تحليل المسار مقابل نمذجة المعادلة الهيكلية

تُمثّل النمذجة السببية في العلوم الاجتماعية، والسلوكية، والإنسانية حجر الزاوية في الانتقال من مجرد الوصف الإحصائي للارتباطات المتبادلة بين الظواهر إلى بناء أطر تفسيرية رصينة قادرة على محاكاة آليات التأثير والتأثر المعقدة في الواقع الإمبيريقي. لعقود طويلة، واجه الباحثون معضلة منهجية كبرى تمثلت في عجز أدوات التحليل الإحصائي التقليدية—مثل تحليل الارتباط البسيط والانحدار الخطي المتعدد—عن اختبار شبكات العلاقات المتشابكة التي تتضمن وسائط متعددة ومسارات سببية متسلسلة، فضلاً عن عجزها البنيوي عن فصل تباين المفهوم النظري الحقيقي عن أخطاء القياس العشوائية والمنتظمة. ومن هذا المنطلق المعرفي، تبلورت أدوات القياس والنمذجة المتقدمة لتمنح الباحثين القدرة على فك شفرات الظواهر المعقدة بدقة متزايدة.

يقف كل من تحليل المسار (Path Analysis) ونمذجة المعادلة الهيكلية (Structural Equation Modeling – SEM) في طليعة هذه الأساليب الكمية المتقدمة، حيث يُعدان من أبرز المناهج الإحصائية الاستدلالية المعتمدة لاختبار الفرضيات النظرية الشاملة. ومع ذلك، يسود في الأدبيات البحثية المعاصرة، لا سيما في البيئات الأكاديمية النامية، خلط منهجي ومفاهيمي واسع النطاق بين هذين الأسلوبين؛ إذ يُنظر إليهما أحياناً كوجهين لعملة واحدة، أو يُعامل تحليل المسار بوصفه مرادفاً تاماً لنمذجة المعادلات البنائية، متجاهلين الفروق الجوهرية في البنية الرياضية، والافتراضات الإبستمولوجية، وطريقة معالجة خطأ القياس، والقدرة الاستدلالية لكل منهما.

يهدف هذا الدليل المنهجي الموسع إلى تقديم معالجة أكاديمية شاملة ومقارنة نقدية متعمقة بين تحليل المسار ونمذجة المعادلة الهيكلية. سنقوم بتفكيك الجذور النظرية والتاريخية لكل أسلوب، وتحليل أسسهما الرياضية والإحصائية، وبيان نقاط التلاقي والانفصال بينهما عبر تفنيد معمق لمفاهيم المتغيرات الكامنة والمشاهدة، ونماذج القياس مقابل النماذج البنائية، وصولاً إلى استعراض معايير الاختيار المنهجي الصارم وأمثلة تطبيقية واقعية ودليل مفصل للإجابة عن التساؤلات البحثية الشائعة، بما يُمكّن الباحثين وطلاب الدراسات العليا من توظيف الأداة الإحصائية المثلى لبحوثهم بمنتهى الرصانة والدقة العلمية.

1. المقدمة: تأطير منهجي للمقارنة بين تحليل المسار ونمذجة المعادلة الهيكلية

1.1 ماهية الأسلوبين ودورهما في فحص النماذج السببية

يُعرف تحليل المسار في أدبيات الإحصاء التطبيقي بأنه امتداد متقدم لأسلوب الانحدار المتعدد الخطي، صُمم خصيصاً لاختبار فرضيات معقدة تتعلق بشبكة من العلاقات السببية الاتجاهية وغير الاتجاهية بين مجموعة من المتغيرات المقاسة أو المشاهدة بشكل مباشر (Manifest or Observed Variables). لا يكتفي هذا الأسلوب بتقدير العلاقة بين متغير مستقل ومتغير تابع وحيد، بل يتيح دراسة سلسلة من المتغيرات التي يمكن أن تعمل كمتغيرات مستقلة وتابعة في آنٍ واحد، وهو ما يُعرف في الأدبيات المنهجية بالمتغيرات الوسيطة (Mediating Variables). من خلال هذا التفكيك، يقوم تحليل المسار بتحليل مصفوفة الارتباطات الصفرية بين المتغيرات المقاسة إلى تأثيرات مباشرة (Direct Effects)، وتأثيرات غير مباشرة (Indirect Effects)، وارتباطات زائفة أو غير محللة تعود إلى عوامل مشتركة مسبقة، مما يسمح بالحكم على مدى اتساق البيانات الإمبيريقية مع النموذج السببي النظري المقترح.

في المقابل، تمثل نمذجة المعادلة الهيكلية (SEM) إطاراً إحصائياً وتكاملياً شاملاً وعاماً يتجاوز القيود البنيوية لتحليل المسار التقليدي. تجمع هذه النمذجة بطريقة عضوية وفريدة بين أسلوبين إحصائيين رئيسيين: التحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA) المستمد من النظرية السيكومترية للقياس، ونماذج المسار والانحدار المتعدد المستمدة من الاقتصاد القياسي والتحليل السببي. تتميز نمذجة المعادلة الهيكلية بقدرتها الاستثنائية على اختبار الفرضيات النظرية المتعلقة بعلاقات معقدة بين متغيرات مجردة غير قابلة للملاحظة المباشرة، تُعرف باسم المتغيرات الكامنة أو البناءات الافتراضية (Latent Constructs)، والتي يتم قياسها عبر مؤشرات سلوكية أو عبارات استبيانية متعددة مع عزل أخطاء القياس المرتبطة بكل مؤشر بدقة متناهية.

تتجلى الأهمية البالغة للنمذجة السببية—سواء عبر تحليل المسار أو نمذجة المعادلة الهيكلية—في العلوم الإنسانية والاجتماعية والإدارية والسلوكية الحديثة، في كونها توفر لغة إحصائية منضبطة لاختبار النظريات بدلاً من مجرد توليدها من البيانات. إن الظواهر الإنسانية بطبيعتها، كالانتماء التنظيمي، والاكتئاب، والذكاء العاطفي، والدافعية للإنجاز، لا تنشأ بمعزل عن سياقات ديناميكية متعددة العوامل، حيث تتفاعل الأسباب والوسائط والنتائج في شبكات متداخلة. ومن ثم، فإن امتلاك أداة تحليلية قادرة على تقييم البنية الكلية لهذه النظريات في وقت واحد يمثل نقلة نوعية من التفكير الخطي البسيط إلى التفكير المنظومي المعقد الذي يعكس الواقع البشري والاجتماعي بصورة أكثر صدقاً وعمقاً.

1.2 دوافع المقارنة وأسباب الخلط الشائع في الأدبيات البحثية

إن الدافع الأساسي لإجراء مقارنة منهجية صارمة بين تحليل المسار ونمذجة المعادلة الهيكلية ينبع من حجم التشويش المفاهيمي والمنهجي المرصود في مئات الدراسات المنشورة والرسائل الجامعية. يعود السبب الأول في هذا الخلط إلى التشابه الصوري الكبير في المخططات البيانية التوضيحية (Path Diagrams) المستخدمة لتمثيل العلاقات بين المتغيرات في كلا الأسلوبين. ففي كلتا الحالتين، يستعين الباحثون بأسهم أحادية الرأس للدلالة على المسارات السببية الاتجاهية، وأسهم ثنائية الرأس لتمثيل التباين المشترك أو الارتباط غير السببي، ومربعات لتمثيل المتغيرات المقاسة. هذا التطابق الشكلي يدفع بعض الباحثين المبتدئين إلى الظن بأن كل رسم يتضمن أسهماً ومتغيرات وسيطة هو “نموذج معادلة هيكلية”، بغض النظر عما إذا كان يتضمن نموذج قياس حقيقي ومتغيرات كامنة أم يقتصر على المتغيرات الظاهرة فقط.

يتعزز هذا الخلط المؤسف بسبب البيئة البرمجية الإحصائية الحديثة؛ إذ إن البرمجيات الرائدة المخصصة لنمذجة المعادلات الهيكلية—مثل IBM SPSS AMOS، وLISREL، وMplus، والحزمة الشهيرة `lavaan` في لغة R—قادرة تماماً وبكل سلاسة على تنفيذ تحليل المسار التقليدي، تماماً كما تنفذ نمذجة المعادلات الهيكلية الكاملة. عندما يقوم الباحث بإدخال متغيرات مجمعة مباشرة (Computed Scores) أو مؤشرات أحادية في برنامج AMOS ورسم أسهم انحدارية بينها، يُصدر البرنامج مخرجات تشبه إلى حد التطابق مخرجات النماذج الهيكلية المعقدة، متضمنةً مؤشرات حسن المطابقة العامة مثل CFI وRMSEA. هذا التماثل الإجرائي في بيئة البرمجيات جعل العديد من الممارسين يعتقدون خطأً أن تشغيل النموذج داخل بيئة SEM يحوله تلقائياً من تحليل مسار عادي إلى نمذجة معادلة هيكلية متكاملة، متناسين الفروق النظرية والرياضية العميقة التي تفصل بين المنطقين.

أدى هذا الوهم البرمجي إلى شيوع اعتقاد خاطئ يعتبر تحليل المسار مجرد “تسمية كلاسيكية” أو مصطلح بديل عفا عليه الزمن لنمذجة المعادلات البنائية، أو أن SEM ما هي إلا مجرد تحليل مسار تم إخراجه بأشكال بيضوية أنيقة. إن خطورة هذا الاعتقاد تكمن في تجاهله التام لحقيقة أن الانتقال من تحليل المسار إلى نمذجة المعادلة الهيكلية يمثل قفزة نوعية في معالجة الأخطاء السيكومترية وفي مستوى التجريد الإبستمولوجي للنموذج. فبينما يكتفي تحليل المسار بفرضيات حتمية تفترض دقة أدوات القياس بنسبة 100%، بُنيت نمذجة المعادلة الهيكلية بالأساس لمواجهة واقع حتمي آخر، وهو أن القياس الإنساني غير كامل ودائم الخطأ، وأن هذا الخطأ يجب أن يُعزل رياضياً حتى لا يُلوّث التقديرات السببية للنظرية المختبرة.

1.3 الأهمية الإبستمولوجية للتمييز بين المتغيرات الكامنة والمشاهدة

يحتل التمييز بين المتغيرات الكامنة (Latent Variables) والمتغيرات المشاهدة أو المقاسة (Observed/Manifest Variables) مركز الصدارة في نظرية المعرفة والمنهجية العلمية الكمية. المتغير المشاهد هو ظاهرة إمبيريقية ملموسة وقابلة للرصد والقياس المباشر أو شبه المباشر بأدوات موضوعية؛ ومن أمثلته: الدخل الشهري بالدينار، أو العمر الزمني بالسنوات، أو الوزن بالكيلوغرام، أو درجة اختبار التحصيل الأكاديمي، أو الاستجابة الفردية على فقرة محددة في استبانة (كأن يختار المستجيب “4” على مقياس ليكرت). أما المتغير الكامن، فهو مفهوم نظري بنائي مجرد غير مادي وغير قابل للملاحظة أو الرصد المباشر، مثل “الرضا الوظيفي”، أو “الذكاء الوجداني”، أو “القلق”، أو “السمات الشخصية”. هذه المفاهيم لا يمكن الإمساك بها فيزيائياً، ولكن يُستدل على وجودها ومستوياتها من خلال انعكاساتها الإمبيريقية على مجموعة من المؤشرات المشاهدة المتسقة داخلياً.

