دالة التمييز مقابل التحليل العاملي

تُمثّل النمذجة الإحصائية متعددة المتغيرات (Multivariate Statistical Modeling) حجر الزاوية في المنهجيات الكمية المعاصرة؛ إذ تتيح للباحثين تفكيك الظواهر المعقدة التي تتداخل فيها أبعاد متعددة ومتشابكة في آن واحد. ففي مختلف حقول المعرفة، من العلوم السلوكية والتربوية إلى الاقتصاد القياسي والعلوم الطبية والسريرية، لم تعد النماذج أحادية المتغير كافية للإحاطة بالواقع التجريبي وسبر أغواره، نظراً لأن المتغيرات والظواهر الإنسانية والطبيعية نادراً ما تعمل بمعزل عن بعضها البعض، بل تتفاعل ضمن شبكات سببية ومصفوفات ارتباطية معقدة تتطلب أدوات تحليلية رصينة قادرة على التعامل مع الأبعاد المتعددة دون إهدار للمعلومات الإحصائية الثرية الكامنة في البيانات.

وفي هذا الفضاء التحليلي متعدد الأبعاد، يبرز أسلوبان إحصائيان عريقان يشكلان ركيزتين أساسيتين في معالجة مصفوفات التباين والتغاير، وهما: تحليل دالة التمييز (Discriminant Function Analysis) والتحليل العاملي (Factor Analysis). ورغم أن كلا الأسلوبين يستندان إلى ترسانة مشتركة من مفاهيم الجبر الخطي، وتحديداً تفكيك المصفوفات واستخراج الجذور والمتجهات الذاتية وتوليد التركيبات الخطية للمتغيرات، إلا أن المسارين ينطلقان من فلسفتين إبستمولوجيتين متباينتين، ويستهدفان غايات منهجية تكاد تكون متقابلة داخل منظومة التصميم التجريبي والتحليلي.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم معالجة نظرية وميدانية ومقارنة مفصلة بين دالة التمييز والتحليل العاملي؛ حيث سنستكشف الأصول الرياضية والمفاهيمية لكل منهما، وندرس الفروق البنيوية في معالجة المتغيرات واستراتيجيات القياس، ونستعرض دواعي التداخل والالتباس الشائع بينهما في التطبيقات البحثية، وصولاً إلى وضع دليل إرشادي منهجي يعين الباحث والمحلل على اختيار الأداة المناسبة بدقة علمية تتوافق مع التساؤلات والفرضيات المطروحة وطبيعة البيانات الميدانية المتاحة.

1. المقدمة: تأطير المقارنة بين دالة التمييز والتحليل العاملي

1.1 مدخل إلى الأساليب الإحصائية متعددة المتغيرات

شهدت الأساليب الإحصائية متعددة المتغيرات تحولاً جذرياً منذ أوائل القرن العشرين، متدرجة من المحاولات الحسابية اليدوية المضنية إلى النمذجة الحاسوبية المتقدمة القادرة على معالجة ملايين المدخلات في أجزاء من الثانية. وقد تبلورت هذه الأساليب استجابة لقصور التحليلات أحادية المتغير (Univariate) وثنائية المتغير (Bivariate)؛ فالنماذج التقليدية مثل اختبار “ت” (t-test) وتحليل التباين الأحادي (ANOVA) ومعامل ارتباط بيرسون، على الرغم من رصانتها، تقتصر على فحص متغير تابع واحد في كل مرة، متجاهلة التغير المشترك والارتباطات البينية التي تحكم شبكة المتغيرات في الواقع التطبيقي.

تتجلى أهمية نمذجة العلاقات المتشابكة بوضوح في العلوم السلوكية والاقتصادية والطبية؛ حيث يعتمد تشخيص متلازمة سريرية أو فهم اتجاه استثماري أو قياس سمة شخصية على مجموعة متظافرة من المؤشرات المتزامنة. فعلى سبيل المثال، لا يمكن عزل الدافعية للإنجاز عن الذكاء العاطفي والبيئة الأكاديمية عند تفسير الأداء الدراسي، كما لا يمكن الحكم على التعثر المالي لمؤسسة ما بالنظر إلى نسبة السيولة فقط دون ربطها بنسب الربحية والمديونية ودوران الأصول. إن هذا التضافر البنيوي بين المتغيرات الملاحظة يحتم استخدام أدوات إحصائية تراعي بنية التغاير (Covariance Structure) الإجمالية للبيانات وتحافظ على دقتها الاستدلالية دون الوقوع في تضخيم خطأ النمط الأول (Type I Error) الناجم عن تكرار الاختبارات الأحادية المستقلة.

ضمن شجرة التحليلات الإحصائية البارامترية العامة المتفرعة عن النموذج الخطي العام (General Linear Model)، يشغل كل من تحليل دالة التمييز والتحليل العاملي موقعاً استراتيجياً متمايزاً. يُصنف تحليل دالة التمييز كأحد أساليب التبعية أو الاعتمادية (Dependence Techniques)؛ حيث يتم تقسيم المتغيرات بصورة واضحة إلى متغيرات تنبؤية مستقلة ومتغير تابع فئوي تصنيفي. في المقابل، يندرج التحليل العاملي تحت فئة أساليب الترابط البيني أو الاستقلالية (Interdependence Techniques)، والتي تتعامل مع المتغيرات كافة على قدم المساواة دون فرض علاقة سببية أو تبعية مسبقة، ساعية إلى اكتشاف النظام الداخلي والتكوين الهيكلي المشترك الذي ينتظم فيه فضاء البيانات الكلي.

1.2 الدواعي المنهجية للمقارنة بين الأسلوبين

تنبع الحاجة إلى عقد مقارنة منهجية معمقة بين دالة التمييز والتحليل العاملي من كونهما يشتركان في آلية رياضية جوهرية تُعرف بإنتاج التركيبات الخطية (Linear Combinations). فكلا الأسلوبين يقوم على تحويل فضاء البيانات الأصلي المكون من عدد كبير من المتغيرات الملاحظة إلى فضاء جديد محول يتمتع بأبعاد أقل، عن طريق ضرب كل متغير بوزن ترجيحي محدد وجمع النواتج لتوليد مقياس تركيبي جديد. يهدف هذا التكثيف إلى تلخيص التباين وحفظ أكبر قدر ممكن من طاقة المعلومات الإحصائية الكامنة في البيانات الأصلية، وهو ما يجعلهما يتشابهان شكلياً في المخرجات الأولية للمحلل غير المتخصص.

ومع ذلك، فإن الفروق الرياضية والمفاهيمية بينهما تفرض ضبطاً دقيقاً لتفادي الأخطاء القاتلة في التصميم المنهجي وبناء النماذج الاستدلالية. فالخلط بين الأسلوبين قد يقود الباحث إلى تطبيق أداة موجهة للتصنيف والتنبؤ في سياق يقتضي استكشاف البناء الكامن للأدوات القياسية، أو العكس، كأن يستخدم التحليل العاملي لفرز الأفراد ضمن مجموعات تشخيصية محددة سلفاً. إن ضبط الحدود الفاصلة بين المنطق الاستكشافي القائم على البحث عن العوامل الكامنة، والمنطق التصنيفي القائم على تعظيم الفواصل التمييزية بين الفئات، يمثل شرطاً حتمياً لضمان الصدق الداخلي والخارجي للبحوث العلمية.

تتحدد الاستراتيجية المنهجية للباحث وفق طبيعة المشكلة البحثية وغايتها النهائية؛ فالمشكلات الاستكشافية التي تستهدف الإجابة عن تساؤلات من قبيل: “ما هي الأبعاد غير الملاحظة التي تُفسر تباين هذه المجموعة من الاستجابات؟” تقتضي لزوماً استخدام التحليل العاملي بمساراته المختلفة. أما المشكلات التنبؤية والتصنيفية التي تسعى للإجابة عن: “كيف يمكن تخصيص مشاهدة جديدة لمجموعة من المجموعات التشخيصية المحددة مسبقاً بدقة مثلى استناداً إلى خصائصها القياسية؟”، فإنها تقع مباشرة ضمن النطاق الوظيفي لدوال التمييز الرياضية.

1.3 أسباب الالتباس الشائع في الأوساط الأكاديمية والبحثية

يعود الالتباس الشائع في الأوساط الأكاديمية والبحثية إلى عدة مسببات تقنية وبنيوية، يأتي في مقدمتها اعتماد كلا الأسلوبين بصورة مركزية على الجبر الخطي وتفكيك المصفوفات التباينية عبر استخراج الجذور الكامنة أو القيم الذاتية (Eigenvalues) والمتجهات الذاتية المقترنة بها (Eigenvectors). فالمحلل الإحصائي يلحظ في مخرجات البرمجيات المتخصصة لكلا التحليلين مؤشرات متشابهة، مثل قيم التباين المفسر، ومقادير القيم الذاتية، ومصفوفات معاملات المتغيرات، مما يوحي بسيرورة إجرائية متطابقة تخفي التباين الجوهري في تعريف وتشكيل المصفوفات المرجعية الخاضعة للتحليل.

علاوة على ذلك، يُسهم التداخل في المصطلحات الإحصائية الشائعة في تغذية هذا اللبس المفاهيمي؛ حيث يُستخدم مصطلح “الأوزان” (Weights) و”التشبعات” (Loadings) في كلا الأسلوبين بطرق تتقارب في المظهر الرياضي التجريدي ولكنها تختلف اختلافاً جذرياً في دلالتها القياسية والوظيفية. ففي دالة التمييز، تُشير الأوزان التمييزية إلى إسهام المتغير المستقل النسبي في تعظيم التباين بين المجموعات مع تحييد التباين داخلها، بينما تمثل التشبعات في التحليل العاملي معاملات ارتباط أو انحدار خطي تعكس قوة تمثيل المتغير الملاحظ للعامل الكامن غير الملاحظ.

