مؤشرات حسن المطابقة: RMSEA مقابل CFI
تمت المراجعة العلمية · د. مروة عبد العظيم · 16 نوفمبر، 2026
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).
تعد نمذجة المعادلة البنائية (Structural Equation Modeling – SEM) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA) من أبرز الركائز المنهجية والإحصائية في العلوم النفسية، والتربوية، والاجتماعية، والإدارية المعاصرة. تتيح هذه الأدوات المتقدمة للباحثين اختبار الفرضيات النظرية المعقدة المتعلقة بالمتغيرات الكامنة (Latent Variables) والمسارات السببية المتشابكة، من خلال مقارنة مصفوفة التغاير المستمدة من البيانات الميدانية الفعلية بمصفوفة التغاير المتوقعة المشتقة من النموذج النظري المفترض. ومع ذلك، فإن جوهر الممارسة الإحصائية في هذا المضمار لا يقف عند مجرد تقدير المعلمات الحرة والأوزان الانحدارية، بل يتوقف بصورة حاسمة على مسألة أساسية: إلى أي مدى ينجح هذا النموذج النظري في مطابقة الواقع الميداني للبيانات؟ ومن هنا نشأت معضلة تقييم حسن المطابقة (Goodness-of-Fit Assessment) التي شكلت ولا تزال تشكل محوراً لنقاشات منهجية وإبستمولوجية بالغة العمق والتعقيد في الأدبيات الإحصائية الحديثة.
في خضم هذا المشهد الإحصائي، يبرز مؤشران كأكثر المعايير المعتمدة تواتراً وتأثيراً في تقييم جودة النماذج البنائية: جذر متوسط مربع خطأ التقريب (Root Mean Square Error of Approximation – RMSEA) ومؤشر المطابقة المقارن (Comparative Fit Index – CFI). يمثل كل واحد من هذين المؤشرين فلسفة إحصائية متباينة ومنظوراً مفاهيمياً مختلفاً تماماً في معالجة مسألة الملاءمة؛ فبينما ينتمي RMSEA إلى عائلة مؤشرات المطابقة المطلقة المصححة بالتعقيد (Absolute and Parsimony-Adjusted Fit Indices)، مركزاً على تقدير خطأ التقريب في المجتمع الإحصائي ومفرضاً عقوبات صارمة على النماذج التي تهدر درجات الحرية، ينتمي CFI إلى فئة مؤشرات المطابقة التزايدية أو المقارنة (Incremental Fit Indices)، مجسداً نسبة التحسن التي يحققها النموذج المستهدف مقارنة بنموذج خط الأساس أو نموذج الاستقلال الصفري المتطرف. هذا التباين البنيوي بين المؤشرين يفرز واقعاً عملياً بالغ الحساسية، إذ كثيراً ما يجد الباحثون أنفسهم أمام نتائج متناقضة ظاهرياً؛ حيث يشير أحد المؤشرين إلى مطابقة ممتازة بينما يشير الآخر إلى ملاءمة غير مقبولة، مما يثير حيرة منهجية عميقة حول كيفية اتخاذ القرار السليم علمياً وتفسيره بصورة محكمة.
يهدف هذا المقال الأكاديمي الشامل إلى تقديم تفكيك تأصيلي، ومقارنة بنيوية متعمقة، ودليل إجرائي رصين لكلا المؤشرين (RMSEA وCFI). سنستعرض في ثناياه الجذور التاريخية والرياضية لكل مؤشر، ونحلل سلوكهما الإحصائي تحت ظروف أحجام العينات المتفاوتة ودرجات التعقيد النماذجي، ونتناول تفاعلهما مع البيانات الترتيبية والبيانات المبتعدة عن التوزيع الطبيعي المتعدد. كما يقدم المقال إطاراً استراتيجياً متكاملاً لقراءة التقارير الإحصائية وتفسير حالات التعارض المنهجي، مدعوماً برؤى مستقاة من كبرى الدراسات التطبيقية في القياس النفسي والاجتماعي، بهدف تحرير الممارسة البحثية من النزعة الآلية العمياء أو “الطقوس الإحصائية الجامدة” والارتقاء بها إلى مستوى الفهم النقدي الرصين الذي يربط بين الأرقام الرياضية والدلالات السيكومترية الواقعية.
1. مقدمة تأصيلية: تقييم جودة النماذج في نمذجة المعادلة البنائية
1.1 إشكالية تقييم حسن المطابقة ومحدودية اختبار مربع كاي
تشكل مصفوفة التغاير التجريبية الملاحظة ($S$) الأساس الرياضي الذي تنطلق منه كافة عمليات التقدير في نمذجة المعادلة البنائية، حيث يسعى الباحث إلى صياغة نموذج نظري ينتج مصفوفة تغاير ضمنية متوقعة ($\Sigma(\theta)$) تقترب بأكبر قدر ممكن من مصفوفة البيانات الملاحظة. تاريخياً، كان الاختبار المعياري المباشر لتقييم مدى التطابق بين هاتين المصفوفتين هو اختبار مربع كاي لحسن المطابقة ($\chi^2$ Goodness-of-Fit Test). يقوم هذا الاختبار في جوهره على اختبار الفرضية الصفرية الدقيقة ($H_0: \Sigma = \Sigma(\theta)$)، والتي تفترض أن الفروق بين مصفوفة المجتمع ومصفوفة النموذج تساوي صفراً تماماً، وأن أي فروق مشاهدة في عينة الدراسة ليست سوى أخطاء معاينة عشوائية قابلة للتلاشي. من الناحية الرياضية البحتة، يمثل اختبار مربع كاي مقياساً إحصائياً للاختلاف، حيث تُضرب قيمة دالة الهدف الصغرى بحجم العينة مطروحاً منه واحد ($(N-1) \times F_{\min}$)، مما يجعله يخضع لتوزيع مربع كاي المركزي بدرجات حرية محددة ترتبط بعدد المتغيرات والمعلمات الحرة في النموذج.
ورغم الرصانة الرياضية لاختبار مربع كاي، إلا أن تطبيقه العملي واجه مأزقاً منهجياً معقداً نابعاً من اعتماده المباشر والمفرط على حجم العينة ($N$). فحينما تكون العينة كبيرة الحجم—وهو المطلب المعياري لضمان كفاءة مقدرات الاحتمالية العظمى واستقرار مصفوفات التغاير—تتضخم القوة الإحصائية (Statistical Power) للاختبار بصورة هائلة، مما يجعله حساساً بصورة مفرطة لأدنى انحراف طفيف أو تافه بين المصفوفتين، حتى وإن كان هذا الانحراف لا يحمل أي مغزى نظري أو عملي يذكر. ونتيجة لذلك، يؤدي اختبار $\chi^2$ إلى الرفض الإحصائي المنهجي لنماذج نظرية ممتازة ومطابقة للواقع بنسبة تكاد تلامس الكمال، فقط لأن العينة شملت مئات أو آلاف المشاركين. وعلى النقيض من ذلك تماماً، في العينات صغيرة الحجم، تنخفض القوة الإحصائية للاختبار، مما يقود إلى قبول نماذج معيبة نظرياً تحتوي على اختلالات بنيوية فادحة، نتيجة عجز الاختبار عن كشف الفروق ذات الدلالة. لقد أفضت هذه المفارقة الإحصائية إلى إدراك مبكر في أدبيات القياس بأن اختبار الدلالة الإحصائية الصفرية الدقيقة ليس الوسيلة الملائمة لتقييم النماذج في العلوم السلوكية والاجتماعية.
أمام هذا القصور البنيوي، تولدت حاجة معرفية ملحة لتجاوز منطق “الملاءمة الصفرية التامة” نحو منطق “الملاءمة التقريبية العملية” (Practical or Approximate Fit). فالنماذج الإحصائية بطبيعتها تمثل تبسيطاً تقريبياً لواقع إنساني ونفسي بالغ التعقيد، والافتراض بوجود تطابق مطلق هو افتراض غير واقعي إبستمولوجياً. ومن هذا المنطلق، انبرى علماء القياس النفسي والإحصاء الرياضي إلى تطوير مجموعة واسعة من مؤشرات حسن المطابقة التي لا تسعى لاختبار ما إذا كان النموذج متطابقاً بنسبة مائة بالمائة مع البيانات، بل تسعى لتقدير مدى اقتراب النموذج من تمثيل البيانات، وتحديد مقدار التباين المفسر، وقياس حجم الخطأ المتبقي بمعزل عن التأثير التضخيمي لحجم العينة. وقد شكل هذا التحول الفلسفي نقطة انطلاق جوهرية أحدثت ثورة حقيقية في منهجيات التحليل العاملي التوكيدي، ومهدت الطريق لظهور مؤشرات متخصصة مثل RMSEA وCFI لتقييم جودة النماذج بصورة أكثر موضوعية وموثوقية.
1.2 تصنيف مؤشرات حسن المطابقة في التحليل العاملي التوكيدي
أدى الانفجار المعرفي في تطوير مقاييس الملاءمة إلى ظهور العشرات من المؤشرات الإحصائية، مما استدعى تصنيفها منهجياً لفهم وظائفها وحدود تطبيقها. ينبني التصنيف الأكثر رصانة في أدبيات القياس المتقدمة على التمييز بين فئات رئيسية تعكس الزاوية التي ينظر من خلالها كل مؤشر إلى جودة النموذج. الفئة الأولى هي مؤشرات المطابقة المطلقة (Absolute Fit Indices)، والتي تقيم مدى قدرة النموذج النظري المقترح على إعادة إنتاج مصفوفة البيانات الأصلية دون مقارنتها بنموذج مرجعي خارجي. ومن أبرز مؤشرات هذه الفئة اختبار مربع كاي ذاته، وجذر متوسط مربع البواقي القياسي (Standardized Root Mean Square Residual – SRMR). الفئة الثانية هي مؤشرات المطابقة التزايدية أو المقارنة (Incremental or Relative Fit Indices)، والتي تقيس التحسن النسبي في ملاءمة النموذج المفترض مقارنة بنموذج أساس افتراضي شديد التقييد يُعرف بالنموذج الصفري (Null or Independence Model)، حيث يفترض الأخير غياب أي ارتباط بين المتغيرات الملاحظة تماماً. وتضم هذه الفئة مؤشرات شهيرة مثل مؤشر المطابقة المقارن (CFI)، ومؤشر تاكر-لويس (TLI)، ومؤشر المطابقة المعياري (NFI).
تتفرع عن هذه الفئات مفاهيم إحصائية غاية في الأهمية، يأتي في مقدمتها مفهوم “معاقبة التعقيد” (Parsimony Adjustment). فالنماذج الإحصائية تمتلك خاصية رياضية متأصلة: كلما زاد عدد المعلمات الحرة المقدرة (كإضافة مسارات جديدة أو تشبعات عاملية متقاطعة)، انخفضت درجات الحرية وارتفعت قدرة النموذج على استيعاب مصفوفة التغاير بصورة ميكانيكية، وصولاً إلى النموذج المشبع (Saturated Model) الذي يحقق مطابقة تامة صورية لكنه يفتقر إلى أي قدرة تعميمية أو تفسيرية. لذلك، كان لزاماً على الإحصائيين ابتكار مؤشرات تراعي مبدأ شفرة أوكام (Occam’s Razor)؛ أي تفضيل النماذج البسيطة المقتصدة على النماذج المعقدة المتكلفة ما دامت تقدم قدرة تفسيرية مقاربة. تتضمن مؤشرات المطابقة المقتصدة معادلات رياضية تفرض جزاءً أو عقوبة إحصائية تقلل من قيمة المؤشر كلما زاد النموذج تعقيداً على حساب درجات الحرية المستهلكة.
