مقدمة في المربعات الصغرى الجزئية

تُمثّل النمذجة الإحصائية المتقدمة حجر الزاوية في فهم الظواهر المعقدة عبر طيف واسع من الحقول المعرفية، بدءاً من العلوم السلوكية والاجتماعية وصولاً إلى الكيمياء القياسية والمعلوماتية الحيوية. في ظل التطور التكنولوجي وتدفق البيانات الضخمة عالية الأبعاد، يواجه الباحثون تحديات بنيوية متزايدة تتعلق بطبيعة البيانات المعاصرة؛ حيث تتسم هذه البيانات في كثير من الأحيان بوجود ارتباطات داخلية بالغة التعقيد، وتداخل خطي كثيف بين المتغيرات المستقلة، وتفوق عددي هائل للمتغيرات التفسيرية مقارنة بحجم العينات المتاحة، فضلاً عن وجود بنيات ومفاهيم مجردة غير قابلة للقياس المادي المباشر، وتُعرف بالمتغيرات الكامنة.

في هذا السياق المعرفي والمنهجي المتشابك، تبرز طريقة المربعات الصغرى الجزئية (Partial Least Squares – PLS) كواحدة من أكثر الاستراتيجيات التحليلية مرونة وقوة في الإحصاء الحديث وتعلم الآلة. إنها تمثل نقلة نوعية تدمج ببراعة بين تقنيات تقليل الأبعاد ونمذجة الانحدار التنبؤي، متجاوزة القيود الصارمة التي تفرضها أساليب الانحدار الخطي التقليدية مثل المربعات الصغرى العادية (OLS) أو التحليل القائم حصراً على مصفوفات التغاير. من خلال التركيز على تعظيم التباين المشترك بين مجموعات المتغيرات التفسيرية ومتغيرات الاستجابة، استطاعت هذه المنهجية أن تقدم إطاراً متماسكاً يتيح للباحثين والمحللين استخلاص الأنماط الكامنة وبناء نماذج تنبؤية فائقة الدقة ومفسرة نظرياً.

يهدف هذا المقال الشامل إلى تقديم تفكيك نظري ومنهجي وتطبيقي دقيق لأسلوب المربعات الصغرى الجزئية. سنستعرض الجذور التاريخية والأسس الرياضية التي تستند إليها خوارزميات هذا النموذج، مع عقد مقارنات مفاهيمية متعمقة مع الأساليب البديلة مثل انحدار المكونات الرئيسية ونمذجة المعادلات الهيكلية القائمة على التغاير. كما سنغوص في التفاصيل الإجرائية لتنفيذ التحليل، بدءاً من المعالجة القبلية للبيانات وحتى تقييم جودة النماذج، مروراً بالتطبيقات الحيوية في القياس النفسي والعلوم العصبية، والأدوات البرمجية المعاصرة، وانتهاءً بمناقشة التحديات والآفاق المستقبلية لهذا الحقل المتنامي.

1. المفهوم التأسيسي للمربعات الصغرى الجزئية (PLS) وسياق نشأتها

1.1 التعريف النظري لطريقة المربعات الصغرى الجزئية

تُعرّف المربعات الصغرى الجزئية بأنها فئة متطورة من أساليب النمذجة الإحصائية والانحدار متعدد المتغيرات، صُممت خصيصاً للتعامل مع البيانات المعقدة التي تفشل النماذج الخطية الكلاسيكية في معالجتها بكفاءة. تقوم المنهجية على مبدأ الإسقاط على الفضاءات الجزئية الكامنة (Projection to Latent Structures)، حيث تدمج بين مزايا تحليل المكونات الرئيسية والقدرة التفسيرية لانحدار المربعات الصغرى المتعدد. لا يقتصر دورها على ضغط أبعاد البيانات التفسيرية فحسب، بل يمتد إلى توجيه عملية تقليل الأبعاد لتخدم التنبؤ بمتغيرات الاستجابة بأعلى دقة ممكنة.

يكمن الهدف الجوهري للخوارزمية في البحث عن متجهات خطية جديدة، تُسمى المكونات أو المركبات الكامنة (Latent Components)، مشتقة من المتغيرات المستقلة الأصلية، بحيث تُحقق هذه المكونات أقصى تباين مشترك (Covariance) ممكن مع مصفوفة المتغيرات التابعة. هذا التوجه المشترك يضمن ألا تُهدر المكونات المستخلصة قدرتها على تفسير التباين في المتغير التابع، وهو ما يميزها جذرياً عن الأساليب غير الموجهة.

تتميز PLS بكونها نموذجاً موجهاً بالتنبؤ (Prediction-oriented) والاستكشاف بدلاً من النمذجة الموجهة حصراً باختبار النظريات وتطابق التغاير (Theory-testing covariance fitting). هذا التمايز يجعلها أداة استثنائية في بناء النماذج المعقدة التي تهدف إلى تعظيم القدرة التنبؤية خارج العينة، واستكشاف العلاقات السببية التخمينية في مجالات البحث العلمي التطبيقي.

1.2 السياق التاريخي وتطور خوارزميات PLS

تعود الجذور التأسيسية لمنهجية المربعات الصغرى الجزئية إلى أواخر ستينيات وسبعينيات القرن العشرين، بفضل الإسهامات الرائدة للاقتصادي والإحصائي السويدي هيرمان وولد (Herman Wold). طور وولد في البداية خوارزمية المربعات الصغرى التكرارية اللاخطية (NIPALS) كبديل تكراري فعال لحساب المكونات الرئيسية بدون الحاجة إلى الحساب الكامل للقيم والمتجهات الذاتية لمصفوفات التغاير الضخمة، ثم طوع هذه الخوارزمية لربط كتل متعددة من المتغيرات في نماذج مسارية متكاملة.

على الرغم من نشأة المنهجية في سياق الاقتصاد القياسي، إلا أنها شهدت انتشاراً هائلاً وتبنياً واسعاً في ثمانينيات القرن الماضي داخل مجتمع الكيمياء القياسية (Chemometrics)، بفضل نجل هيرمان وولد، سفانتي وولد (Svante Wold)، وتشارلز ستينكولر (Harald Martens وغيرهم). كان الكيميائيون يواجهون بيانات طيفية مكثفة تحتوي على آلاف الأطوال الموجية المرتبطة خطياً مقابل عينات كيميائية محدودة جداً، ووجدوا في PLS الحل الأمثل لهذه المعضلة الحسابية.

شهدت العقود الأخيرة هجرة عكسية ناجحة لمنهجية PLS من العلوم الصلبة إلى العلوم السلوكية، الاجتماعية، الإدارية، والتسويقية، وعلوم الأعصاب والتعلم الآلي الحديث. تطورت المنهجية لتشمل خوارزميات متقدمة قادرة على التعامل مع الشبكات السببية المتشعبة، والبنى الهيكلية المعقدة، والبيانات الضخمة، مما بوأها مكانة رفيعة في أبحاث القياس النفسي والنمذجة التنبؤية المعاصرة.

1.3 مبررات اللجوء إلى المربعات الصغرى الجزئية بدلاً من الانحدار الخطي التقليدي

يواجه انحدار المربعات الصغرى العادية (Ordinary Least Squares – OLS) انهياراً منهجياً وحسابياً عند انتهاك فروضه الكلاسيكية الصارمة. في صدارة هذه المشكلات تبرز ظاهرة التعددية الخطية شبه التامة (Near-singular multicollinearity)، حيث تفقد مصفوفة المتغيرات التفسيرية رتبتها الكاملة، مما يجعل حساب معكوس المصفوفة مستحيلاً رياضياً أو غير مستقر عددياً، مما يؤدي إلى تضخم هائل في التباين التقديري لمعاملات الانحدار.

كذلك تبرز معضلة البيانات عالية الأبعاد، المعروفة إحصائياً بمعضلة (p > n)، حيث يتجاوز عدد المتغيرات التفسيرية (p) حجم العينة الفعلي (n). في مثل هذه الحالات، تنعدم درجات الحرية اللازمة للتقدير في إطار OLS الكلاسيكي، مما يؤدي بالضرورة إلى فشل التحليل، بينما تنجح PLS في اختزال الفضاء التفسيري عالي الأبعاد إلى عدد قليل من المركبات المستقلة دون التضحية بالقدرة التنبؤية للنموذج.