من الناحية الإبستمولوجية، يؤدي تجاهل هذا التمييز واستخدام المؤشرات المشاهدة كبديل مباشر للمفاهيم المجردة دون تصحيح خطأ القياس إلى عواقب وخيمة على تقدير المعلمات وقوة العلاقات السببية. تؤكد نظرية القياس الكلاسيكية (Classical Test Theory – CTT) أن أي درجة ملحوظة ($X$) تتكون حتماً من جزأين: الدرجة الحقيقية للمفهوم ($T$) وخطأ القياس العشوائي ($e$). عند تطبيق تحليل المسار التقليدي الذي يجمع فقرات الاستبانة في متوسط حسابي واحد ويُعامل هذا المتوسط كمتغير مشاهد تام الدقة، فإن خطأ القياس يتم تجاهله، ويُدفع به بالكامل إلى حد الخطأ العشوائي أو البواقي في معادلة الانحدار (Disturbance/Residual Term). هذا القصور الإحصائي يؤدي إلى ظاهرة كارثية تُعرف في الإحصاء بـ “انحياز التخفيف” (Attenuation Bias)، حيث تنخفض معاملات الانحدار ومسارات التأثير التقديرية بشكل زائف عن قيمتها الحقيقية، أو تنشأ ارتباطات زائفة غير حقيقية بين متغيرات لا رابط بينها إلا الاشتراك في أخطاء القياس غير المنضبطة.

يترتب على ذلك حدود منهجية واضحة للاستدلال العلمي المستند فقط إلى المؤشرات الظاهرة؛ فالباحث الذي يدرس “الاحتراق النفسي” عبر درجة مركبة واحدة دون نمذجة خطأ القياس، لا يختبر في الحقيقة أثر الاحتراق النفسي كبناء نظري، بل يختبر أثر درجات عينة محددة على مقياس قد تعتريه عيوب الصدق والثبات. إن الاختيار الواعي بين العمل في فضاء المتغيرات المشاهدة فقط (عبر تحليل المسار) أو الارتقاء إلى فضاء المتغيرات الكامنة (عبر نمذجة المعادلة الهيكلية) ليس مجرد تفضيل تقني شكلي، بل هو قرار إبستمولوجي حاسم يحدد مدى مصداقية النتائج، والقدرة على اختبار النظريات في مستوياتها التجريدية الرفيعة، وإمكانية تعميم القوانين السببية المستخلصة على مجتمعات وظواهر أوسع.

2. نظرة شاملة على تحليل المسار (Path Analysis)

2.1 الجذور التاريخية والأسس النظرية لتحليل المسار

تعود الجذور التاريخية لنظرية تحليل المسار إلى عبقرية عالم الوراثة والتطور الأمريكي البارز سيوول رايت (Sewall Wright)، الذي ابتكر هذا الأسلوب الإحصائي الثوري في أوائل عشرينيات القرن العشرين. واجه رايت معضلة بيولوجية كبرى أثناء دراسته للوراثة في خنازير غينيا وتحليله لتوارث ألوان الفراء وحجم الجسم؛ حيث وجد أن معاملات الارتباط الخطي البسيطة التي طورها كارل بيرسون غير قادرة على تفكيك التفاعلات السببية المعقدة وتوزيع التأثيرات بين العوامل الجينية المباشرة، والعوامل البيئية، وتأثيرات الأنساب السابقة. قدم رايت أسلوبه المبتكر لأول مرة في ورقته التاريخية عام 1918 بعنوان On the nature of size factors، ثم صاغ الأسس النظرية والرياضية الكاملة لمنهجه في دراسته المرجعية المنشورة عام 1921 بعنوان Correlation and causation في مجلة البحوث الزراعية، والتي تبعها ببحثه الرياضي الموسع عام 1934 بعنوان The method of path coefficients.

تكمن العبقرية الرياضية لرايت في وضعه لقواعد بيانية ورياضية محكمة عُرفت باسم “قواعد تتبع المسار” (Wright’s Path Tracing Rules). بموجب هذه القواعد، تمكن رايت من إثبات أن معامل الارتباط الصفري المشترك ($r_{ij}$) بين أي متغيرين مقاسين في نظام سببي مغلق ومحدد يمكن تفكيكه رياضياً إلى مجموع حواصل ضرب معاملات المسارات الاتجاهية (Path Coefficients) لجميع المسارات التراجعية والمسارات التبادلية التي تربط بين هذين المتغيرين، شريطة الالتزام بقواعد تتبع محددة تمنع العودة إلى الخلف بعد المضي قدماً في اتجاه السهم، وتمنع المرور بأكثر من مسار ارتباطي ذي سهمين في السلسلة الواحدة. شكل هذا الإنجاز تحولاً جذرياً في فلسفة الإحصاء التطبيقي، حيث نقل التحليل من مجرد إيجاد علاقات التلازم أو الاقتران غير المفسرة إلى محاولة صريحة لاختبار التماسك المنطقي للفرضيات السببية المبنية على أسس نظرية مسبقة.

على الرغم من براعة هذا الأسلوب، ظل تحليل المسار حبيس العلوم البيولوجية والزراعية لعقود، ولم يدخل مجال العلوم الاجتماعية والسلوكية إلا في منتصف ستينيات القرن العشرين بفضل جهود رواد علم الاجتماع الإحصائي. ويبرز هنا الدور التاريخي لعالم الاجتماع الأمريكي أوتيس دادلي دانكن (Otis Dudley Duncan)، الذي أعاد إحياء وتوطين أسلوب رايت في العلوم الاجتماعية عبر ورقته التأسيسية الشهيرة عام 1966 بعنوان Path analysis: Sociological examples المنشورة في المجلة الأمريكية لعلم الاجتماع، جنباً إلى جنب مع إسهامات هوبرت بلالوك (Hubert M. Blalock) في تطوير الاستدلال السببي للبيانات غير التجريبية. ساهم دانكن وزملاؤه، لا سيما في النموذج الشهير للحراك الاجتماعي والتحصيل المهني لـ (Blau & Duncan, 1967)، في تحويل تحليل المسار إلى المنهجية المعيارية الأكثر شيوعاً لدراسة العمليات الاجتماعية المعقدة، ومهد ذلك الطريق للثورة الإحصائية الشاملة التي تجسدت لاحقاً في نمذجة المعادلات الهيكلية.

2.2 البنية الإحصائية والافتراضات المنهجية لتحليل المسار

يقوم تحليل المسار من الوجهة الإحصائية البحتة على منظومة من معادلات الانحدار الخطي المتعدد المتزامنة والمتسلسلة، والتي يتم حلها رياضياً إما باستخدام مصفوفة معاملات الارتباط أو مصفوفة التباين والتغاير بين المتغيرات المقاسة. تتميز البنية الرياضية لتحليل المسار بأنها تتعامل حصراً وبشكل مطلق مع متغيرات مقاسة أو مشاهدة (Manifest Variables)؛ أي أن كل متغير يدخل في النموذج يُمثل بمتغير أحادي في قاعدة البيانات (مثل عمود واحد يمثل درجة اختبار أو إجابة على سؤال أو متوسطاً مجمعاً لعدة فقرات). يتخذ النموذج الشكلي لمعادلة المسار التراجعية الصيغة الخطية المعيارية التالية لكل متغير تابع أو داخلي ($Y$):

$$Y_j = \beta_{j1} X_1 + \beta_{j2} X_2 + dots + \beta_{jk} X_k + e_j$$

حيث تمثل $\beta_{jk}$ معاملات المسار المعيارية (والتي تطابق معاملات الانحدار المعياري في حال كانت المتغيرات مقيسة بدرجات معيارية Z)، بينما يمثل $e_j$ الخطأ العشوائي أو المتبقي (Disturbance/Residual Term)، والذي يعكس تباين المتغير $Y_j$ الذي تعجز المتغيرات التفسيرية في النموذج عن التنبؤ به.

يستند التطبيق الصحيح لتحليل المسار إلى مجموعة صارمة من الافتراضات المنهجية والإحصائية التي يجب استيفاؤها لضمان صدق المعلمات المقدرة وقابليتها للتفسير السببي، وتشمل هذه الافتراضات:

• افتراض خلو المتغيرات من أخطاء القياس (Measurement Error-Free Assumption): يفترض النموذج بشكل قاطع أن جميع المتغيرات المشاهدة قد قيست بدرجة ثبات وموثوقية مطلقة ونهائية ($\alpha = 1.0$)؛ أي أن تباين الخطأ في القياس يساوي صفراً. هذا الافتراض هو أخطر افتراضات تحليل المسار وأكثرها انتهاكاً في الممارسات البحثية.
• خطية العلاقات وإمكانية تجميعها (Linearity and Additivity): يُشترط أن تكون جميع العلاقات بين المتغيرات في شبكة المسارات ذات طبيعة خطية متناسبة، وخالية من العلاقات المنحنية المعقدة أو التفاعلات غير الخطية مالم يتم نمذجتها صراحة كمتغيرات ضربية.
• التوزيع الطبيعي متعدد المتغيرات (Multivariate Normality): يتطلب التقدير السليم واختبارات الدلالة الإحصائية بالاعتماد على التوزيعات التقليدية أن تتبع المتغيرات المقاسة توزيعاً طبيعياً متعدد الأبعاد، وغياب القيم المتطرفة والشاذة الشديدة التي قد تشوه تقدير مصفوفة التغاير.
• استقلال الأخطاء العشوائية (No Error Autocorrelation): يُفترض أن حدود البواقي والاضطراب العشوائي ($e$) للمتغيرات التابعة المختلفة غير مرتبطة ببعضها البعض، وغير مرتبطة بأي من المتغيرات المستقلة المسبقة في النموذج، مما يعني عدم وجود متغيرات محذوفة هامة ومؤثرة تشترك في إحداث تباينات المتغيرات المختبرة.
• اتجاهية المسارات والأنظمة العودية (Recursiveness): تفترض النماذج القياسية للمسار أنها نماذج عودية (Recursive Models)؛ أي أن تدفق التأثير السببي يسير في اتجاه واحد دون وجود حلقات تغذية راجعة دائرية (Feedback Loops)، حيث لا يمكن لمتغير أن يؤثر في متغير آخر ويتأثر به في الوقت ذاته، مما يضمن تحديد النموذج رياضياً (Model Identification) وقابلية حل معادلاته دون الوقوع في متطابقات غير قابلة للحل.

2.3 المزايا والمحددات التطبيقية لتحليل المسار

يوفر أسلوب تحليل المسار العديد من المزايا التطبيقية والمنهجية التي جعلته أداة بحثية شائعة وواسعة الانتشار لعقود طويلة. في مقدمة هذه المزايا تبرز سهولة التطبيق الحسابي والمفاهيمي مقارنة بالنماذج الأكثر تعقيداً؛ إذ يمكن للباحث تنفيذ تحليل المسار التقليدي باستخدام أي حزمة إحصائية أساسية قادرة على إجراء الانحدار الخطي المتعدد (مثل برنامج IBM SPSS Statistics الأساسي عبر تشغيل انحدارات متعاقبة، أو حتى عبر دوال الحساب الرياضي في جداول البيانات). كما يتيح الأسلوب تفكيكاً بصرياً ومفهومياً مباشراً للعلاقات المعقدة عبر رسوم بيانية واضحة، مما يمنح متخذي القرار والباحثين فهماً دقيقاً للمسارات المباشرة وغير المباشرة التي يمر عبرها التأثير، بدلاً من الاقتصار على مجرد ملاحظة ارتباط إجمالي أعمى.

