تحليل المكونات الرئيسية مقابل تحليل العوامل المشتركة

تُمثّل معالجة البيانات متعددة المتغيرات (Multivariate Data Analysis) حجر الزاوية في العلوم السلوكية والاجتماعية والطبية والبيانات الضخمة المعاصرة؛ إذ يواجه الباحثون والمحللون بانتظام مصفوفات بيانات معقدة تضم عشرات أو مئات المتغيرات المترابطة التي يصعب استيعابها أو نمذجتها بصورتها الخام. في هذا السياق الرياضي والإبستمولوجي، تبرز الحاجة الملحة إلى تقنيات قادرة على اختزال الأبعاد، وتلخيص التباين، واستكشاف التراكيب البنائية غير المرئية التي تحكم الظواهر المدروسة. ومن بين هذه التقنيات، يحتل أسلوبان مكانة مركزية تكاد تكون مهيمنة على الأدبيات الإحصائية: تحليل المكونات الرئيسية (Principal Components Analysis – PCA) وتحليل العوامل المشتركة (Common Factor Analysis – CFA/EFA).

وعلى الرغم من الانتماء المشترك لكلا الأسلوبين إلى عائلة التحليلات متعددة المتغيرات التي تتعامل مع مصفوفات التباين والارتباط المشترك، فإن بينهما تبايناً جوهرياً في الفلسفة المعرفية، والبنية الرياضية الجبرية، والافتراضات المنهجية المتعلقة بطبيعة التباين المقاس وأخطاء القياس. ومع ذلك، تشهد الممارسة البحثية التطبيقية خلطاً مزمناً واسع النطاق بينهما؛ حيث يُعامل أحدهما في كثير من الأحيان كبديل مطابق للآخر، أو تُدرج مخرجات تحليل المكونات الرئيسية تحت مسمى “تحليل العوامل” دون تمييز نقدي للمترتبات الإحصائية والنظرية الناجمة عن هذا الخلط.

يهدف هذا المقال الأكاديمي الموسع إلى تفكيك هذا التداخل المنهجي عبر دراسة مقارنة معمقة؛ تستعرض الأسس النظرية والرياضية لكل من تحليل المكونات الرئيسية وتحليل العوامل المشتركة، وتوضح نموذج تفتيت التباين الخاص بكل منهما، وتناقش قضايا الشيوعية (Communality)، واللاتحدد العاملي (Factor Indeterminacy)، وأثر تدوير المحاور، فضلاً عن تقديم موجهات إجرائية وخريطة طريق منهجية ترشد الباحثين إلى الانتقاء الدقيق للأسلوب الإحصائي الذي يتطابق تماماً مع تساؤلاتهم البحثية وفرضياتهم العلمية.

1. المقدمة: التأصيل النظري وأسباب الخلط المنهجي بين الأسلوبين

1.1 ماهية الأسلوبين وموضعهما في التحليل الإحصائي متعدد المتغيرات

يُعرَّف تحليل المكونات الرئيسية (Principal Components Analysis) بأنه أسلوب تحويلي جبري واختزالي خطي، يستهدف تحويل مجموعة من المتغيرات الأصلية المترابطة إلى مجموعة جديدة من المتغيرات غير المترابطة خطياً (Orthogonal)، تُعرف باسم المكونات الرئيسية (Principal Components). يتم ترتيب هذه المكونات تنازلياً بحيث يستوعب المكون الأول أكبر قدر ممكن من التباين الكلي الموجود في البيانات، يليه المكون الثاني الذي يستوعب أكبر قدر متبقٍ من التباين تحت قيد التعامد مع المكون الأول، وهكذا دواليك. ينطلق هذا الأسلوب من منظور وصفي بحت لا يفترض وجود متغيرات كامنة خفية تولد التباين، بل يتعامل مع التباين الكلي الملاحظ للمتغيرات بوصفه المادة الخام الوحيدة الخاضعة للتلخيص الحسابي.

في المقابل، يُعرَّف تحليل العوامل المشتركة (Common Factor Analysis) بأنه نموذج قياس بنيوي واستدلالي (Structural Latent Model)، يفترض أن الارتباطات المشاهدة بين المتغيرات الملاحظة ليست سوى انعكاس خارجي لتأثير عدد أقل من المتغيرات غير المشاهدة أو البنى الافتراضية غير الملاحظة، والتي تُعرف باسم “العوامل المشتركة” (Common Factors). لا يسعى تحليل العوامل إلى تلخيص التباين الكلي كما هو، بل يقوم مسبقاً بتقسيم تباين كل متغير إلى تباين مشترك (Common Variance) ينجم عن اشتراك المتغير مع بقية المتغيرات في البنية التحتية، وتباين فريد (Unique Variance) يخص المتغير بمفرده وينقسم بدوره إلى تباين نوعي موثوق وتباين ناشئ عن أخطاء القياس العشوائية. ومن ثم، يركز تحليل العوامل جلّ عملياته الحسابية على استخلاص وتفسير التباين المشترك حصراً.

تاريخياً وإبستمولوجياً، يرجع الفضل في تأسيس تحليل المكونات الرئيسية إلى كارل بيرسون في عام 1901 من خلال ورقته البحثية التأسيسية حول الخطوط والمستويات الأكثر ملاءمة لنقاط في الفضاء، قبل أن يقوم هارولد هوتلينغ بتطويره وتوسعته رياضياً في عام 1933 في سياق الجبر الخطي والمصفوفات. وقد نشأ هذا الأسلوب ضمن بيئة الرياضيات البحتة والإحصاء الرياضي الموجه نحو الاستمثال الحسابي. أما تحليل العوامل المشتركة، فقد انبثق من رحم القياس النفسي (Psychometrics) ومحاولات نمذجة الذكاء البشري، بدءاً من نظرية العاملين لتشارلز سبيرمان عام 1904، وتطويرات لويس ثيرستون اللاحقة لنظرية العوامل المتعددة في ثلاثينيات القرن العشرين. هذا التباين في النشأة يعكس تبايناً إبستمولوجياً عميقاً بين الرغبة في الاختزال الهندسي للأبعاد (بيرسون وهوتلينغ) ومحاولة الكشف عن علل خفية مفسرة للسلوك البشري (سبيرمان وثيرستون).

1.2 جذور الخلط الشائع ودواعي التمييز الدقيق بينهما

تعود جذور الخلط المنهجي الشائع في الأوساط الأكاديمية والتطبيقية بين هذين الأسلوبين إلى عدة عوامل تقنية وتاريخية وبرمجية متداخلة. ولعل أبرز هذه العوامل هو الطريقة التي صُممت بها الحزم الإحصائية التجارية الرائدة، وعلى رأسها حزمة SPSS؛ حيث دُمج تحليل المكونات الرئيسية كخيار استخراج افتراضي (Default Extraction Method) داخل النافذة الإجرائية المعنونة بـ “تحليل العوامل” (Factor Analysis). ونتيجة لذلك، يقوم مئات الباحثين وطلبة الدراسات العليا بتنفيذ تحليل للمكونات الرئيسية وهم يعتقدون جازمين أنهم يجرون تحليلاً عاملياً استكشافياً لبناء المقاييس واختبار البنى النظرية، معتمدين على الخيارات الافتراضية للبرنامج دون إدراك للمعادلات الرياضية المشغلة في الخلفية البرمجية.

يتعزز هذا اللبس المنهجي أيضاً بسبب التشابه الشكلي الكبير في المخرجات الرقمية والجداول الإحصائية التي تنتجها البرمجيات لكلا الأسلوبين؛ إذ يتضمن كلاهما حساباً لمصفوفات الارتباط، واستخراجاً للقيم الذاتية (Eigenvalues)، وعرضاً لجداول التباين المفسر، وإمكانية تطبيق تدوير المحاور (Rotation) مثل تدوير فاريمكس (Varimax) أو بروماكس (Promax)، فضلاً عن إنتاج مصفوفات معاملات التشبع (Factor/Component Loadings) التي تبدو متماثلة ظاهرياً للممارس غير المتخصص. هذا التماثل المظهري يحجب الفروق البنيوية في كيفية حساب تلك الأرقام والمدلول الرياضي المنسوب إليها.

تترتب على هذا الخلط مخاطر منهجية جسيمة تؤثر على صدق النتائج وموثوقيتها؛ إذ يؤدي استخدام تحليل المكونات الرئيسية كبديل لتحليل العوامل المشتركة في سياق تطوير المقاييس النفسية والتربوية إلى تضخيم اصطناعي لمعاملات التشبع (Inelastic Inflation)، وتقدير مفرط لنسب التباين المفسر، مما قد يغري الباحث بالاحتفاظ بفقرات أو أبعاد زائفة لا تتمتع بأساس نظري حقيقي. كما أن إغفال أخطاء القياس في تقنية المكونات الرئيسية ينتهك جوهر نظرية القياس الكلاسيكية (Classical Test Theory)، مما يقود إلى استنتاجات مضللة تتعلق بالاتساق الداخلي والصدق البنائي للأدوات البحثية.

