التحليل العاملي التوكيدي: طرق التطبيق والنماذج

مقدمة

يُعد التحليل العاملي التوكيدي (Confirmatory Factor Analysis - CFA) أسلوبًا إحصائيًا متعدد المتغيرات ذا أهمية بالغة في البحث العلمي، لا سيما في مجالات العلوم الاجتماعية والسلوكية. يهدف هذا الأسلوب إلى اختبار البنى النظرية المحددة مسبقًا، مما يميزه عن التحليل العاملي الاستكشافي الذي يركز على اكتشاف العوامل.

تعريف التحليل العاملي التوكيدي وأهدافه

يُعرّف التحليل العاملي التوكيدي بأنه منهجية إحصائية تُستخدم لاختبار بنية العوامل المحددة مسبقًا. يُطبق هذا الأسلوب بشكل خاص عندما يمتلك الباحث معرفة نظرية مسبقة أو فرضية واضحة حول العلاقات المتوقعة بين المتغيرات المرصودة (التي يتم جمع بياناتها مباشرة) والعوامل الكامنة (المفاهيم التجريدية التي لا يمكن قياسها مباشرة). على سبيل المثال، يمكن استخدامه للتحقق مما إذا كانت مجموعة من المتغيرات المرصودة مثل "الأمن الوظيفي"، "الراتب"، "التوازن بين العمل والحياة"، و"العلاقات مع الزملاء" ترتبط بعامل كامن واحد هو "الرضا الوظيفي".

تتعدد أهداف التحليل العاملي التوكيدي وتتجاوز مجرد الوصف الإحصائي لتصل إلى تأكيد البنى النظرية. يهدف CFA بشكل أساسي إلى اختبار فرضية محددة حول كيفية ارتباط المتغيرات المرصودة بالعوامل الكامنة، والتحقق من أن هذه المتغيرات ترتبط بالفعل بالعوامل التي يُفترض أنها تمثلها. كما يُستخدم لتقييم مدى ملاءمة نموذج العوامل المقترح للبيانات الفعلية، مما يحدد ما إذا كان النموذج النظري يمثل البيانات بشكل جيد. علاوة على ذلك، يُعد CFA أسلوبًا فعالًا في قياس الصدق العاملي للاستبيانات والمقاييس، مما يضمن أن الأداة تقيس بالفعل المفهوم الذي صُممت لقياسه.

من الأهداف الأخرى لـ CFA تبسيط العلاقات المعقدة بين مجموعة كبيرة من المتغيرات، وتحويلها إلى صورة خطية أبسط، مع الكشف عن أي علاقات غير متوقعة قد تكون موجودة. كما أنه يساعد في معالجة مشكلة الارتباطات العالية (التعددية الخطية) بين المتغيرات التفسيرية المستقلة، والتي يمكن أن تؤدي إلى عدم استقرار قيم معاملات الانحدار المعيارية في تحليل الانحدار.

إن التحليل العاملي التوكيدي ليس مجرد أداة إحصائية للتحقق من العلاقات، بل هو منهجية حاسمة لتأكيد البنى النظرية. هذا التأكيد يرفع من مستوى اليقين العلمي حول القياسات المستخدمة في البحث. على عكس التحليل الاستكشافي الذي يهدف إلى الكشف عن العوامل، يبدأ التحليل التوكيدي بنظرية أو فرضية محددة. هذا يعني أن الباحث لديه توقع مسبق حول كيفية تنظيم المتغيرات المرصودة في عوامل كامنة. هذا النهج الموجه بالنظرية يجعل CFA أداة أساسية في مرحلة متقدمة من البحث، حيث يكون الهدف هو التحقق من صحة المقاييس أو النماذج النظرية التي تم تطويرها مسبقًا. وبالتالي، فإن استخدام CFA يعكس نضجًا في العملية البحثية، حيث ينتقل الباحث من مرحلة الاستكشاف الأولي إلى مرحلة التحقق الصارم، مما يعزز من موثوقية وصحة النتائج العلمية.

التمييز بين التحليل العاملي الاستكشافي والتوكيدي

يُعد التمييز بين التحليل العاملي الاستكشافي (Exploratory Factor Analysis - EFA) والتحليل العاملي التوكيدي (CFA) أمرًا جوهريًا لفهم متى يُستخدم كل منهما في البحث العلمي. يختلف الأسلوبان بشكل أساسي في أهدافهما وطبيعتهما المنهجية.

التحليل العاملي الاستكشافي (EFA):

يُستخدم EFA عندما يكون هدف الباحث هو استكشاف العوامل الأساسية الكامنة في البيانات، دون وجود فرضيات مسبقة واضحة حول بنية هذه العوامل. يُنظر إليه على أنه نموذج قياس غير مقيد، حيث يمكن للمؤشرات (المتغيرات المرصودة) أن ترتبط نظريًا بجميع العوامل. لا يتطلب EFA تحديدًا مسبقًا لعدد العوامل؛ فبرنامج التحليل يستخلص في البداية أكبر عدد ممكن من العوامل يساوي عدد المؤشرات، ثم يقوم الباحث بتحديد العدد الأمثل للعوامل لاحقًا بناءً على معايير إحصائية ونظرية. كما يستخدم EFA تدوير المحاور (Rotation of Axes) لإعادة توزيع التباين بين العوامل وتسهيل تفسيرها منطقيًا.

التحليل العاملي التوكيدي (CFA):

على النقيض، يُستخدم CFA عندما يكون لدى الباحث فرضيات محددة ومسبقة حول بنية العوامل ويرغب في اختبار هذه الفرضيات باستخدام نموذج محدد. يُعتبر CFA نموذج قياس مقيدًا، حيث يحدد الباحث بوضوح العوامل التي يُفترض أن يعتمد عليها كل مؤشر. يتطلب CFA من الباحث تحديد العدد الدقيق للعوامل قبل إجراء التحليل. كما يسمح باختبار فرضيات محددة حول وجود أو عدم وجود علاقة بين المتغيرات المرصودة والعوامل الكامنة.

الفرق الجوهري بين EFA و CFA لا يكمن فقط في الإجراءات الإحصائية، بل في الفلسفة البحثية التي يمثلها كل منهما: EFA للاكتشاف وتوليد النظرية، و CFA للتحقق من النظرية واختبارها. هذا يعني أن اختيار الأسلوب يعتمد بشكل كبير على مرحلة البحث ومدى تطور المعرفة النظرية في مجال معين. EFA هو أداة لاكتشاف البنى الكامنة في البيانات عندما تكون المعرفة النظرية محدودة أو غائبة، فهو بمثابة "صيد" للعوامل. في المقابل، CFA هو أداة لتأكيد هذه البنى بمجرد أن تكون هناك نظرية قوية أو أدلة سابقة تدعم وجودها. هذا التمييز يشير إلى مسار تقدم البحث العلمي: يبدأ بالاستكشاف (EFA) لتوليد نماذج أولية أو فرضيات، ثم ينتقل إلى التأكيد (CFA) لتقييم مدى ملاءمة هذه النماذج للبيانات الجديدة. وبالتالي، فإن استخدام CFA في مراحل لاحقة من البحث  يعزز من بناء المعرفة المتراكمة والموثوقة في المجال.

