الفارق الجوهري بينهما في زاوية النظر الإحصائية إلى المتغيرات التفسيرية.

يقوم اختبار F بفحص الأثر المشترك والمجتمع لحزمة المتغيرات المستقلة دفعة واحدة (Simultaneous Evaluation)، معاملاً النموذج كوحدة متكاملة لا تتجزأ، للإجابة عن السؤال: “هل تساعد هذه المجموعة من المتغيرات معاً في تفسير المتغير التابع؟”. في المقابل، يركز اختبار t الفردي (Student’s t-test) على تقييم الإسهام الفريد والمستقل (Unique Contribution) لمتغير محدد بعينه بعد ضبط والتحكم إحصائياً في كافة المتغيرات المستقلة الأخرى المدرجة في النموذج.

في الحالة الخاصة للانحدار الخطي البسيط (Simple Linear Regression)، حيث يوجد متغير مستقل واحد فقط (k = 1)، تتطابق الرؤيتان الرياضيتان تماماً؛ حيث تتطابق القيمة الاحتمالية لاختبار F مع القيمة الاحتمالية لاختبار t للميل، وتكون هناك علاقة رياضية حتمية تربط بينهما: F = t². أما في الانحدار المتعدد (k > 1)، فإن هذا التطابق يختفي، وتصبح العلاقة بين التقييم الشامل والجزئي محكومة ببنية الارتباطات المعقدة بين المتغيرات المستقلة نفسها.

6.2 معالجة التعددية الخطية وتضارب النتائج

من أكثر المواقف الإحصائية إثارة للحيرة والارتباك لدى الباحثين هو ظهور نتائج متضاربة ظاهرياً: أن يكون اختبار F للنموذج الإجمالي دالاً إحصائياً بدرجة عالية جداً (مثلاً p < 0.001)، بينما لا يُظهر أي اختبار من اختبارات t الفردية للمعاملات أي دلالة إحصائية (جميع قيم p > 0.05). يُعرف هذا الوضع في الأدبيات الإحصائية بعَرَض كلاسيكي لوجود الارتباط الخطي المتعدد المرتفع (Severe Multicollinearity).

يحدث الارتباط الخطي المتعدد عندما تكون المتغيرات المستقلة مرتبطة ارتباطاً خطياً وثيقاً وقوياً فيما بينها. في هذه الحالة، تستطيع المتغيرات مجتمعة تفسير جزء كبير من تباين المتغير التابع (مما ينتج عنه مجموع مربعات انحدار SSR مرتفع وقيمة F دالة جداً)، ولكن بسبب التداخل التام في المعلومات المشتركة بين المتنبئات، يعجز النموذج عن تحديد أي متغير بمفرده هو المسؤول عن هذا التأثير، مما يؤدي إلى تضخيم غير طبيعي للأخطاء المعيارية (Standard Errors) لمعاملات الانحدار الفردية، وبالتالي انخفاض قيم t المحسوبة وفقدانها للدلالة الإحصائية.

لتشخيص هذه الظاهرة وحلها، يجب على الباحث فحص مصفوفة الارتباطات البينية، واستخراج معاملات تضخم التباين (Variance Inflation Factor – VIF) وقيم السماحية (Tolerance). كقاعدة إرشادية عامة، إذا تجاوزت قيمة VIF الرقم 5 أو 10، فإن ذلك يشير إلى تداخل خطي حرج يتطلب دمج المتغيرات المتداخلة في مؤشر مركب واحد، أو استخدام أساليب الانحدار المتقدمة مثل انحدار الحرف (Ridge Regression) أو التحليل العاملي التوكيدي قبل إجراء الانحدار.

7. خطوات قراءة وتحليل جدول ANOVA في مخرجات الانحدار

7.1 تفكيك عناصر جدول تحليل التباين في البرمجيات الإحصائية

تُقدم الحزم البرمجية الإحصائية الكبرى مثل SPSS و R و JASP و Stata نتائج اختبار F للدلالة الإجمالية ضمن جدول قياسي موحد يُعرف بجدول تحليل التباين (Analysis of Variance – ANOVA Table). يتطلب التفسير الاحترافي تفكيك الصفوف والأعمدة التي يتألف منها هذا الجدول الحاسم بدقة رقمية ومفاهيمية كاملة.