كما يتكرس هذا الخلط المنهجي نتيجة إمكانية دمج التقنيتين في بروتوكول تحليلي تسلسلي متكامل داخل الدراسة الواحدة، مما يوهم المبتدئين بإمكانية تبادل أدوارهما الوظيفية. فكثيراً ما يلجأ الباحثون إلى تطبيق التحليل العاملي لاختزال عدد هائل من المتغيرات إلى أبعاد كامنة محدودة ومستقلة، ثم يستخدمون درجات هذه العوامل كمتغيرات مستقلة داخل دالة التمييز لتصنيف الأفراد؛ وهذا التكامل الوظيفي، على الرغم من كفاءته المنهجية العالية، يتطلب وعياً تاماً بحدود كل تقنية وموقعها الدقيق في سلسلة المعالجة الإحصائية لتجنب الخلط بين الغايات والوسائل.

2. التحليل التمييزي ودالة التمييز: الإطار المفاهيمي والتطبيقي

2.1 الماهية والأهداف الإحصائية لدالة التمييز

يُعرف التحليل التمييزي ودالة التمييز التابعة له كأحد الأساليب الإحصائية المتقدمة المندرجة ضمن إطار التعلم الإحصائي الخاضع للإشراف (Supervised Learning). يرتكز هذا الأسلوب على وجود متغير تابع فئوي نوعي، يتألف من مجموعتين أو أكثر من المجموعات الحصرية والشاملة المحددة مسبقاً من قِبل الباحث أو المصممة بحكم طبيعة البيانات التجريبية، مقابل حزمة من المتغيرات التفسيرية أو المستقلة التي يشترط فيها أن تكون مقاسة على مستوى كمي مستمر (فئوي أو نسبي).

يتمثل الهدف الإحصائي المركزي لدالة التمييز في إيجاد أفضل توليفة خطية من المتغيرات المستقلة تعمل على تعظيم التباين بين المجموعات المصنفة (Between-group Variance) إلى أقصى حد ممكن، وفي الوقت ذاته، تقليص التباين داخل المجموعات نفسها (Within-group Variance) إلى أدنى حد ممكن. يعبر هذا المبدأ الرياضي عن الرغبة في إبعاد مراكز ثقل المجموعات أو ما يُعرف بالمتوسطات المركزية (Centroids) عن بعضها البعض في الفضاء متعدد الأبعاد، مع ضغط التشتت الداخلي لكل مجموعة حول مركزها لتقليل التداخل المكاني بين عناصر الفئات المختلفة، وبالتالي تحقيق أقصى قدر من التباعد المنهجي القابل للقياس.

تتفرع عن هذا الهدف الإحصائي وظيفتان تطبيقيتان جوهريتان: الوظيفة الأولى هي التحليل التمييزي الوصفي أو التفسيري، والذي يستهدف تحديد أي المتغيرات المستقلة يمتلك القدرة الأكبر على التمييز بين المجموعات وتفسير الفروق الجوهرية بينها، وهو ما يعين الباحث على فهم الخصائص الفارقة للظاهرة. أما الوظيفة الثانية فهي الوظيفة التنبؤية والتصنيفية، والتي تتمثل في صياغة قواعد قرار رياضية دقيقة تسمح بتصنيف وتخصيص المشاهدات والحالات المستقبلية غير المعروفة إلى إحدى المجموعات المستهدفة باحتمالية خطأ تصنيفي ضئيلة للغاية استناداً إلى درجاتها على المتغيرات المستقلة.

2.2 البنية الرياضية واشتقاق المعادلات التمييزية

تستند البنية الرياضية للتحليل التمييزي الخطي الكلاسيكي إلى الأساس النظري الرائد الذي وضعه عالم الإحصاء البريطاني الشهير رونالد فيشر (Ronald Fisher) في ثلاثينيات القرن العشرين، والمعروف بمعيار فيشر للتمييز الخطي (Fisher’s Linear Discriminant). ينص هذا المعيار على تعظيم النسبة الإحصائية بين مصفوفة مربعات التباين والتغاير بين المجموعات، والتي يُرمز لها رياضياً بالمصفوفة ($S_B$ أو $B$)، ومصفوفة مربعات التباين والتغاير المشتركة داخل المجموعات، ويُرمز لها بالمصفوفة ($S_W$ أو $W$). تأخذ النسبة الرياضية المستهدفة للتعظيم الصيغة التربيعية التالية المتجهة بالمعاملات:

$$\lambda = \frac{a^T S_B a}{a^T S_W a}$$

حيث يُمثل المتجه ($a$) معاملات الدالة التمييزية المطلوب تقديرها. ولحل هذه المعادلة التفاضلية وتعظيم المقدار، يتم تحويل المسألة إلى مسألة استخراج الجذور الذاتية والمتجهات الذاتية الكلاسيكية للجداء المصفوفي الناتج عن ضرب معكوس مصفوفة التباين داخل المجموعات في مصفوفة التباين بين المجموعات، أي إيجاد حل المعادلة المميزة:

$$(S_W^{-1} S_B – \lambda I) a = 0$$

يُنتج هذا التحليل متجهات ذاتية ($a$) تمثل معاملات الدوال التمييزية المتعامدة وغير المترابطة إحصائياً، وتناظر كل منها قيمة ذاتية ($lambda$) تعكس مقدار القوة التمييزية النسبية لتلك الدالة ونسبة التباين بين المجموعات الذي تستوعبه. ويحدد الحد الأقصى لعدد الدوال التمييزية المستخرجة بالقيمة الأصغر بين أمرين: عدد المتغيرات المستقلة المقاسة ($p$)، أو عدد المجموعات المصنفة مطروحاً منه واحد ($k – 1$).

لتقييم الدلالة الإحصائية العامة للقدرة التمييزية للنموذج المقترح، يُعتمد إحصاء لامبدا ويلكس (Wilks’ Lambda – $Lambda$)، وهو مقياس يأخذ قيماً تنحصر بين الصفر والواحد الصحيح؛ حيث تدل القيم القريبة من الصفر على أن التباين بين المجموعات يمثل الجزء الأكبر من التباين الإجمالي وأن النموذج يمتلك قوة تمييزية فائقة، في حين تشير القيم المقتربة من الواحد إلى أن معظم التباين يقع داخل المجموعات مما يعكس فشل المتغيرات في الفصل بينها. يتم تحويل قيمة “لامبدا ويلكس” إلى قيمة تقريبية تتبع توزيع “كاي تربيع” أو توزيع “ف” الإحصائي لاختبار الفرضية الصفرية القائلة بتساوي متوسطات المجموعات في الفضاء متعدد المتغيرات، مما يتيح التثبت من المعنوية الإحصائية لكل دالة تمييزية على حدة.

2.3 الافتراضات الإحصائية وشروط التطبيق

يتطلب التطبيق الموثوق لتحليل دالة التمييز الاستيفاء الصارم لعدد من الافتراضات البارامترية المعقدة لضمان كفاءة التقديرات ودقة مستويات الدلالة المحسوبة. يأتي في صدارة هذه المتطلبات افتراض التوزيع الطبيعي المتعدد للمتغيرات التفسيرية (Multivariate Normality) داخل كل مجموعة من مجموعات التصنيف. وعلى الرغم من أن دالة التمييز تُظهر قدراً من المتانة (Robustness) حيال الانتهاكات الطفيفة للاعتدال التوزيعي إذا كانت أحجام العينات كبيرة بدرجة كافية، إلا أن الانحرافات الشديدة والالتواءات الحادة قد تُشوه تقديرات مصفوفات التباين وتؤدي إلى تضخيم معدلات سوء التصنيف بشكل ملحوظ.

أما الافتراض الثاني الحاسم فيتمثل في تجانس مصفوفات التباين والتغاير (Homogeneity of Variance-Covariance Matrices أو Homoscedasticity) عبر جميع المجموعات المقارنة. يعني هذا الافتراض الرياضي أن تباينات المتغيرات التفسيرية والعلاقات الارتباطية المشتركة فيما بينها تظل متطابقة وثابتة إحصائياً بغض النظر عن المجموعة التي تنتمي إليها المشاهدات. يتم اختبار هذا الشرط عادةً باستخدام اختبار “بوكس إم” (Box’s M Test)؛ وإذا تم رفض الفرضية الصفرية وثبت عدم تجانس المصفوفات بدرجة دالة، فإن استخدام التحليل التمييزي الخطي يصبح غير ملائم، ويتعين حينئذ اللجوء إلى التحليل التمييزي التربيعي (Quadratic Discriminant Analysis – QDA) الذي يسمح باختلاف مصفوفات التغاير لكل مجموعة على حدة عبر حدود قرار غير خطية ومنحنية.

علاوة على ذلك، يشترط التحليل غياب التعدد الخطي التام أو شبه التام (Multicollinearity) بين المتغيرات المستقلة؛ فوجود ارتباطات خطية فائقة الارتفاع يقود إلى تدهور مصفوفة التباين المشترك ($S_W$) وتحولها إلى مصفوفة شبه شاذة (Singular Matrix) يستحيل حساب معكوسها الرياضي بدقة عددية مستقرة، مما يجعل معاملات التمييز غير مستقرة وعرضة لتقلبات عشوائية حادة. وأخيراً، يظل شرط استقلال المشاهدات والملاحظات الفردية ركيزة أساسية يقتضيها التصميم العيني؛ حيث يجب أن تأتي المشاهدات من سحب عشوائي مستقل تماماً دون وجود أي ارتباطات تسلسلية أو عناقيد غير مضبوطة إحصائياً.

