الإحصاء والقياس النفسي, تحليل البيانات, منهجية البحث العلمي

SRMR مقابل TLI (مؤشر تاكر-لويس)


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

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

تُعدّ نمذجة المعادلة البنائية (Structural Equation Modeling – SEM) والتحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA) من أبرز الأدوات المنهجية المتقدمة في العلوم السلوكية، والاجتماعية، والإدارية، والتربوية؛ حيث تتيح للباحثين اختبار النظريات المعقدة وفحص شبكات العلاقات بين المتغيرات الكامنة (Latent Variables) والمتغيرات المشاهدة (Observed Variables) بدقة تحليلية فائقة. ومع هذا التطور المنهجي، نشأ تحدٍ إبستمولوجي وإحصائي جوهري يتمثل في كيفية الحكم على جودة تمثيل النموذج النظري المفترض للبيانات الميدانية الواقعية، وهو ما يُعرف في الأدبيات الإحصائية بفحص “حسن المطابقة” (Goodness-of-Fit).

لم يعد الباحث الإحصائي المعاصر يرتهن لاختبار واحد لتحديد مصير نموذجه، بل بات يتعامل مع ترسانة واسعة من المؤشرات التي تعكس كل منها زاوية رياضية وفلسفية متباينة في قراءة البيانات. ومن بين هذه المؤشرات قاطبة، يبرز مؤشران يشغلان مكانة محورية وتاريخية في أدبيات القياس: مؤشر جذر متوسط مربعات البواقي المعياري (Standardized Root Mean Square Residual – SRMR) ومؤشر تاكر-لويس (Tucker-Lewis Index – TLI)، المعروف تاريخياً باسم مؤشر المطابقة غير المعياري (Non-Normed Fit Index – NNFI). ويمثل هذان المؤشران مدرستين مختلفتين في المنطق الاستدلالي؛ فالأول ينتمي إلى عائلة المؤشرات المطلقة القائمة على البواقي، في حين ينتمي الثاني إلى عائلة المؤشرات التزايدية القائمة على مقارنة النموذج بالنموذج الصفري مع معاقبة التعقيد.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم دراسة مقارنة معمقة بين مؤشري SRMR وTLI، مستعرضاً جذورهما الرياضية، وتطورهما النظري، وحساسيتهما للعوامل التجريبية المختلفة مثل حجم العينة وتوزيع البيانات، وصولاً إلى تقديم إطار تطبيقي إجرائي لكيفية استخدامهما بتكامل، وحل المعضلات الإحصائية الناشئة عن تعارض قراءاتهما، مع ربط الطرح بأرقى الممارسات البحثية في مجلات النشر الدولي الرصينة.

1. المقدمة: أسس تقييم مطابقة النماذج وأسباب المقارنة بين SRMR وTLI

1.1 سياق القياس في نمذجة المعادلة البنائية والتحليل العاملي التوكيدي

تمثل مطابقة النموذج للبيانات حجر الزاوية في بناء المعرفة العلمية المعتمدة على النمذجة الرياضية؛ إذ إن قبول أي استنتاج نظري أو بنية عاملية يرتهن بمدى قدرة النموذج المفاهيمي المقترح على إعادة إنتاج مصفوفة التغايرات والارتباطات المشاهدة بين المتغيرات. في بدايات ظهور نمذجة المعادلة البنائية، كان الاعتماد شبه كلي على اختبار نسبة الأرجحية لكاي تربيع (Chi-Square Goodness of Fit Test $\chi^2$). ويفترض هذا الاختبار كفرضية صفرية ($H_0$) أن مصفوفة التغاير التي يولدها النموذج المقترح ($\Sigma(\theta)$) تتطابق تماماً مع مصفوفة التغاير المستخلصة من المجتمع ($S$). ومع ذلك، سرعان ما تبين للمنظرين الإحصائيين أن هذا الاختبار الكلاسيكي يواجه محدودية بنيوية حاسمة: حساسيته الشديدة والمفرطة لحجم العينة ($N$).

فعندما يكون حجم العينة كبيراً، يكتسب اختبار كاي تربيع قوة إحصائية فائقة تؤدي إلى رفض النماذج النظرية السليمة حتى وإن كانت الفروق بين المصفوفة المشاهدة والمصفوفة المتوقعة طفيفة ومهملة عملياً. وعلى النقيض من ذلك، عندما تكون العينة صغيرة، قد يعجز الاختبار عن كشف الانحرافات الجوهرية للنموذج، مما يؤدي إلى ارتكاب خطأ من النوع الثاني (Type II error). هذا القصور البنيوي دفع علماء القياس النفسي والإحصاء الرياضي إلى تطوير عائلات متعددة من مؤشرات حسن المطابقة التقريبية (Approximate Fit Indices) لتجاوز ثنائية الرفض والقبول القاطعة لاختبار كاي تربيع، وتقديم تقييم مستمر، وموضوعي، ومرن لمدى واقعية النماذج في دراسات القياس المعاصرة (Marsh et al., 2018).