يتألف جدول ANOVA الخاص بالانحدار عادة من ثلاثة صفوف رئيسية:

• صف الانحدار (Regression / Model): يعكس التباين الذي استطاع النموذج تفسيره، ويحتوي على مجموع مربعات الانحدار (SSR)، ودرجات حرية النموذج (df_model = k)، ومتوسط مربعات الانحدار (MSR).
• صف البواقي أو الخطأ (Residual / Error): يعكس التباين غير المفسر أو الضجيج العشوائي، ويحتوي على مجموع مربعات البواقي (SSE)، ودرجات حرية البواقي (df_error = n – k – 1)، ومتوسط مربعات الخطأ (MSE).
• صف الإجمالي (Total): يعكس إجمالي تشتت المتغير التابع، ويحتوي على مجموع المربعات الكلي (SST)، وإجمالي درجات الحرية (df_total = n – 1).

في أقصى اليمين من الجدول، يظهر العمودان الأكثر أهمية لاتخاذ القرار الإحصائي: عمود قيمة إحصائية F المحسوبة (والتي تمثل حاصل قسمة MSR على MSE)، وعمود مستوى الدلالة الاحتمالية المقترنة بها (ويُرمز لها بـ Sig. في برمجية SPSS، أو Pr(>F) في برمجية R وStata).

7.2 التحقق من الاتساق الحسابي داخل الجدول

من المهارات الإحصائية الأساسية التي ينبغي على الباحث المتقدم إتقانها هي مهارة الفحص الذاتي للاتساق الحسابي الداخلي لجدول ANOVA؛ حيث تتيح هذه المهارة كشف أي أخطاء في إدخال البيانات أو في استدعاء الأوامر البرمجية قبل البدء في كتابة التقرير النهائي.

يمكن التحقق من الاتساق عبر الخطوات الحسابية الثلاث التالية:

• فحص اتساق مجاميع المربعات ودرجات الحرية: يجب أن يتحقق دائماً شرط الجمع الخطي: SSR + SSE = SST، وبالمثل تماماً لدرجات الحرية: df_regression + df_residual = df_total = n – 1.
• فحص حساب متوسطات المربعات: يتم التأكد من أن قيمة MSR المسجلة تساوي تماماً SSR ÷ df_regression، وأن قيمة MSE المسجلة تساوي تماماً SSE ÷ df_residual.
• إعادة الحساب اليدوي لنسبة F: يتم قسمة MSR على MSE يدوياً ومقارنة الناتج بالرقم المطبوع في عمود F. إن التطابق التام لهذه العمليات يضمن سلامة المخرجات ويمنح الباحث فهماً عميقاً للبنية الهيكلية لبياناته.

8. تفسير القيمة الاحتمالية (p-value) والقيم الحرجة لاختبار F

8.1 آلية اتخاذ القرار الإحصائي عبر p-value

تُعد القيمة الاحتمالية (p-value) المعيار الرياضي الحديث والمباشر الذي يعتمد عليه الباحثون لاتخاذ القرار الإحصائي الحاسم بشأن الفرضية الصفرية. تمثل الـ p-value في اختبار F احتمال الحصول على نسبة F بقيمة مساوية أو أكبر من القيمة المحسوبة في عينتنا، بافتراض أن الفرضية الصفرية صحيحة تماماً في مجتمع الدراسة (أي بافتراض عدم وجود أي تأثير للمتنبئات).

تتم عملية اتخاذ القرار بمقارنة القيمة الاحتمالية المستخرجة من البرنامج الإحصائي بمستوى الدلالة المقبول والمحدد مسبقاً من قِبل الباحث (Significance Level – α)، والذي يُحدد عادة في العلوم النفسية والاجتماعية بالقيمة α = 0.05، أو α = 0.01 للدراسات الأكثر صرامة:

• إذا كانت p ≤ α (مثلاً p < 0.05): نرفض الفرضية الصفرية (Reject H₀)، ونستنتج أن النموذج الإجمالي ذو دلالة إحصائية، مما يعني أن المتغيرات المستقلة مجتمعة تفسر قدراً ذا مغزى من تباين المتغير التابع لا يمكن تفسيره بالصدفة وحدها.
• إذا كانت p > α (مثلاً p ≥ 0.05): نفشل في رفض الفرضية الصفرية (Fail to Reject H₀)، ونستنتج أن النموذج ككل يفتقر إلى الدلالة الإحصائية ولا يقدم تنبؤاً يتفوق على النموذج الصفري.