1.3 الأهداف البحثية: اختزال الأبعاد مقابل كشف البنى الكامنة

يتعين على الباحثين ومحللي البيانات إدراك أن الاختيار بين الأسلوبين ليس تفضيلاً شكلياً، بل هو قرار منهجي محكوم في المقام الأول بطبيعة التساؤل العلمي والهدف البحثي المحدد مسبقاً. يتمثل الهدف الأسمى لتحليل المكونات الرئيسية (PCA) في “اختزال البيانات” (Data Reduction) بدافع براغماتي نفعي؛ حيث تكون الغاية هي ضغط مصفوفة بيانات واسعة تحوي عدداً كبيراً من المتغيرات في عدد قليل جداً من المؤشرات الخطية التلخيصية، مع الحفاظ على أكبر نسبة ممكنة من التباين الأصلي للبيانات لاستخدامها لاحقاً في نماذج تنبؤية مثل الانحدار الخطي أو التصنيف الإحصائي، دون اهتمام بكشف طبيعة العلاقات السببية بين المتغيرات أو البحث عن أبعاد كامنة تولد تلك البيانات.

في المقابل، يتمحور الهدف الجوهري لتحليل العوامل المشتركة (Common Factor Analysis) حول “النمذجة التفسيرية وكشف البنى الكامنة” (Latent Construct Discovery)؛ فالهدف هنا ذو طبيعة معرفية ونظرية عميقة تبحث عن التفسير والتنظير. يسعى التحليل العاملي إلى الإجابة عن التساؤل: ما هي البنى غير المرئية أو السمات المشتركة المستترة التي تفسر وتولد منظومة الارتباطات القائمة بين هذه المتغيرات المقاسة؟ على هذا النحو، فإن الباحث الذي يصمم مقياساً لقياس “القلق” أو “الرضا الوظيفي” أو “الدافعية للتعلم” لا يبحث عن مجرد مركب تلخيصي للدرجات، بل يبحث عن إثبات وجود السمة الكامنة نفسها والتحقق من صدق تمثيل البنود لها، وهو ما يتطلب حتماً اعتماد تحليل العوامل المشتركة.

إن تحديد الهدف البحثي بدقة متناهية يضمن سلامة المسار المنهجي؛ فالبدء بافتراض خاطئ يقود بالضرورة إلى تأويلات نظرية غير دقيقة. فإذا كان الهدف تطبيقياً بحتاً يتعلق بمعالجة الصور أو ضغط إشارات المجسات أو معالجة التعددية الخطية (Multicollinearity) فإن تحليل المكونات هو الخيار الرياضي الأمثل. أما إذا كان الهدف هو اختبار نظرية سيكومترية أو بناء إطار مفاهيمي مجرد، فإن تحليل العوامل المشتركة يمثل الأداة الإحصائية الحصرية القادرة على تلبية هذه المتطلبات المعرفية والمنهجية.

2. تحليل المكونات الرئيسية (PCA): الأسس النظرية والرياضية

2.1 المفهوم والهدف الرياضي الأساسي لتعظيم التباين

ينطلق تحليل المكونات الرئيسية من مسلمة رياضية مفادها أن المعلومات الإحصائية الواردة في مصفوفة البيانات تتناسب طردياً مع حجم التباين الذي تظهره المتغيرات؛ فالمتغير الذي لا يُظهر تبايناً لا يحمل معلومة تمييزية. من هذا المنطلق، يقوم الأسلوب بإنشاء تراكيب خطية متعامدة (Orthogonal Linear Combinations) من المتغيرات الأصلية المشاهدة $X_1, X_2, dots, X_p$. ويُصاغ المكون الرئيسي رقم $j$، ويُرمز له بالرمز $C_j$، وفقاً للمعادلة الخطية التالية:

$$C_j = w_{j1}X_1 + w_{j2}X_2 + dots + w_{jp}X_p = \sum_{i=1}^{p} w_{ji} X_i$$

حيث تُمثّل $w_{ji}$ الأوزان أو المعاملات التجميعية (Weights) للمتغيرات. والهدف الرياضي المباشر هو تحديد هذه الأوزان بطريقة تؤدي إلى تعظيم التباين للمكون الناتج، بشرط أن يكون مجموع مربعات هذه الأوزان مساوياً للواحد الصحيح (أي قيد التوحيد القياسي للوزن: $\sum_{i=1}^{p} w_{ji}^2 = 1$) لتجنب تضخيم التباين بصورة اعتباطية غير مقيدة.

يتميز هذا التسلسل التنازلي باستيعاب المكون الأول ($C_1$) للحد الأقصى المطلق للتباين، يليه المكون الثاني ($C_2$) الذي يُشترط فيه رياضياً أن يكون غير مرتبط تماماً بالمكون الأول (معامل ارتباط بيرسون بينهما يساوي صفراً، أي $\text{Cov}(C_1, C_2) = 0$)، مع تعظيم التباين المتبقي. يستمر استخراج المكونات حتى الوصول إلى المكون رقم $p$، بحيث يستوعب كامل النظام المكوناتي التباين الكلي بنسبة 100%. ومما يجب تأكيده هنا هو أن هذا الأسلوب لا يتضمن في صياغته أي حد يعبر عن خطأ القياس، ولا يفترض وجود أي متغيرات مسببة كامنة تقف خلف البيانات؛ بل هو مجرد إعادة تدوير وتحويل مباشر لمحاور الإحداثيات في الفضاء الهندسي للبيانات متعددة الأبعاد.

2.2 التحليل الجبري: مصفوفات التباين والارتباط وتحليل القيم والمتجهات الذاتية

يستند الاشتقاق الجبري الدقيق لتحليل المكونات الرئيسية إلى نظرية المصفوفات، وتحديداً التحليل الطيفي (Spectral Decomposition) أو تحليل القيم الذاتية والمتجهات الذاتية (Eigenvalues and Eigenvectors) لمصفوفة التباين والتغاير المشترك $\mathbf{\Sigma}$ (Covariance Matrix) أو مصفوفة الارتباط $\mathbf{R}$ (Correlation Matrix). عندما تكون المتغيرات مقاسة بوحدات مختلفة، يُفضّل دائماً توحيد البيانات معيارياً واستخدام مصفوفة الارتباط $\mathbf{R}$. تتميز مصفوفة الارتباط بوضع الواحدات الصحيحة في كامل عناصر القطر الرئيسي، مما يمثل رياضياً مساواة التباين الكلي لكل متغير بالواحد الصحيح، بحيث يصبح مجموع عناصر القطر الرئيسي (أثر المصفوفة أو $\text{Trace}(\mathbf{R})$) مساوياً لعدد المتغيرات الكلي $p$.

تُشتق المكونات عبر حل المعادلة المميزة الشهيرة في الجبر الخطي:

$$det(\mathbf{R} – \lambda \mathbf{I}) = 0$$

حيث تُمثّل $\mathbf{I}$ مصفوفة الوحدة ذات البعد $p \times p$، بينما تمثل $lambda$ القيم الذاتية (Eigenvalues) للمصفوفة. ينتج عن حل هذه المعادلة كثير حدود من الدرجة $p$، وتكون جذوره هي القيم الذاتية $\lambda_1 ge \lambda_2 ge dots ge \lambda_p ge 0$. تدل كل قيمة ذاتية $\lambda_j$ بدقة على كمية التباين التي يستوعبها المكون الرئيسي المقابل لها، وتكون النسبة المئوية للتباين المفسر بواسطة المكون رقم $j$ مساوية لـ $(\lambda_j / p) \times 100$ عند استخدام مصفوفة الارتباط.

عقب إيجاد القيم الذاتية، يتم حساب المتجه الذاتي القياسي المقابل $\mathbf{v}_j$ لكل قيمة ذاتية $\lambda_j$ من خلال حل النظام الخطي المتجانس:

$$(\mathbf{R} – \lambda_j \mathbf{I}) \mathbf{v}_j = \mathbf{0}$$

تحت شرط التعامد والمعايرة $\mathbf{v}_j^T \mathbf{v}_j = 1$. تُمثّل عناصر هذا المتجه الذاتي الأوزان التي تُضرب في المتغيرات الأصلية لتوليد المكون الرئيسي، في حين يُحسب تشبع المتغير الأصلي $X_i$ بالمكون الرئيسي $C_j$ (الذي يمثل معامل الارتباط البسيط بين المتغير والمكون) عبر ضرب عنصر المتجه الذاتي بالجذر التربيعي للقيمة الذاتية المقابلة: $L_{ij} = v_{ij} \sqrt{\lambda_j}$. يضمن هذا المسار الرياضي الصارم تفكيكاً تاماً للتباين الكلي واستخلاصاً شاملاً للمعلومات الإحصائية دون ترك أي بواقي غير مفسرة عند استخراج كافة المكونات.

2.3 مزايا تحليل المكونات الرئيسية ومحدودياته الإجرائية

يحظى تحليل المكونات الرئيسية بعدد من المزايا الرياضية والعملية الفائقة التي جعلته أداة قياسية في معالجة البيانات الحديثة. تأتي في مقدمة هذه المزايا ميزة “الحل الرياضي الفريد والقطعي”؛ فلا يعتمد PCA على عمليات تقدير تكرارية أو خوارزميات تقريبية تتطلب شروط تقارب عددي، بل ينبثق الحل مباشرة من الخصائص الجبرية الصرفة للمصفوفات عبر تحليل القيم الذاتية أو تفكيك القيمة المفردة (Singular Value Decomposition – SVD). يضمن ذلك الحصول على نفس النتيجة الدقيقة بصرف النظر عن البرمجية المستخدمة، ويوفر كفاءة حاسوبية هائلة قادرة على معالجة قواعد البيانات الضخمة التي تضم آلاف المتغيرات في أجزاء من الثانية.