وفي خضم هذا التطور المنهجي، تبلور دور كل من SRMR وTLI بوصفهما ركيزتين لا غنى عنهما في تقييم جودة النمذجة. فبينما يركز الباحث في التحليل العاملي التوكيدي على التأكد من أن الأبعاد الكامنة المشتقة تعكس بدقة استجابات الأفراد على البنود، يمثل SRMR المؤشر الميداني المباشر لحجم الفروق التباينية غير المفسرة، في حين يمنح TLI الباحث اطمئناناً رياضياً بأن النموذج يتفوق بمراحل على مجرد انعدام العلاقات، وأنه يفعل ذلك دون إهدار مفرط لدرجات الحرية في مسارات غير مبررة.

1.2 دواعي الخلط والمقارنة بين المؤشرين

على الرغم من حضور هذين المؤشرين في الغالبية الساحقة من مخرجات البرمجيات الإحصائية الشهيرة مثل Mplus وAMOS وlavaan في بيئة R، إلا أن هناك خلطاً منهجياً ومفاهيمياً متكرراً بينهما لدى قطاع واسع من الباحثين ومحللي البيانات. ينشأ هذا الخلط في المقام الأول من التباين الجذري في المنطق الحسابي وفلسفة القياس التي تحكم كل مؤشر؛ فالبعض يتعامل مع مؤشرات المطابقة كقائمة تدقيق موحدة ومصمتة، دون إدراك أن SRMR يعمل على قياس “البواقي المطلقة” (Absolute Residuals)، بينما يرتكز TLI على “المقارنة التزايدية النسبية” (Incremental Comparison) مع نموذج انعدام العلاقات.

يظهر الالتباس بأجلى صوره عند ظهور تعارض دلالي في النتائج الإحصائية؛ كأن يسجل نموذج ما قيمة منخفضة وممتازة لمؤشر SRMR (مثلاً 0.04) دالة على بواقي ضئيلة للغاية، في حين يسجل المؤشر نفسه قيمة متدنية ومحبطة لمؤشر TLI (مثلاً 0.86) تشير وفق العتبات الشائعة إلى ضعف المطابقة. وفي غياب الفهم المعمق، يقع المحلل في حيرة: هل النموذج مقبول أم مرفوض؟ وتزداد المشكلة تعقيداً عندما تُعزى هذه المفارقات خطأً إلى رداءة أدوات القياس، في حين أنها تعود غالباً إلى خواص إحصائية هيكلية، مثل انخفاض حجم الارتباطات الأصلية بين البنود مما يقلص مكاسب النموذج مقابل النموذج الصفري، أو صغر درجات الحرية.

من هنا تبرز الحاجة العلمية الماسة لتفكيك الأسس الفلسفية والرياضية التي بني عليها كل مؤشر. فالمفاضلة بينهما ليست مفاضلة تفضيلية، بل هي فهم لطبقات التحليل الإحصائي؛ حيث يخبرنا أحدهما بمقدار الخطأ الملموس المتبقي بين أيدينا، بينما يخبرنا الآخر بمدى فاعلية نظريتنا في تفسير الظاهرة مقارنة بفرضية العدم التام مع مراعاة كلفة التعقيد الحسابي.

1.3 الأطر المنهجية التوجيهية وتوصيات هو وبنتلر (Hu & Bentler)

شكّلت دراسة المحاكاة المفصلية التي نشرها الباحثان لي-تزه هو وبيتر بنتلر (Hu & Bentler) عام 1999 في مجلة Structural Equation Modeling نقطة تحول كبرى أعادت صياغة تقاليد الحكم على جودة النماذج في العلوم الاجتماعية. قبل هذا التاريخ، كانت العتبات المتبعة مجرد قواعد عرفية (Rules of Thumb) متوارثة تفتقر إلى إسناد تجريبي صارم، كاعتبار أي قيمة أعلى من 0.90 في المؤشرات التزايدية، أو أقل من 0.10 في مؤشرات البواقي، دليلاً على المطابقة المرضية.