يجب التنبيه هنا بحزم إلى ضرورة تجنب الخلط بين “الدلالة الإحصائية” (Statistical Significance) و”الدلالة العملية أو الإكلينيكية” (Practical / Clinical Significance). إن انخفاض قيمة p إلى مستويات متناهية في الصغر (مثل p < 0.0001) يخبرنا فقط بدرجة اليقين من وجود علاقة غير صفرية في المجتمع، لكنه لا يخبرنا بأي حال عن مدى قوة أو أهمية هذه العلاقة في الواقع التطبيقي، وهو ما يستوجب دائماً النظر المقترن بقيمة معامل التحديد R² وفترات الثقة.

8.2 استخدام جداول توزيع F والقيم الحرجة

قبل الانتشار الواسع للحواسيب والبرمجيات الإحصائية، كانت الطريقة الكلاسيكية لاتخاذ القرار الإحصائي تعتمد على مقارنة إحصائية F المحسوبة (F-calculated) بالقيمة الحرجة المستخرجة من الجداول الإحصائية المرجعية لتوزيع F (F-critical)، وتظل هذه الطريقة ذات قيمة تعليمية ونظرية بالغة لترسيخ المفاهيم الاستدلالية.

لتحديد القيمة الحرجة (F_crit) من الجداول، يحتاج الباحث إلى معرفة ثلاثة عناصر أساسية:

• مستوى ألفا المعتمد للدراسة (α = 0.05 أو 0.01).
• درجات حرية البسط (k): وتُمثل في الجداول الإحصائية بالأعمدة الرأسية.
• درجات حرية المقام (n – k – 1): وتُمثل في الجداول الإحصائية بالصفوف الأفقية.

نظراً لأن اختبار F للدلالة الإجمالية هو دائماً اختبار ذو طرف واحد نحو اليمين (One-tailed Test) – حيث إن التباين التفسيري يقع دوماً في الاتجاه الإيجابي لنسبة التباينات – فإن قاعدة القرار تصاغ كالتالي: إذا كانت F_calculated > F_critical، تقع النتيجة الإحصائية داخل “منطقة الرفض” في أقصى الذيل الأيمن للتوزيع، ويتم رفض الفرضية الصفرية. أما إذا كانت F_calculated ≤ F_critical، فإن القيمة تقع داخل “منطقة القبول أو عدم الرفض”، ويُحكم بعدم دلالة النموذج.

9. الافتراضات الإحصائية الأساسية لصحة نتائج اختبار F

9.1 افتراضات خطية العلاقة واستقلالية المشاهدات

تستند موثوقية الاستدلالات الناتجة عن اختبار F إلى تحقق مجموعة من الافتراضات الإحصائية الصارمة المتعلقة بنموذج المربعات الصغرى الكلاسيكي والمعروفة بافتراضات غاوس-ماركوف (Gauss-Markov Assumptions). إن انتهاك هذه الافتراضات يؤدي إلى تشويه التوزيع الاحتمالي لنسبة F ويجعل القيم الاحتمالية p-values غير صحيحة ومضللة.

الافتراض الأول هو خطية العلاقة (Linearity)؛ حيث يُفترض أن العلاقة بين المتغير التابع وكل متغير مستقل هي علاقة خطية في المعالم. يمكن فحص هذا الافتراض بصرياً من خلال الرسوم البيانية للبواقي مقابل القيم المتنبأ بها (Residuals vs. Fitted plot)؛ فإذا ظهر نمط منحنٍ أو غير خطي واضح، فإن ذلك يشير إلى أن النموذج الخطي غير مناسب للبيانات وأن اختبار F يفقد دقته الاستدلالية، مما يستدعي تحويل البيانات أو إدخال حدود تربيعية أو غير خطية.