ضمن خارطة التصنيف المنهجي هذه، يحتل مؤشر جذر متوسط مربع خطأ التقريب (RMSEA) موقعاً فريداً يجمع بين كونه مقياساً مطلقاً للبواقي وكونه مقياساً معدلاً بالتعقيد والاقتصاد النماذجي؛ فهو ينطلق من تقييم سوء المطابقة بين النموذج ومصفوفة المجتمع، ويُدرج درجات الحرية في مقام معادلته لفرض عقوبة صارمة على التعقيد غير المبرر. وفي المقابل، يتربع مؤشر المطابقة المقارن (CFI) على عرش فئة المؤشرات التزايدية، إذ يركز بصورة كلية على مقارنة درجات التحسن الإحصائي في تفسير التغايرات فوق نموذج الاستقلال، ممتلكاً خصائص رياضية تحميه من التأثر المفرط بحجم العينة. إن فهم هذا الموقع التصنيفي لكل مؤشر يعد شرطاً مسبقاً لا غنى عنه قبل الشروع في تفسير أرقامهما، إذ إن كل مؤشر يجيب في الواقع عن سؤال بحثي يختلف جوهرياً عن السؤال الذي يجيب عنه المؤشر الآخر، مما يجعلهما وجهين لعملة نقدية واحدة في التقييم السيكومتري الرصين.
1.3 دوافع المقارنة الشائعة ومواطن اللبس المنهجي بين المؤشرين
أصبح الجمع بين مؤشري RMSEA وCFI في التقارير الإحصائية أشبه بالقاعدة الذهبية والمعيار الإلزامي المشترط من قبل هيئات التحرير في المجلات العلمية المحكمة ذات التأثير المرتفع عبر تخصصات العلوم النفسية والاجتماعية والإدارية. وقد تعزز هذا الاتجاه المنهجي بقوة بعد الدراسات المحاكاتية الكلاسيكية الرائدة التي قادها هيو وبينتلر (Hu & Bentler)، والتي أوصت صراحة بتطبيق استراتيجية المعيار المزدوج (Two-Index Presentation Strategy)، تجمع بين مؤشر من فئة البواقي المطلقة وآخر من الفئة التزايدية، بهدف تقليص أخطاء النوع الأول (رفض نموذج صحيح) وأخطاء النوع الثاني (قبول نموذج خاطئ). وقد اختار المجتمع الأكاديمي ثنائية (RMSEA / CFI) بوصفها التوليفة الأكثر كفاءة وموثوقية في تقييم نماذج التحليل العاملي التوكيدي ونماذج المسار، مما جعل ذكرهما معاً سمة بارزة لأي بحث كمي متقدم، كما يظهر بجلاء في دراسات قياس تجارب الاستشفاء وضغوط العمل الحديثة مثل أعمال Sonnentag & Fritz (2007).
ومع ذلك، أدى هذا الاعتماد المتكرر إلى ظهور التباسات منهجية واسعة بين الباحثين والممارسين، ترجع في أصلها إلى إغفال التباين الفلسفي والميكانيكي بين المقياسين. فاللبس الأول يتمثل في الاعتقاد الخاطئ بأنهما يقيسان الشيء نفسه ولكن بتدريج معكوس؛ حيث يُنظر إلى RMSEA على أنه يقيس “الخطأ” ولذلك ينبغي أن يقترب من الصفر، وإلى CFI على أنه يقيس “الصحة” ولذلك ينبغي أن يقترب من الواحد. هذا التبسيط يغفل حقيقة أن RMSEA يقيس سوء المطابقة المتبقي في المجتمع لكل درجة حرية، مستقلاً تماماً عن أي نموذج بديل، في حين أن CFI يقيس المسافة التي قطعها النموذج في تقليص عدم التحديد مقارنة بنموذج يمثل أسوأ سيناريو ممكن (نموذج انعدام الارتباط). وبالتالي، فإن الأساس المرجعي الذي تنطلق منه حسابات المؤشرين متباين جذرياً، ولا يمكن اختزاله في مجرد مقياس طردي وآخر عكسي.
أما الموطن الثاني للبس المنهجي، وهو الأخطر تطبيقياً، فيبرز عند حدوث تعارض حاد في نتائج المؤشرين للنموذج ذاته. ففي كثير من السيناريوهات الواقعية، ولا سيما عند اختبار نماذج ذات درجات حرية منخفضة جداً ($df < 10$) أو عند التعامل مع عينات بحثية صغيرة إلى متوسطة ($N < 200$)، قد يسجل نموذج ما قيمة CFI استثنائية تتجاوز 0.98 (مما يوحي بمطابقة خارقة للعادة)، بينما يقفز مؤشر RMSEA في الوقت ذاته ليتجاوز عتبة 0.12 (مما يشير إلى مطابقة رديئة وفشل ذريع). والعكس قد يحدث أيضاً؛ حيث يسجل النموذج قيمة RMSEA ممتازة تقارب 0.03، في حين يتراجع CFI إلى مستويات متدنية دون 0.85 في حالات تكون فيها معاملات الارتباط الأولية بين المتغيرات الملاحظة ضعيفة جداً. يؤدي هذا التناقض إلى ارتباك منهجي كبير يدفع الباحثين أحياناً إلى ممارسات غير علمية؛ كإهمال المؤشر السلبي وإبراز المؤشر الإيجابي فقط، أو التلاعب بالنموذج بإضافة مسارات غير مبررة نظرياً لرفع المؤشر المتدني، وهو ما يؤكد الأهمية القصوى للتأصيل المفاهيمي الدقيق لكل مؤشر على حدة قبل إجراء أي مقارنة تطبيقية.
2. المؤشر الأول: جذر متوسط مربع خطأ التقريب (RMSEA)
2.1 التأصيل النظري والأسس الإحصائية لمؤشر RMSEA
يعود الفضل في تأسيس وتطوير مؤشر جذر متوسط مربع خطأ التقريب إلى العمل الرائد الذي قدمه الإحصائيان جيمس ستيكر ومايكل ليند (Steiger & Lind) عام 1980 في ورقة بحثية شكلت علامة فارقة في تاريخ النمذجة البنائية. انطلق العالمان من نقد إبستمولوجي عميق لفكرة “المطابقة التامة” في عينة البحث، مجادلين بأن أي نموذج إحصائي مفترض ليس سوى تقريب للواقع في أحسن أحواله، وأن الهدف الحقيقي للنمذجة يجب ألا يكون إثبات أن مصفوفة المجتمع تساوي بدقة مصفوفة النموذج، بل تقدير حجم “خطأ التقريب” (Error of Approximation) الكامن بين النموذج المفترض والمجتمع الإحصائي الذي سُحبت منه العينة، مع التمييز الدقيق بين خطأ التقريب هذا وخطأ المعاينة العشوائي (Sampling Error) الذي يزول تلقائياً مع تضخم حجم العينات.
يستند التأصيل الرياضي لمؤشر RMSEA بشكل مباشر على مفهوم توزيع كاي تربيع غير المركزي (Non-Central Chi-Square Distribution)، ومعلمة عدم المركزية المقابلة ($lambda$ أو $d$). فعندما لا تنطبق الفرضية الصفرية للمطابقة التامة في المجتمع، فإن القيمة المحسوبة لاختبار كاي تربيع في العينة لا تتبع توزيع كاي تربيع المركزي الكلاسيكي، بل تتبع توزيعاً منحرفاً غير مركزي تحدده معلمة عدم المركزية ($lambda$)، والتي تمثل كمياً مقدار التباعد وسوء المطابقة بين مصفوفة المجتمع الحقيقية والنموذج النظري. بناءً على هذا المبدأ، صمم ستيكر وليند مؤشراً يعتمد على تقدير معلمة عدم المركزية في المجتمع وتصحيحها بناءً على حجم العينة، مما جعل RMSEA مقياساً يركز بالأساس على تقييم جودة تمثيل النموذج في المجتمع الإحصائي الكلي، متحرراً من قيود الانحباس في حدود العينة الراهنة فقط، وهو ما منحه عمقاً تفسيرياً قل نظيره بين المؤشرات الإحصائية الأخرى.
تكمن قوة هذا التأصيل النظري في قدرته على نقل التحليل من منطق الاختبارات الثنائية (قبول/رفض) إلى منطق القياس المستمر لجودة التمثيل السيكومتري؛ فبدلاً من أن يسأل الباحث: “هل يطابق نموذجي البيانات دون أي خطأ؟”، يصبح السؤال المنهجي الرصين: “ما هو مقدار خطأ التقريب لكل درجة حرية في المجتمع الذي نسعى للتعميم عليه؟”. هذا التحول أتاح لعلماء النفس والاجتماع والقياس السلوكي دراسة بنيات ومقاييس نفسية معقدة عبر مجتمعات متعددة دون الخوف من رفض النماذج قسرياً بفعل حجم العينة الضخم، كما يتجلى ذلك بوضوح في دراسات التحقق من المقاييس السريرية والصحية النفسية واسعة النطاق مثل دراسة Lamers et al. (2010) في تقييم الخصائص السيكومترية لمقياس الصحة النفسية المختصر.
2.2 الصيغة الرياضية وآلية معاقبة تعقيد النموذج ودرجات الحرية
تتجسد الفلسفة الإحصائية لمؤشر RMSEA في صيغته الرياضية المحكمة، والتي تُحسب بالاعتماد على قيمة اختبار مربع كاي المحسوبة للنموذج المستهدف ($\chi^2$)، ودرجات حرية النموذج المقابلة ($df$)، والحجم الكلي لعينة الدراسة ($N$). تأخذ الصيغة الرياضية الأساسية الشكل الآتي:
$$\text{RMSEA} = \sqrt{\max\left(0, \frac{\chi^2 – df}{df(N – 1)}\right)}$$
وفي بعض البرمجيات والخوارزميات الإحصائية البديلة، يُستخدم حجم العينة المباشر ($N$) في المقام بدلاً من ($N-1$)، غير أن الفارق بين الصيغتين يؤول إلى الصفر تقريباً في العينات المعتدلة والكبيرة. تكشف هذه الصيغة عن بنية عبقرية تتصدى لظاهرتين إحصائيتين أساسيتين؛ الأولى هي طرح درجات الحرية ($df$) من قيمة مربع كاي في البسط، وهو ما يمثل مقدر النقطة لمعلمة عدم المركزية المحسوبة ($\hat{\lambda} = \chi^2 – df$)، وتضمن دالة القيمة القصوى $max(0, dots)$ ألا تنحدر القيمة تحت الصفر في الحالات النادرة التي تنخفض فيها قيمة مربع كاي المحسوبة عن قيمة درجات الحرية ذاتها، إذ لا يمكن لخطأ التقريب أن يكون قيمة سالبة رياضياً أو منطقياً.