علاوة على ذلك، تُوفر PLS إطاراً طبيعياً لنمذجة المتغيرات الكامنة (Latent Variables) التي تمثل مفاهيم مجردة مثل الذكاء، الرضا الوظيفي، أو الاحتراق النفسي، والتي لا يمكن قياسها بمؤشر واحد مباشر. كما تتميز بالمرونة الفائقة في استيعاب مستويات القياس المتنوعة، بما في ذلك المتغيرات المستمرة، والمتغيرات الثنائية، ومقاييس ليكرت الترتيبية المتعددة دون اشتراط التوزيع الطبيعي المتعدد الصارم.

2. معضلة التعددية الخطية (Multicollinearity) في النمذجة الإحصائية

2.1 طبيعة مشكلة التعددية الخطية وآثارها على النماذج

تحدث ظاهرة التعددية الخطية عندما يرتبط متغيران تفسيريان أو أكثر في نموذج الانحدار بعلاقات خطية قوية ومتبادلة، مما يعني أن بعض المتغيرات تحمل معلومات مكررة وشبه متطابقة حول الظاهرة المدروسة. من الناحية الرياضية، تقترب مصفوفة المعلومات من حالة الشذوذ (Singularity)، مما يجعل المحدد العددي للمصفوفة يقترب من الصفر، وهو ما يؤثر جذرياً على دقة واستقرار معاملات الانحدار المقدرة.

ينعكس هذا القصور الحسابي مباشرة على الأخطاء المعيارية لمعاملات الانحدار، حيث تتضخم هذه الأخطاء بشكل مفرط، مما يؤدي إلى اتساع فترات الثقة وانخفاض قيم اختبار (t) الإحصائي، وبالتالي فشل النموذج في إثبات المعنوية الإحصائية لمتغيرات ذات أهمية نظرية حقيقية بالغة. قد تظهر النتيجة المفارقة التي يتمثل فيها النموذج بارتفاع كبير في معامل التحديد الكلي ($R^2$) مع غياب كامل للدلالة الإحصائية لأي من المتغيرات التفسيرية على حدة.

تؤدي التعددية الخطية أيضاً إلى ظاهرة الإفراط في المطابقة (Overfitting)، حيث يصبح النموذج شديد الحساسية للتغيرات الطفيفة في بيانات العينة المستخدمة في التدريب، ويتبنى ضوضاء العينة كأنها أنماط حقيقية، مما يفقده القدرة على التعميم (Generalizability) والتنبؤ الدقيق عند تطبيقه على عينات جديدة مستقلة.

2.2 التعددية الخطية في المقاييس والاستبانات النفسية

تمثل الاستبانات وبطاريات الاختبارات في القياس النفسي والعلوم السلوكية بيئة خصبة لظهور التعددية الخطية؛ حيث تتضمن هذه الأدوات عدداً كبيراً من البنود التي تقيس سمات أو أبعاداً سلوكية ونفسية متقاربة ومتداخلة مفاهيمياً. على سبيل المثال، عند قياس أبعاد الشخصية، الاحتراق الوظيفي، أو مستويات القلق والاكتئاب، غالباً ما تسجل المؤشرات الفرعية ارتباطات ذاتية وتفاعلية بالغة الارتفاع تتجاوز أحياناً 0.85.

في ظل هذا الارتباط الكثيف، يصبح من المستحيل تقريباً عزل وتقدير “الأثر المستقل أو الفريد” لكل سمة نفسية على السلوك المستهدف باستخدام نماذج الانحدار المعيارية. يؤدي التداخل في البنود إلى تقلب إشارات المعاملات الانحدارية وتناقضها مع المنطق النظري الراسخ، كأن يظهر متغير داعم للدافعية كعامل سلبي مضلل إحصائياً نتيجة امتصاص تباينه بواسطة متغير آخر مقارب له.

لتشخيص هذه الظاهرة عملياً، يعتمد الباحثون على مؤشرات كمية صارمة، أبرزها معامل تضخم التباين (Variance Inflation Factor – VIF) ومؤشر التسامح (Tolerance). عندما يتجاوز معامل VIF القيم الحرجة (مثل 5 أو 10)، أو عندما يتجاوز مؤشر الحالة (Condition Index) عتبة 30، يُعد ذلك دليلاً قاطعاً على وجود خلل بنيوي يقتضي الانتقال إلى أساليب مثل المربعات الصغرى الجزئية.

2.3 حدود الحلول التقليدية للتعامل مع التعددية الخطية

لجأ الإحصائيون تقليدياً إلى استراتيجيات بدائية للتعامل مع التعددية الخطية، مثل الحذف التدريجي (Stepwise Selection) أو الحذف اليدوي لبعض المتغيرات المرتبطة بشدة. تُعد هذه الاستراتيجيات خطيرة ومحفوفة بالمخاطر المنهجية؛ إذ يؤدي الحذف التعسفي للمتغيرات إلى ضياع معلومات نظرية وجوهرية بالغة الأهمية، ويُدخل تحيزاً في التقدير ناتجاً عن حذف متغيرات ذات صلة (Omitted-variable bias).

ظهرت تقنيات الانحدار المنتظم (Regularization) كبدائل متقدمة، وفي مقدمتها انحدار الحافة (Ridge Regression) الذي يضيف معامل جزاء ($L_2$) إلى دالة الهدف لتقليص حجم المعاملات وتثبيت استقرار المصفوفات. ومع ذلك، يعيب انحدار الحافة أنه يحتفظ بكافة المتغيرات دون بناء أبعاد تفسيرية كامنة، مما يصعب فهم البنية التحتية المشتركة للعلاقات بين المتغيرات في الدراسات الاستكشافية.

على الجانب الآخر، يقوم انحدار لاسو (Lasso) بفرض جزاء ($L_1$) يؤدي إلى تصفير بعض المعاملات وتحقيق الاختيار الآلي للمتغيرات. لكن لاسو يعاني من نقطة ضعف جوهرية في وجود مجموعات من المتغيرات شديدة الارتباط؛ حيث يميل إلى اختيار متغير واحد منها عشوائياً وحذف البقية، متجاهلاً البنية التجميعية للبيانات. تتفوق المربعات الصغرى الجزئية على هذه القيود بدمج التباين المشترك لكافة المتغيرات ضمن مركبات كامنة متماسكة.

3. المقارنة المعمقة بين انحدار المكونات الرئيسية (PCR) والمربعات الصغرى الجزئية (PLS)

3.1 آلية عمل انحدار المكونات الرئيسية (PCR)

يعتمد انحدار المكونات الرئيسية (Principal Component Regression – PCR) على استراتيجية مرحلية ثنائية الخطوات؛ تبدأ الخطوة الأولى بتطبيق تحليل المكونات الرئيسية (PCA) الصارم على مصفوفة المتغيرات التفسيرية ($X$) بشكل مستقل تماماً، وذلك بهدف استخلاص مجموعة من المكونات المتعامدة غير المترابطة التي تُفسر أقصى قدر ممكن من إجمالي التباين الإحصائي الداخلي لمصفوفة المتغيرات المستقلة.

في الخطوة الثانية، يتم اختيار المكونات الأولى التي تستحوذ على الحصة العظمى من التباين، واستخدامها كمتغيرات تنبؤية جديدة في نموذج انحدار خطي اعتيادي (OLS) لتقدير متغير الاستجابة ($Y$). تنجح هذه المنهجية في التغلب الكامل على مشكلة التعددية الخطية، نظراً لتعامد المكونات المستخرجة واستقلالها الرياضي التام عن بعضها البعض.

المحدد الهيكلي الجوهري لأسلوب PCR يكمن في كونه أسلوباً غير موجه إحصائياً (Unsupervised learning) خلال مرحلة تفكيك وتلخيص المتغيرات التفسيرية. يتم استخراج المركبات الرئيسية دون أدنى اعتبار لمتغير الاستجابة ($Y$) أو معرفة بوجوده، مما يعني أن المكونات تُبنى وفق معيار وحيد وهو تعظيم تباين المتغيرات التفسيرية ($Var(X)$) فقط.

3.2 أوجه القصور في PCR والحل الذي تقدمه PLS

يترتب على الطبيعة غير الموجهة لـ PCR عيب جوهري خطير في النمذجة التنبؤية؛ فقد تكون المكونات الأولى المستخلصة، والتي تُفسر 80% أو 90% من تباين المتغيرات التفسيرية، ناجمة عن ضوضاء نظامية أو تباينات غير مرتبطة مطلقاً بالظاهرة المراد التنبؤ بها. في المقابل، قد يحمل المكون الأخير ذو التباين المنخفض (الذي يتم استبعاده عادة) الإشارة البيولوجية أو السلوكية الفريدة المسؤولة عن تفسير المتغير التابع.