الافتراض الثاني والحاسم هو استقلالية الأخطاء أو المشاهدات (Independence of Observations)؛ أي ألا تكون هناك علاقة ارتباطية بين بواقي المشاهدات المختلفة. يُفحص هذا الافتراض في السلاسل الزمنية والبيانات التتبعية باستخدام اختبار ديربن-واتسون (Durbin-Watson Test)، حيث تشير القيم القريبة من 2.0 إلى غياب الارتباط الذاتي. في الأبحاث النفسية التي تجمع بيانات هرمية أو عنقودية (مثل طلاب مجمعين داخل فصول دراسية، أو مرضى داخل مستشفيات مختلفة)، يؤدي انتهاك استقلالية البيانات إلى تضخيم زائف لقيمة F المحسوبة والوقوع في خطأ النوع الأول، مما يتطلب استخدام النمذجة الخطية متعددة المستويات (Multilevel Modeling – HLM) بدلاً من الانحدار التقليدي.

9.2 افتراضات التوزيع الطبيعي وتجانس تباين البواقي

يرتبط الافتراض الثالث بـ التوزيع الطبيعي للأخطاء العشوائية (Normality of Residuals)؛ حيث يُشترط لاشتقاق التوزيع النظري لـ F رياضياً أن تكون البواقي (ε_i) موزعة توزيعاً طبيعياً بمتوسط حسابي يساوي صفراً وتباين ثابت. يتم فحص هذا الافتراض بيئياً عبر مخططات الاحتمال الطبيعي (Normal Q-Q Plots) والمدرجات التكرارية للبواقي المعيارية، واختبارياً عبر اختبارات المطابقة مثل اختبار شابيرو-ويلك (Shapiro-Wilk). على الرغم من أن نظرية النهاية المركزية (Central Limit Theorem) تمنح اختبار F متانة وقوة في العينات الكبيرة، إلا أن الالتواء الشديد في العينات الصغيرة يؤدي إلى نتائج استدلالية غير دقيقة.

أما الافتراض الرابع فهو تجانس تباين البواقي (Homoscedasticity)؛ وهو يقضي بضرورة أن يكون تباين الأخطاء العشوائية ثابتاً عبر جميع مستويات القيم المتنبأ بها، أي ألا يتسع تشتت الأخطاء أو يضيق مع تغير قيم Y المقدرة. يُشخص عدم التجانس (Heteroscedasticity) بصرياً برؤية شكل القمع أو البوق في مخطط البواقي، أو إحصائياً عبر اختبار بروش-باغان (Breusch-Pagan Test) أو اختبار وايت (White Test).

في حالة انتهاك تجانس التباين، تصبح الأخطاء المعيارية ومقام نسبة F (MSE) غير صحيحة، مما يؤدي إلى قرارات إحصائية خاطئة. للتعامل مع هذا الانتهاك، يجب على الباحث استخدام تصحيحات الأخطاء المعيارية المتينة ضد عدم التجانس (Heteroscedasticity-Consistent Standard Errors – مثل تصحيحات White أو HC3)، أو تطبيق أسلوب إعادة المعاينة غير المعلمي (Bootstrap Estimation)، أو اللجوء إلى الانحدار المتين (Robust Regression).

10. تطبيقات اختبار F في البحوث والدراسات النفسية

10.1 دراسات التنبؤ بالسلوك والاضطرابات النفسية

تعتمد الأبحاث الإكلينيكية والنفسية بشكل جوهري على نماذج الانحدار لبناء منظومات تنبؤية دقيقة بالاضطرابات النفسية والسلوكية المعقدة. على سبيل المثال، في دراسة تسعى للتنبؤ بمستوى شدة أعراض الاكتئاب (Depression Severity) كمتغير تابع، قد يقوم الباحث ببناء نموذج انحداري يضم مجموعة من عوامل الخطر: جودة النوم، ومستوى الضغوط الحياتية المدركة، ودرجة اليقظة الذهنية، ومستوى الدعم الاجتماعي المتصور.

في مثل هذا التصميم، يلعب اختبار F للدلالة الإجمالية دور الحكم الفاصل؛ حيث يُثبت ما إذا كانت هذه المنظومة الرباعية من العوامل تمتلك قدرة تفسيرية مجتمعة تتجاوز التباين العشوائي. إذا أسفر الاختبار عن دلالة إحصائية [مثلاً F(4, 195) = 24.38, p < 0.001, R² = 0.33]، يستطيع الباحث الإكلينيكي أن يؤكد بثقة أن النموذج يوفر أداة تنبؤية صالحة تفسر ثلث التباين الملاحظ في شدة الاكتئاب، مما يمهد الطريق لفحص المعاملات الفردية لتحديد أكثر العوامل إسهاماً في تفاقم الأعراض أو الحماية منها.