أما الميزة الجوهرية الأبرز في المعادلة، فتكمن في وجود درجات الحرية ($df$) في مقام الكسر تحت الجذر التربيعي؛ فهذا التضمين يمثل الآلية الرياضية المباشرة لفرض “عقوبة التعقيد” (Parsimony Penalty). فإذا حاول الباحث تحسين مطابقة نموذجه عبر تشبيعه بالمعلمات الإضافية والمسموحات الارتباطية غير المبررة لتقليل قيمة مربع كاي، فإن ذلك التوسع سيقابله فوراً انخفاض في درجات الحرية ($df$). وإذا لم يكن التراجع في قيمة مربع كاي كبيراً بما يكفي لتعويض فقدان درجات الحرية في المقام، فإن قيمة RMSEA سترتفع، مما يعاقب الباحث على تعقيد نموذجه ويُظهر تدهوراً في ملاءمته العامة. هذه الآلية تمنع الباحثين من اللهاث وراء المؤشرات التجميلية للنموذج على حساب الاقتصاد والتجريد العلمي المطلوب.
علاوة على ذلك، ينفرد مؤشر RMSEA بميزة إحصائية استثنائية ترتكز على خصائص توزيع كاي تربيع غير المركزي، وهي القدرة على بناء فترات ثقة إحصائية دقيقة (Confidence Intervals) حول مقدر النقطة، وغالباً ما يتم حساب فترة ثقة بمستوى 90% (90% CI). تتيح هذه الفترة للباحث تحديد المدى الذي يقع فيه خطأ التقريب الحقيقي في المجتمع بدقة إحصائية معلومة، وتكشف بوضوح عن مدى دقة أو هشاشة التقدير النقطي. بالتوازي مع ذلك، أتاح هذا الأساس الرياضي تطوير اختبار فرضية إحصائية مخصص يُعرف باختبار الملاءمة القريبة (Test of Close Fit – PCLOSE)، والذي يختبر الفرضية الصفرية القائلة بأن قيمة RMSEA في المجتمع لا تتجاوز 0.05 ($H_0: \text{RMSEA} le 0.05$). فإذا كانت قيمة الدلالة لاختبار PCLOSE أكبر من 0.05، فإننا نفشل في رفض هذه الفرضية، مما يدعم بقوة استنتاج أن النموذج يتمتع بملاءمة متقاربة وممتازة للمجتمع الإحصائي.
2.3 محكات الحكم الأكاديمي، ونقاط القوة والضعف
شهدت محكات الحكم وتفسير قيم RMSEA تطوراً تاريخياً بارزاً يعكس التشدد المنهجي المتنامي في معايير النشر العلمي؛ ففي الأدبيات المبكرة التي أسس لها براون وكوديك (Browne & Cudeck, 1993)، اعتُبرت القيمة التي تقل عن 0.05 دلالة على ملاءمة قريبة وممتازة للنموذج (Close Fit)، في حين اعتُبرت القيم التي تتراوح بين 0.05 و0.08 دلالة على ملاءمة معقولة ومقبولة إحصائياً (Reasonable Fit)، بينما تم تصنيف القيم من 0.08 إلى 0.10 بأنها تمثل ملاءمة متوسطة أو هامشية (Mediocre Fit)، وما تجاوز 0.10 دلالة حاسمة على سوء مطابقة النموذج ووجوب رفضه. لاحقاً، شددت دراسة هيو وبينتلر المعيارية (Hu & Bentler, 1999) هذه المحكات، موصية بضرورة اقتراب قيمة RMSEA من 0.06 أو أقل لاعتبار النموذج مقبولاً، مع التأكيد الصارم على فحص الحد الأعلى لفترة الثقة بنسبة 90%، بحيث لا يتجاوز عتبة 0.08 لضمان استبعاد سيناريوهات التطابق السيئ في المجتمع.
تتمثل نقطة القوة الكبرى لمؤشر RMSEA في حساسيته العالية لتشوهات التخصيص الخاطئ للنموذج (Model Misspecification)، وخاصة تلك المتعلقة بالبنية التحتية للأوزان العاملية والتشبعات بين المتغيرات الكامنة، فضلاً عن تقديره المباشر لخطأ المجتمع وتضمينه الصارم لمعاقبة التعقيد عبر درجات الحرية. يضاف إلى ذلك القيمة العلمية البالغة لفترات الثقة المرافقة له؛ إذ تمنع الباحث من الاعتماد السطحي على رقم مفرد قد يخفي وراءه تشتتاً واسعاً وعدم يقين إحصائي كبير. هذه الخصائص جعلت RMSEA حجر الزاوية في الدراسات الدولية التقييمية العابرة للثقافات، كما في دراسة فاليديتور مقاييس الصدمة النفسية المعقدة Cloître et al. (2018)، التي اعتمدت على محكات RMSEA الصارمة للتحقق من الصدق التمييزي والتكويني لأدوات تشخيص اضطراب ما بعد الصدمة.
في المقابل، يعاني مؤشر RMSEA من نقاط ضعف هيكلية أثبتتها الدراسات المحاكاتية الحديثة؛ أبرزها ضعفه الشديد وتضخم قيمه بصورة اصطناعية مضللة في النماذج التي تمتلك درجات حرية منخفضة جداً (Low $df$ Models). فعندما يحتوي النموذج على عدد قليل من المؤشرات والمتغيرات وتكون درجات الحرية أقل من 10، يتقلص مقام معادلة RMSEA بشكل حاد، مما يؤدي إلى تضخيم قيمة المؤشر وارتفاع الحد الأعلى لفترة الثقة ليتجاوز 0.10 أو حتى 0.15 بسهولة تامة، حتى لو كان النموذج النظري صحيحاً ومطابقاً للبيانات بدقة كاملة. تتفاقم هذه المشكلة بشكل مضاعف عند اقتران درجات الحرية المنخفضة بعينات بحثية متواضعة أو صغيرة الحجم ($N < 200$)، حيث يفقد مقدر عدم المركزية استقراره، وتتسع فترات الثقة بصورة كارثية، مما يؤدي في كثير من الأحيان إلى الرفض الزائف لنماذج صحيحة تماماً من الناحية العلمية، وهو ما يفرض على الباحثين حذراً بالغاً وعدم الاعتماد على عتبات القطع بصورة ميكانيكية عمياء.
3. المؤشر الثاني: مؤشر المطابقة المقارن (CFI)
3.1 المفهوم الرياضي والمنهجي لمؤشر المطابقة التزايدي CFI
قاد عالم القياس النفسي الشهير بيتر بينتلر (Peter M. Bentler) في عام 1990 ثورة تصحيحية في مجال مؤشرات الملاءمة المقارنة عندما طور مؤشر المطابقة المقارن (Comparative Fit Index – CFI). جاء ابتكار بينتلر كرد علمي مباشر لتجاوز أوجه القصور البالغة التي كانت تشوب مؤشر المطابقة المعياري (Normed Fit Index – NFI) الذي طوره سابقاً مع بونيت (Bentler & Bonett, 1980). فرغم عبقرية فكرة NFI، إلا أنه كان يعاني من تحيز بنيوي خطير يرتبط ارتباطاً وثيقاً بحجم العينة، حيث كان يميل باستمرار إلى التقليل من جودة مطابقة النماذج في العينات الصغيرة أو المعتدلة، مقدماً قيماً منخفضة بشكل مضلل حتى وإن كان النموذج المفترض مطابقاً تماماً في المجتمع.
تستند الفلسفة المنهجية لمؤشر CFI إلى مفهوم “المقارنة التزايدية النسبية”؛ فالنموذج هنا لا يُقيّم في فراغ إحصائي مطلق كما هو الحال في RMSEA، بل يتم تقييم أدائه عبر وضعه في مواجهة مباشرة بين قطبين متطرفين: القطب الأول هو النموذج المفترض المستهدف للتقييم، والقطب الثاني هو “نموذج خط الأساس” أو “النموذج الصفري” (Baseline/Null Model)، والذي يُعرف تقليدياً في برمجيات التحليل بنموذج الاستقلال التام (Independence Model). في هذا النموذج الصفري، يتم تقييد كافة التغايرات والارتباطات بين المتغيرات الملاحظة لتساوي صفراً بصورة صارمة، مع الاكتفاء بتقدير تباينات المتغيرات فقط، مما يجعله يمثل أسوأ سيناريو افتراضي على الإطلاق لملاءمة البيانات، مفترضاً أن الظاهرة المدروسة لا تمتلك أي بنية ارتباطية مشتركة بين مكوناتها.
انطلاقاً من هذه المقارنة، يقدم CFI مقياساً كمياً محصوراً نظرياً بين الصفر والواحد الصحيح [0, 1]، يعبر بدقة عن النسبة المئوية للانخفاض في عدم الملاءمة أو التحسن المحقق في تفسير مصفوفة التغاير الذي ينجزه النموذج المقترح مقارنة بنموذج الاستقلال السيئ. فإذا بلغت قيمة CFI مثلاً 0.96، فإن التفسير المنهجي المباشر لهذه القيمة هو أن النموذج النظري للباحث قد نجح في تقليص التشتت وعدم التحديد وسوء المطابقة بنسبة 96% مقارنة بما يقدمه نموذج الاستقلال التام. هذه الطبيعة النسبية جعلت CFI مقياساً بديهياً وسهل الفهم والتفسير لدى جمهور الباحثين، وعززت من موقعه كأداة لا غنى عنها في أبحاث الشخصية وتتبع التغيرات النمائية عبر مسار الحياة، مثل دراسات Specht et al. (2011) التي اعتمدت على استقرار مؤشر CFI للتحقق من ثبات بنية العوامل الخمسة الكبرى للشخصية عبر الفئات العمرية المتعددة.
3.2 معادلة الحساب وعلاقتها بتباين النموذج الصفري
تعتمد الآلية الرياضية لحساب مؤشر CFI على توظيف معاملات عدم المركزية لكلا النموذجين: النموذج المستهدف تقييمه ($\text{Target Model}$) ونموذج الاستقلال المرجعي الصفري ($\text{Baseline/Independence Model}$). يُرمز لمعلمة عدم المركزية للنموذج المستهدف بالرمز ($\delta_{\text{target}}$)، وتُحسب رياضياً عبر طرح درجات حرية النموذج من قيمة مربع كاي المقابلة له، مع تقييد الناتج بألا ينخفض عن الصفر: $\delta_{\text{target}} = \max(0, \chi^2_{\text{target}} – df_{\text{target}})$. وبنفس المنطق الرياضي الصارم، تُحسب معلمة عدم المركزية لنموذج خط الأساس الصفري ($\delta_{\text{base}}$) وفق الصيغة: $\delta_{\text{base}} = \max(0, \chi^2_{\text{base}} – df_{\text{base}}, \chi^2_{\text{target}} – df_{\text{target}})$.
