التحليل العاملي الاستكشافي مقابل التحليل العاملي التوكيدي

تحتل النمذجة الإحصائية المعتمدة على المتغيرات الكامنة مكانة مركزية في العلوم الإنسانية، والاجتماعية، والنفسية، والإدارية، والتربوية؛ حيث تواجه هذه التخصصات تحدياً إبستمولوجياً ومنهجياً يتمثل في قياس ظواهر معقدة غير قابلة للملاحظة المباشرة، مثل الذكاء، والاكتئاب، والرضا الوظيفي، والولاء التنظيمي، والدافعية. في هذا الفضاء القياسي المعقد، تبرز عائلة تقنيات التحليل العاملي (Factor Analysis) بوصفها الأداة الرياضية الأكثر رسوخاً لاختزال الأبعاد والتحقق من الصدق البنائي للأدوات القياسية وتفسير مصفوفات التباين والارتباط المشترك بين المتغيرات الملاحظة من خلال إرجاعها إلى عدد أقل من التكوينات النظرية الكامنة.

وعلى الرغم من وضوح المنطلقات الفلسفية والرياضية التي تفرق بين المسارين الرئيسيين للتحليل العاملي، وهما التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA)، إلا أن الممارسات التطبيقية في الأوساط الأكاديمية لا تزال تشهد خلطاً منهجياً كبيراً وسوء استخدام وظيفي لكلا الأسلوبين. إن هذا الخلط لا يقف عند حدود الخطأ الإجرائي العابر، بل يمتد ليمس صميم سلامة الاستدلال العلمي، ويقود في كثير من الأحيان إلى تضخيم زائف للمؤشرات الإحصائية أو فرض نماذج نظرية قسرية على بيانات ميدانية غير مهيأة لها، مما يفرغ عملية تطوير المقاييس من محتواها الصدقي.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم تفكيك منهجي وتطبيقي معمق للمقارنة بين التحليل العاملي الاستكشافي والتحليل العاملي التوكيدي، بدءاً من المنطلقات الإبستمولوجية والنظرية الكلاسيكية للقياس، مروراً بالآليات الرياضية والخوارزمية المعقدة التي تحكم عمل كل منهما، وصولاً إلى المعايير الحاسمة للمفاضلة المنهجية وإجراءات الفحص والتقويم. يطمح هذا الدليل إلى تزويد الباحثين برؤية متكاملة تضمن التوظيف الرشيد لكلا التحليلين ضمن دورة البحث العلمي، بما يعزز الرصانة القياسية ويضمن التراكم المعرفي السليم للأدوات والمقاييس في شتى حقول البحث العلمي المعاصر.

1. مقدمة وتأطير نظري

1.1 تحديد مفهوم التحليل العاملي بنوعيه وسياقه المنهجي

يُعرَّف التحليل العاملي بوصفه نمطاً متقدماً من تقنيات التحليل الإحصائي متعدد المتغيرات (Multivariate Statistical Analysis)، يستند إلى مبدأ اختزال البيانات وإعادة هيكلتها، بهدف تفسير العلاقات الارتباطية القائمة بين عدد كبير من المتغيرات الملاحظة (Observed Variables) وتلخيصها في صورة عدد محدود من المتغيرات غير الملاحظة، والتي تُعرف اصطلاحاً باسم العوامل الكامنة (Latent Factors). تقوم الفكرة الجوهرية للتحليل العاملي على افتراض وجود بنية تحتية تنظم التباين المشترك بين فقرات أو بنود أداة القياس، بحيث يمكن تبرير الارتباطات المتبادلة بين المتغيرات بوجود عامل مشترك يقف وراء تبايناتها ويؤثر فيها بدرجات متفاوتة.

يتفرع هذا الإجراء الإحصائي إلى مسارين رئيسيين متمايزين في المنطلق والهدف؛ يتمثل الأول في التحليل العاملي الاستكشافي (EFA)، وهو منهج استقرائي يعتمد كلياً على البيانات الاستقرائية المتاحة لاستكشاف الأبعاد الكامنة التي تفسر التباين المشترك دون فرض افتراضات مسبقة حول طبيعة تلك الأبعاد أو عددها، ودون تقييد مسبق لارتباط أي فقرة بعامل محدد. يُستخدم هذا الأسلوب بشكل نموذجي في المراحل المبكرة من بناء أدوات القياس عندما تكون الروابط بين المتغيرات غير محددة بدقة على المستوى النظري.

في المقابل، يمثل التحليل العاملي التوكيدي (CFA) مدخلاً استنباطياً صارماً، يندرج وظيفياً تحت مظلة نمذجة المعادلات البنائية (Structural Equation Modeling – SEM). يُوظَّف التحليل التوكيدي كأداة لاختبار الفرضيات، حيث ينطلق الباحث من نموذج نظري مسبق ومحدد بدقة يحدد سلفاً عدد العوامل الكامنة، وهوية الفقرات التي تتشبع على كل عامل، مع فرض قيود صارمة تثبت تشبعات المتغيرات غير المعنية بالعامل عند الصفر. ومن ثم، فإن وظيفة التحليل التوكيدي لا تنصب على اكتشاف ما تخفيه البيانات، بل على التحقق من مدى مطابقة مصفوفة التباين والتباين المشترك المشتقة من النموذج النظري مع تلك المشتقة فعلياً من عينة الدراسة الميدانية، مما يجعل التمييز بين هذين الإجراءين مسألة بالغة الأهمية لضمان سلامة الصدق البنائي (Construct Validity) وتفادي الخلاصات المضللة.

1.2 دواعي الخلط المنهجي بين التحليلين ومبررات المقارنة

تعود جذور الخلط المنهجي الشائع بين التحليلين إلى اشتراكهما في نفس الأصول الرياضية والفلسفية المؤسسة لنظرية العامل المشترك (Common Factor Model)، والتي وضع أسسها الأولى تشارلز سبيرمان (Charles Spearman) وتوسعت لاحقاً على يد لويس ثيرستون (L. L. Thurstone). يرتكز كلا الأسلوبين على تفكيك مصفوفات الارتباط أو مصفوفات التباين والتباين المشترك، وتوظيف نفس المصطلحات الرياضية تقريباً؛ فكلاهما يتحدث عن “التشبعات العاملية” (Factor Loadings)، و”التباين المشترك أو الشيوع” (Communality)، و”التباين الفريد أو الخطأ” (Uniqueness/Error Variance). هذا التشابه الظاهري في المدخلات الحسابية قاد قطاعاً واسعاً من الباحثين إلى التعامل مع التحليلين وكأنهما بديلان متطابقان يمكن استخدام أحدهما مكان الآخر دون مراعاة لتمايزهما المفاهيمي.

تتجلى مظاهر هذا الخلل في ممارسات شائعة كاستخدام التحليل العاملي الاستكشافي في دراسات تمتلك أطراً نظرية ناضجة ومستقرة، ومحاولة توظيفه لتأكيد أو نفي صحة تلك النظريات؛ وهو خطأ منهجي فادح؛ لأن طبيعة EFA التوليدية والتحررية تجعله عرضة لتقلبات العينة وللتشبعات العشوائية. وبالمثل، يقع بعض الباحثين في فخ تطبيق التحليل العاملي التوكيدي في بيئات استطلاعية ناشئة لا تتوفر فيها أرضية مفاهيمية كافية لتحديد مسارات النمذجة، فيلجأون إلى إجراء تعديلات متعاقبة استناداً إلى مؤشرات التعديل الإحصائية، مما يحول التحليل التوكيدي عملياً إلى تحليل استكشافي مستتر ومقنَّع بستار معادلات بنائية، وهو ما يصطلح عليه في القياس النفسي بـ “الصيد الإحصائي” (Data Dredging).

تستدعي هذه الانحرافات المنهجية صياغة مقارنة معيارية شاملة ترسم حدود كل إجراء وتفصل وظائفه بصورة قطعية. إن بناء أدلة إرشادية دقيقة لا يهدف إلى تفضيل تقنية على أخرى، بل يسعى إلى إرشاد الممارسين نحو الاختيار الصحيح للمنهج الذي يناسب المرحلة المعرفية لمشروعهم البحثي، وضمان سلامة الترجمة الرياضية للفرضيات العلمية في حقول العلوم السلوكية والتربوية والاجتماعية.