وبالمثل، يُستخدم اختبار F في علم النفس التربوي والمهني لتقييم كفاءة بطاريات المقاييس النفسية واختبارات القدرات المعرفية في التنبؤ بالأداء السلوكي أو الأكاديمي أو النجاح المهني، مما يوفر سنداً كمياً لإقرار الصدق التنبؤي (Predictive Validity) لتلك الأدوات التشخيصية في الميدان العملي.

10.2 نماذج الانحدار الهرمي والتراكمي في علم النفس

يُعد الانحدار الخطي الهرمي (Hierarchical Linear Regression) من أكثر التصاميم الإحصائية رقياً وشيوعاً في علم النفس والعلوم السلوكية؛ حيث يقوم الباحث بإدخال المتغيرات المستقلة إلى معادلة الانحدار في كتل متعاقبة (Successive Blocks) تستند إلى تسلسل نظري مدروس بدقة.

في هذا السياق، يتجاوز استخدام اختبار F مجرد تقييم النموذج الفردي، ليمتد إلى إجراء ما يُعرف بـ اختبار التغير في قيمة F (F-Change Test أو Incremental F-Test). يهدف هذا الاختبار الإحصائي الدقيق إلى تحديد ما إذا كانت إضافة كتلة جديدة من المتغيرات النفسية تؤدي إلى زيادة دالة إحصائياً في القدرة التفسيرية (ΔR²) بعد التحكم الإحصائي الكامل في المتغيرات التي أُدخلت في الخطوات السابقة.

على سبيل المثال، قد يدخل الباحث في النموذج الأول (Model 1) المتغيرات الديموغرافية الأساسية (مثل العمر والنوع الاجتماعي والحالة الاقتصادية)، ثم يضيف في النموذج الثاني (Model 2) سمات الشخصية الخمس الكبرى (Big Five Personality Traits). يقيس اختبار F-change في هذه الحالة ما إذا كانت سمات الشخصية تضيف قدرة تفسيرية جديدة وأصيلة تبرر إضافتها للنموذج، وهو الأساس الإحصائي المعتمد لاختبار الفرضيات النظرية المعقدة في دراسات التوسط (Mediation) والاعتدال أو التفاعل النفسي (Moderation).

11. الأخطاء الشائعة والالتباسات الإحصائية عند تفسير اختبار F

11.1 الخلط بين دلالة النموذج الإجمالية ودلالة المتغيرات الفردية

يقع العديد من الباحثين المبتدئين في فخاخ تفسيرية خطيرة عند قراءة مخرجات اختبار F وتحليل الانحدار، ولعل أكثر هذه الأخطاء شيوعاً هو افتراض أن دلالة F الإجمالية تعني بالضرورة أن كل متغير مستقل على حدة يسهم بشكل فعال ودال في التنبؤ بالمتغير التابع. كما فصّلنا سابقاً، اختبار F هو اختبار كلي (Omnibus) يحكم على المجموعة ككل، ويكفي أن يكون متغير واحد فقط فائق التأثير ليقود النموذج بأكمله إلى الدلالة الإحصائية، حتى لو كانت بقية المتغيرات مجرد شوائب إحصائية لا قيمة لها.

يقود هذا الخلط إلى خطأ عكسي مماثل في الخطورة: قيام الباحث بحذف أو إسقاط متغيرات نظرية هامة من النموذج فور رؤية عدم دلالة اختبار t الفردي المقترن بها، دون فحص مصفوفة الارتباطات أو مراعاة التداخل الخطي. قد يؤدي حذف متغير يبدو غير دال بمعزل عن غيره إلى انهيار القدرة التنبؤية الإجمالية للنموذج إذا كان هذا المتغير يلعب دور متغير كابح (Suppressor Variable) يزيل التباين غير المناسب من متغير مستقل آخر.

