انحدار المربعات الصغرى العادية: التعريف والصيغ ومثال

يُمثّل تحليل الانحدار الخطي باستخدام أسلوب المربعات الصغرى العادية (Ordinary Least Squares – OLS) الركيزة الأساسية للنمذجة الإحصائية الكلاسيكية، وحجر الزاوية الذي انبثقت منه معظم تقنيات القياس الكمي وتحليل البيانات في العلوم الاجتماعية، والسلوكية، والاقتصادية، والطبية الحيوية. تعود الجذور التاريخية لهذا الأسلوب الرياضي إلى أواخر القرن الثامن عشر وبدايات القرن التاسع عشر بفضل الإسهامات الرائدة لكل من عالمي الرياضيات كارل فريدريش غاوس (Carl Friedrich Gauss) وأدريان ماري ليجاندر (Adrien-Marie Legendre)، اللذين سعيا إلى حل معضلة فلكية وملاحية معقدة تتمثل في كيفية استخلاص أفضل تقدير لمسارات الأجرام السماوية من خلال مشاهدات رصدية متناثرة ومحفوفة بأخطاء القياس العشوائية. ومنذ ذلك الحين، تحوّل مبدأ المربعات الصغرى من مجرد أداة حسابية لمعالجة خطأ القياس الفلكي إلى إطار إبستمولوجي ومنهجي شامل يُعنى بتفسير العلاقات البنيوية بين الظواهر والتنبؤ بسلوك المتغيرات التابعة بناءً على متغير مفسر واحد أو أكثر.

تكمن القوة المنهجية لانحدار المربعات الصغرى العادية في بساطته الأنيقة وقدرته الفريدة على استخلاص أفضل خط مستقيم يمثل الاتجاه العام للبيانات عبر تقليل دالة خسارة رياضية محددة بدقة، وهي مجموع مربعات المسافات الرأسية الفاصلة بين القيم المشاهدة والقيم المقدرة تنبؤياً. إن هذا النموذج لا يكتفي بمجرد تقديم خط وصفي في مخطط التشتت، بل يوفّر منظومة استدلالية متكاملة تتيح للباحثين اختبار الفرضيات العلمية، وتقدير حجم التأثير الحدي للمتغيرات، وحساب فترات الثقة الإحصائية للمعاملات، وتفكيك التباين الكلي للظاهرة إلى مركبات مفسرة وأخرى متبقية تُعزى للخطأ العشوائي. ولا تقتصر أهمية OLS على جانبه الحسابي المباشر، بل تمتد إلى كونه النموذج المعياري الذي تُقاس بناءً عليه كفاءة الأساليب الإحصائية الأكثر تعقيداً، مثل نماذج المعادلات البنائية، والنماذج الخطية المعممة، وخوارزميات التعلم الآلي الخاضعة للإشراف.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري، ورياضي، وتطبيقي عميق لمنهجية انحدار المربعات الصغرى العادية. سنستعرض عبر محاوره المتعددة الأسس الهندسية والجبرية لخط الملاءمة الأفضل، ونشتق المعادلات التفاضلية لتقدير المعلمات، ونفصل افتراضات غاوس-ماركوف التي تضمن كفاءة المقدرات وحياديتها، بالإضافة إلى تقديم تطبيق عملي مفصل خطوة بخطوة في سياق القياس النفسي والتربوي، وصولاً إلى المعالجة المصفوفية للانحدار المتعدد والتشخيص الإحصائي للاختلالات المنهجية وصياغة التقارير وفق أحدث المعايير الأكاديمية العالمية.

1. المدخل المفاهيمي والنظري لانحدار المربعات الصغرى العادية (OLS)

1.1 مفهوم انحدار المربعات الصغرى العادية وسياقه الإحصائي

يُعرَّف انحدار المربعات الصغرى العادية (OLS) إحصائياً بأنه أسلوب تعميل وتطويع رياضي يُستخدم لتقدير المعاملات المجهولة في نموذج انحدار خطي، وذلك من خلال تقليل مجموع الفروق المربعة بين القيم الملاحظة للمتغير التابع والقيم التي يتنبأ بها النموذج الخطي. ويُعد هذا الأسلوب طريقة استمثال استدلالية تسعى إلى توليد أفضل دالة تقريبية تصف مسار العلاقة بين متغير كمي مستمر ومتغير أو مجموعة من المتغيرات التفسيرية. وتتضح الطبيعة الخاصة لـ OLS عند مقارنته بالمفاهيم الإحصائية المجاورة، لا سيما معامل الارتباط الخطي لبيرسون؛ فبينما يقتصر الارتباط على قياس درجة وقوة واتجاه الاقتران الخطي المتماثل بين متغيرين دون افتراض علاقة اتجاهية أو سببية، فإن نموذج الانحدار يؤسس لبنية لاتماثلية صريحة يُفترض فيها أن أحد المتغيرين يُحدث تغيراً أو يُفسر التباين في المتغير الآخر، مما يمنحه قدرة تنبؤية وتفسيرية تفوق مجرد الاقتران الوصفي.

تتجلى الأهمية الإحصائية لـ OLS في كونه يُنتج ما يُعرف بـ “خط الملاءمة الأفضل” (Line of Best Fit)، وهو المسار الهندسي الذي يمر عبر سحابة النقاط في مخطط التشتت بطريقة تجعله الممثل الأمثل للمتوسط الشرطي للمتغير التابع عند كل قيمة محددة من قيم المتغير المستقل. وفي حقول القياس النفسي والعلوم السلوكية والاجتماعية، يكتسب انحدار OLS دوراً محورياً بوصفه الأداة المركزية لبناء النماذج النظرية والتحقق من صدق البناء المفاهيمي للمقاييس؛ حيث يتيح للباحثين اختبار كيف تسهم سمات شخصية محددة أو مؤشرات معرفية وسلوكية في التنبؤ بمتغيرات مخرجات معقدة كالأداء الأكاديمي، أو الاستقرار الانفعالي، أو التوافق المهني، مما يجعله العمود الفقري لعمليات النمذجة الكمية الحديثة.

1.2 المنطق الهندسي والرياضي لمبدأ تقليل المربعات

يقوم المنطق الهندسي الكامن وراء أسلوب المربعات الصغرى على فكرة قياس المسافات الرأسية المتعامدة مع المحور الأفقي بين كل نقطة بيانات مشاهدة والخط المستقيم المفترض. تُعرف هذه المسافات في الأدبيات الإحصائية بالبواقي أو الأخطاء الإمبريقية، وهي تمثل مقدار قصور النموذج عن التنبؤ التام بالقيمة الفعلية للمشاهدة. والمسألة الجوهرية التي واجهت الإحصائيين الأوائل كانت: كيف نجمع هذه الفروق الفردية في مؤشر خسارة إجمالي واحد يعبر عن جودة مطابقة الخط لجميع النقاط في آن واحد؟ إذا قمنا بجمع الفروق البسيطة مباشرة، فإن الفروق الموجبة (النقاط الواقعة أعلى الخط) ستلغي الفروق السالبة (النقاط الواقعة أسفل الخط) نظراً لخصائص المتوسط الحسابي، مما قد يعطي مجموعاً صفرياً لخطوط عشوائية سيئة التطابق تماماً.

من الناحية الرياضية، كان هناك خياران رئيسيان لتجاوز إشكالية إلغاء الإشارات: أخذ القيم المطلقة للفروق أو تربيع هذه الفروق. تم ترجيح كفة تربيع الفروق لعدة أسباب علمية وحسابية عميقة؛ فالتربيع يجعل دالة الخسارة دالة تفاضلية ملساء ومحدبة (Differentiable and Convex) في جميع نقاطها، مما يسمح بتطبيق أدوات الحسبان والتفاضل الجزئي لإيجاد النهاية الصغرى المطلقة بصيغ مغلقة ومباشرة، وهو ما يتعذر عند استخدام القيم المطلقة غير القابلة للاشتقاق عند نقطة الصفر. بالإضافة إلى ذلك، يرتكز مبدأ التربيع على الهندسة الإقليدية للمسافات وإسقاط المتجهات في الفضاء متعدد الأبعاد، حيث يُنظر إلى المقدرات على أنها الإسقاط المتعامد لمتجه المشاهدات التابعة على الفضاء الجزئي الممتد بواسطة المتغيرات المستقلة، فضلاً عن أن التربيع يفرض عقوبة تصاعدية غير خطية على الأخطاء الكبيرة، مما يضمن تحقيق توازن دقيق ومحكم بين المشاهدات الموزعة أعلى وأسفل خط الاتجاه العام.

1.3 المتغيرات في نموذج الانحدار الخطي: الأدوار والخصائص

يتطلب الفهم العميق لنموذج انحدار المربعات الصغرى تفكيك الأدوار والخصائص البنيوية للمتغيرات الداخلة في تركيبه الرياضي. يُعرف المتغير الأول بالمتغير المستقل (Independent Variable)، ويُطلق عليه أيضاً في الأدبيات المتقدمة المتغير المفسر (Explanatory Variable) أو المتغير التنبؤي (Predictor)، ويُرمز له رياضياً بالحرف $X$. يمثل هذا المتغير العامل الذي يُفترض أنه يؤثر في الظاهرة المدروسة أو يُستخدم لتفسير تغيراتها، ويُفترض في الإحصاء الكلاسيكي أن قيمه محددة وغير عشوائية في التجارب المضبوطة، أو أنها متغيرات عشوائية تامة الاستقلال عن حد الخطأ في الدراسات الرصدية المسحية.