1.3 الموقع الإبستمولوجي للتحليلين ضمن مسار بناء المعرفة

يتطابق التحليل العاملي الاستكشافي والتحليل العاملي التوكيدي معرفياً مع الثنائية الفلسفية الشهيرة بين الاستقراء (Induction) والاستنباط (Deduction). يتموضع التحليل الاستكشافي في الطرف الاستقرائي من مسار بناء المعرفة؛ فهو يبدأ من الجزء، متمثلاً في الملاحظات والبيانات السلوكية الخام، ليصل إلى الكل، متمثلاً في استخلاص تكوينات ومفاهيم مجردة تجمع هذه الأجزاء في بنية ذات دلالة. إن وظيفته المعرفية تكمن في “توليد النظريات” (Theory Generation) واكتشاف الملامح الأولية للظواهر القياسية؛ حيث يتحرر الباحث من أي انحيازات قبلية، مفسحاً المجال للبيانات لتعبر عن بنيتها الدفينة.

على الطرف المقابل، يقف التحليل العاملي التوكيدي راسخاً في المربع الاستنباطي؛ حيث ينطلق من الفكر النظري المجرد والافتراضات الكلية الراسخة ليختبر انطباقها على الواقع التجريبي الميداني. وظيفة CFA ليست استخلاص مفاهيم جديدة، بل هي “اختبار النظريات” (Theory Testing) وإثبات إمكانية تعميمها وقابليتها للدحض (Falsification) بالمفهوم البوبري. يمثل CFA مرحلة متقدمة في هرمية الصدق القياسي وعلم النفس القياسي (Psychometrics)؛ إذ ينقل الأداة من مرحلة الحدس والتجريب الأولي إلى مرحلة المعايرة القياسية الدقيقة والتحقق من جودة البناء.

تتكامل هاتان الوظيفتان ضمن دورة لولبية مستمرة في البحث العلمي. تبدأ الدورة عادة بملاحظات وتطبيقات استكشافية (EFA) تؤسس للأبعاد والفقرات وتصيغ مسودة المقياس الأولية. وبمجرد نضوج هذه الصياغات وتبلور الإطار النظري، ينتقل الباحث إلى مرحلة التحقق الصارم عبر التحليل التوكيدي (CFA) في عينات مستقلة جديدة. وفي حال فشل النموذج التوكيدي في تحقيق مؤشرات المطابقة المستهدفة، يعود المسار مجدداً إلى نقطة الاستكشاف والتشخيص، مما يبرز الطابع الجدلي التكاملي بين الاستكشاف والتثبت في بناء الأدوات القياسية الرصينة.

2. التحليل العاملي الاستكشافي (EFA): المفهوم والمحددات الإجرائية

2.1 الأسس المعرفية والفلسفة الاستقرائية

تنطلق الفلسفة الرياضية للتحليل العاملي الاستكشافي من مبدأ جوهري صاغه ثيرستون عام 1947 عبر نظرية العامل المشترك، والتي تنص على أن كل متغير ملاحظ $X_j$ يتكون رياضياً من جزأين منفصلين: تباين مشترك مع بقية المتغيرات ناتج عن عوامل كامنة مشتركة، وتباين فريد خاص بالمتغير وحده ($u_j$)، والذي ينقسم بدوره إلى تباين خاص بالصفة النوعية للمتغير ($s_j$) وتباين ناشئ عن خطأ القياس العشوائي ($e_j$). يهدف EFA إلى عزل هذا التباين المشترك واستخلاص العوامل المسؤولة عنه، مع التخلص قدر الإمكان من التباينات الفريدة وأخطاء القياس.

إن الخاصية الأساسية التي تميز التحليل الاستكشافي هي “حرية التشبع الكاملة”؛ حيث يُسمح رياضياً لكل متغير ملاحظ بأن يتشبع على كل العوامل المستخلصة دون استثناء. لا يفرض الباحث في هذا الإجراء أي أصفار جبرية مسبقة، بل يترك لخوارزميات الاستخلاص والتدوير حرية تقدير أوزان التشبع (Factor Loadings) لكل متغير على كل عامل كامن. تعكس هذه الأوزان معامل الارتباط الخطي أو وزن الانحدار القياسي بين المتغير الملاحظ والعامل المفترض.

يترتب على هذه المرونة الاستقرائية محدد إبستمولوجي حاسم؛ فالنتائج المستخلصة من التحليل الاستكشافي تكون شديدة التأثر والارتباط بالخصائص الديموغرافية والإحصائية للعينة المحددة التي أُجري عليها التحليل. إن غياب القيود المسبقة يجعل EFA عرضة “للتضخيم الاستغلالي للمصادفة” (Capitalization on Chance)، مما يعني أن الحل العاملي المستخرج قد يعكس في كثير من جوانبه تباينات عشوائية خاصة بالعينة وليس بالضرورة بنية حقيقية عابرة للمجتمعات. ومن هنا تنبع محدودية التعميم لنتائج هذا التحليل، وتبرز الحتمية المنهجية لإعادة التحقق من استقرار الحلول العاملية في عينات أخرى مستقلة تماماً.

2.2 طرائق استخلاص العوامل ومعايير الاحتفاظ بها

تمثل مرحلة استخلاص العوامل (Factor Extraction) حجر الزاوية الإجرائي في التحليل الاستكشافي، وتتطلب من الباحث اتخاذ قرارات تقنية حاسمة تحدد مسار التحليل برمته. يبرز هنا أولاً التمييز المنهجي الضروري بين أسلوب تحليل المكونات الأساسية (Principal Component Analysis – PCA) وأساليب التحليل العاملي الحقيقي القائمة على العامل المشترك، مثل طريقة المحاور الأساسية (Principal Axis Factoring – PAF) وطريقة الإمكانية العظمى (Maximum Likelihood – ML). بينما يسعى PCA إلى تفسير 100% من التباين الكلي في البيانات الملاحظة دون تمييز بين التباين المشترك والتباين الفريد والخطأ، ترتكز أساليب EFA الحقيقية (مثل PAF وML) على تحليل التباين المشترك فقط ووضع تقديرات للشيوع في القطر الرئيسي لمصفوفة الارتباط بدلاً من وضع الواحد الصحيح. ولذلك، يعد الخلط الشائع باعتبار PCA نوعاً من التحليل العاملي خطأً فادحاً في أدبيات القياس النفسي، حيث إن PCA أسلوب رياضي لاختزال البيانات وتلخيصها ولا يفترض وجود متغيرات كامنة حقيقية تفسر الارتباطات.

تلي خطوة الاستخلاص عملية تقرير عدد العوامل التي يجب الاحتفاظ بها (Factor Retention Decisions). يعتمد الباحثون في العادة على مجموعة من المحكات الإحصائية التي تتفاوت في دقتها وموثوقيتها:

• معيار كايزر للجذور الكامنة (Kaiser Criterion – Eigenvalue > 1): وهو المعيار الأكثر شيوعاً في البرمجيات الإحصائية الافتراضية، وينص على الاحتفاظ بالعوامل التي تزيد جذورها الكامنة عن الواحد الصحيح. إلا أن الأدبيات المنهجية الحديثة تحذر بشدة من الاعتماد المنفرد على هذا المعيار؛ لأنه يميل بصورة منتظمة إلى التقدير الزائد (Over-extraction) لعدد العوامل المستخلصة، خاصة في العينات الكبيرة أو عندما تتجاوز المتغيرات المقاسة حاجز العشرين فقرّة.
• اختبار الترسيب الصخري لكاتل (Cattell’s Scree Plot): اختبار بصري بياني يرسم الجذور الكامنة تنازلياً. يستند الباحث إلى تحديد “نقطة الانكسار” (Elbow Point) في المنحنى البياني، بحيث يتم الاحتفاظ بالعوامل الواقعة فوق نقطة التلاشي والاستواء الصخري. وعلى الرغم من فائدته الإرشادية، إلا أنه يعاني من الذاتية وعدم الحسم عند وجود أكثر من نقطة انكسار متدرجة في البيانات المتقاربة.
• التحليل الموازي لهورن (Horn’s Parallel Analysis): يمثل المحك الأكثر دقة وموثوقية في علم النفس القياسي التجريبي. يعتمد هذا الأسلوب على توليد مصفوفات بيانات عشوائية محاكاة بنفس عدد متغيرات وحجم عينة الدراسة الميدانية، واستخلاص جذورها الكامنة مئات المرات عبر أسلوب مونت كارلو، ومن ثم مقارنة الجذور الكامنة التجريبية بالجذور الكامنة العشوائية، والاحتفاظ فقط بالعوامل التي تتفوق جذورها الحقيقية على نظيراتها العشوائية عند نقطة المئين الخامس والتسعين.
• نسبة التباين المفسر الكلي (Total Variance Explained): يُشترط كمعيار مساند أن تفسر العوامل المحتفظ بها مجتمعة نسبة كافية من التباين المشترك، وتتراوح العتبات المقبولة في العلوم الاجتماعية عموماً بين 50% إلى 60% فما فوق للحكم على كفاية الحل العاملي المقتطع.