علاوة على ذلك، يمثل PCA الحل الأمثل والأكثر قوة لمعالجة معضلة “التعددية الخطية” (Multicollinearity) في نماذج الانحدار المتعدد والتحليلات التنبؤية؛ حيث يمكن للمحلل استبدال عشرات المتغيرات التفسيرية شديدة الارتباط فيما بينها ببضعة مكونات رئيسية متعامدة تماماً ومستقلة إحصائياً (Zero Covariance)، مما يلغي تضخم التباين في تقديرات معالم الانحدار ويمنح النموذج استقراراً رياضياً استثنائياً.

على الجانب الآخر، تبرز محدوديات إجرائية ونظرية حاسمة تحد من صلاحية PCA في سياقات القياس السلوكي والنمذجة النظرية. تكمن المحدودية الكبرى في “عجز الأسلوب التام عن عزل أخطاء القياس وتباين التفرّد”؛ فمن خلال إدخال الواحدات الصحيحة في قطر مصفوفة الارتباط، يفترض التحليل ضمنياً أن المتغيرات مقاسة بدقة مطلقة وخالية بنسبة 100% من أي خطأ عشوائي أو تباين نوعي خاص. يؤدي هذا الدمج القسري لتباين الخطأ ضمن المكونات المستخرجة إلى تشويه البنية الكامنة للمفاهيم، وتضخيم معاملات التشبع بصورة مصطنعة، فضلاً عن إنتاج مكونات هجينة تجمع بين السمة المشتركة والخطأ العشوائي، مما يجعل تفسيرها السيكومتري مشوباً بعدم الدقة وربما مضللاً للنظرية العلمية.

3. تحليل العوامل المشتركة: النمذجة والتركيب البنائي الكامن

3.1 النموذج الرياضي الكامن وفلسفة تفتيت التباين

يقوم تحليل العوامل المشتركة (Common Factor Analysis) على فلسفة إبستمولوجية ورياضية مختلفة جذرياً عن سابقتها؛ إذ ينطلق من فرضية مؤداها أن المتغيرات المشاهدة ليست مركبات تصنع المفهوم، بل هي مؤشرات انعكاسية ناتجة عن علل وأسباب أعمق غير قابلة للملاحظة المباشرة، تُدعى بالعوامل الكامنة ($F_1, F_2, dots, F_m$). ولذلك، يفترض النموذج العاملي الكلاسيكي أن المتغير المشاهد المعياري $X_i$ هو دالة خطية في هذه العوامل الكامنة بالإضافة إلى حد فريد خاص به، وتُكتب المعادلة الأساسية للنموذج الانعكاسي على النحو التالي:

$$X_i = \lambda_{i1}F_1 + \lambda_{i2}F_2 + dots + \lambda_{im}F_m + e_i = \sum_{k=1}^{m} \lambda_{ik}F_k + e_i$$

حيث تمثل $\lambda_{ik}$ معامل تشبع المتغير $X_i$ بالعامل الكامن $F_k$ (وهي بمثابة معامل انحدار للمتغير الملاحظ على العامل الكامن)، بينما يمثل $e_i$ المتغير الفريد (Unique Factor) المرتبط بالمتغير $X_i$ حصراً، والذي يفترض النموذج تعامده واستقلاله عن العوامل الكامنة وعن المتغيرات الفريدة للمتغيرات الأخرى.

تستتبع هذه الصياغة الرياضية تفكيكاً بنيوياً دقيقاً للتباين الكلي للمتغير المعياري الملاحظ ($\text{Var}(X_i) = 1$) إلى ثلاثة مكونات متمايزة:

1. التباين المشترك (Common Variance): وهو الجزء من التباين الذي يشترك فيه المتغير مع بقية المتغيرات المدرجة في التحليل عبر وسائط العوامل الكامنة، ويُطلق على مقداره العددي مصطلح “الشيوعية” (Communality)، ويُرمز له بـ $h_i^2 = \sum_{k=1}^{m} \lambda_{ik}^2$ في حالة تعامد العوامل.
2. التباين النوعي (Specific Variance): وهو تباين حقيقي موثوق وثابت ومستقر سيكومترياً يخص المتغير بمفرده ولا يشترك فيه مع أي متغير آخر ضمن المصفوفة المحللة.
3. تباين الخطأ (Error Variance): وهو التباين العشوائي غير الموثوق الناجم عن أخطاء القياس وعدم دقة الأداة والتقلبات الظرفية.

يُطلق على مجموع التباين النوعي وتباين الخطأ معاً مسمى “التباين الفريد” (Unique Variance) أو التفرد (Uniqueness)، ويُرمز له رياضياً بـ $u_i^2 = 1 – h_i^2$. وانطلاقاً من هذه الفلسفة التفكيكية، يرفض تحليل العوامل وضع الواحدات الصحيحة في القطر الرئيسي لمصفوفة الارتباط، ويستبدلها بتقديرات الشيوعية ($h_i^2$)؛ بحيث يحلل فقط التباين المشترك الحقيقي الذي ترتبط وفقه المتغيرات ببعضها البعض، معزولاً ومصفى بالكامل من شوائب التباين الفريد وأخطاء القياس.

3.2 طرق استخراج العوامل وتقدير الشيوعيات

بما أن قيم الشيوعية ($h_i^2$) غير معروفة مسبقاً وتعتمد على معاملات التشبع التي لا يمكن حسابها إلا بمعرفة الشيوعيات نفسها، فإن تحليل العوامل المشتركة يواجه معضلة رياضية دائرية تُحل عبر خوارزميات التقدير التكراري والعددي. وتتعدد طرق استخراج العوامل المشتركة تبعاً للأسس الإحصائية المعتمدة:

أولاً: طريقة المحاور الرئيسية (Principal Axis Factoring – PAF): تُعد هذه الطريقة الامتداد المباشر للتحليل العاملي الكلاسيكي، وتعتمد على تقدير تكراري (Iterative Estimation). تبدأ الخوارزمية بتقدير أولي للشيوعيات في قطر مصفوفة الارتباط؛ وغالباً ما يُستخدم “معامل الارتباط المتعدد المربع” (Squared Multiple Correlation – SMC) لكل متغير مع بقية المتغيرات كأفضل تقدير أولي للحد الأدنى من التباين المشترك. تُحلل المصفوفة بعد ذلك لاستخراج العوامل وحساب تشبعات جديدة تُنتج قيم شيوعية محدثة. تُستبدل الشيوعيات القديمة بالقيم الجديدة وتتكرر العملية دورياً حتى تتقارب التقديرات ويتلاشى الفرق بين دورتين متتاليتين إلى ما دون عتبة محددة ($epsilon le 0.001$). تتميز هذه الطريقة بالقوة وعدم اشتراط التوزيع الطبيعي المتعدد للمتغيرات.

ثانياً: طريقة الإمكانية العظمى (Maximum Likelihood – ML): تُعد الطريقة الأكثر صرامة وأناقة من الناحية الإحصائية النظرية، حيث تفترض أن البيانات تتبع توزيعاً طبيعياً متعدد المتغيرات (Multivariate Normal Distribution). تهدف الخوارزمية إلى إيجاد معاملات التشبع والتباينات الفريدة التي تعظم دالة الإمكانية اللوغاريتمية لمشاهدة مصفوفة تباين العينة انطلاقاً من مصفوفة النموذج المفترض. تمنح هذه الطريقة ميزة فريدة تتمثل في توفير اختبارات دلالة إحصائية، مثل اختبار مربع كاي ($\chi^2$) لجودة المطابقة (Goodness of Fit)، مما يمكن الباحث من اختبار الفرضية الصفرية القائلة بأن $m$ من العوامل كافية تماماً لتفسير الارتباطات الملاحظة.

غير أن هذه الطرق التكرارية لا تخلو من تحديات حسابية معقدة؛ فقد تواجه الخوارزميات أحياناً فشلاً في التقارب العددي (Non-convergence)، أو تقع فيما يُعرف بـ “حالات هايوود” (Heywood Cases). وحالة هايوود هي مأزق رياضي تخرج فيه التقديرات عن النطاق المنطقي، كأن تظهر قيمة الشيوعية مساوية للواحد الصحيح أو أكبر منه ($h_i^2 ge 1.0$)، مما يعني رياضياً أن التباين الفريد أصبح صفراً أو سالباً ($u_i^2 le 0$)، وهو أمر مستحيل إحصائياً. تنشأ هذه الحالات غالباً بسبب صغر حجم العينة، أو سوء تحديد النموذج، أو وجود عدد قليل جداً من المؤشرات لكل عامل (أقل من ثلاثة بنود)، أو التعددية الخطية الفائقة بين البنود.