هنا تبرز المربعات الصغرى الجزئية (PLS) كحل متفوق من خلال تبني مبدأ تقليل الأبعاد الخاضع للإشراف (Supervised Dimensionality Reduction). لا تسأل PLS: “ما هي المحاور التي تعظم تباين المتغيرات التفسيرية فقط؟”، بل تطرح السؤال الأكثر ملاءمة للتنبؤ: “ما هي المحاور الخطية في فضاء المتغيرات التفسيرية التي ترتبط بأقوى علاقة ممكنة وتفسر أقصى تباين مشترك مع متغير الاستجابة؟”.

تضمن PLS أن كافة المركبات المستخرجة تمت صياغتها وتدويرها في الفضاء الرياضي بحيث تخدم غرضين متزامنين: تلخيص البيانات التفسيرية، وتعظيم الارتباط التنبؤي مع متغيرات الاستجابة. في الدراسات السلوكية المعقدة والبيانات الطيفية، أظهرت المقارنات التطبيقية أن PLS تحقق أداء تنبؤياً متفوقاً باستخدام عدد مركبات أقل بكثير مما يتطلبه نموذج PCR، مع منح المخرجات معنى تفسيرياً وثيق الصلة بمتغير الهدف.

3.3 الفروق الرياضية والمفاهيمية الجوهرية بين PCR و PLS

تتضح الفروق الرياضية الجوهرية عند النظر إلى دالة الهدف (Objective Function) التي يسعى كل نموذج إلى تعظيمها تحت شروط التقيد المعياري للمتجهات:

• دالة الهدف في PCR: $\max Var(Xw) = \max (w^T X^T X w)$، بشرط أن يكون متجه الأوزان ذو طول وحدة ($w^T w = 1$).
• دالة الهدف في PLS: $\max Cov^2(Xw, Y) = \max (w^T X^T Y Y^T X w)$، حيث يتم تعظيم مربع التغاير المشترك بين درجات المتغيرات التفسيرية ومتغير الاستجابة، تحت نفس شرط التقييس ($w^T w = 1$).

يؤثر هذا الاختلاف الجذري في حساب مصفوفات الأوزان (Weights) والتحميلات (Loadings). فبينما يمثل متجه الأوزان في PCA المتجه الذاتي الأول لمصفوفة التغاير الداخلي ($X^T X$)، يمثل متجه الأوزان في PLS المتجه الذاتي الأول لمصفوفة التغاير المشترك بين الكتل ($X^T Y Y^T X$). هذا التعديل البسيط في الصياغة الرياضية يحول المنهجية من مجرد تلخيص أعمى للبيانات إلى نظام ذكي للربط السببي والتنبؤ المركز.

4. المعمارية الرياضية والخوارزمية لنموذج المربعات الصغرى الجزئية

4.1 التمثيل الرياضي لتفكيك المصفوفات في PLS

ينطلق البناء الرياضي لنموذج المربعات الصغرى الجزئية من مصفوفة بيانات المتغيرات التفسيرية $X$ ذات الأبعاد $(n \times p)$، ومصفوفة بيانات متغيرات الاستجابة $Y$ ذات الأبعاد $(n \times q)$، حيث يمثل $n$ عدد الحالات أو المشاهدات، و$p$ عدد المتغيرات المستقلة، و$q$ عدد متغيرات الاستجابة. قبل الشروع في التفكيك الخوارزمي، تُجرى عملية تقييس وتوسيط معياري للبيانات بحيث يكون متوسط كل متغير صفراً وانحرافه المعياري مساوياً للواحد.

يتم تفكيك مصفوفة البيانات التفسيرية $X$ إلى حاصل ضرب مصفوفة الدرجات $T$ ومصفوفة التحميلات $P$， مضافاً إليها مصفوفة المتبقيات $E$:

$$X = T P^T + E$$

بشكل متزامن ومتناظر، يتم تفكيك مصفوفة متغيرات الاستجابة $Y$ إلى حاصل ضرب مصفوفة الدرجات التابعة $U$ ومصفوفة التحميلات $Q$， مضافاً إليها مصفوفة المتبقيات $F$:

$$Y = U Q^T + F$$

حيث يمثل $T$ درجات العينات في فضاء المتغيرات المستقلة، و$U$ درجاتها في فضاء المتغيرات التابعة، وتحدد العلاقة الداخلية (Inner Relation) الرابط الخطي بين الدرجات الكامنة عبر المعادلة:

$$U = T B + H$$

حيث $B$ هي مصفوفة قطرية لمعاملات الانحدار الداخلي التي تربط المركبات الكامنة ببعضها، و$H$ تمثل مصفوفة الخطأ العشوائي للعلاقة الداخلية.

4.2 خوارزمية المربعات الصغرى التكرارية اللاخطية (NIPALS)

تُعد خوارزمية NIPALS الهيكل التنفيذي الكلاسيكي لتقدير معلمات نموذج PLS لكل مركب كامن على حدة. تعمل الخوارزمية عبر الخطوات التكرارية التالية لحساب المركب رقم $a$:

1. تحديد عمود عشوائي من مصفوفة الاستجابة $Y$ كمتجه درجات مبدئي $u$.
2. حساب متجه الأوزان التفسيرية: $w = X^T u / (u^T u)$.
3. تقييس متجه الأوزان إلى طول الوحدة: $w = w / |w|$.
4. تحديث متجه درجات $X$: $t = X w$.
5. حساب أوزان مصفوفة الاستجابة: $c = Y^T t / (t^T t)$.
6. تقييس أوزان الاستجابة: $c = c / |c|$.
7. تحديث درجات الاستجابة: $u = Y c$.
8. التحقق من تقارب المتجه $t$؛ إذا لم يتحقق التقارب، تُعاد الخطوات من 2 إلى 7 حتى الوصول إلى معيار التوقف الصغري (Convergence Criteria).
9. حساب متجهات التحميلات لمصفوفتي $X$ و $Y$: $p = X^T t / (t^T t)$ و $q = Y^T u / (u^T u)$.
10. إجراء تفريغ المصفوفات (Deflation) لإزالة التباين الذي تم استيعابه بواسطة المركب الحالي:
    $$X_{new} = X – t p^T$$
    $$Y_{new} = Y – t c^T$$

تتكرر هذه السلسلة الحسابية بالكامل على المصفوفات المفرغة لاستخراج المركب الكامن التالي، وتستمر العملية حتى استيفاء العدد المحدد مسبقاً من المكونات المثلى.

4.3 خوارزمية SIMPLS كبديل حسابي فعال

على الرغم من دقة واستقرار خوارزمية NIPALS، إلا أن خطوة تفريغ المصفوفات الكاملة ($X$ و $Y$) في كل دورة تكرارية تفرض عبئاً حسابياً ملحوظاً، وتتطلب استهلاكاً مكثفاً للذاكرة الحاسوبية عند التعامل مع مجموعات البيانات الضخمة (Big Data). في مطلع تسعينيات القرن العشرين، قدم الإحصائي دي يونغ (Sijmen de Jong, 1993) خوارزمية SIMPLS كبديل فائق السرعة والكفاءة.

تعتمد خوارزمية SIMPLS على مبدأ الحساب المباشر لأوزان PLS انطلاقاً من مصفوفة التغاير المشترك المتقاطع ($S = X^T Y$)، دون الحاجة إلى تفريغ مصفوفات البيانات الأصلية $X$ و $Y$. بدلاً من ذلك، تقوم الخوارزمية بتفريغ مصفوفة التغاير المتقاطع ومساقطها فقط، مما يختزل العمليات الحسابية المصفوفاتية الكثيفة إلى كسور زمنية يسيرة مقارنة بـ NIPALS.

من الناحية الرياضية، تُعطي خوارزميتا NIPALS و SIMPLS نتائج متطابقة تماماً في حالة النموذج أحادي الاستجابة (PLS1). أما في حالة النماذج متعددة الاستجابات (PLS2)، فإن SIMPLS تُحقق تعامداً صارماً في درجات المركبات المستخرجة، مما يجعل مخرجاتها أسهل في التفسير أحياناً وأكثر كفاءة حاسوبياً في منصات التحليل الحديثة.

