التحليل الإحصائي, مناهج البحث العلمي

المتغيرات الداخلية مقابل المتغيرات الخارجية في نمذجة المعادلة الهيكلية


تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
مراجعة وتدقيق علمي معتمد تاريخ التدقيق: 16 نوفمبر، 2026
د. مروة عبد العظيم دكتوراه في علم النفس
عضو هيئة التدريس • جامعة كربلاء
معايير التدقيق والاعتماد السريري

يخضع هذا المحتوى لمعايير ضبط الجودة والتدقيق العلمي والأكاديمي الصارمة في شبكة علم النفس العربي، لضمان صحة المعلومات ودقتها السريرية ومطابقتها لأحدث الأدلة والبراهين الصادرة عن الجمعيات النفسية والطبية المعتمدة (APA / WHO).

تُعد نمذجة المعادلة الهيكلية (Structural Equation Modeling – SEM) واحدة من أكثر المنهجيات الإحصائية تقدماً ورسوخاً في العلوم السلوكية، والاجتماعية، والإدارية، والتربوية والطبية المعاصرة. لقد أحدثت هذه المنهجية نقلة نوعية في كيفية اختبار النظريات وتفكيك بنى العلاقات المعقدة، متجاوزة بذلك أوجه القصور المتأصلة في أساليب الانحدار الخطي التقليدي والتحليل العاملي المنفصل. وتستمد هذه المنظومة المنهجية قوتها الفائقة من قدرتها الفريدة على الجمع بين قياس المتغيرات غير الملحوظة عبر مؤشرات تجريبية دقيقة من جهة، وفحص شبكات سببية متشابكة تضم مسارات متعددة ومتداخلة من جهة أخرى، ضمن نموذج موحد ومترابط رياضياً.

يقوم البناء المعرفي والرياضي لنمذجة المعادلة الهيكلية على تصنيف منهجي محوري يقسم المتغيرات إلى صنفين بنيويين جوهريين: المتغيرات الداخلية (Endogenous Variables) والمتغيرات الخارجية (Exogenous Variables). لا يمثل هذا التصنيف مجرد استبدال اصطلاحي للمفاهيم الكلاسيكية للمتغيرات “المستقلة” و”التابعة” المعهودة في نماذج الانحدار العادية، بل يعكس تحولاً إبستمولوجياً ومفاهيمياً عميقاً نحو فهم الظواهر المعقدة كأنظمة ديناميكية متكاملة، تتوزع فيها الأدوار السببية وفق تموضع وظيفي دقيق يتجاوز الأحادية الخطية الجامدة.

إن التمييز الدقيق بين المتغيرات الداخلية والخارجية يشكل الركيزة الأساسية لتحديد هوية النموذج الرياضي (Model Identification)، وبناء مصفوفات التباين والتباين المشترك، وتوزيع حدود الخطأ والاضطراب، وتقدير معلمات المسار بدقة غير متحيزة. ويهدف هذا العمل الموسع والشامل إلى تقديم دراسة معمقة وتأصيلية لهذه الثنائية المنهجية المحورية، متتبعاً أصولها التاريخية والرياضية، وشارحاً وظائفها في مخططات المسار ومصفوفات التقدير، وموضحاً الإشكالات التطبيقية الشائعة وطرق التعامل معها في الممارسات البحثية والبرمجية المتقدمة.

1. مقدمة: الإطار المفاهيمي لتصنيف المتغيرات في نمذجة المعادلة الهيكلية

1.1 طبيعة النمذجة البنائية ودور تصنيف المتغيرات

تمثل نمذجة المعادلة الهيكلية دمجاً إحصائياً متطوراً بين فرعين بارزين من فروع التحليل الكمي: التحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA) المنحدر من التقاليد السيكومترية التي تهدف إلى قياس المفاهيم المجردة أو التكوينات الكامنة (Latent Constructs) من خلال مؤشرات قياس ملحوظة، وتحليل المسار (Path Analysis) والانحدار المتعدد (Multiple Regression) الذي يركز على اختبار الفرضيات السببية بين المتغيرات. هذا الاندماج ينقل الباحث من دراسة العلاقات الثنائية المنفردة أو الارتباطات البسيطة إلى دراسة منظومة متكاملة من التفاعلات المتبادلة والمسارات المتشابكة.

في هذا السياق الشبكي المعقد، يصبح التصنيف الوظيفي للمتغيرات ضرورة حتمية، إذ لا يمكن إدارة منظومة متعددة المعادلات دون تحديد دقيق لاتجاهات التدفق السببي. يحدد هذا التصنيف نقطة البداية للمؤثرات ونقاط الاستقرار والنهاية، وهو ما ينعكس مباشرة على كيفية كتابة المعادلات الرياضية للمسار. فكل متغير في النموذج الهيكلي يؤدي دوراً معمارياً محدداً يمليه تموضعه النظري قبل أن تصوغه البرمجيات في قوالبها الجبرية، وبناءً عليه تتحدد معايير تقدير الأثر المباشر وغير المباشر والإجمالي الذي تمارسه مختلف عناصر المنظومة على بعضها البعض.

يمثل الانتقال من المفاهيم التقليدية (متغير مستقل ومتغير تابع) إلى المفاهيم الهيكلية (متغير خارجي ومتغير داخلي) تحولاً إبستمولوجياً بارزاً. في نماذج الانحدار الخطي التقليدي، يفترض الباحث وجود تباين أحادي الاتجاه ينطلق من مجموعة محددة من المتغيرات المستقلة نحو متغير تابع وحيد، مع افتراض أن المتغيرات المستقلة ثابتة وخالية من الخطأ القياسي وغير مرتبطة بحدود الخطأ. في المقابل، تتيح نمذجة المعادلة الهيكلية عبر تصنيف “داخلي/خارجي” مرونة فائقة تسمح للمتغير بأن يكون ناتجاً لتأثيرات سابقة ومصدراً لتأثيرات لاحقة في آن واحد، مما يحاكي بدقة الواقع التجريبي والظواهر الإنسانية والسلوكية متعددة الأبعاد والطبقات.

1.2 دواعي المقارنة والخلط المنهجي الشائع في التطبيقات الإحصائية

على الرغم من الرسوخ النظري لأدبيات نمذجة المعادلة الهيكلية، فإن التطبيق العملي غالباً ما يواجه لبساً منهجياً كبيراً ينشأ عن الإسقاط العشوائي للمفاهيم الكلاسيكية للانحدار الخطي على البنى الهيكلية المعقدة. يفترض الكثير من الباحثين خطأً أن كل متغير خارجي هو بالضرورة متغير مستقل بالمفهوم التبسيطي، وأن كل متغير داخلي هو مجرد متغير تابع نهائي. هذا التبسيط ينهار بمجرد إدخال متغيرات وسيطة (Mediating Variables) تجمع بين الخصائص التأثيرية والتأثرية، حيث يؤدي إغفال التوصيف الدقيق لها كمتغيرات داخلية إلى عيوب فادحة في بناء النموذج وتحديد حدوده الرياضية.

تتجلى إشكالية تصنيف المتغيرات الوسيطة في تردد الباحثين في إسناد حدود الخطأ العشوائي أو التباين المتبقي (Disturbance Terms) لها، معتبرين إياها أحياناً متغيرات تفسيرية مستقلة لا تتطلب حداً للخطأ، وهو ما ينسف بنية التقدير الإحصائي. إن المتغير الوسيط، بحكم تلقيه مساراً سببياً من متغير سابق، يصبح متغيراً داخلياً بصورة قطعية من منظور رياضي، وتجاهل هذه الحقيقة يؤدي إلى تضخيم معاملات المسار وتقديم تقديرات زائفة للأخطاء المعيارية، فضلاً عن تشويه صورة مسارات الانحدار ومستويات الدلالة الإحصائية.

علاوة على ذلك، يترتب على الخلط في تصنيف المتغيرات أثر مدمر على عملية التحقق من تعريف النموذج (Model Identification) وحساب درجات الحرية (Degrees of Freedom). يتطلب التعريف الرياضي السليم للنموذج توازناً دقيقاً بين عدد المعلومات المستقلة المتاحة في مصفوفة التغاير المشترك للعينة وبين عدد المعلمات المطلوب تقديرها. إن الخلط بين تصنيف المتغير كخارجي (حيث يُقدر تباينه وتغايره المشترك بحرية) أو كداخلي (حيث يُفسر تباينه عبر المسارات وحدود الاضطراب) يغير بصورة جذرية عدد المعلمات المقدرة، مما قد يدفع بالنموذج من حالة التعريف التام أو فوق التام (Over-identified) إلى حالة نقص التعريف (Under-identified)، مستحيلاً معه الوصول إلى حلول رياضية متقاربة وفريدة.

1.3 الأهمية النظرية والمنهجية للفصل بين النوعين

يمثل الفصل الدقيق بين المتغيرات الداخلية والخارجية الأساس الرياضي الذي تُبنى عليه مصفوفات التباين والتباين المشترك التنبؤية للنموذج، والتي يُرمز لها عادة بالمصفوفة سيغما ثيتا $\Sigma(\theta)$. في جوهرها، تهدف خوارزميات التقدير في SEM (مثل طريقة أقصى احتمالية – Maximum Likelihood) إلى تقليص الفجوة التباعدية بين مصفوفة التباين المشترك المشاهدة في العينة $S$ وتلك الناتجة نظرياً عن النموذج $\Sigma(\theta)$. إن أي خطأ في تصنيف متغير ما ينعكس فوراً على التركيب الداخلي لهذه المصفوفات، مما يتسبب في تشتت التقديرات وعدم تقاربها خوارزمياً (Non-convergence)، أو الحصول على نتائج غير مقبولة رياضياً كظهور التباينات السالبة المعروفة بحالات هيوود (Heywood Cases).

من الناحية المنهجية، يتيح الفصل الصارم ضبط مصادر التحيز الناتجة عن المتغيرات المغفلة (Omitted Variables) والارتباط البيني المضلل للأخطاء. إن افتراض أن متغيراً ما خارجي يعني منهجياً التسليم بأن مسبباته وتغيراته تقع بالكامل خارج نطاق النموذج الحالي، مما يستوجب فحص افتراض استقلاليته عن حدود الخطأ للمتغيرات الداخلية. فإذا كان هناك عامل مشترك غير مقاس يؤثر في متغير يُعامل كخارجي وفي متغير داخلي في آن واحد، فإن تجاهل هذا التداخل يقود إلى انتهاك خطير لافتراضات الانحدار البنائي، محولاً معلمات التأثير المقدرة إلى معاملات متحيزة ومضللة لا تعكس الحقيقة السببية للظاهرة.