2.4 مجالات الاستخدام والتطبيقات العملية

تحظى دالة التمييز بحضور تطبيقي مكثف في شتى الميادين المهنية والبحثية التي تتطلب اتخاذ قرارات تصنيفية قطعية تحت ظروف عدم اليقين. ففي القطاع المالي والمصرفي، شكلت دالة التمييز الأساس التاريخي والعملي لبناء نماذج التصنيف الائتماني وتقييم الجدارة المالية للأفراد والشركات. ويعد نموذج “ألتمان زد-سكور” (Altman’s Z-Score) للتنبؤ بالإفلاس المالي أحد أشهر النماذج المستندة مباشرة إلى دالة التمييز؛ حيث يدمج خمس نسب مالية مختلفة بأوزان تمييزية دقيقة لفرز المنشآت إلى فئات محددة: شركات آمنة، وشركات تقع في منطقة الخطر والتعثر المالي المحتوم، ومناطق حيادية رمادية تتطلب تدقيقاً استثنائياً.

وفي حقل التشخيص الطبي والسريري، تُستخدم دوال التمييز لتصنيف الحالات المرضية وتحديد مآلاتها العلاجية بالاعتماد على حزمة من المؤشرات البيولوجية والفسيولوجية والاختبارات المخبرية. على سبيل المثال، يمكن بناء دالة تمييزية لتصنيف أورام معينة إلى حميدة أو خبيثة استناداً إلى متغيرات كمية مثل كثافة النسيج الخلوي، ومستويات المؤشرات الحيوية في مصل الدم، والعمر الزمني للمريض، والقياسات المقطعية الدقيقة؛ مما يزود الأطباء بأداة تشخيصية مساندة تعظم دقة الكشف المبكر وتقلل احتمالات التشخيص الخاطئ.

أما في أبحاث التسويق ودراسات سلوك المستهلك، فتبرز دالة التمييز كأداة لا غنى عنها في تجزئة الأسواق وتصنيف العملاء؛ إذ توظفها الشركات لفرز قاعدة زبائنها إلى فئات مثل: عملاء ذوو ولاء مرتفع، وعملاء معرضون للانسحاب والانتقال للمنافسين (Churn)، وعملاء مرحليون عشوائيون. يتم هذا التصنيف استناداً إلى متغيرات ديموغرافية وسلوكية مثل معدل تكرار الشراء، ومتوسط حجم الإنفاق، ومدة التفاعل مع المنصات الرقمية؛ مما يتيح للإدارات توجيه الحملات الترويجية التخصيصية بفعالية واستثمار الميزانيات التسويقية بكفاءة استهدافية فائقة.

3. التحليل العاملي: الإطار المفاهيمي والنظري

3.1 الماهية والأهداف الجوهرية للتحليل العاملي

يمثل التحليل العاملي منهجية إحصائية متقدمة تندرج ضمن فئة تقنيات التعلم غير الخاضع للإشراف (Unsupervised Learning)، ويهدف بالدرجة الأولى إلى استكشاف وتوصيف البنى والمفاهيم الكامنة (Latent Constructs) التي لا يمكن رصدها أو قياسها بصورة مباشرة بأداة واحدة بسيطة. تنطلق الفلسفة الرياضية للتحليل العاملي من افتراض مؤداه أن الارتباطات الإحصائية المتبادلة بين مجموعة واسعة من المتغيرات الملاحظة المقاسة (Manifest Variables) تنشأ في حقيقة الأمر عن خضوعها لتأثير قوى سببية غير ملاحظة تشكل العوامل المشتركة التي تنتظم من خلالها تلك المتغيرات في مجالات نوعية متجانسة.

يتجسد الهدف الإحصائي والمنهجي الجوهري للتحليل العاملي في اختزال البيانات والتعقيد الهندسي؛ وذلك بنقل فضاء القياس من نطاق واسع يتضمن عشرات المتغيرات الملاحظة المشوشة إلى فضاء مفاهيمي موجز يتألف من عدد قليل جداً من العوامل الافتراضية الكامنة ذات الدلالة المعنوية والنظرية العميقة. ويسعى التحليل إلى تحقيق هذا الاختزال مع الحفاظ على أعلى نسبة ممكنة من التباين المفيد الأصلي، مما يسمح للباحث ببلورة نماذج نظرية مقتصدة (Parsimonious Models) تعبر عن جوهر الظاهرة المدروسة دون الإغراق في تفاصيل المتغيرات الهامشية التي تزيد من أعباء النمذجة الإحصائية.

يعمل التحليل العاملي على تفكيك مصفوفة معاملات الارتباط البيني وتفسير التباين المشترك القائم بين المتغيرات؛ فالمتغيرات التي ترتبط بقوة ببعضها البعض يُفترض أنها تعكس بعداً كامناً واحداً مشتركاً يفسر ذلك التقارب التوزيعي، بينما تعكس المتغيرات التي تتجمع حول أقطاب أخرى أبعاداً مفاهيمية مستقلة. وبالتالي، فإن التحليل العاملي لا يتعامل مع مجموعات مسبقة من المشاهدات ولا يسعى للتنبؤ بانتماء فردي محدد، بل يركز كلياً على هندسة العلاقات الداخلية بين المتغيرات لتحديد الأبعاد التي تنظم المنظومة المعرفية أو السلوكية موضوع البحث.

3.2 أنواع التحليل العاملي والنمذجة الرياضية

ينقسم التحليل العاملي إلى نمطين منهجيين رئيسيين يختلفان في الفلسفة التأسيسية ومستوى التدخل النظري المسبق للباحث: التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA). يُستخدم التحليل الاستكشافي عندما تكون الأسس النظرية الرابطة بين المتغيرات لا تزال في أطوارها الجنينية غير المكتملة؛ حيث يتدخل الأسلوب الإحصائي لاكتشاف التراكيب العاملية الممكنة واستخراج العوامل بحرية من مصفوفة الارتباطات دون تقييد مسبق للمسارات أو الفرضيات، مما يجعله أداة لتوليد الفرضيات العلمية وصياغة التصورات البنيوية الأولى.

في المقابل، يُطبق التحليل العاملي التوكيدي في سياقات متقدمة تتوفر فيها نظرية علمية رصينة أو دراسات استكشافية سابقة تحدد بوضوح عدد العوامل المتوقعة وطبيعة المتغيرات التي تشبع كل عامل، وتفترض وجود أو غياب ارتباطات بين العوامل ذاتها. يتم اختبار هذا النموذج الصارم ضمن إطار نمذجة المعادلات البنائية (SEM) لتقييم مدى تطابق البيانات الميدانية مع النموذج النظري المقترح، باستخدام مؤشرات جودة المطابقة مثل مؤشر المطابقة المقارن (CFI) ومطابقة كاي تربيع وجذر متوسط مربعات خطأ الاقتراب (RMSEA).

تستند النمذجة الرياضية الكلاسيكية للتحليل العاملي إلى تقسيم التباين الإجمالي لكل متغير ملاحظ ($X_i$) إلى مكونات متمايزة وفق المعادلة الأساسية التالية:

$$X_i = \lambda_{i1} F_1 + \lambda_{i2} F_2 + dots + \lambda_{im} F_m + e_i$$

حيث تمثل ($F$) العوامل الكامنة المشتركة غير الملاحظة، وترمز ($lambda$) إلى أوزان تشبع المتغير بالعامل (Factor Loadings)، بينما يمثل المقدار ($e_i$) التباين الفريد أو النوعي المقترن بالمتغير نفسه. ويتميز التحليل العاملي الرياضي عن أسلوب تحليل المكونات الرئيسية (Principal Component Analysis – PCA) في أن الأخير يتعامل مع التباين الكلي للمتغيرات ويدمجه مباشرة، في حين يقوم التحليل العاملي الحقيقي بتفكيك تباين كل متغير إلى ثلاثة مكونات دقيقة: التباين المشترك (Common Variance أو Communality – $h^2$) الذي يشترك فيه المتغير مع بقية المتغيرات عبر العوامل الكامنة، والتباين النوعي (Specific Variance) الخاص بفرادة المتغير، وتباين خطأ القياس العشوائي (Measurement Error Variance). يتيح هذا التفكيك للتحليل العاملي تنقية العلاقات من شوائب أخطاء القياس واستخلاص العوامل الصافية المفسرة للترابط فقط.

3.3 متطلبات البيانات وافتراضات القياس والتدوير العاملي

يتطلب الشروع في التحليل العاملي استيفاء معايير صارمة تتعلق بكفاية حجم العينة وصلاحية مصفوفة الارتباطات للتحليل. من الناحية الميدانية، تُشير الأدبيات الإحصائية إلى ضرورة توافر نسبة لا تقل عن 5 إلى 10 مشاهدات لكل متغير ملاحظ ($5:1$ إلى $10:1$)، مع تفضيل عينات كلية تتجاوز 300 حالة لضمان استقرار معاملات الارتباط وثبات البنية المستخلصة. يتم التثبت من كفاية البيانات عبر مؤشر كايزر-ماير-أولكين (Kaiser-Meyer-Olkin – KMO) لقياس كفاية المعاينة؛ حيث يُشترط أن تتجاوز قيمته 0.60 كحد أدنى للقبول، وتعتبر القيم المتجاوزة لـ 0.80 ممتازة للغاية. كما يجب إجراء اختبار “بارتليت لكروية البيانات” (Bartlett’s Test of Sphericity) للتأكد من أن مصفوفة الارتباطات الأصلية تختلف دلالياً عن مصفوفة الوحدة (Identity Matrix)، مما يثبت وجود ارتباطات بينية جوهرية تبرر تطبيق التحليل العاملي.

