عند سؤال باحث عن هدف الانحدار (Regression) في دراسته، تتكرر غالبًا إجابتان:
- "للتنبؤ بالنتيجة"
- "لأن المشرف طلب ذلك"
كلتاهما ناقصتان.
الانحدار في البحث العلمي ليس أداة تنبؤ فحسب؛ إنه أداة لفهم العلاقات والتحكم في المتغيرات الخارجية التي قد تشوه نتائجك.
الانحدار دون فهم مناسب = أرقام بلا معنى
كثير من الباحثين يشغّلون الانحدار على SPSS أو R ويحصلون على جدول بالأرقام ثم ينقلونه إلى الرسالة مباشرة.
عندما تسأل اللجنة: "لماذا أدخلت هذه المتغيرات تحديدًا في النموذج؟" — تتعثر الإجابة.
الانحدار في البحث العلمي يخدم ثلاثة أهداف مختلفة
1. فهم العلاقة بين متغيرين مع التحكم في المتغيرات المربكة (Confounders)
مثال: تريد معرفة العلاقة بين التدخين وسرطان الرئة، بينما قد يؤثر العمر والجنس والمهنة في النتيجة. يسمح لك الانحدار بتثبيت هذه المتغيرات وعزل أثر التدخين بشكل أدق.
2. تحديد أهم العوامل المرتبطة بمتغير ناتج معين
مثال: ما العوامل المرتبطة بالإصابة بالسكري من النوع الثاني في عينتك؟ يُظهر الانحدار المتعدد (multiple regression) التأثير المستقل لكل متغير بعد احتساب تأثير بقية المتغيرات.
3. بناء نموذج تنبؤي (وهو الاستخدام الأقل شيوعًا في الرسائل)
إذا كان هدفك الحقيقي التنبؤ، فعليك التفكير في التحقق المتقاطع (cross-validation) ومقاييس أداء النموذج، وليس فقط معاملات الانحدار.
المتغيرات التي تدخل النموذج — ليست اعتباطية
القاعدة: لكل متغير تدخله في النموذج مبرر نظري أو دليل من الأدبيات — وليس مجرد توافره في البيانات.
أخطاء شائعة:
- إدخال متغيرات كثيرة جدًا مقارنة بحجم العينة (overfitting)
- اختيار المتغيرات على أساس القيمة الاحتمالية فقط (stepwise selection — وهو موضع جدل واسع)
- تجاهل الارتباط الخطي المتعدد (multicollinearity) عند ارتفاع الارتباط بين المتغيرات
قاعدة تقريبية: تحتاج نحو 10-20 مشاهدة لكل متغير في الانحدار الخطي، ونحو 10 أحداث لكل متغير في الانحدار اللوجستي.
ماذا تفعل الآن؟
قبل تشغيل أي انحدار، اكتب جملة واحدة: "الهدف من الانحدار في بحثي هو..." — إذا لم تستطع إكمالها فأنت بحاجة إلى إعادة النظر في هدف التحليل.
يساعدك فريق Analysez AI في بناء نموذج الانحدار بشكل صحيح منذ البداية — اختيار المتغيرات، والتحقق من الافتراضات، وتفسير النتائج بلغة صالحة للكتابة في رسالتك.