2.3 أساليب التدوير العاملي وتفسير المصفوفات

نادراً ما تسفر عملية استخلاص العوامل الأولية عن بنية يسهل تأويلها؛ إذ يميل العامل الأول غير المدوّر إلى الاستحواذ على تباين هائل وغير محدد، بينما تتوزع بقية التشبعات بصورة عشوائية ومختلطة بين العوامل التالية. للتغلب على هذه المعضلة الرياضية، يُلجأ إلى تقنية “التدوير العاملي” (Factor Rotation)، والتي تستهدف إعادة تدوير المحاور الإحداثية في الفضاء الهندسي متعدد الأبعاد لتحقيق ما أسماه ثيرستون بـ “البنية البسيطة” (Simple Structure). تعني البنية البسيطة أن يتشبع كل متغير بقوة على عامل واحد فقط، وتكون تشبعاته على بقية العوامل قريبة من الصفر، مما ييسر فهم المعنى المفاهيمي لكل بعد.

ينقسم التدوير العاملي إلى عائلتين رئيسيتين وفقاً للافتراضات النظرية المؤسسة للعلاقة بين الأبعاد المستخلصة:

• التدوير المتعامد (Orthogonal Rotation): ومن أشهره أسلوب “فاريماكس” (Varimax) و”كوارتيماكس” (Quartimax). يشترط هذا التدوير الحفاظ على تعامد المحاور بزاوية 90 درجة، مما يترجم إحصائياً إلى افتراض أن العوامل مستقلة تماماً ولا ترتبط ببعضها إطلاقاً (معامل الارتباط بين العوامل $r = 0$). وعلى الرغم من سهولته التفسيرية، إلا أنه نادراً ما يتطابق مع واقع الظواهر الإنسانية والنفسية التي ترتبط أبعادها وسلوكياتها فيما بينها بطبيعتها.
• التدوير المائل (Oblique Rotation): ومن أبرز أساليبه “بروماكس” (Promax) و”أوبليمين المباشر” (Direct Oblimin). يتحرر هذا الأسلوب من قيد الزاوية القائمة ويسمح للمحاور بالانحناء، مما يتيح للعوامل الكامنة أن ترتبط فيما بينها بحرية إذا كانت البيانات تدعم ذلك. في العلوم الاجتماعية والسلوكية، يعد التدوير المائل هو الخيار الأكثر واقعية وموثوقية، وإذا أظهرت النتائج أن العوامل غير مترابطة، فإن التدوير المائل سينتج زوايا متعامدة تلقائياً.

عند استخدام التدوير المائل، تنتج البرمجيات الإحصائية مصفوفتين أساسيتين للتشبعات، ويتعين على الباحث التمييز الدقيق بينهما؛ الأولى هي مصفوفة النمط (Pattern Matrix)، والتي تعبر عن معاملات الانحدار المعيارية للمتغيرات على العوامل مع التحكم في تأثير العوامل الأخرى وعزل التداخل بينها، وتعد هذه المصفوفة هي الأساس المعياري لتفسير العوامل وتسميتها وتحديد تبعية الفقرات. أما الثانية فهي مصفوفة البنية (Structure Matrix)، وتوضح معاملات الارتباط الثنائية البسيطة بين المتغيرات والعوامل دون عزل أثر التباين المشترك مع العوامل الزميلة. إن إهمال مصفوفة النمط والاعتماد على مصفوفة البنية في التدوير المائل يقود إلى تفسيرات مضللة بسبب تضخم قيم التشبع الناتج عن تداخل العوامل.

تفرض مرحلة التفسير التعامل بحزم مع مشكلتين شائعتين: التشبعات الضعيفة (Weak Loadings)، وهي الفقرات التي تفشل في تحقيق الحد الأدنى المقبول من التشبع (والذي يتراوح عموماً بين 0.30 و 0.40 حسب حجم العينة وفق معايير ستيفنز وهير)، والتشبعات المتقاطعة (Cross-loadings)، وهي الفقرات التي تتشبع بقيم مرتفعة ومتقاربة (كأن تتجاوز 0.32 مع فارق يقل عن 0.15 أو 0.20) على أكثر من عامل في آن واحد، مما يستدعي عادة حذفها أو إعادة صياغتها لضمان نقاء البناء العاملي المستخلص.

3. التحليل العاملي التوكيدي (CFA): المفهوم والنمذجة البنائية

3.1 الأسس الاستنباطية واختبار الفرضيات النظرية

ينتمي التحليل العاملي التوكيدي إلى عائلة النمذجة الإحصائية المتقدمة التي تنطلق من الأعلى إلى الأسفل؛ فهو لا يسعى لاكتشاف أبعاد غير معروفة، بل يعمل كأداة لاختبار الفرضيات النظرية والتحقق التجريبي من مدى تماسك النماذج المفاهيمية. في إطار CFA، يجب على الباحث أن يمتلك مسبقاً رؤية نظرية صلبة أو شواهد امبيريقية متينة مستمدة من دراسات استكشافية سابقة تحدد وتعين بنية النموذج بكل تفاصيله قبل لمس البيانات الميدانية. تتضمن هذه التعيينات تحديد العدد الدقيق للعوامل الكامنة، وهوية المؤشرات الملاحظة الخاصة بكل عامل، وطبيعة العلاقات الارتباطية القائمة بين هذه العوامل نفسها.

من الناحية الرياضية، يُترجم هذا الموقف النظري الصارم إلى تثبيت صريح للتشبعات العاملية غير المستهدفة عند الصفر التام (Fixed to Zero). فإذا كانت الفقرة تابعة نظرياً للعامل الأول، فإن مسارها نحو العامل الثاني والثالث لا يُترك حراً للتقدير كما في EFA، بل يُقيد مسبقاً بقيمة جبرية تساوي صفراً مطلقاً. ومن ثم، يختبر النموذج ما إذا كانت مصفوفة التباين والتباين المشترك المفترضة ($\Sigma$) وفق هذا القيد النظري قادرة على إعادة إنتاج مصفوفة التباين والتباين المشترك الملاحظة ($S$) المستخرجة فعلياً من عينة الدراسة دون فروق ذات دلالة إحصائية.

تتميز نمذجة القياس في CFA بقدرتها الفريدة على العزل الصريح لأخطاء القياس (Measurement Errors) ونمذجتها كمعلمات مستقلة. فكل متغير ملاحظ يُرفق بحد خطأ خاص به يمثل التباين الفريد غير المفسر بالعامل الكامن. علاوة على ذلك، يتيح CFA للباحث—وفق مبررات نظرية ومنهجية صارمة وبحذر شديد—نمذجة الارتباطات المشتركة بين أخطاء القياس ذاتها (Correlated Measurement Errors)، مثلما يحدث عند استخدام فقرات ذات صياغات متطابقة تقريباً أو عند القياس الطولي المتكرر لنفس الأدوات عبر الزمن، وهي إمكانية يستحيل تطبيقها في التحليل العاملي الاستكشافي الكلاسيكي.

3.2 مؤشرات حسن المطابقة ومعايير الحكم على النموذج

لا يعتمد الحكم على نجاح النموذج التوكيدي على قيم التشبعات المفردة فحسب، بل يتطلب تقييماً شاملاً لمدى مطابقة النموذج المقترح للبيانات ككل. توفر برمجيات CFA حزمة متكاملة من مؤشرات حسن المطابقة (Goodness-of-Fit Indices)، والتي تُصنف إلى عدة عائلات إحصائية يكمل بعضها بعضاً:

1. مؤشر كاي تربيع للمطابقة ($\chi^2$ – Chi-Square Test): يمثل الاختبار الإحصائي التقليدي لفرضية العدم التي تنص على التطابق التام بين مصفوفة النموذج والمصفوفة الملاحظة ($\Sigma = S$). تعني الدلالة الإحصائية لاختبار كاي تربيع ($p < 0.05$) رفض فرضية التطابق، وهو ما يشير ظاهرياً إلى سوء مطابقة النموذج. ومع ذلك، يعاني هذا الاختبار من حساسية بالغة ومفرطة لحجم العينة؛ ففي العينات الكبيرة (وهي الشرط الأساسي لتطبيق CFA)، يؤدي أدنى انحراف تافه لا قيمة علمية له إلى إعطاء دلالة إحصائية ورفض النموذج، مما دفع علماء القياس إلى التعامل مع هذا المؤشر بحذر واستخدامه بصيغة النسبة المعيارية ($\chi^2 / df$)، حيث تُعد القيم التي تقل عن 3 أو 5 مقبولة عملياً، مع الاعتماد الأساسي على المؤشرات البديلة التالية.

