حاسبة مجموع مربعات الانحدار (SSR)

تُعد النمذجة الإحصائية حجر الزاوية في العلوم السلوكية والقياس النفسي الحديث، حيث يسعى الباحثون باستمرار إلى تفكيك الظواهر المعقدة وفهم العلاقات التنبؤية بين المتغيرات المتعددة. وفي قلب هذه النمذجة يقع تحليل الانحدار الخطي، الذي يمثل أداة استدلالية تمكننا من تفسير كيفية تباين استجابة سيكولوجية معينة بناءً على متغير تفسيري أو أكثر. ومع ذلك، فإن تقييم كفاءة هذا النموذج وقدرته التفسيرية لا يعتمد فقط على رسم خط مستقيم عبر سحابة من النقاط، بل يتطلب حساباً دقيقاً لكمية التشتت أو التباين التي نجح النموذج في استيعابها وتفسيرها، وهو ما يقودنا إلى المفهوم الجوهري المعروف باسم مجموع مربعات الانحدار (Regression Sum of Squares – SSR).

تأتي حاسبة مجموع مربعات الانحدار (SSR) كأداة تحليلية لا غنى عنها في الترسانة المنهجية لعلماء النفس والباحثين في العلوم الاجتماعية والطبية؛ إذ تختزل العمليات الجبرية المعقدة لاشتقاق التباين المفسر وتوفر مقياساً دقيقاً لقوة النموذج التنبؤي. إن حساب SSR ليس مجرد خطوة ميكانيكية عابرة، بل هو الإجراء الذي يُبنى عليه تحديد معامل التحديد ($R^2$)، واختبار الدلالة الإحصائية العامة للنموذج عبر إحصاء فايشر ($F\text{-statistic}$)، والتحقق من صدق الفرضيات النظرية. يهدف هذا المقال التأصيلي الشامل إلى تفكيك الأبعاد النظرية، الرياضية، والسيكومترية لحاسبة مجموع مربعات الانحدار، وتقديم دليل تطبيقي متكامل يغطي كافة جوانب استخدامها الميداني وتحليل مخرجاتها بدقة متناهية.

سواء كنت باحثاً يسعى لتقنين بطارية اختبارات سيكومترية جديدة، أو محلل بيانات يدرس أثر التفاعلات العصبية الحيوية على السلوك البشري، فإن الإحاطة العميقة بالبنية الرياضية لـ SSR وطريقة معالجتها عبر الأدوات الإحصائية تمنحك القدرة على تمييز التباين الحقيقي المرتبط بالظاهرة المدروسة من التباين العشوائي الناتج عن أخطاء القياس. يستعرض هذا الدليل الموسع كل ما يتعلق بحاسبة SSR بدءاً من الأسس الجبرية لمصفوفة المربعات الصغرى ووصولاً إلى معايير التوثيق وفق الدليل الإرشادي السابع لجمعية علم النفس الأمريكية (APA 7th Edition).

1. مقدمة تأصيلية: ماهية حاسبة مجموع مربعات الانحدار (SSR) وأهميتها المنهجية

1.1 التعريف النظري لمجموع مربعات الانحدار (SSR)

يُعرف مجموع مربعات الانحدار، الذي يُرمز له اختصاراً بـ SSR (وأحياناً يُطلق عليه في الأدبيات الإحصائية Model Sum of Squares – SSM أو التباين المفسر Explained Sum of Squares – ESS)، بأنه المقياس الكمي الإجمالي للتغير أو التباين في المتغير التابع الذي يتم تفسيره والتقاطه بنجاح بواسطة النموذج التنبؤي المقترح. عند دراسة أي ظاهرة نفسية، نلاحظ وجود تباين طبيعي وتشتت في درجات الأفراد حول متوسطهم العام؛ وهنا يأتي نموذج الانحدار الخطي ليقدم تفسيراً لهذا التشتت عبر ربطه بمتغير تنبؤي مستقل. يتمثل SSR رياضياً في مجموع مربعات الانحرافات بين القيم التي يتنبأ بها النموذج لكل فرد والمتوسط الحسابي العام لكافة المشاهدات في العينة.

ولفهم هذا المفهوم بعمق، يجب التمييز بصرامة بين التباين المفسر (SSR) والتباين غير المفسر، الذي يُعرف باسم مجموع مربعات البواقي أو الأخطاء (SSE). بينما يمثل SSR مقدار التباين الذي تمكن المتغير المستقل من الإحاطة به وصياغته ضمن النمط الرياضي للنموذج، يعبر SSE عن الفروق الفردية المتبقية، والتقلبات العشوائية، أو تأثير المتغيرات الكامنة التي عجز النموذج الخطي عن استيعابها. إن التباين الكلي في السلوك أو الاستجابة المقاسة لا يخرج عن كونه حصيلة هذين المكونين المتكاملين، مما يجعل SSR المؤشر الأهم على نجاح الفرضية العلمية في تحويل التشتت العشوائي إلى علاقة نسقية قابلة للفهم.

تكتسب حاسبة SSR دلالة إبستمولوجية بالغة الأهمية في مجال النمذجة المعرفية والسلوكية؛ فهي لا تحسب قيماً رقمية مجردة، بل تقدم برهاناً رياضياً على مدى مطابقة النظرية للواقع التجريبي. عندما نقوم بوضع فرضية تنص على أن الحمل المعرفي يفسر بطء الاستجابة الحركية، فإن حاسبة SSR تختزل آلاف العمليات الحسابية المرتبطة بالانحرافات المعيارية المربعة، لتقدم للمشغل العلمي رقماً يلخص القوة البنائية للفرضية. تعمل الحاسبة كأداة اختزال رياضي بالغة الكفاءة، محولةً مصفوفات البيانات الأولية الصاخبة إلى تقديرات إحصائية دقيقة تتيح اختبار الفروض ورفض الفرضية الصفرية بثقة منهجية عالية.

1.2 دور حاسبة SSR في القياس والتقييم النفسي

في حقل القياس والتقويم النفسي (Psychometrics)، يكتسب حساب SSR بعداً تطبيقياً حيوياً، حيث يُستخدم لتقييم مدى قدرة الدرجات المستخرجة من أداة تنبؤية معينة (مثل مقياس القلق أو اختبار الدافعية) على التنبؤ بسلوك محدد أو أداء وظيفي لاحق. إن قدرة الاختبار السيكومتري على التفسير لا تُقاس بمجرد حساب الارتباط البسيط، بل تتطلب قياس نسبة التباين المشترك التي تمكن الاختبار من عزلها عن تباين الخطأ القياسي، وهنا توفر حاسبة SSR الأساس اللازم لتقدير معامل التحديد الذي يعكس كفاءة الأداة القياسية.

تُعد حاسبة SSR ركيزة أساسية في تحديد جودة المطابقة (Goodness of Fit) داخل التجارب السيكولوجية المعملية؛ إذ تسمح للباحثين بالمفاضلة بين نماذج نظرية متنافسة. على سبيل المثال، عند دراسة أثر شدة المنبه على التوافق الانفعالي، يمكن لحاسبة SSR تقديم قياس دقيق لحجم التباين الذي يفسره النموذج الخطي مقارنة بنماذج أخرى غير خطية، مما يكشف عما إذا كانت الزيادة في المثير تؤدي إلى استجابة متناسبة أم أن هناك أبعاداً معرفية وسيطة أخرى لم يتم ضبطها تجريبياً.

يمتد توظيف الحاسبة أيضاً إلى دراسات التوافق المعرفي والانفعالي، حيث تُستخدم في تحليل التباين المفسر لاستراتيجيات التعامل مع الضغوط على التكيف النفسي العام. تساعد المخرجات السريعة والدقيقة للحاسبة في عزل التباين الناتج عن الفروق الفردية المستقرة من التباين الظرفي الطارئ، مما يسهم في رفع الكفاءة السيكومترية للأدوات التشخيصية وضمان استناد الأحكام الإكلينيكية إلى نماذج رياضية محكمة وقابلة للتكرار العلمي.

1.3 بنية الحاسبة والمدخلات الإحصائية الأساسية

تعتمد بنية حاسبة مجموع مربعات الانحدار على استقبال وتجهيز مدخلين إحصائيين رئيسيين يمثلان أزواج المشاهدات المرصودة في التجربة أو المسح السلوكي. المدخل الأول هو المتغير التنبؤي أو المستقل ($X$)، وهو المتغير الذي يُفترض نظرياً أنه المسبب أو المؤشر المؤدي للتغير في الاستجابة. يتطلب هذا المتغير أن يكون مقاساً على مستوى قياس كمي (فتري أو نسبي)، وأن تتوفر فيه خصائص التباين الإحصائي الكافي لضمان عدم حدوث تشوه في تقديرات المربعات الصغرى.

أما المدخل الثاني فهو متغير الاستجابة أو المتغير التابع ($Y$)، وهو الظاهرة السيكولوجية أو النتيجة السلوكية المراد تفسيرها أو التنبؤ بقيمتها. يجب أن يقترن كل مدخل من قيم $X$ بقيمة مقابلة من $Y$ لنفس الوحدة التجريبية أو المفحوص، مكوناً زوجاً إحصائياً مرتباً $(x_i, y_i)$. تتعامل خوارزمية الحاسبة مع هذه الأزواج عبر مصفوفة رياضية متماثلة تضمن عدم فقدان أي قيمة من البيانات المزدوجة، وتقوم بالتحقق التلقائي من تطابق أحجام المتجهات قبل البدء في الحسابات المعقدة.