أما على صعيد طرق استخلاص العوامل، فتتنوع الأساليب الرياضية وفق طبيعة التوزيع وتوفر الافتراضات؛ وتشمل طريقة المحاور الرئيسية (Principal Axis Factoring – PAF) التي تناسب البيانات التي قد تنتهك افتراض التوزيع الطبيعي المتعدد، وطريقة الإمكانية العظمى (Maximum Likelihood – ML) التي تمثل الأسلوب الأرقى بارامترياً لاحتوائها على اختبارات دلالة إحصائية مباشرة لجودة مطابقة العوامل المستخلصة للبيانات، لكنها تشترط بدقة تحقق الاعتدال المتعدد.

وحيث إن الحل العاملي الأولي المستخلص رياضياً نادراً ما يكون قابلاً للتفسير الموضوعي المباشر لوقوع معظم المتغيرات تحت هيمنة العامل الأول العام، فإن الباحث يلجأ إلى مرحلة التدوير العاملي (Factor Rotation) لإعادة توزيع التباين وتحقيق ما يُعرف بمبدأ “البنية البسيطة” (Simple Structure) الذي رسخه لويس ثيرستون (Thurstone). تتوزع أساليب التدوير إلى اتجاهين رئيسيين:

• التدوير المتعامد (Orthogonal Rotation): وأشهره خوارزمية “فاريماكس” (Varimax) و”كواريتيماكس” (Quartimax)، ويفترض هذا المسار استقلال العوامل تماماً عن بعضها وتعامد محاورها الهندسية بزاوية تسعين درجة، مما ينتج عوامل ذات ارتباط صفري متبادل.
• التدوير المائل (Oblique Rotation): ومن أبرز أساليبه “بروماكس” (Promax) و”أوبليمين المباشر” (Direct Oblimin)، ويسمح بوجود درجات من الارتباط الواقعي بين العوامل، وهو النمط الأكثر تمثيلاً للواقع النفسي والسلوكي والاجتماعي؛ حيث تندر الظواهر الإنسانية المستقلة استقلالاً مطلقاً وتاماً.

3.4 التطبيقات الشائعة في العلوم السلوكية والاجتماعية

يحتل التحليل العاملي الصدارة المنهجية المطلقة في مجال القياس النفسي والتربوي (Psychometrics) وتطوير المقاييس والاستبانات المقننة؛ حيث يمثل الأداة الذهبية للتحقق من الصدق البنائي (Construct Validity) للأدوات البحثية. فعند بناء مقياس جديد للاحتراق الوظيفي أو التوافق المهني يتألف من أربعين فقرة ملاحظة، يُستخدم التحليل العاملي للتثبت من أن تلك الفقرات تتجمع إحصائياً ضمن المحاور النظرية المقترحة، فضلاً عن تحديد الفقرات الضعيفة التي تعاني من انخفاض التشبعات وتنقيتها، وحساب معاملات الاتساق الداخلي والصدق العاملي بدقة منهجية فائقة.

وفي حقل العلوم التربوية والمعرفية، ارتبط التحليل العاملي بالبحوث التاريخية والمعاصرة للذكاء البشري والقدرات العقلية؛ بدءاً من نظرية العامل العام (General Factor – $g$) لتشارلز سبيرمان، مروراً بالقدرات العقلية الأولية لثيرستون، وصولاً إلى قياس أنماط الذكاء المتعدد والمهارات التنفيذية العليا. يتيح التحليل فرز المهارات وتحديد المحددات الأكثر تفسيراً للتحصيل الأكاديمي وصعوبات التعلم، وفهم كيفية تمايز القدرات اللفظية عن المكانية والعددية في مراحل النضج العقلي المختلفة.

كما يمتد التطبيق العاملي بقوة إلى بحوث السياسات العامة والرأي العام وعلم الاجتماع؛ حيث يُستعان به لرصد التوجهات الأيديولوجية الكامنة والأنماط الثقافية الجمعية عبر تحليل المسوح الواسعة واستطلاعات المواقف السياسية. فمن خلال إجابات الجماهير على عشرات الأسئلة المتعلقة بالحريات المدنية، والتوزيع الاقتصادي، والعلاقات الدولية، يمكن للتحليل العاملي استخلاص محاور رئيسية تختزل الاستقطاب السياسي (مثل محور الليبرالية مقابل المحافظة، ومحور النزعة القومية مقابل الكونية)، مما يوفر لصناع السياسات والمفكرين نماذج إحصائية مكثفة تصف الخارطة الفكرية والاجتماعية وتفسر أنماط التصويت الانتخابي دون تشتت في التفاصيل الفردية.

4. أبرز الفروق الجوهرية بين دالة التمييز والتحليل العاملي

4.1 طبيعة وهيكل المتغيرات ونوع الإشراف المنهجي

يرتكز الفارق الإبستمولوجي والمنهجي الجوهري بين دالة التمييز والتحليل العاملي على طبيعة وتوصيف المتغيرات ونمط الإشراف الخوارزمي المطبق على فضاء البيانات. في تحليل دالة التمييز، يُشترط وجود تمييز صارم ومحدد سلفاً لأدوار المتغيرات؛ حيث يوجد متغير تابع (Dependent Variable) نوعي غير كمي ينتمي إلى مقياس اسمي قطعي يحدد انتماء كل حالة إلى إحدى الفئات أو المجموعات الحصرية المستقلة، مقابل حزمة من المتغيرات المستقلة (Independent Variables) ذات الطبيعة القياسية الكمية المستمرة. هذا الهيكل يجعل التحليل التمييزي خاضعاً بالكامل للإشراف؛ إذ تُزود الخوارزمية بالتصنيفات الواقعية الحقيقية لكل حالة لتدريب النموذج على استيعاب الفواصل بينها.

على النقيض تماماً، يتعامل التحليل العاملي مع مصفوفة متجانسة كلياً من المتغيرات التي تقف على قدم المساواة في المرتبة المنهجية، دون أي تصنيف مسبق أو تقسيم إلى متغيرات تابعة وأخرى مستقلة، ودون افتراض أي بنية سببية توجيهية. تُمثل هذه المتغيرات جميعها مدخلات كمية متصلة خاضعة لنظام الترابط المشترك في إطار خوارزمي غير خاضع للإشراف؛ حيث لا يمتلك النموذج أي معرفة مسبقة بوجود مجموعات تصنيفية ولا يُعطى أي تسميات خارجية للحالات، بل تنحصر مهمته في تأمل التغاير الداخلي لمصفوفة المتغيرات واستنباط العلاقات الكامنة الذاتية من باطن البيانات دون توجيه خارجي.

يولد هذا التمايز الإشرافي تأثيراً إبستمولوجياً عميقاً على أسلوب التعاطي مع المعرفة العلمية؛ ففي دالة التمييز، يسعى الباحث إلى اختبار قدرة مقاييسه على تفسير انقسام قائم وملموس بالفعل في الواقع الميداني (مثل: مرضى مقابل أصحاء، مقترضون ملتزمون مقابل متعثرين). أما في التحليل العاملي، فينصب الجهد المعرفي على توليد واكتشاف مفاهيم وتصنيفات وأبعاد تجريدية لم تكن معلنة في البيانات بشكل مباشر، بل تبلورت عبر البنية التفسيرية للعوامل الرياضية المستخلصة.

4.2 الهدف الأساسي: التصنيف والتنبؤ مقابل اختزال الأبعاد

يتجلى التباين الوظيفي الحاد بين التقنيتين في الغاية النهائية التي يسعى كل تحليل إلى تحقيقها. تتمحور الغاية الحصرية لدالة التمييز حول التصنيف والتنبؤ (Classification and Prediction)؛ أي بناء حدود قرار خطية في الفضاء الرياضي تفصل بين المجموعات السكانية المعلومة، ومن ثم توظيف هذه الحدود لاتخاذ قرارات التخصيص الاحتمالي للحالات الجديدة غير المصنفة وضمها إلى إحدى المجموعات مع تقليل مخاطر الخطأ إلى أقصى حد. ينصب التقييم النهائي لجودة دالة التمييز على مقاييس دقة التصنيف، ونسب التطابق الفعلي (Hit Ratio)، ومصفوفة الالتباس (Confusion Matrix)، ومقدار ما تحققه الدالة من قفزة احتمالية تفوق التخمين العشوائي أو التعيين الاحتمالي النسبي الساذج.

في المقابل، يتمحور الهدف الأساسي للتحليل العاملي حول اختزال الأبعاد وتبسيط التعقيد المفاهيمي (Dimensionality Reduction and Latent Modeling)؛ إذ لا يكترث التحليل إطلاقاً بتصنيف الأفراد إلى مجموعات متباينة، بل يركز كلياً على اختزال العشرات من المتغيرات المعقدة والمتداخلة إلى عدد أدنى من الأبعاد الكامنة دون التفريط في جوهر المعلومات الإحصائية. الغاية هنا هي فهم وتفكيك محركات التباين المشترك وتقديم تفسير نظري بنيوي متماسك للارتباطات الميدانية؛ لذا فإن معيار النجاح للتحليل العاملي لا يُقاس بدقة تصنيف عينة أو تخصيص حالات، بل بمدى منطقية وكفاية التباين المفسر بواسطة العوامل المستخلصة، ومدى وضوح وثبات البنية العاملية المحققة عبر التدوير، وانسجامها مع النظريات السيكومترية والظاهراتية المتبناة.