لذلك، يجب التمييز الصارم دائماً بين “الأهمية النظرية” المستندة إلى الأدبيات العلمية الراسخة والوزن الإحصائي الرقمي الظاهر في عينة مفردة، واستخدام اختبار F كخطوة تقييمية أولى تتبعها قراءة فاحصة ومعمقة للمعاملات المعيارية (Standardized Beta) وفترات الثقة (Confidence Intervals) بدلاً من القرارات التلقائية المتسرعة.

11.2 تأثير حجم العينة المفرط والبيانات المفقودة

يمثل حجم العينة عاملاً حاسماً يمارس تأثيراً مباشراً وضخماً على سلوك إحصائية F وقيمتها الاحتمالية. فمع تضخم حجم العينة (n > 5,000) في عصر البيانات الضخمة (Big Data) والمسوح الوطنية الشاملة، تتضخم القوة الإحصائية (Statistical Power) لاختبار F إلى درجات قصوى تجعله قادراً على رصد أدنى وأتفه الفروق الحسابية، مما يمنح قيمة F دلالة إحصائية فائقة (p < 0.0001) لنماذج تفسر كسوراً مجهرية من التباين لا تتعدى 0.1% وتفتقر إلى أي مغزى عملي.

في المقابل، تؤدي العينات النفسية الصغيرة جداً (مثل n < 30) إلى فقر مدقع في القوة الإحصائية، مما يجعل اختبار F عاجزاً عن رصد تأثيرات ونماذج ذات دلالة عملية حقيقية، مؤدياً إلى ارتكاب خطأ من النوع الثاني (Type II Error) ورفض نماذج بحثية واعدة ظلماً.

علاوة على ذلك، يبرز التحدي المنهجي المرتبط بالبيانات المفقودة (Missing Data). إن الاعتماد على الطرق التقليدية الساذجة مثل الحذف القائم على الحالات الكاملة (Listwise Deletion) لا يقلل فقط من حجم العينة ويضعف قيمة F، بل يؤدي أيضاً إلى تحيز منهجي خطير في تقديرات التباين إذا لم تكن البيانات مفقودة عشوائياً تماماً (MCAR). تتطلب الممارسات الإحصائية الحديثة استخدام أساليب التعويض المتعدد (Multiple Imputation – MI) أو تقدير الاحتمالية العظمى للمعلومات الكاملة (FIML) لضمان موثوقية اختبار F ودقة نتائجه الاستدلالية.

12. دليل كتابة وتوثيق نتائج اختبار F وفق دليل جمعية علم النفس الأمريكية (APA)

12.1 القواعد التنسيقية لكتابة إحصائية F وفق أسلوب APA 7

وضعت جمعية علم النفس الأمريكية في الإصدار السابع من دليل النشر العلمي (APA Publication Manual, 7th Edition) معايير وتنسيقات دقيقة وصارمة للغاية لكتابة وتوثيق النتائج الإحصائية في المتن والجداول. يستوجب الالتزام بهذه القواعد لتحقيق الشفافية العلمية وتسهيل عمليات التحليل التلوي اللاحقة (Meta-Analysis).

تتمثل الصيغة القياسية لتوثيق نتائج اختبار F الإجمالي في الآتي:

• تُكتب الرموز الإحصائية اللاتينية بخط مائل (Italicized)، مثل: F و p و R² و SE و t.
• توضع درجات الحرية بين قوسين بعد رمز F مباشرة دون مسافة، مفصولة بفاصلة إنجليزية ومسافة: (درجات حرية البسط، درجات حرية المقام)، مثل: F(3, 146).
• تُقرّب قيمة إحصائية F وقيمة R² إلى منزلتين عشريتين (مثل: F(3, 146) = 15.82, R² = .25).
• بالنسبة للقيمة الاحتمالية p، لا يُوضع صفر قبل الفاصلة العشرية لأن قيمتها لا يمكن رياضياً أن تتجاوز الواحد الصحيح، وتُقرّب إلى ثلاث منازل عشرية (مثل: p = .003). وإذا كانت القيمة الاحتمالية أقل من 0.001، تُكتب بصيغة المتباينة: p < .001، ويُمنع منعاً باتاً كتابة p = .000 كما يظهر في مخرجات SPSS.