تعتمد الخوارزمية الحسابية الداخلية للحاسبة على سلسلة من الخطوات المتتابعة؛ تبدأ بحساب المتوسطات الحسابية لكلا المتغيرين ($\bar{X}$ و $\bar{Y}$)، ثم استخراج التغاير المشترك لحساب معاملات الانحدار (الميل والتقاطع)، وتوليد القيم المتنبأ بها ($\hat{y}_i$) لكل مفحوص، وأخيراً تطبيق دالة المجموع التراكمي لمربعات الفروق. هذا الهيكل البرمجي يضمن معالجة أزواج البيانات بأقصى درجات الدقة العددية وتجنب أخطاء التقريب التي قد تطرأ في الحسابات اليدوية المعقدة.

2. الأسس الرياضية والإحصائية لمعادلات مجموع مربعات الانحدار

2.1 الصياغة الجبرية لمجموع مربعات الانحدار

تستند الصياغة الرياضية الدقيقة لحساب مجموع مربعات الانحدار إلى المعادلة الجبرية المركزية التالية:

$$SSR = \sum_{i=1}^{n} (\hat{y}_i – \bar{y})^2$$

حيث تمثل $\hat{y}_i$ القيمة المتنبأ بها للمشاهدة رقم $i$ الناتجة عن تطبيق نموذج خط الانحدار، بينما تمثل $\bar{y}$ المتوسط الحسابي العام لجميع قيم المتغير التابع في العينة، و$n$ هو الحجم الكلي للعينة. يوضح هذا التفكيك الرمزي أن SSR يقيس المسافة التراكمية المربعة بين ما يتوقعه النموذج لكل حالة فردية وبين خط الأساس البدائي المتمثل في المتوسط العام الذي لا يأخذ أي متغير تنبؤي في الحسبان.

يتم اشتقاق القيم المتنبأ بها ($\hat{y}_i$) باستخدام معادلة خط الانحدار الخطي البسيط المستندة إلى طريقة المربعات الصغرى العادية (OLS)، والتي تُكتب بالصيغة: $\hat{y}_i = \hat{\beta}_0 + \hat{\beta}_1 x_i$. يلعب المتوسط العام $\bar{y}$ دور نقطة الارتكاز المرجعية الصفرية؛ فإذا كان المتغير المستقل $X$ لا يقدم أي فائدة تنبؤية على الإطلاق، فإن أفضل تنبؤ لكل مشاهدة سيكون ببساطة هو $\bar{y}$، وفي هذه الحالة ستكون $\hat{y}_i = \bar{y}$ لجميع المشاهدات، وبالتالي تصبح قيمة $SSR = 0$.

يتأصل البرهان الرياضي لاشتقاق صيغة SSR من مبدأ تقليل الفروق المربعة بين القيم الحقيقية والمتنبأ بها إلى أدنى حد ممكن عبر التفاضل الجزئي لدالة الخطأ بالنسبة لمعلمات النموذج. من خلال هذه العملية التثليثية، ينشأ تعامد هندسي بين متجهات التباين المفسر ومتجهات البواقي العشوائية، مما يتيح التفكيك الرياضي النقي للتباين الإجمالي وفق نظرية فيثاغورس في الفضاءات الإقليدية المتعددة الأبعاد.

2.2 حساب معاملات الانحدار (الميل والتقاطع) داخل خوارزمية الحاسبة

للوصول إلى حساب دقيق لقيمة SSR، تقوم خوارزمية الحاسبة أولاً بتقدير معلمات خط الانحدار، بدءاً من ميل الانحدار (Slope – $\hat{\beta}_1$). يُحسب هذا المعامل رياضياً من خلال قسمة التغاير المشترك بين المتغير المستقل والتابع على التباين الخاص بالمتغير المستقل وفق المعادلة:

$$\hat{\beta}_1 = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sum_{i=1}^{n} (x_i – \bar{x})^2} = \frac{SS_{xy}}{SS_{xx}}$$

يمثل الميل مقدار ومعدل التغير المتوقع في استجابة الفرد ($Y$) لكل وحدة زيادة واحدة في المتغير التنبؤي ($X$).

بمجرد تحديد الميل، تنتقل الحاسبة إلى حساب نقطة التقاطع (Intercept – $\hat{\beta}_0$)، وهي القيمة المتوقعة لـ $Y$ عندما تنعدم قيمة $X$ تماماً (أي $X = 0$). تُحسب نقطة التقاطع بضبط مركزية النموذج ليمر حتماً بمركز الجاذبية الإحصائي للبيانات $(\bar{x}, \bar{y})$ عبر الصيغة:

$$\hat{\beta}_0 = \bar{y} – \hat{\beta}_1 \bar{x}$$

تضمن هذه الخطوة أن تكون التقديرات المعلمية للنموذج غير متحيزة وتمتلك أقل تباين ممكن بين جميع المقدرات الخطية المتاحة (وفق مبرهنة غاوس-ماركوف الشهيرة).

تترجم خوارزمية الحاسبة مصفوفة البيانات المدخلة بكفاءة عالية، متجنبة التراكمات الحسابية اليدوية المعرضة للخطأ؛ حيث تستخدم صيغاً حسابية مباشرة ومكافئة جبرياً تعتمد على المجاميع الخام ($\sum x$ و $\sum y$ و $\sum x^2$ و $\sum y^2$ و $\sum xy$) للوصول السريع إلى المعلمات ومن ثم اشتقاق SSR المباشر عبر الصيغة المكافئة: $SSR = \hat{\beta}_1 \cdot SS_{xy} = \hat{\beta}_1^2 \cdot SS_{xx}$.

2.3 التعامل الرياضي مع درجات الحرية (Degrees of Freedom)

ترتبط الحسابات الإحصائية لمجموع المربعات بمفهوم جوهري هو درجات الحرية (Degrees of Freedom – $df$)، والتي تمثل عدد القيم المستقلة رياضياً والحرة في التغير داخل التوزيع الإحصائي بعد فرض قيود المعلمات المقدرة. في حالة نموذج الانحدار الخطي البسيط الذي يحتوي على متغير مستقل واحد فقط، فإن درجات الحرية المرتبطة بمجموع مربعات الانحدار تكون دائماً مساوية لواحد صحيح ($df_{SSR} = 1$). يعود ذلك إلى أن التنبؤ بالكامل على طول الخط المستقيم يتحدد بمعلمة انحدار واحدة مستقلة هي الميل ($\hat{\beta}_1$).

عند التوسع في نماذج الانحدار المتعدد بإضافة متغيرات تفسيرية جديدة، يتغير التعامل الرياضي مع درجات الحرية؛ حيث تصبح $df_{SSR} = k$، حيث يمثل $k$ عدد المتغيرات التنبؤية المستقلة المدرجة في النموذج. هذه الزيادة في درجات الحرية تعكس عدد الأبعاد الاتجاهية الجديدة التي يُسمح للنموذج بالتحرك ضمنها لتفسير التباين في متغير الاستجابة.

تستخدم الحاسبة قيمة درجات الحرية لتحويل مجموع مربعات الانحدار إلى مقياس معياري يُعرف باسم متوسط مربعات الانحدار (Mean Square Regression – MSR)، والذي يُحسب عبر قسمة SSR على درجات حريته المخصصة:

$$MSR = \frac{SSR}{df_{SSR}} = \frac{SSR}{k}$$

يُعد MSR هو البسط الأساسي المستخدم لاحقاً في حساب إحصاء الاختبار لاختبار الفرضية الصفرية القائلة بأن النموذج لا يمتلك أي قدرة تفسيرية تفوق التخمين العشوائي.

3. تفكيك التباين الكلي: العلاقة التكاملية بين SSR و SSE و SST

3.1 معادلة تقسيم التباين الإجمالي (ANOVA Partitioning)

يقوم التحليل الإحصائي للانحدار على مبدأ جوهري يتمثل في تفكيك التباين الإجمالي للظاهرة إلى مكوناته الهيكلية الأساسية. يُعرف هذا الإجراء الرياضي باسم تقسيم مجموع المربعات (Partitioning of Sum of Squares)، والذي يُصاغ بالنموذج الهيكلي العام التالي:

$$SST = SSR + SSE$$

حيث يمثل $SST$ مجموع المربعات الكلي، و$SSR$ مجموع مربعات الانحدار، و$SSE$ مجموع مربعات الخطأ أو البواقي. هذا التقسيم يوضح أن كل جزء من التشتت الإجمالي في سلوك الأفراد إما أن يُفسر بالنموذج التنبؤي أو يظل محصوراً في حيز البواقي العشوائية غير المفسرة.

يُقاس مجموع المربعات الكلي بالصيغة الجبرية: $SST = \sum_{i=1}^{n} (y_i – \bar{y})^2$، وهو يعكس التباين الشامل والكامل لمتغير الاستجابة دون النظر إلى أي متغير آخر. بالمقابل، يُحسب مجموع مربعات الخطأ بالصيغة: $SSE = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2$، ليعبر عن المسافات الرأسية المربعة بين المشاهدات الفعلية وخط الانحدار المقدر، مشيراً إلى حجم القصور التنبؤي أو التباين المتبقي الذي لم تستطع المتغيرات المستقلة الإحاطة به.