4.3 الآليات الرياضية ومعالجة مصفوفات التباين

تختلف الاستراتيجية المتبعة في تفكيك مصفوفات البيانات ومعالجة التباين الرياضي بين الأسلوبين بشكل جذري. يعتمد تحليل دالة التمييز بصورة كلية على تفكيك التباين الإجمالي إلى مستويين متمايزين تحكمهما المجموعات التصنيفية المحددة: التباين بين المجموعات (Sum of Squares Between – $SSB$) المتمثل في مصفوفة التشتت ($S_B$)، والتباين داخل المجموعات (Sum of Squares Within – $SSW$) المتمثل في مصفوفة التشتت المجمعة ($S_W$). ومن ثم تُعالج مسألة التعظيم الرياضي بالبحث عن المتجهات التي تعظم النسبة التبادلية بين هاتين المصفوفتين كما تجلى في معيار فيشر، مستهدفة استخلاص دوال خطية تنفصل قيمها المركزية أقصى ما يمكن بالنسبة لتشتتها الداخلي، مع تقييد عدد الدوال الرياضية المستخرجة بالمعادلة $min(p, k – 1)$.

أما التحليل العاملي، فيستند في عملياته الرياضية إلى مصفوفة معاملات الارتباط البيني الموحدة ($R$) أو مصفوفة التغاير الإجمالية ($\Sigma$) للمتغيرات الملاحظة، متجاهلاً أي تقسيم للمشاهدات. وتقوم الآلية الرياضية على تفكيك المصفوفة إلى جداء مصفوفي يضم مصفوفة التشبعات العاملية ($Lambda$) ومصفوفة تباين الأخطاء والفرادة ($Psi$) وفق النموذج $\Sigma = \Lambda \Phi \Lambda^T + \Psi$. وتتركز المعالجة الرياضية على تقدير قيم الاشتراكية (Communality – $h^2$) التي تمثل نسبة التباين في كل متغير والمفسرة بالعوامل الكامنة المستخلصة، مع عزل التباين الفريد والخطأ القياسي.

وعند تحديد عدد العوامل المستبقاة في التحليل العاملي، لا يرتبط القرار بعدد المجموعات (التي هي معدومة أصلاً هنا)، بل يستند الباحث إلى معايير إحصائية استكشافية أو توكيدية متعددة؛ مثل معيار كايزر (Kaiser’s Criterion) للاحتفاظ بالعوامل ذات القيم الذاتية الأكبر من واحد صحيح، أو اختبار التمثيل البصري للانحدار الصخري (Scree Plot) لكاتيل (Cattell)، أو إجراء التحليل الموازي (Parallel Analysis) لهورن (Horn) الذي يمثل المعيار الأكثر صرامة وموثوقية في تقليص فرط الاستخلاص، وهي محددات تختلف في أسسها الرياضية والمنهجية عن استخراج دوال التمييز الحصري.

4.4 طبيعة المخرجات وتفسير النتائج

تنعكس الفروق المنهجية السابقة على طبيعة المخرجات الرقمية والجداول الإحصائية الناتجة عن كلا الأسلوبين وأساليب قراءتها وتأويلها. تشمل المخرجات المركزية لتحليل دالة التمييز ما يلي:

• معاملات الدالة التمييزية القياسية وغير القياسية (Standardized and Unstandardized Coefficients): وتُستخدم لتكوين المعادلة الخطية التنبؤية وبيان الأثر النسبي لكل متغير مستقل في تمييز الفئات.
• مصفوفة الهيكل التمييزي (Structure Matrix): وتوضح معاملات الارتباط البسيط بين كل متغير مستقل والدرجات الناتجة عن الدالة التمييزية، وتعد أكثر استقراراً في التفسير عند وجود تعدد خطي.
• المتوسطات المركزية للمجموعات (Group Centroids): وتمثل إحداثيات موقع كل فئة على المحور التمييزي في الفضاء الرياضي.
• إحصاء لامبدا ويلكس ومصفوفة الالتباس (Confusion Matrix): ومعدلات التصنيف الصحيح وتصحيح انحياز العينة عبر إجراءات التحقق المتقاطع بطريقة السحب العشوائي أو طريقة استبعاد حالة واحدة وتصنيفها (Leave-one-out Cross-validation / Jackknife).

في المقابل، تتمحور مخرجات التحليل العاملي حول معالم قياسية وبنيوية مغايرة تماماً، تشتمل أساساً على:

• مصفوفة التشبعات العاملية (Factor Loading Matrix): سواء أكانت المصفوفة النمطية (Pattern Matrix) أو مصفوفة البنية (Structure Matrix) بعد إجراء التدوير، والتي تبين مدى ارتباط المتغيرات الملاحظة بالعوامل المستخلصة.
• قيم الاشتراكية (Communalities): التي توضح مقدار التباين المفسر لكل متغير بفعل العوامل مجتمعة.
• نسبة التباين المفسر الإجمالي (Percentage of Total Variance Explained): لكل عامل مستخلص وللنموذج الكلي.
• درجات العوامل (Factor Scores): وهي قيم كمية جديدة تُحسب لكل حالة أو فرد تعكس موقعه على العامل الكامن المستخلص، وتصلح لإعادة الاستخدام كمتغيرات كمية جديدة في تحليلات إحصائية لاحقة.

يتضح هذا التباين الشامل في الأبعاد البنيوية والتطبيقية عبر الجدول المقارن المفصل التالي:

وجه المقارنة	تحليل دالة التمييز (Discriminant Analysis)	التحليل العاملي (Factor Analysis)
نمط التعلم والإشراف المنهجي	تعلم خاضع للإشراف الكامل (Supervised Learning). يتطلب معرفة مسبقة بانتماء الحالات للمجموعات.	تعلم غير خاضع للإشراف (Unsupervised Learning). يستكشف البنى الكامنة دون معرفة مسبقة بأي تصنيف خارجي.
طبيعة وهيكل المتغيرات	متغير تابع فئوي اسمي مقسم لمجموعات محددة، ومتغيرات مستقلة كمية متصلة.	مصفوفة متجانسة من المتغيرات الكمية المتصلة دون تقسيم تابع ومستقل.
الهدف الاستدلالي الرئيسي	التصنيف، التنبؤ بانتماء المشاهدات، تعظيم الفصل بين الفئات المعروفة، وتحديد المتغيرات الفارقة.	اختزال الأبعاد، استكشاف المفاهيم والبنى الكامنة، وتفسير مصفوفة الارتباط والتغاير البيني.
الأساس الرياضي لمعالجة التباين	تعظيم نسبة التباين بين المجموعات ($S_B$) مقارنة بالتباين داخل المجموعات المشترك ($S_W$).	تفكيك التباين الإجمالي إلى تباين مشترك (اشتراكية) وتباعد فريد وخطأ قياس عشوائي.
أقصى عدد للمحاور / الدوال	محكوم بالمعادلة الرياضية: $min(p, k – 1)$؛ حيث $p$ عدد المتغيرات و$k$ عدد المجموعات.	يحدده الباحث وفق معايير إحصائية نظرية (معيار كايزر، الرسم الصخري، التحليل الموازي).
التعامل مع التدوير (Rotation)	لا يوجد تدوير بالمعنى السيكومتري؛ فالدوال تُستخرج متعامدة ومرتبة تنازلياً بحسب قدرتها التمييزية المطلقة.	التدوير مرحلة جوهرية لتحقيق البنية البسيطة وتسهيل التفسير النظري (متعامد أو مائل).
المخرجات المركزية المقروءة	معاملات التمييز، مراكز ثقل المجموعات، لامبدا ويلكس، نسب دقة التصنيف ومصفوفة الالتباس.	مصفوفة التشبعات العاملية، نسب التباين المفسر، قيم الاشتراكية، ودرجات العوامل المقدرة.
حساسية افتراض التوزيع	شديد الحساسية للتوزيع الطبيعي المتعدد وتجانس مصفوفات التباين والتغاير (Box’s M).	تعتمد الحساسية على طريقة الاستخلاص (الاحتمال الأعظم حساس جداً، بينما المحاور الرئيسية مرنة).
المجالات التطبيقية النموذجية	التصنيف الائتماني، التنبؤ بالإفلاس، التشخيص الطبي والسريري، وفرز المتقدمين للوظائف.	تطوير المقاييس والاستبانات النفسية، صدق البناء، قياس الذكاء، وتحديد التوجهات الأيديولوجية.

5. أوجه التشابه ونقاط التداخل المنهجي

5.1 الانتماء لمنظومة النماذج الخطية متعددة المتغيرات

على الرغم من التباعد الجوهري في الأهداف والفلسفة الإجرائية، يتطابق التحليلان في انتمائهما المشترك لمنظومة النموذج الخطي العام (General Linear Model). يرتكز كلا الأسلوبين على الفرضية الأساسية التي تقضي بأن الظواهر المركبة يمكن التعبير عنها ونمذجتها بدرجة فائقة من الدقة عبر مجموعات ترجيحية خطية من المتغيرات الملاحظة، وهو ما يعني الاعتماد على معادلات الجمع الخطي ذات المعاملات الثابتة دون افتراض علاقات تفاعلية أو أسية معقدة إلا إذا تم تضمينها مسبقاً في التصميم الرياضي للبيانات.