بناءً على هذه التقديرات المصححة لعدم المركزية، تأخذ المعادلة الحسابية العامة لمؤشر CFI الشكل الرياضي الدقيق الآتي:
$$\text{CFI} = 1 – \frac{\max(0, \chi^2_{\text{target}} – df_{\text{target}})}{\max(0, \chi^2_{\text{base}} – df_{\text{base}}, \chi^2_{\text{target}} – df_{\text{target}})} = 1 – \frac{\delta_{\text{target}}}{\delta_{\text{base}}}$$
توضح هذه الصيغة ببراعة كيف ينجح CFI في إزالة أثر التحيز المرتبط بحجم العينة؛ فالاعتماد على معاملات عدم المركزية المقدرة ($\chi^2 – df$) بدلاً من قيم كاي تربيع الخام المباشرة يؤدي إلى تصحيح تضخم القيمة الناتج عن كبر حجم العينة، لأن التوزيع النظري لمعلمة عدم المركزية يأخذ في الحسبان تلقائياً هذا التباين الإحصائي. فإذا كان النموذج المستهدف مطابقاً تماماً في المجتمع، فإن القيمة المتوقعة لبسط الكسر ($\chi^2_{\text{target}} – df_{\text{target}}$) تؤول إلى الصفر، مما يجعل الكسر بأكمله صفراً، وتصل قيمة CFI بالتالي إلى قيمتها العظمى وهي 1.0.
علاوة على ذلك، تتعامل معادلة CFI بدقة مع الحالات الإحصائية الحدية والشاذة؛ ففي بعض التطبيقات العملية التي تكون فيها مطابقة النموذج جيدة بصورة استثنائية تفوق التوقعات العشوائية، قد تصبح قيمة ($\chi^2_{\text{target}}$) أصغر من ($df_{\text{target}}$)، مما يفرز ناتجاً سالباً داخل البسط. وهنا تتدخل دالة القيمة القصوى $max(0, dots)$ لتثبيت البسط عند الصفر، مانعة المؤشر من تجاوز حاجز الواحد الصحيح (1.0). وبالمثل، في الحالات البائسة التي يفشل فيها النموذج المقترح ويسجل سوء مطابقة يفوق نموذج الاستقلال ذاته، يتم تثبيت المؤشر عند الصفر، ليظل CFI مقياساً معيارياً منضبطاً ومحصوراً دائماً وأبداً في المدى المغلق بين [0.000 و 1.000]، مما يوفر للباحث أرضية قياسية ثابتة للمقارنة بين النماذج المتنافسة على عينات متباينة.
3.3 معايير التفسير الكلاسيكية والمعاصرة وتقييم الأداء
مرت عتبات الحكم الأكاديمي على مؤشر CFI بتحول نوعي بارز خلال العقود الثلاثة الماضية؛ ففي الحقبة الكلاسيكية التي تلت نشر ورقة بينتلر الأصلية عام 1990، استقر العرف المنهجي في المجلات البحثية على اعتبار قيمة 0.90 عتبة القبول المعيارية (Conventional Cutoff) لملاءمة النموذج؛ فكل نموذج يحقق قيمة CFI تساوي 0.90 أو تتجاوزها كان يُعد نموذجاً مقبولاً ومطابقاً للبيانات بشكل كافٍ ومقنع. ومع ذلك، شهد عام 1999 منعطفاً مفصلياً بعد النشر المدوي لدراسة هيو وبينتلر (Hu & Bentler, 1999)، والتي أثبتت عبر محاكاة مونت كارلو الواسعة أن اعتماد عتبة 0.90 يؤدي إلى معدلات قبول كارثية لنماذج فاسدة التخصيص (Misspecified Models) ومفتقرة للصدق البنائي الحقيقي. وبناءً على ذلك، أوصت الدراسة برفع عتبة القبول الصارمة إلى 0.95 فأكثر للحديث عن مطابقة ممتازة (Good/Excellent Fit)، مع اعتبار القيم الواقعة بين 0.90 و0.95 مجرد مؤشرات لمطابقة هامشية أو مقبولة بالحد الأدنى وتتطلب تدعيماً إضافياً من مؤشرات أخرى.
تتجلى القوة المنهجية العظمى لمؤشر CFI في استقراره المذهل وحياديته النسبية تجاه تقلبات حجم العينة؛ فقد أجمعت الدراسات السيكومترية المقارنة على أن CFI هو أحد أقل المؤشرات تأثراً بحجم العينة، حيث يحتفظ بقدرته على التمييز بدقة بالغة سواء كانت العينة مؤلفة من 150 مشاركاً أو تجاوزت الآلاف. هذه الخاصية البنيوية جعلت منه المعيار الأثير في الدراسات التنظيمية والمهنية متعدية اللغات والثقافات؛ ومثال ذلك ما نراه في دراسة فاليديتور مقياس دوافع العمل متعدد الأبعاد Gagné et al. (2014)، حيث وفّر CFI معياراً صلباً للمقارنة بين نماذج القياس عبر تسع دول وسبع لغات مختلفة دون أن تتشوه النتائج جراء التباين في أحجام العينات الوطنية.
ورغم هذه المزايا المتفوقة، يعاني CFI من نقطة ضعف خفية ولكنها بالغة الخطورة، وتتعلق بهشاشته وحساسيته غير المرغوبة لقوة الارتباطات الأصلية بين المتغيرات الملاحظة داخل مصفوفة النموذج الصفري. فمن المعلوم رياضياً أن مقام مؤشر CFI يتحدد بقيمة ($\chi^2_{\text{base}} – df_{\text{base}}$)؛ فإذا كانت المتغيرات الملاحظة في دراسة ما تمتلك بطبيعتها معاملات ارتباط متبادلة متواضعة أو منخفضة جداً (وهو ما يحدث كثيراً في مقاييس الشخصية ذات البنود العريضة، أو في مقاييس الأداء السلوكي المتباعد)، فإن قيمة $\chi^2_{\text{base}}$ لنموذج الاستقلال ستكون منخفضة وصغيرة نسبياً. هذا الانخفاض يؤدي إلى تقليص حجم المقام بصورة حادة في معادلة CFI، مما يترتب عليه بالضرورة تدهور قيمة CFI وانخفاضها الشديد حتى وإن كان النموذج المفترض يمثل تلك الارتباطات المتواضعة تمثيلاً مثالياً خالياً من أي خطأ تقريب! هذه الخاصية تجعل من CFI مؤشراً خادعاً وقاسياً بغير حق في بيئات الارتباطات المنخفضة، وهو ما ينبغي أن يتنبه له كل باحث متمرس عند تقييم نتائجه.
4. أبعاد المقارنة الجوهرية بين RMSEA وCFI
4.1 الفلسفة الإحصائية والنموذج المرجعي
ينطلق كل من RMSEA وCFI من فلسفتين إحصائيتين شديدتي التباين تمثلان مدرستين فكريتين مختلفتين في فلسفة العلوم ونظرية القياس. يقوم مؤشر RMSEA على فلسفة “التقدير المستقل لخطأ التقريب المتبقي في المجتمع”؛ إنه مؤشر واقعي متجرد، لا يكترث بوجود أي نماذج أخرى، ولا يحتاج إلى اختراع نقطة مقارنة مرجعية مصطنعة لتقييم النموذج، بل يوجه عدسته مباشرة نحو الفجوة القائمة بين النموذج المقترح ومصفوفة المجتمع الحقيقي. والسؤال الأساسي الذي يطرحه RMSEA هو: “إذا سلمنا بأن هذا النموذج هو تبسيط حتمي للواقع، فما هو الحجم الدقيق للخطأ المتبقي لكل درجة حرية في المجتمع الكلي؟”. بناءً على ذلك، فإن قيمة الصفر في RMSEA تمثل الهدف الأسمى والمثالي، إذ تعني الغياب التام لخطأ التقريب، وكلما ارتفعت القيمة دل ذلك على تفاقم الخلل التشخيصي للنموذج وتزايد رداءة تمثيله للواقع الإحصائي.
على النقيض من ذلك تماماً، ينبني مؤشر CFI على فلسفة “التحسن التزايدي النسبي المقارن”؛ فهو مؤشر برغماتي يرى أن جودة أي نموذج لا يمكن فهمها إلا عبر قياس مقدار التقدم الذي يحرزه مقارنة بنقطة الصفر المعرفية. والنموذج المرجعي هنا ليس المجتمع الحقيقي، بل هو نموذج الاستقلال التام المفترض سلفاً كأسوأ تمثيل ممكن للبيانات. والسؤال الفلسفي الذي يجيب عنه CFI هو: “ما مقدار المسافة التي قطعها هذا النموذج نحو الملاءمة الكاملة، إذا ما بدأنا رحلتنا من نقطة العشوائية التامة وعدم الترابط التي يمثلها النموذج الصفري؟”. ومن ثم، فإن التدريج الرقمي هنا مقلوب بالكامل مقارنة بـ RMSEA؛ فالصفر يمثل الفشل التام والجمود عند خط الأساس الرديء، بينما يمثل الواحد الصحيح (1.0) الغاية المنشودة التي تدل على النجاح المطلق في استيعاب كل تباين ممكن فوق نموذج الاستقلال.
يترتب على هذا التباين الفلسفي نتيجة منهجية بالغة الخطورة: إن RMSEA مؤشر مكتفٍ بذاته ومستقل تماماً عن بنية النماذج المتنافسة، بينما يرتهن CFI ارتهاناً كلياً ومباشراً بطبيعة وخصائص النموذج الصفري الذي يوضع في مواجهته. فإذا كان النموذج الصفري سيئاً بدرجة كارثية (بفعل تضخم الارتباطات بين المتغيرات)، بدا مؤشر CFI متفوقاً ولامعاً حتى لو كان النموذج المفترض يعاني من أخطاء داخلية خطيرة. أما إذا كان النموذج الصفري معتدل السوء، كافح CFI ليرتفع حتى مع وجود نموذج متماسك. إن إدراك هذا التباين هو المفتاح الأول لحل أي تضارب ظاهري قد يطرأ بين المؤشرين في الممارسة البحثية التطبيقية.
4.2 الحساسية لحجم العينة وتعقيد النموذج الإحصائي
يتجلى الاختلاف التطبيقي الأكبر بين المؤشرين عند مراقبة سلوكهما الإحصائي تحت تقلبات حجم العينة ($N$) وتغير مستويات تعقيد النموذج مقاساً بدرجات الحرية ($df$). في عينات الدراسات الضخمة (مثل دراسات البيانات المتسلسلة والمتابعة الطولية التي تضم آلاف الأفراد، كما نرى في دراسات النمذجة السببية لنتائج التحصيل والعواطف لـ Pekrun et al., 2017)، يتمتع كلا المؤشرين باستقرار استثنائي ويهبطان إلى التقديرات الحقيقية للمعلمات؛ حيث يستقر CFI بسرعة فائقة، ويضيق مجال ثقة RMSEA لدرجة التطابق مع نقطة التقدير. ومع ذلك، فإن التحرك نحو العينات الصغيرة ($N < 150$) يكشف عن هوة واسعة في استجابة كل منهما؛ إذ يحتفظ CFI بقدر هائل من المقاومة والثبات بفضل تصحيح عدم المركزية في بسطه ومقامه، بينما يتأرجح RMSEA بشدة ويكون معرضاً لرفض النماذج الصالحة نتيجة اتساع فترات الثقة غير المركزية وارتفاع التقدير النقطي بفعل تراجع حجم العينة في المقام.