من الناحية الهندسية في الفضاء الرياضي ذي $n$ أبعاد، يمكن تمثيل هذا التقسيم كإسقاط متعامد لمتجه الاستجابة المركزية على الفضاء الجزئي الخطي الذي تُحدده المتغيرات التنبؤية. ونظراً لأن متجهات الانحدار ومتجهات البواقي تكون متعامدة تماماً بزاوية $90^circ$ بموجب شروط المربعات الصغرى، فإن مربع طول المتجه الكلي يساوي بالضرورة مجموع مربعي طولي المتجهين المكونين له، مما يحقق التوازن الرياضي الصارم للعلاقة دون وجود أي تباين مفقود.

3.2 جدول تحليل التباين للانحدار (Regression ANOVA Table)

لتنظيم ومقارنة هذه المكونات التباينية بشكل منهجي، تقوم حاسبات الانحدار والبرمجيات الإحصائية المتقدمة بإنشاء ما يُعرف بـ جدول تحليل التباين للانحدار (Regression ANOVA Table). يلخص هذا الجدول مصادر التباين المختلفة، ومجموع المربعات المقترن بكل مصدر، ودرجات الحرية المقابلة، ومتوسط المربعات، وصولاً إلى قيمة الاختبار الإحصائي والدلالة الاحتمالية المقترنة به.

تتكامل مكونات الجدول عبر قسمة مجموع المربعات على درجات الحرية للحصول على متوسط المربعات؛ حيث يُحسب متوسط مربعات الخطأ عبر الصيغة $MSE = \frac{SSE}{n – k – 1}$، والذي يمثل تقديراً غير متحيز لتباين الأخطاء العشوائية ($\sigma^2$) في المجتمع الإحصائي المدروس. يتم بعد ذلك استخراج إحصاء فايشر ($F\text{-Statistic}$) عبر قسمة متوسط مربعات الانحدار على متوسط مربعات الخطأ:

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

يقارن إحصاء $F$ التباين الذي نجح النموذج في تفسيره بالتباين المتبقي الناتج عن الأخطاء العشوائية؛ فإذا كانت النسبة المحسوبة أكبر بكثير من القيمة الحرجة المجدولة عند مستوى دلالة محدد (مثل $\alpha = 0.05$)، فإننا نرفض الفرضية الصفرية ونتوصل إلى أن النموذج التنبؤي يقدم مساهمة دالة إحصائياً في تفسير الظاهرة تتجاوز تماماً مجرد المصادفة الإحصائية.

3.3 الأهمية السيكومترية لفصل التباين الحقيقي عن تباين الخطأ

في بناء وتطوير الأدوات السيكومترية، يكتسب عزل التباين المفسر أهمية قصوى لحماية النتائج من التلوث بأخطاء القياس العشوائية والمنهجية. تشتمل كل استجابة يسجلها المفحوص على جزأين: درجة حقيقية تمثل السمة السلوكية الكامنة، ودرجة خطأ قياسي تنشأ عن عوامل بيئية، تشويش معملي، أو تباين في صياغة البنود. يسهم استخدام حاسبة SSR في تحديد النسبة الدقيقة من التباين الظاهري العائد فعلياً للسمة النفسية المقاسة مقارنة بالتباين المتبقي في مصفوفة البواقي.

يرتبط تعظيم نسبة SSR إلى SST مباشرة برفع الصدق البنائي (Construct Validity) وصدق المحك للأدوات التشخيصية؛ فكلما ارتفعت حصة SSR في معادلة تفكيك التباين، دلّ ذلك على أن المتغير التنبؤي يتمتع بقوة تمييزية وتفسيرية عالية تعكس الجوهر الحقيقي للظاهرة النفسية. هذا الفصل الدقيق يمنح الأخصائيين النفسيين الثقة المنهجية لاعتماد الاختبارات في التقييم الفردي، والتشخيص الإكلينيكي، والتنبؤ بالأداء المستقبلي دون الوقوع في شرك الاستنتاجات المضللة الناتجة عن تضخم تباين الأخطاء.

4. دليل الاستخدام التطبيقي لحاسبة مجموع مربعات الانحدار

4.1 مرحلة إعداد وتجهيز مصفوفة البيانات النفسية

تبدأ المعالجة الإحصائية الناجحة بمرحلة تنظيف وضبط البيانات الأولية قبل إدخالها إلى حاسبة SSR. يجب فحص البيانات بدقة لاكتشاف القيم المفقودة والتعامل معها، فضلاً عن تحديد القيم الشاذة والمتطرفة (Outliers) التي قد تؤدي إلى تشويه خط الانحدار بصورة مصطنعة وتضخيم أو تقليص قيمة SSR بشكل زائف. تُستخدم لهذا الغرض مخططات الصندوق (Boxplots) والدرجات المعيارية ($Z\text{-scores}$) لتحديد المشاهدات التي تتجاوز ثلاثة انحرافات معيارية عن المتوسط.

يتعين على الباحث أيضاً التحقق التام من التناظر والاقتران الرقمي بين المتغير المستقل $X$ ومتغير الاستجابة $Y$. يجب أن تكون كل نقطة بيانات مقترنة بملاحظة محددة من نفس المفحوص، مع تجنب أي خلل في محاذاة الصفوف؛ إذ إن عدم تطابق أطوال المتجهات يؤدي إلى فشل الخوارزمية في حساب التغاير المشترك بدقة. يتم ترميز المتغيرات السيكومترية بصيغة عددية مستمرة وقابلة للمعالجة الرياضية، مع تجنب الخلط بين الفئات الاسمية والبيانات الكمية المتصلة.

4.2 خطوات الإدخال والتشغيل عبر واجهة الحاسبة

توفر حاسبة مجموع مربعات الانحدار الرقمية واجهة إدخال مبسطة مصممة لمعالجة المتجهات الرقمية بسرعة ودقة. تتمثل الخطوة الأولى في إدخال مصفوفة قيم المتغير التنبؤي ($X$) في الحقل المخصص، مع الالتزام بالفواصل القياسية المعتمدة (مثل الفواصل العادية أو المسافات) والتأكد من استخدام النقطة العشرية بدلاً من الفاصلة النصية للأرقام الكسرية لمنع أخطاء القراءة البرمجية.

تلي ذلك خطوة إدخال مصفوفة قيم متغير الاستجابة ($Y$) الموازية في الحقل المقابل، مع إجراء تدقيق بصري سريع للتأكد من أن عدد العناصر في الحقل الأول يطابق تماماً عدد العناصر في الحقل الثاني. بعد التحقق من صحة المدخلات، يتم النقر على زر المعالجة أو الحساب (Calculate)، لتقوم الخوارزمية فوراً بإجراء العمليات المصفوفية المتزامنة وتوليد قيمة SSR اللحظية جنباً إلى جنب مع المؤشرات الإحصائية الوسيطة كالمتوسطات والانحرافات المعيارية ومعاملات النموذج.

4.3 قراءة المخرجات وتفسير القيم الوسيطة

عند ظهور شاشة المخرجات، يجب على الباحث قراءة النتائج بتسلسل منطقي ومنهجي. تبدأ القراءة بفحص القيمة العددية لـ SSR، وهي القيمة التي تعبر عن مجموع التشتت المفسر بالوحدات المربعة لمتغير الاستجابة. على سبيل المثال، إذا كان متغير الاستجابة مقاساً بالمللي ثانية، فإن قيمة SSR تُمثل بالميليزمن المربع، مما يبرز أهمية تحويلها اللاحق إلى مؤشرات نسبية لا تتأثر بوحدات القياس لتسهيل الفهم التفسيري.

تتيح الحاسبة المتقدمة أيضاً مراجعة قيم الانحرافات الفردية لكل استجابة سيكولوجية، بما في ذلك القيم المتنبأ بها ($\hat{y}_i$) والبواقي المقابلة ($e_i = y_i – \hat{y}_i$). تمكن هذه القيم الباحث من تقييم أداء النموذج عند مختلف مستويات المتغير المستقل، واكتشاف ما إذا كان النموذج يميل إلى المبالغة في التقدير عند القيم المنخفضة أو التقليل منها عند القيم المرتفعة. أخيراً، يجب مقارنة خط الانحدار المستخرج بالمخطط البياني للانتشار (Scatter Plot) للتأكد من التوافق البصري بين الخط الإحصائي وتوزيع المشاهدات الفعلية في العينة.

5. حساب معامل التحديد ($R^2$) ومؤشرات جودة المطابقة عبر مخرجات الحاسبة

5.1 الاشتقاق المباشر لقيمة $R^2$ من قيمة SSR

يُمثل معامل التحديد (Coefficient of Determination – R²) المقياس الأكثر شيوعاً واستخداماً للحكم على القوة التفسيرية للنموذج الإحصائي. يتم اشتقاق قيمة $R^2$ مباشرة من المخرجات الأساسية للحاسبة عبر حساب النسبة المئوية للتباين المفسر (SSR) منسوباً إلى التباين الإجمالي الكلي (SST) وفق الصيغة البسيطة التالية:

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

تتراوح الحدود الرياضية لمعامل التحديد دائماً بين الصفر والواحد الصحيح ($0 le R^2 le 1$) في سياق الانحدار الخطي الخالي من القيود الشاذة. تدل القيمة القريبة من الصفر على أن المتغير التنبؤي لا يقدم أي مساهمة حقيقية في فهم تباين الاستجابة، بينما تشير القيمة القريبة من الواحد الصحيح إلى أن النموذج يكاد يفسر التباين السلوكي للمفحوصين بنسبة $100%$ دون أن يترك سوى قدر ضئيل جداً من التباين غير المفسر.