في المقابل، يبرز المتغير التابع (Dependent Variable)، ويُشار إليه أيضاً بمتغير الاستجابة (Response Variable) أو متغير النتيجة (Outcome)، ويُرمز له بالرمز $Y$. وهو المتغير الذي نسعى إلى تفسير سلوكه وتشتته والتنبؤ بقيمه بدلالة المتغير المستقل. ونظراً لأن العلاقات في العلوم الإنسانية والسلوكية والطبيعية نادراً ما تكون علاقات حتمية جبرية صارمة، فإن النموذج الخطي يُدخل مركباً ثالثاً بالغ الأهمية هو حد الخطأ العشوائي أو الاضطراب العشوائي ($varepsilon$). يُعزى وجود هذا الحد إلى ثلاثة عوامل رئيسية: وجود متغيرات مفسرة محذوفة لم يتم تضمينها في النموذج لتعذر قياسها، ووجود أخطاء قياس عشوائية غير متجنبة في أدوات جمع البيانات كالمقاييس النفسية والاستبانات، والعشوائية الذاتية الأصيلة في السلوك الإنساني والظواهر الكونية. ولتطبيق نموذج OLS البسيط بنجاح، يُشترط أن يكون المتغير التابع مقاساً على مستوى كمي مستمر (فئوي أو نسبي)، بينما يمكن للمتغير المستقل أن يكون كمياً أو فئوياً مرمزاً بشكل ثنائي (Dummy Variable).

2. الأسس الرياضية والهندسية لخط الانحدار الخطي البسيط

2.1 المعادلة العامة للنموذج الخطي للمجتمع والعينة

يُميز الفكر الإحصائي الرصين بين دالة الانحدار النظرية للمجتمع الإحصائي ككل وبين دالة الانحدار التقديرية المحسوبة من واقع عينة مسحوبة من ذلك المجتمع. تُصاغ دالة الانحدار الخطي للمجتمع (Population Regression Function – PRF) في الصيغة البنيوية التالية:

$$Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i$$

حيث يمثل $Y_i$ المشاهدة الفعلية للفرد رقم $i$ في المجتمع، و$X_i$ قيمة المتغير المستقل المقابلة له، و$\beta_0$ و$\beta_1$ يمثلان معلمات المجتمع الحقيقية الثابتة والمجهولة التي نسعى لتقديرها، بينما يمثل $\varepsilon_i$ حد الخطأ العشوائي غير الملاحظ.

أما على مستوى العينة الإمبريقية، فإننا نستخلص دالة الانحدار للعينة (Sample Regression Function – SRF)، والتي تُكتب رياضياً على النحو الآتي:

$$Y_i = \hat{\beta}_0 + \hat{\beta}_1 X_i + e_i = \hat{Y}_i + e_i$$

يُبرز هذا التمييز الفارق الجوهري بين المعلمات (Parameters) التي تعبر عن الخصائص الثابتة للمجتمع، والمقدرات (Estimators/Estimates) المشار إليها بالرموز ($\hat{\beta}_0, \hat{\beta}_1$) والتي تمثل متغيرات عشوائية تختلف قيمتها من عينة لأخرى وتعتمد على خوارزمية الحساب المستخدمة. وفي هذا السياق، تُمثل البواقي المحسوبة $e_i = Y_i – \hat{Y}_i$ المقابل التجريبي الملموس لحدود الخطأ العشوائي النظرية $\varepsilon_i$، حيث تُعبر هذه البواقي عن المسافة الحسابية الفعلية التي يعجز الخط المقدر عن استيعابها لكل مشاهدة في العينة المدروسة.

2.2 تفكيك مكونات معادلة خط الانحدار الخطي

تتألف معادلة خط الانحدار الخطي للعينة من عناصر مفاهيمية وهندسية محددة يجب فهم دلالاتها بدقة. العنصر الأول هو الحد الثابت أو نقطة التقاطع مع المحور الرأسي، ويُرمز له بـ $\hat{\beta}_0$ (Intercept). يُعبر هذا الحد عن القيمة التنبؤية المتوقعة للمتغير التابع $Y$ عندما تنعدم قيمة المتغير المستقل تماماً، أي عندما يكون $X = 0$. وتجدر الإشارة إلى أن التفسير الحرفي لنقطة التقاطع يكتسب مغزى علمياً وسيكومترياً فقط إذا كانت القيمة صفر للمتغير المستقل واقعة ضمن النطاق المقبول والمشاهد للبيانات، وكانت ذات معنى واقعي (كالدرجة صفر في اختبار معين)، أما إذا كان الصفر خارج نطاق المشاهدات كقياس الطول أو الذكاء، فإن نقطة التقاطع تعمل كمرساة رياضية لضبط المستوى العام للخط دون دلالة تجريبية مباشرة.

العنصر الثاني والمحوري هو معامل ميل خط الانحدار، ويُرمز له بالرمز $\hat{\beta}_1$ (Slope Coefficient). يمثل الميل معدل التغير الحدي في المتغير التابع المقدر؛ أي مقدار الزيادة أو النقصان المتوقعة في $\hat{Y}$ لكل تغير مقداره وحدة واحدة موجبة في المتغير المستقل $X$. إذا كانت إشارة $\hat{\beta}_1$ موجبة، دل ذلك على علاقة طردية تصاعدية، وإذا كانت سالبة، دل على علاقة عكسية تنازلية. أما العنصر الثالث فهو القيمة المقدرة أو التنبؤية، ويُرمز لها بـ $\hat{Y}_i$ (Y-hat)، وهي تمثل المتوسط الشرطي الحسابي للمتغير التابع عند مستوى معين من $X$. ومن الخصائص الهندسية البديعة لخط انحدار المربعات الصغرى العادية أنه يمر حتماً ولزوماً بالنقطة المركزية الممثلة لمتوسطات البيانات الإجمالية $(\bar{X}, \bar{Y})$، مما يجعل هذه النقطة بمثابة مركز الثقل الهندسي لخط الانحدار بالكامل.

2.3 دالة الخسارة الرياضية ومجموع مربعات البواقي (SSR)

تنطلق منهجية OLS من تعريف دالة هدف أو دالة خسارة تربيعية يُطلق عليها مجموع مربعات البواقي (Sum of Squared Residuals – SSR)، وتُعرف في بعض المراجع الرياضية بمجموع مربعات الأخطاء (SSE). تُصاغ هذه الدالة كاقتران رياضي في المعلمين المجهولين $\hat{\beta}_0$ و $\hat{\beta}_1$ بالشكل التالي:

$$S(\hat{\beta}_0, \hat{\beta}_1) = \sum_{i=1}^{n} e_i^2 = \sum_{i=1}^{n} (Y_i – \hat{Y}_i)^2 = \sum_{i=1}^{n} (Y_i – \hat{\beta}_0 – \hat{\beta}_1 X_i)^2$$

إذا تخيلنا التمثيل البصري لهذه العملية، فإن كل نقطة بيانية مشاهدة تشكل مع خط الانحدار ضلعاً لمربع هندسي مساحته $(Y_i – \hat{Y}_i)^2$. تسعى خوارزمية المربعات الصغرى إلى تحريك وتدوير الخط المستقيم في المستوى الإحداثي حتى تصل إلى الوضعية التي تجعل المجموع التراكمي لمساحات جميع هذه المربعات عند أدنى مستوى ممكن رياضياً. ولتحقيق هذه الغاية الاستمثالية، يتم تطبيق شروط الدرجة الأولى (First-Order Conditions) المستمدة من حساب التفاضل والتكامل، والتي تنص على أن المشتقات الجزئية لدالة الخسارة بالنسبة لكل معامل من المعاملات المقدرة يجب أن تتلاشى وتساوي الصفر تماماً عند نقطة النهاية الصغرى.

3. اشتقاق الصيغ الرياضية لمعاملات المربعات الصغرى (OLS Formulas)

3.1 الاشتقاق التفاضلي لحساب ميل الانحدار ونقطة التقاطع

لإيجاد المعاملين $\hat{\beta}_0$ و $\hat{\beta}_1$ اللذين يقللان دالة الخسارة $S(\hat{\beta}_0, \hat{\beta}_1)$ إلى حدها الأدنى، نقوم بحساب المشتقات الجزئية للدالة بالنسبة لهذين المتغيرين ومساواتها بالصفر. نبدأ باشتقاق الدالة جزئياً بالنسبة للحد الثابت $\hat{\beta}_0$ باستخدام قاعدة السلسلة:

$$\frac{\partial S}{\partial \hat{\beta}_0} = \frac{\partial}{\partial \hat{\beta}_0} \sum_{i=1}^{n} (Y_i – \hat{\beta}_0 – \hat{\beta}_1 X_i)^2 = -2 \sum_{i=1}^{n} (Y_i – \hat{\beta}_0 – \hat{\beta}_1 X_i) = 0$$

بقسمة الطرفين على $-2$ وتوزيع رمز المجموع، نحصل على المعادلة الطبيعية الأولى:

$$\sum_{i=1}^{n} Y_i – n\hat{\beta}_0 – \hat{\beta}_1 \sum_{i=1}^{n} X_i = 0 implies \sum_{i=1}^{n} Y_i = n\hat{\beta}_0 + \hat{\beta}_1 \sum_{i=1}^{n} X_i$$

ننتقل بعد ذلك إلى اشتقاق دالة الخسارة جزئياً بالنسبة لمعامل الميل $\hat{\beta}_1$ ومساواتها بالصفر:

$$\frac{\partial S}{\partial \hat{\beta}_1} = \frac{\partial}{\partial \hat{\beta}_1} \sum_{i=1}^{n} (Y_i – \hat{\beta}_0 – \hat{\beta}_1 X_i)^2 = -2 \sum_{i=1}^{n} X_i(Y_i – \hat{\beta}_0 – \hat{\beta}_1 X_i) = 0$$

بقسمة الطرفين على $-2$ وتوزيع $X_i$ ورمز المجموع، نحصل على المعادلة الطبيعية الثانية:

$$\sum_{i=1}^{n} X_i Y_i – \hat{\beta}_0 \sum_{i=1}^{n} X_i – \hat{\beta}_1 \sum_{i=1}^{n} X_i^2 = 0 implies \sum_{i=1}^{n} X_i Y_i = \hat{\beta}_0 \sum_{i=1}^{n} X_i + \hat{\beta}_1 \sum_{i=1}^{n} X_i^2$$

يُطلق على هاتين المعادلتين معاً اسم “المعادلات الطبيعية” (Normal Equations). وبحل المعادلة الطبيعية الأولى للحصول على $\hat{\beta}_0$ بدلالة $\hat{\beta}_1$ ومتوسطات العينة، بقسمة جميع الحدود على $n$ (حيث $\bar{Y} = \frac{\sum Y_i}{n}$ و $\bar{X} = \frac{\sum X_i}{n}$):

$$\hat{\beta}_0 = \bar{Y} – \hat{\beta}_1 \bar{X}$$

بالتعويض عن قيمة $\hat{\beta}_0$ في المعادلة الطبيعية الثانية وإعادة الترتيب الجبري، نحصل على الصيغة الصريحة للميل $\hat{\beta}_1$. ولضمان أن هذه النقطة تمثل نهاية صغرى مطلقة (Minimum) وليست نهاية عظمى، نتحقق من شروط الدرجة الثانية عبر حساب مصفوفة هيسيان (Hessian Matrix) للمشتقات الجزئية الثانية، والتي تكون موجبة التعريف قطارياً ومحددة بمحدد موجب، نظراً لأن $\frac{\partial^2 S}{\partial \hat{\beta}_0^2} = 2n > 0$ و $\frac{\partial^2 S}{\partial \hat{\beta}_1^2} = 2\sum X_i^2 > 0$.