أما من منظور تعقيد النموذج (Model Complexity)، فإن الفارق يصبح أكثر جذرية وتمايزاً؛ حيث يتضمن مؤشر RMSEA آلية جزائية صريحة ومباشرة لمعاقبة التعقيد عبر إدراج درجات الحرية في المقام تحت الجذر. هذا البناء الرياضي يجعل RMSEA “مكافئاً للنماذج المعقدة ذات درجات الحرية الضخمة”؛ فعندما يحتوي النموذج على عدد كبير من المتغيرات الكامنة والمؤشرات الملاحظة، تصبح درجات الحرية ($df$) رقماً كبيراً جداً (مثلاً $df > 300$). في هذه الحالة، يتضخم المقام الرياضي بصورة دراماتيكية، مما يؤدي تلقائياً وبشكل ميكانيكي إلى سحق قيمة RMSEA وخفضها نحو مستويات متدنية وممتازة للغاية (مثل 0.02 أو 0.03)، حتى لو كانت هناك بعض التغايرات المتبقية البسيطة غير المفسرة. في المقابل، يقف مؤشر CFI موقفاً شبه محايد تجاه عدد المعلمات؛ إذ لا يفرض عقوبة مباشرة وصريحة على التعقيد في معادلته، بل يكتفي بمراقبة التحسن التزايدي النسبي مقارنة بنموذج الاستقلال الصفري الذي يتعقد بدوره بنفس الدرجة، مما يجعله أكثر تسامحاً مع النماذج قليلة درجات الحرية وأكثر قسوة مع النماذج المعقدة التي لا تقدم تحسناً تراكُمياً نوعياً.
تتمثل الخطورة الكبرى المترتبة على هذه الفروق في ظاهرة “الرفض الكاذب للنماذج الصحيحة” (False Rejection of Correct Models) بواسطة مؤشر RMSEA في النماذج البسيطة ذات المؤشرات القليلة؛ حيث يخطئ الباحثون المبتدئون برفض نماذج عاملية توكيدية مصممة خصيصاً لمقاييس موجهة وموجزة، فقط لأن مؤشر RMSEA سجل قيمة 0.11، متجاهلين أن درجات الحرية المحدودة (كأن تكون $df = 2$ أو $df = 5$) هي السبب الرياضي المباشر وراء هذا الارتفاع الزائف. وفي المقابل، تكمن خطورة CFI في إمكانية منحه “صك غفران كاذب” لنماذج بالغة التعقيد والتكلف شبعت بالمسارات الهامشية؛ حيث يظل المؤشر يتألق فوق عتبة 0.95 متجاهلاً هدر درجات الحرية، ما لم يُسند بمؤشر مقتصد كـ RMSEA أو يُفحص بمؤشر متبقٍ دقيق كـ SRMR.
4.3 السلوك مع البيانات الترتيبية وغير الطبيعية
في التطبيقات العملية لمعظم العلوم السلوكية والاجتماعية والتربوية، نادراً ما تحقق البيانات المجمعة افتراض التوزيع الطبيعي المتعدد (Multivariate Normality)؛ إذ غالباً ما تُجمع البيانات عبر استبانات تعتمد مقاييس ليكرت الترتيبية المتقطعة (Ordinal Likert Scales) ذات الأربعة أو الخمسة خيارات، والتي تعاني بطبيعتها من الالتواء (Skewness) والتفرطح (Kurtosis). في مثل هذه البيئات الإحصائية، تفشل طرائق التقدير الكلاسيكية القائمة على الاحتمالية العظمى القياسية (Standard ML)، وينتج عنها تضخم هائل في قيمة مربع كاي، مما يلقي بظلال وخيمة ومباشرة على دقة حساب كل من RMSEA وCFI، محولاً إياهما إلى مؤشرات منحازة تقود حتماً إلى قرارات خاطئة برفض النماذج المستقرة سيكومترياً.
لمواجهة هذا التحدي، طوّر علماء القياس طرائق تقدير متينة (Robust Estimators) تحظى اليوم بانتشار واسع؛ مثل مقدر الاحتمالية العظمى المصحح بقوة سانورا-بنتلر (MLR / Satorra-Bentler)، ومقدر المربعات الصغرى الموزونة قطرياً المصححة بالمتوسط والتباين (WLSMV) المصمم خصيصاً للمتغيرات الفئوية والترتيبية. عند تفعيل هذه المقدرات المتينة، تُجرى تعديلات رياضية معقدة على قيمة مربع كاي ودرجات الحرية الفعالة لمعالجة عدم السواء والتقطع؛ مثل تصحيحات يوان-بنتلر وتصحيحات بروس-بارتليت. وهنا ينشأ تباين دقيق في صياغة المؤشرات؛ حيث ظهرت صياغات حديثة تُعرف بـ (Robust CFI) و(Robust RMSEA)، وأخرى تُعرف بمؤشرات بروس-كوبيك المعدلة (Scaled fit indices). تكمن المعضلة المنهجية في أن تطبيق التصحيحات على بسط ومقام مؤشر CFI قد يفرز قيماً تختلف اختلافاً بيّناً عن المؤشر الخام، في حين أن حساب RMSEA المصحح يتطلب تعديلاً نوعياً لمعلمة عدم المركزية في التوزيع غير المركزي لضمان بقاء فترات الثقة بنسبة 90% ممثلة للواقع التوزيعي بدقة.
تثبت الأبحاث السيكومترية المتقدمة أن محكات القطع التقليدية لهيو وبينتلر (0.06 لـ RMSEA و 0.95 لـ CFI) لا يمكن نقلها وتطبيقها بصورة حرفية عمياء عند الانتقال إلى البيانات الترتيبية المعالجة بمقدرات مثل WLSMV؛ إذ يميل مقدر WLSMV في كثير من البيئات المحاكاتية إلى تضخيم قيم CFI بصورة ملحوظة مقترباً بها من الكمال (أكبر من 0.98)، بينما يميل في الوقت ذاته إلى إنتاج قيم RMSEA أكثر تقلبلاً وحساسية لحجم العينة وعدد الفئات الترتيبية للبند. لذلك، يتعين على الباحث الحصيف عند التعامل مع مقاييس مصفوفات التقدير النفسي الإبلاغ بدقة عن نوع المقدر الإحصائي المستخدم، والتأكد من توافق البرمجية (مثل Mplus أو حزمة lavaan في R) في حساب النسخ المصححة للمؤشرات، ومقارنة النتائج بحذر شديد مع تجنب إسقاط عتبات البيانات المتصلة الطبيعية على البيانات الترتيبية المتقطعة دون تبرير إحصائي محكم.
| بُعد المقارنة | جذر متوسط مربع خطأ التقريب (RMSEA) | مؤشر المطابقة المقارن (CFI) |
|---|---|---|
| التصنيف المنهجي | مؤشر مطلق مصحح بالاقتصاد وتعقيد النموذج (Absolute & Parsimony-Adjusted). | مؤشر تزايدي نسبي مقارن (Incremental / Relative Fit Index). |
| السؤال الفلسفي | ما هو حجم سوء المطابقة وخطأ التقريب المتبقي في المجتمع لكل درجة حرية؟ | ما هي نسبة التحسن في الملاءمة مقارنة بأسوأ نموذج ممكن (نموذج الاستقلال الصفري)؟ |
| النموذج المرجعي | لا يوجد نموذج خارجي؛ المقارنة تتم مباشرة مع مصفوفة تغاير المجتمع المفترضة. | نموذج خط الأساس الصفري (Baseline Null/Independence Model) المقيد بالكامل. |
| اتجاه القيمة المثالية | عكسي؛ الصفر يمثل المطابقة المثالية التامة، والاقتراب منه دليل الجودة. | طردي؛ الواحد الصحيح (1.0) يمثل المطابقة الكاملة، والاقتراب منه دليل الجودة. |
| عتبات القطع المعتمدة | ≤ 0.05 (ممتاز)، 0.05 – 0.08 (مقبول)، > 0.10 (مرفوض وغير ملائم). | ≥ 0.95 (ممتاز ومحكم)، 0.90 – 0.95 (مقبول بهامشية)، < 0.90 (غير مقبول). |
| معاقبة التعقيد النماذجي | صريحة ومباشرة؛ قسمة التباين على درجات الحرية ($df$) في مقام المعادلة. | ضمنية ومحدودة؛ لا يفرض عقوبة رياضية حاسمة على استهلاك درجات الحرية. |
| الحساسية لحجم العينات | يتأثر سلباً وبشدة في العينات الصغيرة ($N < 200$)، متضخماً ورافعاً فترات الثقة. | مقاوم ومستقر للغاية عبر مختلف أحجام العينات، ولا سيما العينات المتوسطة. |
| الحساسية لدرجات الحرية | فائقة الحساسية؛ يرتفع بشكل زائف في درجات الحرية المنخفضة ($df < 10$). | قليلة الحساسية؛ يقيم جودة النموذج حتى مع محدودية درجات الحرية المتاحة. |
| فترات الثقة وفحص الفرضيات | يوفر فترة ثقة إحصائية دقيقة (90% CI) واختبار فرضية ملاءمة قريبة (PCLOSE). | لا يوفر فترات ثقة بشكل افتراضي في معظم البرمجيات، ويُكتفى بالتقدير النقطي. |
| نقطة الضعف القاتلة | الرفض الكاذب للنماذج الصحيحة البسيطة ذات المؤشرات ودرجات الحرية القليلة. | الهبوط الزائف عند تدني معاملات الارتباط الأولية بين المتغيرات في المجتمع. |
5. أوجه التشابه والتكامل الإحصائي بين المؤشرين
5.1 التكامل في التغلب على عيوب الدلالة الإحصائية الدقيقة
رغم التباين الظاهري في المنطلقات الرياضية والتصنيفية بين RMSEA وCFI، إلا أنهما يشتركان في جوهر فلسفي وإبستمولوجي واحد: وهو العمل على تحرير الباحث السلوكي والاجتماعي من استبداد الدلالة الإحصائية الدقيقة لاختبار كاي تربيع ($\chi^2$). يشترك كلا المؤشرين في تجاوز ثنائية (القبول التام أو الرفض المطلق) عبر تقديم تقييم ظاهراتي عملي مستمر يقيس القوة الجوهرية للنموذج وقابليته للتعميم العملي. إن هذا الاشتراك يمثل تحولاً ثورياً من اختبار “العدم الصفري التام” إلى اختبار “الواقعية العلمية التقريبية”، مما أتاح قبول نماذج تفسر الظواهر الإنسانية المعقدة بكفاءة عالية، حتى وإن رصدت الاختبارات الصارمة فروقاً عشوائية ضئيلة في عينات تضم آلاف الأفراد.