عند تحويل قيمة $R^2$ إلى نسبة مئوية بضربها في $100$， تصبح المخرجات قابلة للتفسير المباشر والمفهوم لدى الباحثين والممارسين؛ فإذا كانت$R^2 = 0.45$، فهذا يعني حرفياً أن $45%$ من التباين الملاحظ في درجات الاستجابة يعود بشكل مباشر إلى تأثير المتغير التنبؤي المدروس، في حين أن الـ $55%$ المتبقية تُعزى إلى عوامل عشوائية أو متغيرات كامنة أخرى خارج نطاق النموذج الحالي.

5.2 معامل التحديد المعدل (Adjusted $R^2$) وأهميته التصحيحية

على الرغم من الأهمية الكبيرة لمعامل التحديد $R^2$ التقليدي، إلا أنه يعاني من عيب هيكلي يتمثل في ميله التلقائي إلى الزيادة كلما أُضيف متغير تنبؤي جديد إلى النموذج، حتى وإن كان هذا المتغير المضاف مجرد ضوضاء عشوائية عديمة القيمة التفسيرية. يحدث هذا التضخم المصطنع لأن إضافة أي متغير جديد تؤدي دائماً إلى تقليص طفيف جداً في قيمة SSE وبالتالي تضخيم قيمة SSR دون وجود مكافئ علمي حقيقي.

لمعالجة هذا القصور الرياضي، يُستخدم معامل التحديد المعدل (Adjusted $R^2$) الذي يفرض عقوبة إحصائية على النموذج بناءً على عدد المتغيرات المضافة وحجم العينة المتاح. تُحسب القيمة المعدلة بالمعادلة التالية:

$$R_{adj}^2 = 1 – \left[ \frac{(1 – R^2)(n – 1)}{n – k – 1} \right] = 1 – \frac{MSE}{MST}$$

حيث يمثل $n$ حجم العينة و$k$ عدد المتغيرات التنبؤية.

يُعد $R_{adj}^2$ المعيار الأكثر موثوقية لمقارنة النماذج المتنافسة؛ فإذا أضاف الباحث متغيراً نفسياً جديداً ولم يؤد هذا المتغير إلى زيادة في SSR تفوق ما يمكن توقعه بالمصادفة الصرفة، فإن قيمة $R_{adj}^2$ ستنخفض حتماً، مما ينبه الباحث إلى ضرورة استبعاد هذا المتغير للحفاظ على بساطة النموذج ورصانته المنهجية (وفق مبدأ نصل أوكام).

5.3 معايير تفسير حجم التأثير (Effect Size) في الدراسات النفسية

في العلوم السلوكية والاجتماعية، لا يكفي الاعتماد على الدلالة الإحصائية المحسوبة بقيمة $p\text{-value}$ وحدها، بل يجب تقييم حجم التأثير العملي (Effect Size) للنموذج. يستند الباحثون في هذا السياق إلى المعايير المنهجية المعتمدة التي صاغها الإحصائي جاكوب كوهين (Cohen’s Conventions)، والتي تصنف قيم معامل التحديد $R^2$ ومؤشر حجم التأثير $f^2$ المرتبط به على النحو التالي:

• تأثير صغير (Small Effect): عندما تكون قيمة $R^2 \approx 0.02$ (مؤشر $f^2 = 0.02$)؛ ويدل ذلك على أن النموذج يفسر حوالي $2%$ فقط من التباين، وهو ما قد يكون مقبولاً في الدراسات الاستكشافية الواسعة ولكن له دلالة تطبيقية محدودة.
• تأثير متوسط (Medium Effect): عندما تصل قيمة $R^2 \approx 0.13$ (مؤشر $f^2 = 0.15$)؛ ويعبر عن قدرة تفسيرية جيدة تغطي حوالي $13%$ من تباين السلوك الإنساني، وهو النطاق الشائع في معظم البحوث النفسية والتجريبية.
• تأثير كبير (Large Effect): عندما تتجاوز قيمة $R^2 ge 0.26$ (مؤشر $f^2 = 0.35$)؛ ويوضح أن النموذج يفسر أكثر من ربع التباين الكلي في الظاهرة، مما يعكس قوة تنبؤية فائقة وذات وزن إكلينيكي وتطبيقي بارز.

يجب الحذر الشديد من الإفراط في تفسير قيم $R^2$ المرتفعة جداً (مثل $R^2 > 0.70$) الناتجة عن عينات صغيرة الحجم، حيث تكون هذه النتائج في الغالب عرضة لفرط التخصيص (Overfitting) وتفشل في الصمود عند تكرار التجربة على عينات مجتمعية مستقلة.

6. التطبيقات الميدانية لحاسبة SSR في بحوث علم النفس والقياس السلوكي

6.1 النمذجة التنبؤية لمستويات القلق والأداء المعرفي

تجد حاسبة مجموع مربعات الانحدار تطبيقاً واسعاً في دراسات علم النفس المعرفي والإكلينيكي، وتحديداً في نمذجة العلاقة التفاعلية بين مستويات القلق وسعة الذاكرة العاملة (Working Memory Capacity). عند إخضاع مجموعة من الطلاب لاختبارات قياس القلق الحالاتي متبوعة بمهام استرجاع معرفي معقدة، تتيح حاسبة SSR استخراج التباين المفسر بدقة لبيان ما إذا كانت الزيادة في درجات القلق ترتبط بانخفاض خطي منتظم في سعة المعالجة الذهنية، وتقدير حجم هذا الأثر كمياً.

يمتد التطبيق كذلك إلى تجارب زمن الرجع الإدراكي (Reaction Time)، حيث يُقاس الزمن المستغرق بالمللي ثانية للاستجابة لمثير بصري متدرج في الشدة. تُمكن حاسبة SSR الباحث من تحديد النسبة المئوية من التباين في سرعة الاستجابة الحركية العائدة مباشرة لخصائص المنبه الفيزيائي مقابل التباين العائد للفروق الفردية في اليقظة والانتباه اللحظي، مما يثري الفهم العصبي لآليات المعالجة الحسية الحركية.

في مجال التقييم الإكلينيكي للتدخلات العلاجية، تُستخدم الحاسبة لحساب التباين المفسر لعدد جلسات العلاج المعرفي السلوكي (CBT) في خفض درجات الاكتئاب المقاسة بمقياس بيك (BDI-II). يساعد استخراج SSR في تحديد مدى فعالية الجرعة العلاجية والتنبؤ بالاستجابة العلاجية المستقبلية للمرضى بناءً على مسارهم التحسني الأولي.

6.2 تطوير وتقنين المقاييس النفسية وبطاريات الاختبارات

يُمثل تطوير وتقنين الاختبارات السيكومترية أحد أهم ميادين توظيف حاسبة SSR؛ حيث تشكل عنصراً حاسماً في تقدير مؤشرات الصدق التلازمي والصدق التنبؤي للبطاريات المستحدثة. عند بناء مقياس جديد للذكاء العاطفي، يعمد مطورو المقياس إلى فحص قدرته على التنبؤ بمحكات خارجية كالأداء الوظيفي أو التوافق الأسري؛ وهنا تتيح الحاسبة استخراج SSR لتحديد ما إذا كان المقياس الجديد يمتلك تماسكاً تنبؤياً يفوق المقاييس التقليدية القائمة.

تُسهم الحاسبة أيضاً في تحليل مساهمة البنود الفردية داخل الاختبار السيكومتري؛ فمن خلال حساب مجموع المربعات المفسر لكل بند بالنسبة للدرجة الكلية للمقياس، يستطيع الباحث تحديد البنود ذات القوة التمييزية الفائقة واستبعاد البنود الضعيفة التي لا تسهم في رفع قيمة SSR، مما يؤدي إلى ترشيد طول الاختبار ورفع ثباته الداخلي.

وفي مشاريع تقنين اختبارات القدرات العقلية العامة واختبارات الذكاء (مثل مقياس وكسلر)، تلعب حاسبة SSR دوراً جوهرياً في وضع جداول المعايير العمرية؛ حيث تُشتق معادلات الانحدار لتعديل الدرجات الخام بناءً على الفئات العمرية المختلفة، مما يضمن معايرة دقيقة ونقية تخلو من الانحياز العمري أو التباينات الطبقية غير المفسرة.

6.3 أبحاث علم النفس العصبي والفسيولوجي

في أبحاث علم النفس العصبي (Neuropsychology)، تُستخدم حاسبة SSR للربط الكمي بين المؤشرات الفسيولوجية والاستجابات النفسية الذاتية. على سبيل المثال، يتم حساب SSR في نماذج الانحدار التي تربط بين نشاط موصلية الجلد الكهربائية (Galvanic Skin Response – GSR) ومستوى الإثارة الانفعالية المبلغ عنها ذاتياً أثناء التعرض لمثيرات ضاغطة، لتقدير مدى تطابق الاستجابة الفسيولوجية التلقائية مع الإدراك الشعوري الواعي.

كما تُطبق الحاسبة على بيانات الرنين المغناطيسي الوظيفي (fMRI) والتخطيط الدماغي (EEG) لتفسير التباين في سعة الموجات العصبية (مثل موجة P300) بناءً على مستويات الحمل المعرفي وصعوبة المهمة المعالجة. يتيح استخراج SSR تحديد مدى ارتباط التغيرات الكهروفسيولوجية في القشرة الجبهية بالعمليات التنفيذية وضبط الانتباه.