أظهرت تجارب المحاكاة المكثفة لـ Hu & Bentler، باستخدام آلاف العينات والنماذج المصممة بمستويات متفاوتة من أخطاء التحديد الهيكلي والقياسي، أن تطبيق معيار منفرد غالباً ما يفشل في ضبط معدلات الخطأ؛ فإما أن يُقبل نموذج يحتوي على مسارات مفقودة جسيمة (الخطأ من النوع الثاني)، أو يُرفض نموذج سليم إحصائياً (الخطأ من النوع الأول). ومن هذا المنطلق، اقترح الباحثان ما بات يعرف باسم “استراتيجية المؤشرين المشتركة” (Two-Index Presentation Strategy)، والتي توصي باقتران مؤشر مطلق يعتمد على البواقي الارتباطية (وتحديداً SRMR) مع مؤشر تزايدي نسبي يعاقب التعقيد أو يعتمد على كاي تربيع غير المركزي (مثل TLI أو CFI).

حددت تلك التوصيات عتبات قطع أكثر تشدداً باتت معياراً قياسياً: قيمة لا تتجاوز 0.08 لمؤشر SRMR مقترنة بقيمة لا تقل عن 0.95 لمؤشر TLI (أو CFI). ومع ذلك، يشهد المشهد الإحصائي الراهن مراجعات نقدية معمقة لهذه الأرقام الثابتة؛ حيث يرى تيار واسع من الإحصائيين أن التعامل مع هذه العتبات بنسق “القصاصات الذهبية” (Golden Rules) دون مراعاة لخصائص البيانات—مثل طبيعة التوزيع، وحجم العينة، وعدد البنود، ونوع المتغيرات (مستمرة أم ترتيبية)—يعد تشويهاً للمقصد الأصلي لمؤشرات حسن المطابقة التقريبية.

2. نظرة شاملة على مؤشر SRMR (جذر متوسط مربعات البواقي المعياري)

2.1 التعريف النظري والاشتقاق الرياضي لمؤشر SRMR

يُصنّف مؤشر جذر متوسط مربعات البواقي المعياري (Standardized Root Mean Square Residual – SRMR) ضمن فئة مؤشرات المطابقة المطلقة (Absolute Fit Indices). وتتميز هذه الفئة بأنها لا تقيس جودة النموذج عن طريق مقارنته بنموذج افتراضي بديل، بل تقيس بصورة مباشرة المدى الذي يعجز فيه النموذج المقترح عن إعادة إنتاج البنية التغايرية للبيانات المشاهدة. وبعبارة رياضية بسيطة، فإن SRMR هو المقياس الذي يختزل محتويات مصفوفة البواقي المعيارية في رقم إحصائي واحد يسهل تفسيره.

يبدأ الاشتقاق الرياضي للمؤشر من حساب مصفوفة البواقي غير المعيارية ($E$)، وهي ناتج طرح مصفوفة التغاير التي يعيد النموذج إنتاجها ($\Sigma(\hat{\theta})$) من مصفوفة التغاير المشاهدة في العينة ($S$):

$E = S – \Sigma(\hat{\theta})$

غير أن التعامل مع مصفوفة البواقي الخام يواجه إشكالية واضحة، إذ تتأثر البواقي مباشرة بمقاييس رسم المتغيرات (Metric Scale)؛ فالمتغير الذي يُقاس بآلاف الوحدات سينتج عنه بواقي تغايرية ضخمة عددياً مقارنة بمتغير يقاس بمقياس ليكرت من 1 إلى 5، حتى وإن كانت مطابقة النموذج للمتغير الأول أفضل في واقع الأمر. لحل هذا التفاوت، يتم تحويل المصفوفات إلى مصفوفات ارتباطية، أو توحيد معايير عناصر البواقي بقسمة الفرق بين التغاير المشاهد والمتوقع على حاصل ضرب الانحرافات المعيارية للمتغيرين المعنيين. وتأخذ المعادلة الرياضية لـ SRMR الشكل التالي:

$SRMR = \sqrt{\frac{2 \sum_{i=1}^{p} \sum_{j=1}^{i} \left( \frac{s_{ij} – \hat{\sigma}_{ij}}{s_{ii} s_{jj}} \right)^2}{p(p + 1)}}$

حيث تمثل $p$ عدد المتغيرات المشاهدة في النموذج، و$s_{ij}$ التغاير (أو الارتباط) المشاهد بين المتغير $i$ والمتغير $j$، بينما تمثل $\hat{\sigma}_{ij}$ القيمة المقدرة المناظرة من النموذج، ويمثل المقام $p(p+1)/2$ إجمالي عدد العناصر الفريدة وغير المكررة في مصفوفة التغاير بما فيها التباينات الذاتية على القطر الرئيسي. رياضياً، تتراوح القيمة النظرية لـ SRMR بين 0 و1، مما يجعله يتمتع ببديهية تفسيرية بالغة؛ حيث يماثل مقياس الارتباط المتري للخطأ.