3.2 الصيغ الحسابية القياسية لمعاملي الانحدار (β₀ و β₁)

بناءً على الحل الجبري المشتق للمعادلات الطبيعية، يمكن صياغة معامل ميل الانحدار $\hat{\beta}_1$ بعدة أشكال رياضية متكافئة تفيد في التطبيقات النظرية والحسابية المختلفة. الصيغة الأكثر أناقة وعمقاً من المنظور الإحصائي هي صيغة التغاير والتباين (Covariance-Variance Formula):

$$\hat{\beta}_1 = \frac{\text{Cov}(X, Y)}{\text{Var}(X)} = \frac{S_{XY}}{S_{XX}}$$

وعند التعبير عنها بدلالة انحرافات القيم المشاهدة عن متوسطاتها الحسابية، تأخذ الصيغة الشكل المعياري الآتي:

$$\hat{\beta}_1 = \frac{\sum_{i=1}^{n} (X_i – \bar{X})(Y_i – \bar{Y})}{\sum_{i=1}^{n} (X_i – \bar{X})^2}$$

ولأغراض الحساب اليدوي المباشر لتجنب أخطاء التقريب الناتجة عن طرح المتوسطات العشرية، يمكن تحويل صيغة البسط والمقام إلى صيغة المجاميع الخام المباشرة (Raw Sums Formula):

$$\hat{\beta}_1 = \frac{n \sum_{i=1}^{n} X_i Y_i – (\sum_{i=1}^{n} X_i)(\sum_{i=1}^{n} Y_i)}{n \sum_{i=1}^{n} X_i^2 – (\sum_{i=1}^{n} X_i)^2}$$

وبمجرد استخراج القيمة العددية للميل $\hat{\beta}_1$، يتم حساب الحد الثابت $\hat{\beta}_0$ جبرياً بالاعتماد المباشر على قيمة الميل والمتوسطين الحسابيين للمتغيرين التابع والمستقل وفق الصيغة:

$$\hat{\beta}_0 = \bar{Y} – \hat{\beta}_1 \bar{X} = \frac{\sum Y_i}{n} – \hat{\beta}_1 \frac{\sum X_i}{n}$$

3.3 العلاقة الرياضية بين معامل الانحدار ومعامل ارتباط بيرسون

توجد علاقة بنيوية وثيقة تربط بين ميل خط انحدار المربعات الصغرى $\hat{\beta}_1$ ومعامل ارتباط بيرسون الخطي ($r$). يُعرّف معامل ارتباط بيرسون بالعلاقة:

$$r = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sqrt{\sum (X_i – \bar{X})^2 \sum (Y_i – \bar{Y})^2}} = \frac{S_{XY}}{\sqrt{S_{XX} S_{YY}}}$$

وبالنظر إلى صيغة $\hat{\beta}_1 = \frac{S_{XY}}{S_{XX}}$، وبضرب وقسمة الصيغة على $\sqrt{S_{YY}}$ والمطابقة مع الانحرافات المعيارية للعينة للمتغير التابع ($S_y$) والمتغير المستقل ($S_x$)، نصل إلى المتطابقة التحويلية الشهيرة:

$$\hat{\beta}_1 = r \cdot \left( \frac{S_y}{S_x} \right)$$

توضح هذه المعادلة أن ميل خط الانحدار ليس إلا معامل ارتباط بيرسون بعد وزنه بنسبة التشتت والانحراف المعياري بين المتغيرين. فإذا تساوى التشتت في المتغيرين ($S_y = S_x$)، يتطابق معامل الانحدار تماماً مع معامل الارتباط. وتبرز هذه الخاصية بوضوح تام عند إجراء معيرة للبيانات (Standardization) بتحويل المشاهدات إلى درجات معيارية ($Z$-scores) بمتوسط صفر وانحراف معياري يساوي واحد؛ فعندئذ يصبح خط الانحدار المعياري هو $Z_{\hat{Y}} = r \cdot Z_X$، وتتلاشى نقطة التقاطع لتصبح صفراً.

يكشف هذا الربط الرياضي عن فرق جوهري بين المفهومين: معامل الارتباط مقياس متماثل وخالٍ من وحدات القياس ومحصور بدقة في النطاق $[-1, +1]$، بينما معامل الميل هو مقياس غير متماثل (أي أن انحدار $Y$ على $X$ ينتج ميلاً مختلفاً عن انحدار $X$ على $Y$) ويحمل نفس وحدات قياس $Y$ مقسومة على وحدات $X$، مما يجعله معبراً عن القيمة التنبؤية والتفسيرية المباشرة في الواقع التطبيقي.

4. افتراضات النموذج الكلاسيكي لانحدار المربعات الصغرى (Gauss-Markov Assumptions)

4.1 افتراضات خطية النموذج وتوزيع المتغيرات المستقلة

لكي تحظى مقدرات المربعات الصغرى بخصائص الاستدلال الإحصائي السليم وتكون ذات كفاءة ومصداقية، يجب أن يستوفي النموذج مجموعة من الشروط والافتراضات الهيكلية المعروفة تاريخياً بافتراضات غاوس-ماركوف الكلاسيكية. الافتراض الأول والأهم هو “الخطية في المعلمات” (Linearity in Parameters)؛ ويعني هذا الافتراض أن النموذج يجب أن يكون خطياً بالنسبة للمعاملات المجهولة ($\beta_0, \beta_1$)، حتى وإن كانت المتغيرات نفسها غير خطية. على سبيل المثال، النماذج من قبيل $Y = \beta_0 + \beta_1 X^2 + \varepsilon$ أو $Y = \beta_0 + \beta_1 \ln(X) + \varepsilon$ تُعد نماذج خطية مقبولة بالكامل في إطار OLS لأن المعلمات تدخل في المعادلة بصيغة خطية جمعية من الدرجة الأولى، بينما النموذج $Y = \beta_0 + X^{\beta_1} + \varepsilon$ يُعد نموذجاً غير خطي في المعلمات ويتطلب خوارزميات تحسين مختلفة تماماً.

الافتراض الثاني يتعلق بخصائص المتغير المستقل $X$؛ حيث يشترط النموذج أن تُظهر قيم $X$ تبايناً حقيقياً غير صفري عبر مشاهدات العينة، أي أن $\sum (X_i – \bar{X})^2 > 0$. فإذا كانت قيمة المتغير المستقل ثابتة لجميع أفراد العينة، يصبح المقام في معادلة حساب الميل صفراً، مما يؤدي إلى استحالة رياضية في تقدير الخط. ويتصل بذلك افتراض الاستقلال الخارجي التام أو غياب التواطؤ الداخلي (Strict Exogeneity)، والذي ينص على أن المتغير المستقل غير مرتبط بحد الخطأ العشوائي، أي أن $\text{Cov}(X_i, \varepsilon_i) = 0$. وفي السياق المنهجي، يتطلب النموذج حجماً كافياً للعينة يفوق عدد المعلمات المطلوب تقديرها لضمان وجود درجات حرية موجبة وكافية لإجراء الاختبارات الإحصائية بقوة كشفية عالية.

4.2 افتراضات سلوك حدود الخطأ العشوائي

تتمحور الافتراضات الأكثر حساسية في نموذج OLS حول السلوك الإحصائي والتوزيع الاحتمالي لحدود الخطأ العشوائي ($\varepsilon_i$). يتلخص الافتراض الأول في انعدام المتوسط الشرطي للبواقي:

$$E(\varepsilon_i mid X_i) = 0$$

وهذا يعني أن النموذج لا يحتوي على خطأ جهازي أو تحيز منهجي منتظم، وأن الخطأ يتوزع عشوائياً حول خط الانحدار بحيث يفني أثره التراكمي في المتوسط عند أي قيمة لـ $X$.

الافتراض الثاني هو ثبات تجانس تباين الأخطاء (Homoscedasticity)، والذي يُصاغ رياضياً بالشكل:

$$\text{Var}(\varepsilon_i mid X_i) = \sigma^2 \quad \forall i = 1, dots, n$$

يقضي هذا الافتراض بأن تشتت وتطاير الأخطاء العشوائية حول خط الانحدار يجب أن يظل ثابتاً ومستقراً عبر جميع مستويات وقيم المتغير المستقل دون تزايد أو تضاؤل. أما الافتراض الثالث فهو استقلال الأخطاء وغياب الارتباط الذاتي (No Autocorrelation):

$$\text{Cov}(\varepsilon_i, \varepsilon_j mid X_i, X_j) = 0 \quad \forall i \neq j$$

بمعنى أن وقوع خطأ تنبؤي معين في المشاهدة $i$ لا يقدم أي معلومة أو تأثير على احتمال وقوع خطأ موجب أو سالب في المشاهدة $j$. ولأغراض بناء فترات الثقة وإجراء اختبارات الفرضيات ($t$ و $F$) في العينات الصغيرة، يُضاف الافتراض الكلاسيكي بتوزيع حدود الخطأ توزيعاً طبيعياً معيارياً: $\varepsilon_i \sim \text{i.i.d. } N(0, \sigma^2)$.