وتبرز هذه الأهمية القصوى بصورة أوضح عند اختبار النظريات المعقدة في العلوم الإنسانية والاجتماعية والتنظيمية. ففي دراسات السلوك التنظيمي، مثل دراسة Simranjeet Kaur Bagga, Shikha Gera, Syed Nadimul Haque (2022) حول الثقافة التنظيمية كمتغير وسيط بين القيادة التحويلية وإدارة التغيير، تقتضي الدقة المنهجية معاملة الثقافة كمتغير داخلي يستقبل التأثير من القيادة ويفرز تأثيراً على إدارة التغيير، وربطه بحد خطأ خاص يمثل العوامل الثقافية غير المفسرة بنمط القيادة. وبالمثل، في الدراسات النفسية كدراسة Najmul Hasan, Yukun Bao (2020)، يُعد تحديد مسارات القلق والضيق النفسي كمتغيرات داخلية تتأثر بالصدمات الأكاديمية والبيئية شرطاً جوهرياً لتقديم استنتاجات نظرية صالحة وموثوقة تسهم في ترقية السياسات والتدخلات السلوكية.

2. نظرة شاملة على المتغيرات الداخلية (Endogenous Variables)

2.1 التعريف المفاهيمي والإحصائي للمتغير الداخلي

يُعرف المتغير الداخلي (Endogenous Variable) في أدبيات نمذجة المعادلة الهيكلية بأنه أي متغير -سواء كان ملحوظاً بصورة مباشرة أو كامناً يُستدل عليه عبر مؤشرات قياسية- يقع تحت طائلة التفسير والتنبؤ داخل البنية السببية للنموذج المقترح. بعبارة بصرية مبسطة، هو كل متغير يتلقى مساراً سببياً واحداً على الأقل، يتمثل في سهم أحادي الاتجاه ينطلق من متغير آخر في مخطط المسار. لا يعني ذلك بالضرورة أن المتغير الداخلي يجب أن يكون ساكناً أو مجرد مصب نهائي للمؤثرات، بل إن جوهر تعريفه يكمن في خضوع تباينه، كلياً أو جزئياً، لتأثير عوامل أخرى تم تضمينها صراحة في الإطار النظري للنموذج الهيكلي.

من المنظور الرياضي الإحصائي، يُفسر التباين الكلي لأي متغير داخلي عبر تفكيكه إلى مركبين رئيسيين: المركب المفسر (Explained Variance)، وهو الناتج التراكمي للحصيلة الجبرية للتأثيرات المباشرة وغير المباشرة الواردة إليه من المتغيرات الأخرى (سواء كانت خارجية أو داخلية سابقة له في الترتيب السببي)، والمركب غير المفسر (Unexplained Variance)، الذي يتجسد في حد الخطأ الهيكلي أو التباين المتبقي. هذا التفكيك الرياضي يعبر عن حقيقة أن النماذج الإنسانية والاجتماعية نادراً ما تحقق تفسيراً تاماً للظاهرة، مما يستوجب احتساب العجز التفسيري في صورة مقدار متبقٍ يكمل تباين المتغير إلى قيمته الكلية المشاهدة.

في التمثيل الرياضي الكلاسيكي لنموذج ليسرل (LISREL Model) الذي أسسه كارل يوريسكوغ، تُمثل المتغيرات الداخلية الكامنة بالحرف الإغريقي إيتا ($eta$). وتصاغ العلاقة البنائية الأساسية للمتغيرات الداخلية وفق المعادلة المصفوفية العامة التالية:

eta = Beta + Gammaxi + zeta

حيث تمثل مصفوفة بيتا ($B$) معاملات التأثير والتوجيه السببي المتبادل بين المتغيرات الداخلية نفسها، بينما تمثل مصفوفة غاما ($\Gamma$) معاملات التأثير السببي الصادر من المتغيرات الخارجية الكامنة المقاسة بالحرف كسي ($xi$) نحو المتغيرات الداخلية، في حين يمثل الرمز زيتا ($zeta$) متجهاً للأخطاء الهيكلية أو الاضطرابات البنائية المتبقية المرتبطة حصراً بالمتغيرات الداخلية. أما في برمجيات مثل AMOS، فتُصاغ هذه العلاقات ضمن معادلات انحدار هيكلية متزامنة، مع الإشارة إلى المتغيرات الكامنة برموز بيضاوية والاضطرابات بدوائر صغرى موجهة بسهم نحو المتغير الداخلي المعني.

2.2 حدود التباين المتبقي وخطأ القياس (Disturbance / Residual Term)

يعد تخصيص حد اضطراب هيكلي (Disturbance Term) -يُسمى أحياناً خطأ المعادلة أو التباين المتبقي الهيكلي ويرمز له بـ $zeta$ في LISREL أو $e$ في AMOS- شرطاً رياضياً وإحصائياً لا يقبل الاستثناء لكل متغير داخلي في النموذج. يعكس هذا الحد جميع القوى، والعوامل، والمتغيرات المغفلة التي تسهم في إحداث تباين في المتغير الداخلي ولكنها لم تُدرج صراحة في النموذج السببي، بالإضافة إلى تباين الصدفة العشوائي الملازم للقياسات الظاهراتية. ومن هنا، فإن غياب حد الاضطراب عن أي متغير داخلي يعني ادعاءً رياضياً غير واقعي بأن المتغيرات التفسيرية تفسر 100% من تباين ذلك المتغير الداخلي، وهو ما يقود فوراً إلى فشل برمجيات التحليل في إيجاد مصفوفة حلول صالحة.

تستند النمذجة البنائية إلى مجموعة صارمة من الافتراضات الإحصائية الكلاسيكية فيما يخص حدود الاضطراب هذه؛ فمن المفترض رياضياً أن يكون متوسط هذه الأخطاء مساوياً للصفر $E(zeta) = 0$، وأن يكون توزيعها متبعاً للتوزيع الطبيعي المتعدد في ظل طرق التقدير القياسية. والأهم من ذلك، يفترض النموذج استقلالية حد الاضطراب التام عن المتغيرات الخارجية المفسرة له في نفس المعادلة ($Cov(xi, zeta) = 0$)؛ إذ إن أي ارتباط بين المتغير التفسيري وحد الاضطراب ينتهك افتراض النزاهة الإحصائية ويولد ما يعرف بمشكلة المتغيرات الداخلية المنتهكة (Endogeneity Bias)، مما يجعل المعلمات المقدرة غير متسقة وزائفة بدرجة كبيرة.

يرتبط حد التباين المتبقي ارتباطاً وثيقاً وعكسياً بمعامل التحديد ($R^2$ أو المسار التربيعي المتعدد) للمتغير الداخلي، والذي يمثل نسبة التباين المفسر في المتغير الداخلي بفعل المتغيرات التنبؤية المرتبطة به. فكلما تضاءل تباين حد الاضطراب الهيكلي المقدر، ارتفعت القيمة التفسيرية $R^2$، مما يشير إلى كفاءة البنية السببية للنموذج في الإحاطة بأبعاد الظاهرة المدروسة. ويعد فحص قيم $R^2$ للمتغيرات الداخلية -إلى جانب معايير الملاءمة الكلية- خطوة لا غنى عنها في تقييم الجودة الهيكلية والتفسيرية للنظريات المفحوصة؛ إذ يتيح للباحث تحديد مكامن القوة والضعف في منظومته المفاهيمية ومعرفة أي المتغيرات التابعة حظيت بتغطية تنبؤية كافية وأيها لا يزال يكتنفه غموض تبايني يستدعي إدخال محددات إضافية.

2.3 التصنيفات والأنماط الوظيفية للمتغيرات الداخلية

لا تتطابق المتغيرات الداخلية في أدوارها داخل النموذج الهيكلي، بل تتوزع إلى أنماط تصنيفية وظيفية بالغة التباين تفرضها طبيعة الروابط الشبكية؛ ويمكن تصنيفها إلى ثلاثة أنماط رئيسية:

  • المتغيرات الداخلية النهائية (Final Endogenous Variables): وتعرف في الأدبيات أحياناً بمتغيرات المصب أو النواتج الخالصة للنموذج (Outcome Variables). تقتصر وظيفة هذه المتغيرات على استقبال مسارات سببية قادمة من متغيرات خارجية أو وسيطة، دون أن يصدر منها أي مسار نحو متغيرات أخرى تالية في النموذج الهيكلي. إنها تمثل الغايات التفسيرية الكبرى للبحث، مثل “نية ترك العمل” أو “الأداء الأكاديمي الشامل” أو “الرضا العام”.
  • المتغيرات الداخلية الوسيطة (Mediating Endogenous Variables): وهي متغيرات تمتاز بطبيعة وظيفية مزدوجة في بنية النموذج؛ إذ تستقبل مسارات سببية من متغيرات سابقة وتصدر في الوقت ذاته مسارات سببية متجهة نحو متغيرات لاحقة. تعمل هذه المتغيرات كناقل أو آلية مفسرة لكيفية انتقال الأثر السببي من المثيرات الأولية إلى النتائج النهائية، كما ظهر في دراسات مثل دراسة Ion Ovidiu Pânişoară, Iuliana Lazăr, Georgeta Pânişoară, Ruxandra Chirca, Anca Simona Ursu (2020) حيث عمل الاحتراق النفسي والإجهاد التكنولوجي كمتغيرات داخلية وسيطة تنقل أثر دوافع التعليم الإلكتروني إلى استمرارية التدريس.
  • المتغيرات الداخلية الكامنة مقابل المشاهدة (Latent vs. Observed Endogenous Variables): يعبر المتغير الداخلي الكامن عن مفهوم نظري غير مقاس مباشرة، يرتبط بعدد من المؤشرات الإجرائية المشاهدة عبر معادلات القياس (Measurement Equations)، ويمتلك حد اضطراب هيكلي على مستواه الكامن ($zeta$) بالإضافة إلى أخطاء قياس خاصة بمؤشراته ($epsilon$). في المقابل، فإن المتغير الداخلي المشاهد (الظاهر) يمثل قياساً إمبريقياً مفرداً ومباشراً (كتسجيل درجات اختبار موحد أو الدخل السنوي المسجل) يدخل في معادلة هيكلية وتوجه إليه الأسهم، ويكون حد خطئه الهيكلي مرتبطاً به بصورة مباشرة لعدم وجود منظومة قياس عاملية تغلفه.

