خطأ إحصائي يتكرر في رسائل الماجستير والدكتوراه أكثر من غيره:
استخدام الانحدار الخطي (Linear Regression) مع متغير ناتج ثنائي (نعم/لا — مريض/سليم — مات/عاش).
ليس السبب نقص ذكاء الباحث، بل عدم شرح سبب كون ذلك خطأً منهجيًا.
اختيار النوع الخاطئ من الانحدار يبني التحليل كله على أساس غير سليم، فيخرج جدول الأرقام دون أن تكون الأرقام سليمة.
الفرق الجوهري: ما طبيعة متغيرك الناتج (Outcome)؟
الانحدار الخطي (Linear Regression)
للمتغير الناتج المستمر (Continuous) — رقم متصل بلا حدود:
- ضغط الدم (mmHg)
- مستوى الكوليسترول
- وزن الجنين
- درجة الحرارة
يفترض: توزيعًا طبيعيًا للمتغير الناتج، وعلاقة خطية، وثبات تباين البواقي (homoscedasticity).
الانحدار اللوجستي (Logistic Regression)
للمتغير الناتج الثنائي (Binary) — نتيجتان فقط:
- مريض / غير مريض
- نجح / رسب
- مات / عاش
- حدث / لم يحدث
مخرجه: نسبة الأرجحية (Odds Ratio) لكل متغير — وليس معاملًا خطيًا مباشرًا.
لماذا لا يصح الانحدار الخطي مع المتغير الثنائي؟
لأن الانحدار الخطي قد ينتج قيمًا تنبؤية أكبر من 1 أو أقل من 0، وهو أمر غير منطقي عندما يمثل المتغير الناتج احتمال وقوع حدث.
أنواع أخرى ينبغي أن تعرفها
الانحدار اللوجستي متعدد الحدود (Multinomial Logistic Regression)
عندما يكون للمتغير الناتج أكثر من قيمتين بلا ترتيب بينهما (فئوي):
مثال: نوع السرطان (A / B / C)
الانحدار اللوجستي الترتيبي (Ordinal Logistic Regression)
عندما يكون المتغير الناتج مرتبًا (مقياس ترتيبي):
مثال: شدة المرض (خفيف / متوسط / شديد)
انحدار بواسون (Poisson Regression)
عندما يكون المتغير الناتج عددًا من الأحداث (بيانات عدّية):
مثال: عدد نوبات الربو خلال السنة
انحدار كوكس (Cox Regression / Proportional Hazards)
عند دراسة الوقت حتى وقوع حدث (بيانات البقاء):
مثال: الوقت حتى الوفاة أو الانتكاسة
السؤال الحاسم قبل الاختيار
"هل متغيري الناتج رقم مستمر، أم نتيجتان، أم أكثر من فئتين، أم عدد أحداث، أم وقت لحدث؟"
الإجابة عن هذا السؤال تحدد نوع الانحدار مباشرةً.
لا يوجد انحدار واحد صالح لكل البيانات؛ بل يوجد انحدار مناسب لكل نوع بيانات.
ماذا تفعل الآن؟
حدد طبيعة متغيرك الناتج وتأكد من توافق نوع الانحدار المستخدم معها.
إذا لم تكن متأكدًا، يقدم فريق Analysez AI مراجعة لمنهجيتك الإحصائية وتحديد الاختبارات المناسبة قبل بدء التحليل.