التحليل العاملي التوكيدي من الدرجة الأولى

يُعد التحليل العاملي التوكيدي من الدرجة الأولى (First-Order Confirmatory Factor Analysis - CFA) النموذج الأساسي في CFA، ويُستخدم لتقييم كيفية ارتباط المتغيرات المرصودة مباشرة بالعوامل الكامنة.

الهيكل النظري والافتراضات الأساسية

في نموذج CFA من الدرجة الأولى، يُفترض أن كل مؤشر (متغير مرصود) يتأثر بعامل كامن واحد فقط. يتكون الهيكل من عناصر رئيسية:

• معاملات التشبع (Factor Loadings/Pattern Coefficients): كل مؤشر له معامل تشبع واحد يمثل التأثير المباشر من العامل إلى المؤشر. تُحدد جميع معاملات التشبع العرضية (cross-loadings)، أي الارتباطات بين المؤشر وعوامل أخرى غير العامل المخصص له، بصفر. تُعتبر هذه التحديدات "فرضيات قوية" يتم تحديدها بغيابها في النموذج.
• حدود الخطأ (Error Terms): يُفترض أن حدود الخطأ، التي تمثل التباين الفريد لكل مؤشر (بما في ذلك الخطأ العشوائي والتباين المحدد غير المفسر بواسطة العوامل)، مستقلة عن بعضها البعض وعن العوامل.
• الارتباطات: تُفترض جميع الارتباطات في النموذج خطية، ويُسمح للعوامل الكامنة بالتغاير (أي الارتباط فيما بينها).
• ثوابت القياس (Scaling Constants): هذه الثوابت ضرورية لقياس العوامل في مقياس يتعلق بالتباين المشترك المفسر لمؤشر مطابق، أو "متغير مرجعي" (marker variable). غالبًا ما يختار البرنامج الإحصائي هذا المتغير بشكل تعسفي كأول أو آخر متغير في الترميز.

تستند نماذج CFA من الدرجة الأولى إلى عدة افتراضات أساسية لضمان صحة النتائج:

• القياس الانعكاسي (Reflective Measurement): يفترض CFA أن المتغيرات الكامنة هي التي تسبب المتغيرات المرصودة (المؤشرات)، وبالتالي تُسمى المتغيرات المرصودة "مؤشرات انعكاسية". هذا يعني أن التغير في العامل الكامن يؤدي إلى تغيرات في المؤشرات المرصودة.
• تحديد النموذج (Model Identification): يجب أن تكون جميع نماذج CFA محددة، مما يعني أنه يجب أن يكون من الممكن نظريًا للبرنامج الإحصائي اشتقاق مجموعة فريدة من تقديرات معلمات النموذج. لتحقيق ذلك، يتطلب نموذج العامل الواحد ما لا يقل عن ثلاثة مؤشرات. أما لنموذج بعاملين أو أكثر، فيجب أن يكون لكل عامل على الأقل مؤشرين، ويفضل أن يكون هناك ثلاثة إلى خمسة مؤشرات لكل عامل لتجنب المشاكل الفنية في التحديد الإحصائي.
• الاتساق الداخلي والارتباطات: يجب أن تُظهر الفقرات أو المؤشرات اتساقًا داخليًا معقولًا وأن ترتبط ببعضها البعض ضمن العامل الذي تقيسه.
• عدم وجود ارتباطات سلبية: الارتباطات السلبية بين المؤشرات التي يفترض أنها تقيس نفس العامل تقلل من موثوقية قياس العامل، لذا يجب إعادة ترميز الفقرات عكسيًا قبل التحليل إذا لزم الأمر.
• عوامل ذات معنى: يجب ألا يحدد الباحث عوامل بمؤشرات لا تقيس شيئًا ذا معنى أو لا تتماشى مع الإطار النظري. على سبيل المثال، يُعتبر إنشاء عامل "خلفية" بمؤشرات مثل الجنس أو العرق خطأً شائعًا لأن العلاقة المتوقعة بين هذه المؤشرات ليست واضحة.
• المتغيرات الكامنة والمرصودة: تُقاس المتغيرات الكامنة والمرصودة كانحرافات عن متوسطاتها.
• عدد المتغيرات: يجب أن يكون عدد المتغيرات المرصودة في المؤشرات أكبر من عدد المتغيرات غير المرصودة.
• العوامل الشائعة والفريدة: يجب ألا تكون العوامل الشائعة (التي تفسرها العوامل الكامنة) والعوامل الفريدة (الأخطاء) مرتبطة.

التركيز على "الفرضيات القوية" في CFA من الدرجة الأولى، مثل تحديد التشبعات العرضية بصفر، يفرض على الباحثين دقة نظرية عالية في بناء مقاييسهم. هذا لا يقلل فقط من تعقيد النموذج، بل يعزز أيضًا من الصدق البنائي للمقاييس، مما يجعلها أدوات قياس أكثر موثوقية. هذا التقييد يعني أن الباحث لا يسمح للمتغيرات المرصودة بالتشبع على عوامل أخرى غير العامل المخصص لها نظريًا. إذا كانت البيانات لا تدعم هذه الفرضيات القوية (أي أن هناك تشبعات عرضية كبيرة أو ارتباطات أخطاء غير مبررة)، فإن النموذج لن يتلاءم جيدًا، مما يجبر الباحث على إعادة تقييم تصميمه النظري أو مقياسه. هذا يبرز أن CFA ليس مجرد اختبار إحصائي، بل هو عملية لتأكيد البنية النظرية للمقياس. إذا كان المقياس مصممًا بشكل سيء أو كانت النظرية ضعيفة، فإن CFA سيكشف عن ذلك من خلال مؤشرات الملاءمة الضعيفة، مما يدفع إلى تحسين الأداة البحثية والنظرية.