2.2 تفسير المؤشر وعتبات القبول والقطع

يمثل تفسير قيمة SRMR التعبير الكمي المباشر عن متوسط الفروق بين الارتباطات المشاهدة بين المتغيرات وتلك التي تنبأ بها النموذج. فعلى سبيل المثال، إذا كانت قيمة SRMR تساوي 0.05، فإن التفسير الميداني المباشر هو أن النموذج يخطئ في تقدير الارتباطات الثنائية المشتركة بين البنود بمعدل وسطي قدره 0.05 عبر كامل مصفوفة العلاقات. وتدل القيمة الصفرية التامة ($SRMR = 0.00$) على أن النموذج استطاع استرجاع وتكرار كافة التباينات والتغايرات المشاهدة بنسبة 100%، وهو ما يتحقق عادة في النماذج المشبعة بالكامل (Saturated/Just-identified Models).

تاريخياً ووفقاً للبيانات الإرشادية الموسعة التي أسس لها Hu & Bentler (1999)، تُعد القيمة التي تقل عن أو تساوي 0.08 عتبة نموذجية للمطابقة الجيدة والمقبولة للنموذج، لا سيما إذا اقترنت بمؤشرات أخرى ملائمة. وفي بيئات القياس شديدة الدقة والأبحاث النفسية الصارمة، يُنظر إلى القيمة الأقل من 0.05 بوصفها مؤشراً على مطابقة فائقة وممتازة، كما هو مستقر في دراسات القياس النفسي واسعة النطاق (Roskam et al., 2018).

ومع ذلك، ينبغي للباحث المتمرس ألا يقع في فخ “التعمية الإجمالية”؛ فكون SRMR مؤشراً تلخيصياً يدمج جميع البواقي المربعة في جذر تربيعي واحد يعني بالضرورة إمكانية احتجاب بعض البواقي الارتباطية الفردية الكبيرة والخطيرة خلف قيمة إجمالية منخفضة. فإذا كان النموذج يضم 30 متغيراً وتطابقت 95% من العلاقات تماماً بينما انحرف مسار ثنائي واحد بانحراف معياري ضخم (باقي ارتباطي يتجاوز 0.25)، فإن القيمة الكلية لـ SRMR قد تظل تحت عتبة 0.06، ما يستلزم دوماً فحص مصفوفة البواقي المعيارية المفردة جنباً إلى جنب مع المؤشر العام لضمان عدم وجود تشوه موضعي مغمور.

2.3 مزايا وحدود استخدام SRMR في النمذجة الإحصائية

تنبع القوة الاستثنائية لمؤشر SRMR من كونه مقياساً عيانياً وملموساً يترجم الفجوة بين النظرية والواقع بلغة البواقي الارتباطية التي يألفها جميع الإحصائيين، دون الحاجة للارتهان بافتراضات معقدة حول نموذج العدم أو حساب كاي تربيع غير المركزي. وتزداد قيمته المنهجية لكونه متحرراً من التأثيرات التضخيمية التي تصيب المؤشرات المقارنة عند انخفاض الارتباطات بين المتغيرات، مما يجعله وسيلة فحص محايدة لتقييم مقدار الفشل في تمثيل البيانات التجريبية.

على الجانب المقابل، تكمن أبرز حدود SRMR في غياب “معاقبة التعقيد” (Parsimony Penalty) داخل صيغته الرياضية. فالنموذج الذي يحتوي على عدد كبير من المعلمات الحرة والمسارات المتقاطعة سيحقق حتماً قيمة SRMR أصغر من نموذج منافس يتميز بالبساطة والإيجاز ويفسر نفس البنية بعدد أقل من المسارات، نظراً لأن كل معامل مضاف يمتص جزءاً من البواقي الحسابية. وبالتالي، فإن الاعتماد على SRMR منفرداً قد يوقع الباحث في شَرَك “الإفراط في التوفيق” (Overfitting)، حيث يقبل نماذج متكلفة تفتقر إلى الأناقة النظرية والتعميم الإحصائي.