5. أنماط وتفريعات نماذج المربعات الصغرى الجزئية

5.1 انحدار المربعات الصغرى الجزئية أحادي الاستجابة (PLS1)

يمثل نموذج PLS1 النمط الأكثر شيوعاً وبساطة في تطبيقات الانحدار، حيث يتم تخصيصه للتعامل مع الحالات التي تحتوي على متجه وحيد للاستجابة ($y in \mathbb{R}^{n \times 1}$) في مقابل مصفوفة متعددة الأبعاد للمتغيرات المستقلة والتفسيرية ($X in \mathbb{R}^{n \times p}$). في هذا النموذج، لا تتطلب خوارزمية NIPALS دورات تكرارية داخلية معقدة لحساب متجهات الأوزان؛ حيث يُحسب متجه الأوزان مباشرة عبر ضرب المصفوفة بمتجه الاستجابة وتقييسه في خطوة واحدة مغلقة.

يتميز PLS1 بخصائص رياضية فائقة الثبات وقدرة تنبؤية استثنائية؛ نظراً لأن كل الطاقة الاستخراجية للمركبات الكامنة تتوجه حصراً نحو تعظيم التباين المفسر لمتغير تابع فردي محدد. يُستخدم هذا النمط على نطاق واسع في التشخيص الإكلينيكي والقياس النفسي الفردي، مثل التنبؤ الدقيق بدرجة اضطراب طيف التوحد أو قياس مستوى شدة الاكتئاب بناءً على بطارية اختبارات متعددة الأبعاد.

تتمثل الشروط الأساسية لتطبيق PLS1 في معالجة القيم الشاذة، وتحديد العدد الأمثل للمركبات الكامنة لتجنب فرط المطابقة، وضمان أن العلاقة بين المتغيرات التفسيرية والاستجابة تقبل التمثيل الخطي الكافي في الفضاء الكامن المشترك.

5.2 انحدار المربعات الصغرى الجزئية متعدد الاستجابات (PLS2)

عندما تشتمل مشكلة البحث على مصفوفة كاملة من متغيرات الاستجابة ($Y in \mathbb{R}^{n \times q}$) تضم متغيرين تابعين أو أكثر، يصبح نموذج PLS2 هو الخيار المنهجي الواجب تطبيقه. تكمن القوة الفريدة لـ PLS2 في قدرته على استغلال واستثمار الارتباطات والتغايرات الداخلية المتشابكة بين متغيرات الاستجابة ذاتها لتحسين دقة واستقرار النموذج التنبؤي ككل.

في الدراسات السلوكية والنفسية، نادراً ما تظهر الظواهر الإنسانية كاستجابات معزولة؛ فالضغوط المهنية تؤثر بالتزامن على الرضا الوظيفي، الالتزام التنظيمي، والأعراض النفس-جسمية. يتيح PLS2 نمذجة هذه التفاعلات متعددة الأطراف، حيث يتم استخراج مركبات كامنة توفق بين التباين الكلي في المتغيرات التفسيرية (مثل الدعم الاجتماعي وبيئة العمل) وشبكة الاستجابات النفسية المتعددة.

على الرغم من شمولية PLS2، إلا أنه يفرض توازناً حسابياً دقيقاً؛ فإذا كانت متغيرات الاستجابة غير مترابطة فيما بينها، فإن استخدام نماذج PLS1 منفصلة لكل متغير تابع قد يعطي نتائج تنبؤية أكثر دقة من نموذج PLS2 موحد قد تتشوش فيه الأوزان بمحاولة إرضاء استجابات متنافرة.

5.3 التحليل التمايزي بالمربعات الصغرى الجزئية (PLS-DA)

يُعد التحليل التمايزي بالمربعات الصغرى الجزئية (Partial Least Squares Discriminant Analysis – PLS-DA) تطويراً وتحويراً متخصصاً لنموذج PLS للتعامل مع مشكلات التصنيف والتنبؤ بالمتغيرات التابعة الفئوية والنوعية. في هذا الإطار، يتم تحويل المتغير التابع النوعي المكون من فئات إلى مصفوفة من المتغيرات الوهمية الثنائية (Dummy Variables) المشفرة بالقيمتين (0 و 1).

يجد هذا الأسلوب تطبيقات حاسمة في التشخيص النفسي والطب النفسي الدقيق؛ كالتصنيف الآلي للأفراد إلى مجموعات إكلينيكية (مثل: أصحاء، اضطراب وجداني ثنائي القطب، فصام) بناءً على ملامح الشخصية الشاملة والمؤشرات السلوكية والفسيولوجية. ينجح PLS-DA في رسم حدود فاصلة واضحة في فضاء المركبات الكامنة لتحديد انتماء الأفراد للفئات المختلفة.

ومع ذلك، يُحذر خبراء الإحصاء والقياس من مخاطر الإفراط الشديد في التصنيف والتعميم الكاذب (Severe Overfitting) الكامن في PLS-DA، لا سيما عند زيادة عدد المتغيرات التفسيرية مقارنة بحجم العينة؛ حيث يميل النموذج إلى فصل المجموعات حتى وإن كانت البيانات مولدة عشوائياً. لذلك، يتطلب هذا النمط إجراءات تحقق تقاطعي مزدوجة واختبارات تبديل عشوائي (Permutation tests) صارمة لضمان موثوقية الحدود التمايزية المستخلصة.

6. نمذجة المعادلات الهيكلية بالمربعات الصغرى الجزئية (PLS-SEM)

6.1 الأسس المفاهيمية لـ PLS-SEM مقابل CB-SEM

تنقسم نمذجة المعادلات الهيكلية إلى اتجاهين فلسفيين ومنهجيين متمايزين: النمذجة القائمة على التباين (Variance-based PLS-SEM) والنمذجة التقليدية القائمة على التغاير (Covariance-based SEM – CB-SEM). تهدف CB-SEM (المطبقة في برمجيات مثل LISREL و AMOS) إلى تقليل الفروق بين مصفوفة التغاير النظرية ومصفوفة التغاير المحسوبة من العينة، مما يجعلها أسلوباً مثالياً لاختبار وتأكيد النظريات الراسخة وشديد الحساسية لاكتمال الشروط التوزيعية.

في المقابل، تُركز PLS-SEM (المطبقة في SmartPLS و SEMinR) على تعظيم التباين المفسر للمتغيرات الكامنة التابعة عبر إجراءات التحسين الموضعي للمربعات الصغرى الجزئية. هذا التوجه يجعل من PLS-SEM منهجية موجهة بالتنبؤ والاستكشاف، قادرة على التعامل مع النماذج المعقدة جداً التي تحتوي على عشرات المتغيرات الكامنة ومئات المسارات التفاعلية دون مواجهة مشكلات عدم التقارب الحسابي (Non-convergence).

تتميز PLS-SEM بمرونة استثنائية تجاه فروض التوزيع الطبيعي المتعدد (Non-normality)، وتعمل بكفاءة عالية مع أحجام العينات الصغيرة والمتوسطة، وتوفر إمكانية الدمج السلس بين المؤشرات الانعكاسية والتكوينية داخل نفس النموذج، مما يجعلها الخيار المنهجي الأكثر تفضيلاً في بحوث العلوم الاجتماعية والسلوكية الحديثة ذات الطابع التطبيقي التنبؤي.

6.2 نموذج القياس (Measurement Model / Outer Model)

يمثل نموذج القياس (المعروف بالنموذج الخارجي) الجسر المنهجي الذي يربط بين المؤشرات أو البنود المقاسة مباشرة والتركيبات والمفاهيم الكامنة المجردة. تصنف العلاقات في نموذج القياس إلى نمطين جوهريين:

• النماذج الانعكاسية (Reflective Measurement Models): يُفترض فيها أن المتغير الكامن هو السبب المباشر الذي يُنتج الاستجابات على المؤشرات المقاسة (الأسهم تتجه من المتغير الكامن إلى البنود). على سبيل المثال، مستوى “القلق العام” يسبب ظهور أعراض مثل التعرق وزيادة ضربات القلب وتشتت الانتباه. ترتبط البنود في هذا النمط ببعضها ارتباطاً وثيقاً ويجب أن تتمتع باتساق داخلي مرتفع.
• النماذج التكوينية (Formative Measurement Models): يُفترض فيها أن المؤشرات المقاسة هي التي تُشكل وتُنشئ المتغير الكامن بصورة تراكمية (الأسهم تتجه من البنود إلى المتغير الكامن). على سبيل المثال، مفهوم “الضغط المالي” يتشكل من مؤشرات مثل الديون، فقدان الوظيفة، وانخفاض الدخل. لا يُشترط هنا وجود ارتباط بين البنود، ولا يعد حذف أي بند أمراً جائزاً دون تغيير طبيعة المفهوم الكامن ذاته.