4.3 أثر انتهاك الافتراضات على كفاءة وحيادية المقدرات

يؤدي الإخلال بهذه الافتراضات المنهجية إلى تداعيات إحصائية خطيرة تقوض من سلامة الاستنتاجات العلمية. فإذا انتُهك افتراض تجانس التباين وظهرت مشكلة عدم التجانس (Heteroscedasticity)، تظل مقدرات المعلمات ($\hat{\beta}$) غير متحيزة حسابياً، ولكنها تفقد خاصية الكفاءة، وتصبح الأخطاء المعيارية المحسوبة تقليدياً مضللة وغير صحيحة، مما يؤدي إلى تضخيم أو تصغير قيم الإحصائية $t$ وبالتالي اتخاذ قرارات خاطئة برفض أو قبول الفرضيات الصفرية.

أما إذا انتُهك افتراض استقلال الأخطاء وظهر الارتباط الذاتي (Autocorrelation)، والذي يشيع في بيانات السلاسل الزمنية، فإن الأخطاء المعيارية تتقزم بشكل اصطناعي، مما يعطي انطباعاً زائفاً بدقة النموذج وقوته التنبؤية. والأخطر من ذلك هو انتهاك افتراض الاستقلال بين المتغير المفسر والخطأ، الناتج مثلاً عن حذف متغيرات وسيطة أو مفسرة هامة من النموذج (Omitted Variable Bias)؛ حيث يؤدي ذلك إلى تحيز دائم وغير متسق في قيم المعلمات نفسها، مما يجعل تفسير التأثيرات الحدية مضللاً تماماً من الناحية السيكومترية والسببية. لذلك، يُمثل الفحص التشخيصي المنهجي لهذه الافتراضات خطوة إجبارية لا غنى عنها قبل اعتماد أي استنتاجات تطبيقية.

5. مبرهنة غاوس-ماركوف وخاصية أفضل تقدير خطي غير متحيز (BLUE)

5.1 تفكيك خصائص مقدرات BLUE رياضياً ومفاهيمياً

تحتل مبرهنة غاوس-ماركوف (Gauss-Markov Theorem) مكانة إبستمولوجية ورياضية سامية في تاريخ الإحصاء الرياضي؛ إذ تبرهن رياضياً على أنه في ظل استيفاء افتراضات النموذج الكلاسيكي (الخطية، انعدام المتوسط الشرطي، تجانس التباين، وغياب الارتباط الذاتي)، فإن مقدرات المربعات الصغرى العادية $\hat{\beta}_0$ و $\hat{\beta}_1$ تكون هي الأفضل على الإطلاق بين جميع فئات المقدرات الخطية غير المتحيزة، وتُعرف اختصاراً بالخاصية الزرقاء: BLUE (Best Linear Unbiased Estimator).

يتطلب استيعاب هذه المبرهنة تفكيك أركانها الاصطلاحية الأربعة بدقة فائقة:

• الخطية (Linear): تعني أن المقدرات المحسوبة هي اقترانات وتراكيب خطية صريحة في قيم المتغير التابع المشاهد $Y_i$؛ حيث يمكن كتابة $\hat{\beta}_1 = \sum w_i Y_i$ بأوزان $w_i = \frac{X_i – \bar{X}}{\sum (X_i – \bar{X})^2}$، مما يسهل معالجتها وتتبع توزيعاتها الاحتمالية بدقة.
• عدم التحيز (Unbiased): تعني أن القيمة المتوقعة إحصائياً للمقدر عبر العينات المتكررة اللانهائية تتطابق تماماً مع المعلمة الحقيقية المجهولة للمجتمع، أي أن $E(\hat{\beta}_0) = \beta_0$ و $E(\hat{\beta}_1) = \beta_1$. لا يعني ذلك أن مقدر كل عينة منفردة يساوي المعلمة، بل إن متوسط تقديرات العينات اللانهائية لا يميل نحو أي انحراف نظامي فوق المعلمة أو دونها.
• الأفضل / الكفاءة (Best / Efficient): تعني الكفاءة التباينية الصغرى (Minimum Variance)؛ أي أن تباين توزيع المعاينة لمقدرات OLS هو الأصغر مقارنة بأي مقدر خطي بديل غير متحيز: $\text{Var}(\hat{\beta}_{OLS}) le \text{Var}(\tilde{\beta}_{\text{Linear Unbiased}})$.
• المقدر (Estimator): الصيغة والقاعدة الحسابية المقننة المطبقة على البيانات المشاهدة لاستخلاص التقديرات العددية.

5.2 الخصائص التقاربية لمقدرات OLS في العينات الكبيرة

عندما تتسع رقعة البيانات وتزداد أحجام العينات نحو اللانهاية ($n to \infty$)، تكتسب مقدرات انحدار المربعات الصغرى العادية خصائص استدلالية إضافية تُعرف بالخصائص التقاربية أو السلوكية في العينات الكبيرة (Asymptotic Properties). وأولى هذه الخصائص هي “الاتساق الإحصائي” (Consistency)؛ حيث يتقارب المقدر $\hat{\beta}$ باحتمال يقيني نحو المعلمة الحقيقية $\beta$ مع تزايد حجم العينة وفق قانون الأعداد الكبيرة (Law of Large Numbers)، مما يضمن تلاشي أي تشتت أو خطأ تقديري مع اتساع نطاق المسح الإمبريقي.

الخاصية التقاربية الثانية هي التوزيع الطبيعي التقاربي (Asymptotic Normality) المستند إلى نظرية النهاية المركزية (Central Limit Theorem)؛ إذ يتقارب توزيع المعاينة للمقدرات نحو التوزيع الطبيعي حتى وإن كانت حدود الأخطاء العشوائية $\varepsilon_i$ في المجتمع الأصلي غير موزعة توزيعاً طبيعياً، شريطة أن يكون تباينها محدوداً ومستوفياً لشروط التجانس والاستقلال. تمنح هذه الخاصية الباحثين في العلوم النفسية والإكلينيكية مرونة منهجية عالية لاستخدام اختبارات الدلالة الكلاسيكية وفترات الثقة في العينات الكبيرة والمتوسطة دون قلق مفرط بشأن الانحرافات الطفيفة عن التوزيع الطبيعي التام للبيانات الأصلية.

6. قياس جودة التوفيق والدقة التفسيرية للنموذج (Goodness of Fit)

6.1 تجزئة التباين الكلي في تحليل الانحدار (ANOVA Decomposition)

تعتمد فلسفة تقييم نموذج الانحدار على تجزئة التشتت الكلي المشاهد في المتغير التابع إلى مركبات فرعية مستقلة، وتُعرف هذه العملية بتحليل تجزئة التباين (ANOVA Decomposition). يتم ذلك بتفكيك الانحراف الكلي لكل مشاهدة عن المتوسط العام للمتغير التابع إلى انحراف مفسر بالنموذج وآخر متبقٍ غير مفسر:

$$Y_i – \bar{Y} = (\hat{Y}_i – \bar{Y}) + (Y_i – \hat{Y}_i)$$

بتربيع الطرفين وإجراء التجميع عبر جميع مفردات العينة، ونظراً لخاصية التعامد بين البواقي والقيم المقدرة في OLS التي تجعل حد الضرب التبادلي يتلاشى تماماً ($\sum (\hat{Y}_i – \bar{Y})(Y_i – \hat{Y}_i) = 0$)، نصل إلى الهوية الجبرية الأساسية لتفكيك التباين:

$$\sum_{i=1}^{n} (Y_i – \bar{Y})^2 = \sum_{i=1}^{n} (\hat{Y}_i – \bar{Y})^2 + \sum_{i=1}^{n} (Y_i – \hat{Y}_i)^2$$

تُصاغ هذه الهوية بالرموز الإحصائية القياسية بالشكل التالي:

$$\text{SST} = \text{SSR} + \text{SSE}$$

حيث يمثل $\text{SST}$ (Total Sum of Squares) المجموع الكلي للمربعات، وهو مقياس للتباين الإجمالي للمتغير التابع حول متوسطه بدرجات حرية مقدارها $n – 1$. ويمثل $\text{SSR}$ (Regression Sum of Squares) مجموع مربعات الانحدار، وهو الجزء من التباين الكلي الذي استطاع المتغير المستقل تفسيره ونمذجته بدرجة حرية واحدة في الانحدار البسيط ($k = 1$). بينما يمثل $\text{SSE}$ (Error Sum of Squares) مجموع مربعات الأخطاء أو البواقي المتبقية التي عجز النموذج عن تفسيرها، بدرجات حرية مقدارها $n – 2$.

6.2 معامل التحديد (R²) ومعامل التحديد المعدل (Adjusted R²)

يُعد معامل التحديد (Coefficient of Determination)، المرموز له بـ $R^2$، المقياس الإحصائي الأكثر شيوعاً واستخداماً لتقييم القوة التفسيرية لنموذج الانحدار. يُعرّف رياضياً بأنه النسبة المئوية من التباين الإجمالي للمتغير التابع التي يفسرها النموذج الخطي، ويُحسب وفق إحدى الصيغتين المتطابقتين:

$$R^2 = \frac{\text{SSR}}{\text{SST}} = 1 – \frac{\text{SSE}}{\text{SST}}$$

تتراوح قيمة $R^2$ في الانحدار الخطي البسيط المشتمل على حد ثابت دائماً بين الصفر والواحد الصحيح ($0 le R^2 le 1$). إذا كانت القيمة $R^2 = 0.65$ في دراسة نفسية، فإن ذلك يعني بدقة أن $65%$ من التباين والتفاوت في درجات المتغير التابع يعود مباشرة إلى التغيرات في المتغير المستقل، في حين تعود الـ $35%$ المتبقية لعوامل أخرى خارج نطاق النموذج وللخطأ العشوائي. وفي الانحدار الخطي البسيط، يتطابق $R^2$ تماماً مع مربع معامل ارتباط بيرسون ($r^2$).