حالات الاستخدام الشائعة

يُستخدم التحليل العاملي التوكيدي من الدرجة الأولى في مجموعة واسعة من التطبيقات البحثية، خاصة عندما يكون الهدف هو التحقق من نماذج القياس القائمة أو اختبار فرضيات محددة حول البنى الكامنة:

• تقييم نماذج القياس: تُستخدم نماذج CFA من الدرجة الأولى لتقييم مدى ملاءمة هيكل عامل مفترض (مثل مقياس ذي أبعاد فرعية محددة مسبقًا) للبيانات المرصودة. هذا يشمل التحقق من أن المؤشرات تقيس بفعالية العوامل الكامنة التي صُممت لقياسها.
• مقارنة النماذج المتنافسة: يمكن للباحثين تحديد وتشغيل وتفسير نماذج مختلفة من الدرجة الأولى (على سبيل المثال، نماذج أحادية البعد مقابل نماذج متعددة الأبعاد ذات عوامل مترابطة) ومقارنة ملاءمتها رسميًا لتحديد أي نموذج يوفر تمثيلًا أفضل للبيانات.
• تأكيد هياكل العوامل المفترضة: تسمح CFA للباحثين باختبار الفرضيات القبلية حول العلاقات بين المتغيرات المرصودة والعوامل الكامنة، مما يؤكد أو يرفض البنى النظرية المقترحة.
• تقييم تباين مستوى الفقرة: تساعد في فهم كيفية تقسيم تباين كل مؤشر إلى تباين مشترك (يفسر بواسطة العوامل) وتباين فريد (يتكون من تباين محدد وخطأ قياس عشوائي).
• تحديد سوء تحديد النموذج: من خلال فحص البواقي ومؤشرات التعديل، يمكن للباحثين تحديد المصادر المحتملة لسوء ملاءمة النموذج والنظر في استراتيجيات إعادة التحديد، مثل حذف الفقرات، أو تغيير انتماء العامل، أو السماح لأخطاء القياس بالتغاير.

إن القدرة على مقارنة النماذج المتنافسة في CFA من الدرجة الأولى لا تقتصر على اختيار النموذج الأفضل إحصائيًا، بل تدفع أيضًا إلى تعميق الفهم النظري للظواهر المدروسة من خلال اختبار فرضيات بديلة حول البنية الكامنة. هذا يعني أن الباحث لا يكتفي باختبار نموذج واحد، بل يمكنه بناء نماذج متعددة تعكس تفسيرات نظرية مختلفة لنفس الظاهرة (على سبيل المثال، هل المفهوم أحادي الأبعاد أم متعدد الأبعاد؟). ثم يستخدم مؤشرات الملاءمة (مثل Chi-square, CFI, RMSEA, SRMR, AIC, BIC) لمقارنة هذه النماذج. هذه العملية لا تؤدي فقط إلى اختيار النموذج الأكثر ملاءمة إحصائيًا، بل تساهم أيضًا في تطوير النظرية من خلال تحديد أي البنى النظرية تتماشى بشكل أفضل مع البيانات التجريبية. هذا يعزز من قوة النتائج ويقدم دليلًا تجريبيًا يدعم أو يرفض تفسيرات نظرية معينة.

التحليل العاملي التوكيدي من الدرجة الثانية

يمثل التحليل العاملي التوكيدي من الدرجة الثانية (Second-Order Confirmatory Factor Analysis - CFA) امتدادًا متقدمًا لنموذج CFA من الدرجة الأولى، حيث يقدم هيكلًا هرميًا للعوامل.

الهيكل الهرمي والافتراضات المتقدمة

يُعرف هذا النوع من التحليل أيضًا بالنموذج الهرمي (Hierarchical Model). يتضمن هيكله عوامل من الدرجة الأولى (First-Order Factors) تُقاس بواسطة متغيرات مرصودة (Observed Variables/Items)، وهذه العوامل من الدرجة الأولى بدورها تُشبع على عامل عام أعلى (Higher-Order General Factor) يُسمى عامل الدرجة الثانية (Second-Order Factor). العامل العام من الدرجة الثانية يؤثر بشكل مباشر على عوامل الدرجة الأولى ويؤثر بشكل غير مباشر على المؤشرات الفردية من خلال عوامل الدرجة الأولى. يُستخدم هذا النموذج لتفسير الارتباطات بين المتغيرات الكامنة من الدرجة الأولى.

بالإضافة إلى الافتراضات الأساسية لـ CFA، يتطلب نموذج الدرجة الثانية افتراضات متقدمة تتعلق بهيكله الهرمي:

• التحديد (Identification): لتحديد نموذج CFA هرمي بشكل صحيح، يجب أن يكون هناك ما لا يقل عن ثلاثة عوامل من الدرجة الأولى تشبع على عامل الدرجة الثانية. إذا كان عدد عوامل الدرجة الأولى أقل من ثلاثة، فإن التأثيرات المباشرة للعامل من الدرجة الثانية على عوامل الدرجة الأولى أو تباينات الاضطراب قد تكون غير محددة، مما يجعل النموذج غير قابل للتقدير بشكل فريد.
• القياس الخالي من الخطأ: يُفترض أن تقديرات العلاقات الجوهرية بين البنى تكون مشكوك فيها إذا كانت البنى تُقاس بخطأ. لذا، فإن CFA من الدرجة الثانية، مثل الدرجة الأولى، يأخذ في الاعتبار خطأ القياس لضمان تقديرات أكثر دقة.
• الاستقلالية: عندما تُسحب وحدات التحليل من مجموعات داخل مجتمع (مثل المجتمعات أو الأحياء)، لا يمكن اعتبارها مستقلة؛ فالأفراد من نفس المجموعة سيكونون أكثر تشابهًا مع بعضهم البعض. تُستخدم النماذج الهرمية للتعويض عن التحيزات في الأخطاء المعيارية التي تُدخل عند انتهاك افتراض الاستقلالية هذا.

الشرط الحاسم لوجود ثلاثة عوامل على الأقل من الدرجة الأولى لتحديد نموذج CFA من الدرجة الثانية يكشف عن أن البساطة الظاهرية لنموذج الدرجة الثانية لا تعني أنه يمكن تطبيقه بشكل تعسفي. بل يتطلب هذا الشرط وجود تعقيد نظري كافٍ في البنية الكامنة ليتم تبرير وجود عامل أعلى. إذا كان هناك عاملان فقط من الدرجة الأولى، فإن نموذج الدرجة الثانية سيكون مكافئًا إحصائيًا لنموذج الدرجة الأولى حيث يُسمح للعاملين بالارتباط بحرية. هذا يعني أن إضافة عامل من الدرجة الثانية لا يقدم قيمة مضافة نظرية أو إحصائية حقيقية في هذه الحالة، بل هو مجرد إعادة صياغة للنموذج. هذا يسلط الضوء على أن اختيار نموذج الدرجة الثانية ليس مجرد قرار إحصائي لتحسين الملاءمة أو البساطة، بل هو قرار نظري عميق يتطلب أن تكون العلاقات بين عوامل الدرجة الأولى معقدة بما يكفي لتبرير وجود عامل كامن أعلى يفسر هذه الارتباطات. إذا لم يكن هناك ثلاثة عوامل على الأقل، فإن النموذج الهرمي لا يكون قابلًا للتحديد بشكل فريد أو لا يقدم تفسيرًا جديدًا.