تتمثل الميزة الثانية في متطلبات حجم العينة المعتدلة؛ فنظراً لأن تحليل المسار يختبر عدداً محدوداً من المعلمات المقدرة مقارنة بنمذجة المعادلات الهيكلية (بسبب غياب أوزان تشبعات الفقرات وأخطاء القياس المنفصلة لكل فقرة)، فإنه يعمل بكفاءة إحصائية مقبولة واستقرار نسبي مع عينات صغيرة أو متوسطة الحجم (تتراوح عادة بين 100 إلى 200 مفردة في النماذج متوسطة التعقيد)، وهو ما يجعله جذاباً في الدراسات الاستكشافية الأولية، أو في التخصصات التي يصعب فيها جمع بيانات ضخمة كالدراسات الإكلينيكية النادرة أو دراسات النخب الإدارية والسياسية العليا.

في المقابل، يعاني تحليل المسار من محددات منهجية وقصور جوهرية بالغة الخطورة تقوض من سلامة استنتاجاته في العديد من السياقات السلوكية. يكمن القصور الأكبر في حساسيته المفرطة وعجزه التام أمام أخطاء القياس؛ فحين يتم دمج استبانة مكونة من عشرين فقرة في درجة متوسطة واحدة، يتم التعامل مع هذا المتوسط وكأنه حقيقة رقمية مطلقة تخلو من الأخطاء العشوائية أو انحيازات الاستجابة الفردية. هذا التبسيط القسري يؤدي رياضياً إلى تلويث حد الخطأ المتبقي بالخطأ القياسي، مما يُسفر بصورة حتمية عن انحياز معاملات المسارات الانحدارية نحو الصفر أو تضخيمها بشكل كاذب، مما يرفع احتمالات الوقوع في الخطأ الإحصائي من النوع الأول (Type I Error – الادعاء بوجود تأثير سببي لا أصل له) أو الخطأ من النوع الثاني (Type II Error – الفشل في اكتشاف تأثير سببي حقيقي قائم بالفعل في الواقع). علاوة على ذلك، يعجز الأسلوب عن نمذجة البناءات ذات الأبعاد الفرعية المتعددة والمترابطة هرمياً، ويفتقر إلى مؤشرات المطابقة الكلية المتماسكة عندما يُنفذ عبر طرق الانحدار الكلاسيكية المنفصلة.

3. نظرة شاملة على نمذجة المعادلة الهيكلية (Structural Equation Modeling)

3.1 المفهوم الإحصائي وتكامل الأطر النظرية في SEM

تمثل نمذجة المعادلة الهيكلية (Structural Equation Modeling – SEM)، والتي يُطلق عليها أيضاً اسم “تحليل بنية التغاير” (Analysis of Covariance Structures)، قمة التطور المنهجي في التحليل الكمي متعدد المتغيرات. لا تُعد نمذجة المعادلة الهيكلية مجرد اختبار إحصائي فردي، بل هي فلسفة ومنظومة إحصائية متكاملة تهدف إلى اختبار مدى توافق مصفوفة التغاير والتباين الناتجة عن البيانات المجمعة من العينة إمبيريقياً مع مصفوفة التغاير النظرية المتوقعة التي يفترضها النموذج النظري المسبق للباحث. إن السؤال الجوهري في SEM هو: “هل يمكن للنموذج المفاهيمي المقترح، بكل ما يتضمنه من مسارات وعلاقات، أن يُعيد إنتاج مصفوفة الارتباطات والتغايرات المشاهدة في العينة دون فروق ذات دلالة إحصائية؟”.

يعود التأسيس المنهجي والرياضي الحديث لهذا الحقل التكاملي إلى الجهود العبقرية للإحصائي وعالم القياس النفسي السويدي كارل يوريسكوغ (Karl Jöreskog) في أواخر ستينيات وأوائل سبعينيات القرن العشرين، بالتعاون مع رواد بارزين مثل وورد كيسلينغ (Ward Keesling) وديفيد وايلي (David Wiley)، وهو ما عُرف آنذاك بنموذج (JKW Model). استطاع يوريسكوغ من خلال أبحاثه الرائدة المنشورة بين عامي 1970 و1973، وتطويره اللاحق للبرنامج الإحصائي الأسطوري LISREL (Linear Structural Relations)، أن يدمج بنجاح بين تيارين إحصائيين منفصلين تاريخياً: تيار التحليل العاملي التوكيدي (CFA) المتجذر في علم النفس القياسي لتحديد صدق البناء وأدوات القياس، وتيار نماذج المعادلات الآنية والمسار المتجذر في الاقتصاد القياسي لتحليل العلاقات السببية والاعتماد المتبادل بين المتغيرات المتعددة.

تتمثل القوة التحويلية لنمذجة المعادلة الهيكلية في قدرتها غير المسبوقة على تجسيد واختبار البناءات المفاهيمية المجردة والمعقدة إمبيريقياً. فبدلاً من افتراض إمكانية قياس المفاهيم الإنسانية المعقدة برقم أحادي، تعترف النمذجة الهيكلية بأن المفاهيم مثل “الرفاه النفسي”، أو “الثقافة التنظيمية”، أو “صورة العلامة التجارية”، هي كيانات مجردة لا تقع تحت الحواس مباشرة. ومن ثم، تسمح هذه المنهجية بتمثيل كل مفهوم نظري كمتغير كامن يرتبط إحصائياً بمجموعة من المؤشرات المشاهدة المتعددة، مع تقدير مقدار المساهمة الحقيقية لكل مؤشر وعزل التباين الناتج عن الخطأ القياسي؛ وهو ما حرر العلوم السلوكية من القيود الاختزالية للتحليلات الإحصائية السابقة ومكنها من محاكاة النظريات السلوكية في أعلى مستويات تعقيدها الإدراكي.

3.2 المكونات المنهجية: نموذج القياس مقابل النموذج الهيكلي

تتألف نمذجة المعادلة الهيكلية الكاملة، في صورتها المعيارية التقليدية المعتمدة على التغاير، من نموذجين فرعيين متمايزين وظيفياً ومنهجياً ولكنهما مترابطان عضوياً ضمن منظومة تقدير رياضية متزامنة وواحدة: نموذج القياس (Measurement Model) والنموذج الهيكلي أو البنائي (Structural Model).

يختص نموذج القياس بتمثيل العلاقة بين المتغيرات الكامنة (Latent Variables) ومؤشراتها المشاهدة (Observed Indicators). يرتكز هذا النموذج على التحليل العاملي التوكيدي (CFA)، وتتمثل وظيفته الجوهرية في التحقق من الخصائص السيكومترية لأدوات القياس المستخدمة في البحث، والإجابة عن السؤال الآتي: “إلى أي مدى تقيس المؤشرات المشاهدة البناء الكامن المستهدف بدقة وصدق؟”. في هذا الإطار، يتم ربط كل متغير كامن (سواء كان متغيراً خارجياً Exogenous يرمز له إحصائياً بالرمز الإغريقي $xi$، أو متغيراً داخلياً Endogenous يرمز له بالرمز $eta$) بمؤشراته المشاهدة ($X$ و $Y$ على التوالي). وتُقدر هنا مصفوفات معاملات التحميل العاملي أو تشبعات الفقرات ($\Lambda_x$ و $\Lambda_y$)، مع النمذجة الصريحة والتقدير المنفصل لتباينات أخطاء القياس الفريدة الخاصة بكل مؤشر مشهود ($\delta$ لمؤشرات المتغيرات الخارجية، و $epsilon$ لمؤشرات المتغيرات الداخلية). يضمن هذا الإجراء التأكد من الصدق التقاربي (Convergent Validity) والصدق التمايزي (Discriminant Validity) للمقاييس قبل الشروع في فحص أي علاقة سببية بينها.

أما النموذج الهيكلي أو البنائي، فيأتي كخطوة تالية ومنطقية تهدف إلى فحص وتقييم العلاقات الافتراضية والمسارات السببية والارتباطية القائمة بين المتغيرات الكامنة نفسها، بعد أن تم “تنقيتها” وتخليصها من أخطاء القياس. في هذا الجزء من النموذج، يتم اختبار الفرضيات النظرية الجوهرية للبحث؛ حيث تُقدر معاملات المسار الهيكلي الانحدارية بين المتغيرات الكامنة الخارجية والداخلية (المعاملات $\gamma$)، أو المسارات السببية التي تربط المتغيرات الكامنة الداخلية ببعضها البعض (المعاملات $\beta$)، بالإضافة إلى تباينات وتغايرات العوامل الخارجية ($Phi$) والأخطاء الهيكلية المتبقية للمتغيرات الداخلية ($Psi$) والتي تمثل التباين غير المفسر في المفهوم الكامن ذاته نتيجة لعوامل خارج إطار النموذج النظري.

من الضروري هنا التمييز المنهجي الدقيق بين نمطين رئيسيين لنمذجة المعادلة الهيكلية يختلفان في الفلسفة الحسابية وأهداف التطبيق:

• النمذجة الهيكلية المعتمدة على التغاير (CB-SEM – Covariance-Based): وهي المدرسة الكلاسيكية التي أسسها يوريسكوغ وتعتمد على خوارزميات الإمكانية العظمى (Maximum Likelihood) لتقليص الفجوة بين مصفوفة التغاير الإمبيريقية والمصفوفة المقدرة نظرياً. تُعد هذه الطريقة معياراً صارماً في اختبار وتأكيد النظريات القائمة (Theory Testing and Confirmation)، وتتطلب افتراضات دقيقة حول التوزيع الطبيعي للبيانات وحجم العينة الكبير، وتوفر مؤشرات حسن مطابقة شاملة للنموذج ككل.
• النمذجة الهيكلية المعتمدة على المربعات الصغرى الجزئية (PLS-SEM – Partial Least Squares): وهي منهجية بديلة طورها الإحصائي هيرمان وولد (Herman Wold) تعتمد على التباين (Variance-Based) وتهدف في المقام الأول إلى تعظيم التباين المفسر في المتغيرات التابعة المستهدفة ($R^2$). تتفوق هذه المنهجية في النماذج الاستكشافية وتطوير النظريات الجديدة، وتتميز بقدرتها الفائقة على التعامل مع العينات الصغيرة، والبيانات التي تنتهك بشدة التوزيع الطبيعي، والنماذج المعقدة التي تحتوي على العديد من المؤشرات التكوينية (Formative Constructs) أو التفاعلات العالية.

3.3 معالجة أخطاء القياس واختبار جودة المطابقة

تتمثل الثورة المعرفية الحقيقية لنمذجة المعادلة الهيكلية في معالجتها الجريئة والمنضبطة لأخطاء القياس (Measurement Errors). فبينما تفترض الأساليب الإحصائية التقليدية، ومن بينها تحليل المسار والانحدار، أن المقاييس معصومة من الخطأ، تقر نمذجة المعادلات البنائية بحقيقة وجود أخطاء في كل عملية قياس إنسانية. تقوم SEM بفصل التباين الكلي لكل مؤشر مشهود إلى ثلاثة مكونات رئيسية: التباين المشترك الحقيقي العائد للبناء الكامن النظري، وتباين الخطأ العشوائي (Random Error) الناجم عن تشتت استجابات الأفراد وظروف القياس، وتباين الخطأ المنتظم (Systematic Error) أو التباين الخاص (Unique Variance) المرتبط بخصائص أداة القياس وصياغة الفقرات. ومن خلال عزل هذه التباينات غير الدقيقة وتقديرها كمعلمات حرة منفصلة، تتحرر معاملات المسار الهيكلية التقديرية بين المتغيرات الكامنة من انحياز التخفيف، وتصل إلى قيمتها الحقيقية التي تعكس قوة النظرية بدقة بالغة.