3. نظرة شاملة على المتغيرات الخارجية (Exogenous Variables)

3.1 التعريف المفاهيمي والإحصائي للمتغير الخارجي

يُعرف المتغير الخارجي (Exogenous Variable) بأنه المتغير الذي تُفترض أسبابه وقواه المحركة خارج الحدود البنائية للمنظومة المصممة في النموذج الهيكلي؛ فهو يمثل المتغير التفسيري النقي أو نقطة البداية والانطلاق للتدفق السببي. وفي لغة مخططات المسار المعتمدة منذ تأسيس عالم الوراثة الأمريكي سيوال رايت (Sewall Wright) لتحليل المسار في عشرينيات وثلاثينيات القرن العشرين، يتميز المتغير الخارجي بخاصية معمارية ثابتة وقاطعة: لا يوجد أي سهم أحادي الاتجاه يتجه نحوه داخل النموذج إطلاقاً، بل تنطلق منه الأسهم المتجهة نحو المتغيرات الداخلية فقط.

من الناحية الرياضية، يُعامل تباين المتغير الخارجي كمعطى تجريبي ثابت ومسلم به تماماً داخل النموذج؛ أي أن النموذج الهيكلي لا يحاول، ولا يهدف، إلى تفسير سبب حدوث التباين في هذا المتغير أو كيفية تشكله. وبناءً على ذلك، لا يتضمن النموذج معادلة انحدارية هيكلية يكون فيها المتغير الخارجي كطرف تابع، بل يدخل تباينه المشاهد ضمن مصفوفة المعلمات الحرة المطلوب استيفاؤها مباشرة من بيانات العينة، ويوصف في الأدبيات الجبرية للنمذجة بأنه محدد مسبقاً (Predetermined).

إن إضفاء صفة “الخارجية” على متغير ما هو قرار نظري بالدرجة الأولى يتخذه الباحث استناداً إلى المنطق العلمي والتراكم المعرفي السابق، وليس مجرد توصيف إحصائي آلي تفرضه البيانات. فالأصل في العلوم الاجتماعية والسلوكية أن الظواهر مترابطة بصورة لامتناهية؛ غير أن الباحث، بهدف جعل الظاهرة قابلة للدراسة والقياس المنهجي، يضع حدوداً مصطنعة ومبررة نظرياً لمنظومته السببية، معتبراً بعض المتغيرات مؤثرات أولية مستقلة ومانحاً إياها صفة المتغير الخارجي.

3.2 مصفوفات التغاير المشترك والارتباطات بين المتغيرات الخارجية

على خلاف المتغيرات الداخلية التي تقتضي الفلسفة البنائية تفسير الروابط بينها عبر مسارات سببية موجهة مباشرة، يُسمح للمتغيرات الخارجية بأن ترتبط فيما بينها ارتباطاً حراً وغير مفسر سببياً داخل النموذج. تُمثل هذه العلاقات في مخططات المسار بواسطة أسهم منحنية ثنائية الرؤوس (Bidirectional Curved Arrows)، والتي تعبر إحصائياً عن وجود تباين مشترك (Covariance) أو ارتباط بيني حر دون ادعاء أسبقية طرف على الآخر أو افتراض علاقة علية اتجاهية بينهما.

رياضياً، تنتظم هذه التباينات المشتركة في مصفوفة محورية تُعرف في نماذج LISREL بمصفوفة فاي ($Phi$)، وهي مصفوفة متماثلة (Symmetric Matrix) تمثل عناصر قطرها الرئيسي التباينات التامة للمتغيرات الخارجية الكامنة ($xi$)، بينما تمثل العناصر الواقعة خارج القطر التباينات المشتركة بين كل زوج من تلك المتغيرات. وفي التقدير الإحصائي القياسي، تُترك معلمات مصفوفة فاي كمعلمات حرة تُقدر مباشرة من بيانات التغاير المشترك للعينة، دون الحاجة إلى وضع شروط أو قيود سببية تفسر سبب اقتران هذه المتغيرات في الواقع الإمبريقي.

الميزة الرياضية الأبرز للمتغيرات الخارجية في بنيتها الهيكلية هي الغياب التام والقطعي لحدود الأخطاء البنائية أو الاضطرابات ($zeta$) عنها؛ إذ لا توجد معادلة بنائية تتنبأ بها حتى يُلحق بها تباين غير مفسر. وتتجسد أخطاء القياس للمتغير الخارجي -إذا كان متغيراً كامناً- فقط في مستوى مؤشراته المشاهدة (ويرمز لها عادة بـ $\delta$ في معادلات قياس المتغير الخارجي $x = \Lambda_x \xi + \delta$)، لكن الكيان الكامن للمتغير الخارجي في ذاته يظل خالياً تماماً من حد خطأ هيكلي في الجزء البنائي للنموذج، وهو فارق جوهري ينعكس على حساب مصفوفات التقدير ودرجات الحرية الكلية للنموذج الهيكلي المقترح.

3.3 التمثيلات التطبيقية للمتغيرات الخارجية في النماذج

تتخذ المتغيرات الخارجية أشكالاً تطبيقية متعددة ومتباينة تبعاً لطبيعة التصميم البحثي وأهداف الدراسة في الميدان العلمي؛ ويمكن تلخيص أبرز هذه التمثيلات في ثلاث فئات رئيسية:

  • المتغيرات الديموغرافية والبيئية الثابتة: وتعد من أوضح النماذج التطبيقية للمتغير الخارجي؛ حيث تشمل خصائص مثل العمر، والجنس، والخلفية الجغرافية، والسمات الجينية، والمستوى الاجتماعي والاقتصادي للأسرة عند الولادة. هذه المتغيرات غير قابلة -بحكم طبيعتها ومنطقها الزمني- للتأثر بأي من المتغيرات النفسية أو السلوكية أو التنظيمية المدرجة لاحقاً في النموذج، مما يجعل تصنيفها كمتغيرات خارجية أمراً بديهياً وواجب الحدوث منهجياً.
  • المتغيرات المستقلة الكامنة المستخلصة عاملياً: وهي البنى المفاهيمية المجردة التي يسعى الباحث لدراسة آثارها دون الخوض في أسباب نشوئها داخل النموذج الحالي، مثل “الكفاءة الذاتية” كما وردت في دراسة Roger André Federici, Einar M. Skaalvik (2012) حيث تم التعامل مع الكفاءة الذاتية للمدراء كمتغير يؤثر في الاحتراق النفسي والرضا الوظيفي، أو “الاتجاهات نحو كبار السن” لدى الطلاب الجامعيين في دراسة Linda J. Allan, James A. Johnson (2008). تُمثل هذه المتغيرات كمتغيرات كامنة خارجية تُقاس بمقاييس ليكرت متعددة العناصر، وتصدر منها مسارات سببية نحو المخرجات المفترضة.
  • المتغيرات التجريبية وشبه التجريبية المرمزة: عند دمج التصاميم التجريبية في أطر نمذجة المعادلة الهيكلية، تُمثل المتغيرات التجريبية الخاضعة لمعالجة الباحث (Experimental Manipulations) -كالتعيين في المجموعة الضابطة أو التجريبية، أو تلقي برنامج تدريبي معرفي كبرنامج إدارة الأهداف في دراسات التأهيل العصبي المعرفي مثل Brian Levine, Tom A. Schweizer, Charlene O’Connor, Gary R. Turner, Susan M. Gillingham, Donald T. Stuss, et al. (2011)– كمتغيرات خارجية ثنائية (Dummy Variables). في هذه الحالة، تكون المعالجة الخارجية مفسرة تماماً بفعل تصميم التجربة نفسه، ولا تتأثر مطلقاً بأي تفاعلات لاحقة داخل المنظومة التحليلية.

4. الفروق الجوهرية بين المتغيرات الداخلية والمتغيرات الخارجية

4.1 الوظيفة الرياضية والتمثيل الجبري في معادلات المسار

يتجسد الفارق الرياضي الأساسي بين المتغيرات الداخلية والخارجية في موقع كل منهما داخل مصفوفات الانحدار البنائي ومعادلات المسار الخطية المتزامنة؛ فالمتغير الداخلي يتموضع دائماً كمتغير تابع (LHS – Left Hand Side) في معادلة واحدة على الأقل من معادلات النظام، مما يعني أن تباينه خاضع للحل الحسابي المتزامن والتقدير المشروط بمحددات النموذج. في المقابل، يقتصر ظهور المتغير الخارجي على الجانب التفسيري الأيمن (RHS – Right Hand Side) من المعادلات الهيكلية؛ إذ يعمل كمدخل تفسيري وموجه للتباين دون أن يخضع لأي معادلة انحدار تحدد كينونته داخل المنظومة الرياضية.

ينعكس هذا التباين التموضعي بصورة مباشرة على مصفوفات معاملات المسار المقدرة؛ ففي التدوين الرياضي القياسي لـ LISREL، تُرصد التأثيرات الصادرة من المتغيرات الخارجية نحو المتغيرات الداخلية في مصفوفة غاما ($\Gamma$) ذات الرتبة ($m \times n$)، حيث يمثل $m$ عدد المتغيرات الداخلية و$n$ عدد المتغيرات الخارجية. أما التأثيرات المتبادلة بين المتغيرات الداخلية نفسها، فتُرصد في مصفوفة بيتا ($B$) ذات الرتبة المربعة ($m \times m$)، مع اشتراط تفريغ قطرها الرئيسي من المعلمات ($diag(B) = 0$) لاستحالة تأثير المتغير على نفسه في اللحظة الزمنية ذاتها. وبناءً على ذلك، تعتمد كفاءة وخواص مقدرات معاملات غاما وبيتا اعتماداً وثيقاً على صحة تصنيف المتغيرات؛ فأي خطأ في هذا التحديد يربك البنية الجبرية للنظام الإحصائي ككل.