3.3 التدوير العاملي وتفسير المعالم الكامنة

عقب استخراج العوامل المشتركة، تبرز مسألة عدم القدرة على تفسير العوامل الأولية المستخرجة مباشرة؛ إذ يركز الاستخراج الأولي غير المدور على حل رياضي صرف يستوعب فيه العامل الأول أكبر قدر ممكن من التباين المشترك مما يجعله عاملاً عاماً تتشبع عليه غالبية المتغيرات، بينما تظهر العوامل اللاحقة تشبعات ثنائية القطب (موجبة وسالبة) يصعب ربطها بنظرية علمية متماسكة. لتجاوز هذه الإشكالية، يتم اللجوء إلى “التدوير العاملي” (Factor Rotation) لإعادة توجيه محاور العوامل في الفضاء الهندسي متعدد الأبعاد بهدف تحقيق ما أطلق عليه لويس ثيرستون (L.L. Thurstone) اسم “البنية البسيطة” (Simple Structure).

تتضمن البنية البسيطة معايير أساسية، أبرزها: أن يتشبع كل متغير تشبعاً مرتفعاً على عامل واحد فقط وتشبعاً يقترب من الصفر على بقية العوامل، وأن يحتوي كل عامل على مجموعة متباينة من المتغيرات ذات التشبعات القوية، مما يمنح العامل هوية مفهومية واضحة ومحددة. ويأخذ التدوير العاملي مسارين رئيسيين:

التدوير المتعامد (Orthogonal Rotation): يحافظ هذا التدوير على زاوية قائمة بمقدار 90 درجة بين محاور العوامل، مفترضاً استقلال العوامل تماماً وعدم ارتباطها إحصائياً ($r = 0$). وتُعد طريقة “فاريمكس” (Varimax) التي طورها هنري كايزر الطريقة الأشهر عالمياً؛ إذ تعمل على تعظيم تباين مربعات التشبعات داخل كل عامل، مما يدفع التشبعات إما نحو الارتفاع الشديد أو نحو الانخفاض الشديد بالقرب من الصفر، مما يسهل فرز المتغيرات واستيعاب المعنى السيكومتري للعامل.

التدوير المائل (Oblique Rotation): يحرر هذا التدوير قيد التعامد ويسمح للمحاور بأن تتلاقى بزوايا حادة أو منفرجة، مما يعني قبول وجود ارتباطات بين العوامل الكامنة نفسها. يُعد التدوير المائل، مثل طريقتي “بروماكس” (Promax) و”أوبليمين المباشر” (Direct Oblimin)، الخيار الأكثر واقعية ومطابقة لطبيعة الظواهر الإنسانية والاجتماعية؛ إذ نادراً ما توجد ظواهر نفسية منفصلة استقلالاً تاماً عن بعضها البعض (مثل الترابط الطبيعي بين أبعاد الذكاء أو مظاهر الاكتئاب والقلق). عند تطبيق التدوير المائل، تنقسم مخرجات التشبع إلى مصفوفتين:

• مصفوفة النمط (Pattern Matrix): تعرض معاملات الانحدار المعيارية الفريدة التي تمثل الأثر المباشر الخالص لكل عامل على المتغير مع ضبط بقية العوامل، وهي المصفوفة الأساسية المعتمدة في تفسير تسميات العوامل وهوية المفاهيم.
• مصفوفة البنية (Structure Matrix): تعرض معاملات ارتباط بيرسون البسيطة بين المتغيرات والعوامل، متضمنةً كلاً من الأثر المباشر للعامل والتأثيرات غير المباشرة المتأتية عبر ارتباط العوامل فيما بينها.

4. الفروق الجوهرية بين الأسلوبين: أبعاد المقارنة المنهجية والرياضية

4.1 نموذج تفتيت التباين وحساب الشيوعية

يتجسد الفارق الأكثر حساسية وعمقاً بين تحليل المكونات وتحليل العوامل في كيفية التعامل الرياضي مع التباين؛ إذ يحلل تحليل المكونات الرئيسية التباين الكلي بنسبة 100% دون أي فرز أو تصفية. يترجم هذا الإجراء جبرياً بوضع الواحدات الصحيحة في القطر الرئيسي لمصفوفة الارتباط ($\text{diag}(\mathbf{R}) = [1, 1, dots, 1]$). وعليه، فإن كل متغير يُعامل ككيان نقي يُسهم بكامل وزنه في بناء المكونات، وبناءً على ذلك فإن “شيوعية” أي متغير قبل استخراج المكونات تكون دائماً مساوية للواحد الصحيح، ولا تقل عن ذلك إلا إذا قام الباحث باختزال عدد المكونات المستبقاة إلى عدد أقل من $p$.

على النقيض من ذلك تماماً، ينطلق تحليل العوامل المشتركة من الإقرار الحتمي بأن القياسات الإنسانية والبيانات الواقعية مشوبة بنسب متفاوتة من الأخطاء العشوائية والمؤثرات الفريدة. وبناءً عليه، يطرح الأسلوب مسبقاً التباين الفريد ($u_i^2$) من تباين كل متغير، ليضع في القطر الرئيسي لمصفوفة الارتباط قيم الشيوعية المقدرة ($h_i^2$) التي تقل دائماً وبصورة حتمية عن الواحد الصحيح ($text{diag}(mathbf{R}) = [h_1^2, h_2^2, dots, h_p^2] < 1.0$). يترتب على هذا التباين الحسابي أن كمية التباين المتاحة للاستخراج في تحليل العوامل تكون دائماً أصغر من كمية التباين الكلي المتاحة في تحليل المكونات.

يقود تجاهل التباين الفريد في PCA إلى ظاهرة إحصائية موثقة في أدبيات القياس تُعرف باسم “التضخيم التصاعدي للتشبعات” (Upward Bias of Loadings)؛ حيث تتضخم معاملات التشبع وقيم التباين المفسر في PCA مقارنة بنظيراتها في Common Factor Analysis. هذا التضخيم لا يعكس قوة بنائية حقيقية للمتغير، بل ينجم عن امتصاص المكون للتباين النوعي وتباين الخطأ ضمن نسيجه الحسابي، وهو ما يحذر منه علماء السيكومتري عند استخدام PCA لتقييم كفاءة بنود الاستبيانات.

4.2 الاتجاه السببي والنمذجة الرياضية (تكويني مقابل انعكاسي)

يمثل الاتجاه المفترض لمسار العلاقة بين المتغيرات الملاحظة والبنى المستخرجة تبايناً إبستمولوجياً ومنهجياً حاسماً يرسم الحدود الفاصلة بين النمذجة التكوينية والنمذجة الانعكاسية. يمثل تحليل المكونات الرئيسية نموذج مؤشر تكويني (Formative / Composite Model)؛ فالمكون الرئيسي هو نتاج تجميعي تركيبي مباشر يتشكل بفعل المتغيرات الأصلية المشاهدة. يتجه سهم السببية والتأثير من المتغيرات الملاحظة باتجاه المكون ($X \rightarrow C$). فإذا تغير أحد المتغيرات الملاحظة، فإن قيمة المكون ستتغير بالضرورة تبعاً لمعامل وزنه، بينما لا يفترض النموذج أن تغير المكون هو الذي يسبب تغير المتغيرات الأصلية.

في المقابل التام، يمثل تحليل العوامل المشتركة نموذج قياس انعكاسي (Reflective Measurement Model)؛ إذ تنعكس فيه الفلسفة السببية تماماً، ليتجه سهم التأثير من العامل الكامن غير الملاحظ باتجاه المتغيرات المشاهدة ($F \rightarrow X$). يُنظر إلى العامل الكامن هنا باعتباره “الكينونة الواقعية المستترة” أو البناء النفسي/المفاهيمي المشترك (مثل الذكاء الانفعالي، أو العصابية، أو القوة الشرائية) الذي يمارس تأثيراً سببياً حقيقياً ينعكس على شكل استجابات وسلوكيات قابلة للقياس عبر بنود المقياس أو المتغيرات الملاحظة. ومن ثم، فإن أي تغير في مقدار السمة الكامنة لدى المفحوص سيؤدي بالضرورة إلى تغير متسق في جميع المؤشرات والبنود المرتبطة بها انعكاسياً.

تلقي هذه التفرقة الضوء على الطبيعة الفلسفية للبنى المستخرجة: فالمكون في PCA ليس له كينونة واقعية وجودية (Ontological Reality)، بل هو مجرد تلخيص حسابي هندسي براغماتي لمصفوفة البيانات (Mathematical Index)، بينما يُفترض في العامل المشترك المستخرج في Factor Analysis أن يمثل كينونة ومفهوماً حقيقياً مستتراً كامناً وراء البيانات يُراد قياسه بدقة وعزله عن أخطاء القياس.

4.3 حساب درجات العوامل والمكونات وإشكالية اللاتحدد العاملي

تتجلى الفروق الرياضية بين النموذجين بأوضح صورها عند الانتقال من مستوى فحص مصفوفات العلاقات والتشبعات إلى مستوى حساب “درجات” الأفراد المفحوصين على المكونات أو العوامل المستخرجة لاستخدامها كمتغيرات مستقلة أو وسيطة في تحليلات إحصائية متقدمة لاحقة. في نموذج تحليل المكونات الرئيسية، تُعد درجات المكونات (Component Scores) قيماً محددة بدقة وقطعية لا لبس فيها (Exact and Determinant)؛ إذ تُحسب مباشرة من خلال ضرب مصفوفة البيانات المعيارية الأصلية $\mathbf{Z}$ في مصفوفة أوزان المكونات $\mathbf{W}$ عبر عملية ضرب مصفوفي مباشرة:

$$\mathbf{C} = \mathbf{Z} \mathbf{W}$$

يحصل كل مفحوص في عينة الدراسة على درجة رقمية فريدة ومحددة رياضياً للمكون، تتميز بأنها تستوفي شروط التعامد والاستقلال التام بنسبة 100%.