ومع ذلك، يعاني معامل التحديد التقليدي من عيب بنيوي؛ إذ إنه يتزايد حتماً (أو يظل ثابتاً) كلما أضفنا متغيرات مستقلة جديدة إلى النموذج حتى وإن كانت متغيرات عشوائية عديمة القيمة العلمية. لعلاج هذا التضخم الاصطناعي، تم ابتكار “معامل التحديد المعدل” (Adjusted $R^2$)، الذي يفرض عقوبة حسابية بناءً على درجات الحرية وعدد المتغيرات المستقلة المضافة ($k$):

$$\bar{R}^2 = 1 – \left[ \frac{\text{SSE} / (n – k – 1)}{\text{SST} / (n – 1)} \right] = 1 – (1 – R^2)\frac{n – 1}{n – k – 1}$$

يتميز هذا المعامل بأنه لا يرتفع إلا إذا كان المتغير المضاف يسهم في تحسين القدرة التفسيرية للنموذج بدرجة تفوق ما هو متوقع بالمصادفة الإحصائية البحتة.

6.3 الخطأ المعياري للتقدير (Standard Error of the Estimate – S_e)

بينما يقدم $R^2$ مقياساً نسبياً مجرداً من الوحدات لجودة التوفيق، يوفر “الخطأ المعياري للتقدير” ($S_e$) مقياساً مطلقاً ومعيارياً لدقة التنبؤ يحمل نفس وحدات قياس المتغير التابع الأصلي. يُعرّف التباين المتبقي للخطأ أو متوسط مربعات الخطأ (Mean Square Error – MSE) بالصيغة:

$$S_e^2 = \hat{\sigma}^2 = \frac{\text{SSE}}{n – 2} = \frac{\sum_{i=1}^{n} (Y_i – \hat{Y}_i)^2}{n – 2}$$

وعليه، يكون الخطأ المعياري للتقدير هو الجذر التربيعي الموجب لهذا التباين:

$$S_e = \sqrt{\frac{\sum_{i=1}^{n} (Y_i – \hat{Y}_i)^2}{n – 2}}$$

يُقاس من خلال هذا المؤشر متوسط التشتت والانحراف المعياري للقيم المشاهدة الفعلية حول خط الانحدار المقدر. وتكمن فائدته التطبيقية في مقارنة حجم تشتت الأخطاء بالانحراف المعياري الأصلي للمتغير التابع ($S_y$)؛ فكلما كان $S_e$ أصغر بصورة ملحوظة من $S_y$، كان ذلك مؤشراً على الكفاءة التنبؤية العالية للنموذج وقدرته الفائقة على تضييق نطاق الشك وعدم اليقين في التقديرات السلوكية والنفسية.

7. الاختبارات الإحصائية وبناء فترات الثقة لمعاملات OLS

7.1 الأخطاء المعيارية للمقدرات (Standard Errors of Estimates)

نظراً لأن مقدرات المربعات الصغرى $\hat{\beta}_0$ و $\hat{\beta}_1$ هي متغيرات عشوائية تُحسب من بيانات عينة محددة، فإن قيمها تتغير وتتقلب عبر العينات المختلفة المسحوبة من نفس المجتمع الإحصائي. ولتحديد مدى تشتت ودقة هذه المقدرات، يتم حساب “الخطأ المعياري” (Standard Error) لكل معامل. يُعبر الخطأ المعياري لميل الانحدار عن الانحراف المعياري لتوزيع المعاينة للميل، ويُحسب وفق المعادلة التالية:

$$\text{SE}(\hat{\beta}_1) = \frac{S_e}{\sqrt{\sum_{i=1}^{n} (X_i – \bar{X})^2}} = \frac{S_e}{\sqrt{S_{XX}}}$$

أما الخطأ المعياري للحد الثابت (نقطة التقاطع)، فيُحسب عبر الصيغة:

$$\text{SE}(\hat{\beta}_0) = S_e \sqrt{\frac{1}{n} + \frac{\bar{X}^2}{\sum_{i=1}^{n} (X_i – \bar{X})^2}} = S_e \sqrt{\frac{\sum X_i^2}{n \sum (X_i – \bar{X})^2}}$$

يكشف الفحص التحليلي لهذه المعادلات عن العوامل البنيوية المتحكمة في دقة التقدير الإحصائي؛ حيث ينخفض الخطأ المعياري (وتزداد الدقة) مع:
(1) انخفاض تباين الأخطاء العشوائية $S_e$،
(2) زيادة حجم العينة الكلي $n$، و
(3) اتساع وتشتت قيم المتغير المستقل $\sum (X_i – \bar{X})^2$؛ إذ كلما انتشرت قيم $X$ على نطاق أوسع، توفرت للنموذج قاعدة ارتكاز هندسية أصلب لتقدير زاوية الميل بدقة واستقرار، وهو ما يُترجم في مصفوفة التباين والتغاير للمعاملات.

7.2 اختبار الفرضيات الإحصائية لمعامل الانحدار (t-test)

يُمثل اختبار الفرضيات الإحصائية حول معامل الميل $\beta_1$ الأداة الأساسية للتحقق مما إذا كان للمتغير المستقل تأثير ذو دلالة إحصائية حقيقية على المتغير التابع أم أن العلاقة الظاهرة تعود إلى مجرد الصدفة العشوائية في العينة. تُصاغ الفرضية الصفرية الكلاسيكية والفرضية البديلة ثنائية الاتجاه بالشكل التالي:

$$H_0: \beta_1 = 0 \quad \text{vs} \quad H_1: \beta_1 \neq 0$$

تُشير الفرضية الصفرية إلى انعدام أي علاقة خطية بين المتغيرين في المجتمع، مما يجعل خط الانحدار أفقياً عديم الفائدة التنبؤية. لاختبار هذه الفرضية، يتم حساب إحصائية الاختبار $t$ (Student’s t-statistic) بالمعادلة:

$$t = \frac{\hat{\beta}_1 – \beta_{1,\text{hypothesized}}}{\text{SE}(\hat{\beta}_1)} = \frac{\hat{\beta}_1 – 0}{\text{SE}(\hat{\beta}_1)}$$

تتبع هذه الإحصائية في ظل صحة الفرضية الصفرية توزيع $t$ لستيودنت بدرجات حرية مقدارها $df = n – 2$. يتم استخراج القيمة الاحتمالية ($p$-value) ومقارنتها بمستوى الدلالة المحدد مسبقاً (غالباً $\alpha = 0.05$). فإذا كانت القيمة الاحتمالية أقل من مستوى الدلالة ($p t_{\text{critical}}$)، يتم رفض الفرضية الصفرية والقطع بوجود تأثير ذي دلالة إحصائية معنوية للمتغير التنبؤي.

7.3 اختبار المعنوية الكلية للنموذج (F-test) وفترات الثقة

يقوم اختبار المعنوية الكلية للنموذج عبر إحصائية $F$ المستمدة من جدول تحليل التباين (ANOVA) باختبار الفرضية الصفرية القائلة بأن جميع معاملات الميل في النموذج تساوي صفراً في آن واحد. تُعرّف إحصائية $F$ بنسبة متوسط مربعات الانحدار إلى متوسط مربعات الخطأ:

$$F = \frac{\text{MSR}}{\text{MSE}} = \frac{\text{SSR} / k}{\text{SSE} / (n – k – 1)} = \frac{\text{SSR} / 1}{\text{SSE} / (n – 2)}$$

وفي حالة الانحدار الخطي البسيط ذي المتغير المستقل الواحد ($k = 1$)، توجد متطابقة جبرية صارمة تربط بين إحصائية $F$ وإحصائية $t$ لمعامل الميل، وهي: $F = t^2$.

بجانب اختبار الفرضيات النقطية، يوفر نموذج OLS إمكانية بناء “فترات الثقة” (Confidence Intervals) للمعاملات بمستوى ثقة مقنن (مثلاً $95%$)، وتُحسب فترة الثقة لميل الانحدار بالصيغة:

$$\text{CI}_{95%}(\beta_1) = \hat{\beta}_1 \pm t_{(alpha/2, , n-2)} \cdot \text{SE}(\hat{\beta}_1)$$

وتُعبر هذه الفترة عن النطاق العددي الذي يحوي المعلمة الحقيقية للمجتمع باحتمال وموثوقية نسبتها $95%$ عبر المعاينات المتكررة. ويجب التمييز هنا بدقة بين فترات الثقة لمتوسط الاستجابة المتوقعة (Confidence Interval for Mean Response) التي تقدر تشتت الخط التنبؤي نفسه، وبين “فترات التنبؤ” (Prediction Intervals) لمشاهدة فردية مستقبلية ($Y_{\text{new}}$)، حيث تكون الأخيرة أكثر اتساعاً لاشتمالها على تباين إضافي ناتج عن حد الخطأ العشوائي الفردي $\sigma^2$.

8. مثال تطبيقي وحسابي شامل خطوة بخطوة في سياق القياس النفسي

8.1 توصيف البيانات النفسية والفرضيات البحثية للمثال

لترسيخ المفاهيم الرياضية والنظرية المشتقة سابقاً، سنقوم بتطبيق نموذج انحدار المربعات الصغرى العادية على دراسة سيكومترية واقعية تسعى إلى فحص وتحديد أثر “ساعات التفكير الاجتراري اليومي” ($X$) بوصفه متغيراً مستقلاً مفسراً، في التنبؤ بـ “مستوى القلق النفسي الإكلينيكي” ($Y$) بوصفه متغيراً تابعاً مقاساً عبر مقياس نفسي كمي متدرج من $0$ إلى $50$ درجة.