أما من زاوية درجات الحرية ($df$) والتعريف الرياضي، فإن احتساب المعلمات الحرة يختلف كلياً تبعاً لنوع المتغير؛ ففي النماذج التي تتضمن متغيرات كامنة، يتاح للباحث عدد من المعلومات المشاهدة المحسوبة من مصفوفة التباين المشترك وفق القانون الكلاسيكي: $p(p+1)/2$، حيث يمثل $p$ إجمالي عدد المتغيرات المشاهدة في النموذج. عند تصنيف متغير كخارجي، تُستنزف درجات الحرية بتقدير تباينه الحر وتغايراته المشتركة الحرة مع أقرانه من المتغيرات الخارجية في مصفوفة فاي ($Phi$). بينما عند تصنيفه كداخلي، تُستبدل هذه التغايرات بتقدير معاملات المسارات الانحدارية الصادرة نحوه وتقدير تباين حد اضطرابه البنائي ($zeta$)، وهو ما يحدد بصورة قطعية ما إذا كان النموذج قابلاً للاختبار والمفاضلة الإحصائية أو واقعاً في مأزق الاستحالة الجبرية.

4.2 التمثيل البياني والرموز في مخططات المسار (Path Diagrams)

يعد مخطط المسار (Path Diagram) اللغة البصرية المعيارية لنمذجة المعادلات الهيكلية، وتخضع قواعد رسمه لمعايير دقيقة تفصل بشكل لا يقبل اللبس بين المتغيرات الداخلية والخارجية. المعيار الحاسم في هذا التمثيل هو “اتجاه الأسهم”: المتغير الخارجي هو مصدر انبعاث للأسهم فقط؛ حيث تخرج منه أسهم أحادية الاتجاه ذات رأس واحد تشير إلى المتغيرات المستهدفة بالتأثير. في المقابل، فإن الشرط الشكلي لتصنيف المتغير كداخلي هو استقباله لـ “سهم أحادي الاتجاه” واحد على الأقل يستقر عند حدوده، بغض النظر عما إذا كان هذا المتغير يطلق بدوره أسهماً أخرى لاحقة أم لا.

الرمز البياني الفارق الآخر هو حصرية “دوائر حدود الخطأ والاضطراب”؛ ففي المخططات البيانية (سواء في AMOS أو EQS أو المخططات المصدرة من R)، ترتبط بكل متغير داخلي دائرة إضافية صغيرة ينطلق منها سهم ذو رأس واحد يشير مباشرة إلى المتغير الداخلي المعني، ويرمز لها بـ ($e$) أو ($d$ اختصاراً لـ Disturbance) أو الرمز الإغريقي ($zeta$). تعبر هذه الدائرة عن التباين المتبقي المستقل للمتغير الداخلي. ومن الأخطاء المنهجية الشائعة التي ترصدها البرمجيات فوراً رسم دائرة اضطراب هيكلي لمتغير خارجي، وهو ما يعد تناقضاً بيانياً ورياضياً يؤدي إلى رفض تشغيل النموذج آلياً.

تختلف كذلك طبيعة التوصيلات الأفقية بين المتغيرات وفق تصنيفها؛ إذ ترتبط المتغيرات الخارجية فيما بينها بأسهم منحنية ثنائية الرؤوس (Double-headed curved arrows) تمثل التغاير المشترك (Covariance) غير المقيد بأي اتجاهية علية مفترضة. أما المتغيرات الداخلية، فلا يجوز مبدئياً ربطها بأسهم تغاير ثنائية الرؤوس مباشرة على أجساد المتغيرات، لأن علاقات التباين المشترك بين المتغيرات الداخلية يجب أن تكون ناتجة بالكامل ومفسرة عبر المسارات الهيكلية أو العوامل المشتركة؛ وإذا وُجد تباين مشترك متبقٍ لم تفسره المسارات، فيتم تمثيله بسهم منحنٍ ذي رأسين يربط بين “دوائر الاضطراب” الخاصة بالمتغيرات الداخلية، وليس بين المتغيرات ذاتها، وهو ما يعرف بالأخطاء المرتبطة (Correlated Disturbances).

4.3 الافتراضات الإحصائية وشروط حدود الخطأ والتغاير

تفرض النمذجة الهيكلية شروطاً افتراضية بالغة الصرامة تنظم سلوك المتغيرات وحدود خطئها، ويأتي في مقدمتها افتراض التعامد أو الاستقلالية الصارمة بين المتغيرات الخارجية وحدود الأخطاء والاضطرابات العشوائية الخاصة بالمتغيرات الداخلية ($Cov(xi, zeta) = 0$). هذا الافتراض يعني أنه لا توجد متغيرات كامنة مشتركة مغفلة تؤثر بصورة متزامنة في كل من المتغير الخارجي وحد خطأ المتغير الداخلي. وإذا حدث خرق لهذا الافتراض في الواقع العملي، فإن النموذج يصاب بالتحيز الداخلي (Endogeneity)، وتفقد خوارزميات التقدير قدرتها على استخلاص معاملات انحدار نزيهة، مما يؤدي إلى تضخيم أو تقزيم حجم التأثيرات الحقيقية.

في المقابل، فإن حدود الأخطاء العشوائية للمتغيرات الداخلية قد يُسمح لها بالارتباط المتبادل ($Correlated Disturbances$) عبر مصفوفة بْسي ($Psi$)، ولكن هذا السماح ليس مطلقاً ولا متروكاً للمصادفة الإحصائية؛ بل يشترط أن يكون مدعوماً بتبرير نظري ومنهجي راسخ، كأن يكون المتغيران الداخليان مقاسين بنفس الأداة في سياق زمني متقارب، أو يعكسان أبعاداً متجاورة لمفهوم أوسع لم يُدرج بكامله في النموذج. إن إضافة ارتباطات عشوائية بين حدود الأخطاء لتحسين مؤشرات الملاءمة فقط دون سند نظري يُعد من الممارسات المنهجية المرفوضة التي تُضعف القابلية للتعميم وتزيد من فرصة الوقوع في فخ التوفيق الزائف للبيانات (Overfitting).

من الفروق الرياضية الإلزامية أيضاً حساب معامل التحديد ($R^2$): يُعد حساب قيمة $R^2$ أمراً إلزامياً ومنطقياً لكل متغير داخلي دون استثناء؛ إذ يعكس النسبة المئوية الدقيقة للتباين التي تمكنت المسارات البنائية الداخلة من تفسيرها. وكل متغير داخلي يمتلك بالضرورة قيمة $R^2$ تتراوح بين الصفر والواحد الصحيح (في ظل غياب التشوهات التقديرية). أما بالنسبة للمتغيرات الخارجية، فإنه يستحيل رياضياً ومنطقياً حساب معامل التحديد لها؛ لعدم وجود مسارات متجهة نحوها أو معادلات تفسيرية تنبؤية تحكم تباينها داخل إطار النموذج، فتباينها يُعد معطى أصيلاً وكاملاً من خارج النموذج.

4.4 التأثر بمؤشرات تعديل النموذج وإعادة التحديد (Model Modification)

عندما تُظهر مؤشرات الملاءمة الكلية للنموذج (Global Fit Indices) -مثل مؤشر المطابقة المقارن (CFI) ومؤشر توكر-لويس (TLI) وجذر متوسط مربع خطأ الاقتراب (RMSEA)- عدم تطابق كافٍ بين النموذج النظري وبيانات العينة، يلجأ المحللون عادة إلى فحص مؤشرات التعديل (Modification Indices – MI) واختبارات مضاعف لاغرانج (Lagrange Multiplier Tests). وهنا يظهر تباين حاد في كيفية استجابة وتأثر المتغيرات الداخلية مقارنة بالخارجية لأي مساعٍ لإعادة توصيف وتعديل النموذج الهيكلي.

تتمتع المتغيرات الداخلية بحساسية ديناميكية فائقة لمؤشرات التعديل؛ فمعظم مؤشرات MI الكبرى تشير غالباً إلى مسارات انحدارية مفقودة بين المتغيرات الداخلية وبعضها، أو مسارات جديدة ينبغي فتحها من المتغيرات الخارجية نحو المتغيرات الداخلية، أو ارتباطات تغاير بين حدود أخطاء المتغيرات الداخلية في مصفوفة بْسي ($Psi$). إن إضافة مسار انحداري جديد نحو متغير داخلي يغير فوراً وبشكل جذري قيمة معامل التحديد $R^2$ الخاصة به، ويعيد توزيع معاملات التأثير غير المباشر والمباشر عبر كامل شبكة المسارات المرتبطة به، مما يجعله المحور الرئيسي لعمليات المعايرة البنائية.

على النقيض من ذلك، تتسم المتغيرات الخارجية بالثبات التفسيري العالي؛ إذ تقتصر مؤشرات التعديل المرتبطة بها عموماً على تحرير التباينات المشتركة بينها في مصفوفة فاي ($Phi$)، إذا لم تكن قد حُررت مسبقاً. إن أي خطأ فادح في التصنيف الأولي -كأن يُعامل متغير في النموذج كمتغير خارجي بينما هو في الطبيعة والواقع التجريبي متغير داخلي تأثري- يقود إلى تشوه منهجي مستحكم في مؤشرات الملاءمة العامة يستعصي حله عبر مؤشرات التعديل البسيطة. والسبب في ذلك أن إغفال سهم سببي رئيسي يؤدي إلى احتجاز تباينات نظامية كبرى خارج سياق المعادلات، مما يحرم النموذج من التقارب السليم ويفرض على الباحث إعادة بناء النموذج هيكلياً من منطلقات نظرية جذرية.