أما في نموذج تحليل العوامل المشتركة، فيصطدم الباحث بمعضلة رياضية شهيرة في أدبيات الإحصاء تُعرف باسم “إشكالية اللاتحدد العاملي” (Factor Indeterminacy) التي أثارها لويس غوتمان وغيره من علماء القياس. تنشأ هذه المعضلة من الحقيقة الرياضية القائلة بأن عدد المتغيرات الكامنة في النموذج العاملي (والتي تشمل العوامل المشتركة $m$ مضافاً إليها المتغيرات الفريدة $p$) يفوق دائماً وبشكل حتمي عدد المتغيرات الملاحظة $p$. ينتج عن هذا الخلل العددي في معادلات النموذج وجود عدد لانهائي من مجموعات الدرجات العاملية التي يمكن أن تنتج نفس مصفوفة الارتباط بين المتغيرات ونفس معاملات التشبع بدقة تامة.

وبناءً عليه، فإن درجات العوامل (Factor Scores) لا يمكن حسابها رياضياً بصفة قطعية، بل يتم “تقديرها تقريبياً” (Estimated / Approximated) عبر خوارزميات إحصائية متعددة، مثل طريقة الانحدار لثيرستون (Thurstone’s Regression Method) أو طريقة بارتليت (Bartlett’s Method). ويترتب على هذا التقدير التقريبي أن درجات العوامل المستخرجة لا تتطابق تماماً مع العامل الكامن الحقيقي، بل تشوبها أخطاء تقدير، وقد تفقد خاصية الاستقلال التام والتعامد حتى لو كانت العوامل المستخرجة متعامدة في الأصل، مما يستدعي توخي الحذر الشديد عند استخدام درجات العوامل المقدرة في نماذج الانحدار الخطي اللاحقة تجنباً للوقوع في أخطاء التحيز القياسي.

4.4 حساسية التحليل لأخطاء القياس وخصائص الاستقرار الإحصائي

ترتبط مصداقية النماذج الإحصائية بقدرتها على مقاومة أخطاء القياس العشوائية وضمان استقرار النتائج عند تعميمها على عينات دراسية مستقلة مسحوبة من نفس المجتمع الإحصائي. في تحليل المكونات الرئيسية، ونظراً لغياب حد الخطأ ($e_i$) في الصياغة الرياضية للمصفوفة، تُدمج كافة أخطاء القياس العشوائية والشوائب التشويشية المتأصلة في أدوات القياس ضمن المكونات التلخيصية الأولى. يؤدي ذلك إلى تشتت المعنى النظري وتشويه البنية الدلالية للسمات المقاسة، لا سيما في الدراسات التي تعتمد على الاستبيانات وأدوات التقرير الذاتي (Self-report Instruments) التي تتصف بنسب خطأ غير مهملة.

في المقابل، صُمم تحليل العوامل المشتركة بالأساس كآلية ترشيح إحصائية لعزل الخطأ؛ حيث يقوم بفرز التباين وتوجيه أخطاء القياس والتباينات العشوائية مباشرة إلى حدود التباين الفريد ($u_i^2$)، مما يحمي مصفوفة معاملات التشبع العاملية من التلوث بتلك الشوائب. ينتج عن هذا العزل المنهجي حصول الباحث على تقديرات غير متحيزة تعكس قوة العلاقة النقية بين المؤشرات والبناء الكامن.

وعلى صعيد “الاستقرار العاملي عبر العينات” (Factorial Invariance and Replicability)، تشير الدراسات السيكومترية المقارنة إلى أن نتائج تحليل العوامل المشتركة تُظهر مستويات تفوق ملحوظة في الاستقرار وقابلية التعميم وإعادة الإنتاجية عند تكرار تطبيق الأدوات على عينات جديدة؛ إذ تميل أوزان وتشبعات PCA إلى التذبذب الشديد والتغير الهيكلي بين عينة وأخرى، والسبب في ذلك هو أن المكونات تستوعب التباين النوعي والخطأ الخاص بكل عينة على حدة، بينما تعكس تشبعات Common Factor Analysis البنية المشتركة المستقرة التي تتسم بالثبات النسبي عبر المجتمعات المدروسة.

جدول المقارنة البنيوية المنهجية المباشرة بين الأسلوبين

يوضح الجدول الإحصائي المقارن التالي أبرز الفروق الجوهرية والرياضية والإجرائية بين تحليل المكونات الرئيسية وتحليل العوامل المشتركة عبر مختلف الأبعاد التحليلية المعيارية:

البُعد المنهجي والإحصائي	تحليل المكونات الرئيسية (PCA)	تحليل العوامل المشتركة (Common Factor Analysis)
الهدف الأساسي	اختزال البيانات وتلخيص التباين بأقل عدد من المتغيرات.	كشف ونمذجة البنى والسمات الكامنة غير الملاحظة وتفسير الارتباطات.
نموذج القياس	نموذج مؤشر تكويني تجميعي (Formative Index): $X \rightarrow C$.	نموذج قياس انعكاسي بنيوي (Reflective Construct): $F \rightarrow X$.
التباين المستهدف بالتحليل	التباين الكلي بنسبة 100% (مشترك + نوعي + خطأ قياس).	التباين المشترك الخالص حصراً (Common Variance).
قطر مصفوفة الارتباط	واحدات صحيحة بالكامل ($1.0$ في عناصر القطر).	قيم الشيوعية المقدرة ($h_i^2 < 1.0$ في عناصر القطر).
التعامل مع أخطاء القياس	يتجاهل وجود الخطأ ويدمجه قسراً ضمن نسيج المكونات.	يعزل أخطاء القياس ويفرد لها حداً خاصاً ضمن التباين الفريد ($u_i^2$).
طبيعة الحل الرياضي	حل جبري فريد وقطعي ومباشر عبر تحليل القيم الذاتية.	حل تكراري تقريبي (Iterative) قد يواجه مشاكل عدم تقارب أو هايوود.
حساب الدرجات للأفراد	محددة بدقة تامة وقطعية (Exact Scores: $C = ZW$).	غير محددة رياضياً وتخضع للتقدير التقريبي (Factor Indeterminacy).
معاملات التشبع والتباين	تظهر متضخمة تصاعدياً بسبب استيعاب التباين الفريد والخطأ.	أكثر دقة وتحفظاً ومطابقة لواقع الارتباطات البينية الحقيقية.
مجال التطبيق المثالي	ضغط الصور الرقمية، معالجة الإشارات، إزالة التعددية الخطية.	بناء المقاييس السيكومترية، الصدق البنائي، ونمذجة البنى الكامنة.

5. أوجه التشابه والتقاطع المنهجي والإجرائي بين النموذجين

5.1 الأهداف العامة لخفض الأبعاد وتبسيط التعقيد

على الرغم من التباينات الفلسفية والرياضية العميقة التي تم تفصيلها، يلتقي تحليل المكونات الرئيسية وتحليل العوامل المشتركة في كونهما يخدمان المظلة العامة الشاملة لـ “خفض الأبعاد” (Dimensionality Reduction) وتبسيط الهياكل البيانية المتشابكة. يتشارك كلا الأسلوبين في محاولة ترشيد التعقيد المنهجي عبر استبدال منظومة مترامية الأطراف من المتغيرات الفردية بعدد أصغر وأكثر تركيزاً من الأبعاد التوليفية القابلة للإدارة والتحليل والتفسير، مما يسهم في التغلب على “لعنة الأبعاد” (Curse of Dimensionality) التي تعيق التحليلات الإحصائية متعددة الحدود.

كما يشترك الأسلوبان في اعتمادهما الإجرائي الصارم على مصفوفات العلاقات البينية ذات الدرجة الصفرية—أي مصفوفة التباين والتغاير ($\mathbf{\Sigma}$) أو مصفوفة ارتباط بيرسون ($\mathbf{R}$)—كنقطة انطلاق حصرية وموحدة لحساباتهما الرقمية. لا يلتفت أي من النموذجين إلى قيم الدرجات الخام للأفراد في مرحلة الاستخراج الأولية، بل يُختزل كل الزخم الميداني في مصفوفة الارتباطات كمدخل أساسي، مما يجعل كلا الأسلوبين معتمداً بالكامل على فرضية وجود ارتباطات خطية ذات دلالة بين المتغيرات الملاحظة لكي تكون لعمليات الاختزال والاستخراج أي قيمة إحصائية.