إلى جانب ذلك، تنفرد نمذجة المعادلة الهيكلية بنظام تقييم كلي متعدد الأبعاد لجودة وملاءمة النموذج لا مثيل له في أساليب الانحدار التقليدية، وهو ما يُعرف باختبارات ومؤشرات حسن المطابقة (Goodness-of-Fit Indices). لا يكتفي الباحث في SEM بفحص الدلالة الإحصائية للمسارات الفردية (قيم p وقيم t)، بل يُلزم بتقييم مدى مطابقة النموذج ككل للمعلومات الواردة في البيانات عبر حزمة من المؤشرات الإحصائية التي تشمل:

• اختبار كاي تربيع للمطابقة ($\chi^2$ Goodness-of-Fit Test): وهو الاختبار الإحصائي الكلاسيكي؛ وتدل قيمته غير الدالة إحصائياً ($p > 0.05$) على مطابقة ممتازة بين مصفوفة البيانات ومصفوفة النموذج، غير أنه يُعرف بحساسيته المفرطة لزيادة حجم العينة حيث يميل لرفض النماذج الصالحة في العينات الكبيرة.
• مؤشرات المطابقة المقارنة أو التزايدية (Incremental Fit Indices): وأشهرها مؤشر المطابقة المقارن (Comparative Fit Index – CFI) ومؤشر تاكر-لويس (Tucker-Lewis Index – TLI)؛ وتتراوح قيمهما بين 0 و 1، حيث يُعتبر تجاوز القيمة 0.90 (ويُفضل 0.95 فما فوق) مؤشراً على جودة مطابقة رفيعة بالمقارنة مع النموذج الصفري الأساسي (Null Model).
• مؤشرات المطابقة المطلقة وخطأ التقريب (Absolute Fit Indices): وفي مقدمتها جذر متوسط مربع خطأ التقريب (Root Mean Square Error of Approximation – RMSEA) مع فترات ثقته بنسبة 90%، ومؤشر متوسط مربعات البواقي المعياري (Standardized Root Mean Square Residual – SRMR)؛ وتدل القيم الأقل من 0.08 (والأفضل دون 0.05 أو 0.06) على خطأ متبقٍ ضئيل ومطابقة مقبولة أو ممتازة بين العلاقات النظرية والبيانات المشاهدة.

تتكامل هذه المزايا مع مرونة استثنائية توفرها SEM في إجراء تحليلات متقدمة لا يقوى تحليل المسار على إجرائها، مثل اختبارات تكافؤ القياس عبر المجموعات المتعددة (Multigroup Measurement Invariance). تتيح هذه الخاصية للباحث اختبار ما إذا كانت أدوات القياس (أوزان التحميل العاملي والتقاطعات وأخطاء القياس) تعمل بالدقة والمفهوم نفسهما عبر ثقافات أو فئات اجتماعية مختلفة (مثل مقارنة الذكور بالإناث، أو مقارنة عينات من بلدان مختلفة) كشرط مسبق وإلزامي قبل إجراء أي مقارنة إحصائية للمسارات الهيكلية أو المتوسطات الكامنة بين تلك المجموعات.

4. أوجه الاختلاف الجوهرية بين تحليل المسار ونمذجة المعادلة الهيكلية

4.1 طبيعة المتغيرات ونوعية البيانات المعالجة

يكمن الفارق الجوهري الأول بين تحليل المسار ونمذجة المعادلة الهيكلية في الماهية الإبستمولوجية للمتغيرات المعالجة ومستوى تجريدها المعرفي داخل النموذج الإحصائي. يقتصر تحليل المسار بشكل قاطع وحصري على التعامل مع المتغيرات المشاهدة أو المقاسة (Manifest Variables). في هذا السياق، إذا أراد الباحث اختبار مفهوم مجرد مثل “الالتزام التنظيمي” المقاس بمقياس مكوّن من 15 فقرة، فإنه يُجبر منهجياً على جمع هذه الفقرات في درجة كلية واحدة أو حساب متوسطها الحسابي لإنتاج متغير أحادي مشهود. هذا الإجراء يسقط النموذج في فخ الاختزال الإمبيريقي، حيث يتعامل التحليل مع هذا المتوسط وكأنه التعبير الكامل والحصري عن الظاهرة دون أدنى تمييز بين جوهر المفهوم وأخطاء التطبيق الخاصة بصياغة الفقرات.

على النقيض من ذلك تماماً، تدعم نمذجة المعادلة الهيكلية في آن واحد كلا النوعين من المتغيرات: المتغيرات الكامنة غير الملاحظة (Latent Variables) والمتغيرات المشاهدة (Observed Variables)، بل إن قيمتها المنهجية الكبرى تتجسد في قدرتها على تشييد هياكل نظرية متعددة المستويات. ففي نموذج SEM، لا يتم دمج الفقرات في متوسط حسابي هجين، بل تظل كل فقرة محتفظة بهويتها الإحصائية كمؤشر مستقل يرتبط بالمتغير الكامن عبر معامل تحميل عاملي (Factor Loading). هذا التمييز يسمح للباحث بتمثيل الأبعاد الفرعية المعقدة للمقاييس السيكومترية (مثل النماذج العاملية من الدرجة الثانية والدرجة الثالثة)، واختبار فرضيات تتعلق بظواهر مجردة عالية التعقيد يصعب اختزالها إحصائياً في رقم وحيد دون الإخلال بالمضمون النظري للمفهوم.

ينعكس هذا التباين مباشرة على مستوى اختبار الفرضيات؛ ففي حين يختبر تحليل المسار العلاقات الرياضية القائمة بين الدرجات الخام أو المعيارية للبيانات المدخلة في برامج الإحصاء، تختبر نمذجة المعادلة الهيكلية الفرضيات النظرية في مستوى الروابط الجوهرية بين البناءات النظرية النقية ذاتها. وبناءً عليه، فإن SEM تمنح الباحث ثقة إبستمولوجية أعلى بأن النتائج التي يتوصل إليها تعبر بالفعل عن العلاقات الحقيقية بين الظواهر النفسية أو الإدارية المدروسة، وليست نتاجاً لخصائص القياس الإمبيريقي المؤقتة لأداة البحث المستعملة.

4.2 إدارة أخطاء القياس وتقدير المعلمات

تشكل كيفية إدارة ومعالجة خطأ القياس حجر الزاوية والحد الفاصل الأكثر حساسية بين الأسلوبين. ينطلق تحليل المسار من افتراض حتمي خطير، ألا وهو افتراض دقة القياس التامة، حيث يُفترض أن كل متغير مقاس يتسم بثبات مطلق (Reliability coefficient $\alpha = 1.0$). ومن واقع الدراسات النفسية والسلوكية، يُعد هذا الافتراض غير واقعي ومستحيلاً عملياً؛ إذ نادراً ما تتجاوز معاملات ثبات المقاييس النفسية والاستبانات السلوكية مستويات 0.75 إلى 0.85. يؤدي تجاهل هذا الخطأ في تحليل المسار إلى ما أوضحه الإحصائي الشهير تشارلز سبيرمان منذ عام 1904 تحت مسمى “انحياز التخفيف” (Attenuation Bias)؛ وتتلخص صيغته الرياضية في أن الارتباط الملاحظ بين متغيرين ($r_{xy}$) يقل عن الارتباط الحقيقي بين المفهومين ($r_{T_x T_y}$) بنسبة تعتمد على جذري معاملي ثباتهما:

$$r_{xy} = r_{T_x T_y} \sqrt{r_{xx} r_{yy}}$$

وبما أن معاملي الثبات ($r_{xx}$ و $r_{yy}$) أقل من الواحد الصحيح دائماً، فإن معاملات المسار المقدرة في تحليل المسار ستكون حتماً مقومة بأقل من حقيقتها (Underestimated)، مما قد يدفع الباحثين إلى رفض فرضيات سببية صحيحة تماماً لعدم بلوغها مستوى الدلالة الإحصائية جراء انخفاض قيم المعاملات التقديرية المشوهة بخطأ القياس غير المعالج.

في المقابل، تمكنت نمذجة المعادلة الهيكلية من القضاء الجذري على هذه المعضلة من خلال النمذجة الصريحة والمنفصلة لتباينات أخطاء القياس؛ حيث يتم تقدير تباين كل مؤشر وتجزئته رياضياً إلى تباين مشترك يعكس المتغير الكامن، وتباين متبقٍ يمثل خطأ القياس الفريد ($\delta$ و $epsilon$). ونتيجة لهذا العزل الصارم للخطأ، تخرج معاملات الانحدار والمسارات الهيكلية التقديرية بين المتغيرات الكامنة غير منحازة ودقيقة وتعكس العلاقة الخالصة بين البناءات النفسية أو الاجتماعية كما لو كانت قد قيست بمقاييس ذات ثبات سيكومتري مطلق (أي بعد تصحيح التخفيف رياضياً أثناء التقدير).

يمتد هذا الاختلاف إلى طرق التقدير الإحصائي (Estimation Methods) المعتمدة في كلا الأسلوبين. يعتمد تحليل المسار بصورة تقليدية على طريقة المربعات الصغرى العادية (Ordinary Least Squares – OLS)، والتي تُطبق بشكل منفصل على كل معادلة انحدار في النموذج، وهي طريقة وإن كانت تتسم بالبساطة ولا تتطلب اشتراطات توزيعية معقدة للغاية، إلا أنها تتعامل مع كل مسار بمعزل عن المنظومة الكلية للنموذج. أما نمذجة المعادلة الهيكلية، فتعتمد على خوارزميات التقدير الآني الشامل للنظام بأكمله (Simultaneous Estimation)، وفي مقدمتها طريقة الإمكانية العظمى (Maximum Likelihood – ML)، وطرق المربعات الصغرى الموزونة والمعدلة (WLSMV / ADF) المخصصة للبيانات الترتيبية غير السوية؛ حيث تقوم هذه الطرق المتقدمة بتقدير جميع معلمات النموذج دفعة واحدة عبر تكرارات متقاربة تقلص التباين بين مصفوفات التغاير، مما يوفر أخطاء معيارية متسقة وموثوقة لجميع المعلمات المقدرة.

4.3 التعقيد الرياضي، متطلبات حجم العينة، وحزم البرمجيات

يترتب على الفروق البنيوية بين تحليل المسار ونمذجة المعادلات الهيكلية تباين هائل في درجة التعقيد الحسابي، واشتراطات حجم العينات، ونوعية البرمجيات الإحصائية المستعملة. من حيث حجم العينة المطلوب، يتسم تحليل المسار بتواضع متطلباته الإحصائية؛ فالقاعدة المنهجية العامة توصي بوجود 10 إلى 20 مشاركاً لكل معامل مسار مراد تقديره في النموذج. ونظراً لأن عدد المعلمات في تحليل المسار يقتصر فقط على معاملات الانحدار والتباينات المشتركة وتباينات الأخطاء البواقي للمتغيرات التابعة القليلة، فإن عينة تتراوح بين 100 إلى 200 مشارك تكون غالباً كافية تماماً لتوفير قوة إحصائية ملائمة (Statistical Power) لتقدير معاملات المسار بدقة معقولة وثبات عالٍ.