2. مؤشرات المطابقة المطلقة (Absolute Fit Indices): تقيس مدى قدرة النموذج على إعادة إنتاج البيانات دون مقارنته بنموذج أساس، ومن أبرزها:

• جذر متوسط مربع خطأ الاقتراب (RMSEA – Root Mean Square Error of Approximation): يقيس حجم الخطأ في درجات الحرية في المجتمع، ويعاقب النماذج شديدة التعقيد. تُعد القيمة الأقل من 0.05 دليلاً على مطابقة ممتازة، والقيمة الأقل من 0.08 مقبولة، في حين تشير القيم التي تتجاوز 0.10 إلى سوء مطابقة حاد. ويُشترط أيضاً فحص مجال الثقة الخاص به عند 90% وقيمة الـ p-close.
• جذر متوسط مربعات البواقي المعياري (SRMR – Standardized Root Mean Square Residual): يمثل متوسط الفروق المطلقة المعيارية بين معاملات الارتباط الملاحظة وتلك المتوقعة من النموذج. تشير القيم الأقل من 0.08 إلى مطابقة جيدة، والقيم دون 0.05 إلى مطابقة ممتازة.

3. مؤشرات المطابقة المقارنة أو التزايدية (Incremental/Comparative Fit Indices): تقارن كفاءة النموذج المفحوص بنموذج الأساس الصفري (Null/Independence Model) الذي يفترض انعدام أي علاقات ارتباطية بين المتغيرات، وأهمها:

• مؤشر المطابقة المقارن (CFI – Comparative Fit Index): مؤشر مرن يقع بين الصفر والواحد، ولا يتأثر بشكل حاد بحجم العينة. تتطلب المعايير الحديثة الصارمة المشتقة من دراسات هو وبنتلر (Hu & Bentler, 1999) قيمة تتجاوز 0.95 للحكم بالمطابقة الممتازة، وقيمة لا تقل عن 0.90 كحد أدنى للمطابقة المقبولة.
• مؤشر تاكر-لويس (TLI – Tucker-Lewis Index): يُعرف أيضاً بمؤشر المطابقة غير المعياري (NNFI)، ويتميز بفرضه عقوبة رياضية على زيادة المعلمات وتعقيد النموذج دون إضافة حقيقية للتفسير. تنطبق عليه نفس عتبات القطع المعتمدة لمؤشر CFI (تفضيل ما زاد عن 0.95).

3.3 تقييم الصدق البنائي والاتساق الداخلي للنموذج

بمجرد التحقق من جودة مطابقة النموذج الكلي للبيانات، ينتقل الفحص التوكيدي إلى المستوى الموضعي لتقييم الصدق البنائي (Construct Validity) والاتساق الداخلي للمتغيرات الكامنة. لا يُكتفى في هذا السياق بمعامل ألفا كرونباخ الكلاسيكي نظراً لقصوره وافتراضه غير الواقعي المتمثل في تساوي التشبعات (Tau-equivalence)، بل يتم الاعتماد على مقاييس مشتقة مباشرة من معلمات النموذج التوكيدي:

1. الصدق التقاربي (Convergent Validity): يقيس مدى اشتراك فقرات العامل الكامن الواحد في تمثيل نفس البناء النظري. يُقاس الصدق التقاربي أولاً بمدى معنوية وأحجام التشبعات المعيارية للفقرات على عواملها، حيث يجب أن تكون جميعها دالة إحصائياً وتتجاوز قيمتها 0.50 (ويُفضل أن تتجاوز 0.70). يُدعم ذلك بحساب متوسط التباين المستخرج (Average Variance Extracted – AVE)، والذي يعبر عن نسبة التباين التي يلتقطها العامل مقارنة بالتباين الناشئ عن خطأ القياس، وتشترط المعايير المنهجية أن تكون قيمة AVE أكبر من 0.50. يُقاس الاتساق الداخلي كذلك عبر الموثوقية التكوينية (Composite Reliability – CR) والمعروفة أيضاً بأوميغا مكدونالد، وتعتبر القيمة التي تتجاوز 0.70 دليلاً على ثبات داخلي قوي ومتماسك.

2. الصدق التمايزي (Discriminant Validity): يتحقق من أن كل عامل كامن متمايز ومستقل مفاهيمياً عن بقية العوامل الأخرى في النموذج ولا يكرر قياسها. يُختبر ذلك بطريقتين شهيرتين:

• محك فورنيل ولاركر (Fornell-Larcker Criterion): يشترط أن يكون الجذر التربيعي لقيمة AVE لكل عامل كامن أكبر بصورة قطعية من معاملات الارتباط القائمة بين هذا العامل وأي عامل آخر في النموذج.
• نسبة الارتباط أحادي السمة ومتعدد السمات (HTMT – Heterotrait-Monotrait Ratio): أسلوب أحدث وأكثر حساسية لكشف القصور في التمايز، ويشترط أن تكون النسبة أقل من 0.85 أو 0.90 كحد أقصى للقول بوجود صدق تمايزي مقبول.

3. فحص مؤشرات التعديل ومخاطر استغلال الصدفة: تزود برمجيات CFA الباحث بمصفوفة مؤشرات التعديل (Modification Indices – MI)، والتي تتنبأ بمقدار الانخفاض الذي سيطرأ على قيمة كاي تربيع في حال تحرير مسار مقيد (كالربط بين أخطاء قياس فقرتين أو السماح بتشبع متقاطع). ينطوي الإفراط في الاستجابة لهذه المؤشرات على مخاطر منهجية كبرى؛ فإدخال ارتباطات غير مبررة نظرياً بين الأخطاء لمجرد رفع جودة المطابقة يمثل انتهاكاً لأمانة القياس ويحول النموذج التوكيدي إلى عملية توفيق مصطنع تفقده القدرة على الاستقرار في العينات اللاحقة.

4. تكافؤ وثبات القياس عبر المجموعات (Measurement Invariance): من أعظم إمكانات CFA التطبيقية قدرته على اختبار ما إذا كانت الأداة تقيس نفس السمة بنفس الطريقة عبر فئات مجتمعية مختلفة (مثل الذكور والإناث، أو الثقافات المتباينة). يتدرج هذا الاختبار عبر أربعة مستويات هرمية من القيود:

• التكافؤ الشكلي (Configural Invariance): إثبات أن نفس عدد العوامل وتوزيع الفقرات ينطبق على كلا المجموعتين دون فرض تساوي المعلمات.
• التكافؤ المتري (Metric Invariance): تقييد التشبعات العاملية لتكون متساوية بين المجموعتين؛ لاختبار ما إذا كان معنى المفهوم ووحدات قياسه متطابقة.
• التكافؤ المقياسي (Scalar Invariance): تقييد قيم العتبات والتقاطعات (Intercepts) لتتساوى عبر المجموعات، وهو شرط لا غنى عنه لإجراء مقارنات صالحة لمتوسطات العوامل الكامنة.
• التكافؤ الصارم (Strict Invariance): تقييد تباينات أخطاء القياس لتكون متطابقة، وهو أقصى درجات التكافؤ ونادراً ما يتحقق بالكامل في العلوم الإنسانية.

4. أوجه الاختلاف الجوهرية بين التحليلين

4.1 المنطلق النظري والغرض الإحصائي

تتمحور الفروق الأساسية بين التحليلين حول أهداف البحث والدرجة المسبقة من المعرفة النظرية المتوفرة لدى الباحث. يهدف التحليل العاملي الاستكشافي إلى توليد الفرضيات من خلال رصد الأنماط المجهولة التي تشكل استجابات المفحوصين، مما يجعله أداة استطلاع تلائم الأطوار الجنينية للبحوث والمقاييس. لا يطلب EFA من الباحث سوى الحد الأدنى من التصورات المفاهيمية؛ كأن يتوقع مثلاً أن الفقرات تدور حول أبعاد اجتماعية أو انفعالية دون اشتراط جزم رياضي بحصرها في أربعة أو خمسة أبعاد محددة بالاسم والمحتوى.

في المقابل، يتمحور التحليل العاملي التوكيدي حول اختبار الفرضيات والتحقق الحصري من صحة النماذج. لا يمكن تشغيل CFA دون بناء مسبق مكتمل الأركان؛ إذ يرفض التحليل الانطلاق ما لم يحدد الباحث في برمجية النمذجة (مثل Amos أو Lavaan) مصفوفة المعلمات بكامل مساراتها وأوزانها المفترضة. يتجلى هذا التمايز في درجة المرونة؛ حيث يمتلك EFA مرونة تقديرية واسعة تتيح للباحث تجريب عدة طرق للاستخلاص والتدوير للوصول إلى الحل الأكثر اتساقاً مع الفهم العام، بينما يتسم CFA بالصرامة الحسابية الصرفة والالتزام الصارم بالقيود، معتبراً أي انحراف عن النموذج دليلاً على قصور الفرضية الميدانية.