تساعد هذه التحليلات الدقيقة الباحثين الفسيولوجيين على بناء نماذج سببية حيوية تفسر كيفية ترجمة الجهاز العصبي المركزي للضغوط البيئية، وتحديد مساهمة المؤشرات الحيوية كإفراز هرمون الكورتيزول وتغير معدل ضربات القلب في التنبؤ بدرجات الاحتراق النفسي والانهيار الإدراكي تحت ظروف العمل القاسية.

7. افتراضات الانحدار الخطي الواجب مراعاتها لضمان صحة نتائج الحاسبة

7.1 افتراض الخطية واستقلالية المشاهدات

تستند النتائج المستخرجة من حاسبة مجموع مربعات الانحدار إلى مجموعة صارمة من الافتراضات الإحصائية التأسيسية التي يجب التحقق من استيفائها بالكامل لضمان صحة الاستدلال العلمي. يأتي في مقدمة هذه الافتراضات افتراض الخطية (Linearity)، والذي ينص على أن العلاقة الحقيقية بين المتغير المستقل $X$ ومتغير الاستجابة $Y$ هي علاقة مستقيمة وليست منحنية. إذا كانت العلاقة الحقيقية غير خطية (مثل العلاقة بين القلق والأداء وفق قانون يركيز-دوتسون الذي يتخذ شكل حرف U المقلوب)، فإن تطبيق نموذج الانحدار الخطي البسيط سيؤدي إلى تقدير مضلل تماماً لـ SSR، حيث ستبدو قيمته منخفضة جداً رغم وجود علاقة حتمية وقوية ولكنها غير خطية.

أما الافتراض الثاني فهو استقلالية المشاهدات والأخطاء (Independence of Observations)، ويعني أن درجة كل مفحوص أو خطأ قياسه لا يرتبط ولا يتأثر بدرجات المشاركين الآخرين في العينة. يُعد خرق هذا الافتراض شائعاً في التصاميم الطولية (Longitudinal Designs) أو الدراسات التي تُجرى داخل بيئات جماعية (مثل الفصول الدراسية)، حيث يؤدي وجود الارتباط الذاتي (Autocorrelation) إلى تضخيم زائف في قيمة SSR وتقليص اصطناعي في تباين الأخطاء، مما يقود إلى ارتكاب الخطأ من النوع الأول (Type I Error) ورفض الفرضية الصفرية دون وجه حق.

يمكن الكشف عن خرق هذه الافتراضات عبر الفحص البصري للمخططات البيانية للانتشار ومخطط البواقي مقابل القيم المتنبأ بها، بالإضافة إلى استخدام اختبارات إحصائية متخصصة مثل اختبار دوربن-واتسون (Durbin-Watson Test) للكشف عن الارتباط التسلسلي للأخطاء.

7.2 افتراض تجانس التباين (Homoscedasticity) وتوزع الأخطاء

يتطلب التحليل الدقيق لـ SSR الالتزام بشرط تجانس تباين الأخطاء (Homoscedasticity)، والذي يقضي بأن يكون تشتت البواقي العشوائية حول خط الانحدار ثابتاً ومتساوياً عند جميع مستويات وقيم المتغير التنبؤي $X$. عندما يتباين تشتت الأخطاء (حالة عدم تجانس التباين أو Heteroscedasticity)، كأن يزداد تشتت درجات المفحوصين كلما ارتفعت مستويات الذكاء، فإن مقدرات المربعات الصغرى تفقد كفاءتها الإحصائية، مما يجعل اختبارات الدلالة المستندة إلى SSR و MSR غير موثوقة ومتحيزة.

يتكامل هذا الشرط مع افتراض التوزيع الطبيعي للأخطاء العشوائية (Normality of Residuals)، وهو شرط أساسي لصحة اختبارات الدلالة الإحصائية لفايشر ($F$) وتي ($t$). ورغم أن مبرهنة النهاية المركزية (Central Limit Theorem) توفر حماية نسبية للعينات الكبيرة، إلا أن الدراسات السيكومترية ذات العينات الصغيرة والمتوسطة تتطلب تحققاً دقيقاً من التوزيع الاعتدالي للبواقي باستخدام اختبارات مثل شابيرو-ويلك (Shapiro-Wilk) أو كولموجوروف-سميرنوف.

عند اكتشاف خرق واضح لافتراض تجانس التباين أو اعتدالية الأخطاء، يتعين على الباحث تطبيق أساليب التحويل الرياضي للبيانات (مثل التحويل اللوغاريتمي، أو الجذر التربيعي، أو تحويلات بوكس-كوكس Box-Cox) لإعادة ضبط التباين قبل إدخال المتجهات الرقمية في حاسبة SSR لضمان استخراج نتائج غير متحيزة وصحيحة إبستمولوجياً.

7.3 حساسية الحاسبة للقيم الشاذة والنقاط ذات التأثير العالي

تتسم طريقة المربعات الصغرى العادية وحاسبة SSR بحساسية شديدة لوجود القيم الشاذة والنقاط الطرفية ذات التأثير العالي (Leverage Points). نظراً لأن الخوارزمية تقوم بتربيع الفروق والانحرافات، فإن المشاهدة الفردية التي تبتعد بمسافة كبيرة عن بقية سحابة البيانات تمتلك وزناً ترجيحياً مضاعفاً يمكنه جذب خط الانحدار نحوها بقوة، مما يؤدي إلى تغيير جذري في قيمة الميل ونقطة التقاطع، وتضخيم أو تقليص قيمة SSR بشكل مصطنع لا يعكس البنية الحقيقية للمجتمع الإحصائي.

لتشخيص هذه الحالات الإشكالية، يعتمد الباحثون على مجموعة من المقاييس التشخيصية المتقدمة مثل مسافة كوك (Cook’s Distance) وقيم الرافعة (Leverage Values) وفروق الملاءمة (DFFITS). تُشير مسافة كوك التي تتجاوز القيمة $1.0$ (أو عتبة $4/n$) إلى أن المشاهدة الفردية تمارس تأثيراً طاغياً على معلمات النموذج ومكونات التباين.

عند رصد حالات سيكومترية شاذة ذات تأثير عالي، يتوجب على الباحث التحقق أولاً من عدم وجود أخطاء في إدخال البيانات أو عدم فهم المفحوص لتعليمات الاختبار؛ ومن ثم اتخاذ القرار المنهجي المناسب إما باستبعاد الحالة مع الإفصاح الكامل عن ذلك في التقرير العلمي، أو تطبيق أساليب الانحدار المتين (Robust Regression) التي تحد من الأثر التشويهي للقيم المتطرفة على حسابات مجموع المربعات.

8. مقارنة منهجية: حاسبة SSR مقابل البرمجيات الإحصائية المتقدمة

8.1 المقارنة مع حزمة SPSS وبرنامج Jamovi

عند إجراء التحليلات التنبؤية، يجد الباحث نفسه أمام خيارات تقنية متعددة تتراوح بين حاسبات SSR الإلكترونية المتخصصة والحزم الإحصائية الشاملة مثل برنامج IBM SPSS Statistics أو البرمجيات مفتوحة المصدر مثل Jamovi. تتميز حاسبة SSR بسرعة الوصول والرشاقة الإجرائية؛ فهي لا تتطلب تثبيتاً برمجياً معقداً أو تدريباً مسبقاً على القوائم المنسدلة، مما يجعلها الخيار المثالي للتحقق السريع، وإجراء الحسابات الفورية أثناء ورش العمل أو الفصول التدريبية.

من حيث الدقة الرياضية، تتطابق مخرجات حاسبة SSR تطابقاً تاماً مع جدول تحليل التباين (ANOVA) المستخرج من SPSS وبرنامج Jamovi؛ حيث تعتمد جميع هذه المنصات على نفس خوارزمية المربعات الصغرى العادية لتقدير التباين المفسر. يوضح الجدول التالي مقارنة منهجية بين هذه الأدوات الإحصائية:

تتفوق البرمجيات الكبرى عند الرغبة في إجراء تحليلات لاحقة معقدة كفحص البواقي المتعدد أو إجراء اختبارات البنية التحتية المتشعبة، إلا أن حاسبة SSR تظل الأداة الأكثر وضوحاً وتجريداً لفهم ميكانيكا التباين وتفكيك المربعات دون الغرق في مئات الجداول والمخرجات غير الأساسية.

8.2 المقارنة مع لغة R وبيئة Python الإحصائية

في الأوساط البحثية المتقدمة وتحليل البيانات الضخمة، تُعد لغات البرمجة مثل لغة R ومكتبات Python الإحصائية المعيار الذهبي للتحليل. في بيئة R، يتم حساب SSR ونموذج الانحدار الخطي عبر الدالة الشهيرة lm() متبوعة بأمر anova()، بينما تُستخدم في بايثون حزمة statsmodels.api.OLS لاستخراج جداول تفكيك التباين ومصفوفات المربعات الصغرى بدقة حوسبية متناهية.