من الناحية الرياضية التحتية، يستند كلا المؤشرين على الركيزة الإحصائية ذاتها: وهي توظيف توزيعات كاي تربيع غير المركزية وتصحيحات معلمة عدم المركزية ($lambda$). فكلاهما يقوم في مرحلة من مراحل حسابه بحساب الانحراف الفعلي عن مربع كاي المتوقع عبر طرح درجات الحرية المقابلة ($\chi^2 – df$) بهدف تقليص أثر تضخم العينة واستخلاص التباعد الحقيقي للنموذج. هذا الأساس المشترك يفسر لماذا يتصرف المؤشران في كثير من الأحيان بتناغم وانسجام كبيرين في النماذج المصممة تصميماً سليماً ذات العينات المعتدلة؛ حيث ينعكس تحسن البنية التفسيرية للنموذج تراجعاً سلساً في قيمة RMSEA مترافقاً مع صعود واثق في قيمة CFI، معبراً عن التقاء مؤشرات البواقي ومؤشرات المقارنة عند نقطة استقرار سيكومترية واحدة.
تجسد هذا التكامل التقني بصورة عملية من خلال التبني المشترك والمطلق لهذين المؤشرين في كافة الحزم والبرمجيات الإحصائية الاحترافية الرائدة المخصصة للنمذجة البنائية؛ مثل AMOS، وMplus، وLISREL، وحزمة lavaan البيئية في لغة R الإحصائية. ففي جميع هذه المنصات الرقمية، يتم إنتاج RMSEA (مع فترات ثقته بنسبة 90% وقيمة PCLOSE) متجاوراً في نفس جدول المخرجات الأساسي مع CFI، بوصفهما ثنائياً معيارياً غير قابل للفصل، يمثلان معاً العينين اللتين يبصر بهما المحلل الإحصائي جودة بنيانه النظري في مواجهة تعقيدات الواقع الميداني.
5.2 تطبيق الاستراتيجية التوليفية المشتركة لتفادي أخطاء النوع الأول والثاني
في عام 1999، أحدثت الدراسة الشهيرة لـ هيو وبينتلر (Hu & Bentler) تحولاً نوعياً في تقاليد كتابة التقارير الإحصائية عندما أسست لما بات يُعرف اليوم في الأدبيات بـ “استراتيجية الربط التوليفي الثنائي” (Combinational Fit Criteria). أظهرت أبحاث المحاكاة المكثفة أن الاعتماد على مؤشر واحد بمفرده—مهما بلغت قوته المفترضة—يفتح الباب واسعاً أمام أحد نوعين من الأخطاء المنهجية الجسيمة: إما الوقوع في فخ أخطاء النوع الأول (Type I Error) برفض نماذج نظرية صحيحة وحقيقية نتيجة حساسية المؤشر لعوامل تشويش جانبية، أو الانزلاق في أخطاء النوع الثاني (Type II Error) بالقبول الساذج لنماذج معيبة بنيوياً تحتوي على تشوهات وتحيزات في المعلمات المقدرة. ولمواجهة ذلك، أثبتت الدراسة أن دمج مؤشر يقيس البواقي وخطأ التقريب في المجتمع مثل RMSEA (أو مؤشر SRMR المطلق) مع مؤشر يقيس التحسن المقارن مثل CFI، يشكل جدار حماية إحصائي متين يخفض معدلات الوقوع في كلا الخطأين إلى مستوياتها الصغرى المقبولة علمياً.
يمتد هذا التكامل الوظيفي الثنائي بصورة حيوية ومفصلية إلى دراسات الصدق البنائي واختبارات الثبات العاملي متعدية المجموعات (Multigroup Invariance Testing)؛ وهي الفحوصات الإحصائية المعقدة التي تهدف إلى التحقق من أن أداة القياس النفسية تقيس السمة ذاتها بنفس الطريقة والوحدات عبر مختلف الفئات السكانية (كالذكور والإناث، أو الثقافات واللغات المتباينة)، أو عبر المراحل الزمنية المتعاقبة (Longitudinal Invariance). في هذه الاختبارات المتقدمة، يُقارن النموذج الأساسي المتساهل تدريجياً بنماذج تالية أكثر تشدداً تقيّد فيها الأوزان العاملية (Metric Invariance)، ثم التقاطعات القياسية (Scalar Invariance)، وأخيراً بواقي التباين (Strict Invariance)، كما وثقت ذلك الدراسات النفسية التطبيقية الرصينة في مجال الإرهاق والاحتراق النفسي مثل أعمال Schaufeli et al. (2020) في التحقق من تكافؤ مقياس أداة تقييم الاحتراق الوظيفي (BAT).
في مثل هذه التطبيقات المتطورة، أصبح اللجوء إلى اختبار مربع كاي التفاضلي ($\Delta\chi^2$) أمراً محفوفاً بالمخاطر المنهجية الشديدة لحساسيته المفرطة لأحجام العينات المجمعة. وهنا برز الثنائي (RMSEA وCFI) كبديل متقدم حاسم عبر مراقبة “مقدار التغير الإحصائي” بين النماذج المتداخلة؛ والمعروف في الأدبيات بـ ($\Delta\text{CFI}$) و($\Delta\text{RMSEA}$). واستناداً إلى المحكات المعيارية الصارمة التي صاغها تشيونغ ورينسفولد (Cheung & Rensvold, 2002) وتشن (Chen, 2007)، يُعد تكافؤ القياس متحققا ومثبتا إذا كان التراجع في مؤشر CFI لا يتجاوز 0.010 ($\Delta\text{CFI} le 0.010$)، مترافقاً مع زيادة طفيفة في مؤشر RMSEA لا تتعدى 0.015 ($\Delta\text{RMSEA} le 0.015$). إن الاعتماد التكاملي على التغير المتوازي لكلا المؤشرين يعزز دقة القرار السيكومتري ويمنح استنتاجات المقارنة بين الثقافات مصداقية علمية رفيعة لا يمكن لقرار أحادي الجانب أن يحققها.
6. دليل اتخاذ القرار المنهجي: متى وأين يُطبق كل مؤشر؟
6.1 بروتوكول الفحص المزدوج وأفضل ممارسات إعداد التقارير العلمية
يقتضي الالتزام الصارم بأخلاقيات ومنهجيات البحث العلمي في إعداد التقارير الإحصائية لنماذج المعادلات البنائية اتباع بروتوكول فحص شامل لا يختزل جودة النموذج في مؤشر فردي مفرد. وتنص الدلائل الإرشادية لجمعية علم النفس الأمريكية (APA Style JARS – Quantitative Research Guidelines) ومواثيق النشر في كبرى المجلات العالمية على ضرورة تبني نهج الشفافية الإحصائية التامة؛ ويشمل ذلك إلزام الباحث بإيراد قيمة اختبار مربع كاي كاملة مع درجات الحرية المرافقة وقيمة الدلالة الاحتمالية المقابلة ($\chi^2, df, p$-value)، متبوعة فوراً بقيمة مؤشر CFI، وقيمة مؤشر RMSEA مرفقاً بها بصورة إلزامية مجال الثقة بمستوى 90% (90% CI: [الحد الأدنى، الحد الأعلى]) وقيمة اختبار الملاءمة القريبة (PCLOSE)، جنباً إلى جنب مع إيراد مؤشر إضافي للبواقي مثل جذر متوسط مربع البواقي القياسي (SRMR).
يوفر هذا التقرير الرباعي المتكامل (Chi-Square, CFI, RMSEA [with 90% CI], SRMR) قراءة ثلاثية الأبعاد لا تترك مجالاً للبس المنهجي؛ فبينما يقدم CFI تقييماً شاملاً للتحسن التزايدي مقارنة بالعدم، ويقدم RMSEA تقييماً للخطأ المتبقي المصحح بالاقتصاد في المجتمع، يكشف SRMR عن متوسط البواقي الموحدة في عينة الدراسة الفعلية دون التأثر بتعقيد درجات الحرية، مما يمنح المحكم الأكاديمي رؤية بانورامية متكاملة لبنية النموذج وصحته الرياضية، كما هو متبع في أبحاث العبء المعرفي والقياس التعليمي الدقيق لـ Leppink et al. (2013).
ومع ذلك، تكتمل هذه الممارسة الرصينة بالارتقاء فوق الأرقام المجردة وربط مؤشرات حسن المطابقة بالأهمية النظرية والسياقية لفرضيات النموذج ذاته. فلا يجوز بحال من الأحوال الاحتفال بمؤشرات مطابقة مثالية تفوق عتبات القطع الموصى بها إذا كانت المعلمات الداخلية للنموذج مفككة وسقيمة؛ كأن تظهر أوزان عاملية منخفضة جداً لا ترقى للدلالة السيكومترية، أو أن تظهر ارتباطات غير منطقية، أو ما يُعرف في الأدبيات الإحصائية بـ “تقديرات هايوود” (Heywood Cases)؛ مثل تسجيل تباينات خطأ سالبة (Negative Error Variances) أو معاملات ارتباط تتجاوز الواحد الصحيح. إن النموذج الإحصائي الجيد حقاً هو الذي يحقق انسجاماً نادراً وتوازناً فريداً بين مؤشرات المطابقة الإجمالية المتكاملة من جهة، والمعقولية النظرية والدلالة السيكومترية الدقيقة لكافة مساراته ومعلماته المقدرة من جهة أخرى.
6.2 كيفية التعامل المنهجي عند تعارض قيم RMSEA وCFI
يمثل تعارض قيم RMSEA وCFI أحد أكثر السيناريوهات المقلقة التي تواجه الباحثين، غير أن التعامل الاحترافي مع هذه المعضلة يستلزم تشخيصاً منهجياً واعياً للأسباب الرياضية الكامنة وراء هذا التضارب بدلاً من الارتباك واللجوء للترقيع الإحصائي العشوائي. يتلخص السيناريو الأول الشائع في الحصول على مؤشر CFI ممتاز (مثلاً 0.97) يقابله مؤشر RMSEA مرتفع وسيء بشكل لافت (مثلاً 0.12). إذا حدث هذا السيناريو، يجب على الباحث أولاً فحص حجم درجات الحرية ($df$) في نموذجه وحجم العينة ($N$)؛ فإذا كان النموذج يمتلك درجات حرية صغيرة جداً ($df < 10$) مع عينة متواضعة، فإن هذا الارتفاع في RMSEA هو في الغالب نتاج اصطناعي ناجم عن صغر المقام الرياضي في معادلته، ولا يعكس خللاً حقيقياً في بنية النموذج. وفي هذه الحالة، يمكن للباحث الدفاع منهجياً عن نموذجه بالاستناد إلى مؤشر CFI المتفوق مدعوماً بمؤشر SRMR، مع تقديم التبرير النظري والرياضي المعتمد لهذه الظاهرة مستشهداً بالأدبيات السيكومترية الرصينة كأبحاث كيني وماكوتش (Kenny & McCoach).