حالات الاستخدام والتطبيقات

يُعد التحليل العاملي التوكيدي من الدرجة الثانية مفيدًا بشكل خاص في سياقات بحثية معينة حيث تتطلب البنى النظرية تمثيلًا هرميًا:

• تفسير الارتباطات بين العوامل من الدرجة الأولى: يُستخدم لتفسير سبب ارتباط مجموعة من المتغيرات الكامنة من الدرجة الأولى ببعضها البعض، حيث يمثل عامل الدرجة الثانية هذا الارتباط الكامن.
• التحقق من البنى الهرمية: يُستخدم لتأكيد أن البناء النظري المفترض في الدراسة يتفرع إلى عدد معين من البنى الفرعية الكامنة أو المكونات، وأن هذه البنى الفرعية تساهم في عامل عام أعلى.
• قياس المفاهيم المعقدة: مفيد عندما يكون المفهوم الرئيسي (مثل جودة الخدمة أو الرضا الوظيفي) يتكون من أبعاد فرعية متعددة، وكل بعد فرعي يُقاس بعدد من الفقرات. في هذه الحالة، يمكن لعامل الدرجة الثانية أن يمثل المفهوم العام، بينما تمثل عوامل الدرجة الأولى الأبعاد الفرعية.
• تبسيط النموذج: يمكن أن يكون النموذج من الدرجة الثانية أبسط من نموذج الدرجة الأولى من حيث عدد المعلمات التي يتم تقديرها، خاصة عندما يكون هناك عدد كبير من الارتباطات بين عوامل الدرجة الأولى. هذا يعود إلى أن عامل الدرجة الثانية يفسر هذه الارتباطات، مما يقلل من الحاجة لتقدير كل ارتباط على حدة.
• دراسة الاستقرار الزمني: يمكن استخدامه لتقدير نموذج عامل توكيدي من الدرجة الثانية حيث تعكس المؤشرات المرصودة أبعادًا متعددة من المعنى (مثل القيم، الشعور بالهدف)، وهذه الأبعاد من الدرجة الأولى تُقاد بدورها بعامل من الدرجة الثانية أكثر تجريدًا يمثل إحساسًا عامًا بالمعنى في الحياة.

إن استخدام CFA من الدرجة الثانية لتبسيط النموذج من خلال تقليل عدد المعلمات المقدرة، مع الحفاظ على القدرة التفسيرية، يمثل توازنًا مهمًا بين التعقيد النظري والكفاءة الإحصائية، مما يعزز من قابلية تفسير النتائج وتعميمها. على الرغم من أن النموذج الهرمي يبدو أكثر تعقيدًا في هيكله (عامل أعلى يؤثر على عوامل أدنى)، إلا أنه يمكن أن يكون أكثر بساطة من الناحية الإحصائية من نموذج الدرجة الأولى الذي يسمح بجميع الارتباطات بين عوامل الدرجة الأولى. فإذا كان هناك، على سبيل المثال، خمسة عوامل من الدرجة الأولى، فإن نموذج الدرجة الأولى سيتطلب تقدير 10 ارتباطات (5*(5-1)/2). بينما نموذج الدرجة الثانية سيستبدل هذه الارتباطات بخمسة تشبعات من العامل الأعلى إلى عوامل الدرجة الأولى، بالإضافة إلى تباين العامل الأعلى، مما يقلل من عدد المعلمات المقدرة إذا كان عدد عوامل الدرجة الأولى كبيرًا. هذا يشير إلى أن "التعقيد" في النمذجة لا يُقاس بالضرورة بعدد المستويات، بل بعدد المعلمات الحرة التي يتم تقديرها. النموذج الأبسط (الأكثر توفيرًا) هو المفضل دائمًا إذا كان يفسر البيانات بنفس الكفاءة. وبالتالي، فإن اختيار نموذج الدرجة الثانية يمكن أن يكون استراتيجية لزيادة كفاءة النموذج وتحسين قابليته للتفسير، شريطة أن يكون له دعم نظري قوي.

مقارنة ومعايير الاختيار بين التحليل العاملي التوكيدي من الدرجة الأولى والثانية

يُعد الاختيار بين التحليل العاملي التوكيدي من الدرجة الأولى والثانية قرارًا منهجيًا مهمًا يتطلب فهمًا عميقًا للفروقات الهيكلية والنظرية بينهما، بالإضافة إلى تقييم دقيق للمعايير الإحصائية.

الفروقات الجوهرية في البنية والتفسير

يكمن الاختلاف الأساسي بين نماذج CFA من الدرجة الأولى والدرجة الثانية في كيفية تمثيلها للعلاقات بين المتغيرات المرصودة والعوامل الكامنة:

• التحليل العاملي التوكيدي من الدرجة الأولى: في هذا النموذج، تُشبع المتغيرات المرصودة (الفقرات أو المؤشرات) مباشرة على عوامل كامنة من الدرجة الأولى. لا يوجد عامل عام شامل يُفترض أنه يؤثر على جميع العوامل من الدرجة الأولى بشكل مباشر أو غير مباشر. يمكن أن يكون النموذج أحادي البعد (حيث تشبع جميع المؤشرات على عامل واحد) أو متعدد الأبعاد (حيث تشبع المؤشرات على عوامل مميزة متعددة، وقد تكون هذه العوامل مترابطة).
• التحليل العاملي التوكيدي من الدرجة الثانية (الهرمي): في هذا النموذج، تُشبع المتغيرات المرصودة على عوامل من الدرجة الأولى، ولكن هذه العوامل من الدرجة الأولى تُشبع بدورها على عامل كامن أعلى يُسمى عامل من الدرجة الثانية. العامل العام من الدرجة الثانية يؤثر بشكل مباشر على عوامل الدرجة الأولى، وبالتالي يؤثر بشكل غير مباشر على الفقرات الفردية من خلال عوامل الدرجة الأولى. يُنظر إلى العامل العام في النموذج الهرمي على أنه بناء ذو مستوى أعلى يفسر الارتباطات بين عوامل الدرجة الأولى.

الاختلاف الأساسي في التركيب بين نماذج الدرجة الأولى والدرجة الثانية يعكس اختلافًا جوهريًا في التفسير النظري للبناء. نموذج الدرجة الثانية يقدم مستوى أعلى من التجريد النظري، مما يسمح بتفسير أكثر شمولية للعلاقات بين الأبعاد الفرعية. في الدرجة الأولى، المتغيرات المرصودة هي مؤشرات للعوامل الكامنة. في الدرجة الثانية، المتغيرات ذات المستوى الأدنى هي نفسها متغيرات كامنة (عوامل الدرجة الأولى). هذا يعني أن نموذج الدرجة الأولى يفترض أن الأبعاد (العوامل) مستقلة نسبيًا أو مترابطة على نفس المستوى. بينما نموذج الدرجة الثانية يفترض أن هذه الأبعاد الفرعية (عوامل الدرجة الأولى) هي مظاهر لبناء أوسع وأكثر تجريدًا (عامل الدرجة الثانية). على سبيل المثال، إذا كان "الرضا الوظيفي" يُقاس بأبعاد مثل "الراتب" و"العلاقات مع الزملاء" و"الأمن الوظيفي"، فإن نموذج الدرجة الأولى سيعتبر هذه الأبعاد عوامل منفصلة قد تكون مترابطة. أما نموذج الدرجة الثانية سيفترض أن هذه الأبعاد الفرعية تساهم في عامل عام أعلى هو "الرضا الوظيفي العام". هذا التمييز حاسم للتفسير النظري. إذا كانت النظرية تشير إلى وجود بناء شامل يفسر التباين المشترك بين الأبعاد الفرعية، فإن نموذج الدرجة الثانية يكون أكثر ملاءمة. إذا كانت الأبعاد الفرعية يُنظر إليها على أنها كيانات متميزة ولكنها قد تكون مترابطة، فإن نموذج الدرجة الأولى قد يكون كافيًا.