تتمثل الفرضيات الإحصائية للدراسة في الآتي:
$$H_0: \beta_1 = 0 \quad \text{(لا توجد علاقة خطية تنبؤية بين ساعات الاجترار ومستوى القلق)}$$
$$H_1: \beta_1 \neq 0 \quad \text{(توجد علاقة خطية تنبؤية دالة إحصائياً بين المتغيرين)}$$

تم جمع البيانات من عينة استطلاعية ممثلة تتألف من $n = 8$ مشاركين خضعوا للملاحظة والقياس المقنن، وكانت الدرجات المرصودة كما يوضح الجدول الآتي:

المشارك ($i$)	ساعات الاجترار اليومي ($X_i$)	مستوى القلق النفسي ($Y_i$)
1	1.5	12
2	2.0	15
3	2.5	14
4	3.0	20
5	3.5	22
6	4.0	24
7	4.5	29
8	5.5	32

نبدأ أولاً بحساب الإحصاءات الوصفية الأولية للمتغيرين:

$$\sum X_i = 1.5 + 2.0 + 2.5 + 3.0 + 3.5 + 4.0 + 4.5 + 5.5 = 26.5$$

$$\bar{X} = \frac{\sum X_i}{n} = \frac{26.5}{8} = 3.3125$$

$$\sum Y_i = 12 + 15 + 14 + 20 + 22 + 24 + 29 + 32 = 168$$

$$\bar{Y} = \frac{\sum Y_i}{n} = \frac{168}{8} = 21.0$$

8.2 العمليات الحسابية اليدوية لاستخراج معاملات OLS

لتطبيق صيغة الانحرافات عن المتوسط بدقة، نقوم بإعداد جدول العمليات الحسابية المساعدة لحساب انحرافات $x_i = (X_i – \bar{X})$ و $y_i = (Y_i – \bar{Y})$، ومربعات انحرافات المتغير المستقل $x_i^2$، وحواصل الضرب المشتركة $x_i y_i$:

المشارك	$X_i$	$Y_i$	$(X_i – \bar{X})$	$(Y_i – \bar{Y})$	$(X_i – \bar{X})^2$	$(X_i – \bar{X})(Y_i – \bar{Y})$
1	1.5	12	-1.8125	-9.0	3.2852	16.3125
2	2.0	15	-1.3125	-6.0	1.7227	7.8750
3	2.5	14	-0.8125	-7.0	0.6602	5.6875
4	3.0	20	-0.3125	-1.0	0.0977	0.3125
5	3.5	22	+0.1875	+1.0	0.0352	0.1875
6	4.0	24	+0.6875	+3.0	0.4727	2.0625
7	4.5	29	+1.1875	+8.0	1.4102	9.5000
8	5.5	32	+2.1875	+11.0	4.7852	24.0625
المجموع ($\sum$)	26.5	168.0	0.0000	0.0000	12.4688	66.0000

باستخدام نتائج الجدول أعلاه، نقوم بحساب معامل الميل $\hat{\beta}_1$ بالتعويض المباشر في الصيغة القياسية:

$$\hat{\beta}_1 = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2} = \frac{66.0000}{12.4688} \approx 5.2932$$

بعد استخراج قيمة الميل، نحسب الحد الثابت $\hat{\beta}_0$ باستخدام المتوسطين الحسابيين:

$$\hat{\beta}_0 = \bar{Y} – \hat{\beta}_1 \bar{X} = 21.0 – (5.2932 \times 3.3125) = 21.0 – 17.5337 = 3.4663$$

وبذلك تصبح معادلة الانحدار التنبؤية النهائية الممثلة للعلاقة بين الاجترار والقلق كالتالي:

$$\hat{Y}_i = 3.4663 + 5.2932 X_i$$

التفسير الإحصائي للمعاملات:
يُشير معامل الميل ($\hat{\beta}_1 = 5.2932$) إلى أنه مقابل كل زيادة بمقدار ساعة واحدة في التفكير الاجتراري اليومي، يرتفع مستوى القلق النفسي المتوقع بمقدار $5.29$ درجة تقريباً. بينما يُشير الحد الثابت ($\hat{\beta}_0 = 3.4663$) إلى أن الفرد الذي ينعدم لديه التفكير الاجتراري تماماً ($X = 0$) يُتوقع أن يسجل مستوى قلق قاعدي مقداره $3.47$ درجة تقريباً.

8.3 حساب مقاييس جودة التوفيق والاختبارات الإحصائية للمثال

لحساب جودة توفيق النموذج، نقوم باستخراج القيم التنبؤية $\hat{Y}_i$ والبواقي $e_i = Y_i – \hat{Y}_i$ ومربعاتها لكل مشارك في الجدول:

المشارك	$X_i$	$Y_i$	$\hat{Y}_i = 3.4663 + 5.2932 X_i$	$e_i = Y_i – \hat{Y}_i$	$e_i^2$	$(Y_i – \bar{Y})^2$
1	1.5	12	11.4061	+0.5939	0.3527	81.0
2	2.0	15	14.0527	+0.9473	0.8974	36.0
3	2.5	14	16.6993	-2.6993	7.2862	49.0
4	3.0	20	19.3459	+0.6541	0.4278	1.0
5	3.5	22	21.9925	+0.0075	0.0001	1.0
6	4.0	24	24.6391	-0.6391	0.4085	9.0
7	4.5	29	27.2857	+1.7143	2.9388	64.0
8	5.5	32	32.5789	-0.5789	0.3351	121.0
المجموع ($\sum$)	–	168.0	168.0000	0.0000	12.6466	362.0

من واقع المجاميع المحسوبة، نجد أن:

$$\text{SST} = \sum (Y_i – \bar{Y})^2 = 362.0000$$

$$\text{SSE} = \sum e_i^2 = 12.6466$$

$$\text{SSR} = \text{SST} – \text{SSE} = 362.0000 – 12.6466 = 349.3534$$

نقوم الآن بحساب معامل التحديد $R^2$:

$$R^2 = \frac{\text{SSR}}{\text{SST}} = \frac{349.3534}{362.0000} \approx 0.9651$$

يُظهر هذا المؤشر جودة مطابقة استثنائية؛ حيث إن $96.51%$ من التباين في مستويات القلق النفسي لدى أفراد العينة يتم تفسيره بصورة مباشرة عبر ساعات التفكير الاجتراري.

نحسب بعد ذلك الخطأ المعياري للتقدير ($S_e$) بدرجات حرية $df = 8 – 2 = 6$:

$$S_e = \sqrt{\frac{\text{SSE}}{n – 2}} = \sqrt{\frac{12.6466}{6}} = \sqrt{2.1078} \approx 1.4518$$

ثم نحسب الخطأ المعياري لمعامل الميل $\text{SE}(\hat{\beta}_1)$:

$$\text{SE}(\hat{\beta}_1) = \frac{S_e}{\sqrt{S_{XX}}} = \frac{1.4518}{\sqrt{12.4688}} = \frac{1.4518}{3.5311} \approx 0.4111$$

نحسب إحصائية $t$ لاختبار دلالة معامل الميل:

$$t = \frac{\hat{\beta}_1}{\text{SE}(\hat{\beta}_1)} = \frac{5.2932}{0.4111} \approx 12.876$$

بالرجوع إلى جدول توزيع $t$ عند مستوى معنوية $\alpha = 0.05$ ودرجات حرية $df = 6$، نجد أن القيمة الحرجة ثنائية الطرف هي $t_{\text{critical}} = 2.447$. وبما أن القيمة المحسوبة ($t = 12.876$) تفوق بمراحل القيمة الحرجة ($p < 0.001$)، فإننا نرفض الفرضية الصفرية بثقة إحصائية متناهية، ونستنتج وجود أثر طردي موجب ودال إحصائياً لساعات التفكير الاجتراري في زيادة مستويات القلق النفسي.

9. انحدار المربعات الصغرى المتعدد (Multiple OLS Regression)

9.1 الانتقال من النموذج البسيط إلى النموذج المتعدد

في معظم الظواهر الإنسانية والسلوكية المعقدة، نادراً ما يتحدد المتغير التابع بواسطة عامل مفسر واحد؛ فالقلق مثلاً يتأثر بالاجترار، وجودة النوم، والضغوط المهنية، والاستعداد الوراثي في آن واحد. من هنا ينبثق انحدار المربعات الصغرى المتعدد (Multiple OLS Regression) كامتداد طبيعي ونظري للنموذج البسيط، وتُصاغ معادلته العامة للمجتمع بالشكل التالي:

$$Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + dots + \beta_k X_{ki} + \varepsilon_i$$

حيث يمثل $k$ عدد المتغيرات المستقلة المفسرة في النموذج. وتكتسب المعاملات الانحدارية في هذا النموذج مفهوماً رياضياً متقدماً يُعرف بـ “معاملات الانحدار الجزئية” (Partial Regression Coefficients). يُعبر المعامل $\beta_j$ عن معدل التغير المتوقع في المتغير التابع $Y$ عند تغير المتغير المستقل $X_j$ بمقدار وحدة واحدة، شريطة تثبيت وعزل أثر جميع المتغيرات المستقلة الأخرى في النموذج (Ceteris Paribus). يمنح هذا التثبيت الإحصائي الباحثين أداة فائقة القوة للتحكم في المتغيرات المربكة (Confounding Variables) وتفكيك التأثيرات النقية لكل متغير تفسيري على حدة في سياق النماذج السببية والتنبؤية متعددة الأبعاد.

9.2 الصيغ المصفوفية لانحدار المربعات الصغرى المتعدد (Matrix Formulation)

تصبح المعالجة الجبرية التقليدية لانحدار OLS معقدة للغاية مع تزايد عدد المتغيرات التفسيرية، مما يتطلب الانتقال إلى الجبر الخطي وتمثيل النموذج باستخدام لغة المصفوفات والمتجهات (Matrix Algebra). يُصاغ النموذج المصفوفي العام بالصيغة المدمجة:

$$\mathbf{Y} = \mathbf{X} boldsymbol{\beta} + boldsymbol{\varepsilon}$$

حيث يمثل $\mathbf{Y}$ متجه المشاهدات التابعة ذو البعد $(n \times 1)$، بينما تمثل $\mathbf{X}$ مصفوفة التصميم (Design Matrix) ذات البعد $(n \times (k+1))$ والتي يحتوي عمودها الأول على الآحاد المقابلة للحد الثابت متبوعة بأعمدة المتغيرات المستقلة، ويمثل $boldsymbol{\beta}$ متجه المعلمات المطلوب تقديرها ذو البعد $((k+1) \times 1)$، ويمثل $boldsymbol{\varepsilon}$ متجه حدود الخطأ العشوائي ذو البعد $(n \times 1)$.