أما نمذجة المعادلة الهيكلية (SEM)، فإنها تفرض متطلبات صارمة للغاية بشأن حجم العينة بسبب التعقيد الرياضي الهائل لمصفوفاتها التقديرية. ففي نموذج SEM الذي يتضمن أربعة متغيرات كامنة، يُقاس كل منها بخمس فقرات، فإن النموذج لا يختبر فقط المسارات السببية بين المتغيرات الأربعة، بل يُقدر أيضاً 20 وزناً عاملياً، و20 تباين خطأ قياس، فضلاً عن تباينات وتغايرات العوامل الكامنة والأخطاء الهيكلية. هذا الانفجار في عدد المعلمات المقدرة يتطلب عينات إحصائية ضخمة؛ إذ تتفق الأدبيات المنهجية الرصينة (مثل أعمال Bollen وKline وHair) على أن الحد الأدنى المقبول في نماذج SEM المعتمدة على التغاير يتراوح عادة بين 200 إلى 500 مشارك، وتزداد الحاجة لأعداد أكبر في حال انحراف البيانات عن التوزيع الطبيعي، أو استخدام متغيرات فئوية ترتيبية، أو اختبار نماذج ذات تعقيد عاملي مرتفع، لضمان استقرار خوارزميات التقدير وتفادي مشكلات التحديد الإحصائي للنموذج.

يرتبط هذا التعقيد الرياضي في SEM بخطر منهجي مألوف يندر حدوثه في تحليل المسار التقليدي، وهو خطر “عدم تقارب النموذج” (Model Non-convergence) أو الوقوع في “حلول هايوود” (Heywood Cases)، والتي تتمثل في ظهور تقديرات رياضية مستحيلة أو غير منطقية، مثل الحصول على تباين خطأ سالب (Negative Error Variance) أو معاملات تحميل عاملي تتجاوز الواحد الصحيح. هذه المشكلات تنجم عادة عن صغر حجم العينة بالنسبة لعدد المعلمات، أو ضعف ارتباط المؤشرات بالمتغير الكامن، أو وجود ارتباط خطي متعدد شديد (Multicollinearity) يمنع المصفوفات من الوصول إلى حل حسابي مستقر.

من زاوية البيئة البرمجية، يمكن تنفيذ تحليل المسار بسهولة عبر أي برنامج إحصائي تقليدي؛ حيث يكفي استخدام برمجيات بسيطة مثل IBM SPSS عبر إجراء انحدارات متعددة متتالية، أو عبر أكواد بسيطة في لغة R أو برمجة الماكرو في إكسل. بينما تتطلب نمذجة المعادلة الهيكلية حزماً برمجية متخصصة ومصممة خصيصاً للتعامل مع جبر المصفوفات وتحليل التغاير؛ ومن أشهرها وأعرقها برنامج LISREL، وبرنامج IBM SPSS AMOS المتميز بواجهته الرسومية البديهية، وبرنامج Mplus الذي يُعد الأقوى عالمياً في التعامل مع النمذجة المتقدمة والبيانات الترتيبية والمتعددة المستويات، وحزمة `lavaan` المفتوحة المصدر والواسعة الانتشار في بيئة لغة R الإحصائية، فضلاً عن برمجيات SmartPLS المخصصة للنمذجة القائمة على المربعات الصغرى الجزئية.

يوضح الجدول الشامل التالي مقارنة تفصيلية مباشرة ومحكمة بين تحليل المسار ونمذجة المعادلة الهيكلية عبر كافة الأبعاد الإحصائية والمنهجية:

البعد المنهجي والإحصائي	تحليل المسار (Path Analysis)	نمذجة المعادلة الهيكلية (SEM)
طبيعة المتغيرات المدعومة	تقتصر حصرياً على المتغيرات المقاسة أو المشاهدة مباشرة (Manifest/Observed Variables).	تدعم كلاً من المتغيرات الكامنة (Latent Variables) والمتغيرات المشاهدة والمؤشرات المتعددة.
معالجة خطأ القياس	تفترض خلو القياس من الخطأ تماماً وبشكل حتمي ($\alpha = 1.0$)، ويُهمل الخطأ السيكومتري.	تقوم بالنمذجة والتقدير المنفصل والصريح لأخطاء القياس العشوائية والمنتظمة لكل مؤشر.
انحياز معاملات الانحدار (التخفيف)	معرضة بشدة لانحياز التخفيف (Attenuation Bias)؛ مما يؤدي لتقليل دقة المعاملات أو تضخيمها زائفاً.	تنتج معاملات مسار هيكلية نقية وغير منحازة تعكس العلاقات الحقيقية بين المفاهيم المجردة.
البنية الرياضية والمكونات	تتكون فقط من نموذج مسار هيكلي مباشر يربط بين متغيرات مقاسة مجمعة.	تجمع تكاملياً بين نموذجين: نموذج القياس (CFA) والنموذج البنائي الهيكلي (Structural Model).
طرق التقدير الإحصائي	تعتمد غالباً على المربعات الصغرى العادية (OLS) أو مصفوفات الارتباط البسيطة المنفصلة.	تعتمد على التقدير الآني الشامل بمصفوفات التغاير: الإمكانية العظمى (ML) أو (WLSMV) أو (PLS).
متطلبات حجم العينة	متواضعة نسبياً؛ تتراوح عادة بين 100 إلى 200 مشارك (10 إلى 20 مشاركاً لكل مسار).	مرتفعة وصارمة؛ تتطلب عادة عينات من 200 إلى 500+ مشارك حسب تعقيد نموذج القياس.
مؤشرات حسن المطابقة العامة	تغيب في حال تنفيذه كمعادلات انحدار منفصلة، وتقتصر على معامل التحديد ($R^2$) لكل معادلة.	منظومة تقييم كلية شاملة وصارمة للمطابقة (مثل: $\chi^2$, CFI, TLI, RMSEA, SRMR).
اختبار الصدق السيكومتري	لا يمكنه التحقق من الصدق العاملي أو الصدق التقاربي والتمايزي داخل إطار النموذج ذاته.	يختبر بدقة الصدق التقاربي والتمايزي وثبات البناء عبر التحليل العاملي التوكيدي المدمج.
اختبار تكافؤ القياس المقارن	عاجز عن اختبار تكافؤ القياس؛ يفترض مسبقاً تطابق معنى الدرجات المشاهدة عبر المجموعات.	قدرة استثنائية على اختبار التكافؤ العاملي والشكلي والمقاييسي (Measurement Invariance).
البرمجيات الإحصائية المستخدمة	برامج الإحصاء العامة (SPSS Regression, Excel) أو برامج SEM في أبسط صورها.	برمجيات متخصصة في نمذجة التغاير والمسارات (AMOS, LISREL, Mplus, lavaan, SmartPLS).

5. أوجه التشابه والتداخل المنهجي بين الأسلوبين

5.1 التأسيس المنطقي والمخططات السهمية الموجهة

على الرغم من الفروق الجوهرية العميقة التي تم تفصيلها سابقاً، يشترك تحليل المسار ونمذجة المعادلة الهيكلية في أرضية منطقية وفلسفية موحدة تستند إلى الاستدلال السببي واختبار النظريات. يعتمد كلا الأسلوبين بشكل جوهري على التمثيل البصري والرياضي عبر ما يُعرف في الأدبيات المعاصرة بـ المخططات البيانية الموجهة عديمة الحلقات (Directed Acyclic Graphs – DAGs) ونظرية الاستدلال السببي التي رسخها علماء الحاسوب والإحصاء مثل جوديا بيرل (Judea Pearl). في هذه المخططات، تُترجم الفرضيات النظرية التجريدية إلى مسارات بيانية محددة، حيث يشير السهم أحادي الرأس ($A \rightarrow B$) إلى مسار تأثير افتراضي اتجاهي يفترض أن التغير في المتغير $A$ ينتج عنه تغير منتظم في المتغير $B$، بينما يمثل السهم المنحني ثنائي الرأس ($A \leftrightarrow B$) تغايراً أو ارتباطاً لا سببي يرتبط بعوامل خارجية لم تُنمذج في النظام.

يفرض كلا الأسلوبين التزاماً صارماً بمبدأ الترتيب الزمني والمنطقي للمتغيرات في الشبكة السببية؛ حيث تُصنف المتغيرات إلى: متغيرات مستقلة أو خارجية مسبقة في الزمن والمنطق (Exogenous Variables)، ومتغيرات وسيطة (Mediating Variables) تقع في منتصف السلسلة السببية فتتأثر بمتغيرات وتؤثر في أخرى، ومتغيرات تابعة أو داخلية نهائية (Endogenous Variables). لا يمكن تطبيق أي من الأسلوبين بشكل عشوائي دون تأسيس نظري رصين سابق على جمع البيانات؛ إذ إن كلاً من تحليل المسار وSEM هما أسلوبان توكيديان (Confirmatory Methods) في المقام الأول، وظيفتهما اختبار صدق نماذج معرفية مبنية ومبررة مسبقاً بناءً على الأدبيات العلمية، وليس استكشاف العلاقات جزافاً من مصفوفات البيانات الرقمية كما يحدث في بعض الأساليب التنقيبية الخوارزمية.

يتفق الأسلوبان أيضاً في فلسفة التحقق من كفاية النموذج؛ فكلاهما يهدف إلى معرفة ما إذا كانت البنية السببية المقترحة قادرة على تفسير مصفوفة العلاقات المشاهدة بدقة مقبولة، ويسعيان إلى تحقيق أعلى درجات التفسير بأبسط نموذج ممكن، وفقاً لمبدأ نصل أوكام الفلسفي واقتصاد التفسير العلمي (Model Parsimony). ففي كلتا الحالتين، يسعى الباحث إلى تجنب الإفراط في تعقيد النموذج بمسارات لا طائل منها، والوصول إلى نموذج يحقق توازناً مثالياً بين القوة التفسيرية والتبسيط النظري الرصين.

5.2 تحليل المسار كحالة خاصة ومقيدة من نمذجة المعادلات الهيكلية

من الناحية الرياضية والمصفوفية البحتة، ليس تحليل المسار بديلاً منافساً لنمذجة المعادلة الهيكلية، بل هو في الحقيقة حالة خاصة شديدة التقييد ومتضمنة بالكامل داخل الإطار العام والشامل لنمذجة المعادلات الهيكلية (A Nested and Restricted Special Case of SEM). تتجلى هذه العلاقة الرياضية بوضوح عند تأمل مصفوفات نموذج JKW الكلاسيكي لنمذجة المعادلات الهيكلية. يتكون نموذج SEM الكامل من مصفوفات نموذج القياس ومصفوفات النموذج الهيكلي، ولكن ماذا يحدث إذا افترضنا أن نموذج القياس غائب تماماً؟

إذا قمنا بتثبيت أوزان معاملات التحميل العاملي في مصفوفة القياس ($Lambda$) لتكون مصفوفة وحدة متطابقة رياضياً ($Lambda = I$)، وقمنا في الوقت عينه بتثبيت جميع تباينات أخطاء القياس الخاصة بالمؤشرات في مصفوفات الخطأ ($\Theta_\delta$ و $\Theta_\epsilon$) عند الصفر المطلق، فإن نموذج المعادلة الهيكلية ينهار رياضياً ويتحول بصورة تلقائية وفورية إلى نموذج تحليل مسار تقليدي صرف. في هذه الحالة، يتطابق كل متغير كامن بشكل تام مع مؤشره المشهود الوحيد، ويصبح النموذج الهيكلي محكوماً فقط بالمعادلات التي تربط بين المتغيرات المقاسة مباشرة.