5.2 معايير الاحتفاظ بالمكونات أو العوامل المستخرجة

يتشابه الأسلوبان تشابهاً وثيقاً في المعايير وقواعد اتخاذ القرار المستخدمة لتحديد “عدد المكونات أو العوامل الجديرة بالاحتفاظ بها” لاستكمال إجراءات التدوير والتفسير. وتُطبق نفس هذه القواعد الرياضية بصورة شبه متطابقة في البرمجيات الإحصائية لكلا النموذجين:

أولاً: معيار كايزر-غتمان (Kaiser-Guttman Rule): وهو المعيار الأكثر شيوعاً، ويقضي بالاحتفاظ فقط بالمكونات أو العوامل التي تزيد قيمتها الذاتية عن الواحد الصحيح ($lambda > 1.0$). يستند هذا المعيار في تحليل المكونات إلى منطق مفاده أن المكون المستبقى يجب أن يفسر تبايناً يفوق على الأقل ما يفسره متغير أصلي منفرد. ومع ذلك، يتعرض هذا المعيار لانتقادات حادة في تحليل العوامل، حيث يؤدي غالباً إلى استبقاء مفرط للعوامل الزائفة (Over-factoring).

ثانياً: اختبار الرسم البياني للانحدار (Scree Plot) لكاتل: وهو أسلوب بياني بصري يتم فيه رسم القيم الذاتية على المحور الرأسي مقابل أرقام العوامل على المحور الأفقي، والبحث عن نقطة “الركبة” أو الانقطاع الحاد (Elbow Rule) التي يستقر عندها المنحنى البياني ويتحول إلى انحدار خطي طفيف يمثل ركام الحطام (Scree). يُنصح إحصائياً بالاحتفاظ بالعوامل الواقعة قبل نقطة التحول تلك.

ثالثاً: التحليل الموازي لهورن (Horn’s Parallel Analysis): يُعد هذا المعيار الذهبي الأكثر دقة وموثوقية إحصائياً للاحتفاظ بالعوامل والمكونات على حد سواء. يعتمد هذا الإجراء على محاكاة مونت كارلو (Monte Carlo Simulation) لتوليد مئات من مصفوفات البيانات العشوائية المتطابقة مع مصفوفة الدراسة الأصلية في عدد المتغيرات وحجم العينة ولكن دون أي ارتباطات حقيقية بين المتغيرات. يتم حساب القيم الذاتية لتلك البيانات العشوائية، ولا يتم الاحتفاظ بالعامل أو المكون الأصلي إلا إذا كانت قيمته الذاتية الفعلية أكبر بدلالة إحصائية من القيمة الذاتية الناتجة عن البيانات العشوائية المقابلة (عند المئين 95 مثلاً).

5.3 شروط التقارب العددي وتطابق المخرجات عملياً

تشهد الأدبيات الإحصائية وسجلات القياس على وجود ظروف وشروط معينة تتقارب فيها النتائج والمخرجات الرقمية لكلا الأسلوبين تقارباً شديداً يجعل الفروق العملية بين معاملات التشبع وقيم التباين المفسر شبه معدومة. يُعد استيعاب هذه الشروط بالغ الأهمية للممارسين، وتتلخص في المتغيرات التالية:

1. ارتفاع عدد المتغيرات الملاحظة ($p$): كلما زاد عدد المتغيرات المدخلة في التحليل (لا سيما عندما يتجاوز العدد 30 إلى 40 متغيراً فأكثر)، يقل الأثر النسبي لعناصر القطر الرئيسي على الحجم الكلي للمصفوفة. في مصفوفة تحتوي على 50 متغيراً، يمثل القطر الرئيسي خمسين عنصراً فقط من أصل 2500 عنصر في المصفوفة، مما يجعل الفارق بين وضع الواحدات (PCA) أو وضع قيم الشيوعية (Common Factor Analysis) ضئيلاً جداً على مجمل الحل الرياضي للقيم والمتجهات الذاتية.
2. ارتفاع قيم الشيوعية للمتغيرات ($h_i^2$): عندما تتسم أدوات القياس بمستويات فائقة من الدقة والموثوقية، وتكون قيم الشيوعية مرتفعة جداً (تقترب من 0.80 فما فوق)، فإن هذا يعني رياضياً أن التباين الفريد وتباين الخطأ ضئيل للغاية ويقترب من الصفر ($u_i^2 \rightarrow 0$). في هذه الحالة، تقترب قيم القطر الرئيسي في تحليل العوامل تلقائياً من الواحد الصحيح، مما يجعل مصفوفة العوامل المشتركة شبه متطابقة مع مصفوفة المكونات الرئيسية.
3. كبر حجم عينة الدراسة ($N$): يُسهم توفر حجم عينة ضخم (يتجاوز 500 إلى 1000 مفحوص) في تقليل أخطاء المعاينة إلى حدودها الدنيا وتثبيت تقديرات الارتباطات، مما يدعم تقارب الحلول الخوارزمية في الطريقتين ويقلل من تباينات التقدير.

وعلى النقيض من ذلك، إذا كان عدد المتغيرات قليلاً (أقل من 15 إلى 20 متغيراً)، وكانت قيم الشيوعية متدنية إلى متوسطة (أقل من 0.40 أو 0.50)، وحجم العينة محدوداً، فإن النتائج بين الأسلوبين تتباعد تباعداً هائلاً؛ حيث ينتج PCA معاملات تشبع مفرطة وتفسيرات مشوهة تضلل الباحث بصورة كلية مقارنة بما ينتجه تحليل العوامل المشتركة.

6. معايير الاختيار الميداني: متى يُطبق كل أسلوب في البحث العملي؟

6.1 سياقات تفضيل تحليل المكونات الرئيسية (PCA)

يحتل تحليل المكونات الرئيسية الصدارة المطلقة كخيار إحصائي أمثل في جملة من السياقات التطبيقية والبحثية المحددة بدقة؛ وفي مقدمتها حقول علم البيانات (Data Science)، والتعلم الآلي (Machine Learning)، والرؤية الحاسوبية (Computer Vision)، ومعالجة الصور والإشارات الرقمية. في هذه المجالات، يكون التحدي التقني الأبرز هو التعامل مع مصفوفات ضخمة تضم مئات الآلاف من المتغيرات الرقمية (مثل قيم البكسل في الصور أو الترددات الصوتية)؛ حيث لا يبحث المحلل هنا عن أي تفسير نظري لسلوك السمة أو علتها الكامنة، بل يتركز هدفه حصرياً على “ضغط البيانات” (Data Compression) إلى أصغر حيز تخزيني ممكن وبأقل فاقد من المعلومات لإجراء مهام التصنيف الآلي السريع والتعرف على الأنماط.

كما يُعد تحليل المكونات الرئيسية الأداة المنهجية المعيارية لمعالجة مشكلات “التعددية الخطية الفائقة” في بحوث النمذجة الاقتصادية والتنبؤ الرياضي؛ فعندما يرغب الباحث في تطبيق نموذج الانحدار اللوجستي أو الانحدار الخطي المتعدد ولديه مؤشرات مستقلة مترابطة بشدة (كالمؤشرات الاقتصادية أو القياسات البيولوجية والتغذوية)، فإن تحويل هذه المؤشرات إلى مكونات رئيسية متعامدة مستقلة تضمن استقرار تقديرات معالم النموذج وتفادي انهيار مصفوفة التغاير دون المساس بالقدرة التنبؤية الكلية.

يضاف إلى ذلك، يتفوق تحليل المكونات الرئيسية بصفة حاسمة عندما يكون الهدف الإجرائي هو بناء “مؤشر مركب موحد” (Composite Index) ذي طبيعة حسابية مباشرة؛ كإنشاء مؤشر تركيبي للحالة الاقتصادية والاجتماعية (Socioeconomic Status Index) يدمج الدخل الشهري، والمستوى التعليمي، ومساحة السكن، ونوع الوظيفة. في هذا السياق، لا يُنظر إلى هذه المتغيرات كأعراض انعكاسية لسمة مستترة، بل هي مكونات إجرائية تتجمع وتتظافر معاً لصناعة المؤشر المركب، وهو ما يتطابق بنيوياً مع الفلسفة التكوينية لـ PCA.

6.2 سياقات تفضيل تحليل العوامل المشتركة (Common Factor Analysis)

في الاتجاه المقابل، يمثل تحليل العوامل المشتركة الخيار الحصري والمحتم في دراسات القياس النفسي والتربوي، والعلوم السلوكية، وبحوث الإدارة والتسويق القائمة على دراسة السلوك الإنساني والاتجاهات والقيم. يبرز هذا التفضيل في المراحل الميدانية لـ “بناء وتقنين المقاييس والاختبارات”؛ حيث يسعى الباحث إلى التحقق من “صدق البناء” (Construct Validity) للأداة والتأكد من أن فقرات الاستبيان تعكس بدقة الأبعاد النفسية والمفاهيم النظرية المفترضة (مثل قياس الرضا عن الحياة، والاحتراق النفسي، والذكاءات المتعددة).

يتعين تطبيق تحليل العوامل المشتركة عند الرغبة في “اختبار النظريات وتطوير النماذج المفاهيمية” التي تفترض وجود سمات وخصائص خفية مسببة للأداء القابل للملاحظة. فالنظريات النفسية تفترض بطبيعتها أن السمات الكامنة هي القوة المحركة للسلوك، وأن بنود المقاييس ليست سوى مرايا انعكاسية لهذه السمات، وهو الفرض البنيوي المترجم حصراً في معادلات Common Factor Analysis عبر توجيه أسهم التأثير من العامل إلى المتغيرات.