أما السيناريو الثاني، وهو الأشد مكراً، فيتمثل في تسجيل مؤشر RMSEA ممتاز ومتدنٍ للغاية (مثلاً 0.03)، بينما يسجل مؤشر CFI انخفاضاً حاداً ومثيراً للإحباط دون عتبة القبول (مثلاً 0.84). إن التشخيص المنهجي لهذا السيناريو يتطلب التوجه الفوري لفحص مصفوفة الارتباطات الخام بين متغيرات الدراسة، ونموذج الاستقلال الصفري المرتبط بها؛ ففي معظم الأحيان، يعود هذا الهبوط في CFI إلى أن الارتباطات الأولية المشاهدة بين المتغيرات ضعيفة جداً في أصلها، مما يجعل قيمة كاي تربيع للنموذج الصفري ($\chi^2_{\text{base}}$) صغيرة بشكل غير معتاد، وبالتالي ينكمش مقام CFI ويعجز المؤشر عن الارتفاع حتى وإن كانت ملاءمة النموذج ممتازة. في المقابل، يستفيد RMSEA في هذا السيناريو من تضخم درجات الحرية في المقام أو كبر حجم العينة، مظهراً دقة زائفة للنموذج. هنا، يكون لزاماً على الباحث التساؤل بجرأة سيكومترية: هل المتغيرات المختارة تشترك أصلاً في تكوين مفهوم كامن متماسك؟ وهل هناك مبرر لبناء نموذج عاملي إذا كانت الارتباطات الأولية تكاد تقترب من الصفر؟
وعندما يتأكد الباحث من وجود تشوه بنيوي حقيقي في النموذج يستدعي إعادة الضبط، يتعين المضي في خطوات التعديل بحذر منهجي بالغ دون السقوط في مستنقع “الصيد الإحصائي العشوائي” (Data Dredging). يجب أولاً فحص مصفوفة البواقي المعيارية (Standardized Residual Covariances)، لتحديد أزواج المتغيرات التي يعجز النموذج الحالي عن تفسير تغايراتها بدقة (تلك التي تتجاوز قيمتها المطلقة 2.58 أو 1.96). تالياً، يمكن استطلاع مؤشرات التعديل (Modification Indices – MI)، ولكن مع الالتزام بقاعدة ذهبية صارمة: لا يجوز إطلاقاً تحرير أي معلمة أو إضافة مسار ارتباطي حر بين أخطاء القياس (Correlated Residuals) إلا إذا وُجد مسوغ نظري وسياقي قاطع يدعم ذلك، كأن تكون البنود تصب في فقرة لغوية مشتركة أو تنتمي لقياس مكرر. إن إقحام مسارات اعتباطية فقط لرفع CFI أو خفض RMSEA يعد انتحاراً علمياً يحول النموذج من كونه تفسيراً حقيقياً للظاهرة إلى مجرد تمثيل عارض لخصائص عينة الدراسة العشوائية، فاقداً أي قدرة على التعميم الميداني المستقبلي.
6.3 إرشادات التطبيق في الحالات الخاصة والمجالات البحثية الحرجة
تفرض طبيعة بعض النماذج والتصميمات البحثية المتقدمة خصوصية شديدة عند تقييم مؤشرات الملاءمة، تستدعي وعياً استثنائياً يتجاوز التطبيقات الكلاسيكية. وتبرز أولى هذه الحالات عند الانتقال من النماذج الانعكاسية (Reflective Models)—حيث يُفترض أن المتغير الكامن هو الذي يسبب المؤشرات الملاحظة وتتطابق معها افتراضات CFI وRMSEA تماماً—إلى النماذج التكوينية (Formative/Composite Models). في النماذج التكوينية، تكون المؤشرات هي التي تشكل وتبني المتغير الكامن وتحدد معالمه، ولا يُفترض منطقياً أو إحصائياً وجود تغايرات ارتباطية متناسقة بين المؤشرات ذاتها. ونتيجة لذلك، تفقد مؤشرات الملاءمة الكلاسيكية القائمة على استيعاب مصفوفة التغاير (وعلى رأسها CFI وRMSEA) معناها الإحصائي وجدواها التشخيصية؛ إذ إن انعدام الارتباط بين المؤشرات التكوينية يؤدي إلى تشويه جذري في النموذج الصفري وفي دالة الهدف لمربع كاي، مما يفرض في مثل هذه النماذج اللجوء إلى طرائق تقييم بديلة؛ كفحص التعددية الخطية (VIF)، وأوزان الانحدار، والقدرة التنبؤية الخارجية، بدلاً من التشبث بمؤشرات الملاءمة التقليدية.
أما الحالة الثانية بالغة الحساسية، فتتمثل في النمذجة البنائية متعددة المستويات (Multilevel SEM – MSEM)، والتي تُطبق عندما تكون البيانات متداخلة هرمياً (كأن يكون الطلاب متداخلين داخل فصول دراسية، أو الموظفون متداخلين داخل فرق عمل ومؤسسات). في هذه النماذج، تتوزع مصفوفة التغاير الكلية إلى مستويين أو أكثر: مستوى الأفراد (Within-Level) ومستوى المجموعات (Between-Level). إن الممارسة التقليدية الخاطئة تتمثل في حساب مؤشرات مطابقة إجمالية موحدة للنموذج ككل؛ فالنموذج الإجمالي قد يسجل CFI ممتازاً وRMSEA منخفضاً جداً نتيجة كبر حجم العينة في مستوى الأفراد ($N_{\text{within}}$)، في حين تكون بنية النموذج في مستوى المجموعات ($N_{\text{between}}$) معيبة وفاسدة تماماً دون أن يلحظ الباحث ذلك. والحل المنهجي الرصين الذي تدعمه أدبيات النمذجة الحديثة هو اللجوء إلى حساب مؤشرات حسن مطابقة تفكيكية ومستقلة لكل مستوى تحليلي على حدة (Level-Specific Fit Evaluation)، بما يضمن التحقق المستقل من كفاءة بنية القياس في كلا المستويين الميدانيين.
وأخيراً، تتجلى الخصوصية التقييمية في النماذج التي تحتوي على مقاييس فائقة الاختصار (Ultra-Short Scales) أو المتغيرات الكامنة وحيدة المؤشر (Single-Indicator Latent Variables)، والتي أصبحت شائعة في الدراسات النفسية والاستطلاعية الكبرى لتفادي إرهاق المشاركين، مثل الدراسات الاستقصائية للشخصية واستخدام الشبكات الاجتماعية لـ Hughes et al. (2011). فعندما يتكون المتغير الكامن من مؤشرين فقط أو مؤشر واحد (مع تثبيت تباين الخطأ يدوياً بناءً على موثوقية الأداة)، تصبح درجات حرية النموذج شحيحة للغاية، مما يضع مؤشر RMSEA في منطقة العجز الإحصائي، حيث يتضخم بشكل زائف، في حين قد يتعرض CFI للتشوه إذا لم تكن العلاقة قوية مع المتغيرات الأخرى. في مثل هذه البيئات المعقدة، يُنصح الباحثون بالاعتماد الأساسي على المؤشرات المطلقة غير المقيدة بالتعقيد (كـ SRMR)، وإسناد التقييم إلى معايير الصدق المتقارب والتمايزي (Convergent and Discriminant Validity) المشتقة من تباينات المعلمات المقدرة، دون التضحية بالنماذج لمجرد فشلها في تحقيق عتبة رقمية لمؤشر لم يُصمم أساساً لمثل هذا النوع من الهياكل الشحيحة.
7. الأسئلة الشائعة حول مؤشرات حسن المطابقة (RMSEA وCFI)
7.1 لماذا يُظهر RMSEA أحياناً ملاءمة سيئة بينما يوضح CFI مطابقة ممتازة؟
ترتبط هذه الظاهرة الشائعة بنيوياً بحالات النماذج الإحصائية التي تمتلك درجات حرية منخفضة جداً ($df < 10$) بالتوازي مع أحجام عينات متواضعة أو صغيرة نسبياً ($N < 200$). وكما يظهر جلياً في الصيغة الرياضية لمؤشر RMSEA، فإن المقام الرياضي الداخلي يمثل حاصل ضرب درجات الحرية في حجم العينة مطروحاً منه واحد ($df(N – 1)$)؛ فإذا كانت درجات الحرية قليلة جداً، فإن هذا المقام ينكمش بصورة حادة ومفاجئة. وبالتالي، فإن أي قدر تافه جداً وطبيعي من التباعد المتبقي بين المصفوفتين ينعكس كقيمة مرتفعة بصورة مضخمة ومضللة لمؤشر RMSEA، دافعاً به ليتجاوز عتبات 0.10 بسهولة تامة.
يترافق هذا التأثير الحسابي مع انخفاض حاد في القوة الإحصائية اللازمة لاختبار معلمة عدم المركزية في العينات الصغيرة، مما يؤدي إلى اتساع غير مسبوق في فترة الثقة بنسبة 90% المرافقة لـ RMSEA، ليمتد حدها الأعلى إلى قيم تبدو كارثية ظاهرياً (كأن تسجل 0.18 أو 0.22). وفي المقابل، يظل مؤشر CFI متحرراً من تأثير اختناق درجات الحرية في المقام، متمتعاً بالثبات والاستقرار ليعكس بنجاح التفوق الكاسح للنموذج المقترح على نموذج الاستقلال الصفري. فإذا واجه الباحث هذا التباين وتأكد من أن نموذج الاستقلال يمتلك مربع كاي مرتفعاً بما يكفي، ومؤشر SRMR منخفض ويدل على بواقي ضئيلة ($text{SRMR} < 0.06$)، فإن التفسير العلمي المحكم هو تبني نتيجة CFI، وتبرير سوء قيمة RMSEA بوصفه عارضاً رياضياً اصطناعياً ناتجاً عن محدودية درجات الحرية، وهو تعليل منهجي معتمد ومرحب به في كبريات المجلات النفسية والتربوية العالمية.
7.2 هل يمكن الاعتماد على CFI بمفرده للحكم على جودة النموذج الإحصائي؟
يمثل الاعتماد الحصري على مؤشر CFI بمفرده مجازفة منهجية غير مأمونة العواقب ترفضها معايير القياس السيكومتري الحديثة؛ فالارتكان المنفرد لمؤشر تزايدي يغفل تماماً مراقبة التباينات المتبقية غير المفسرة والبواقي الموحدة بين المتغيرات. إن مؤشر CFI بطبيعته الرياضية يقيس التحسن فوق أسوأ سيناريو افتراضي ممكن؛ ولذلك، فإذا كانت المتغيرات الملاحظة مرتبطة فيما بينها ارتباطاً أولياً وثيقاً ومكثفاً، فإن قيمة مربع كاي لنموذج الاستقلال الصفري ستتضخم لتبلغ أرقاماً فلكية، مما يجعل مقام معادلة CFI شاسعاً جداً. في هذه الحالة بالذات، يمكن للباحث أن يحصل على قيمة CFI براقة تفوق 0.96 حتى وإن كان نموذجه يعاني من أخطاء تخصيص خطيرة، وتفتقر بنيته النظرية للانسجام العاملي في تمثيل علاقات محددة.
علاوة على ذلك، فإن CFI لا يتضمن في بنيته الحسابية أي جزاء أو عقوبة صريحة على التعقيد الإحصائي المفرط وهدر درجات الحرية؛ مما يعني أن إضافة معلمات هامشية أو مسموحات ارتباطية تجميلية ستؤدي دوماً لرفع قيمة CFI (أو تثبيتها في أحسن الأحوال)، مانحة الباحث شعوراً زائفاً بنجاح النموذج. لكل هذه الأسباب، تفرض كافة بروتوكولات التحكيم العلمي الرصينة الجمع الإلزامي بين مؤشر نسبي (كـ CFI) ومؤشر للبواقي أو مؤشر مطلق مصحح بالتعقيد (كـ RMSEA أو SRMR). فهذا الاقتران التوليفي هو الضمانة المنهجية الوحيدة للتأكد من أن النموذج لا يتفوق فقط على نموذج العشوائية التامة، بل ينجح كذلك في تفسير مصفوفة المجتمع بأدنى قدر من البواقي وبأقصى درجات الاقتصاد والتجريد العلمي الممكنة.