وجه المقارنة المتغيرات الداخلية (Endogenous Variables) المتغيرات الخارجية (Exogenous Variables)
التعريف المفاهيمي متغير يتحدد تباينه ومسبباته جزئياً أو كلياً بواسطة متغيرات أخرى داخل حدود النموذج. متغير تنبع مسبباته وقوى تباينه من خارج حدود وبنية المنظومة الهيكلية المفحوصة.
التمثيل في مخطط المسار يستقبل بالضرورة سهماً أحادي الرأس واحداً على الأقل متجهاً نحوه. يطلق أسهماً أحادية الرأس فقط، ولا يستقبل أي سهم اتجاهي مفرد.
حدود الخطأ والاضطراب يرتبط به إجبارياً حد اضطراب هيكلي ($zeta$ أو $e$) يمثل التباين المتبقي غير المفسر. يخلو تماماً من أي حد خطأ بنائي؛ ولا يمتلك سوى أخطاء قياس لمؤشراته إن كان كامناً.
الموقع في المعادلات الهيكلية يقع كطرف أيسر (تابع) في معادلة بنائية واحدة على الأقل، وقد يظهر كطرف مفسر لاحقاً. يقتصر موقعه على الطرف الأيمن التفسيري للمعادلات، ولا يوضع كطرف تابع نهائياً.
مصفوفات التقدير (LISREL) يُرصد عبر مصفوفات التأثير الداخلي ($B$) ومصفوفة تباينات الاضطراب ($Psi$). تُرصد تغايراته المشتركة في مصفوفة فاي ($Phi$) وتأثيراته نحو الداخل في مصفوفة غاما ($\Gamma$).
معامل التحديد ($R^2$) يُحسب إلزامياً ويعبر عن كفاءة النموذج في تغطية تباين هذا المتغير. لا يُحسب له معامل تحديد ويعد معدوم المعنى نظرياً ورياضياً لحالته.
علاقات التباين المشترك البيني تفسر سبباً عبر المسارات، ولا يجوز ربطها بأسهم تغاير إلا بين حدود الاضطراب بشروط. ترتبط مباشرة بحرية بأسهم منحنية ثنائية الرؤوس تعبر عن تغاير حر غير مفسر.
الأمثلة التطبيقية النمطية المتغيرات الوسيطة (كالاحتراق النفسي، الالتزام)، والمتغيرات التابعة النهائية (كالنية السلوكية، الأداء). المتغيرات الديموغرافية، المعالجات التجريبية، والسمات المستقلة الكامنة غير المفسرة.
الحساسية لمؤشرات التعديل (MI) عالية جداً؛ حيث تتأثر مساراتها مباشرة بتعديل المسارات وإضافة روابط الأخطاء. محدودة؛ وتقتصر غالباً على تحرير التباين المشترك غير المعين بينها وبين أقرانها.
الافتراض الحاكم للأخطاء يجب أن تكون أخطاؤها متعامدة ومستقلة تماماً عن المتغيرات الخارجية المفسرة. تُعامل قيمها كمعطيات لا ترتبط بالأخطاء الهيكلية للمتغيرات اللاحقة.

5. أوجه التشابه والتداخل المنهجي بين النوعين

5.1 المرونة الوظيفية وحالة المتغيرات الوسيطة

على الرغم من التباين النظري الحاسم بين المتغيرات الداخلية والخارجية، فإن الواقع التطبيقي لنمذجة المعادلات الهيكلية يكشف عن مرونة وظيفية وتداخل مفاهيمي واسع، ولا سيما عند معالجة المتغيرات الوسيطة (Mediating Variables). يمثل المتغير الوسيط تجسيداً عملياً لهذه الازدواجية؛ فهو يعمل كمتغير داخلي استجابي بالنسبة للمتغير الخارجي الأولي الذي يمارس تأثيراً عليه، وفي ذات اللحظة يتحول إلى متغير تنبؤي مؤثر بالنسبة للمتغير الداخلي النهائي أو اللاحق في السلسلة السببية. تظهر هذه البنية الوسيطة بجلاء في أبحاث الرعاية الصحية المعتمدة على الأسرة كدراسة Gillian A King (1999)، حيث تلعب العمليات الوسيطة دور الجسر الناقل بين الدعم الأسري الخارجي ورفاهية الوالدين كمتغير نهائي.

من الناحية الرياضية والبرمجية الصارمة، تحسم خوارزميات نمذجة المعادلة الهيكلية هذا التداخل بصورة قاطعة: بمجرد أن يستقبل المتغير سهماً سببياً واحداً، فإنه يُدرج فوراً وبشكل لا رجعة فيه ضمن صنف “المتغيرات الداخلية”، حتى لو كان يرسل عشرات المسارات السببية اللاحقة لمتغيرات أخرى. وبناءً عليه، تُطبق عليه جميع قواعد المتغير الداخلي، بما في ذلك إسناد حد خطأ واضطراب هيكلي خاص به، وحساب معامل تحديد $R^2$ لتبايناته، وضبط علاقات أخطائه المتبقية، وهو ما يثبت أن المعيار الحاسم في التصنيف هو “تلقي التأثير” وليس الامتناع عن ممارسته.

يتسع هذا التداخل الوظيفي ليتخذ أشكالاً أكثر تعقيداً في نماذج الوساطة المتسلسلة (Serial Mediation) والوساطة المتوازية (Parallel Mediation). في سلاسل الوساطة الطويلة، يمر التدفق السببي عبر حلقات مترابطة من المتغيرات الداخلية ($X \rightarrow M_1 \rightarrow M_2 \rightarrow M_3 \rightarrow Y$)، وهنا تتداخل التسميات الإجرائية في التقارير البحثية، حيث تُوصف المتغيرات الوسيطة بـ “المتغيرات التفسيرية الوسيطة”، غير أن هذه التسميات تظل أوصافاً سياقية وظرفية؛ ففي البنية الجبرية والمصفوفية لبرمجيات التحليل، يُصنف $X$ وحده كمتغير خارجي في مصفوفة فاي، بينما تُعامل $M_1$ و$M_2$ و$M_3$ و$Y$ كمنظومة موحدة من المتغيرات الداخلية المترابطة داخل مصفوفة بيتا.

5.2 الاشتراطات السيكومترية ومعايير الصدق والثبات

يتطابق المتغير الخارجي مع المتغير الداخلي تطابقاً تاماً عندما يكون كلاهما متغيراً كامناً (Latent Variable)؛ إذ يخضع كلاهما لنفس التقاليد والمعايير السيكومترية الصارمة الخاصة بـ “نموذج القياس” (Measurement Model) قبل الانتقال إلى فحص “النموذج الهيكلي” (Structural Model). لا يمنح الموقع الوظيفي للمتغير -سواء كان مفسراً أو مفسراً- أي ميزة تفضيلية أو تساهل فيما يخص شروط الصدق الإنشائي، وثبات البناء، ونزاهة القياس السيكومتري للمؤشرات المشاهدة التابعة له.

يتحتم على الباحث التحقق من الصدق التقاربي (Convergent Validity) للمتغيرات الكامنة بنوعيها، وذلك عبر إثبات أن تشبعات فقرات القياس (Factor Loadings) دالة إحصائياً وتتجاوز الحدود المعيارية المقبولة (عادة 0.70 أو على الأقل 0.50 في الدراسات الاستكشافية المتقدمة)، وأن متوسط التباين المستخلص (Average Variance Extracted – AVE) يتخطى عتبة 0.50 لكلا الصنفين. وبالمثل، تقتضي قواعد التحليل فحص الصدق التمايزي (Discriminant Validity) للمتغيرات الخارجية والداخلية معاً للتأكد من تفرد كل بناء مفاهيمي واستقلاله عن الأبنية الأخرى، سواء بالاعتماد على معيار فورنيل-لاركر (Fornell-Larcker Criterion) أو بالاحتكام إلى المعيار الحديث والأكثر دقة وهو نسبة تباين هتروتريت-مونوتريت (HTMT) المشترطة بأن تقل عن 0.85 أو 0.90.

كما تتساوى المتطلبات فيما يخص الثبات الموثوق؛ إذ يجب احتساب معاملات الثبات التركيبي (Composite Reliability – CR) ومعامل ألفا كرونباخ للمؤشرات القياسية التابعة للمتغيرات الخارجية والداخلية على قدم المساواة، واشتراط تجاوزها حاجز 0.70 للدلالة على التماسك الداخلي. إن المتغير الخارجي الضعيف سيكومترياً يولد أخطاء في معاملات الانحدار تمتد لتلوث دقة تقدير المتغير الداخلي، كما أن المتغير الداخلي سيئ القياس يضخم حدود اضطرابه الهيكلي ويهدر قدرة النموذج على اكتشاف العلاقات الحقيقية القائمة، وهو ما يؤكد تماثل المسؤولية السيكومترية الملقاة على عاتق كلا النوعين.

5.3 متطلبات البيانات والتوزيع الاحتمالي المشترك

يشترك الصنفان الداخلي والخارجي في الخضوع لمجموعة من الافتراضات الإحصائية الصارمة المرتبطة بطبيعة البيانات والتوزيع الاحتمالي المشترك؛ ففي تطبيقات نمذجة المعادلة الهيكلية المعتمدة على التغاير (CB-SEM) وخوارزمية أقصى احتمالية القياسية (ML)، يُفترض أن تتبع جميع المتغيرات المشاهدة -التابعة للمتغيرات الخارجية والداخلية على حد سواء- التوزيع الطبيعي المتعدد (Multivariate Normal Distribution). ويؤدي انحراف أي مؤشر لأي متغير من الصنفين نحو الالتواء (Skewness) الحاد أو التفرطح (Kurtosis) المفرط إلى تضخيم قيمة إحصاء كاي تربيع ($\chi^2$) وتشويه دلالة الأخطاء المعيارية للمعلمات التقديرية عبر النموذج بأكمله.

بالإضافة إلى ذلك، يتأثر كلا النوعين بصورة متطابقة بقضايا البيانات المفقودة (Missing Data)؛ حيث تتطلب خوارزميات التقدير الحديثة مثل أقصى احتمالية للمعلومات الكاملة (FIML) أو التضمين المتعدد (Multiple Imputation) استيفاء شروط الفقد العشوائي التام (MCAR) أو الفقد العشوائي (MAR) عبر المتغيرات الداخلية والخارجية بالتساوي لضمان عدم تحيز النتائج. كما أن القيم الشاذة والمتطرفة (Outliers) -سواء كانت أحادية أو متعددة المتغيرات- تلحق ضرراً متماثلاً بمصفوفات التغاير الممثلة للمتغيرات بنوعيها، مما يستلزم فحص مسافات ماهالانوبيس ($D^2$) لجميع المدخلات المكونة للشبكة الهيكلية دون تفريق.

وتتجلى وحدة المعايير أيضاً في مشكلة التعدد الخطي المفرط (Multicollinearity) وحجم العينة المطلوب؛ فبينما يمثل التعدد الخطي بين المتغيرات الخارجية تهديداً لاستقرار تقديرات معاملات المسار ويزيد من أخطائها المعيارية، فإن الارتباط العالي جداً بين المتغيرات الداخلية يعكس فشلاً في الصدق التمايزي يهدد استقرار مصفوفة بيتا. وأخيراً، فإن معادلات تحديد حجم العينة الكافي -سواء وفق القواعد الإرشادية لنسبة عدد الحالات إلى المعلمات المقدرة ($N:q$) كأن تكون 10:1 أو 20:1، أو من خلال تحليلات القوة الإحصائية لحساب كاي تربيع واختبار RMSEA- تأخذ في الاعتبار إجمالي المعلمات الحرة المشتركة للمتغيرات الداخلية والخارجية معاً، ككتلة رياضية متكاملة تحدد مصير القوة الاختبارية للدراسة برمتها.