المعايير النظرية والإحصائية للاختيار

يتوقف اختيار النموذج المناسب (الدرجة الأولى أو الثانية) على عدة معايير نظرية وإحصائية:

• الهدف البحثي: يعتمد اختيار نموذج الدرجة الأولى أو الثانية على الهدف البحثي المحدد. يجب على الباحث أن يحدد ما إذا كان يهدف إلى فحص مفهوم كبناء أحادي الأبعاد (درجة أولى) أو كبناء متعدد الأبعاد ذي هيكل هرمي (درجة ثانية).
• الدعم النظري: يجب أن يكون اختيار النموذج مدفوعًا بالنظرية القائمة أو الأدبيات السابقة. لا ينبغي اختيار نموذج أكثر تعقيدًا (مثل الدرجة الثانية أو النموذج الثنائي) لمجرد تحسين مؤشرات الملاءمة إذا كان يفتقر إلى المعنى النظري أو قابلية التفسير.
• مؤشرات الملاءمة: يجب مقارنة مؤشرات الملاءمة بين النماذج المختلفة (أحادي البعد، متعدد الأبعاد، هرمي، ثنائي). غالبًا ما يُظهر النموذج الثنائي (Bifactor Model) مؤشرات ملاءمة أفضل مقارنة بالنموذج أحادي البعد والنموذج الهرمي، خاصة لمقاييس التقرير الذاتي متعددة الأبعاد. ومع ذلك، فإن مجرد تحقيق مؤشرات ملاءمة أعلى ليس سببًا كافيًا لتفضيل نموذج أكثر تعقيدًا إذا كان يفتقر إلى المعنى النظري.
• التبسيط (Parsimony): يُفضل دائمًا النموذج الأبسط الذي يفسر البيانات بشكل جيد. يُعتبر النموذج من الدرجة الثانية أبسط من نموذج الدرجة الأولى في بعض الحالات من حيث عدد المعلمات التي يتم تقديرها، خاصة إذا كان يقلل من عدد الارتباطات بين عوامل الدرجة الأولى.
• الصدق التمييزي (Discriminant Validity): في CFA من الدرجة الأولى، يتم التحقق من الصدق التمييزي بين العوامل. إذا كانت البنى الكامنة (أربعة أو أكثر) مترابطة بشكل كبير (مما يشير إلى تعددية خطية محتملة)، فقد يكون من الضروري الانتقال إلى CFA من الدرجة الثانية لتفسير هذه الارتباطات بعامل أعلى. يمكن لنموذج الدرجة الثانية أن يحل مشكلة نقص الصدق التمييزي بين عوامل الدرجة الأولى من خلال تقديم عامل عام يفسر تباينها المشترك.
• تحديد النموذج (Model Identification): يجب أن يكون هناك ما لا يقل عن ثلاثة عوامل من الدرجة الأولى لتحديد نموذج CFA هرمي بشكل صحيح. إذا كان هناك عاملان فقط من الدرجة الأولى، فإن نموذج الدرجة الثانية سيكون مكافئًا إحصائيًا لنموذج عوامل مترابطة من الدرجة الأولى، ولن يقدم قيمة مضافة في التفسير.

إن التوتر بين السعي لتحقيق ملاءمة إحصائية أفضل (خاصة مع النموذج الثنائي) والحاجة إلى التبرير النظري  يمثل معضلة أساسية في النمذجة بالمعادلات البنائية. هذا يشير إلى أن الإحصاءات وحدها لا يمكن أن توجه القرار البحثي، بل يجب أن تكون جزءًا من حوار أوسع مع النظرية. النموذج الثنائي غالبًا ما يُظهر ملاءمة أفضل، ولكن "مجرد تحقيق مؤشرات ملاءمة أعلى ليس سببًا كافيًا لتفضيل نموذج أكثر تعقيدًا إذا كان يفتقر إلى المعنى النظري أو قابلية التفسير". هذا يسلط الضوء على أن الباحثين قد يواجهون إغراءً لاختيار النموذج الذي يقدم أفضل مؤشرات ملاءمة إحصائية، حتى لو كان هذا النموذج لا يتماشى تمامًا مع النظرية القائمة أو كان يصعب تفسيره بشكل منطقي. على سبيل المثال، قد يفسر النموذج الثنائي التباين بشكل أفضل لأنه يسمح للعامل العام والعوامل الفرعية بالتأثير المباشر على المؤشرات، ولكنه قد لا يتناسب مع الفهم الهرمي للبناء. هذا يعني أن الباحث يجب أن يوازن بين "الواقعية الإحصائية" (ما يناسب البيانات) و"الواقعية النظرية" (ما هو منطقي ومبرر نظريًا). القرار النهائي لاختيار النموذج يجب أن يكون مزيجًا من الدقة الإحصائية والقوة النظرية، مع إعطاء الأولوية للتفسير النظري والمعنى. هذا يمنع "التصيد في البيانات" (data dredging) ويضمن أن النتائج تساهم بشكل هادف في تطوير النظرية.

الخطوات المنهجية لإجراء التحليل العاملي التوكيدي

يتطلب إجراء التحليل العاملي التوكيدي اتباع سلسلة من الخطوات المنهجية الدقيقة لضمان صحة وموثوقية النتائج. تبدأ هذه العملية بإعداد البيانات والتحقق من الافتراضات، مروراً بتحديد النموذج وتقدير المعلمات، وصولاً إلى تقييم ملاءمة النموذج وتعديله.

إعداد البيانات والتحقق من الافتراضات

تُعد جودة البيانات أساسًا لأي تحليل إحصائي قوي، بما في ذلك التحليل العاملي التوكيدي. تتضمن هذه الخطوة عدة إجراءات حاسمة:

فحص البيانات:

• القيم المفقودة (Missing Data): يجب التحقق من وجود القيم المفقودة ومعالجتها بشكل مناسب. يمكن استخدام طرق مثل الاستيفاء المتعدد (multiple imputation) أو تقدير الاحتمالية القصوى (maximum likelihood estimation) للتعامل معها، بدلاً من مجرد حذف الملاحظات، وذلك للحفاظ على قوة العينة ودقة التقديرات.
• القيم المتطرفة (Outliers): تُعرف القيم المتطرفة بأنها قيم شديدة الانحراف عن بقية البيانات. يجب استخدام الأساليب الإحصائية (مثل Z-scores) للكشف عن هذه القيم والتعامل معها، حيث يمكن أن تؤثر القيم المتطرفة بشكل كبير على معاملات الارتباط وتؤدي إلى استنتاجات خاطئة حول العلاقات بين المتغيرات.
• فحوصات الاتساق (Consistency Checks): التحقق من أن جميع قيم المتغيرات تقع ضمن نطاقات مقبولة ومنطقية.