كما يتقاسم الأسلوبان درجة عالية من الحساسية المنهجية تجاه وجود القيم المتطرفة أو الشاذة (Outliers) متعددة المتغيرات؛ فوجود مشاهدات متطرفة ذات مسافات “ماهلانوبيس” (Mahalanobis Distance) شاذة يؤدي إلى إرباك مصفوفات التباين والارتباط المشتركة في كلا التحليلين، مما يترتب عليه تشويه مصفوفة التشبعات في التحليل العاملي أو إزاحة مراكز المجموعات وتدمير أوزان الدالة التمييزية. كما يتطلب كلاهما حجماً عشوائياً كبيراً من العينات الميدانية يضمن تمثيل المجتمع وتجنب استخلاص حلول عشوائية مشوهة ناجمة عن تقلبات المعاينة الصغيرة.

يشترك الأسلوبان كذلك في ضرورة التثبت الصارم من الاشتراطات البارامترية الأساسية، وعلى رأسها استقامة العلاقات الخطية البينية بين المتغيرات الملاحظة، وخلو البيانات من أخطاء القياس الممنهجة وغير العشوائية، وخضوع المتغيرات لتوزيعات تقترب من الاعتدال والتوزيع الطبيعي، وهو ما يجعل عمليات الفحص الاستكشافي المبدئي للبيانات وتنظيفها متطلباً إلزامياً لا غنى عنه قبل تدشين أي من النموذجين الإحصائيين.

5.2 وظيفة تقليص الأبعاد الرياضية

تشكل وظيفة تقليص الأبعاد الرياضية (Dimensionality Reduction) القاسم المشترك الأكبر بين دالة التمييز والتحليل العاملي؛ فكلا الأسلوبين يعمل كمرشح مكثف للمعلومات ينقل الباحث من حيز فضاء المتغيرات الأصلية متعدد الأبعاد ($p$-dimensional space) ذي التعقيد الإدراكي والحسابي العالي، إلى فضاء رياضي جديد محول يتمتع بأبعاد أقل تركيزاً ومحدودية تتيح فهم البنية العميقة للظاهرة دون إهدار معالمها الأساسية.

يتحقق هذا الإنجاز الرياضي في كليهما بالاعتماد الصريح على مقتضيات الجبر الخطي، وتحديداً من خلال تفكيك المصفوفات إلى قيم ذاتية (Eigenvalues) تمثل مقدار التباين المستوعب على كل بعد جديد، ومتجهات ذاتية (Eigenvectors) تُرسم على أساسها محاور الإسقاط الجديدة لتكون غير مترابطة إحصائياً وتوفر أقصى قدر من التباين في أولى المحاور المستخرجة، مما يجعل الأسلوبين أداة رياضية فعالة لإعادة نمذجة الفضاء الهندسي للبيانات الميدانية المعقدة.

تسهل هذه الخاصية المشتركة في تقليص الأبعاد إمكانية التمثيل البصري والبياني (Graphical and Visual Representation) فائق الوضوح للبيانات المركبة؛ فبدلاً من محاولة استيعاب العلاقات المتشابكة بين عشرين متغيراً في جداول مصفوفية يصعب فك شفراتها، يتيح التحليل العاملي رسم مخطط بياني ثنائي أو ثلاثي الأبعاد يُظهر تموضع العوامل والمتغيرات المتقاربة حولها، في حين تتيح دالة التمييز تمثيل الحالات والمجموعات ومراكز ثقلها على خريطة تمييزية بصرية (Territorial Map) تجعل التمايز بين الفئات قابلاً للإدراك الحسي السريع والدقيق.

5.3 التكامل والترابط في السلاسل البحثية المتتالية

لا تتوقف العلاقة بين دالة التمييز والتحليل العاملي عند حدود التشابه الشكلي أو المقارنة النظرية، بل تتعداها إلى إمكانية بناء تحالف منهجي تكاملي بالغ القوة ضمن السلاسل البحثية المتتالية والدراسات متقدمة التصميم. فالأدبيات البحثية المعاصرة تشهد توظيفاً واسعاً للتحليل العاملي كخطوة تمهيدية وتأسيسية تسبق مباشرة تطبيق دوال التمييز؛ حيث يُستخدم التحليل العاملي لتنقية المؤشرات والمقاييس المتضخمة واختزال عشرات الفقرات المترابطة بشدة إلى ثلاثة أو أربعة عوامل رئيسية كامنة ومستقلة تماماً.

يتم عقب ذلك استخراج درجات العوامل (Factor Scores) المقدرة لكل فرد، وتغذيتها كمدخلات ومتغيرات تفسيرية مستقلة في نموذج دالة التمييز. يحقق هذا البروتوكول المنهجي المدمج فائدة إحصائية كبرى؛ إذ يقضي بصورة جذرية على مشكلة التعدد الخطي العالي (Multicollinearity) التي تشل دقة دالة التمييز في العادة، نظراً لأن درجات العوامل المستخلصة بالتدوير المتعامد تكون غير مترابطة على الإطلاق وتتمتع بتباين موحد وتوزيع طبيعي محكم، مما يزيد من استقرار معاملات دالة التمييز ويعظم دقتها التصنيفية النهائية.

علاوة على ذلك، يمثل الأسلوبان معاً ركيزة لا غنى عنها في معالجة إشكاليات التحقق من الصدق المنهجي المقارن للأدوات القياسية الحديثة؛ حيث يتعاون الأسلوبان في توفير الأدلة القاطعة على الصدق التقاربي (Convergent Validity) والصدق التمايزي (Discriminant Validity). يُستخدم التحليل العاملي لإثبات الصدق التقاربي بتبيان أن الفقرات الملاحظة ترتبط بقوة بالعامل الكامن المفترض وتتشبع عليه دون غيره، في حين تُستخدم دالة التمييز لإثبات الصدق التمايزي للأداة من خلال إثبات قدرة الدرجات المستخلصة عبر المقاييس على الفصل الإحصائي الحقيقي بين فئات سريرية أو سلوكية متباينة معروفة في الواقع الميداني بدقة تصنيفية متناهية.

6. معايير الاختيار: متى يُستخدم كل أسلوب؟

6.1 محددات التصميم البحثي والأسئلة العلمية المطروحة

يتوقف الاختيار الحاسم بين دالة التمييز والتحليل العاملي في المقام الأول على صياغة الأسئلة العلمية والفرضيات الموجهة للتصميم البحثي. فإذا كان التساؤل المنهجي مصاغاً بصورة تصنيفية تنبؤية تبحث في إمكانية فرز المشاهدات، مثل: “هل تستطيع المؤشرات المالية والتشغيلية المتاحة فرز الشركات إلى فئات ناجحة ومتعثرة بدقة كافية؟” أو “ما هي المؤشرات الحيوية التي تفصل بدقة بين مرضى الاكتئاب السريري وأولئك المصابين بالقلق العام؟”، فإن المنهجية تقتضي حتماً اللجوء إلى تحليل دالة التمييز باعتباره النموذج الرياضي المصمم خصيصاً للإجابة عن أسئلة التصنيف الحصري.

في المقابل، إذا كانت المشكلة البحثية تستهدف كشف البنى غير الملاحظة وتفسير الترابطات الكامنة بين مؤشرات متعددة، كأن يكون التساؤل: “ما هي الأبعاد النفسية الكامنة التي تنتظم حولها استجابات الأفراد على مقياس الرضا الوظيفي؟” أو “هل تتوزع القدرات الإدراكية لدى طلاب المرحلة الثانوية ضمن بعد عام أم أبعاد نوعية متعددة؟”، فإن التحليل العاملي يصبح هو الخيار المنهجي الإلزامي؛ إذ يستحيل الإجابة عن مثل هذه التساؤلات التأسيسية بواسطة دالة التمييز التي لا تملك القدرة على تفكيك التباين المشترك واستنباط العوامل الافتراضية.

يرتبط هذا الاختيار بمحدد إضافي جوهري يتمثل في مستوى القياس الإحصائي للمتغيرات المتاحة داخل قاعدة البيانات؛ فتوفر متغير تصنيفي قاطع ومحدد سلفاً يمثل المتغير التابع هو الشرط الأساسي الذي لا غنى عنه لإطلاق خوارزميات دالة التمييز. أما في غياب هذا المتغير التصنيفي، واقتصار البيانات على مصفوفة متكاملة من المتغيرات المقاسة بمستويات مسافية أو نسبية متصلة تهدف إلى الفهم البنيوي، فإن التحليل العاملي هو المنهجية الوحيدة القادرة على معالجة تلك البيانات بكفاءة واقتدار.

6.2 سياقات تفضيل دالة التمييز ومحاذيرها

تفضل دالة التمييز وتتحول إلى الأداة الإحصائية المثالية في سياقات وتطبيقات تجريبية محددة تقتضي اتخاذ قرارات فرز واختيار قطعية؛ ويبرز ذلك جلياً في التجارب السريرية والتشخيصية الطبية التي تهدف إلى وضع بروتوكولات حاسمة تعتمد على الفحوص المخبرية لتحديد ما إذا كان المريض يحتاج إلى تدخل جراحي عاجل أم علاج تحفظي. وتتجلى كفاءة دالة التمييز أيضاً في إدارات الموارد البشرية والاختيار المهني المتقدم داخل المؤسسات الكبرى، حيث تُوظف لفحص مؤشرات الأداء والتقييم النفسي لفرز المتقدمين للوظائف الحساسة والتنبؤ بمن يمتلك مقومات النجاح المهني المستدام بناءً على أوزان تمييزية مقننة تم استخلاصها من مسارات الموظفين التاريخية السابقة.