6. معايير التحديد والتوظيف العملي في بناء النماذج الإحصائية

6.1 القواعد الإرشادية لتحديد نوع المتغير استناداً إلى التأصيل النظري

إن الخطوة الأولى والأكثر حساسية في تصميم نماذج المعادلات الهيكلية ليست برمجة الأكواد أو رسم الأشكال، بل التأصيل النظري الصارم الذي يحدد مسبقاً هوية كل متغير. يجب على الباحث أن ينطلق من مبدأ راسخ: “النظرية تقود النمذجة، وليس العكس”؛ فالبيانات التجريبية ومصفوفات التغاير قادرة على فحص الفرضيات وإثبات تطابقها أو تناقضها مع الواقع، لكنها عاجزة بمفردها عن إخبار الباحث ما إذا كان المتغير $A$ خارجياً أم داخلياً بالنسبة للمتغير $B$. ويتطلب هذا التأصيل دراسة وافية للأدبيات السابقة لتحديد ما إذا كانت الظاهرة المدروسة تمثل علة أولية لا تتأثر بالمنظومة أو نتاجاً يتشكل ضمن سيروراتها المعرفية أو السلوكية.

تعد قاعدة الأسبقية المنطقية والزمنية (Temporal and Logical Precedence) المرشد الإجرائي الأبرز للباحث في تحديد نوع المتغير؛ فالمتغير الذي يسبق المتغيرات الأخرى زمنياً بطبيعة تكوينه (مثل الخبرة السابقة، الصدمات المبكرة، السمات الوراثية، السياسات المؤسسية التأسيسية) لا يمكن عقلياً أو منهجياً وضعه في موضع المتغير الداخلي المتأثر بما سيحدث لاحقاً في الزمن. على سبيل المثال، في دراسات الشبكات النفسية والفسيولوجية المتطورة كالتي أشار إليها Sacha Epskamp, Mijke Rhemtulla, Denny Borsboom (2017)، أو الدراسات العصبية والنفسية مثل Robin Lester Carhart-Harris, Karl John Friston (2010)، يُعد تحديد ما هو مدخل بيولوجي خارجي وما هو استجابة فسيولوجية داخلية شرطاً لبناء نماذج ديناميكية قابلة للتفسير السببي والوظيفي المتماسك.

علاوة على ذلك، يجب على الباحث التمييز بين نوعين من التباين: التباين القابل للتفسير نظرياً والتباين المفروض من خارج النموذج؛ فإذا كان للباحث مصلحة نظرية مباشرة في تفسير تباين متغير ما والتعرف على آليات نشوئه، وجب وضعه كمتغير داخلي حتى لو كان يؤثر في متغيرات لاحقة. أما إذا كان المتغير يمثل عاملاً ضابطاً أو خلفية سياقية لا تهدف الدراسة لتفكيك مسبباتها، فينبغي إبقاؤه كمتغير خارجي دون إثقاله بمسارات غير مبررة. ومن الضروري جداً تجنب الانسياق وراء الإغراءات الإحصائية لمؤشرات التعديل؛ فإسقاط سهم انحداري لتحويل متغير خارجي إلى داخلي لمجرد رفع قيمة CFI دون أساس نظري راسخ يمثل انتهاكاً علمياً يُفرغ النموذج من قيمته المعرفية ويجعله مجرد لعبة ترويض حسابية تفتقر للصدق الخارجي.

6.2 التعامل مع المتغيرات في البرمجيات الإحصائية الشائعة (AMOS, SmartPLS, Mplus, R)

تتعامل البرمجيات الإحصائية مع المتغيرات الداخلية والخارجية وفق فلسفات واجهات الاستخدام والأكواد البرمجية الخاصة بكل منها، وفهم هذه الفروق يجنب الباحث الوقوع في أخطاء التنفيذ الشائعة:

  • برنامج IBM SPSS AMOS: يعتمد واجهة الرسوم التخطيطية؛ بمجرد رسم سهم أحادي الرأس نحو متغير كامن أو مشاهد، يتعرف البرنامج عليه فوراً كمتغير داخلي. غير أن البرنامج لا يضيف حد الخطأ الهيكلي آلياً، بل يوجب على الباحث استخدام أداة رسم الاضطراب وتعيين دائرة خطأ موجهة بسهم نحو هذا المتغير وتسميتها باسم مميز. إذا نسي الباحث هذه الخطوة، يرفض AMOS تشغيل التحليل ويصدر رسالة خطأ صريحة تشير إلى أن المتغير الداخلي يفتقر إلى حد اضطراب محدد. أما المتغيرات الخارجية، فيتطلب البرنامج تحديد تبايناتها المشتركة إما يدوياً برسم الأسهم المنحنية أو باختيار أمر الربط التلقائي للمتغيرات الخارجية (Covary Exogenous Variables).
  • برنامج Mplus: يعتمد البرمجة النصية المعيارية القائمة على أوامر موجزة وقوية. يتم التمييز بين المتغيرات عبر طبيعة الأوامر؛ فالأمر ON يحدد المسارات الانحدارية البنائية (Regression Paths)، والمتغير الذي يقع قبل كلمة ON يُصنف تلقائياً كمتغير داخلي، ويقوم Mplus آلياً وبشكل افتراضي بإنشاء حد اضطراب هيكلي له دون حاجة لتدخل الباحث. بينما تُستخدم الكلمة المفتاحية WITH لتعيين التباينات المشتركة الحرة بين المتغيرات الخارجية. ويمتاز البرنامج بمرونة فائقة في التعامل مع البيانات غير السوية والمتغيرات الترتيبية والفئوية.
  • حزمة lavaan في لغة البرمجة R: تُصمم النماذج بصيغة بناء جمل شبيه بالمعادلات الرياضية. الرمز =~ يعبر عن نموذج القياس العاملي، بينما الرمز ~ يعبر عن مسار الانحدار البنائي؛ وبمجرد أن يظهر متغير على يسار علامة ~، تصنفه الحزمة مباشرة كمتغير داخلي وتحتسب تباينه المتبقي برمجياً في الخلفية. وتُستخدم علامة ~~ للدلالة على التباين المشترك؛ حيث تستخدم لربط المتغيرات الخارجية معاً لتقدير مصفوفة التغاير، أو لربط حدود اضطراب المتغيرات الداخلية إن تطلب النموذج النظري ذلك.
  • برنامج SmartPLS (النمذجة بالمركبات الجزئية – PLS-SEM): يختلف جذرياً في فلسفته التقديرية عن البرمجيات السابقة القائمة على التباين المشترك (CB-SEM). في PLS-SEM، لا توجد مصفوفات اضطراب بالمعنى الليرسي الكلاسيكي ولا تقديرات أقصى احتمالية للتباين الباقي العام؛ بل يتم حساب المتغيرات كمركبات خطية من مؤشراتها (Composites). ومع ذلك، يحافظ البرنامج على التقسيم الوظيفي لمخطط المسار؛ فالمتغير الذي يستقبل مسارات في المخطط يُعامل كمتغير داخلي مستهدف بحساب معامل التحديد $R^2$ ومعامل المسار النوعي، بينما يُعامل المتغير المرسل فقط كمتغير خارجي تُفحص أوزانه وأحماله المؤشرية دون احتساب $R^2$ له.

6.3 تداعيات خطأ التحديد (Specification Error) والحلول المنهجية

يعد خطأ التحديد (Specification Error) المرتبط بسوء تصنيف المتغيرات من أخطر التهديدات المنهجية لنمذجة المعادلة الهيكلية. عندما يُعامل متغير داخلي خطأً على أنه متغير خارجي -أي بإغفال الأسهم المتجهة نحوه وحذف ارتباطاته بمحدداته الحقيقية- فإن الباحث يتسبب في تلويث النموذج بما يُعرف بـ “تحيز المتغير المغفل” (Omitted Variable Bias). يقود هذا الخطأ إلى تضخيم معاملات المسار المتبقية، وتحميل التباين المتبقي للمتغير الخارجي المزعوم ارتباطات وهمية، مما يمنح الباحث وهماً بالدلالة الإحصائية لمسارات هي في الواقع زائفة بالكامل، فضلاً عن إسقاط درجات الحرية وتشويه القدرة التفسيرية العامة للنظام.

من المشاكل الشائعة المعقدة في هذا السياق الوقوع في فخ “العلاقات غير المعرفة بدقة” وظاهرة العلاقات السببية التبادلية أو الحلقية (Reciprocal Causation / Feedback Loops)، والتي تحول النموذج إلى نموذج غير تكراري (Non-recursive Model). في النماذج غير التكرارية، يكون المتغير $Y_1$ متغيراً داخلياً مؤثراً في $Y_2$، وفي ذات الوقت يؤثر $Y_2$ في $Y_1$. هذا النمط يثير إشكالات رياضية معقدة تتعلق برتبة المصفوفات وقابلية تعريف النموذج (Rank and Order Conditions for Identification). وإذا لم يمتلك الباحث متغيرات خارجية مساعدة تُعرف بـ “المتغيرات الأداتية” (Instrumental Variables) لتثبيت النظام الرياضي، فإن خوارزميات التقدير تنهار عاجزة عن الفصل بين التأثيرات المتبادلة.

تتمثل الحلول المنهجية لمواجهة أخطاء التحديد في تطبيق استراتيجية “النمذجة التنافسية” (Competing Models Strategy)؛ حيث يقوم الباحث بصياغة نماذج نظرية بديلة ومبررة بدقة؛ نموذج يعتبر المتغير وسيطاً داخلياً، وآخر يعتبره خارجياً مستقلاً، ونموذج ثالث يختبر مسارات بديلة. بعد ذلك، تتم المقارنة بين هذه النماذج باستخدام مؤشرات الاختيار الإحصائية الصارمة مثل معيار أكايكي للمعلومات (AIC) ومعيار المعلومات البايزي (BIC)، إلى جانب اختبار الفرق في كاي تربيع ($\Delta\chi^2$) للنماذج المتداخلة (Nested Models). تتيح هذه المقارنة الصارمة ترجيح النموذج الذي يقدم التوصيف الأصدق لطبيعة المتغيرات، وتضمن خروج الباحث بنتائج متماسكة تصمد أمام النقد المنهجي الرصين.