تتمثل القيمة التعليمية والمنهجية لحاسبة SSR في كونها جسراً تعليمياً رائعاً يسبق الانتقال إلى البرمجة المتقدمة؛ حيث تكشف الحاسبة للباحث الخطوات التراكمية الداخلية لكيفية حساب الفروق المربعة $(\hat{y}_i – \bar{y})^2$ وتجميعها، مما يمنع التعامل مع النماذج الإحصائية كـ “صناديق سوداء” مجهولة الآلية. وعندما يستوعب الباحث تماماً كيفية اشتقاق SSR يدوياً ورقمياً عبر الحاسبة، يصبح أكثر كفاءة وقدرة على كتابة الأكواد وتفسير مخرجات الدوال البرمجية المعقدة في بيئات R و Python بثقة تامة ودون الوقوع في أخطاء التفسير.

ينتقل الباحث السلوكي من استخدام الحاسبة البسيطة إلى البيئات البرمجية المتقدمة عندما تتجاوز متطلبات الدراسة حدود الانحدار البسيط أو المتعدد الكلاسيكي؛ كأن يحتاج إلى معالجة آلاف المشاهدات اللحظية في دراسات تتبع حركة العين، أو تطبيق خوارزميات الانحدار المنتظم (مثل Ridge و Lasso Regression) للتعامل مع البيانات فائقة الأبعاد.

8.3 الدقة العددية والتقريب في الحاسبات الإلكترونية

تعتمد جودة وموثوقية أي حاسبة إحصائية على مستوى الدقة العددية (Numerical Precision) والخوارزميات البرمجية المتبعة لتفادي أخطاء التقريب المتراكمة. عند معالجة متجهات رقمية تحتوي على عينات كبيرة أو أرقام ذات فواصل عشرية ممتدة، قد تؤدي الصيغ الحسابية البسيطة التي تعتمد على طرح المجاميع المربعة الكبيرة من بعضها إلى حدوث ما يُعرف بـ “الإلغاء الكارثي” (Catastrophic Cancellation) وفقدان الدقة في المراتب العشرية الأخيرة.

لتفادي هذا القصور الحوسبي، تعتمد الحاسبات المتقنة والموثوقة على خوارزميات التجميع المستقر مثل خوارزمية ولفورد (Welford’s Algorithm) أو خوارزميات تحويل وتفكيك المصفوفات كـ QR Decomposition؛ وهي تقنيات رياضية تضمن حساب التباين والانحرافات بطريقة تراكمية مستقرة تقلل إلى الصفر تقريباً من احتمالية حدوث خطأ في التقريب العشري.

يجب على الباحثين دائماً التحقق من مطابقة مخرجات حاسبة SSR المعتمدة مع المعايير القياسية للهيئة الوطنية للمقاييس والتكنولوجيا (NIST) في مجموعات البيانات المرجعية للاختبار الإحصائي (StARs)، للتأكد من أن الأداة الرقمية توفر دقة حسابية تصل إلى ما لا يقل عن 8 إلى 12 مرتبة عشرية دقيقة قبل التقريب النهائي للأغراض التقريرية.

9. دراسة حالة تفصيلية: تطبيق حاسبة SSR على بيانات تجريبية

9.1 توصيف البيانات والفرضيات السيكولوجية للدراسة

لتجسيد الجانب التطبيقي والمحاسبي لحاسبة مجموع مربعات الانحدار، نعرض دراسة حالة تجريبية من واقع مختبرات علم النفس المعرفي. تهدف الدراسة إلى فحص أثر ساعات النوم خلال الليل السابق ($X$) كمتغير تفسيري تنبؤي على زمن الاستجابة الحركية بالمللي ثانية ($Y$) في مهمة انتباه معقدة صبيحة اليوم التالي. تضمنت الفرضية البحثية وجود علاقة انحدار خطي سالبة ودالة إحصائياً بين ساعات النوم وزمن الاستجابة (بمعنى أن زيادة ساعات النوم تؤدي إلى سرعة الاستجابة وانخفاض زمنها).

تُصاغ الفرضيات الإحصائية للاختبار على النحو التالي:

• الفرضية الصفرية ($H_0$): $\beta_1 = 0$ (لا توجد قدرة تنبؤية لساعات النوم على زمن الاستجابة، ويكون $SSR = 0$).
• الفرضية البديلة ($H_1$): $\beta_1 \neq 0$ (ساعات النوم تفسر جزءاً دالاً إحصائياً من التباين في زمن الاستجابة، ويكون $SSR > 0$).

أُجريت التجربة على عينة عشوائية مضبوطة معملياً مكونة من 10 مشاركين ($n = 10$). يوضح الجدول التالي مصفوفة البيانات الخام المرصودة للمشاركين:

9.2 التطبيق الحسابي اليدوي ومطابقته مع مخرجات الحاسبة

لتتبع العمليات الحسابية خطوة بخطوة، نبدأ بحساب المتوسطات الحسابية لكلا المتغيرين:

• مجموع ساعات النوم $\sum X = 67.0 implies \bar{x} = \frac{67.0}{10} = 6.70$ ساعة.
• مجموع أزمنة الاستجابة $\sum Y = 232.0 implies \bar{y} = \frac{232.0}{10} = 23.20$.

نقوم بحساب الانحرافات ومجموع المربعات الخاصة بالمتغير التنبؤي والتغاير المشترك:

• مجموع مربعات انحرافات $X$:$SS_{xx} = sum (x_i – bar{x})^2 = 23.60$.
• مجموع نواتج الانحرافات المشتركة: $SS_{xy} = \sum (x_i – \bar{x})(y_i – \bar{y}) = -78.40$.
• مجموع المربعات الكلي للاستجابة: $SST = \sum (y_i – \bar{y})^2 = 267.60$.

نحسب معلمات خط الانحدار الخطي:

• ميل الانحدار: $\hat{\beta}_1 = \frac{SS_{xy}}{SS_{xx}} = \frac{-78.40}{23.60} \approx -3.32203$.
• نقطة التقاطع: $\hat{\beta}_0 = \bar{y} – \hat{\beta}_1 \bar{x} = 23.20 – (-3.32203 \times 6.70) = 23.20 + 22.2576 = 45.4576$.
• معادلة خط الانحدار المتنبأ به: $\hat{y}_i = 45.4576 – 3.32203 x_i$.

نقوم الآن بتوليد القيم المتنبأ بها ($\hat{y}_i$) لكل مشارك، ثم حساب الفروق المربعة بين هذه القيم والمتوسط العام ($\bar{y} = 23.20$) وفق الصياغة الجبرية لـ SSR:

بتجميع عمود الفروق المربعة الأخير، نحصل على قيمة مجموع مربعات الانحدار الدقيقة:

$$SSR = \sum_{i=1}^{10} (\hat{y}_i – \bar{y})^2 = 260.448$$

كما يمكن التحقق من النتيجة عبر الصيغة المباشرة: $SSR = \hat{\beta}_1 \times SS_{xy} = (-3.32203) \times (-78.40) = 260.448$. عند إدخال المتجهين في حاسبة SSR الإلكترونية، تعطي الحاسبة نفس الناتج الدقيق $260.448$ فورياً، مما يبرهن على المطابقة التامة بين الحساب الجبري اليدوي والخوارزمية المعتمدة.

9.3 التحليل الإحصائي الشامل للنتائج واتخاذ القرار

بامتلاكنا لقيمة $SSR = 260.448$ وقيمة $SST = 267.600$، نقوم باستكمال بقية الحسابات الإحصائية لتشكيل جدول تحليل التباين (ANOVA):

• مجموع مربعات الخطأ: $SSE = SST – SSR = 267.600 – 260.448 = 7.152$.
• درجات الحرية: للانحدار $df_{SSR} = 1$، وللخطأ $df_{SSE} = 10 – 1 – 1 = 8$، وللكلي $df_{SST} = 9$.
• متوسط مربعات الانحدار: $MSR = \frac{SSR}{1} = 260.448$.
• متوسط مربعات الخطأ: $MSE = \frac{SSE}{8} = \frac{7.152}{8} = 0.894$.
• إحصاء فايشر المحسوب: $F = \frac{MSR}{MSE} = \frac{260.448}{0.894} \approx 291.33$.
• معامل التحديد: $R^2 = \frac{SSR}{SST} = \frac{260.448}{267.600} \approx 0.9733$ ($97.33%$).
• معامل التحديد المعدل: $R_{adj}^2 = 1 – \left[ \frac{(1 – 0.9733)(9)}{8} \right] \approx 0.9700$ ($97.00%$).

اتخاذ القرار الإحصائي: بالرجوع إلى جدول توزيع فايشر عند درجات حرية $(1, 8)$ ومستوى دلالة $\alpha = 0.05$، نجد أن القيمة الحرجة هي $F_{crit} = 5.32$. وحيث إن القيمة المحسوبة ($F = 291.33$) تفوق بكثير القيمة الحرجة وبمستوى دلالة احتمالية $p < 0.001$، فإننا نرفض الفرضية الصفرية بثقة إحصائية فائقة ونقبل الفرضية البديلة.

الاستنتاج السيكولوجي: أظهرت النتائج أن ساعات النوم تفسر ما نسبته $97.33%$ من التباين في سرعة الاستجابة الحركية لدى المشاركين، مع وجود علاقة انحدار خطية سالبة قوية تشير إلى أن كل ساعة نوم إضافية تؤدي إلى انخفاض مقداره حوالي $33.2$ مللي ثانية في زمن الرجع، مما يؤكد الأثر الإيجابي الحاسم للنوم على اليقظة والوظائف التنفيذية للدماغ.