تنعكس هذه الفلسفة على مخرجات كلا التحليلين؛ فبينما يكتفي EFA باستخراج عوامل مجردة تستند إلى حصص التباين المفسر ومصفوفات تشبع إرشادية ذات دلالات استكشافية، يقدم CFA تقييماً متكاملاً للمطابقة الشاملة يشمل مؤشرات دقة، ومعاملات خطأ قياسية لكل مسار، وقيم احتمالية لاختبار الفرضيات الصفرية، مما يمنحه قوة برهانية استدلالية تتفوق نوعياً على الطرح الاستكشافي.

4.2 هيكلية القيود وتشبعات المتغيرات وتداخل الأخطاء

تكمن النقطة الفاصلة في الميكانيكا الرياضية لكلا الأسلوبين في كيفية معالجة التشبعات والقيود الموضوعة على المعلمات. في EFA، تظل جميع المسارات مفتوحة؛ حيث يُسمح لكل فقرة بالارتباط بكل عامل دون حظر. هذا يعني أن النموذج الاستكشافي غير مقيد (Under-restricted)، ويحتوي على عدد لانهائي من الحلول الرياضية المتكافئة هندسياً في الفضاء متعدد الأبعاد، وهو ما يفسر حاجته الإلزامية إلى “التدوير” لاختيار حل واحد من بين عدد لا حصر له من الحلول الممكنة.

على العكس من ذلك، يقوم CFA على فرض قيود صارمة على مصفوفة التشبعات العاملية ($Lambda$)؛ حيث تُثبت غالبية المسارات عند الصفر القسري، ولا يُسمح للفقرة بالتشبع إلا على عاملها النظري المحدد. ينتج عن هذا التقييد وجود حل رياضي وحيد وأمثل (Unique Solution) إذا كان النموذج معرفاً إحصائياً. وهنا تبرز مسألة “التعرف على النموذج” (Model Identification)؛ فبينما لا يواجه EFA هذه المشكلة عادة، يشترط CFA أن تكون درجات الحرية في النموذج أكبر من الصفر ($df > 0$)، وهو ما يتطلب رياضياً أن يكون عدد المعلمات المطلوب تقديرها أقل من أو يساوي عدد التباينات والتباينات المشتركة الفريدة الملاحظة وفق القاعدة الحسابية الشهيرة: $[p(p+1)/2]$، حيث يمثل $p$ عدد المتغيرات المقاسة. إذا تجاوزت المعلمات هذا الحد، يفشل النموذج التوكيدي ولا يمكن تنفيذه رياضياً لكونه غير محدد (Under-identified).

أما فيما يخص أخطاء القياس، فإن EFA يفترض مبدئياً وتلقائياً عشوائية الأخطاء واستقلالها التام عن بعضها البعض وعن العوامل الكامنة؛ إذ لا تتوفر أي وسيلة تقنية داخل التحليل الاستكشافي التقليدي لنمذجة أي اعتماد متبادل بين أخطاء الفقرات. وفي المقابل، يوفر CFA مرونة فائقة ونضجاً قياسياً عبر إمكانية نمذجة أخطاء القياس وتقدير تبايناتها المشتركة بصورة صريحة عندما تدعم ذلك المبررات النظرية (مثل آثار التكرار في القياس الطولي، أو التأثيرات المنهجية للصياغات العكسية)، مما يسهم في تنقية التشبعات العاملية من التباين الدخيل غير المستهدف.

4.3 معايير التقييم والبرمجيات الإحصائية المستخدمة

يتمايز الأسلوبان بشكل جذري في حزمة المعايير المستخدمة لتقويم النتائج وفي البيئات البرمجية الحاضنة لكل منهما. يقاس نجاح الحل العاملي في EFA بنسبة التباين الكلي المفسر، ومعنوية اختبار بارتليت للكروية (Bartlett’s Test of Sphericity)، وكفاية مؤشر كايزر-ماير-أولكين (KMO) لجودة العينة، إلى جانب خلو مصفوفة النمط من التشبعات المتقاطعة ووضوح البنية المعنوية للعوامل. يفتقر EFA كلياً إلى اختبارات المطابقة الشاملة التي تبين مدى تمثيل المصفوفة المقدرة للبيانات الواقعية (باستثناء طريقة الإمكانية العظمى التي توفر اختبار كاي تربيع محدود التطبيق في الاستكشاف).

في المقابل، يمتلك CFA ترسانة إحصائية متطورة للحكم على النموذج، تبدأ من مؤشرات المطابقة العالمية المذكورة سابقاً (CFI, TLI, RMSEA, SRMR)، وتمر باختبارات دلالة المعلمات الفردية (Z-values و p-values لكل مسار)، وصولاً إلى فحص مؤشرات البواقي المعيارية (Standardized Residuals). هذا التمايز الإجرائي يفرض استخدام حزم برمجية متباينة؛ فالتحليل الاستكشافي يُنفذ تاريخياً وشائعاً عبر حزم مثل SPSS، وJASP، وjamovi، في حين يتطلب التحليل التوكيدي أدوات نمذجة متخصصة قادرة على التعامل مع مصفوفات التباين والمسارات الهيكلية، مثل برنامج Amos، وحزمة lavaan في لغة R، وبرنامج Mplus، وبرنامج LISREL.

يمتد هذا التباين ليشمل معالجة مشكلات البيانات غير الطبيعية أو الرتبية والبيانات المفقودة؛ فبينما تقف أدوات EFA الكلاسيكية عاجزة أو محدودة أمام الانحراف الحاد عن التوزيع الطبيعي والبيانات المفقودة (حيث تلجأ غالباً لحذف الحالات كلياً Listwise Deletion)، توفر برمجيات CFA المعاصرة خوارزميات متقدمة مثل مقدرات الإمكانية العظمى القوية (Robust Maximum Likelihood – MLR) وخوارزمية تعظيم التوقع والتقدير عبر الإمكانية العظمى للمعلومات الكاملة (FIML)، بالإضافة إلى مقدرات خاصة بالبيانات الترتيبية مثل المربعات الصغرى الموزونة قطرياً (WLSMV)، مما يمنح CFA موثوقية استدلالية فائقة عند التعامل مع البيانات الميدانية المعقدة.

وجه المقارنة	التحليل العاملي الاستكشافي (EFA)	التحليل العاملي التوكيدي (CFA)
المنطلق الإبستمولوجي	استقرائي (من البيانات والواقع الميداني إلى صياغة الفرضيات والنظريات).	استنباطي (من النظرية والفرضيات المسبقة إلى اختبار المطابقة مع الواقع).
الهدف الأساسي	اكتشاف الأبعاد الكامنة واختزال البيانات وتوليد البنية العاملية الأولية.	تأكيد البنية العاملية، واختبار مطابقة النموذج النظري، والتحقق من صدق البناء.
المعرفة النظرية القبلية	حد أدنى من التصور المفاهيمي؛ لا يشترط تحديد مسبق لعدد العوامل أو توزيع الفقرات.	اشتراط وجود إطار نظري راسخ أو نتائج استكشافية قطعية تحدد كافة المعلمات سلفاً.
طبيعة قيود التشبعات	تشبع حر بالكامل؛ كل فقرة تُرسم لها مسارات تشبع على كافة العوامل دون استثناء.	تشبع مقيد وصارم؛ الفقرة ترتبط بعاملها فقط، مع تثبيت بقية التشبعات عند الصفر التام.
أخطاء القياس	تُفترض عشوائية ومستقلة تماماً؛ لا يمكن نمذجة الارتباط بين أخطاء الفقرات.	تُعزل وتُقدّر كمعلمات قائمة بذاتها، مع إمكانية نمذجة الارتباط بينها بمبررات نظرية.
التدوير العاملي	خطوة إلزامية وحاسمة لتحقيق البنية البسيطة (تدوير متعامد أو مائل).	لا حاجة للتدوير؛ لأن موقع المحاور والعوامل محدد سلفاً بالقيود النظرية للنموذج.
معايير الحكم والتقويم	نسبة التباين المفسر، الجذور الكامنة، التحليل الموازي، وقيم التشبع في مصفوفة النمط.	مؤشرات حسن المطابقة العالمية (RMSEA, CFI, TLI, SRMR) ودلالة المعلمات التقديرية.
مشكلة التعرف الرياضي	غير مطروحة عملياً بسبب عدم وجود قيود جبرية تفرض درجات حرية موجبة.	شرط جوهري؛ يتطلب تحديد النموذج وجود درجات حرية موجبة ($df > 0$) لتفادي فشل التقدير.
البرمجيات النموذجية	SPSS، JASP، jamovi، حزمة psych في بيئة R.	Amos، Mplus، LISREL، حزمة lavaan وحزمة OpenMx في R.
تطبيقات الصدق المتقدمة	تقتصر على فحص الصدق البنائي العام وتجانس المجموعات الاستكشافية.	حساب دقيق لـ AVE وCR والصدق التمايزي واختبار تكافؤ القياس المتعدد (Invariance).