يترتب على هذا التماثل الرياضي إمكانية تنفيذ تحليل المسار الكلاسيكي بكفاءة مطلقة ودقة مذهلة داخل حزم برمجيات SEM المتقدمة مثل AMOS أو Mplus أو حزمة `lavaan`. عندما يقوم الباحث برسم نموذج مسار في برنامج AMOS باستخدام المربعات فقط (دون إضافة أشكال بيضوية للمتغيرات الكامنة)، فإن البرنامج ينفذ عملياً تحليل مسار عادي، وتتطابق مخرجاته من معاملات المسار تماماً مع معاملات الانحدار الخطي المتعدد المحسوبة ببرنامج SPSS التقليدي، ولكن مع ميزة استثنائية يوفرها محرك SEM، وهي تزويد الباحث بمؤشرات المطابقة الكلية للنموذج، والتقدير الآني لجميع المسارات في آن واحد، واختبار فرضيات القيود المتساوية على المعلمات (Equality Constraints)، وهو ما يؤكد أن تحليل المسار هو الابن الشرعي والنواة التأسيسية التي ولدت من رحمها نمذجة المعادلات الهيكلية الشاملة.

5.3 حساب التأثيرات المباشرة وغير المباشرة واختبار الوساطة

يمثل تحليل الوساطة (Mediation Analysis) وتفكيك التأثيرات السببية المساحة المشتركة الأبرز والأكثر تطبيقاً بين تحليل المسار ونمذجة المعادلة الهيكلية في البحوث الميدانية المعاصرة. يشترك الأسلوبان في منطق تفكيك الأثر الكلي (Total Effect) لمتغير مستقل ($X$) على متغير تابع ($Y$) إلى مكونين رئيسيين:

• التأثير المباشر (Direct Effect): وهو مسار التأثير غير المعترض الذي يربط بين المتغير المستقل والتابع مباشرة ($X \rightarrow Y$) دون المرور بأي متغير وسيط، مع ضبط وتحييد تأثيرات المتغيرات الأخرى في النموذج.
• التأثير غير المباشر (Indirect Effect): وهو مسار التأثير الذي ينتقل من المتغير المستقل إلى المتغير التابع عبر متغير وسيط واحد أو أكثر ($M$) في سلسلة تتابعية ($X \rightarrow M \rightarrow Y$). رياضياً، يُحسب هذا التأثير غير المباشر بحاصل ضرب معامل المسار الانحداري الأول في معامل المسار الانحداري الثاني ($a \times b$).

ويخضع الأثر الإجمالي في كلا الأسلوبين للمعادلة التفكيكية الكلاسيكية:

$$\text{Total Effect} = \text{Direct Effect} + \text{Indirect Effect}$$

يتشابه الأسلوبان أيضاً في الآليات الحديثة المعتمدة لاختبار الدلالة الإحصائية للتأثيرات غير المباشرة للوساطة. لعقود طويلة، اعتمد الباحثون في تحليل المسار وSEM على “اختبار سوبل” (Sobel Test) التقليدي لفحص دلالة حاصل الضرب ($a \times b$). غير أن التطورات المنهجية التي قادها إحصائيون مثل بريتشر وهايز (Preacher & Hayes) أثبتت أن حاصل ضرب معاملين انحداريين لا يتبع التوزيع الطبيعي المعياري حتى لو كانت المتغيرات الأصلية موزعة توزيعاً طبيعياً تماماً، بل يميل توزيع التأثير غير المباشر إلى الالتواء الشديد، مما يجعل اختبار سوبل منخفض القوة الإحصائية وعرضة للخطأ.

استجابة لهذا التحدي، يتشارك الأسلوبان اليوم في الاعتماد الكامل على تقنيات إعادة أخذ العينات المعززة (Bootstrapping) كمعيار ذهبي لاختبار مسارات الوساطة. تقوم هذه التقنية التكرارية المكثفة حاسوبياً على توليد آلاف العينات العشوائية التوليدية بالاستبدال (مثلاً 5000 عينة معززة) من بيانات العينة الأصلية، وحساب قيمة التأثير غير المباشر ($a \times b$) في كل عينة، وبناء فترات ثقة تجريبية مئوية ومصححة للانحياز (Bias-Corrected Confidence Intervals – 95% CI). وتُعتبر الوساطة دالة إحصائياً بشكل قاطع إذا كانت فترة الثقة الناتجة عن البوتستراب لا تحتوي على الرقم صفر بين حديها الأدنى والأعلى؛ وهي المنهجية المطبقة بحذافيرها سواء أكانت مسارات الوساطة تجري بين متغيرات مقاسة مباشرة في تحليل المسار أم بين متغيرات كامنة خالية من الأخطاء في نمذجة المعادلات الهيكلية.

6. معايير الاختيار: متى يُستخدم تحليل المسار ومتى نلجأ لنمذجة المعادلة الهيكلية؟

6.1 حالات الاستخدام الأنسب لتحليل المسار (Path Analysis)

على الرغم من التطور الهائل لنمذجة المعادلة الهيكلية وتفوقها النظري الصريح، يظل تحليل المسار أسلوباً إحصائياً قيماً وذا كفاءة منهجية عالية، بل وخياراً مفضلاً في العديد من السياقات البحثية المحددة. لا ينبغي النظر إلى تحليل المسار على أنه أسلوب “متخلف” أو مرفوض، بل كأداة متخصصة ومصممة لبيئات بحثية تتسم بشروط محددة تتطابق مع افتراضاته الرياضية الأساسية.

تتمثل الحالة الأولى والأنسب لاستخدام تحليل المسار في الدراسات التي تعتمد كلياً على مقاييس موضوعية مباشرة وخالية نسبياً من أخطاء القياس السيكومترية. عندما يتعامل الباحث مع متغيرات إمبيريقية فيزيائية، أو ديموغرافية، أو مالية موثقة بسجلات رسمية—مثل: عمر المشارك بالسنين، أو جنسه البيولوجي، أو دخله الشهري الموثق بالوثائق البنكية، أو معدله التراكمي الجامعي الرسمي (GPA)، أو ضغط الدم الانقباضي المقاس بجهاز معاير، أو عدد أيام الغياب الرسمية—تكون أخطاء القياس السيكومترية شبه منعدمة، ويكون المتغير المشهود ممثلاً حقيقياً وكاملاً للظاهرة دون حاجة إلى افتراض متغيرات كامنة مجردة. في مثل هذه الحالات، يكون استخدام تحليل المسار خياراً في غاية الذكاء والرشاقة المنهجية، إذ لا يوجد مبرر نظري أو إحصائي لتأسيس نموذج قياس معقد لمفهوم مادي واضح ومقاس بدقة مطلقة.

تتمثل الحالة الثانية في الدراسات ذات العينات الاستكشافية المحدودة الحجم، أو في التخصصات التي يندر فيها العثور على أعداد كبيرة من المشاركين، مثل الدراسات الطبية السريرية لمرضى بأمراض نادرة، أو البحوث المقارنة بين الدول في العلوم السياسية حيث تقتصر العينة على 40 أو 50 دولة فقط. إن محاولة تطبيق نمذجة المعادلة الهيكلية المعتمدة على التغاير (CB-SEM) على عينات صغيرة كهذه سيقود حتماً إلى فشل الخوارزميات، وعدم تقارب النموذج، والوقوع في تقديرات غير منطقية ومعاملات تباين سالبة (Heywood Cases). في هذه البيئات المحدودة، يبرز تحليل المسار كبديل إحصائي واقعي ومتماسك نظراً لقلة المعلمات المطلوب تقديرها مقارنة بحجم العينة المتاحة.

أما الحالة الثالثة، فتتجلى في المراحل الاستكشافية المبكرة للمشاريع البحثية المعقدة، أو عندما يكون الهدف محصوراً بدقة في اختبار أولي مباشر لشبكة وساطة بسيطة بين متغيرات تم فحص ثباتها مسبقاً بشكل صارم في مقاييس أحادية المؤشر عالية الثبات والاتساق. فإذا كان الباحث يختبر فرضية مبدئية لجدوى وجود مسار وساطة في ظاهرة غير مسبوقة، يتيح تحليل المسار تقييماً سريعاً وفعالاً لشبكة التأثيرات قبل الانخراط في تصميم وبناء أدوات قياس استبيانية واسعة النطاق تتطلب جهوداً سيكومترية مضنية في نمذجة المعادلات الهيكلية الكاملة.

6.2 دواعي الانتقال الإلزامية إلى نمذجة المعادلة الهيكلية (SEM)

في المقابل، يتحول الانتقال من تحليل المسار التقليدي إلى نمذجة المعادلة الهيكلية إلى التزام منهجي وأخلاقي صارم في معظم دراسات العلوم الاجتماعية والسلوكية والإدارية المعاصرة متى ما انطبقت شروط سياقية ونظرية معينة تجعل من استخدام تحليل المسار مصدراً للخطأ والانحياز الإحصائي الفادح.

تتمثل الداعي الأول والإلزامي للانتقال إلى SEM في التعامل مع مفاهيم نفسية، وسلوكية، واجتماعية مجردة تُقاس باستبيانات متعددة الفقرات (Multi-item Scales) وتخضع لمقاييس التقدير الذاتي (Self-Report Scales مثل مقاييس ليكرت). إن بناءات مثل “الرضا الوظيفي”، “الاحتراق النفسي”، “القيادة الأصيلة”، “القلق المعرفي”، أو “الولاء للعلامة التجارية” هي ظواهر افتراضية بطبيعتها، وتتسم أدوات قياسها بدرجات ملحوظة من أخطاء الاستجابة، وتأثيرات الصياغة اللغوية، واختلافات التفسير الفردي. إن دمج فقرات هذه المفاهيم في متوسط حسابي واحد وإخضاعها لتحليل المسار يعد خرقاً فاضحاً لافتراض خلو القياس من الخطأ، ويقود حتماً إلى انحياز التخفيف وتشويه النتائج. هنا تفرض SEM نفسها كأداة حتمية؛ لأنها الأسلوب الوحيد القادر على عزل أخطاء القياس السيكومترية الصريحة لهذه الفقرات وضمان اختبار العلاقات الحقيقية بين البناءات المجردة في حالتها الصافية.

تتمثل الداعي الثاني في الحاجة الحيوية للتحقق الصارم من الخصائص السيكومترية لأدوات القياس ضمن النموذج نفسه، والتأكد من الصدق التقاربي (Convergent Validity) والصدق التمايزي (Discriminant Validity) للمقاييس. لا يمتلك الباحث في تحليل المسار أي آلية إحصائية مدمجة تخبره عما إذا كانت فقرات الاستبانة تتشبع بالفعل على العامل المقصود وتتمايز عن العوامل الأخرى. بينما توفر SEM عبر نموذج التحليل العاملي التوكيدي (CFA) إمكانية حساب مؤشرات دقيقة مثل متوسط التباين المستخرج (Average Variance Extracted – AVE) والثبات المركب (Composite Reliability – CR)، واختبار معيار فورنيل-لاركر ومعيار نسبة التغاير للتباينات المشتركة (HTMT Ratio)؛ مما يحصن الباحث من بناء استنتاجات سببية على أدوات قياس تعاني من تداخل مفاهيمي معيب.

أما الداعي الثالث والقطعي، فيبرز عند الحاجة لاختبار تكافؤ القياس (Measurement Invariance) ومقارنة المجموعات المتعددة، أو عندما تتضمن النظرية علاقات تبادلية دائرية معقدة (Reciprocal or Non-recursive Relationships)، أو الرغبة في نمذجة عوامل الدرجة الثانية والدرجة العليا (Higher-Order Constructs). إذا أراد باحث مقارنة أثر بيئة العمل على الإنتاجية بين العاملين في القطاع الحكومي والقطاع الخاص، فإن تحليل المسار يفترض زائفاً أن المقياس يعمل بالدقة والمفهوم نفسهما عبر القطاعين. وحدها نمذجة المعادلات الهيكلية توفر الإطار المنهجي المتقدم لاختبار تكافؤ أوزان القياس (Metric Invariance) وتكافؤ التقاطعات (Scalar Invariance) كشرط منهجي لا مفر منه لضمان أن الفروق المكتشفة في المسارات السببية تعود بالفعل إلى فروق واقعية بين المجموعتين وليست مجرد تشوهات ناتجة عن عدم تكافؤ أداة القياس السيكومترية ذاتها.