7. الأسئلة الشائعة حول المتغيرات الداخلية والخارجية في SEM

7.1 هل يمكن لمتغير أن يكون خارجياً في نموذج وداخلياً في نموذج آخر في نفس الدراسة؟

نعم، بكل تأكيد ومنطقية؛ فتصنيف المتغيرات في نمذجة المعادلة الهيكلية ليس صفة جوهرية ثابتة وملازمة للمتغير بذاته ككيان سيكولوجي أو فيزيائي مجرد، بل هو صفة وظيفية نسبية تعتمد اعتماداً كلياً وحصرياً على “الحدود النظرية والهيكلية للنموذج” المطروح للاختبار في لحظة بحثية معينة. فالأمر يشبه تماماً هندسة النظم؛ حيث يتغير دور العنصر بتغير المنظومة التي يندرج ضمن حدودها التشغيلية.

في الدراسات المعمقة التي تتضمن مراحل تحليلية متعددة أو تعتمد استراتيجية المقارنة بين نماذج فرعية ونماذج كلية، قد يقوم الباحث بتصميم النموذج الفرعي الأول لدراسة محددات مفهوم معين، مثل “الدافعية للإنجاز”، حيث تُوضع الدافعية هنا كمتغير داخلي نهائي يتلقى التأثير من المناخ التنظيمي والدعم القيادي. وفي نفس الورقة البحثية، عند الانتقال إلى النموذج الكلي الشامل للنظام السلوكي، قد تُوضع “الدافعية للإنجاز” كنقطة انطلاق أولية ومؤثر خارجي يؤثر مباشرة في الإنتاجية والابتكار الوظيفي دون قياس محدداتها السابقة في ذلك النموذج الفرعي، مما يحولها وظيفياً ورياضياً إلى متغير خارجي بحت في ذلك السياق المحدد.

يتجلى هذا التحول بوضوح أيضاً عند الانتقال بين مستويات التحليل في النمذجة متعددة المستويات (Multilevel SEM)، أو عند إجراء تحليلات الحساسية (Sensitivity Analysis). فقد يُعامل متغير تنظيمي ما (مثل حجم المنظمة أو الهيكل الإداري) كمتغير خارجي ثابت عند دراسة سلوك الفرق الفرعية، ولكنه يتحول إلى متغير داخلي ناتج عند بناء نموذج تنبؤي على المستوى الكلي للمنظمات يفسر كيفية تطور الهياكل المؤسسية استجابةً لضغوط السوق والبيئة التنافسية الكبرى.

7.2 ما هو الفرق بين المتغير المستقل والتابع التقليدي والمتغير الخارجي والداخلي؟

يكمن الفرق الجوهري في القفزة المفاهيمية والمعمارية بين نموذج الانحدار الخطي الكلاسيكي أحادي المعادلة وبين الطبيعة الشبكية متعددة المعادلات لنمذجة المعادلة الهيكلية. في نماذج الانحدار الخطي التقليدي (OLS)، توجد ثنائية قطبية جامدة لا تقبل التحول: المتغير إما أن يكون “مستقلاً” (مؤثراً حصرياً) أو “تابعاً” (متأثراً حصرياً ومستقراً نهائياً للتحليل)، ولا تتيح الصيغة الجبرية للانحدار لأي متغير أن يمارس الدورين في نموذج تحليلي واحد متزامن.

أما في نمذجة المعادلة الهيكلية، فإن تصنيف “داخلي/خارجي” يتجاوز هذا القيد الخطي الصارم؛ فبينما يطابق المتغير الخارجي المفهوم التقليدي للمتغير المستقل من حيث كونه مؤثراً فقط وغير مفسر داخل النموذج، فإن “المتغير الداخلي” يتسع لمروحة وظيفية أكبر بكثير من مجرد كونه متغيراً تابعاً. فالمتغير الداخلي يمتلك القدرة على التحول الرياضي والسلوكي؛ فيكون متغيراً تابعاً يتلقى التأثير من مدخلات معينة، ثم يتحول في ذات اللحظة الحسابية ونفس مصفوفة التقدير إلى متغير مستقل مفسر يقود التباين في متغيرات داخلية لاحقة له في السلسلة السببية، وهو ما لا يستطيعه أي متغير تابع في الانحدار العادي.

علاوة على ذلك، يرتبط مفهوما الخارجي والداخلي بالبنية الكامنة وأخطاء القياس؛ فالمتغيرات المستقلة والتابعة في الانحدار تُعامل كبيانات مشاهدة مفردة يُفترض خلوها التام من خطأ القياس، وهو افتراض غير واقعي في العلوم الإنسانية. في حين يتعامل تصنيف SEM مع المتغيرات الخارجية والداخلية كبنى مفاهيمية كامنة تُجرد وتُطهر من أخطاء القياس السيكومترية عبر التحليل العاملي، مع عزل أخطاء القياس ($\delta$ و $epsilon$) عن التباين البنائي المستقل، مما يمنح نمذجة SEM عمقاً إبستمولوجياً ودقة تقديرية تتفوق نوعياً على النماذج الخطية الكلاسيكية.

7.3 لماذا لا نضع حد خطأ (Residual/Error) للمتغيرات الخارجية في النموذج الهيكلي؟

يرجع الامتناع الصارم عن إسناد حد خطأ هيكلي أو تباين اضطراب ($Disturbance$) للمتغير الخارجي في النموذج الهيكلي إلى أسباب فلسفية نظرية وأخرى رياضية جبرية تتعلق بالتعريف والاتساق الإحصائي:

من الناحية الفلسفية، يفترض الباحث عند بناء النموذج أن المتغير الخارجي ظاهرة قائمة بذاتها تم استيرادها كمعطى كلي ومفسر بالكامل خارج حدود المنظومة المدروسة؛ فالنموذج لم يوضع أصلاً لتفسير هذا المتغير، وبالتالي لا يمكن الحديث عن وجود “عجز تفسيري” أو “تباين متبقٍ لم يُفسر” لشيء لم يسعَ النموذج لتفسيره أساساً! إن حد الاضطراب الرياضي ($zeta$) ينشأ حصراً كفرق جبري بين القيمة التنبؤية الناتجة عن معادلة انحدار والقيمة المشاهدة الفعلية؛ وبما أنه لا توجد معادلة هيكلية للمتغير الخارجي، فإن مفهوم الخطأ البنائي يسقط عنه تلقائياً وينعدم مبرر وجوده.

أما من المنظور الرياضي وحساب درجات الحرية، فإن إضافة حد خطأ افتراضي للمتغير الخارجي سيقود إلى أزمة تعريف بنيوية مستحكمة (Under-identification)؛ حيث سيضيف النموذج معلمة تباين حرة إضافية مجهولة دون أن يقابلها أي معلومة مستقلة إضافية في مصفوفة التباين المشترك المشاهدة. هذا الوضع يخلق ما يعرف بالارتباط التام الزائف (Perfect Multicollinearity) وعدم القدرة على الفصل بين تباين المتغير الأصلي وتباين خطئه المزعوم، مما يجعل مصفوفة المعلومات عاجزة عن الانعكاس الرياضي (Singular Matrix) ويؤدي إلى انهيار محاولات التقدير الخوارزمي في البرمجيات.

ويجب هنا التأكيد على نقطة يخلط فيها الكثير من الدارسين: عدم وجود حد خطأ “بنائي” للمتغير الخارجي لا يعني خلو مؤشراته المشاهدة من “أخطاء القياس”؛ فإذا كان المتغير الخارجي كامناً يُقاس بعدة فقرات، فإن لكل فقرة مشاهدة حد خطأ قياسي خاص بها يمثل قصور أداة القياس السيكومترية ويرمز له بـ ($\delta$)، لكن هذا الخطأ ينتمي لنظام القياس الإجرائي للمؤشر، بينما المتغير الخارجي الكامن كبناء هيكلي في ذاته يظل مجرداً تماماً من أي حد اضطراب هيكلي في شبكة العلاقات.

7.4 كيف تؤثر المتغيرات الداخلية الترتيبية أو الفئوية على خوارزميات التقدير في SEM؟

يمثل إدراج متغيرات داخلية ذات طبيعة ترتيبية (Ordinal) -كمقاييس ليكرت ذات الخيارات المحدودة (3 إلى 5 استجابات)- أو فئوية ثنائية (Binary/Dichotomous) تحدياً منهجياً بالغ التعقيد لنمذجة المعادلة الهيكلية القياسية؛ نظراً لأن هذه المتغيرات تخرق بصورة جوهرية وفادحة فرضية التوزيع الطبيعي المتعدد المستمر (Multivariate Normality) التي تستند إليها خوارزمية أقصى احتمالية التقليدية (Maximum Likelihood – ML).

عندما يكون المتغير الداخلي ترتيبياً، فإن افتراض خطية مسار الانحدار البنائي واستمرارية حد الاضطراب الهيكلي وتماثل تباينه عبر المستويات (Homoscedasticity) ينهار كلياً. إن تطبيق التقدير القياسي ML في هذه الحالة يؤدي إلى تقديرات متحيزة ومتقزمة لمعاملات المسار، وظهور أخطاء معيارية صغيرة بصورة زائفة تؤدي إلى الوقوع في الخطأ من النوع الأول (Type I Error) عبر ادعاء دلالة إحصائية لعلاقات وهمية، فضلاً عن تضخيم مفرط لقيمة كاي تربيع ورفض النماذج الصالحة نظرياً.

ولمعالجة هذه التحديات، طوّر علماء القياس المنهجي طرائق تقدير بديلة مخصصة للمتغيرات الداخلية غير المستمرة، ويأتي في مقدمتها خوارزمية المربعات الصغرى الموزونة قطرياً والمعايرة بالمتوسط والتباين (Diagonally Weighted Least Squares / Robust WLS)، والتي تُعرف برمجياً في Mplus وlavaan بـ WLSMV. تعتمد هذه المنهجية الرصينة على افتراض وجود متغير كامن مستمر غير ملحوظ يكمن خلف كل متغير ترتيبي، ويتم حساب مصفوفات التغاير البوليكورية (Polychoric Covariances) أو التتراكورية (Tetrachoric) بدلاً من مصفوفات بيرسون الكلاسيكية، مع تقدير قيم العتبات (Thresholds) التي تفصل بين فئات الاستجابة. هذا الأسلوب الرياضي يضمن استعادة التقديرات النزيهة لمعاملات المسارات البنائية وحدود أخطاء المتغيرات الداخلية دون الإخلال بشروط النمذجة المتقدمة.