ومع ذلك، يتعين على الباحث توخي الحذر الشديد والوعي المنهجي الكامل بجملة من المحاذير الإحصائية التي قد تعصف بموثوقية نتائج دالة التمييز، ويأتي في مقدمتها:

• اختلال توازن أحجام المجموعات (Imbalanced Groups): فعندما تكون إحدى المجموعات التصنيفية أضخم بكثير من الأخرى (كأن تمثل 90% من العينة الإجمالية)، يميل التحليل إلى تفضيل تصنيف الحالات ضمن المجموعة الأكبر تلقائياً، مما يعطي نسب تصنيف صحيحة مضللة تخفي فشلاً ذريعاً في رصد وتصنيف حالات المجموعة النادرة ذات الأهمية القصوى.
• فرط التخصيص أو الملاءمة الزائدة (Overfitting): ويحدث ذلك بصورة شائعة عندما يقترب عدد المتغيرات التفسيرية من حجم أصغر مجموعة تصنيفية، مما يجعل الدالة تحفظ عشوائية العينة المحددة بدلاً من تعميم الخصائص التمييزية، وتفقد دقتها تماماً عند تطبيقها على عينات خارجية جديدة.
• انتهاك تجانس مصفوفات التباين والتغاير: والذي يؤدي إلى تقدير غير دقيق لحدود الفصل وإلحاق ظلم إحصائي بالحالات الحدودية بين الفئات، مما يتطلب استبدال التحليل الخطي بالتحليل التربيعي لضمان الدقة.

6.3 سياقات تفضيل التحليل العاملي ومحاذيره

يغدو التحليل العاملي خياراً إجبارياً ومفضلاً في بواكير بناء وتطوير المقاييس والاختبارات النفسية والتربوية والمسوح الاستقصائية الميدانية؛ حيث يتصدر المشهد كأداة لا تنافس في اختبار الاتساق البنائي وتنقية الأدوات القياسية والتحقق من أن الأسئلة المطروحة تقيس فعلاً المفاهيم النظرية المستهدفة دون تشويش. كما يحقق فائدة قصوى في دراسات النمذجة الاقتصادية والاجتماعية الكبرى التي تواجه تضخماً هائلاً في مؤشرات الأداء المتداخلة (مثل مؤشرات التنمية المستدامة، والرفاه الاقتصادي، والحوكمة المؤسسية)؛ حيث يتيح اختزال هذه المنظومات المعقدة إلى مؤشرات تركيبية وعوامل عامة يسهل رصدها وإدارتها مقارنة بالتعامل مع مئات المؤشرات التفصيلية المنفصلة.

بيد أن التطبيق الرصين للتحليل العاملي يستوجب الاحتراز الصارم من فخاخ منهجية شائعة قد تجعل مخرجاته غير ذات قيمة علمية، ومن أبرزها:

• مغالطة التسمية وتشييء العوامل (Reification and Naming Fallacy): والمتمثلة في ميل الباحث إلى إطلاق تسميات تعسفية ومطلقة على العوامل المستخلصة دون الاستناد إلى إطار نظري فلسفي رصين يفسر ارتباط تلك المتغيرات تحديداً، متناسياً أن العامل في جوهره ليس سوى مركب رياضي مجرد لا يكتسب حقيقته العلمية إلا من صدق البناء النظري المؤسس له.
• الوقوع في فخ التدوير الذاتي غير المبرر: والتنقل العشوائي بين أساليب التدوير المتعامد والمائل حتى الوصول إلى مصفوفة تناسب رغبة الباحث الشخصية، متجاهلاً طبيعة العلاقات المفاهيمية الحقيقية بين أبعاد الظاهرة في الواقع الميداني.
• الاعتماد الأعمى على معيار كايزر (Eigenvalue > 1): والذي يُعد من أكثر المعايير المسببة للإفراط في استبقاء عوامل مشوشة لا تتمتع بقوة دلالية، خاصة عندما يتجاوز عدد المتغيرات الملاحظة أربعين متغيراً؛ مما يفرض الاعتماد التكاملي على التحليل الموازي والرسم الصخري لضبط عدد العوامل بدقة منهجية لا تقبل الشك.

7. الأسئلة الشائعة حول دالة التمييز والتحليل العاملي

7.1 ما هو الفرق الرئيسي بين دالة التمييز والتحليل اللوجستي عند وجود مجموعات؟

يمثل كل من تحليل دالة التمييز وانحدار اللوجستيك (Logistic Regression) أسلوبين للتصنيف والتنبؤ بمتغير تابع فئوي، إلا أن الفارق المحوري بينهما يكمن في الافتراضات التوزيعية المسبقة وطبيعة المتغيرات التفسيرية المستقلة. يشترط التحليل التمييزي التزاماً صارماً بافتراض التوزيع الطبيعي المتعدد للمتغيرات المستقلة وتجانس مصفوفات التباين والتغاير عبر المجموعات المقارنة، وتفقد دالة التمييز كفاءتها وسلامة تقديراتها الاحتمالية عند انتهاك هذه الشروط البارامترية بشكل حاد أو عند وجود متغيرات مستقلة اسمية أو ترتيبية.

في المقابل، يُعد الانحدار اللوجستي أسلوباً شبه بارامتري يتمتع بمرونة استثنائية؛ فهو لا يفرض أي شروط على التوزيع الطبيعي للمتغيرات المستقلة، ويقبل بسلاسة المتغيرات التفسيرية الفئوية والوهمية (Dummy Variables) جنباً إلى جنب مع المتغيرات المتصلة، ولا يتأثر بانتهاك تجانس التباين. ومع ذلك، فإن دالة التمييز تتفوق بوضوح على الانحدار اللوجستي في القوة الإحصائية (Statistical Power) وفي كفاءة المعاينة ودقة التصنيف عندما تتحقق كافة الافتراضات البارامترية بالكامل؛ حيث تكون التقديرات التمييزية المشتقة من مصفوفات التباين أكثر استقراراً وأعلى دقة رياضية من تقديرات الإمكانية العظمى المعتمدة في اللوجستيك في حالة العينات الصغيرة والمستوفية لشروط الاعتدال.

7.2 هل يمكن الجمع بين التحليل العاملي ودالة التمييز في دراسة واحدة؟

نعم، يُعد الجمع بين التحليل العاملي ودالة التمييز في إطار بروتوكول تحليلي تسلسلي متعاقب من أرقى الممارسات المنهجية وأكثرها شيوعاً في البحوث متعددة المتغيرات المتقدمة. يتجلى هذا النموذج التطبيقي النموذجي عندما يبدأ الباحث بدراسة تحتوي على عدد كبير من المتغيرات الملاحظة (ولتكن ثلاثين أو أربعين متغيراً مقاساً باستبانات ومؤشرات كمية متصلة) يعاني معظمها من ارتباطات بينية مرتفعة تجعل تطبيق دالة التمييز عليها مباشرة ضرباً من المجازفة الإحصائية بسبب التعدد الخطي العالي وتشتت درجات الحرية.

في المرحلة الأولى، يطبق الباحث التحليل العاملي الاستكشافي أو التوكيدي لاختزال هذه المنظومة الضخمة إلى عدد محدود من الأبعاد الكامنة (مثلاً: أربعة عوامل رئيسية ذات دلالة نظرية واضحة). ثم يقوم في المرحلة الثانية بحساب واستخراج “درجات العوامل” (Factor Scores) لكل فرد أو مشاهدة عبر أسلوب الانحدار أو طريقة أندرسون-روبين (Anderson-Rubin) التي تضمن تعامد الدرجات واستقلالها التام. وأخيراً، يتم إدخال هذه الدرجات العاملية المستخلصة كمتغيرات تفسيرية مستقلة في نموذج دالة التمييز للتنبؤ بالانتماء الفئوي للمجموعات المستهدفة؛ مما يحقق نموذجاً تصنيفياً يتميز بمتانة نظرية عالية، وانعدام تام للتعدد الخطي، واستقرار رياضي فائق في تقدير المعاملات التمييزية.

7.3 كيف يؤثر حجم العينة على موثوقية نتائج كل من الأسلوبين؟

يمثل حجم العينة عاملاً حاسماً في استقرار التقديرات الإحصائية وتفادي الوقوع في ظاهرة “فرط التخصيص” (Overfitting) لكلا الأسلوبين، ولكن بمعايير وضوابط رياضية متباينة تحكم كلاً منهما وفق طبيعة المعادلات المستخرجة. في التحليل العاملي، يؤثر حجم العينة تأثيراً مباشراً على استقرار مصفوفة معاملات الارتباط البيني وثبات الجذور الكامنة والتشبعات؛ فالأحجام المتواضعة تجعل معاملات الارتباط عرضة للتشوه بفعل أخطاء المعاينة العشوائية، مما قد يفرز عوامل وهمية غير قابلة للتكرار في عينات أخرى. لذا تشترط الأدبيات الإحصائية ألا يقل حجم العينة عن خمس إلى عشر حالات لكل متغير ملاحظ كحد أدنى مطلق ($5:1$ إلى $10:1$)، مع توصيات صارمة بضرورة بلوغ العينة الإجمالية 300 حالة فأكثر لضمان استقرار البنية العاملية بعد التدوير.

أما في تحليل دالة التمييز، فيتصل شرط حجم العينة بصورة بنيوية بعدد أفراد كل مجموعة تصنيفية على حدة؛ فالقاعدة المنهجية تقتضي ألا يقل حجم العينة في أصغر مجموعة تصنيفية مقيدة عن عدد المتغيرات المستقلة المضمنة في التحليل، مع توصية تفضيلية بأن يتجاوز حجم أصغر مجموعة عشرين إلى ثلاثين مشاهدة على الأقل كحد أدنى ($n_{\min} > 20$)، وأن تكون النسبة الإجمالية للحالات مقسومة على عدد المتغيرات المستقلة لا تقل عن عشرين مشاهدة لكل متغير ($20:1$). إن عدم مراعاة هذا الشرط في دالة التمييز يقود إلى خلل حسابي شاذ في تقدير مصفوفة التشتت داخل المجموعات ($S_W$)، ويجعل الدالة عاجزة عن التعميم خارج نطاق العينة الأصلية، مما ينتج نسب دقة تصنيفية متضخمة ومخادعة ظاهرياً ولكنها تنهار تماماً عند تطبيقها الميداني على حالات جديدة.