التحقق من الافتراضات:

• الحجم الكافي للعينة (Adequate Sample Size): يتطلب CFA أحجام عينات كبيرة نسبيًا لتقدير المعلمات بثبات.4 يُوصى عمومًا بأن يكون حجم العينة 5 إلى 10 أضعاف عدد المعلمات الحرة المقدرة في النموذج. يمكن التحقق من كفاية العينة باستخدام اختبار كايزر-ماير-أولكن (Kaiser-Meyer-Olkin - KMO)، الذي يجب ألا تقل قيمته عن 0.5 لتكون العينة مناسبة للتحليل العاملي.
• التوزيع الطبيعي (Normality): يجب تقييم ما إذا كانت البيانات تفي بافتراض التوزيع الطبيعي باستخدام الاختبارات الإحصائية (مثل اختبار شابيرو-ويلك) والطرق الرسومية (مثل Q-Q plots والرسوم البيانية التكرارية). في حالة عدم التوزيع الطبيعي، يجب النظر في أساليب التقدير القوية (Robust Estimation) التي تعدل للانحرافات عن الطبيعية.
• الخطية (Linearity): يُفترض وجود علاقات خطية بين المتغيرات في نموذج CFA.
• عدم وجود التعددية الخطية (Absence of Multicollinearity): يجب التأكد من عدم وجود ارتباطات عالية جدًا بين المتغيرات المستقلة أو بين العوامل الكامنة. يمكن التحقق من ذلك باستخدام عامل تضخم التباين (Variance Inflation Factor - VIF)، حيث تشير القيم الأقل من 3.3 إلى عدم وجود تعددية خطية.

إن التركيز على معالجة القيم المتطرفة والتعددية الخطية قبل إجراء CFA ليس مجرد إجراء روتيني، بل هو خطوة حاسمة لضمان موثوقية تقديرات المعلمات ومؤشرات الملاءمة، مما يؤثر بشكل مباشر على صحة الاستنتاجات النظرية. القيم المتطرفة "قد تؤدي إلى أدلة إحصائية ظاهرية على وجود علاقة مهمة بينما لا توجد، أو العكس". التعددية الخطية "لديها القدرة على تحيز أو تشويه معلمات النموذج المقدرة". هذه المشكلات لا تؤثر فقط على دقة التقديرات، بل يمكن أن تخلق "ارتباطات زائفة" أو تخفي علاقات حقيقية. إذا لم يتم التعامل معها، فإن النموذج، حتى لو أظهر ملاءمة جيدة ظاهريًا، قد يكون مبنيًا على بيانات مضللة، مما يقوض الصدق الداخلي والخارجي للبحث. هذا يؤكد أن جودة البيانات هي الأساس لأي تحليل إحصائي قوي. إهمال هذه الخطوات التمهيدية يمكن أن يجعل التحليل العاملي التوكيدي، على الرغم من دقته المنهجية، غير موثوق به، مما يؤدي إلى استنتاجات خاطئة وتوجيه مضلل للبحوث المستقبلية.

تحديد النموذج وتقدير المعلمات

بعد إعداد البيانات والتحقق من الافتراضات، تأتي مرحلة بناء النموذج الإحصائي وتقدير معالمه.

تحديد النموذج (Model Specification):

تُعد هذه الخطوة جوهر التحليل العاملي التوكيدي، حيث يتم فيها ترجمة الإطار النظري إلى نموذج إحصائي قابل للاختبار.

• الأساس النظري: يجب تحديد نموذج القياس بوضوح بناءً على الإطار النظري القائم أو الأبحاث السابقة. هذا يعني أن الباحث لديه توقعات محددة حول كيفية تنظيم المتغيرات.
• تحديد البنى الكامنة: يتم تحديد العوامل الكامنة الأساسية المتوقعة التي يُفترض أنها تؤثر على المتغيرات المرصودة.
• تعيين المتغيرات: يجب تحديد أي المتغيرات المرصودة أو الفقرات ترتبط بكل عامل كامن بشكل واضح.
• التمثيل الرسومي: يُعد إنشاء مخطط مسار (Path Diagram) أداة بصرية مفيدة لتمثيل النموذج. في هذه المخططات، تُمثل المتغيرات الكامنة عادة بالدوائر أو الأشكال البيضاوية، بينما تُمثل المتغيرات المرصودة بالمربعات أو المستطيلات، وتشير الأسهم إلى تشبعات العامل (Factor Loadings) أو التأثيرات المباشرة من العوامل إلى المؤشرات.
• تحديد المعلمات الحرة: يجب التأكد من أن عدد المعلمات الحرة (التي سيتم تقديرها بواسطة البرنامج) لا يتجاوز عدد التباينات والتغايرات المميزة المستمدة من مصفوفة التغاير للبيانات. عادةً، يتم تثبيت تشبع العامل لمؤشر واحد لكل متغير كامن على قيمة 1.0 لتعيين مقياس للعامل الكامن.

تقدير المعلمات (Parameter Estimation):

بعد تحديد النموذج، يتم تقدير المعلمات (مثل تشبعات العوامل، تباينات الأخطاء، الارتباطات بين العوامل) باستخدام طرق إحصائية محددة:

• تقدير الاحتمالية القصوى (Maximum Likelihood Estimation - MLE): تُعد هذه الطريقة الأكثر شيوعًا وفعالية لتقدير معلمات CFA. تفترض MLE أن البيانات تتبع التوزيع الطبيعي المتعدد للمتغيرات.
• التقدير القوي (Robust Estimation): يُستخدم هذا النوع من التقدير لتعديل الانحرافات عن افتراض التوزيع الطبيعي، وهو مفيد بشكل خاص عندما تكون البيانات منحرفة أو تحتوي على قيم متطرفة.
• تقدير بايزي (Bayesian Estimation): يدمج هذا النهج المعلومات المسبقة (Prior Information) في عملية التقدير، وهو مفيد بشكل خاص عند التعامل مع أحجام العينات الصغيرة أو النماذج المعقدة.