8. خاتمة وخلاصة تركيبية لتصميم النماذج البنائية

8.1 خلاصة المقارنة وأبرز المبادئ التوجيهية للباحث

تجسد ثنائية المتغيرات الداخلية والمتغيرات الخارجية العمود الفقري المعماري الذي تستند إليه نمذجة المعادلة الهيكلية في تفكيك الظواهر المعقدة واختبار الفرضيات السببية المتشابكة. وكما أوضحت هذه الدراسة التحليلية المستفيضة، فإن الفارق بين الصنفين يتجاوز البعد الإجرائي الشكلي ليمس جوهر البنية الجبرية والرياضية للنظام الإحصائي؛ فالمتغير الخارجي هو نقطة الانطلاق التفسيرية الحرة، التي يُعامل تباينها كمعطى نابع من خارج المنظومة، بينما يمثل المتغير الداخلي الكيان الوظيفي التكيفي، الذي يخضع تباينه للتقسيم بين مسارات تفسيرية محددة وحدود اضطراب هيكلية تمثل العجز التفسيري التراكمي للمنظومة.

إن الركيزة التي يجب أن يتسلح بها الباحث في الميدان التطبيقي هي التمسك بالأولوية المطلقة للنظرية العلمية الرصينة كمرشد أولي وحيد لتصنيف المتغيرات قبل الانتقال إلى بيئات البرمجيات الإحصائية. فالبرمجيات، مهما بلغت درجة تطورها وخوارزمياتها التكيفية، تظل أدوات تنفيذ عمياء لا تدرك الفحوى المعرفي للظاهرة، وتقع على عاتق الباحث مسؤولية حماية نموذجه من أخطاء التحديد البنائية التي قد تؤدي إلى نتائج مضللة وإهدار لجهود القياس الميداني الرصين.

ولضمان السلامة المنهجية والتطبيقية، نقترح في هذا السياق قائمة فحص سريعة (Checklist) يتعين على الباحث مراجعتها بدقة قبل الشروع في فحص ومناقشة النموذج النهائي:

  • فحص اتجاهات الأسهم: التأكد من أن كل متغير خارجي تنطلق منه أسهم فقط، وأن كل متغير داخلي يستقر عنده سهم سببي واحد على الأقل.
  • التحقق من حدود الاضطراب: التأكد من تخصيص حد خطأ هيكلي ($zeta$ أو $e$) لكل متغير داخلي دون استثناء، وتجريد المتغيرات الخارجية بالكامل من هذه الحدود الهيكلية.
  • ضبط التباين المشترك: التحقق من إتاحة التباين المشترك الحر بين المتغيرات الخارجية، وتجنب ربط المتغيرات الداخلية بتغايرات حرة مباشرة دون وسائط أو سند نظري يربط حدود أخطائها.
  • فحص شروط القياس والملاءمة: التأكد من استيفاء شروط الصدق التقاربي والتمايزي للأبنية الكامنة قبل تقييم مسارات النموذج الهيكلي، ومراقبة قيم معاملات التحديد $R^2$ للمتغيرات الداخلية.
  • مراجعة الاستقلال والافتراضات: التحقق من عدم انتهاك افتراض تعامد المتغيرات الخارجية مع أخطاء المتغيرات الداخلية ($Cov(xi, zeta) = 0$)، واختيار خوارزمية التقدير الملائمة لطبيعة مقاييس البيانات.

8.2 الاتجاهات المعاصرة وتطور معالجة المتغيرات في النمذجة الحديثة

تشهد نمذجة المعادلة الهيكلية في الفضاء الأكاديمي المعاصر تطورات متسارعة تدفع بحدود التصنيف الوظيفي للمتغيرات نحو آفاق جديدة أكثر رحابة وديناميكية. ومن أبرز هذه الاتجاهات الحديثة صعود نمذجة المعادلة الهيكلية الديناميكية (Dynamic Structural Equation Modeling – DSEM) ونماذج السلاسل الزمنية المكثفة والبيانات الطولية (Longitudinal Data)؛ حيث لم تعد ثنائية “الداخلي/الخارجي” تصنيفاً ثابتاً عبر الزمن، بل أصبحت تخضع لتبادل الأدوار التفاعلي (Time-varying roles). فالمتغير الذي يمارس دوراً خارجياً في اللحظة الزمنية ($t-1$) قد يتحول بحكم التغذية الراجعة واستجابة المنظومة إلى متغير داخلي في اللحظة الزمنية ($t$)، مما يتيح دراسة العمليات التطورية والظواهر النفسية والعصبية المعقدة كما تتكشف وتتغير على أرض الواقع التجريبي.

علاوة على ذلك، يشهد الحقل الإحصائي اندماجاً متزايداً بين تقنيات التعلم الآلي والذكاء الاصطناعي (Machine Learning) من جهة، ونمذجة المعادلات الهيكلية من جهة أخرى، ولا سيما في إطار ما يعرف بالبحث المنظم عن البنى السببية (Regularized SEM). تتيح هذه الخوارزميات المتقدمة استكشاف الشبكات المعقدة والتعامل مع مئات المتغيرات والمؤشرات، وتساعد في ضبط مشكلات التعدد الخطي العالي واختيار المسارات الهيكلية الأكثر ملاءمة بصورة شبه آلية، مع الحفاظ على الأطر التأصيلية الفاصلة بين المحددات الخارجية والنواتج الداخلية لمنع الوقوع في فخ التوفيق الزائف للبيانات.

وأخيراً، تتجه حركة العلوم المفتوحة (Open Science) نحو فرض معايير صارمة للشفافية المنهجية تلزم الباحثين بنشر مصفوفات التباين والتباين المشترك الكاملة، والأكواد البرمجية التفصيلية (لتطبيقات R وMplus وAMOS)، والبيانات الأولية منزوعة الهوية. إن هذه الشفافية تضمن إمكانية إعادة التوليد والتحقق المستقل من النماذج الهيكلية المنشورة، وتفتح الباب أمام الباحثين لإعادة اختبار تموضع المتغيرات الداخلية والخارجية في ضوء نظريات جديدة ونماذج منافسة، مما يدفع بعجلة التراكم المعرفي الرصين ويعزز من مصداقية العلوم السلوكية والاجتماعية في معالجة القضايا الإنسانية والتنظيمية الأكثر تعقيداً وإلحاحاً.

المراجع

Allan, L. J., & Johnson, J. A. (2008). Undergraduate Attitudes Toward the Elderly: The Role of Knowledge, Contact and Aging Anxiety. Educational Gerontology, 34(8), 643–666. https://doi.org/10.1080/03601270802299780

Bagga, S. K., Gera, S., & Haque, S. N. (2022). The mediating role of organizational culture: Transformational leadership and change management in virtual teams. Asia Pacific Management Review, 28(2), 120–131. https://doi.org/10.1016/j.apmrv.2022.07.003

Carhart-Harris, R. L., & Friston, K. J. (2010). The default-mode, ego-functions and free-energy: a neurobiological account of Freudian ideas. Brain, 133(4), 1265–1283. https://doi.org/10.1093/brain/awq010

Epskamp, S., Rhemtulla, M., & Borsboom, D. (2017). Generalized Network Psychometrics: Combining Network and Latent Variable Models. Psychometrika, 82(4), 904–927. https://doi.org/10.1007/s11336-017-9557-x

Federici, R. A., & Skaalvik, E. M. (2012). Principal self-efficacy: relations with burnout, job satisfaction and motivation to quit. Social Psychology of Education, 15(3), 295–320. https://doi.org/10.1007/s11218-012-9183-5

Hasan, N., & Bao, Y. (2020). Impact of “e-Learning crack-up” perception on psychological distress among college students during COVID-19 pandemic: A mediating role of “fear of academic year loss”. Children and Youth Services Review, 118, 105355. https://doi.org/10.1016/j.childyouth.2020.105355

King, G. A. (1999). Family-centered caregiving and well-being of parents of children with disabilities:linking process with outcome. Journal of Pediatric Psychology, 24(1), 41–53. https://doi.org/10.1093/jpepsy/24.1.41

Levine, B., Schweizer, T. A., O’Connor, C., Turner, G. R., Gillingham, S. M., Stuss, D. T., et al. (2011). Rehabilitation of Executive Functioning in Patients with Frontal Lobe Brain Damage with Goal Management Training. Frontiers in Human Neuroscience, 5, 9. https://doi.org/10.3389/fnhum.2011.00009

Pânişoară, I. O., Lazăr, I., Pânişoară, G., Chirca, R., & Ursu, A. S. (2020). Motivation and Continuance Intention towards Online Instruction among Teachers during the COVID-19 Pandemic: The Mediating Effect of Burnout and Technostress. International Journal of Environmental Research and Public Health, 17(21), 8002. https://doi.org/10.3390/ijerph17218002

تقييم هذا المحتوى

كن أول من يقيّم هذا المحتوى

عن الكاتب: Mohammed looti

أكاديمي وباحث متخصص في علم النفس التربوي، وعضو هيئة التدريس في جامعة كربلاء. يحمل درجة الدكتوراه في تخصصه، وتتمحور اهتماماته البحثية حول علم النفس الإيجابي، وتطوير المقاييس النفسية، والتنظيم الانفعالي المعرفي. يتميز الدكتور لوتي بطرحه البحثي المعاصر؛ حيث يركز على دراسة التأثيرات النفسية للتكنولوجيا الحديثة والذكاء الاصطناعي على الصحة العقلية وتكوين الهوية لدى الشباب. كما تمتد إسهاماته العلمية لتشمل دراسة ديناميكيات التواصل الأسري ودورها في بناء الكفاءة الذاتية والمهارات القيادية، بالإضافة إلى أبحاثه حول برامج "اليقظة العقلية" والتعافي النفسي، مما يجعله من الباحثين الفاعلين في إثراء ميدان علم النفس التربوي والتطبيقي.

اقتباس هذا المقال

looti, M. (2026, نوفمبر 16). المتغيرات الداخلية مقابل المتغيرات الخارجية في نمذجة المعادلة الهيكلية. عرب سايكلوجي. https://arabpsychology.com/comparisons/endogenous-vs-exogenous-variables-sem/
looti, Mohammed. “المتغيرات الداخلية مقابل المتغيرات الخارجية في نمذجة المعادلة الهيكلية.” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/endogenous-vs-exogenous-variables-sem/.
looti, Mohammed. “المتغيرات الداخلية مقابل المتغيرات الخارجية في نمذجة المعادلة الهيكلية.” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/endogenous-vs-exogenous-variables-sem/.