كما تتأكد ضرورة تحليل العوامل في جميع الدراسات الميدانية التي يُتوقع فيها حتماً وجود نسب ملحوظة من أخطاء القياس العشوائية (Measurement Error)؛ كتلك الناتجة عن تباين الفروق الفردية في فهم صياغات الأسئلة، أو الرغبة الاجتماعية للمفحوصين، أو التعب والملل أثناء الإجابة. وبما أن تحليل العوامل يعزل هذا التباين المشوب بالأخطاء ضمن حد التفرد، فإنه يوفر للباحث معاملات تشبع نقية تمثل الارتباط الفعلي غير الملوث بالخطأ، مما يحول دون اتخاذ قرارات خاطئة بحذف بنود ممتازة أو الإبقاء على بنود مضللة.

6.3 خريطة اتخاذ القرار المنهجي للباحث ومحلل البيانات

لتسهيل الممارسة الميدانية وتفادي الارتجال التحليلي، يمكن تلخيص المسار المنهجي للاختيار بين الأسلوبين في مصفوفة قرارات متسلسلة تنطلق من الإجابة عن تساؤلات محورية محددة:

1. ما هو الهدف الجوهري من التحليل؟
   • إذا كان الهدف هو تلخيص وضغط البيانات، أو القضاء على التعددية الخطية، أو استخراج أوزان لإنشاء مؤشر تركيبي براغماتي $\leftarrow$ اختر تحليل المكونات الرئيسية (PCA).
   • إذا كان الهدف هو فهم وتفسير العلاقات البينية، أو كشف البنى والأبعاد الكامنة المفسرة للارتباطات، أو اختبار صدق مقياس $\leftarrow$ اختر تحليل العوامل المشتركة (Common Factor Analysis).
2. ما هي الفلسفة السببية المفترضة للبيانات؟
   • إذا كانت المتغيرات الملاحظة هي التي تُكوّن وتصنع البُعد مجتمعةً ($X \rightarrow C$) $\leftarrow$ اختر تحليل المكونات الرئيسية (PCA).
   • إذا كان هناك متغير كامن غير مشاهد هو الذي يولد استجابات الأفراد على المتغيرات ($F \rightarrow X$) $\leftarrow$ اختر تحليل العوامل المشتركة (Common Factor Analysis).
3. كيف يتم تقييم موثوقية وأخطاء القياس في الأداة؟
   • إذا كانت المتغيرات خالية تقريباً من أخطاء القياس (أجهزة قياس فيزيائية دقيقة جداً، أو مؤشرات حسابية مالية محسومة) $\leftarrow$ يمكن استخدام تحليل المكونات الرئيسية (PCA) بأمان نسبي.
   • إذا كانت البيانات تعتمد على استبيانات، أو اختبارات سيكومترية، أو تقارير ذاتية محملة بأخطاء القياس $\leftarrow$ يجب حتماً استخدام تحليل العوامل المشتركة (Common Factor Analysis) لتنقية النتائج.
4. ما هي المرحلة التحليلية اللاحقة في خطة البحث؟
   • إذا كان التحليل تمهيداً لنمذجة معادلات بنائية وتوكيدية (CFA / SEM) لفحص جودة مطابقة النموذج $\leftarrow$ يجب حتماً استخدام تحليل العوامل المشتركة (طريقة المحاور الرئيسية أو الإمكانية العظمى) في المرحلة الاستكشافية لضمان الاتساق الرياضي بين مرحلتي الاستكشاف والتوكيد.
   • إذا كان التحليل تمهيداً لإجراء انحدار متعدد كلاسيكي أو شجرة قرارات في سياق تنبؤي $\leftarrow$ تحليل المكونات الرئيسية (PCA) هو الأسرع والأكثر كفاءة لحساب درجات قطعية خالية من الارتباط.

7. الأسئلة الشائعة حول تحليل المكونات الرئيسية وتحليل العوامل

7.1 هل يُعتبر تحليل المكونات الرئيسية نوعاً حقيقياً من تحليل العوامل؟

الإجابة القاطعة من منظور الإحصاء الرياضي والقياس النفسي المتقدم هي: لا، ليس نوعاً حقيقياً من تحليل العوامل. ينبع هذا التأكيد من الاختلاف الجذري في النموذج الرياضي والافتراضات البنيوية بينهما؛ فتحليل العوامل يفترض وجود نموذج قياس انعكاسي يقسم التباين إلى مشترك وفريد، ويعتمد على معادلة قياس تتضمن حداً مستقلاً للخطأ ($e_i$). أما تحليل المكونات الرئيسية، فهو تقنية اختزال خطي هندسية لا تشتمل على أي نموذج عاملي أو حد للخطأ، وتتعامل مع التباين الكلي دون تجزئة.

يرجع سبب هذا الاعتقاد الشائع الخاطئ إلى تصنيف برمجية SPSS لتحليل المكونات الرئيسية تحت قائمة “Factor Analysis”، وهو خطأ في التبويب البرمجي يعود إلى بدايات حوسبة الإحصاء في ستينيات وسبعينيات القرن الماضي حينما كانت الحواسيب عاجزة عن إجراء العمليات التكرارية المعقدة لتقدير الشيوعيات، فتم اللجوء إلى PCA كبديل تقريبي سريع للتحليل العاملي. وقد أكدت الجمعيات العلمية الكبرى، مثل الجمعية الأمريكية لعلم النفس (APA) وجمعية القياس السيكومتري (Psychometric Society)، على ضرورة الفصل التام بين الأسلوبين وعدم استخدام مسمى “عوامل” للإشارة إلى المكونات الرئيسية المستخرجة عبر PCA.

7.2 لماذا تعطي حزم البرمجيات نتائج متقاربة جداً في بعض التطبيقات؟

تتقارب مخرجات الأسلوبين بدرجة توحي بالتطابق التام في بعض التطبيقات الميدانية بسبب شروط رياضية تتعلق ببنية مصفوفة البيانات المعالجة؛ حيث تنص مبرهنة الأعداد الكبيرة في المصفوفات على أنه كلما ارتفع عدد المتغيرات الملاحظة وتجاوز 30 إلى 40 متغيراً، تضاءلت الأهمية النسبية لعناصر القطر الرئيسي مقارنة بمجموع عناصر المصفوفة ككل. في هذه الحالة، يتلاشى الفارق بين وضع الواحدات (1.0) أو وضع تقديرات الشيوعية ($h^2$)، مما يجعل حلول المتجهات الذاتية متقاربة عددياً بشكل استثنائي.

يتعزز هذا التقارب أيضاً عندما تتسم بنود المقياس بارتباطات قوية جداً فيما بينها وتشبعات مرتفعة؛ مما يجعل التباين المشترك يستحوذ على الغالبية العظمى من التباين الكلي، وتصبح قيم الشيوعية قريبة جداً من الواحد الصحيح، مما يلغي الفارق الإجرائي بين النموذجين عملياً. ومع ذلك، ينهار هذا التقارب فوراً وتظهر نتائج متباينة تماماً إذا كانت البيانات مشتقة من عدد محدود من البنود ذات تشبعات منخفضة أو متوسطة (بين 0.30 و 0.50)، حيث يؤدي استخدام PCA حينها إلى إنتاج حلول مشوهة وتضخيم وهمي للمؤشرات لا وجود له في الواقع السيكومتري للظاهرة.

7.3 كيف يؤثر تدوير المكونات في PCA على خصائصها الرياضية الأصلية؟

عندما يلجأ الباحث إلى تطبيق التدوير العاملي (سواء أكان متعامداً مثل Varimax أو مائلاً مثل Promax) على المكونات الرئيسية المستخرجة عبر PCA، فإنه يُحدث تغييراً بنيوياً جذرياً في الخصائص الرياضية الاستثنائية التي قام عليها تحليل المكونات في الأصل. تفقد المكونات المدورة ميزتها الرياضية التأسيسية المتمثلة في “الاستيعاب المتدرج الأقصى للتباين”؛ فلم يعد المكون الأول المدور يستوعب الحد الأقصى المطلق للتباين، ولم يعد المكون الثاني المدور يستوعب الحد الأقصى المتبقي، بل يتوزع التباين المفسر على المكونات المدورة بصورة أكثر توازناً لتسهيل التفسير المفهومي للبنية.

بالإضافة إلى ذلك، إذا كان التدوير المطبق مائلاً (Oblique)، فإن المكونات تفقد خاصية التعامد التام والاستقلال الإحصائي المتبادل، وتصبح مرتبطة فيما بينها، مما يلغي تماماً فائدتها المباشرة في القضاء على التعددية الخطية في نماذج الانحدار. في الواقع، إن تدوير المكونات في PCA هو محاولة إجرائية هجينة تستهدف محاكاة مخرجات تحليل العوامل المشتركة وتفسير البنية البسيطة، ولكن على أرضية رياضية تدمج أخطاء القياس ولا تعزل التباين الفريد، وهو ما يصفه كبار الإحصائيين بأنه ممارسة مشوبة بالتناقض المنهجي.