إن عملية تحديد النموذج في CFA لا تقتصر على مجرد رسم مخطط، بل هي ترجمة دقيقة للفرضيات النظرية إلى صيغة إحصائية قابلة للاختبار. هذا يفرض على الباحثين وضوحًا نظريًا قبل جمع البيانات، مما يعزز من مصداقية البحث. CFA "يتطلب منك تحديد عدد العوامل ونمط العلاقات بين المؤشر والعامل بناءً على النظرية أو البحث السابق". "تحديد النموذج هو الخطوة الأولى في CFA". على عكس EFA الذي يكتشف البنية، فإن CFA يبدأ بفرضية قوية حول كيفية ارتباط المتغيرات المرصودة بالعوامل الكامنة. هذا يعني أن أي ضعف في النظرية أو عدم وضوح في تعريف البنى الكامنة سيؤدي إلى نموذج سيء التحديد أو غير ملائم للبيانات. هذا يؤكد أن CFA هو أداة لاختبار النظريات وليس لتوليدها. النجاح في CFA يعتمد بشكل كبير على قوة ووضوح الإطار النظري الذي يوجه تحديد النموذج، مما يجعلها عملية تتطلب تكاملًا عميقًا بين النظرية والمنهجية.

تقييم ملاءمة النموذج وتعديله

بعد تقدير معلمات النموذج، تُعد خطوة تقييم ملاءمة النموذج للبيانات أمرًا حاسمًا لتحديد مدى تمثيل النموذج المقترح للواقع التجريبي.

تقييم الملاءمة:

يُستخدم مجموعة متنوعة من مؤشرات الملاءمة لتقديم صورة شاملة لمدى ملاءمة النموذج العام لبيانات الدراسة.26 هذه المؤشرات تساعد في تحديد ما إذا كانت مصفوفة التغاير المتضمنة في النموذج قريبة بما يكفي من مصفوفة التغاير المرصودة في البيانات.

تعديل النموذج (Model Modification):

إذا لم يتلاءم النموذج المقترح جيدًا مع البيانات، يمكن إجراء تعديلات لتحسين الملاءمة. ومع ذلك، يجب أن تتم هذه التعديلات بحذر شديد وأن تكون مدفوعة بتبرير نظري قوي لتجنب الإفراط في الملاءمة (overfitting) أو تشويه النموذج.

• مؤشرات التعديل (Modification Indices - MI): تُستخدم هذه المؤشرات لتحديد المعلمات المفقودة من النموذج (مثل إضافة مسار من عامل إلى مؤشر لم يتم تحديده في البداية، أو السماح لارتباط بين أخطاء قياس معينة) والتي يمكن أن تساهم في سوء الملاءمة إذا تم إضافتها.
• الروابط بين أخطاء القياس (Correlated Residuals): يمكن ربط أخطاء القياس لبعض الفقرات إذا كانت هناك علاقات قوية بينها، ولكن يجب أن يتم ذلك بناءً على تبرير نظري قوي (مثل أن الفقرتين تشتركان في صياغة معينة أو أنهما تتأثران بعامل منهجي غير مفسر).
• إزالة الفقرات الضعيفة: يمكن إزالة الفقرات التي تظهر تشبعات منخفضة على العامل المخصص لها (عادة أقل من 0.3 أو 0.2، على الرغم من وجود آراء مختلفة حول قيم القطع الدقيقة).
• التبرير النظري: من الأهمية بمكان أن يتم إضافة المسارات أو تعديل النموذج فقط إذا كان ذلك منطقيًا من الناحية النظرية.20 يجب تجنب التعديلات التي تهدف فقط إلى تحسين الملاءمة الإحصائية دون دعم نظري، حيث يمكن أن يؤدي ذلك إلى نموذج غير قابل للتعميم أو يسيء تمثيل البنية الحقيقية للظاهرة.
• التحسين التكراري: يُنصح باستخدام نهج تدريجي لتحسين النموذج بشكل متزايد، مع الموازنة الدقيقة بين التحسين الإحصائي والاتساق النظري.

إن عملية تعديل النموذج في CFA، رغم ضرورتها لتحسين الملاءمة، تحمل في طياتها خطرًا كبيرًا للإفراط في الملاءمة أو "التصيد في البيانات" إذا لم تكن موجهة بتبرير نظري صارم. هذا يبرز تحديًا أخلاقيًا ومنهجيًا للباحثين: كيف يمكن تحسين النموذج دون تشويه الحقيقة التجريبية أو النظرة النظرية؟ مؤشرات التعديل تشير إلى تحسينات إحصائية محتملة، ولكن تطبيقها دون تبرير نظري يحول CFA من أداة تأكيدية إلى أداة استكشافية غير موجهة، مما يقوض الهدف الأساسي للتحليل التوكيدي. هذا يمكن أن يؤدي إلى نماذج تبدو "نظيفة" إحصائيًا ولكنها "تسيء تمثيل البيانات" وتعيق "التقدم النظري". هذا يعني أن الباحثين يجب أن يكونوا شفافين للغاية بشأن أي تعديلات يتم إجراؤها على النموذج الأولي، وأن يقدموا تبريرًا نظريًا قويًا لكل تعديل. الهدف ليس فقط الحصول على أفضل ملاءمة إحصائية، بل بناء نموذج يعكس بدقة البنية الكامنة للظاهرة ويكون قابلًا للتكرار والتعميم على عينات أخرى.

مؤشرات ملاءمة النموذج وتفسيرها

تُعد مؤشرات ملاءمة النموذج (Model Fit Indices) أدوات حيوية لتقييم مدى جودة تمثيل النموذج النظري للبيانات المرصودة في التحليل العاملي التوكيدي. لا يوجد مؤشر واحد كافٍ لتقييم الملاءمة، بل يجب استخدام مجموعة شاملة من المؤشرات لتقديم صورة متكاملة.

شرح المؤشرات الرئيسية وقيم القطع المقبولة

يُعرض فيما يلي شرح للمؤشرات الرئيسية وقيم القطع المقبولة الشائعة، مع الأخذ في الاعتبار أن هذه القيم هي إرشادات وليست قواعد صارمة :

اختبار Chi-square (χ²):

• التفسير: يقيم الملاءمة الكلية للنموذج ويقيس التباين بين مصفوفات التغاير المرصودة والمقدرة بواسطة النموذج.
• القيمة المقبولة: يجب أن تكون قيمة p أكبر من 0.05، مما يشير إلى أنه لا يمكن رفض فرضية الملاءمة المثالية بين النموذج والبيانات.
• ملاحظة: يُعد هذا الاختبار حساسًا جدًا لحجم العينة؛ يميل إلى رفض النماذج حتى مع وجود انحرافات طفيفة في العينات الكبيرة، مما يجعله أقل موثوقية كمؤشر وحيد للملاءمة.

مؤشر الملاءمة المقارن (Comparative Fit Index - CFI):

• التفسير: يقارن ملاءمة النموذج المستهدف بملاءمة نموذج مستقل (أو صفري) يفترض عدم وجود ارتباطات بين المتغيرات.
• القيمة المقبولة: تُعتبر القيم الأكبر من 0.90 مقبولة (وفقًا لـ Byrne, 1994)، بينما تُفضل القيم الأكبر من 0.95 (Schumacker & Lomax, 2004) أو 0.96 (Hu & Bentler, 1999) كمؤشر على ملاءمة جيدة جدًا. القيم القريبة من 1.000 تشير إلى ملاءمة قوية.
• ملاحظة: ليس حساسًا جدًا لحجم العينة.