إن التحديد الخاطئ لطبيعة نموذج القياس (كالتعامل مع المؤشرات التكوينية كأنها انعكاسية أو العكس) يُعد من أكبر الأخطاء المنهجية التي تؤدي إلى تشويه نتائج النموذج الهيكلي وفقدان دقة التقديرات المسارية.

6.3 النموذج الهيكلي (Structural Model / Inner Model)

يتناول النموذج الهيكلي (المعروف بالنموذج الداخلي) صياغة واختبار شبكة العلاقات السببية والفرضيات المسارية التي تربط بين المتغيرات الكامنة ذاتها. تُصنف المتغيرات الكامنة في هذا النموذج إلى متغيرات داخلية (Endogenous Variables) تمثل النواتج المستهدفة بالتفسير، ومتغيرات خارجية (Exogenous Variables) تمثل العوامل التفسيرية الأولية التي لا تتلقى أي مسارات سببية داخل النموذج.

يتيح النموذج الهيكلي في PLS-SEM تحليل التأثيرات المباشرة، فضلاً عن التأثيرات غير المباشرة المعقدة من خلال تحليل الوساطة الإحصائية (Mediation Analysis)، للكشف عن الآليات والمسارات الوسيطة التي تنقل أثر المتغير المستقل إلى المتغير التابع. كما يدعم النموذج تحليل التعديل والتفاعل (Moderation Analysis)، لتقييم كيف تتبدل قوة أو اتجاه العلاقات المسارية بتغير مستويات متغير معدل محدد (مثل النوع الاجتماعي أو السمات الشخصية).

يتم تقييم واختبار معنوية معاملات المسار (Path Coefficients) وحساب الأخطاء المعيارية ومجالات الثقة وقيم (p-values) بالاعتماد على خوارزميات إعادة التوليد غير المعلمية مثل التمهيد الإحصائي، مما يوفر فهماً عميقاً ودقيقاً للشبكة السببية محل الدراسة.

7. خطوات تنفيذ تحليل المربعات الصغرى الجزئية عملياً

7.1 المعالجة القبلية للبيانات وتجهيزها (Data Preprocessing)

تتطلب موثوقية التحليل الإحصائي بالمربعات الصغرى الجزئية مرحلة إعداد ومعالجة دقيقة للبيانات الأولية. تبدأ هذه المرحلة بفحص القيم المفقودة (Missing Values) والتعامل معها؛ فعلى الرغم من مرونة خوارزميات PLS، إلا أن المعالجة المسبقة عبر أساليب متقدمة مثل التعويض المتعدد (Multiple Imputation) أو خوارزمية التوقع والتعظيم (EM Algorithm) تضمن الحفاظ على خصائص العينة دون تحيز.

تأتي بعد ذلك خطوة فحص القيم الشاذة والمتطرفة (Outliers) التي قد تشوه تقدير المكونات الكامنة، واستخدام مسافة مهالانوبيس (Mahalanobis Distance) أو المؤشرات القوية لتحديدها. يلي ذلك إجراء التقييس والتوسيط المعياري (Centering and Scaling) للمتغيرات عبر طرح المتوسط والقسمة على الانحراف المعياري، وهي خطوة حتمية لإزالة أثر تباين وحدات القياس وضمان مساهمة المتغيرات بأوزان عادلة في استخراج المركبات.

في سياق النمذجة التنبؤية، يتم تقسيم البيانات المتاحة بطريقة عشوائية طبقية إلى مجموعة تدريب (Training Set) تُخصص لتقدير معلمات النموذج، ومجموعة اختبار مستقلة تماماً (Testing/Holdout Set) تُحجب أثناء التدريب وتُستخدم لاحقاً للتحقق من القدرة التنبؤية للنموذج على تعميم النتائج.

7.2 تحديد العدد الأمثل للمركبات الكامنة (Optimal Number of Components)

يُعد اختيار عدد المركبات الكامنة المستخلصة المعضلة الجوهرية في ضبط نموذج PLS؛ حيث يؤدي استخراج عدد قليل جداً من المركبات إلى نقص المطابقة (Underfitting) وفقدان معلومات تفسيرية قيمة، في حين يؤدي استخراج عدد مفرط من المركبات إلى الإفراط في المطابقة (Overfitting) والتقاط الضوضاء العشوائية كأنها إشارات حقيقية.

يُستخدم أسلوب التحقق التقاطعي (Cross-Validation)، وتحديداً خوارزمية التحقق التقاطعي عبر العينات المتعددة ($k$-fold Cross-Validation)، كمعيار رئيسي لتحديد هذا التوازن. يتم حساب معيار التنبؤ المتبقي، والمعروف بجذر متوسط مربع خطأ التحقق التقاطعي (Root Mean Squared Error of Cross-Validation – RMSECV)، لكل مركب مضاف:

$$RMSECV = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_{(-i)})^2}$$

حيث تمثل $\hat{y}_{(-i)}$ القيمة المتنبأ بها للمشاهدة $i$ عندما يتم تدريب النموذج مع استبعاد الكتلة التي تنتمي إليها تلك المشاهدة. يتزامن مع ذلك حساب معامل الأهمية التنبؤية $Q^2$ عبر إجراء استبعاد العينات (Blindfolding). يُعتمد المركب الإضافي فقط إذا حقق انخفاضاً معنوياً في خطأ RMSECV أو قيمة $Q^2$ موجبة وذات مغزى، التزاماً بمبدأ البساطة والتوازن (Parsimony Principle).

7.3 استخراج وتفسير مخرجات النموذج النهائي

بمجرد تحديد العدد الأمثل للمكونات، يتم تدريب النموذج النهائي واستخراج المصفوفات التفسيرية. تتضمن المخرجات الرئيسية:

• مصفوفة أوزان PLS ($W$): توضح الأهمية النسبية والمساهمة الفريدة لكل متغير أصلي في تشكيل وتركيب المكونات الكامنة.
• مصفوفة التحميلات ($P$ و $Q$): توضح معاملات الارتباط البسيطة بين المتغيرات الأصلية والمركبات الكامنة المستخرجة.
• مصفوفة معاملات الانحدار النهائية ($\beta$): تترجم النموذج الكامن إلى معادلة انحدارية مباشرة تربط المتغيرات التفسيرية الأصلية بمتغير الاستجابة، مما يسهل التطبيق العملي.
• درجات العينات (Scores – $T$): تمثل إحداثيات كل مفحوص أو مشاهدة في فضاء الأبعاد المختزلة، وتتيح رسم المخططات البيانية لاكتشاف الأنماط والتجمعات العنقودية وتصنيف الحالات.

يختتم التحليل بحساب نسب التباين التراكمي المفسر في كل من مصفوفة المتغيرات المستقلة ومصفوفة المتغيرات التابعة، وإعداد التقرير الإحصائي وفق المعايير الأكاديمية الصارمة (مثل معايير APA).

8. تقييم جودة وملاءمة النموذج في أسلوب المربعات الصغرى الجزئية

8.1 تقييم نموذج القياس (الموثوقية والصدق)

يتطلب تقييم النماذج الانعكاسية في PLS-SEM فحصاً متكاملاً لمؤشرات الموثوقية والصدق. يُقاس الاتساق الداخلي باستخدام ألفا كرونباخ (Cronbach’s Alpha) بجانب مقياس الاعتمادية المركبة (Composite Reliability – $\rho_c$)؛ حيث يتميز الأخير بعدم افتراض تساوي أوزان البنود، ويُشترط أن تتجاوز القيم عتبة 0.70 في البحوث الميدانية.

يتم التحقق من الصدق التقاربي (Convergent Validity) عبر فحص تحميلات المؤشرات (Indicator Loadings) والتي يجب أن تتجاوز 0.708، ومؤشر متوسط التباين المستخرج (Average Variance Extracted – AVE) الذي يجب أن يتجاوز 0.50، مما يعني أن المتغير الكامن يفسر أكثر من نصف تباين مؤشراته المكونة له.

أما الصدق التمايزي (Discriminant Validity) – الذي يضمن استقلال وتميز المفاهيم الكامنة عن بعضها – فكان يُقاس تقليدياً بمعيار فورنيل-لاركر (Fornell-Larcker Criterion). غير أن المنهجيات الحديثة فرضت تطبيق معيار نسبة الارتباط المغاير للمونوترات (Heterotrait-Monotrait Ratio of Correlations – HTMT) كمعيار متفوق وأكثر صرامة؛ حيث تشير قيم HTMT الأقل من 0.85 (أو 0.90 في المفاهيم المتداخلة) إلى تحقق الصدق التمايزي بشكل قاطع.