5. أوجه التشابه ونقاط التلاقي المنهجي

5.1 الاشتراك في نظرية القياس الكلاسيكية والمتغيرات الكامنة

على الرغم من التباينات الإجرائية والفلسفية العميقة التي تم تفصيلها، ينبثق التحليل العاملي الاستكشاري والتحليل العاملي التوكيدي من ذات النبع المفاهيمي؛ ألا وهو نظرية القياس الكلاسيكية (Classical Test Theory – CTT) ونموذج العامل المشترك الرياضي. يفترض كلا الأسلوبين أن السلوكيات الملاحظة أو الدرجات المسجلة على فقرات الاستبانة لا تمثل الظاهرة النهائية بحد ذاتها، بل هي مجرد تجليات وانعكاسات لمفاهيم وبنى غير ملاحظة لا يمكن رصدها أو قياسها بشكل مباشر تسمى بالمتغيرات الكامنة (Latent Variables).

يشترك التحليلان في نفس المعادلة التفريعية للتباين؛ فكلاهما يُقسّم التباين الإجمالي لكل متغير إلى تباين مشترك (Common Variance / Communality) ناجم عن التأثير الفاعل للعوامل الكامنة التي تشترك فيها البنود، وتباين فريد خاص (Unique Variance) يمثل الخصوصية الذاتية لكل فقرة مضافاً إليها خطأ القياس الصرف. وعليه، فإن كلاً من EFA وCFA يرفضان التعامل مع المتغيرات الملاحظة بوصفها قياسات معصومة من الخطأ، ويعملان على استبعاد التباين الشاذ والفريد لتركيز التقديرات والتشبعات على البنية المشتركة الحقيقية.

يتجلى التلاقي الرياضي كذلك في نقطة الانطلاق الحسابية؛ حيث ينطلق كلا التحليلين من معالجة واختزال مصفوفة التباين والتباين المشترك (Variance-Covariance Matrix) أو مصفوفة الارتباط (Correlation Matrix) بين المتغيرات. والهدف النهائي المشترك في كلا المسارين هو تقليص التعقيد الإحصائي واختزال مصفوفة المتغيرات المتشعبة في عدد محدد ومفهوم من الأبعاد، مما يحقق مبدأ بارسيموني (Parsimony) أو شفرة أوكام في التفسير العلمي: تفسير أقصى قدر ممكن من الواقع الملاحظ بأقل عدد ممكن من البنى والافتراضات الكامنة.

5.2 التكامل في مسار تطوير الأدوات والمقاييس النفسية والتربوية

إن النظرة المنهجية الرصينة لا تضع التحليل العاملي الاستكشاري والتوكيدي في موقع التنافس أو التناقض، بل تراهما مرحلتين متعاقبتين ومتكاملتين ضمن دورة حياة تطوير أدوات القياس وتقنينها. لا يمكن لأي مقياس سيكومتري جديد أن يقفز إلى مرحلة التحقق الصارم دون المرور بمرحلة التأسيس والاكتشاف؛ حيث يؤدي EFA الوظيفة الجوهرية في تنقية بنك الفقرات الأولي المستخلص من المقابلات أو الأطر المفاهيمية العامة، وتحديد كيفية تكتل هذه الفقرات، وفحص حساسيتها الاستجابية، وحذف البنود غير المشبعة أو المشبعة بصورة متقاطعة مربكة.

وبمجرد أن ينجز التحليل الاستكشافي مهمته في بلورة ملامح الأداة وهيكلتها، يسلّم الراية إلى التحليل التوكيدي ليتولى فحص استقرار هذه البنية الوليدة على محك التجريب المستقل. يقوم CFA باختبار متانة العلاقات المفترضة، ويوفر الأدوات القياسية الحاسمة لتقييم الصدق التقاربي والتمايزي وثبات البناء. هذا التحول من الاستكشاف الموجه بالبيانات إلى التوكيد المقيد بالنظرية يضمن توفير أدوات قياس تتمتع بموثوقية عالية، ومحصنة ضد التحيزات الإحصائية الناتجة عن الصدفة العشوائية في العينات المفردة، مما يجعل الجمع المتسلسل بين الأسلوبين المعيار الذهبي المعتمد في بناء الأدوات القياسية المنشورة في المجلات العلمية المحكمة عالمياً.

6. معايير الاختيار وسياقات الاستخدام

6.1 محددات اختيار EFA: السياقات والمؤشرات

يعد التحليل العاملي الاستكشافي الخيار المنهجي الأنسب—والإلزامي في كثير من الأحيان—في سياقات بحثية محددة تفتقر إلى الجزم النظري المكتمل. يبرز هذا الاحتياج في السيناريوهات التطبيقية التالية:

• بناء مقاييس جديدة كلياً: عند تصدي الباحث لدراسة ظواهر نفسية أو سلوكية مستجدة (مثل إدمان الواقع الافتراضي، أو ضغوط العمل عن بُعد في بيئات الذكاء الاصطناعي) لا تتوفر حولها نظريات راسخة تحدد أبعادها الدقيقة، مما يوجب تطبيق EFA لاستكشاف الكيفية التي تنتظم بها استجابات الأفراد حول هذه الظواهر.
• ترجمة وتكييف المقاييس عبر الثقافات (Cross-Cultural Adaptation): عند نقل مقياس مطور في بيئة ثقافية غربية إلى بيئة عربية مثلاً، قد تؤدي الاختلافات اللغوية، والقيم الاجتماعية، والمعايير الثقافية إلى تغير دلالات بعض المفردات أو تفكك الأبعاد الأصلية للمقياس. في هذه الحالة، يكون من غير الحكمة المنهجية تطبيق CFA مباشرة لفرض البنية الغربية قسراً؛ بل يتعين البدء بـ EFA للتأكد مما إذا كانت البنية العاملية تتطابق في الثقافة الجديدة أم أن هناك أبعاداً يعاد تشكلها سياقياً.
• إعادة تقييم أدوات قياس قديمة: الأدوات التي طُوِّرت في عقود سابقة قد تشهد تقادماً في مفرداتها نتيجة لتغير البنى اللغوية والاجتماعية؛ مما يستدعي إعادة تطبيق EFA لاستكشاف ما إذا كانت المفردات ما تزال تتشبع على ذات الأبعاد المحددة تاريخياً.
• تشخيص أسباب فشل النماذج التوكيدية: في الحالات التي يُطبق فيها الباحث CFA بناءً على نظرية معينة وتظهر النتائج سوء مطابقة حاد وغير قابل للمعالجة الطفيفة، تصبح العودة المنهجية إلى EFA مطلباً تشخيصياً ملحاً لاستكشاف مصادر الخلل، وتحديد مسارات التشبع غير المتوقعة، وإعادة هيكلة النموذج بصورة استقرائية جديدة.

6.2 محددات اختيار CFA: السياقات والمؤشرات

يصبح التحليل العاملي التوكيدي الأداة المنهجية الوحيدة المقبولة عندما ينتقل البحث من حيز الاستكشاف إلى فضاء البرهان والاختبار الصارم. وتتحدد سياقات استخدامه الحاسمة فيما يلي:

• اختبار النظريات العلمية المحددة: عندما يهدف البحث إلى اختبار فرضيات صريحة مشتقة مباشرة من نظرية كبرى محددة الأبعاد بدقة (مثل نظرية تقرير المصير، أو نموذج العوامل الخمسة الكبرى في الشخصية)؛ حيث لا يبحث الباحث عن أبعاد، بل يختبر ما إذا كانت البيانات الميدانية تتطابق مع هذه النظرية الراسخة.
• المعايرة والتقنين المتقدم للأدوات القياسية: في المرحلة الثانية من مراحل تطوير المقاييس، وبعد الانتهاء من الدراسة الاستكشافية وتحديد البنية المبدئية، يُطبق CFA على عينة مستقلة لإثبات الصدق البنائي والتحقق النهائي من استقرار النموذج القياسي قبل طرح المقياس للاستخدام المهني أو البحثي العام.
• فحص تكافؤ القياس (Measurement Invariance) والمقارنات بين المجموعات: عند الرغبة في مقارنة سمة نفسية بين مجموعات ديموغرافية مختلفة (مثل مقارنة الذكاء الوجداني بين الجنسين، أو مقارنة الرضا الوظيفي بين مستويات إدارية متعددة)؛ لا بد من استخدام CFA عبر المجموعات المتعددة (Multigroup CFA) لضمان أن الفروق الملاحظة تعكس فروقاً حقيقية في السمة وليست تحيزات في فهم بنود المقياس.
• دمج نماذج القياس ضمن نماذج سببية أوسع (Full Structural Models): يمثل CFA الخطوة الأولى الأساسية (Measurement Component) قبل إجراء مسارات الانحدار الهيكلي البنائي بين المتغيرات الكامنة (Structural Component) في إطار نمذجة المعادلات البنائية الشاملة (SEM)، وذلك عملاً بمنهجية أندرسون وجيربنج (Anderson & Gerbing) ذات الخطوتين لضمان جودة القياس قبل اختبار العلاقات السببية.