7.3 ما هو البديل الموصى به للمؤشرين في حال عدم تحقق التوزيع الطبيعي المتعدد؟
عندما تتعرض البيانات الميدانية لانتهاكات صارخة لافتراض التوزيع الطبيعي المتعدد (وهو الأصل الشائع في مقاييس الاتجاهات والسمات النفسية والاضطرابات السريرية المعتمدة على مقاييس رتبية متباعدة)، فإن البديل الموصى به في الأدبيات المنهجية لا يتضمن التخلي عن CFI وRMSEA كأدوات، بل التخلي التام عن “مقدر الاحتمالية العظمى الكلاسيكي غير المصحح” والتحول فوراً نحو الصيغ المصححة والمتينة إحصائياً؛ والمعروفة عالمياً بـ (Robust CFI) و(Robust RMSEA)، والمحسوبة باستخدام مقدرات متقدمة مثل MLR (مقدر أقصى احتمالية مصحح التباين والمتوسط لـ Yuan & Bentler) أو المقدر شبه المتين WLSMV للبيانات الفئوية والترتيبية.
تقوم هذه المقدرات المتينة بتعديل درجات الحرية وإعادة تدريج قيمة كاي تربيع للنموذجين (المستهدف والصفري) بناءً على مصفوفة التفرطح والتغاير asymptotic covariance matrix، مما يثمر عن قيم لمؤشري CFI وRMSEA خالية من التحيز التضخيمي الناتج عن اللااعتدالية، ومطابقة للواقع السيكومتري للبيانات. بالإضافة إلى ذلك، يبرز خيار منهجي متين آخر يتمثل في تطبيق خوارزميات إعادة أخذ العينات المتكررة غير المعلمية (Nonparametric Bootstrapping، كطريقة بولين-ستاين Bollen-Stine bootstrap $\chi^2$)؛ حيث تُبنى توزيعات تجريبية مخصصة للبيانات الفعلية تسمح بتقدير فترات ثقة تجريبية واقعية لمؤشرات المطابقة دون الخضوع لأي افتراض توزيعي مسبق، مما يضمن خروج الباحث بقرارات إحصائية تتسم بالصلابة والمصداقية العلمية حتى في أشد الظروف التوزيعية تعقيداً.
8. خاتمة تركيبية: نحو قراءة نقدية متكاملة لمؤشرات المطابقة
8.1 إعادة تقييم العتبات الرقمية الصارمة والابتعاد عن المنطق الطقسي
شهدت السنوات الأخيرة صرخة نقدية مدوية في أوساط كبار علماء الإحصاء والقياس النفسي المتقدم تدعو إلى تحرير الممارسة البحثية من “المنطق الطقسي الجامد” في التعامل مع مؤشرات حسن المطابقة؛ والمتمثل في التعامل مع عتبات القطع المعيارية (Cutoff Values، مثل 0.06 لـ RMSEA و 0.95 لـ CFI) وكأنها قوانين فيزيائية منزلة أو حدود مطلقة تفصل بدقة خيالية بين العلم الصحيح والعلم الزائف. لقد حذر عالم القياس الشهير بيتر بينتلر وزملاؤه مراراً وتكراراً من أن تلك العتبات المحاكاتية التي صيغت في سياقات تجريبية مقيدة يجب ألا تتحول إلى مقصلة منهجية تعسفية تُرفض بناءً عليها نماذج إنسانية واعدة، مؤكدين أن التقييم الإحصائي الرشيد يتطلب مراعاة السياق البحثي المتكامل، وطبيعة الظاهرة المدروسة، ومستوى حداثة أو نضج أدوات القياس المستخدمة.
يتعين على الباحث الرصين إدراك أن جودة النماذج الإحصائية لا يمكن قراءتها من خلال أرقام المؤشرات بصورة مجردة ومنعزلة عن التصميم المنهجي للبحث؛ فالأصل الإبستمولوجي والغاية الكبرى للنمذجة البنائية تكمن في اختبار النظريات وتأسيس فهم عميق للعلاقات بين المفاهيم الكامنة، وليس مجرد إنتاج قيم رقمية ترضي لجان التحكيم بصورة تجميلية. إن النموذج الذي يحقق مطابقة متواضعة هامشياً مقترنة بأهمية نظرية راسخة، ومعلمات دالة منطقياً تسهم في حل معضلة تطبيقية حقيقية، لهو أكثر نفعاً وقيمة علمية بكثير من نموذج يحقق مطابقة إحصائية مثالية مصطنعة تم الوصول إليها عبر إقحام مسارات غير مبررة أو حذف بنود جوهرية بددت المعنى السيكومتري للمتغير الكامن المدروس.
ومن هذا المنطلق، يجب أن تتكامل الدقة الرياضية الصارمة مع المنطق العلمي والاتساق النظري؛ بحيث يصبح فحص مؤشرات المطابقة محطة أولى ضمن مسار تقييمي شامل يتضمن فحص مصفوفات البواقي، والتحقق من صدق المحتوى والصدق المتقارب والتمايزي، ومراجعة استقرار النموذج وقابليته للتكرار عبر عينات مستقلة. إن هذا التحول من الممارسة الميكانيكية التلقائية إلى الفهم النقدي الواعي هو الذي يمنح الأبحاث الكمية أصالتها ويدفع عجلة المعرفة الإنسانية إلى الأمام، كما جسدته النماذج المتقدمة والمتابعات الطولية لسنوات ممتدة في دراسات التنبؤ بالاكتئاب والرضا عن الحياة لـ Hakanen & Schaufeli (2012).
8.2 خلاصة الموقف المقارن بين RMSEA وCFI في النمذجة الحديثة
في الختام، يتبدى لنا بوضوح أن المفاضلة بين جذر متوسط مربع خطأ التقريب (RMSEA) ومؤشر المطابقة المقارن (CFI) ليست مفاضلة بين “رابح وخاسر” أو بين مؤشر متفوق وآخر متدنٍ، بل هي تجسيد لمبدأ التكامل الوظيفي الثنائي في أبهى صوره الإحصائية. يقف مؤشر RMSEA حارساً صارماً لمبدأ الاقتصاد العلمي وتمثيل المجتمع، خافضاً خطأ التقريب وموجهاً ضرباته العقابية نحو النماذج مفرطة التعقيد التي تهدر درجات الحرية بلا طائل. وفي المقابل، يقف مؤشر CFI مدافعاً صلباً عن القيمة التفسيرية التراكمية، وموثقاً لحجم التقدم المعرفي الذي يحرزه النموذج فوق ركام العشوائية التي يمثلها نموذج الاستقلال الصفري، ومحتفظاً باستقراره عبر تقلبات العينات.
إن مؤشرات حسن المطابقة تمثل بلا شك شرطاً أولياً وضرورياً لتقييم النماذج في نمذجة المعادلة البنائية والتحليل العاملي التوكيدي، ولكنها ليست بأي حال من الأحوال شرطاً كافياً لضمان الصدق البنائي والنجاح النظري؛ فالنموذج الذي يحظى بمؤشرات مقبولة ليس بالضرورة النموذج الصحيح الوحيد، إذ قد تتطابق نماذج بديلة ومنافسة أخرى (Equivalent Models) مع البيانات ذاتها بنفس الكفاءة الرقمية ولكن بتفسيرات نظرية متناقضة تماماً. ولذا، تقع المسؤولية المنهجية الكبرى على عاتق الباحث في استحضار النضج العلمي الرصين، وإبراز المؤشرين معاً بكل شفافية وأمانة، مصحوبين بفترات الثقة ومؤشرات البواقي، ومشفوعين بتبرير نظري لا يتزعزع، ارتقاءً بالممارسة البحثية في البيئة الأكاديمية العربية إلى مصاف المعايير العالمية المحكمة.
المراجع
- Cloître, M., Shevlin, M. E., Brewin, C. R., Bisson, J. I., Roberts, N. P., Maercker, A., et al. (2018). The International Trauma Questionnaire: development of a self‐report measure of ICD‐11 PTSD and complex PTSD. Acta Psychiatrica Scandinavica, 138(6), 536–546. https://doi.org/10.1111/acps.12956
- Gagné, M., Forest, J., Vansteenkiste, M., Crevier‐Braud, L., Van den Broeck, A., Aspeli, A. K., et al. (2014). The Multidimensional Work Motivation Scale: Validation evidence in seven languages and nine countries. European Journal of Work and Organizational Psychology, 24(2), 178–196. https://doi.org/10.1080/1359432x.2013.877892
- Hakanen, J., & Schaufeli, W. B. (2012). Do burnout and work engagement predict depressive symptoms and life satisfaction? A three-wave seven-year prospective study. Journal of Affective Disorders, 141(2-3), 415–424. https://doi.org/10.1016/j.jad.2012.02.043
- Hughes, D. J., Rowe, M., Batey, M., & Lee, A. (2011). A tale of two sites: Twitter vs. Facebook and the personality predictors of social media usage. Computers in Human Behavior, 28(2), 561–569. https://doi.org/10.1016/j.chb.2011.11.001
- Lamers, S. M. A., Westerhof, G. J., Bohlmeijer, E. T., ten Klooster, P. M., & Keyes, C. L. M. (2010). Evaluating the psychometric properties of the mental health Continuum‐Short Form (MHC‐SF). Journal of Clinical Psychology, 67(1), 99–110. https://doi.org/10.1002/jclp.20741
- Leppink, J., Paas, F. G. W. C., van der Vleuten, C. P. M., van Gog, T., & van Merriënboer, J. J. G. (2013). Development of an instrument for measuring different types of cognitive load. Behavior Research Methods, 45(4), 1058–1072. https://doi.org/10.3758/s13428-013-0334-1
- Pekrun, R. H., Lichtenfeld, S., Marsh, H. W., Murayama, K., & Goetz, T. (2017). Achievement Emotions and Academic Performance: Longitudinal Models of Reciprocal Effects. Child Development, 88(5), 1653–1670. https://doi.org/10.1111/cdev.12704
- Schaufeli, W. B., Desart, S., & De Witte, H. (2020). Burnout Assessment Tool (BAT)—Development, Validity, and Reliability. International Journal of Environmental Research and Public Health, 17(24), 9495. https://doi.org/10.3390/ijerph17249495
- Sonnentag, S., & Fritz, C. (2007). The Recovery Experience Questionnaire: Development and validation of a measure for assessing recuperation and unwinding from work. Journal of Occupational Health Psychology, 12(3), 204–221. https://doi.org/10.1037/1076-8998.12.3.204
- Specht, J., Egloff, B., & Schmukle, S. C. (2011). Stability and change of personality across the life course: The impact of age and major life events on mean-level and rank-order stability of the Big Five. Journal of Personality and Social Psychology, 101(4), 862–882. https://doi.org/10.1037/a0024950