8.2 تقييم النموذج الهيكلي والقوة التنبؤية

يبدأ تقييم النموذج الهيكلي بفحص معامل التحديد ($R^2$) للمتغيرات الكامنة التابعة لتقدير نسبة التباين المفسر، وتُصنف القيم في العلوم السلوكية إلى ضعيفة (0.25)، ومعتدلة (0.50)، وجوهرية (0.75). يلي ذلك حساب حجم الأثر للمسارات الفردية ($f^2$) لتقييم المساهمة النسبية لكل متغير مستقل في تكوين $R^2$ للمتغير التابع المقترن به.

لتقييم الملاءمة العامة وتحديد مدى ابتعاد النموذج عن التطابق النظري، يتم حساب الجذر التربيعي لمتوسط المتبقيات القياسية المربعة (Standardized Root Mean Square Residual – SRMR)، حيث تشير القيم الأقل من 0.08 إلى ملاءمة ممتازة للنموذج الهيكلي الكلي.

في مجال تقييم الصلاحية التنبؤية خارج العينة، تم تطوير إجراء PLSpredict؛ حيث يقوم بمقارنة الأخطاء التنبؤية الناتجة عن نموذج PLS بأخطاء نموذج خطي مرجعي (LM). إذا أظهرت معظم مؤشرات النموذج أخطاء تنبؤية (RMSE أو MAE) أقل من النموذج الخطي، يُصنف النموذج بأنه يتمتع بقدرة تنبؤية متوسطة إلى عالية، مما يدعم قابليته للتطبيق العملي.

8.3 إجراءات إعادة العينات واستقرار التقديرات (Resampling & Bootstrapping)

نظراً لأن المربعات الصغرى الجزئية لا تفرض افتراضات التوزيع الطبيعي المتعدد للمتغيرات، فإن اختبارات المعنوية البارامترية الكلاسيكية لا يمكن تطبيقها مباشرة لتقييم الدلالة الإحصائية لمعاملات المسار والتحميلات. للتغلب على ذلك، تعتمد PLS على أسلوب التمهيد غير المعلمي (Non-parametric Bootstrapping).

يقوم أسلوب التمهيد على توليد آلاف العينات الفرعية العشوائية من بيانات العينة الأصلية بالاستبدال (عادة 5000 أو 10000 عينة تمهيدية)، وإعادة تقدير النموذج على كل عينة. تُتيح هذه العملية الحسابية المكثفة بناء توزيع تجريبي لمعاملات المسار، مما يسمح بحساب الأخطاء المعيارية الدقيقة ومجالات الثقة المصححة للتحيز (Bias-Corrected and Accelerated Confidence Intervals) والقيم الاحتمالية ($p$-values).

تُستخدم إجراءات متقدمة مبنية على إعادة العينات للكشف عن عدم التجانس غير الملاحظ (Unobserved Heterogeneity) داخل البيانات؛ مثل نمذجة خلط الشرائح المتعددة (FIMIX-PLS) وخوارزمية التقسيم الموضعي (PLS-POS)، لضمان عدم وجود مجموعات فرعية خفية تشوه استقرار وتفسير العلاقات الهيكلية الكلية.

9. التعامل مع البيانات عالية الأبعاد وصغيرة العينات (High-Dimensional Data)

9.1 ديناميكية العمل عند تفوق عدد المتغيرات على العينات (p >> n)

تُمثل أزمة الأبعاد الفائقة ($p gg n$) تحدياً كبيراً في النمذجة الإحصائية الكلاسيكية؛ فعندما يرتفع عدد المتغيرات التفسيرية ($p$) إلى المئات أو الآلاف في مقابل عينة صغيرة محدودة ($n$) تتكون من بضع عشرات من المفحوصين، تصبح مصفوفة التغاير $X^T X$ غير قابلة للعكس نهائياً، مما يؤدي إلى انهيار تام في معادلات OLS وتوقفها عن العمل.

تتجاوز المربعات الصغرى الجزئية هذا القيد البنيوي من خلال استبدال الفضاء الأصلي عالي الأبعاد بفضاء منخفض الأبعاد يتكون من عدد قليل جداً من المركبات الكامنة ($a ll p$). لا تعتمد الخوارزمية على حساب معكوس مصفوفة المتغيرات، بل تعتمد على حساب ضرب المصفوفات ومساقط المتجهات التكرارية، مما يمنحها استقراراً عددياً مطلقاً بغض النظر عن حجم $p$.

تجد هذه الخاصية الاستثنائية تطبيقات واسعة في مجالات العلوم العصبية، كتحليل بيانات المسح الدماغي بالرنين المغناطيسي الوظيفي (fMRI) والدراسات الجينية النفسية (Neurogenetics)؛ حيث يتم فحص التعبير الجيني لآلاف الجينات والنشاط العصبي لآلاف النقاط الدماغية (Voxels) للتنبؤ بأنماط سلوكية أو اضطرابات نفسية لدى عينات سريرية صغيرة.

9.2 تقنيات الاختيار المتغير في PLS عالية الأبعاد

عند التعامل مع فضاءات واسعة من المتغيرات، تبرز الحاجة إلى تنقية النموذج واستبعاد المتغيرات المشوشة أو عديمة الفائدة لتحسين الأداء التنبؤي وقابلية التفسير العلمي. يُعد مقياس أهمية المتغير في الإسقاط (Variable Importance in Projection – VIP) الأداة الأكثر شهرة وتطبيقاً في هذا الإطار.

يحسب مؤشر VIP المساهمة الإجمالية لكل متغير تفسيري في بناء كافة المركبات الكامنة المعتمدة، مرجحة بنسبة التباين المفسر في متغير الاستجابة بواسطة كل مركب. وفقاً للقاعدة المعيارية، تُعد المتغيرات التي تحقق قيمة $VIP > 1.0$ متغيرات جوهرية ذات تأثير حاسم، بينما تُعد المتغيرات ذات القيم الأقل من 0.7 إلى 0.8 مرشحة للاستبعاد والتصفية من النموذج.

امتداداً لهذا التوجه، تم تطوير نماذج المربعات الصغرى الجزئية المفرقة (Sparse PLS – sPLS)، والتي تدمج جزاء التقليص ($L_1$ Penalty) مباشرة داخل خوارزمية NIPALS أثناء تقدير متجهات الأوزان. يؤدي ذلك إلى تصفير أوزان المتغيرات غير المهمة تلقائياً واختيار مجموعة فرعية مكثفة ومترابطة من المتغيرات التفسيرية، مما يعزز دقة النموذج ووضوحه النظري.

9.3 محاذير وضمانات التعامل مع العينات الصغيرة في البحوث السلوكية

شاع في الأدبيات التطبيقية افتراض مفاده أن مرونة PLS تعني قدرتها على إنتاج نتائج سحرية وموثوقة من عينات متناهية الصغر؛ وهو تصور خاطئ يحذر منه علماء القياس والإحصاء. فبينما تستطيع الخوارزمية إجراء العمليات الحسابية بدون توقف على عينات صغيرة، إلا أن ذلك لا يضمن تحقيق القوة الإحصائية الكافية (Statistical Power) لاكتشاف التأثيرات الحقيقية ذات الأحجام الصغيرة أو المتوسطة.

في العينات متناهية الصغر، يتضاعف خطر التقاط ضوضاء الصدفة وتضخيم التباين العشوائي؛ مما يقود إلى معاملات مسار مفرطة ومضللة وفترات ثقة واسعة جداً تحد من مصداقية الاستنتاجات العلمية. لم يعد الاعتماد على القواعد البدائية غير الدقيقة، مثل “قاعدة المتغيرات العشرية” (10-times rule)، مقبولاً في الأبحاث الرصينة.

بدلاً من ذلك، يُلزم الباحثون بإجراء تحليل القوة المسبق (A-priori Power Analysis) باستخدام برمجيات مثل G*Power لتحديد الحد الأدنى المطلوب من العينة بناءً على حجم الأثر المتوقع ومستوى الدلالة وقوة الاختبار المستهدفة ($1-\beta = 0.80$). كما تتطلب العينات الصغيرة بروتوكولات تحقق صارمة تشمل التحقق المتقاطع واستخدام نماذج التمهيد المتطورة للتأكد من استقرار التقديرات.