12.2 أمثلة عملية لنصوص التوثيق في الأبحاث النفسية

لتقديم تصور تطبيقي متكامل للباحثين، نستعرض فيما يلي نماذج لصياغة نتائج تحليل الانحدار واختبار F في متن البحث الأكاديمي، ونموذجاً لتصميم الجداول وفق معايير APA 7:

نموذج صياغة تقرير لنموذج دال إحصائياً:
“أُجري تحليل الانحدار الخطي المتعدد لتقييم قدرة التوتر المدرك والدعم الاجتماعي على التنبؤ بمستوى جودة النوم لدى طلبة الجامعة. كشفت النتائج أن نموذج الانحدار ككل كان دالاً إحصائياً، F(2, 197) = 38.45, p < .001, R² = .28 (R²_adj = .27). يشير ذلك إلى أن المتغيرين المستقلين يفسران مجتمعين ما يقارب 28% من التباين في جودة النوم. وبالنظر إلى المعاملات الفردية، تبين أن التوتر المدرك كان منبئاً سلبياً دالاً (β = -.42, t(197) = -6.81, p < .001)، في حين كان الدعم الاجتماعي منبئاً إيجابياً دالاً (β = .23, t(197) = 3.74, p < .001).”

نموذج صياغة تقرير لنموذج غير دال إحصائياً:
“تم بناء نموذج انحدار خطي متعدد لفحص ما إذا كانت السمات المزاجية المبكرة تنبئ بمستوى القلق الاجتماعي في مرحلة المراهقة. أظهرت النتائج أن النموذج الإجمالي لم يحقق الدلالة الإحصائية المطلوبة، F(3, 86) = 1.64, p = .186, R² = .05. وعليه، فشلت الدراسة في رفض الفرضية الصفرية، مما يشير إلى أن المتغيرات المزاجية المدرجة في النموذج لم تقدم تنبؤاً يفوق التباين العشوائي بمستوى القلق الاجتماعي في هذه العينة.”

عند عرض الجداول، يُشترط أسلوب APA استخدام ثلاثة خطوط أفقية رئيسية فقط (أعلى الجدول، وأسفل رؤوس الأعمدة، وأسفل الجدول) مع تجنب الخطوط الرأسية تماماً، وتضمين مجاميع المربعات ودرجات الحرية ومتوسطات المربعات وإحصائية F ومستوى الدلالة مع وضع هوامش سفلية تفسيرية توضح الرموز ومستويات الثقة.

خاتمة

يمثل اختبار F للدلالة الإجمالية الركيزة المنهجية والاستدلالية التي يستند إليها صدق نماذج الانحدار الخطي المتعدد في العلوم النفسية والسلوكية والاجتماعية. إن إدراك الباحث للأسس الرياضية العميقة لهذا الاختبار—بدءاً من آليات تجزئة التباين وتفكيك مجموع المربعات، مروراً بحساب متوسطات المربعات وتحديد درجات الحرية، وصولاً إلى المقارنة الدقيقة بالنموذج الصفري وفهم الترابط الرياضي مع معامل التحديد R²—يمنحه الحصانة العلمية اللازمة لقراءة مخرجات البرمجيات الإحصائية بعين نقدية واعية وتفسير البيانات بكفاءة واحترافية.

ختاماً، يجب التأكيد على أن اختبار F ليس مجرد خطوة إجرائية روتينية في جدول ANOVA، بل هو بمثابة الضابط المنهجي الذي يحمي الأبحاث العلمية من الوقوع في تضخم خطأ النوع الأول أو الانخداع بتأثيرات جزئية مضللة ناجمة عن التداخل الخطي. إن الاستخدام الرصين لاختبار F، المقترن بالتحقق الصارم من الافتراضات الإحصائية، والتوثيق الأكاديمي الدقيق وفق معايير APA 7، هو السبيل لضمان وصول الباحثين إلى استنتاجات علمية رصينة وقابلة للتكرار تسهم بفاعلية في تطوير المعرفة النفسية والإنسانية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Lawrence Erlbaum Associates.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications.
• Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). Guilford Press.
• Kassambara, A. (2018). Machine learning essentials: Practical guide in R. STHDA.
• Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). John Wiley & Sons.
• National Institute of Standards and Technology. (2022). NIST/SEMATECH e-Handbook of statistical methods. U.S. Department of Commerce. https://doi.org/10.18434/M32189
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.