جذر متوسط مربع خطأ التقريب (Root Mean Square Error of Approximation - RMSEA):

• التفسير: مؤشر معدل بالتبسيط؛ القيم الأقرب إلى الصفر تمثل ملاءمة جيدة للنموذج.
• القيمة المقبولة: تُعتبر القيم الأقل من 0.08 مقبولة (Awang, 2012)، بينما تُفضل القيم الأقل من 0.05 (Byrne, 1994) كمؤشر على ملاءمة قريبة أو جيدة. قيمة p المرتبطة به (التي تختبر فرضية أن RMSEA أقل من أو يساوي 0.05) يجب ألا تكون دالة.

جذر متوسط مربع البواقي المعيارية (Standardized Root Mean Square Residual - SRMR):

• التفسير: يمثل الجذر التربيعي للفرق بين بواقي مصفوفة التغاير المرصودة والنموذج المفترض، بعد توحيدها.
• القيمة المقبولة: يجب أن تكون القيمة أقل من 0.08 (Byrne, 1994).

مؤشر الملاءمة الجيدة (Goodness of Fit Index - GFI) / مؤشر الملاءمة الجيدة المعدل (Adjusted Goodness of Fit Index - AGFI):

• التفسير: تمثل نسبة التباين المفسر بواسطة التغاير المقدر للسكان، وهي مشابهة لمعامل التحديد R².
• القيمة المقبولة: GFI يجب أن يكون أكبر من 0.95 و AGFI أكبر من 0.90 (Byrne, 1994).

مؤشر الملاءمة المعياري (Normed Fit Index - NFI) / مؤشر تاكر-لويس (Tucker-Lewis Index - TLI) / مؤشر الملاءمة غير المعياري (Non-Normed Fit Index - NNFI):

• التفسير: يشير NFI بقيمة 0.95 إلى أن النموذج يحسن الملاءمة بنسبة 95% مقارنة بالنموذج الصفري. TLI (المعروف أيضًا بـ NNFI) يُفضل استخدامه للعينات الأصغر.
• القيمة المقبولة: تُعتبر القيم الأكبر من 0.90 مقبولة (Byrne, 1994) أو الأكبر من 0.95 (Schumacker & Lomax, 2004).

مؤشر الملاءمة التزايدي (Incremental Fit Index - IFI):

• التفسير: يعدل NFI لحجم العينة ودرجات الحرية.
• القيمة المقبولة: القيم الأكبر من 0.90 تُعتبر ملاءمة جيدة.

مؤشر مقاييس التبسيط المعدلة (Parsimony-Adjusted Measures Index - PNFI):

• التفسير: لا توجد قيمة قطع متفق عليها بشكل شائع لهذا المؤشر.
• القيمة المقبولة: يُقترح أن تكون القيمة أكبر من 0.50.

يوصي Kline (2015) بالإبلاغ عن Chi-square، RMSEA، CFI، و SRMR كحد أدنى عند عرض نتائج نماذج المعادلات البنائية (SEM).

إن الاعتماد على مؤشرات ملاءمة متعددة بدلاً من اختبار Chi-square وحده يعكس تحولًا في الفلسفة الإحصائية من البحث عن "الملاءمة المثالية" إلى "الملاءمة المقبولة"، مع الاعتراف بأن النماذج النظرية في العلوم الاجتماعية نادرًا ما تتطابق تمامًا مع الواقع التجريبي. اختبار Chi-square "حساس جدًا لحجم العينة" و"يميل إلى رفض النماذج في العينات الكبيرة". لذلك، "بدلاً من قرار واضح حول ما إذا كان النموذج المقترح يمكن اعتباره نموذج السكان الحقيقي، يتم تحديد سوء ملاءمة النموذج". هذا يعني أن الباحثين لا يمكنهم ببساطة استخدام اختبار Chi-square كمعيار وحيد للقبول أو الرفض. ففي العينات الكبيرة، حتى الانحرافات الطفيفة عن الملاءمة المثالية قد تؤدي إلى رفض النموذج، مما قد يكون مضللاً. لذا، فإن المؤشرات الأخرى (مثل CFI, RMSEA, SRMR) التي لا تتأثر بحجم العينة بنفس القدر، أو التي تقيم الملاءمة بطرق مختلفة (مثل الملاءمة النسبية أو خطأ التقريب)، تصبح ضرورية لتقديم صورة أكثر دقة وواقعية لملاءمة النموذج. هذا التحول يشجع على تفسير أكثر شمولية لملاءمة النموذج بدلاً من نهج ثنائي بسيط (ملائم/غير ملائم). إنه يعترف بالتعقيد المتأصل في البيانات الاجتماعية والنفسية ويوفر للباحثين أدوات أكثر دقة لتقييم مدى تمثيل نماذجهم للواقع.

مؤشرات ملاءمة النموذج الشائعة وقيمها المرجعية:

الخلاصة

يُعد التحليل العاملي التوكيدي (CFA) أداة إحصائية أساسية وقوية في البحث العلمي، لا سيما في تأكيد البنى النظرية والمقاييس النفسية والاجتماعية. لقد أوضح هذا التقرير أن CFA يختلف جوهريًا عن التحليل العاملي الاستكشافي (EFA) في كونه منهجية موجهة بالنظرية تهدف إلى اختبار فرضيات محددة حول العلاقات بين المتغيرات المرصودة والعوامل الكامنة، بدلاً من استكشافها.

تم تفصيل نوعي CFA الرئيسيين: التحليل العاملي التوكيدي من الدرجة الأولى، حيث تشبع المؤشرات مباشرة على عوامل كامنة، والتحليل العاملي التوكيدي من الدرجة الثانية (النموذج الهرمي)، الذي يقدم عاملًا عامًا أعلى يفسر الارتباطات بين عوامل الدرجة الأولى. وقد تبين أن اختيار النموذج المناسب يعتمد بشكل كبير على الأهداف النظرية والبحثية، مع مراعاة المعايير الإحصائية مثل مؤشرات الملاءمة ومتطلبات تحديد النموذج.

كما تم إبراز الدور الحيوي لمؤشرات ملاءمة النموذج في تقييم جودة النموذج، وضرورة استخدام مجموعة شاملة منها لتقديم تقييم دقيق وواقعي للملاءمة، مع الأخذ في الاعتبار حساسية بعض المؤشرات لحجم العينة. وأخيرًا، تم التأكيد على أهمية الإعداد الدقيق للبيانات والتحقق من الافتراضات (مثل القيم المفقودة، القيم المتطرفة، التوزيع الطبيعي، والتعددية الخطية) كخطوات أساسية لضمان صحة وموثوقية النتائج.