6.3 بروتوكول تقسيم العينة (Cross-Validation Strategy)

من أخطر الأخطاء المنهجية التي تقع فيها بعض البحوث المنشورة تطبيق التحليل العاملي الاستكشافي والتحليل العاملي التوكيدي على نفس مجموعة البيانات ونفس أفراد العينة؛ إذ يمثل هذا الإجراء انتهاكاً صارخاً لأسس الاستدلال الإحصائي؛ ويقود حتماً إلى ما يُعرف بـ “التضخيم الخادع للصدق” (Capitalization on Chance). فالنموذج الذي استُخرج استقرائياً ليتطابق مع تباينات عينة محددة سيحقق مطابقة جيدة بشكل شبه حتمي ومضلل إذا اختُبر توكيدياً على نفس العينة، دون أن يعكس ذلك أي صدق حقيقي قابل للتعميم.

لتجاوز هذا المأزق، تنص المعايير السيكومترية الصارمة على ضرورة تطبيق استراتيجية “التحقق المتقاطع عبر تقسيم العينة” (Cross-Validation Split-Sample Strategy). يعتمد هذا البروتوكول على الإجراءات التالية:

1. جمع عينة ميدانية عريضة: يقوم الباحث بجمع عينة ذات حجم كافٍ يغطي متطلبات التحليلين معاً بصورة مسبقة ومخطط لها بعناية.
2. التقسيم العشوائي التام (Random Split): تُقسم العينة عشوائياً بواسطة البرمجيات الإحصائية إلى نصفين مستقلين تماماً (Subsample 1 و Subsample 2) بنسبة 50% لكل منهما (أو بنسب متقاربة مثل 40% للاستكشاف و60% للتوكيد حسب الحجم الإجمالي).
3. تطبيق EFA على النصف الأول: تُجرى التحليلات الاستكشافية بالكامل على بيانات النصف الأول المستقل لتحديد العوامل، وتنقية الفقرات، وتحديد بنية النموذج المستخلص وتسمية أبعاده.
4. تطبيق CFA على النصف الثاني: تُنقل البنية العاملية الناتجة من النصف الأول وتُختبر بحذافيرها وقيودها الصارمة عبر التحليل التوكيدي على بيانات النصف الثاني المستقل، دون إجراء أي تعديلات استكشافية عليه.
5. معايرة كفاية العينة لكلا النصفين: يشترط لنجاح هذا البروتوكول أن يستوفي كل نصف على حدة شروط القوة الإحصائية وحجم العينة الملائم (كأن لا يقل حجم كل نصف عن 200 إلى 300 مفحوص وفق طبيعة النموذج)، لضمان استقرار الحلول وتفادي أخطاء عدم التقارب الرياضي. يمثل اجتياز النموذج لاختبار CFA في العينة الثانية المستقلة الدليل الأمثل على صدقه وثباته وقابليته للتعميم على المجتمع الأصلي.

7. الأسئلة الشائعة حول التحليلين العامليين

7.1 هل يجوز تطبيق CFA مباشرة دون إجراء EFA مسبقاً؟

نعم، يجوز تطبيق التحليل العاملي التوكيدي مباشرة وبشكل منهجي كامل دون الحاجة لإجراء EFA قبله، شريطة أن ينطلق الباحث من أساس نظري متين أو يعتمد على مقياس مقنن ومعتمد دولياً خضع لدراسات استكشافية وتوكيدية مستفيضة في أدبيات سابقة موثوقة. في هذه الحالة، يكون الهدف هو التحقق من انطباق نموذج نظري ناضج ومحدد المعالم على عينة جديدة، وبالتالي يصبح إجراء EFA تكراراً لا مسوغ منهجي له قد يؤدي إلى إرباك البنية المستقرة للأداة القياسية.

ومع ذلك، يجب التحذير من القفز المباشر والمتسرع إلى CFA في البحوث الاستطلاعية أو عند إدخال تعديلات جوهرية على صياغة الفقرات أو سياقات تطبيقها الميدانية؛ لأن غياب الأساس النظري الرصين سيقود بالضرورة إلى سوء مطابقة النموذج، ويدفع الباحث تحت ضغط الرغبة في تحسين المؤشرات إلى إجراء تعديلات اعتباطية متتابعة بناءً على مؤشرات التعديل (Modification Indices)، مما يفرغ CFA من جوهره التوكيدي ويحوله إلى تحليل استكشافي فاشل يفتقر إلى الضوابط الصارمة المتاحة في تقنيات EFA الأصلية.

7.2 ما هو الحد الأدنى لحجم العينة المطلوب لإجراء كل من EFA وCFA؟

تخضع مسألة تحديد حجم العينة الأمثل لقواعد ومعايير متدرجة ترتبط بدرجة تعقيد النموذج وخصائص البيانات الإحصائية وليس بمجرد أرقام ثابتة مطلقة:

• قواعد حجم العينة في EFA: تعتمد الأدبيات الكلاسيكية على نسبة المشاركين إلى المتغيرات الملاحظة (Subject-to-Item Ratio – $N:p$). تتراوح النسب المقبولة عموماً بين $5:1$ كحد أدنى مطلق في الظروف المثالية، إلى $10:1$ أو $20:1$ كنسبة مفضلة وموصى بها لضمان استقرار الحل العاملي. ومن حيث الأرقام المطلقة، تشير دراسات المحاكاة (مثل دراسات Comrey & Lee) إلى أن عينة بحجم 100 تُعد ضعيفة، و200 مقبولة، و300 جيدة، و500 ممتازة. وتتأثر هذه الحدود بقيم الشيوع؛ فإذا كانت قيم الشيوع للفقرات مرتفعة ($h^2 > 0.60$) والعوامل محددة بأكثر من 4 أو 5 فقرات قوية، يمكن الاكتفاء بعينات أصغر (100 إلى 150). أما إذا كانت قيم الشيوع منخفضة والتشبعات ضعيفة، فإن عينة تتجاوز 400 تصبح شرطاً لازماً لتجنب الحلول الخاطئة.
• قواعد حجم العينة في CFA: يرتبط حجم العينة هنا بتعقيد النموذج وعدد المعلمات المقدرة حراً (Free Parameters). كقاعدة إرشادية، يُنصح بنسبة لا تقل عن 10 مشاركين لكل معلمة مقدرة في النموذج، مع ضرورة تجنب العينات التي تقل عن 200 مشارك في جميع الأحوال، حتى في النماذج البسيطة؛ لتفادي مشاكل عدم التقارب الرياضي (Non-convergence) والتقديرات الشاذة التي تُعرف بـ “تباينات هايروود” (Heywood Cases)، مثل ظهور تباينات أخطاء سالبة، والتي تشيع بكثرة في العينات الصغيرة. كما تتطلب البيانات غير السوية التي تنحرف عن التوزيع الطبيعي عينات أكبر بكثير قد تتجاوز 400 إلى 500 حالة لضمان كفاءة المقدرات القوية.

7.3 كيف يتم التعامل مع البيانات الرتبية والفقرات ذات التدريج الليكرتي؟

من الأخطاء التحليلية الشائعة جداً في العلوم السلوكية معاملة درجات مقياس ليكرت (مثل التدريج الثلاثي، أو الخماسي، أو السباعي) بوصفها بيانات متصلة موزعة توزيعاً طبيعياً معيارياً، وتطبيق مصفوفة ارتباط بيرسون الكلاسيكية وخوارزميات الإمكانية العظمى القياسية (ML) بصورة آلية. يؤدي هذا التجاهل للطبيعة الرتبية الترتيبية (Ordinal Nature) إلى انخفاض مصطنع في قيم معاملات الارتباط، وظهور عوامل وهمية مشوهة تنشأ فقط من تماثل التواء استجابات الفقرات وليس من تمايز المفهوم ذاته.