يُكتب متجه البواقي للعينة بالشكل $\mathbf{e} = \mathbf{Y} – \mathbf{X} \hat{boldsymbol{\beta}}$، وتكون دالة مجموع مربعات البواقي المراد تصغيرها هي حاصل الضرب القياسي المنقول للبواقي:

$$S(\hat{boldsymbol{\beta}}) = \mathbf{e}’\mathbf{e} = (\mathbf{Y} – \mathbf{X} \hat{boldsymbol{\beta}})'(\mathbf{Y} – \mathbf{X} \hat{boldsymbol{\beta}}) = \mathbf{Y}’\mathbf{Y} – 2\hat{boldsymbol{\beta}}’\mathbf{X}’\mathbf{Y} + \hat{boldsymbol{\beta}}’\mathbf{X}’\mathbf{X}\hat{boldsymbol{\beta}}$$

بتطبيق قواعد التفاضل المصفوفي بالنسبة للمتجه $\hat{boldsymbol{\beta}}$ ومساواة مشتقة التدرج بمتجه الأصفار:

$$\frac{\partial (\mathbf{e}’\mathbf{e})}{\partial \hat{boldsymbol{\beta}}} = -2 \mathbf{X}’\mathbf{Y} + 2 \mathbf{X}’\mathbf{X}\hat{boldsymbol{\beta}} = \mathbf{0} implies \mathbf{X}’\mathbf{X}\hat{boldsymbol{\beta}} = \mathbf{X}’\mathbf{Y}$$

وبضرب طرفي المعادلة بمقلوب المصفوفة $(\mathbf{X}’\mathbf{X})^{-1}$، شريطة أن تكون المصفوفة كاملة الرتبة (Full Column Rank) وغير مفردة لضمان وجود المعكوس، نحصل على الصيغة المصفوفية الأساسية لمعاملات OLS:

$$\hat{boldsymbol{\beta}} = (\mathbf{X}’\mathbf{X})^{-1} \mathbf{X}’\mathbf{Y}$$

9.3 مصفوفة التباين والتغاير للمعاملات في الصيغة المصفوفية

تتيح الصياغة المصفوفية استخراج معلومات تباين وتغاير المعاملات المقدرة بصورة فورية وموحدة. في ظل تحقق افتراضات غاوس-ماركوف، تُعطى مصفوفة التباين والتغاير الحقيقية للمتجه $\hat{boldsymbol{\beta}}$ بالعلاقة الرياضية:

$$\text{Var}(\hat{boldsymbol{\beta}}) = \sigma^2 (\mathbf{X}’\mathbf{X})^{-1}$$

وحيث إن تباين الخطأ الحقيقي للمجتمع $\sigma^2$ غير معلوم، فإننا نستخدم مقدره غير المتحيز المستخلص من العينة:

$$S_e^2 = \hat{\sigma}^2 = \frac{\mathbf{e}’\mathbf{e}}{n – k – 1}$$

وبالتعويض، نحصل على المصفوفة التقديرية للتباين والتغاير:

$$\widehat{\text{Var}}(\hat{boldsymbol{\beta}}) = \hat{\sigma}^2 (\mathbf{X}’\mathbf{X})^{-1}$$

تمثل العناصر الواقعة على القطر الرئيسي (Main Diagonal) لهذه المصفوفة التباينات المقدرة لكل معامل انحدار ($\widehat{\text{Var}}(\hat{\beta}_j)$)، وبأخذ الجذر التربيعي الموجب لكل عنصر قطري نحصل على الأخطاء المعيارية الفردية للمعاملات $\text{SE}(\hat{\beta}_j)$ اللازمة لحساب اختبارات $t$ وبناء فترات الثقة. أما العناصر الواقعة خارج القطر الرئيسي (Off-Diagonal Elements)، فتمثل التغايرات المشتركة ($\widehat{\text{Cov}}(\hat{\beta}_j, \hat{\beta}_m)$) بين المقدرات، والتي تعكس درجة التداخل والاعتمادية المتبادلة بين المعاملات المحسوبة نتيجة للارتباطات البينية القائمة بين المتغيرات المستقلة في مصفوفة التصميم.

10. التشخيص الإحصائي ومعالجة انتهاكات افتراضات OLS

10.1 تشخيص عدم تجانس التباين (Heteroscedasticity) وعلاجه

تنشأ مشكلة عدم تجانس تباين الأخطاء العشوائية عندما يتفاوت تشتت البواقي عبر المستويات المختلفة للمتغير التنبؤي أو القيم المقدرة. يتضمن الفحص التشخيصي مسارين متكاملين: المسار الأول بصري استكشافي يتمثل في رسم المخططات المبعثرة للبواقي المعيارية مقابل القيم المتوقعة ($\hat{Y}$)، فإذا اتخذت النقاط شكلاً قمعياً أو بوقياً متسعاً، كان ذلك مؤشراً بصرياً قوياً على وجود المشكلة. المسار الثاني إحصائي استدلالي صارم يعتمد على اختبارات دلالة مقننة، من أبرزها اختبار بروش-باغان (Breusch-Pagan Test) واختبار وايت العام (White Test).

في حال ثبوت عدم تجانس التباين، يلجأ الإحصائيون إلى استراتيجيات معالجة رصينة تمنع بطلان الاستدلال؛ الاستراتيجية المعاصرة الأكثر شيوعاً هي استخدام “الأخطاء المعيارية القوية لـ هوبر-وايت” (Huber-White Robust Standard Errors / Heteroscedasticity-Consistent SEs)، والتي تقوم بتصحيح مصفوفة التباين والتغاير لإنتاج أخطاء معيارية وفترات ثقة موثوقة دون المساس بقيم المعاملات النقطية. الاستراتيجية البديلة تتمثل في إجراء تحويلات رياضية للمتغيرات (Variable Transformations)، مثل التحويل اللوغاريتمي ($Log(Y)$) الذي يعمل على كبح تشتت القيم المتباعدة وتقليص تباين الأخطاء، أو اللجوء إلى طريقة المربعات الصغرى الموزونة (WLS).

10.2 تشخيص التعددية الخطية (Multicollinearity) وعلاجها

تحدث التعددية الخطية في نماذج الانحدار المتعدد عندما ترتبط المتغيرات التفسيرية فيما بينها بارتباطات خطية مرتفعة وقوية، مما يجعل من الصعب على خوارزمية OLS عزل الأثر الفريد والمستقل لكل متغير على حدة. تشمل الأعراض الكلاسيكية للتعددية الخطية الحصول على قيمة $R^2$ مرتفعة جداً للنموذج مع إحصائية $F$ دالة إحصائياً بصورة قاطعة، يقابلها فشل جميع أو معظم اختبارات $t$ الفردية للمعاملات في بلوغ مستوى الدلالة المعتمد نتيجة لتضخم أخطائها المعيارية.

يتم تشخيص هذه الظاهرة بدقة عبر مؤشرين رياضيين رئيسيين:
(1) عامل تضخم التباين (Variance Inflation Factor – VIF)، ويُحسب للمتغير $j$ بالصيغة: $\text{VIF}_j = \frac{1}{1 – R_j^2}$ (حيث $R_j^2$ هو معامل التحديد الناتج عن انحدار المتغير المستقل $X_j$ على بقية المتغيرات المستقلة)، وتُعد القيمة التي تتجاوز $5$ أو $10$ مؤشراً على تعددية خطية مقلقة؛
(2) مؤشر التسامح ($\text{Tolerance} = 1 / \text{VIF}_j$)، حيث تشير القيم القريبة من الصفر إلى خلل هيكلي. تشمل الحلول المنهجية دمج المتغيرات المتداخلة في مؤشر تركيبي واحد عبر التحليل العاملي، أو استبعاد المتغيرات الفائضة نظرياً، أو تطبيق أساليب انحدار الحرف (Ridge Regression) التي تضحي بقدر طفيف من عدم التحيز لصالح تقليص التباين وتثبيت المقدرات.

10.3 القيم المتطرفة والمشاهدات المؤثرة (Outliers and Influential Points)

تتميز خوارزمية المربعات الصغرى بحساسيتها الشديدة لوجود المشاهدات الشاذة نتيجة لمنطق تربيع الفروق الذي يضخم أثر النقاط البعيدة. يُميز الإحصائيون بدقة بين ثلاثة مفاهيم مترابطة:

• القيم المتطرفة في الاستجابة (Regression Outliers): مشاهدات تبتعد قيم $Y$ الفعلية لها بصورة شاذة عن خط الانحدار، وتنتج بواقي معيرة تزيد قيمتها المطلقة عن $|3|$.
• نقاط الرافعة العالية (High Leverage Points): مشاهدات تتخذ فيها المتغيرات المستقلة $X$ قيماً متطرفة وشاذة عن مركز توزيع سائر المشاهدات، وتُقاس بقيم القطر في مصفوفة القبعة ($h_{ii}$).
• المشاهدات المؤثرة (Influential Observations): نقاط تجمع بين التطرف والرافعة، ويؤدي وجودها أو حذفها من التحليل إلى تغير جوهري في قيم معاملات الانحدار وميل الخط التنبؤي.

يتم الكشف عن التأثير الإجمالي للمشاهدات باستخدام مقاييس إحصائية مقننة، مثل “مسافة كوك” (Cook’s Distance – D)، وإحصائيتي DFBETAS و DFFITS. وعند رصد قيم مؤثرة، يجب فحصها أولاً للتأكد من عدم وجود أخطاء في الإدخال أو القياس، وإذا كانت بيانات صحيحة وممثلة لفئات نادرة، يُفضل إجراء تحليل حساسية متوازٍ أو استخدام أساليب الانحدار القوي.

11. مقارنة انحدار OLS مع الأساليب الإحصائية البديلة في النمذجة السلوكية

11.1 مقارنة OLS بانحدار الإمكانية القصوى (Maximum Likelihood Estimation – MLE)

يُمثل تقدير الإمكانية القصوى (Maximum Likelihood Estimation – MLE) البديل الفلسفي والرياضي الأبرز للمربعات الصغرى العادية في الإحصاء البارامتري. ينطلق OLS من فلسفة استمثال غير احتمالية بالأساس ترتكز على تقليل دالة الخسارة التربيعية للمسافات الهندسية، بينما ينطلق MLE من إطار احتمالي خالص يسعى إلى تعظيم دالة الإمكانية (Likelihood Function) لاشتقاق قيم المعلمات التي تجعل من البيانات المرصودة في العينة الحدث الأكثر احتمالاً وتوقعاً للحدوث.