7.4 أيهما يعتبر أسلوباً لتقليل الأبعاد: دالة التمييز أم التحليل العاملي؟

يُعد كلا الأسلوبين بلا شك تقنيتين فعالتين لتقليل الأبعاد واختزال البيانات (Dimensionality Reduction Techniques)، غير أن هذا التقليص ينطلق من منظورين رياضيين وفلسفيين متباينين تماماً ويخدم غايتين متضادتين داخل فضاء النمذجة الإحصائية. فالتحليل العاملي يمثل أسلوباً لتقليل الأبعاد من منظور التباين المشترك غير الموجه؛ إذ يستهدف ضغط عدد كبير من المتغيرات الملاحظة إلى عدد أقل من المحاور الافتراضية بناءً على دراسة الارتباطات الداخلية الشاملة بين تلك المتغيرات ذاتها، دون أي اهتمام بأي تصنيف خارجي أو مجموعات مشاهدة، ساعياً للحفاظ على أكبر قدر من تباين النظام المتعدد الأصلي ككل.

على الطرف المقابل، تمثل دالة التمييز أسلوباً لتقليل الأبعاد من منظور الفصل الفئوي الموجه والخاضع للإشراف الكامل؛ حيث تقوم الخوارزمية الرياضية بإسقاط فضاء المتغيرات الأصلية متعدد الأبعاد على عدد محدود ومكثف جداً من المحاور التمييزية (لا يتجاوز عدد المجموعات ناقص واحد)، ولا تستهدف هذه المحاور اختزال التباين الكلي للمتغيرات أو تفسير ترابطها الداخلي، بل تركز حصرياً على استبقاء وتكثيف ذلك الجزء المحدد من التباين الذي يخدم غاية واحدة فقط: وهي تعظيم المسافة الرياضية الفاصلة بين مراكز ثقل المجموعات المصنفة مسبقاً. وبالتالي، فإن تقليص الأبعاد في التحليل العاملي يهدف إلى “الفهم البنيوي للظاهرة”، في حين يهدف تقليص الأبعاد في دالة التمييز إلى “تحقيق أقصى تمايز تصنيفي ممكن”.

8. الخاتمة: خلاصات المقارنة والتوجيهات المنهجية

8.1 التركيب التكاملي بين الأسلوبين في التحليل الإحصائي

يقودنا التحليل المقارن العميق بين دالة التمييز والتحليل العاملي إلى استنتاج إبستمولوجي حاسم: إن الأسلوبين لا يمثلان بديلين متنافسين يمكن للمحلل الاستعاضة بأحدهما عن الآخر بصورة اعتباطية، بل هما أداتان منهجيتان متكاملتان تحتلان موقعين متمايزين داخل صندوق أدوات الإحصاء البارامتري متعدد المتغيرات. إن محاولة استخدام أحدهما لتحقيق غايات الآخر تشكل انحرافاً منهجياً صريحاً؛ فالتحليل العاملي وُجد للغوص في أعماق البنى الكامنة وفهم شبكة الروابط الخفية وتلخيص المفاهيم، في حين صُممت دالة التمييز لتكون أداة تصنيفية صارمة تستهدف التنبؤ باتخاذ قرارات الفرز وتحديد الملامح الفارقة للمجموعات الميدانية.

تتطلب الرصانة العلمية من الباحث أن يبدأ مشروعه بتحديد الهدف التأسيسي لبحثه بوضوح لا لبس فيه؛ فإذا كان البحث استكشافياً يستهدف صياغة نظريات أو تصميم أدوات قياس وتقنين مقاييس استقصائية، فإن التحليل العاملي بفرعيه الاستكشافي والتوكيدي هو المسار القويم. أما إذا كان البحث يستهدف تقييم كفاءة مجموعة من المؤشرات في التنبؤ بقرارات تصنيفية واقعية أو فرز أفراد إلى فئات تشخيصية محددة سلفاً، فإن دالة التمييز هي الأداة الرياضية المؤهلة لمعالجة تلك المسألة بكفاءة لا تضاهى.

علاوة على ذلك، يجب التأكيد على أن قوة النتائج الإحصائية ومصداقية الاستنتاجات العلمية المشتقة من كلا النموذجين تظلان مرهونتين بالتحقق الإمبريقي الصارم من استيفاء الافتراضات الرياضية التأسيسية لكل أسلوب. فالإفراط في الثقة بالمخرجات الرقمية الجاهزة للبرمجيات الإحصائية دون فحص مسبق للاعتدال التوزيعي المتعدد، وتجانس التباين، وغياب التعدد الخطي، وكفاية العينات، قد يقود إلى نماذج هشة تنتج استنتاجات مضللة وتنهار بمجرد إخضاعها لاختبارات التحقق المتقاطع في الميدان الواقعي.

8.2 توصيات إرشادية للمحللين والباحثين

في ضوء المبادئ المنهجية والرياضية المفصلة في هذا المقال، نضع بين يدي المحللين الإحصائيين والباحثين في شتى مجالات البحث العلمي حزمة من التوصيات الإرشادية لضمان التطبيق السليم والمثمر للأسلوبين:

• الفحص الاستكشافي الأولي الشامل للبيانات: يُوصى دائماً بالبدء بإجراء فحص استكشافي مكثف للبيانات قبل اتخاذ القرار النهائي بشأن نوع التحليل؛ يشمل ذلك الكشف الدقيق عن القيم المتطرفة متعددة المتغيرات باستخدام مسافات ماهلانوبيس، والتثبت من طبيعة التوزيع المتعدد ومستويات التواء المتغيرات وتفرطحها، وفحص مصفوفة الارتباطات لتفادي التعدد الخطي المفرط.
• الشفافية في توثيق المعايير الإحصائية: يجب على الباحث عند تطبيق التحليل العاملي توثيق كافة القرارات المنهجية بشفافية مطلقة؛ بما في ذلك إعلان قيمة مؤشر KMO ودلالة اختبار بارتليت، وطريقة الاستخلاص المعتمدة ومبرراتها الرياضية، ونوع التدوير المستخدم (متعامد أو مائل) استناداً إلى طبيعة العلاقة المفاهيمية بين العوامل، وعدم الاكتفاء بمعيار كايزر بل تدعيمه بالرسم الصخري والتحليل الموازي.
• التحقق الصارم من متطلبات دالة التمييز: عند بناء دوال التمييز، يتعين إجراء فحص معتمد لتجانس مصفوفات التباين والتغاير عبر اختبار “بوكس إم”، والتحوط الشديد عند عدم معنويته باللجوء إلى التحليل التربيعي (QDA)، مع ضبط احتمالات الانتماء المسبقة (Prior Probabilities) لتتناسب مع الأحجام الحقيقية للمجموعات في المجتمع لتجنب الانحياز التوزيعي الفئوي.
• اعتماد بروتوكولات التحقق المتقاطع (Cross-Validation): يُنصح بشدة بعدم الاكتفاء بنسب دقة التصنيف الظاهرية الناتجة عن عينة البناء ذاتها في دالة التمييز؛ بل يجب تطبيق أسلوب التحقق المتقاطع باستبعاد حالة وتصنيفها (Jackknife Classification)، أو تقسيم العينة إلى عينة اشتقاق وبناء (Derivation Sample) وعينة تحقق وتثبت مستقلة (Holdout Validation Sample) للتأكد من قدرة النموذج التمييزي على الصمود والتعميم في السياقات الواقعية.
• الاستفادة من البرمجيات الإحصائية الحديثة بحكمة منهجية: توفر البيئات البرمجية المتقدمة مثل لغة R عبر حزمها المتخصصة (مثل MASS للدوال التمييزية، وpsych وlavaan للتحليلات العاملية) وبيئة Python عبر مكتباتها (مثل scikit-learn وstatsmodels)، بالإضافة إلى برنامج IBM SPSS، إمكانات هائلة لتنفيذ أعقد النماذج؛ إلا أن مهارة الباحث الحقيقية لا تكمن في القدرة على استخراج الجداول الإحصائية، بل في امتلاك الوعي النظري العميق الذي يتيح ترجمة تلك المخرجات الرياضية المجردة إلى معرفة علمية رصينة تخدم تطوير الحقل المعرفي والممارسة التطبيقية.

المراجع

فيما يلي قائمة بأبرز المراجع العلمية والأكاديمية الأصيلة التي تم الاعتماد على أطرها النظرية في إعداد هذا التحليل المقارن، والموثقة وفق نظام جمعية علم النفس الأمريكية (APA 7th edition):

• Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
• Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276. https://doi.org/10.1207/s15327906mbr0102_10
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185. https://doi.org/10.1007/BF02289447
• Johnson, R. A., & Wichern, D. W. (2007). Applied multivariate statistical analysis (6th ed.). Pearson Prentice Hall.
• Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151. https://doi.org/10.1177/001316446002000116
• Kline, P. (2014). An easy guide to factor analysis. Routledge.
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
• Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201–292. https://doi.org/10.2307/1412107
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Thurstone, L. L. (1947). Multiple-factor analysis: A development and expansion of The Vectors of Mind. The University of Chicago Press.