7.4 هل يمكن الانتقال من التحليل الاستكشافي بـ PCA إلى التحليل التوكيدي (CFA)؟

يُمثّل الانتقال المباشر من تحليل استكشافي أُجري باستخدام تحليل المكونات الرئيسية (PCA) إلى إجراء تحليل العوامل التوكيدي (Confirmatory Factor Analysis – CFA) أو نمذجة المعادلات البنائية (SEM) تناقضاً منهجياً ورياضياً جسيماً يقع فيه كثير من الباحثين. يرجع هذا التناقض إلى أن نماذج القياس التوكيدي (CFA) تُبنى حصراً وفق منطق تحليل العوامل المشتركة الانعكاسي؛ حيث تفترض صراحة أن البناء المستتر هو سبب الاستجابات، وتخصص معالم رياضية حرة لتقدير تباينات أخطاء القياس لكل متغير مشاهد على حدة ($e_i$).

إذا بنى الباحث نموذجه المفاهيمي وعدد عوامله وتشبعات بنوده في المرحلة الاستكشافية بالاعتماد على PCA (الذي يفترض قياساً خالياً من الخطأ ويعتمد النموذج التكويني)، فإنه سينقل إلى مرحلة التحليل التوكيدي نموذجاً مشوباً بتشبعات متضخمة وبنية لا تتطابق مع معادلات النمذجة البنائية. يؤدي ذلك في غالب الأحيان إلى فشل ذريع في “جودة المطابقة” (Model Fit Indices) عند فحص النموذج التوكيدي في برمجيات مثل AMOS أو LISREL أو Mplus؛ حيث ترتفع قيمة مربع كاي وتتدنى مؤشرات المقارنة مثل CFI و TLI. لذا، فإن المنهجية الرصينة تفرض دائماً استخدام تحليل العوامل المشتركة الاستكشافي (EFA)—وتحديداً بطريقتي المحاور الرئيسية (PAF) أو الإمكانية العظمى (ML)—كمرحلة تمهيدية حصرية قبل الانتقال إلى التحليل التوكيدي (CFA).

8. الخاتمة: التكامل المنهجي وأفق التطوير الإحصائي للبيانات

8.1 خلاصة الموازنة الإبستمولوجية والمنهجية

في ختام هذه المقارنة الموسعة، يتضح بجلاء أن الاختيار بين تحليل المكونات الرئيسية وتحليل العوامل المشتركة لا ينبغي أن يخضع لمنطق المفاضلة المطلقة أو البحث عن “أسلوب أفضل” بصورة مجردة؛ فكلا الأسلوبين يمثل إنجازاً رياضياً باهراً وقوة إحصائية متفوقة تؤدي وظيفتها بكفاءة لا نظير لها عند توظيفها في سياقها الصحيح المتطابق مع فرضياتها التأسيسية. إن الخطأ المنهجي لا يكمن في الأسلوب ذاته، بل في إساءة استخدامه وتطبيقه للإجابة عن أسئلة بحثية لا تتوافق مع بنيته الجبرية.

يمثل تحليل المكونات الرئيسية (PCA) ذروة الهندسة الاختزالية في الجبر الخطي؛ فهو أداة تلخيصية حاسمة لا غنى عنها في ضغط البيانات الضخمة، والتحكم في التعددية الخطية، واستخلاص مؤشرات قطعية لخدمة أهداف التنبؤ وتطبيقات الذكاء الاصطناعي وتعلم الآلة. بينما يمثل تحليل العوامل المشتركة (Common Factor Analysis) عماد النمذجة السيكومترية والاستدلالية التي تسبر أغوار المفاهيم المجردة، وتفكك التباين، وتعزل أخطاء القياس لتقديم صورة ناصعة عن البنى الكامنة التي تفسر التفاعل المعقد للظواهر الإنسانية والاجتماعية.

تتطلب الأمانة العلمية والرصانة الأكاديمية الشفافية التامة في كتابة التقارير الإحصائية والبحوث المحكمة؛ بحيث يوثق الباحث بدقة متناهية اسم الأسلوب المتبع، ومصفوفة الانطلاق المحللة، وطريقة الاستخراج، ومبررات استبدال القطر بقيم الشيوعية من عدمه، ونوع التدوير المعتمد، دون الاكتفاء بالتسميات العامة الفضفاضة، لتجنيب المجتمع العلمي مخاطر استنساخ الخلط المنهجي وإرساء ممارسات بحثية تتسم بالدقة الرياضية والعمق المعرفي.

8.2 توصيات إرشادية للباحثين ومحللي البيانات العلمية

بناءً على التحليل المنهجي المقارن، نضع بين أيدي الباحثين ومحللي البيانات العلمية جملة من التوصيات الإجرائية الحازمة لضمان سلامة التطبيق الإحصائي وجودة النشر العلمي:

• التدقيق الصارم في أهداف البحث: حدد بدقة طبيعة تساؤلك البحثي؛ فإذا كان سؤالك يتمحور حول “ما هي الأبعاد الكامنة أو العوامل الخفية المفسرة للظاهرة؟” فاتجه فوراً إلى Common Factor Analysis (طريقة المحاور الرئيسية PAF أو الإمكانية العظمى ML). أما إذا كان سؤالك “كيف أختزل هذه المتغيرات في أقل عدد من المؤشرات التلخيصية لتجنب التكرار والتعددية الخطية؟” فاتجه مباشرة إلى تحليل المكونات الرئيسية (PCA).
• التمرد على الخيارات الافتراضية في البرمجيات الإحصائية: تجنب تشغيل تحليل العوامل في حزم البرمجيات (مثل SPSS) بالاعتماد على خياراتها الافتراضية؛ إذ إن البرنامج يختار PCA تلقائياً كوسيلة استخراج تحت واجهة “Factor Analysis”. قم بتغيير خيار الاستخراج يدوياً إلى “Principal Axis Factoring” أو “Maximum Likelihood” عند دراسة المفاهيم والمقاييس النفسية والتربوية.
• الاعتماد على المعايير الإحصائية الموثوقة لاستبقاء العوامل: تجاوز قاعدة كايزر التقليدية ($lambda > 1.0$) التي أثبتت الدراسات قصورها وميلها لتضخيم عدد العوامل، واعتمد بدلاً منها على “التحليل الموازي لهورن” (Parallel Analysis) واختبار انحدار الرسم البياني (Scree Plot) كأدوات أكثر دقة وموضوعية لفرز العوامل الحقيقية عن العوامل المشوشة الناتجة عن أخطاء المعاينة.
• تفضيل التدوير المائل في دراسة الظواهر الإنسانية: عند إجراء تدوير عاملي، يُنصح دائماً بالبدء بتطبيق تدوير مائل (Promax أو Direct Oblimin)؛ فإن أظهرت مصفوفة ارتباط العوامل وجود ارتباطات ذات دلالة ($r > 0.20$ أو $0.32$)، فيجب الاحتفاظ بالحل المائل وتفسير “مصفوفة النمط” (Pattern Matrix). وإن تقاربت الارتباطات من الصفر، يمكن حينها التحول إلى التدوير المتعامد (Varimax) لتبسيط التفسير، مما يحافظ على الواقعية السيكومترية للظاهرة المدروسة.
• الفصل المنهجي بين EFA و CFA: لا تستخدم درجات المكونات المستخرجة من PCA كأساس لبناء نماذج توكيدية في معادلات النمذجة البنائية اللاحقة. واحرص دائماً على أن يكون التحليل الاستكشافي الممهد للنمذجة التوكيدية قائماً حصراً على تحليل العوامل المشتركة، مع عزل أخطاء القياس واستخدام عينات استكشافية وتوكيدية مستقلة تماماً للتحقق من صدق واستقرار النموذج البنائي المقترح.

المراجع

فيما يلي قائمة بالمراجع العلمية الكلاسيكية والحديثة المحكمة، الموثقة بدقة وفق نظام الجمعية الأمريكية لعلم النفس (APA 7th edition):

• Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research, 1(2), 245–276. https://doi.org/10.1207/s15327906mbr0102_10
• Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
• Gorsuch, R. L. (1983). Factor analysis (2nd ed.). Lawrence Erlbaum Associates.
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Horn, J. L. (1965). A rationale and technique for estimating the number of factors in factor analysis. Psychometrika, 30(2), 179–185. https://doi.org/10.1007/BF02289447
• Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24(6), 417–441. https://doi.org/10.1037/h0071325
• Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(11), 559–572. https://doi.org/10.1080/14786440109462720
• Preacher, K. J., & MacCallum, R. C. (2003). Repairing Tom Swift’s electric factor analysis machine. Understanding Statistics, 2(1), 13–43. https://doi.org/10.1207/S15328031US0201_02
• Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201–292. https://doi.org/10.2307/1412107
• Thurstone, L. L. (1947). Multiple-factor analysis: A development and expansion of The Vectors of Mind. University of Chicago Press.
• Velicer, W. F., & Jackson, D. N. (1990). Component analysis versus common factor analysis: Some issues in selecting an appropriate procedure. Multivariate Behavioral Research, 25(1), 1–28. https://doi.org/10.1207/s15327906mbr2501_1
• Widaman, K. F. (1993). Common factor analysis versus principal component analysis: Differential bias in representing model parameters? Multivariate Behavioral Research, 28(3), 263–311. https://doi.org/10.1207/s15327906mbr2803_1