تتمثل المعالجة المنهجية الرصينة لهذه المعضلة في مسارين تقنيين:

• في التحليل العاملي الاستكشافي (EFA): التخلي عن مصفوفة ارتباط بيرسون والاعتماد الحصري على مصفوفة الارتباط المتعدد الرتب (Polychoric Correlation Matrix)؛ حيث تقوم هذه التقنية بحساب الارتباطات بافتراض وجود توزيع احتمالي متصل كامن يكمن خلف الفئات الرتبية المتقطعة، مما يعيد للارتباطات قوتها الواقعية ويزيل التشوهات الناتجة عن تفاوت توزيع الاستجابات.
• في التحليل العاملي التوكيدي (CFA): استخدام مقدرات مخصصة للبيانات الرتبية غير المتصلة؛ ويعد مقدر المربعات الصغرى الموزونة قطرياً والمعيارية للتباين والمتوسط (WLSMV – Diagonally Weighted Least Squares) هو المعيار الذهبي المعتمد عالمياً في برمجيات مثل Mplus وlavaan للتعامل مع بيانات مقاييس ليكرت ذات الخيارات الأقل من 6 فئات، حيث يوفر هذا المقدر اختبارات مطابقة ومعاملات دقيقة وغير متحيزة تتفوق على مقدر الإمكانية العظمى الكلاسيكي.

7.4 ما هو التحليل العاملي الاستكشافي الهيكلي (ESEM) وأين يتموضع بينهما؟

يمثل التحليل العاملي الاستكشافي الهيكلي (Exploratory Structural Equation Modeling – ESEM)، الذي طوره آسباروهوف وموثين (Asparouhov & Muthén, 2009) وتوسع في تطبيقاته هيربرت مارش (Herbert Marsh)، ثورة منهجية كبرى نجحت في ردم الهوة الجافة بين قيود CFA الصارمة ومرونة EFA الاستكشافية. ينطلق ESEM من نقد واقعي لقيود CFA الكلاسيكية؛ حيث إن فرض تثبيت التشبعات غير المستهدفة عند الصفر التام نادراً ما يتحقق في القياسات النفسية المعقدة، مما يؤدي في الغالب إلى فشل نماذج CFA المقبولة نظرياً، أو يدفع إلى التضخيم غير المبرر لمعاملات الارتباط بين العوامل الكامنة لتعويض حظر التشبعات المتقاطعة.

يدمج ESEM أفضل ما في النموذجين؛ فهو يسمح بتقدير مصفوفة تشبعات حرة لجميع الفقرات على جميع العوامل الكامنة عبر تقنيات التدوير المائل المتقدمة كما في EFA، ولكنه في الوقت نفسه يُدمج هذا الحل الاستكشافي بالكامل داخل بيئة النمذجة البنائية الصارمة لـ CFA. يتيح ذلك للباحث استخراج كافة مؤشرات حسن المطابقة المتطورة (CFI, TLI, RMSEA)، وحساب أخطاء القياس المعيارية، وفحص تكافؤ القياس المتقدم عبر المجموعات، بل وربط هذه العوامل الاستكشافية بمسارات انحدارية سببية تنبؤية مع متغيرات أخرى في نموذج هيكلي شامل.

يتفوق ESEM على CFA التقليدي في المواقف القياسية التي تتسم فيها التكوينات النفسية بتداخل مفاهيمي طبيعي (مثل أبعاد الاحتراق النفسي، أو أبعاد الشخصية، أو أساليب التعلم)؛ حيث يوفر تقديراً أكثر دقة وواقعية للعلاقات بين العوامل، ويحول دون الوقوع في التشوهات الناتجة عن الفرض القسري للصفر الرياضي، مما يجعله مدخلاً سيكومترياً هجيناً وفائق التطور في علم النفس القياسي المعاصر.

8. خاتمة وخلاصة تركيبية

8.1 الموازنة بين المرونة الاستكشافية والصرامة التوكيدية

إن المقارنة المعمقة بين التحليل العاملي الاستكشافي والتحليل العاملي التوكيدي تقودنا إلى استنتاج منهجي حاسم: لا توجد تقنية متفوقة بصورة مطلقة على الأخرى، فكل منهما مصمم لأداء وظيفة إبستمولوجية وإحصائية محددة ضمن المسار المتكامل للبحث العلمي. إن محاولة تصوير EFA كإجراء عشوائي متخلف يفتقر إلى الرصانة هو جهل بطبيعة الفلسفة الاستقرائية وتوليد النماذج؛ وبالمثل، فإن النظر إلى CFA بوصفه قالباً سحرياً يضمن الصدق تلقائياً هو تعامٍ عن الأخطاء الفادحة الناتجة عن تثبيت قيود قسرية على ظواهر نفسية معقدة دون سند نظري حقيقي.

تقتضي الرصانة المنهجية احترام الطبيعة الوظيفية لكل أداة؛ فالمرونة الاستكشافية التي يوفرها EFA هي الحارس الأمين ضد التبني الأعمى لنماذج نظرية غير ملائمة لخصائص الواقع الميداني، بينما تمثل الصرامة التوكيدية لـ CFA الدرع الواقي ضد التضليل الناتج عن استغلال صدف العينات العشوائية وتوليد عوامل وهمية لا يمكن تعميمها. إن النجاح في القياس النفسي والاجتماعي لا يتوقف على تعقيد المعادلات والبرمجيات المستخدمة، بل يعتمد بالدرجة الأولى على وضوح الصياغة المفاهيمية، وسلامة تصميم العينات، واحترام المنطق العلمي الذي ينظم العلاقة الجدلية بين جمع البيانات التجريبية وبناء النماذج النظرية.

8.2 توصيات منهجية للباحثين في القياس النفسي والاجتماعي

بناءً على التفكيك الشامل لمساري التحليل العاملي، يخلص هذا المقال إلى تقديم حزمة من التوصيات الإجرائية الموجهة للباحثين والمشرفين الأكاديميين لضبط الممارسات القياسية في البحوث الميدانية:

• التخطيط المسبق لتصميم المعاينة: يجب على الباحث تحديد المسار العاملي قبل بدء العمل الميداني. فإذا كان البحث يهدف إلى بناء مقياس جديد أو تعريبه في سياق مغاير، يجب تصميم العينة منذ البداية لتكون كافية للتقسيم المتقاطع العشوائي (Cross-Validation)، بحيث يُخصص جزء منها للاستكشاف والآخر للتوكيد المستقل.
• الشفافية الكاملة في التقرير الإحصائي: يجب على الباحثين تجنب إخفاء القرارات التحليلية في تقاريرهم المنشورة. في EFA، يتعين تبرير أسلوب الاستخلاص المستخدم (مع تفضيل أساليب العامل المشترك على PCA)، وطريقة التدوير المعتمدة (مع تفضيل التدوير المائل كخيار افتراضي)، ونشر مصفوفة النمط كاملة مع توضيح المحك المعتمد للاحتفاظ بالعوامل (تفضيل التحليل الموازي). وفي CFA، يتعين الإبلاغ عن كافة مؤشرات المطابقة المطلقة والمقارنة ومصفوفات البواقي، مع الإفصاح الكامل عن أي مؤشرات تعديل تم الأخذ بها وتبريرها نظرياً.
• التوقف عن تطبيق CFA كتحليل استكشافي مستتر: يُحظر الحذف المتعاقب للفقرات أو الربط الاعتباطي بين أخطاء القياس استجابة لمؤشرات التعديل بهدف “تجميل” مؤشرات المطابقة؛ فإذا أظهر النموذج الأولي سوء مطابقة هيكلي، فالخيار المنهجي الشجاع هو رفض النموذج النظري وإعادة فحص البنية استكشافياً في دراسات لاحقة.
• مواكبة البرمجيات الحديثة ومقدرات البيانات الرتبية: يتعين على الباحثين مغادرة الأطر التقليدية التي تفترض الاتصال والاعتدالية في مقاييس ليكرت، واستخدام حزم برمجية حديثة قادرة على توظيف مصفوفات الارتباط متعدد الرتب ومقدرات WLSMV وMLR، واستكشاف التقنيات المتقدمة الواعدة مثل النمذجة الاستكشافية الهيكلية (ESEM) عند التعامل مع البنى النفسية المتداخلة.

المراجع

• Asparouhov, T., & Muthén, B. (2009). Exploratory structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 16(3), 397–438.
• Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons.
• Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Publications.
• Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276.
• Fabrigar, L. R., & Wegener, D. T. (2012). Exploratory factor analysis. Oxford University Press.
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
• Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185.
• Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55.
• Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Publications.
• Marsh, H. W., Morin, A. J., Parker, P. D., & Kaur, G. (2014). Exploratory structural equation modeling: An integration of the best features of exploratory and confirmatory factor analysis. Annual Review of Clinical Psychology, 10, 85–110.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Thurstone, L. L. (1947). Multiple factor analysis. University of Chicago Press.