تتجلى وحدة البناء الرياضي بين الطريقتين في حقيقة مبرهنة أساسية: في ظل افتراض التوزيع الطبيعي الكامل والمتجانس لحدود الخطأ العشوائي، تتطابق مقدرات OLS النقطية للمعاملات ($\hat{\beta}$) تطابقاً جبرياً تاماً مع مقدرات MLE. ومع ذلك، يتفوق أسلوب MLE بصورة حاسمة عندما ننتقل إلى نماذج المتغيرات التابعة الفئوية، أو الثنائية، أو المحدودة كالانحدار اللوجستي (Logistic Regression) وانحدار بروبيت (Probit) ونماذج بواسون للعد؛ حيث تفشل OLS بنيوياً في نمذجة هذه الظواهر نظراً لمحدودية نطاق الاحتمالات وخرق افتراضات الخطية وثبات التباين، في حين يتطلب MLE حسابات تكرارية تقاربية تعتمد على عينات كبيرة لتحقيق الكفاءة المثلى.

11.2 مقارنة OLS بأساليب الانحدار القوي والانحدار اللامعلمي

عندما تتعرض البيانات لتلوث شديد بالقيم الشاذة أو تتسم بتوزيعات ذات ذيول ثقيلة تخرق افتراضات التوزيع الطبيعي خرقاً فادحاً، تتراجع كفاءة OLS بصورة دراماتيكية، مما يستوجب اللجوء إلى أساليب الانحدار القوي (Robust Regression) أو الأساليب اللامعلمية. البديل المباشر الكلاسيكي لـ OLS هو أسلوب “انحرافات القيم المطلقة الصغرى” (Least Absolute Deviations – LAD)، الذي يقلل مجموع القيم المطلقة للبواقي ($\sum |e_i|$) بدلاً من مربعاتها، مما يجعله نموذجاً لانحدار الوسيط غير المتأثر بالقيم المتطرفة.

تضم عائلة الأساليب القوية أيضاً “انحدار هوبر” (Huber M-Estimator)، وهو نموذج هجين بارع يطبق دالة خسارة تربيعية على البواقي الصغيرة ودالة خسارة خطية مطلقة على البواقي الكبيرة، مما يجمع بين كفاءة OLS الرياضية ومتانة ومقاومة أساليب القيم المطلقة. كذلك يبرز انحدار المربعات الصغرى الموزونة (WLS) لمعالجة التباين غير المتجانس عبر إعطاء وزن نسبي عكسي لكل مشاهدة يتناسب مع تباين خطئها. ويجب على الباحث النفسي والسلوكي التخلي عن OLS لصالح هذه البدائل المتقدمة عندما تكشف الفحوص التشخيصية عن وجود انتهاكات هيكلية جسيمة لا تجدي معها التحويلات الرياضية نفعاً.

12. التطبيق العملي وكتابة تقارير OLS وفق المعايير الأكاديمية (APA Style)

12.1 تنفيذ تحليل OLS باستخدام البرمجيات الإحصائية (R, SPSS, Python)

يُعد تنفيذ نموذج المربعات الصغرى العادية من الإجراءات القياسية المؤتمتة في كافة البرمجيات والحزم الإحصائية المعتمدة. في بيئة البرمجة الإحصائية R، يتم بناء النموذج الأساسي عبر الدالة القياسية lm() بصيغة كودية مباشرة، مثل: model <- lm(Anxiety ~ Rumination, data = my_data)، وتوفر دالة summary(model) تقريراً متكاملاً يشمل المعاملات النقطية، وأخطائها المعيارية، وقيم $t$، والقيمة الاحتمالية، ومقاييس جودة التوفيق ($R^2$, Adjusted $R^2$, Residual SE)، كما تتيح دالة plot(model) توليد مخططات الفحص التشخيصي الأربعة للبواقي بصورة آلية.

أما في بيئة الحزمة الإحصائية للعلوم الاجتماعية SPSS، فيتم تنفيذ التحليل عبر التبويب المنسدل: Analyze -> Regression -> Linear، حيث يتم إدراج المتغير التابع والمتغيرات المستقلة، مع تفعيل خيارات الفحص المتقدم مثل استخراج فترات الثقة لمعاملات الانحدار، ومصفوفة التباين والتغاير، وإحصاءات كشف التعددية الخطية (VIF/Tolerance)، وتشخيصات كوك للنقاط المؤثرة، وتوليد مخططات التشتت للبواقي المعيارية (ZRESID) مقابل القيم التنبؤية المعيارية (ZPRED).

وفي لغة البرمجة Python، يتاح التحليل عبر مسارين رئيسيين: مسار النمذجة الإحصائية الصارمة باستخدام مكتبة statsmodels عبر دالة OLS(y, X).fit() التي تولد جداول إحصائية تفصيلية مماثلة لمخرجات البرمجيات الكلاسيكية، ومسار التعلم الآلي والتطبيقات التنبؤية باستخدام مكتبة scikit-learn عبر الوحدة LinearRegression() الموجهة لتحسين أداء التنبؤ وتعميم النماذج على بيانات الاختبار المستقلة.

12.2 دليل صياغة وتوثيق نتائج انحدار OLS وفق معايير جمعية علم النفس الأمريكية (APA 7)

يتطلب النشر الأكاديمي الرصين في المجلات العلمية المحكمة توثيق نتائج انحدار OLS بدقة ووضوح وفقاً لدليل النشر الصادر عن جمعية علم النفس الأمريكية (APA Style – 7th Edition). عند كتابة التقرير في متن البحث، يجب توثيق المؤشرات الكلية لجودة النموذج الإحصائي متبوعة بالاختبارات الفردية للمعاملات. وفيما يلي صياغة أكاديمية معيارية لنتائج المثال السيكومتري المحسوب سابقاً:

“أُجري تحليل انحدار خطي بسيط باستخدام المربعات الصغرى العادية (OLS) للتنبؤ بمستوى القلق النفسي بناءً على عدد ساعات التفكير الاجتراري اليومي. كشفت النتائج عن نموذج انحداري دال إحصائياً وذو كفاءة تفسيرية عالية، $F(1, 6) = 165.79$، $p < .001$، حيث فسر النموذج ما نسبته $96.5%$ من التباين الكلي في مستويات القلق ($R^2 = .965$, $R^2_{\text{adj}} = .959$). وقد أظهرت ساعات التفكير الاجتراري تأثيراً طردياً موجباً ودالاً إحصائياً في التنبؤ بالقلق، $B = 5.29$، $\text{SE} = 0.41$، $\beta = .982$، $t(6) = 12.88$، $p < .001$، $95% \text{ CI } [4.29, 6.30]$. وتشير هذه النتائج إلى أنه مقابل كل زيادة بمقدار ساعة واحدة في الاجترار اليومي، يرتفع القلق بمعدل $5.29$ درجة."

كما يُشترط تقديم النتائج التفصيلية في جدول إحصائي رسمي مصمم وفق قواعد APA 7 (خطوط أفقية رئيسية فقط دون خطوط عمودية)، يتضمن المعاملات غير المعيارية ($B$) وأخطائها المعيارية ($\text{SE } B$)، والمعاملات المعيارية ($\beta$)، وقيم اختبار $t$، ومستويات الدلالة الدقيقة، وحدود فترات الثقة. ويجب التأكيد في المناقشة المنهجية على الالتزام بالتفسير التنبؤي وتجنب الادعاءات السببية المباشرة إلا إذا كان التصميم التجريبي مضبوطاً بصورة محكمة تضمن عزل كافة المتغيرات الدخيلة.

الخاتمة والتوصيات المنهجية

يظل انحدار المربعات الصغرى العادية (OLS) نموذجاً فكرياً ورياضياً استثنائياً يجمع بين البساطة الرياضية والأناقة الهندسية والقوة الاستدلالية الفائقة. ومن خلال تفكيك دالة الخسارة واشتقاق المعادلات الطبيعية واستيعاب مبرهنة غاوس-ماركوف، يتضح بجلاء لماذا احتل هذا النموذج مكانة الصدارة في المنهجيات الإحصائية لأكثر من قرنين من الزمان. إن استيعاب OLS ليس مجرد خطوة لإتقان أداة تحليلية محددة، بل هو الأساس النظري الضروري لفهم كافة النماذج الخطية المعممة، والتحليلات متعددة المتغيرات، ونماذج التفاعل والوساطة في القياس النفسي المتقدم.

نوصي الباحثين والممارسين في العلوم السلوكية والكمية بعدم التعامل مع انحدار OLS كإجراء آلي مصمت ينتهي بالضغط على زر الحساب في البرمجيات الإحصائية، بل كعملية استدلالية متكاملة تبدأ بالتحقق الدقيق من سلامة التصميم التجريبي ومستويات قياس المتغيرات، وتمر بالفحص التشخيصي الصارم لافتراضات السلوك العشوائي وتجانس التباين واستقلال المشاهدات، وتنتهي بالتفسير المتزن للنتائج وصياغتها وفق الضوابط المنهجية العالمية. إن إتقان هذه المبادئ هو ما يضمن تحويل البيانات الرقمية الخام إلى استبصارات علمية رصينة تدفع عجلة المعرفة الإنسانية وتثري التطبيقات الميدانية في مختلف الميادين.

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. https://www.routledge.com/Applied-Multiple-RegressionCorrelation-Analysis-for-the-Behavioral-Sciences/Cohen-Cohen-West-Aiken/p/book/9780805822236
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications. https://us.sagepub.com/en-us/nam/applied-regression-analysis-and-generalized-linear-models/book237254
• Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/econometric-analysis/P200000006399
• Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press. https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030
• Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5th ed.). McGraw-Hill Irwin. https://www.mheducation.com
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/using-multivariate-statistics/P200000003507
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning. https://www.cengage.com/c/introductory-econometrics-a-modern-approach-7e-wooldridge/9781337558860/