10. الأخطاء الشائعة والالتباسات المفاهيمية حول مجموع مربعات الانحدار

10.1 الخلط بين SSR و SSE وتداعياته على التفسير

أحد أكثر الالتباسات المفاهيمية شيوعاً بين طلاب الدراسات العليا والباحثين المبتدئين هو الخلط الحاصل في التسميات والرموز بين مجموع مربعات الانحدار (SSR) ومجموع مربعات البواقي أو الأخطاء (SSE). ينبع هذا الالتباس تاريخياً من اختلاف الأدبيات الإحصائية الأمريكية والبريطانية؛ حيث ترمز بعض المراجع لمجموع مربعات البواقي بـ SSR اختصاراً لـ (Sum of Squares of Residuals)، في حين تطلق على تباين النموذج مصطلح SSM أو ESS.

يؤدي هذا الخلط الرمزي إلى كوارث تفسيرية حقيقية عند قراءة المخرجات؛ فإذا اعتقد الباحث أن القيمة المعبرة عن الخطأ هي التباين المفسر، فقد يفسر نموذجاً فاشلاً وضعيفاً تنبؤياً على أنه نموذج ممتاز، أو العكس تماماً. لتفادي هذا الخطأ، يجب دائماً النظر إلى سياق جدول ANOVA؛ فالصف الأول المرتبط بـ “الانحدار” (Regression) يمثل التباين المفسر الحقيقي ($SSR$) ودرجات حريته تساوي عدد المتغيرات التنبؤية، في حين أن الصف المرتبط بـ “البواقي/الخطأ” (Residual / Error) يمثل التباين غير المفسر ($SSE$).

توضح الصياغات الحديثة في البرمجيات القياسية المعاصرة هذا الفارق بوضوح تام، ويتعين على الباحث عند استخدام حاسبة SSR التأكد من قراءة التسمية التعريفية الكاملة للمخرج الإحصائي قبل نسخه إلى تقريره البحثي.

10.2 الافتراض الخاطئ بأن كبر قيمة SSR يعني حتماً جودة النموذج

من الأخطاء المنهجية الجسيمة الوقوع في فخ المقارنة المطلقة لقيم SSR بين نماذج تدرس متغيرات تابعة مختلفة؛ حيث يعتقد البعض خطأً أن النموذج الذي يمتلك قيمة $SSR = 50,000$ هو حتماً أفضل وأقوى من النموذج الذي يمتلك $SSR = 25.4$. إن القيمة العددية المطلقة لـ SSR تعتمد كلياً على مقياس الرسم ووحدات القياس المستخدمة في متغير الاستجابة ($Y$).

إذا كان متغير الاستجابة مقاساً بالسنوات، فإن SSR سيكون صغيراً عددياً، بينما إذا حُوّل نفس المتغير ليُقاس بالأيام أو الثواني، فإن قيمة SSR ستتضاعف بملايين المرات دون أن تتغير الجودة التفسيرية الحقيقية للنموذج على الإطلاق. لذلك، لا يجوز بأي حال استخدام القيمة الخام لـ SSR للمفاضلة بين النماذج ما لم تكن مطبقة على نفس المتغير التابع وبنفس وحدة القياس تماماً.

لإصدار أحكام تقييمية علمية مجردة، يجب دائماً تحويل SSR إلى مقياس نسبي لا تألفي عبر استخراج معامل التحديد ($R^2 = SSR / SST$)، أو تحويل المتغيرات إلى درجات معيارية ($Z\text{-scores}$) قبل إجراء التحليل، والاعتماد على إحصاء فايشر والدلالة الاحتمالية وليس على الحجم المجرد لمجموع المربعات.

10.3 الخلط بين الارتباط الخطي والعلاقة السببية في نتائج SSR

يقع كثير من المحللين في المنزلق الإبستمولوجي المتمثل في افتراض أن نجاح حاسبة SSR في إثبات قدرة تفسيرية عالية ($R^2$ مرتفع) يمثل دليلاً قاطعاً على وجود علاقة سببية حتمية بين المتغير المستقل والتابع. إن التباين المفسر إحصائياً (Statistical Explanation) هو مجرد تعبير رياضي عن التغاير والتوافق الاقتراني في التشتت، ولا يثبت بمفرده أن المتغير $X$ هو الفاعل السببي الذي أحدث التغير في $Y$.

في البحوث السلوكية والارتباطية غير المضبوطة تجريبياً، قد تنشأ قيم SSR مرتفعة جداً نتيجة وجود متغير ثالث كامن أو وسيط (Confounding Variable) يرتبط بكل من $X$ و $Y$ في آن واحد؛ مثل ظهور علاقة تنبؤية قوية بين مبيعات المثلجات ومعدلات الغرق، حيث يفسر النموذج تباين الغرق بدقة ولكن السبب الحقيقي المشترك هو حرارة فصل الصيف. كما أن العلاقات التبادلية والسببية العكسية لا يمكن لـ SSR اكتشافها أو نفيها بمفرده.

يتطلب إثبات السببية تصميماً تجريبياً محكماً يعتمد على التعيين العشوائي (Random Assignment)، وضبط المتغيرات الدخيلة، والتحقق من التتابع الزمني للظاهرة، واستخدام تحليلات متقدمة كنماذج المعادلات البنائية (SEM) وتحليل المسار، بدلاً من الاكتفاء بالقدرة التنبؤية لنموذج الانحدار البسيط.

11. الامتدادات المتقدمة: SSR في الانحدار المتعدد والتحليلات الهرمية

11.1 حساب SSR في نماذج الانحدار الخطي المتعدد (Multiple Regression)

عند الانتقال من الانحدار البسيط إلى الانحدار الخطي المتعدد (Multiple Linear Regression) بهدف التنبؤ بمتغير الاستجابة عبر منظومة من المتغيرات التفسيرية المتعددة ($X_1, X_2, dots, X_k$)، تتوسع بنية حساب SSR لتستوعب التفاعلات البينية بين المتغيرات. يُصاغ النموذج جبرياً بالصيغة المصفوفية التالية:

$$SSR = \hat{boldsymbol{\beta}}^T \mathbf{X}^T \mathbf{Y} – \frac{1}{n} (\mathbf{1}^T \mathbf{Y})^2$$

حيث تمثل $\hat{boldsymbol{\beta}}$ مصفوفة معاملات الانحدار المقدرة، و$\mathbf{X}$ مصفوفة التصميم للمتغيرات التفسيرية، و$\mathbf{Y}$ متجه الاستجابة.

تتمثل الصعوبة المنهجية في الانحدار المتعدد في وجود التداخل والازدواج الخطي (Multicollinearity) بين المتغيرات المستقلة نفسها؛ حيث يتداخل التباين الذي يفسره المتغير $X_1$ مع التباين الذي يفسره $X_2$. وفي هذه الحالة، لا يساوي SSR الإجمالي للنموذج ببساطة حاصل جمع قيم SSR الناتجة عن كل متغير بشكل منفرد، بل تقتطع الخوارزمية التباينات المتداخلة لتعكس فقط التباين المشترك التراكمي المفسر بواسطة الحزمة التنبؤية ككل.

تتغير درجات الحرية المقترنة بـ SSR في النموذج المتعدد لتصبح مساوية تماماً لعدد المتغيرات التنبؤية المدرجة في النموذج ($df_{SSR} = k$)، مما يؤثر بشكل مباشر على حساب متوسط مربعات الانحدار ($MSR = SSR / k$) وإحصاء الاختبار العام للنموذج.

11.2 مجموع المربعات المتزايد (Incremental SSR) في الانحدار الهرمي

في البحوث النفسية والتربوية المتقدمة، يُعد الانحدار الخطي الهرمي (Hierarchical / Sequential Regression) الأداة المفضلة لاختبار النظريات المعرفية المعقدة؛ حيث يقوم الباحث بإدخال المتغيرات التنبؤية في النموذج عبر كتل متتابعة (Blocks) وفق تسلسل نظري مدروس مسبقاً. في هذا السياق، تبرز أهمية حساب ما يُعرف بـ مجموع المربعات المتزايد ($\Delta SSR$)، والذي يقيس مقدار التباين الإضافي الجديد الذي نجحت الكتلة الجديدة في تفسيره بعد ضبط وتحييد المتغيرات السابقة.

يُحسب التغير في مجموع مربعات الانحدار عبر طرح SSR للنموذج المقيد الأولي من SSR للنموذج الأوسع الأخير: $\Delta SSR = SSR_{Full} – SSR_{Restricted}$. ويقترن هذا الإجراء مباشرة بحساب التغير في معامل التحديد ($\Delta R^2$) واختبار دلالته الإحصائية عبر إحصاء التغير لفايشر ($F\text{-change test}$):

$$F_{\text{change}} = \frac{\Delta SSR / \Delta k}{MSE_{Full}} = \frac{(R^2_{Full} – R^2_{Restricted}) / \Delta k}{(1 – R^2_{Full}) / (n – k_{Full} – 1)}$$

حيث تمثل $\Delta k$ عدد المتغيرات المضافة حديثاً في الكتلة الأخيرة.

تُعد هذه المنهجية بالغة الأهمية السيكومترية؛ إذ تتيح للباحث ضبط المتغيرات الديموغرافية (مثل العمر والجنس والمستوى الاقتصادي) في الخطوة الأولى، ثم فحص ما إذا كانت السمة النفسية المقاسة (مثل المرونة المعرفية) تقدم مساهمة تفسيرية حقيقية متزايدة وذات دلالة مستقلة في التنبؤ بالتوافق المهني تفوق المتغيرات الأساسية.