10. تطبيقات المربعات الصغرى الجزئية في العلوم السلوكية والقياس النفسي

10.1 بناء وتقنين الاختبارات والمقاييس النفسية المعقدة

تؤدي المربعات الصغرى الجزئية دوراً محورياً في بناء وتقنين المقاييس النفسية ذات الأبعاد المتعددة والتداخل الداخلي الكثيف؛ حيث تواجه أساليب التحليل العاملي التوكيدي التقليدي صعوبات بالغة عند وجود ارتباطات عالية بين الفقرات أو عند بناء أدوات تشمل مؤشرات مركبة تجمع سمات متجاورة.

تُسهم PLS في تحديد الأوزان النسبية للبنود التكوينية في بناء المؤشرات النفسية المركبة (Index Construction)، مثل مؤشر الرفاه النفسي المركب أو مقياس التكيف الاجتماعي، حيث يتم وزن كل بند بحسب قدرته التنبؤية الفعلية بالمخرجات السلوكية بدلاً من إعطاء كافة البنود أوزاناً متساوية غير مبررة نظرياً.

كما تُستخدم المنهجية في فحص ثبات البنية العاملية والتحقق من التكافؤ عبر المجموعات الثقافية والديموغرافية المتنوعة، وتقييم حساسية البنود وقدرتها على عزل التداخل المفاهيمي بين المتلازمات النفسية المعقدة، كالتمييز الدقيق بين الاحتراق النفسي، القلق، والاكتئاب السريري.

10.2 النمذجة التنبؤية للسلوك البشري واتخاذ القرار

تُعد دراسة السلوك البشري واتخاذ القرار بيئة تطبيقية خصبة لنماذج PLS؛ نظراً لأن القرارات الإنسانية تُعد نتاجاً لتفاعل منظومات متشابكة من المتغيرات المعرفية، الوجدانية، الاجتماعية، والبيئية التي يصعب نمذجتها بنجاح عبر الأساليب الكلاسيكية دون تشويش التعددية الخطية.

في سياق علم النفس التنظيمي وإدارة الموارد البشرية، تُطبق نماذج PLS للتنبؤ بالأداء الوظيفي والإنتاجية وسلوك المواطنة التنظيمية اعتماداً على بطاريات واسعة من اختبارات الكفاءة والسمات القيادية والمناخ المؤسسي. وفي أبحاث سلوك المستهلك والتسويق العصبي، تُبنى نماذج مسارية متكاملة لربط دوافع الشراء اللاواعية والاتجاهات الإدراكية بالقرارات الشرائية الفعلية.

في البيئات التعليمية، تدعم المنهجية التنبؤ بالتسرب الدراسي والتعثر الأكاديمي عبر الربط بين الكفاءة الذاتية المدركة، الاستراتيجيات التنظيمية للتعلم، والضغوط الأكاديمية. كما تُستخدم في علم النفس الإكلينيكي لبناء نماذج التدخل المبكر للتنبؤ بانتكاسات الإدمان واستجابات المرضى للبروتوكولات العلاجية المعرفية السلوكية.

10.3 دمج البيانات الفسيولوجية-العصبية مع المقاييس السلوكية

يمثل التكامل بين القياس النفسي السلوكي والمؤشرات البيولوجية والفسيولوجية العصبية أحد أكثر الآفاق العلمية تطوراً وإثارة في القرن الحادي والعشرين. يواجه هذا الحقل تحدياً يتمثل في التباين الهائل في طبيعة وتوسيع المقاييس؛ حيث تتجاور إشارات الرنين المغناطيسي الوظيفي (fMRI) وإشارات تخطيط الدماغ الكهربائي (EEG) والمؤشرات الهرمونية مع استجابات الاستبانات النفسية التقريرية.

تتألق المربعات الصغرى الجزئية كأداة تكاملية رائدة في هذا المجال؛ حيث تتيح التعامل مع مصفوفات ضخمة تتضمن النشاط الكهربائي والدموي لمناطق الدماغ المختلفة في كتلة تفسيرية، وربطها بكتلة استجابات سلوكية متعددة (PLS2) أو تصنيفات تشخيصية (PLS-DA). تستخلص الخوارزمية أنماط الترابط العصبي-السلوكي الكامنة التي تفسر أقصى تباين مشترك بين وظائف الدماغ والسلوك الظاهري.

يساعد ذلك الباحثين في رسم خرائط المسارات الحيوية للاستجابة للضغوط النفسية، عبر ربط مستويات هرمون الكورتيزول والاستجابة الجلدية الجلفانية ببيانات اختبارات القلق والاكتئاب، بكفاءة رياضية تحيد التعددية الخطية وتعزل المؤشرات الحيوية الأكثر ارتباطاً بالصحة النفسية للأفراد.

11. البرمجيات والأدوات الإحصائية لتحليل المربعات الصغرى الجزئية

11.1 تنفيذ PLS باستخدام لغة R

تُوفر بيئة البرمجة الإحصائية مفتوحة المصدر R منظومة متكاملة من الحزم البرمجية المتخصصة في تحليل وانحدار المربعات الصغرى الجزئية بمختلف أنماطها. في مقدمة هذه الأدوات تأتي حزمة pls الرائدة، والتي توفر دوال حسابية سريعة لانحدار PLS1 و PLS2 وتنفيذ خوارزميات NIPALS و SIMPLS، مع إمكانيات مدمجة للتحقق التقاطعي واستخراج درجات وتحميلات المركبات الكامنة بسهولة.

أما في سياق نمذجة المعادلات الهيكلية (PLS-SEM)، تبرز حزم حديثة مثل SEMinR وحزمة plspm؛ حيث تقدم حزمة SEMinR صياغة تركيبية أنيقة وبديهية لبناء نماذج القياس (الانعكاسية والتكوينية) والنموذج الهيكلي، وتدعم إجراءات التمهيد والوساطة والتعديل وتقييم مؤشرات الصدق المتقدمة مثل HTMT و PLSpredict آلياً وبسرعة فائقة.

تمنح R الباحثين مرونة مطلقة في تخصيص الدوال البرمجية، وربط التحليلات بحزم التصور البياني المتقدم مثل ggplot2 لتوليد مخططات مسارية ورسوم بيانية ثنائية وثلاثية الأبعاد لمساقط الدرجات والأوزان بدقة متناهية تلبي متطلبات النشر العلمي الرفيع.

11.2 تنفيذ PLS في بيئة بايثون (Python)

تحتل لغة بايثون مكانة مرموقة في مجالات تعلم الآلة والعلوم الحسابية، وتوفر دعماً قوياً للمربعات الصغرى الجزئية من خلال مكتبة Scikit-Learn القياسية. توفر المكتبة فئات مدمجة عالية الكفاءة تشمل PLSRegression لانحدار البيانات المستمرة، وفئة PLSSVD للتحليل المعتمد على تفكيك القيم المفردة البسيط.

تتميز بيئة بايثون بالقدرة على دمج نماذج PLS بسلاسة ضمن خطوط أنابيب تعلم الآلة المتكاملة (Machine Learning Pipelines)؛ مما يتيح تطبيق المعالجة المسبقة، والضبط الدقيق للفائق المعلمي (Hyperparameters Tuning) عبر أدوات مثل GridSearchCV و RandomizedSearchCV لتقييم واختيار عدد المركبات الأمثل تلقائياً بالتوازي مع خوارزميات التقسيم المتقاطع.

كما تدعم بايثون، عبر مكتبات مثل Matplotlib و Seaborn، بناء لوحات مرئية تفاعلية لمراقبة تباينات المكونات الكامنة ومقارنة أداء PLS مع خوارزميات أخرى مثل انحدار الحافة والغابات العشوائية (Random Forests) تحت بيئة عمل برمجية موحدة ومتسقة.

11.3 البرمجيات الرسومية المتخصصة (SmartPLS وغيرها)

إلى جانب البيئات البرمجية القائمة على الشيفرات، تحظى البرمجيات ذات الواجهات الرسومية (GUI) بانتشار واسع في الأوساط الأكاديمية. يأتي برنامج SmartPLS في طليعة هذه البرمجيات، حيث يتيح للباحثين رسم النماذج الهيكلية ونماذج القياس عبر السحب والإفلات وتغذية البيانات بمرونة فائقة.

يقدم SmartPLS مجموعة واسعة من أدوات التحليل المتقدمة بضغطة زر؛ تشمل التمهيد غير المعلمي المتطور، تحليل المجموعات المتعددة (Multigroup Analysis – MGA)، تحليل عدم التجانس غير الملاحظ (FIMIX)، واختبارات التعديل والوساطة المعقدة، مع توليد تقارير شاملة ومصنفة لمعايير الجودة ومصفوفات الصدق التمايزي وتصدير النتائج بتنسيقات قابلة للنشر الفوري.