6.3 أمثلة تطبيقية وسيناريوهات توضيحية من واقع الدراسات

لإدراك الآثار المنهجية المترتبة على المفاضلة بين الأسلوبين، نناقش فيما يلي سيناريوهين بحثيين تطبيقيين من واقع الممارسات الميدانية، ونقارن تحليلياً بين ما يسفر عنه تطبيق تحليل المسار مقابل تطبيق نمذجة المعادلة الهيكلية في كل سيناريو:

السيناريو الأول (أ): دراسة تأثير المتغيرات الفسيولوجية على زمن رد الفعل الحركي
يفترض باحث في علم الأعصاب الإدراكي نموذجاً سببياً يتضمن دراسة أثر “معدل ساعات النوم اليومية” ($X_1$) و”كمية استهلاك الكافيين بالمليجرام” ($X_2$) على “مستوى الانتباه المركز” ($M$) كمتغير وسيط، والذي يؤثر بدوره على “زمن رد الفعل الحركي بالملي ثانية” ($Y$). جميع هذه المتغيرات في هذا السيناريو هي متغيرات مقاسة وموضوعية تماماً وبدرجة صدق مطلقة؛ فعدد ساعات النوم يُسجل بأجهزة تخطيط النوم (Polysomnography)، واستهلاك الكافيين يُقاس بجرعة محددة كيميائياً، والانتباه يُقاس بمعدل ومضات العين الفسيولوجي، وزمن رد الفعل يُقاس بجهاز التوقيت الإلكتروني فائق الدقة. في هذا السياق، يُعد تطبيق تحليل المسار (Path Analysis) هو الخيار المثالي والمنطقي والأكثر ملاءمة؛ إذ لا توجد أي متغيرات كامنة سيكومترية أو فقرات استبانة ذات أخطاء قياس لغوية، وستكون معاملات المسارات المباشرة وغير المباشرة الناتجة عن تحليل المسار معاملات دقيقة وغير منحازة، ويكون تطبيق SEM في هذه الحالة جهداً لا طائل منه ولن يضيف للنتائج أي جديد لكون تباينات الخطأ القياسي مساوية للصفر في الواقع الفيزيائي للمقاييس.

السيناريو الثاني (ب): دراسة دور الثقة التنظيمية في التوسط بين القيادة والابتكار الوظيفي
يفترض باحث في السلوك التنظيمي نموذجاً يتضمن دراسة دور “الثقة التنظيمية” كمتغير وسيط بين ممارسة “القيادة التحويلية” و”الأداء الوظيفي الإبداعي” للعاملين في شركات التقنية. اعتمد الباحث على استبانة تتضمن ثلاثة مقاييس سيكومترية: مقياس القيادة التحويلية (مكون من 20 فقرة موزعة على 4 أبعاد)، ومقياس الثقة التنظيمية (10 فقرات)، ومقياس الأداء الإبداعي (8 فقرات)، وكلها مصاغة على مقياس ليكرت الخماسي. طُبقت الدراسة على عينة من 350 موظفاً. سنقارن هنا بعمق بين النتائج والآثار المنهجية المتوقعة عند استخدام كلا الأسلوبين للتعامل مع هذه البيانات:

إذا استخدم الباحث تحليل المسار (Path Analysis)، فسيقوم بجمع درجات الـ 20 فقرة الخاصة بالقيادة التحويلية في متوسط واحد ($X$)، ودرجات الثقة في متوسط ($M$)، والأداء في متوسط ($Y$). ومن ثم يقوم بإجراء مسارات انحدارية بين هذه المتوسطات الثلاثة. في هذا الإجراء، يُهمل الباحث حقيقة أن معامل ثبات مقياس الثقة في عينته كان ($\alpha = 0.72$). وبسبب هذا القصور، سيمتص تباين البواقي ($e$) أخطاء القياس الكبيرة للمؤشرات، وسيحدث “انحياز تخفيف” شديد يقلص معامل المسار غير المباشر المحسوب لـ الثقة التنظيمية بنسبة قد تصل إلى 20% أو 30% مقارنة بحقيقته، مما قد يظهر أثر الوساطة باهتاً أو غير دال إحصائياً، فضلاً عن الفشل التام في تمثيل الأبعاد الأربعة الفرعية للقيادة التحويلية كبناء عاملي متكامل.

أما إذا طبق الباحث نمذجة المعادلة الهيكلية (SEM)، فإن الإجراءات ستسير وفق نموذج القياس والنموذج الهيكلي التكاملي؛ حيث سيعامل القيادة التحويلية كنموذج عاملي من الدرجة الثانية (Second-Order Construct) ينبثق منه أربعة أبعاد كامنة تتشبع عليها الفقرات العشرون، وتُعامل الثقة والأداء الإبداعي كمتغيرات كامنة ترتبط بمؤشراتها المنفصلة مع عزل أخطاء القياس ($\delta$ و $epsilon$) لكل فقرة على حدة. سيقوم نموذج القياس بتنقية المتغيرات الكامنة من شوائب الأخطاء، وحساب الصدق التمايزي لضمان عدم تداخل مفهوم الثقة مع مفهوم القيادة. وعند تشغيل النموذج الهيكلي، ستظهر معاملات التأثير الحقيقية واضحة ودقيقة وغير مخففة بخطأ القياس، مما سيكشف بصورة مؤكدة عن قوة مسار الوساطة غير المباشر للثقة التنظيمية بدقة بالغة وبأخطاء معيارية متسقة، معززة بمؤشرات حسن مطابقة كلية (مثل CFI وRMSEA) تمنح الباحث والمحكمين يقيناً علمياً بمدى ملاءمة النموذج النظري للبيانات الميدانية ككل.

7. الأسئلة الشائعة حول تحليل المسار ونمذجة المعادلات الهيكلية

7.1 هل يمكن إجراء تحليل المسار باستخدام برامج SEM مثل AMOS أو Lavaan؟

نعم، بكل تأكيد؛ بل إن الغالبية الساحقة من الباحثين المتقدمين يفضلون اليوم تنفيذ تحليل المسار التقليدي داخل بيئة البرمجيات المتخصصة في نمذجة المعادلات الهيكلية (مثل IBM SPSS AMOS، وMplus، وحزمة `lavaan` في R) بدلاً من اللجوء إلى برامج الانحدار الخطي الكلاسيكي مثل SPSS Regression العادي. في هذه الحالة، يتم تمثيل النموذج الإحصائي بيانوياً ورياضياً باستخدام المربعات أو المستطيلات فقط، والتي ترمز حصراً إلى المتغيرات المشاهدة أو المقاسة (Manifest Variables)، دون رسم أي أشكال بيضوية تمثل متغيرات كامنة غير ملاحظة.

تتمثل الفائدة المنهجية الكبرى لإجراء تحليل المسار داخل بيئة برمجيات SEM في القفزة النوعية التي يحصل عليها الباحث في نوعية وحجم المخرجات الإحصائية. فعند استخدام الانحدار التقليدي في SPSS، يضطر الباحث إلى تشغيل معادلات انحدار متعددة ومتسلسلة ومنفصلة عن بعضها لاختبار مسارات كل متغير وسيط وتابع، ولا يتيح البرنامج في هذه الحالة أي مؤشرات لحسن المطابقة العامة للنموذج ككل، كما يعجز عن اختبار دلالة التأثيرات غير المباشرة الشاملة إلا من خلال إضافات وماكرو خارجي معقد مثل Process Macro لـ Hayes. في المقابل، يتيح تشغيل تحليل المسار داخل برامج SEM تقدير جميع المعلمات والمسارات ومصفوفات التغاير في آن واحد (Simultaneous Global Estimation)، ويوفر تلقائياً مؤشرات جودة المطابقة الشاملة للنموذج المقترح ($\chi^2$, CFI, TLI, RMSEA)، ويتيح استخدام تقنيات البوتستراب (Bootstrapping) لحساب فترات الثقة للتأثيرات غير المباشرة بمنتهى السلاسة والسرعة، مما يجعل برامج SEM البيئة الأمثل لتنفيذ تحليل المسار ولكن مع ضرورة وعي الباحث وإعلانه بشفافية في تقريره العلمي بأنه أجرى “تحليل مسار لمتغيرات مشاهدة” وليس “نمذجة معادلة هيكلية لمتغيرات كامنة”.

7.2 لماذا يؤدي تجاهل خطأ القياس في تحليل المسار إلى تضليل الاستنتاجات؟

يؤدي تجاهل خطأ القياس والافتراض الزائف بثبات أدوات القياس التام في تحليل المسار إلى تشوهات وتضليلات إحصائية بنيوية تضرب مصداقية البحث العلمي في مقتل. يرجع هذا التضليل إلى ظاهرة إحصائية عميقة تُعرف بـ انحياز التخفيف (Attenuation Bias). عندما تتضمن أداة القياس—كالاستبانات السلوكية—أخطاء عشوائية ناجمة عن غموض صياغة بعض الفقرات أو تشتت المستجيبين، فإن هذه الأخطاء تؤدي رياضياً إلى تقليل التغاير المشترك الملاحظ بين المتغيرات. وبناءً عليه، فإن معاملات المسار الانحدارية المقدرة تنكمش وتتجه قسراً نحو الصفر مقارنة بحقيقتها في الواقع. هذا الانخفاض الزائف في قوة المعاملات قد يدفع الباحث بالضرورة إلى الفشل في رفض الفرضية الصفرية الخاطئة، مما يعني استبعاد مسارات سببية حقيقية وفاعلة لمجرد أن مقياس البحث كان يعاني من أخطاء قياس طفيفة لم يتم تصحيحها إحصائياً.

ولا يقتصر الخطر على تقليل المعاملات فقط، بل يمتد إلى ظاهرة أخرى أكثر خطورة تُعرف بـ الانحياز التعويضي العشوائي؛ ففي شبكات المسارات المعقدة التي تتضمن متغيرات مستقلة متعددة تتفاوت فيما بينها في درجات الثبات السيكومتري، يؤدي وجود خطأ قياس غير معالج في متغير مستقل معين ($X_1$) إلى عجز هذا المتغير عن تفسير نصيبه الحقيقي من تباين المتغير التابع، مما يجعل الخوارزمية الإحصائية تنقل هذا التباين المشترك بشكل زائف وغير مشروع إلى متغير مستقل آخر في النموذج ($X_2$) يتمتع بثبات أعلى في القياس. ينتج عن هذا التشويه تضخيم اصطناعي لمعامل مسار المتغير الثاني وظهوره كعامل سببي حاسم، بينما هو في حقيقة الأمر متغير ضعيف الأثر استغل فقط تشوه قياس المتغير الأول. هذا النوع من الاستنتاجات المضللة يؤدي إلى اتخاذ قرارات تدريبية أو سياسات إدارية وإكلينيكية كارثية وغير فعالة عندما تُبنى البرامج والتدخلات بناءً على توصيات مستمدة من نماذج مشوهة بقياسات غير منضبطة إحصائياً.