11.3 أنواع مجموع المربعات في التصاميم المعقدة (Type I, II, III SS)

عند معالجة نماذج الانحدار المتعدد والتصاميم العاملية المعقدة غير المتوازنة (حيث تكون أحجام العينات في الخلايا غير متساوية)، يواجه الباحث خيارات منهجية متعددة لحساب مجموع المربعات، تُعرف بالأنواع الأول والثاني والثالث (Type I, Type II, Type III Sum of Squares):

• النوع الأول (Type I SS – Sequential): يقوم بحساب التباين المفسر لكل متغير بشكل متسلسل وترتيبي؛ حيث يعتمد SSR لكل متغير على ترتيب دخوله في معادلة النموذج، مما يجعله حساساً جداً لترتيب الإدخال في التحليل.
• النوع الثاني (Type II SS – Hierarchical): يحسب المساهمة التفسيرية لكل متغير بعد ضبط جميع المتغيرات الأخرى من نفس الرتبة أو الأدنى منها، مع افتراض عدم وجود تفاعلات عليا دالة، وهو ممتاز للنماذج الخالية من حدود التفاعل.
• النوع الثالث (Type III SS – Marginal / Partial): وهو الأكثر شيوعاً واعتماداً في البرمجيات النفسية؛ حيث يحسب التباين المفسر الفريد والصافي لكل متغير بعد ضبط ومراقبة جميع المتغيرات الأخرى وحدود التفاعل الموجودة في النموذج في آن واحد، بغض النظر عن ترتيب الإدخال أو عدم توازن أحجام المجموعات.

يجب على الباحث في علم النفس التحقق من نوع مجموع المربعات الذي تعتمده الأداة التحليلية لضمان تطابق النتائج مع الفرضيات المصاغة وحماية الاستنتاجات من التشوهات الناتجة عن عدم توازن العينات التجريبية.

12. دليل الباحث العملي لإعداد التقارير وتوثيق نتائج SSR وفق أسلوب APA

12.1 معايير التوثيق الإحصائي وفق الإصدار السابع لجمعية علم النفس الأمريكية (APA 7)

يفرض الدليل الإرشادي السابع الصادر عن جمعية علم النفس الأمريكية (Publication Manual of the American Psychological Association, 7th ed.) قواعد كتابية دقيقة وموحدة لتوثيق نتائج نماذج الانحدار وتفكيك التباين. عند كتابة التقرير الإحصائي في متن البحث، يجب الالتزام بالمعايير الشكلية والمضمونية التالية:

• تنسيق الرموز الإحصائية: تُكتب جميع الرموز المعبرة عن الإحصاءات والمعلمات بحروف مائلة (Italics)، مثل: F, t, p, R², R²_adj, b, $\beta$. في المقابل، تُكتب الحروف اليونانية الكبيرة أو المختصرات غير المعلمية بخط عادي غير مائل في سياقات معينة، مع مراعاة الدقة في كتابة الرمز SSR مائلاً عند الإشارة إليه كإحصاء اختباري داخل المتن.
• درجات الحرية: يجب ذكر درجات الحرية بين قوسين ملاصقين لرمز الاختبار، مع فصل درجات حرية الانحدار عن درجات حرية الخطأ بفاصلة؛ مثال: F(1, 8) = 291.33.
• توثيق القيم الاحتمالية: تُذكر قيمة p بدقة إلى أقرب ثلاث مراتب عشرية (مثل p = .003)، دون وضع صفر قبل الفاصلة العشرية إذا كانت القيمة لا يمكن أن تتجاوز الواحد الصحيح. وعندما تكون القيمة أقل من ألف، تُكتب بالصيغة: p < .001.
• تضمين حجوم التأثير: يشدد أسلوب APA على الإبلاغ الإلزامي عن معامل التحديد R² ومجموع المربعات المفسر SSR كدليل على حجم التأثير الإجمالي للنموذج.

12.2 أمثلة تطبيقية ونماذج لكتابة التقارير النفسية

لتسهيل الممارسة الأكاديمية الرشيدة، نعرض فيما يلي نماذج نصية قياسية جاهزة للاستخدام تتبع معايير APA 7 لتوثيق نتائج الانحدار الخطي المستخرجة عبر الحاسبة:

نموذج توثيق انحدار خطي بسيط (Simple Linear Regression):

“أُجري تحليل انحدار خطي بسيط للتنبؤ بزمن الاستجابة الحركية بناءً على ساعات النوم. أظهرت النتائج أن النموذج التنبؤي كان دالاً إحصائياً وفسر تبايناً جوهرياً في متغير الاستجابة، F(1, 8) = 291.33, p < .001, R² = .973 (SSR = 260.45, SSE = 7.15). كشفت النتائج أن ساعات النوم ترتبط سلباً وبشكل دال بالأداء، حيث بلغ معامل الميل غير المعياري b = -3.32, 95% CI [-3.78, -2.86]، مما يشير إلى أن كل ساعة نوم إضافية ترتبط بانخفاض متوسط زمن الاستجابة بمقدار 33.2 مللي ثانية.”

نموذج توثيق انحدار متعدد هرمي (Hierarchical Regression):

“في الخطوة الأولى، تم إدخال المتغيرات الديموغرافية (العمر والتعليم) والتي شكلت نموذجاً غير دال إحصائياً، F(2, 97) = 1.45, p = .239, R² = .029 (SSR = 14.20). وفي الخطوة الثانية، أدت إضافة المرونة المعرفية إلى تحقيق زيادة ذات دلالة إحصائية في التباين المفسر، $\Delta SSR = 85.60$, $\Delta R^2 = .175$, $\Delta F$(1, 96) = 21.84, p < .001. فسر النموذج الكلي النهائي ما نسبته 20.4% من التباين الكلي في التكيف المهني، F(3, 96) = 8.21, p < .001, R²_adj = .179.”

12.3 التحقق من صحة التقارير وتوصيات الممارسة الإحصائية الرشيدة

لضمان أعلى مستويات النزاهة العلمية وقابلية التكرار (Reproducibility) في البحوث النفسية والسلوكية، يوصى باتباع قائمة التدقيق المنهجية التالية قبل اعتماد ونشر النتائج المستخرجة من حاسبة مجموع مربعات الانحدار:

• التحقق من معادلة التوازن التبايني: التأكد الحسابي التام من أن حاصل جمع $SSR + SSE$ يطابق بدقة متناهية قيمة $SST$ الكلية دون أي انحراف.
• مطابقة درجات الحرية: مراجعة توافق درجات الحرية بحيث يكون $df_{Total} = df_{SSR} + df_{SSE} = n – 1$.
• التدقيق المتقاطع (Cross-Validation): يُنصح بشدة بتقسيم العينات الكبيرة إلى عينة تدريب وعينة تحقق، أو تطبيق أسلوب التدقيق المتقاطع (k-fold Cross-Validation) لضمان أن قيم SSR المرتفعة ليست ناتجة عن التحيز التوافقي للعينة الحالية.
• الشفافية ومشاركة البيانات: إيداع مصفوفات البيانات الخام والرموز الحسابية في مستودعات البيانات المفتوحة مثل (Open Science Framework – OSF) لتمكين المجتمع العلمي من إعادة التحقق من قيم مجموع المربعات.

---

خلاصة واستنتاجات ختامية

يمثل مجموع مربعات الانحدار (SSR) القلب النابض للتحليل الإحصائي الاستدلالي والنمذجة التنبؤية في العلوم النفسية والاجتماعية والطبية المعاصرة. من خلال تفكيك التباين الكلي وعزل التباين المفسر عن التباين العشوائي الناتج عن أخطاء القياس، يمنح SSR الباحثين معياراً كمياً دقيقاً وموضوعياً للحكم على صدق النظريات العلمية وجودة الأدوات السيكومترية. إن الاستخدام الرشيد لـ حاسبة SSR يختزل الجهد الرياضي المعقد ويوفر بيئة دقيقة لاستخراج معاملات التحديد واختبارات فايشر للدلالة، مما يعزز الرصانة الإبستمولوجية للبحوث المنشورة.

ومع ذلك، يجب أن يظل الباحث واعياً بأن المخرجات الرقمية للحاسبة لا تكتسب قيمتها العلمية إلا من خلال الالتزام الصارم بالافتراضات التأسيسية للانحدار الخطي، وتجنب الخلط المفاهيمي بين التباين المفسر والارتباط السببي، ومراعاة حساسية المربعات الصغرى للقيم الشاذة والنقاط ذات التأثير العالي. إن الجمع بين الدقة الحسابية للحاسبة والفهم المنهجي العميق للظاهرة المدروسة والتوثيق الأكاديمي المنضبط وفق معايير APA 7 هو السبيل الأمثل لإنتاج معرفة علمية رصينة وقابلة للتكرار تسهم في فهم وتطوير السلوك الإنساني.

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. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Routledge. https://doi.org/10.4324/9780203774441
• Draper, N. R., & Smith, H. (1998). Applied regression analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118625590
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fox, J. (2016). Applied regression analysis and generalized linear models (3rd ed.). SAGE Publications.
• Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5th ed.). McGraw-Hill Irwin.
• National Institute of Standards and Technology. (2021). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://doi.org/10.18434/M32189
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Weisberg, S. (2014). Applied linear regression (4th ed.). John Wiley & Sons. https://doi.org/10.1002/9781118594858