تتضمن قائمة الخيارات البرمجية المتخصصة أيضاً برامج أخرى ذات ميزات فريدة؛ مثل WarpPLS الذي يركز على رصد ونمذجة العلاقات اللاخطية والمنحنية بين المتغيرات الكامنة، وبرنامج XLSTAT-PLS المدمج كإضافة احترافية داخل بيئة جداول بيانات ميكروسوفت إكسيل.

12. التحديات والانتقادات والاتجاهات المستقبلية في تحليل المربعات الصغرى الجزئية

12.1 الانتقادات المنهجية والجدل الإحصائي حول PLS

واجهت منهجية المربعات الصغرى الجزئية نقاشات وجدالات إبستمولوجية ومنهجية حادة داخل مجتمع الإحصائيين الرياضيين. يرتكز الانتقاد الأبرز على ما يُعرف بظاهرة تحيز التوافق أو “الاتساق عند اللانهاية” (Consistency at Large)؛ حيث يُعد مقدر PLS مقدراً متسقاً للمتغيرات الكامنة فقط عندما يقترب عدد المؤشرات لكل مفهوم كامن وعدد أفراد العينة من اللانهاية في آن واحد، وفيما عدا ذلك، قد تتسم تحميلات المؤشرات بتضخم طفيف بينما تنخفض معاملات المسار بشكل طفيف مقارنة بالقيم الحقيقية.

كما تعرضت PLS لانتقادات تتعلق بغياب مؤشر ملاءمة كلي شامل ومطلق يماثل مؤشر مربع كاي ($\chi^2$) المعتمد في CB-SEM، على الرغم من تطوير مؤشرات مثل SRMR مؤخراً. يرى بعض النقاد أن هذا الغياب قد يحد من القدرة على رفض النماذج النظرية الرديئة مقارنة بالأساليب القائمة على مطابقة مصفوفة التغاير الكلية.

علاوة على ذلك، حذر خبراء القياس من الممارسات السيئة لبعض الباحثين الذين يسيئون استخدام المرونة الفائقة لـ PLS لتبرير جمع بيانات ضعيفة أو العمل على عينات غير كافية أو التهرب من الفروض الإحصائية اللازمة لصحة الاستدلال، مما يستوجب تعزيز الشفافية ونشر المعايير المنهجية الصارمة للتطبيقات التجريبية.

12.2 الامتدادات الحديثة لطريقة المربعات الصغرى الجزئية

استجابة لتلك التحديات والانتقادات، شهدت المنهجية تطورات ثورية في السنوات الأخيرة. تمثل الإنجاز الأهم في تطوير خوارزمية المربعات الصغرى الجزئية التوافقية (Consistent PLS – PLSc) على يد ديجكسترا وهينسلر (Dijkstra & Henseler, 2015)؛ حيث تقوم هذه الخوارزمية بتطبيق معامل تصحيح حسابي لمعاملات الارتباط والتحميلات، مما يزيل تحيز القياس بالكامل ويجعل نتائج النماذج الانعكاسية متطابقة إحصائياً مع نتائج CB-SEM مع الاحتفاظ بمرونة PLS الحسابية.

كما تطورت نماذج PLS اللاخطية (Nonlinear PLS) للتعامل مع العلاقات المنحنية المعقدة والدوال الأسية بين المتغيرات الكامنة دون الإخلال بالبنية التفسيرية للنموذج. وامتدت المنهجية لتشمل النمذجة المكانية-الزمنية للتعامل مع السلاسل الزمنية الطولية (Time-series PLS) والبيانات المجمعة عبر مساحات جغرافية محددة.

على صعيد الذكاء الاصطناعي، تشهد الساحة الأكاديمية دمجاً بين PLS والشبكات العصبية العميقة؛ حيث تُستخدم PLS كطبقة تمثيل كامن مسبقة لتقليل أبعاد المدخلات وتنقيتها، مما يتيح تدريب الشبكات العميقة بكفاءة وسرعة على عينات بيانات محدودة مع ضمان قابلية تفسير الأوزان الداخلية رياضياً.

12.3 توصيات وممارسات فضلى للباحثين والمحللين

لضمان الاستخدام الأمثل والمسؤول لمنهجية المربعات الصغرى الجزئية في الأبحاث المستقبلية، يوصى باتباع مجموعة من الإرشادات والممارسات الفضلى:

• التحديد الدقيق للهدف المنهجي: يجب على الباحث تحديد الغرض من دراسته بوضوح قبل الشروع في التحليل؛ فإذا كان الهدف استكشافياً أو تنبؤياً أو يتضمن نماذج معقدة ومؤشرات تكوينية، تكون PLS هي الخيار الأمثل، أما إذا كان الهدف تأكيد نظرية دقيقة بمؤشرات انعكاسية مستقرة، فقد تكون CB-SEM أكثر ملاءمة.
• الالتزام الصارم ببروتوكولات التقييم المرحلية: يجب تقييم نموذج القياس والتحقق من الموثوقية والصدق التقاربي والتمايزي (عبر HTMT) قبل الانتقال إلى تقييم واختبار معنوية النموذج الهيكلي، لتجنب بناء استنتاجات سببية على مقاييس غير منضبطة.
• التحقق التنبئي خارج العينة: يتعين على الباحثين تجاوز الاعتماد الحصري على معامل التحديد الداخلي ($R^2$)، وتضمين إجراءات التقييم التنبئي خارج العينة مثل PLSpredict ومصفوفات الاختبار المستقلة لتوثيق الجدارة العملية للنموذج.
• تعزيز الشفافية والتكرار العلمي: يُنصح بالإفصاح الكامل عن توزيعات البيانات، ومعايير تنظيف القيم المفقودة والشاذة، ونشر الشيفرات البرمجية والبيانات المفتوحة، وتوثيق تفاصيل خوارزميات التمهيد المستخدمة لدعم الموثوقية التكرارية للأبحاث العلمية.

خاتمة

تُمثّل المربعات الصغرى الجزئية (PLS) نقلة نوعية ومنهجية في الفكر الإحصائي المعاصر؛ حيث نجحت في سد الفجوة بين الأهداف التنبؤية لتعلم الآلة والقدرات التفسيرية للنمذجة الهيكلية الكلاسيكية. من خلال قدرتها الفائقة على معالجة التعددية الخطية، وإسقاط البيانات عالية الأبعاد على فضاءات كامنة موجهة بأقصى تباين مشترك، وفرت هذه الطريقة حلاً للمشكلات التحليلية التي طالما قيدت تقدم الدراسات السلوكية والنفسية والبيولوجية.

إن التطور المستمر لخوارزميات هذه المنهجية، وظهور صيغ توافقية متقدمة مثل PLSc و sPLS، يبرهن على حيوية وتجدد هذا الحقل الإحصائي. يبقى التحدي الأكبر أمام الباحثين هو الالتزام بالصرامة المنهجية، والابتعاد عن الاستخدام العشوائي لمرونة النموذج، وتوظيف هذه الأدوات التحليلية المتطورة لتعميق الفهم النظري وتوليد تنبؤات دقيقة تسهم في تطور المعرفة العلمية وخدمة المجتمع.

References

• Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295(2), 295–336.
• De Jong, S. (1993). SIMPLS: An alternative approach to partial least squares regression. Chemometrics and Intelligent Laboratory Systems, 18(3), 251–263. https://doi.org/10.1016/0169-7439(93)85002-X
• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.1016/j.lrp.2013.01.002
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE Publications.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for evaluating discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Mehmood, T., Liland, K. H., Snipen, L., & Sæbø, S. (2012). A review of variable selection methods in Partial Least Squares Regression. Chemometrics and Intelligent Laboratory Systems, 118, 62–69. https://doi.org/10.1002/cem.1007
• Mevik, B. H., & Wehrens, R. (2007). The pls package: Principal component and partial least squares regression in R. Journal of Statistical Software, 18(2), 1–23. https://doi.org/10.18637/jss.v018.i02
• Sarstedt, M., Hair, J. F., Pick, M., Liengaard, B. D., Radomir, L., & Ringle, C. M. (2022). Progress in partial least squares structural equation modeling use in marketing research in the last decade. Psychology & Marketing, 39(5), 1035–1064. https://doi.org/10.1002/mar.21640
• Wold, H. (1982). Soft modeling: The basic design and some extensions. Systems Under Indirect Observation, 2, 1–54.
• Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: A basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58(2), 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1