7.3 ما هو الحد الأدنى لحجم العينة المطلوب لكل من الأسلوبين؟

يمثل تحديد حجم العينة الإحصائية الصالحة والموثوقة أحد أكثر الأسئلة المنهجية حساسية في تصميم البحوث الكمية، ويختلف الحد الأدنى المطلوب اختلافاً جذرياً بين تحليل المسار ونمذجة المعادلات الهيكلية تبعاً لطبيعة المعلمات المقدرة واشتراطات كل أسلوب:

في تحليل المسار (Path Analysis)، نظراً لتعامله مع متغيرات مشاهدة محدودة العدد، يستند حجم العينة عادة إلى القواعد الإرشادية التقليدية لحسابات القوة في الانحدار المتعدد، وأشهرها قاعدة جاكسون وهير (Hair et al.) التي تقترح وجود 10 إلى 20 مشاركاً لكل معامل مسار يتم تقديره في النموذج، أو ما يُعرف بـ (10:1 to 20:1 Ratio). فإذا كان نموذج المسار المقترح يتضمن 6 متغيرات مشاهدة بمجموع 10 معاملات مسار وتباينات متبقية، فإن الحد الأدنى المقبول للعينة يتراوح نظرياً بين 100 إلى 200 مشارك لضمان الحصول على قوة إحصائية مناسبة ($1 – \beta = 0.80$) لاكتشاف التأثيرات متوسطة الحجم عند مستوى دلالة ($\alpha = 0.05$).

أما في نمذجة المعادلة الهيكلية (SEM)، فإن قواعد النسبة البسيطة غالباً ما تكون غير كافية ومضللة، نظراً لتعقد خوارزميات مصفوفات التغاير. توصي الأدبيات المنهجية المرجعية (مثل دراسات Kline وWestland) بأن الحد الأدنى المطلق لحجم العينة في نماذج CB-SEM لا ينبغي أن يقل عن 200 مشارك في النماذج البسيطة، ويرتفع هذا الحد الإلزامي ليتراوح بين 300 إلى 500 مشارك في النماذج المعقدة التي تتضمن مؤشرات قياس متعددة لكل متغير كامن. علاوة على ذلك، في الحالات المتقدمة، يُشترط إجراء تحليل قوة إحصائية متقدم يستند إلى درجات حرية النموذج ومستوى خطأ التقريب RMSEA المتوقع (Power Analysis for RMSEA وفق نموذج MacCallum et al., 1996) لحساب العينة بدقة رياضية صارمة.

وتجدر الإشارة إلى أن هناك عاملاً حاسماً يفرض مضاعفة حجم العينة في كلا الأسلوبين، وهو مدى اعتدالية توزيع البيانات (Data Normality)؛ فإذا كانت البيانات تعاني من التواء شديد (Skewness > 2) أو تفلطح حاد (Kurtosis > 7)، فإن الطرق المعيارية (ML) تفقد كفاءتها، ويتعين على الباحث استخدام طرق التقدير المصححة مثل (Satorra-Bentler Scaled Chi-Square) أو مصفوفات التغاير المتقاربة المقاومة للتوزيع (ADF/WLS)، وهي تقنيات تتطلب أحجام عينات كبرى لا تقل عن 400 إلى 800 مشارك لضمان عدم الوقوع في أخطاء التقدير المعياري.

8. الخاتمة: نحو رؤية تكاملية في تصميم البحوث الإحصائية المتقدمة

8.1 خلاصة الموازنة الإبستمولوجية والمنهجية بين الأسلوبين

في ختام هذه المعالجة المقارنة المعمقة، يتضح بجلاء أن العلاقة المنهجية بين تحليل المسار ونمذجة المعادلة الهيكلية ليست علاقة تضاد أو تنافس إقصائي، بل هي علاقة تطور معرفي وتكامل تراتبي يجسد مسيرة النضج الإحصائي في نمذجة العلاقات السببية عبر قرن كامل من الزمان. يمثل تحليل المسار حجر الزاوية الإبستمولوجي واللبنة التاريخية الرائدة التي ابتكرها سيوول رايت لترويض الارتباطات وتوجيهها في مسارات سببية عقلانية، ومكنت الباحثين من التفكير في الظواهر كشبكات تفاعلية متسلسلة بدلاً من النظرة الأحادية العقيمة للعلاقات الثنائية.

وفي المقابل، جاءت نمذجة المعادلة الهيكلية (SEM) بقيادة كارل يوريسكوغ ورواد القياس المعاصرين كاستجابة علمية حتمية لعلاج القصور البنيوي الكامن في تحليل المسار والناتج عن تجاهله لخطأ القياس وتسطيحه للمفاهيم المجردة. لقد ارتقت نمذجة المعادلات الهيكلية بالتحليل الإمبيريقي إلى آفاق غير مسبوقة عبر توحيدها الجدلي بين فلسفة سيكومترية القياس (التحليل العاملي) وفلسفة الاقتصاد القياسي الهيكلي (تحليل المسار التراجعي)، مما أتاح للإنسانية فحص النظريات السلوكية والاجتماعية في أعلى درجات تجريدها النظري مع توفير درع إحصائي منيع يعزل شتات أخطاء القياس ويضمن نقاء النتائج وقابليتها للتعميم.

إن التفوق التقني والمنهجي لنمذجة المعادلة الهيكلية لا يلغي بحال من الأحوال الجدوى العلمية والعملية لتحليل المسار في سياقاته الإمبيريقية الصحيحة. فالمعيار الأسمى للرصانة الأكاديمية لا يكمن في مدى تعقيد الأسلوب الإحصائي المتبع أو التباهي باستخدام برمجيات فائقة الحداثة، بل في مدى الاتساق الإبستمولوجي التام بين طبيعة السؤال البحثي، وخصائص المتغيرات قيد القياس، والشروط الإحصائية للمنهج المختار. فالأداة الإحصائية هي وسيلة لخدمة الحقيقة العلمية وليست غاية في حد ذاتها، والباحث الحصيف هو من يطوع الأداة الأنسب لتلائم طبيعة بياناته وواقعه الميداني بأعلى درجات الصدق والأمانة العلمية.

8.2 توصيات وإرشادات للممارسين والباحثين في اختيار المنهج

بناءً على هذا التأطير النظري والمنهجي الشامل، نضع بين أيدي الباحثين وطلاب الدراسات العليا والمشرفين الأكاديميين حزمة من التوصيات الإرشادية والتطبيقية لترشيد وتوجيه الممارسات البحثية المستقبلية عند الاختيار والمفاضلة بين تحليل المسار ونمذجة المعادلة الهيكلية:

• الفحص السيكومتري الدقيق لأدوات القياس كخطوة مسبقة وإلزامية: يجب على الباحث التحقق الصارم من الخصائص السيكومترية لأدوات بحثه (معاملات الثبات المركب، الاتساق الداخلي، والصدق العاملي الاستكشافي والتوكيدي) قبل الشروع في أي نمذجة سببية. فإذا كانت المقاييس تعاني من تدني معاملات الثبات أو تداخل الفقرات، فإن استخدام تحليل المسار بدمجها في متوسطات حسابية يُعد خطأً منهجياً فادحاً يوجب التوقف الفوري والانتقال الحتمي إلى نمذجة المعادلة الهيكلية لتصحيح أخطاء القياس.
• تجنب الانسياق الأعمى وراء الموضة المنهجية (Methodological Fashion): نحذر بشدة من محاولة إقحام نماذج SEM المعقدة في دراسات تتناول في جوهرها متغيرات موضوعية مباشرة (كالعمر والدخل والتحصيل والبيانات الأرشيفية) لمجرد الرغبة في إظهار البحث بمظهر “المتقدم” أو تلبية لرغبات غير مبررة للجان التحكيم؛ فالنماذج البسيطة المكتملة والمبررة علمياً عبر تحليل المسار الرشيق تفوق بمراحل النماذج الهيكلية المتكلفة والمصطنعة التي تنتهك افتراضات التحديد والاستقرار الإحصائي.
• الشفافية الكاملة والدقة اللغوية في تسمية الأساليب في التقارير البحثية: يتعين على الباحثين تجنب إطلاق مسمى “نمذجة المعادلة الهيكلية – SEM” على الدراسات التي تقتصر على تحليل شبكات المسارات بين متغيرات مجمعة ومشاهدة مباشرة؛ بل يجب تسمية الأشياء بأسمائها العلمية الدقيقة والإقرار بوضوح باستخدام “تحليل المسار للمتغيرات المقاسة”، حتى وإن تم تشغيل هذا النموذج عبر برامج SEM شهيرة مثل AMOS أو lavaan.
• الإفصاح الإحصائي الشامل والنزيه عن كافة المعلمات ومؤشرات المطابقة: عند استخدام نمذجة المعادلة الهيكلية، يجب على الباحثين الالتزام ببروتوكولات الإبلاغ العالمية (مثل توصيات جمعية علم النفس الأمريكية APA)، والتي توجب تقديم تقرير مفصل يتضمن: مصفوفة الارتباطات والتغايرات، وطريقة التقدير المستخدمة، وأوزان التحميل العاملي المعيارية لنموذج القياس وأخطائها المعيارية، ومؤشرات الثبات والصدق (AVE و CR)، وحزمة متكاملة من مؤشرات حسن المطابقة المتنوعة ($\chi^2$, df, CFI, TLI, RMSEA مع فترة ثقته، وSRMR)، وعدم الاكتفاء بالانتقاء المتحيز لمؤشر وحيد يخفي عيوب النموذج.
• الاستثمار الأكاديمي في التدريب المنهجي المعمق لجيل الباحثين الجدد: نوصي أقسام الدراسات العليا في الجامعات والمؤسسات الأكاديمية بإعادة صياغة مناهج الإحصاء المتقدم؛ بحيث يتم تجاوز التدريس الآلي المرتكز على النقر السطحي في القوائم البرمجية، والتركيز بدلاً من ذلك على غرس الفهم المعرفي والإبستمولوجي والرياضي لبنية التغاير، وإدارة الأخطاء السيكومترية، والتأهيل الفلسفي للاستدلال السببي، بما يضمن إعداد جيل من العلماء القادرين على إنتاج أبحاث تتسم بأعلى درجات الصدق والمصداقية والقدرة على المساهمة الحقيقية في نهضة مجتمعاتهم.

المراجع

Blalock, H. M. (1964). Causal inferences in nonexperimental research. University of North Carolina Press.

Blau, P. M., & Duncan, O. D. (1967). The American occupational structure. John Wiley & Sons.

Bollen, K. A. (1989). Structural equations with latent variables. John Wiley & Sons. https://doi.org/10.1002/9781118619179

Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming (3rd ed.). Routledge.

Duncan, O. D. (1966). Path analysis: Sociological examples. American Journal of Sociology, 72(1), 1–16. https://doi.org/10.1086/224256

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Hu, L., & 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. https://doi.org/10.1080/10705519909540118

Jöreskog, K. G. (1970). A general method for analysis of covariance structures. Biometrika, 56(1), 183–202. https://doi.org/10.1093/biomet/56.1.183

Jöreskog, K. G. (1973). A general method for estimating a linear structural equation system. In A. S. Goldberger & O. D. Duncan (Eds.), Structural equation models in the social sciences (pp. 85–112). Seminar Press.

Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.

MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130–149. https://doi.org/10.1037/1082-989X.1.2.130

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02

Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101. https://doi.org/10.2307/1412159

Wright, S. (1918). On the nature of size factors. Genetics, 3(4), 367–374. https://doi.org/10.1093/genetics/3.4.367

Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.

Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215. https://doi.org/10.1214/aoms/1177732676