إضافة إلى ذلك، كشفت الدراسات المحاكاتية الحديثة أن سلوك SRMR يواجه اضطرابات ملموسة عندما تكون البيانات فئوية وترتيبية ومتباينة التوزيع (كما في أسئلة ليكرت ذات الفئات القليلة)، أو عندما يُستخدم مقدر المربعات الصغرى الموزونة قطرياً (Diagonally Weighted Least Squares – WLSMV)؛ إذ قد يؤدي هذا التمايز التوزيعي إلى تشويه مصفوفة البواقي وتضخيم SRMR بصورة تضليلية لا تعكس بالضرورة خطأً في البنية النظرية للنموذج ذاته (Hughes et al., 2011).

3. نظرة شاملة على مؤشر TLI (مؤشر تاكر-لويس / مؤشر المطابقة غير المعياري NNFI)

3.1 الخلفية المفاهيمية والرياضية لمؤشر تاكر-لويس

يمتلك مؤشر تاكر-لويس (Tucker-Lewis Index – TLI) تاريخاً عريقاً في التحليل المتعدد المتغيرات؛ حيث طوره ليدارد تاكر وتشارلز لويس (Tucker & Lewis) عام 1973 في سياق التحليل العاملي الاستكشرافي للمقاييس القصوى، ثم تم تكييفه لاحقاً بواسطة بنتلر وبونيت (Bentler & Bonett, 1980) في نمذجة المعادلات البنائية تحت اسم مؤشر المطابقة غير المعياري (Non-Normed Fit Index – NNFI). ويندرج TLI بصفته ركيزة أساسية ضمن عائلة مؤشرات المطابقة التزايدية أو النسبية (Incremental/Comparative Fit Indices).

يقوم المنطق الفلسفي لمؤشرات المطابقة التزايدية على فكرة المقارنة التنافسية؛ فالنموذج المستهدف اختباره ($Target Model$) لا يُقيَّم بمعزل عن سياق النمذجة، بل يُقاس مدى تحسنه النسبي مقارنة بنموذج أساسي مقيد وشديد البدائية يُعرف باسم “نموذج الاستقلال” أو “النموذج الصفري” (Independence / Null Model). في هذا النموذج الصفري، يفترض الباحث أسوأ سيناريو نظري ممكن، وهو أن جميع المتغيرات المشاهدة غير مرتبطة ببعضها تماماً (التغايرات بينها تساوي صفراً)، مع السماح فقط بتقدير التباينات الذاتية لكل متغير.

تعتمد الصيغة الحسابية لمؤشر TLI على دمج قيمة كاي تربيع مع درجات الحرية المقابلة لكل من النموذج المقترح ونموذج الاستقلال، وذلك بالصيغة الرياضية الآتية:

$TLI = \frac{\frac{\chi^2_{null}}{df_{null}} – \frac{\chi^2_{target}}{df_{target}}}{\frac{\chi^2_{null}}{df_{null}} – 1}$

حيث تمثل $\chi^2_{null}$ و$df_{null}$ إحصاء كاي تربيع ودرجات الحرية للنموذج الصفري على التوالي، بينما تمثل $\chi^2_{target}$ و$df_{target}$ الإحصاءات المناظرة للنموذج الذي يختبره الباحث. يلاحظ هنا أن المقدار $\chi^2/df$ يمثل عملياً مقياساً لمتوسط التباين غير المفسر المرجح بدرجات الحرية، مما يجعل البسط يعبر عن مقدار التحسن المكتسب لكل درجة حرية بفضل إدخال المسارات النظرية مقارنة بالنموذج الصفري، في حين يمثل المقام إجمالي التحسن الأقصى المتوقع وصولاً إلى التطابق التام.

3.2 خاصية معاقبة التعقيد (Parsimony Penalty) وسلوك المقياس

تتجلى العبقرية الرياضية لمؤشر TLI في الآلية التي يدمج بها “مبدأ نصل أوكام” (Occam’s Razor) في تقييم النماذج؛ إذ لا يكتفي TLI برصد الانخفاض في كاي تربيع الناتج عن إضافة مسارات أو عوامل جديدة، بل يزن هذا الانخفاض بالتكلفة الحسابية في درجات الحرية ($df$). إذا أضاف الباحث مساراً جديداً إلى النموذج، فإن $\chi^2_{target}$ سينخفض حتماً؛ لكن إذا كان هذا الانخفاض طفيفاً وغير جوهري بحيث لا يعوض فقدان درجة حرية واحدة في المقام، فإن النسبة الإجمالية $\frac{\chi^2_{target}}{df_{target}}$ ستزداد بدلاً من أن تقل، مما يؤدي إلى هبوط قيمة TLI بدلاً من صعودها.

هذه الخاصية تجعل TLI مؤشراً “غير معياري” بالمعنى الحرفي (Non-normed)؛ فهو لا يقتصر جبرياً على المدى المغلق الصارم بين [0 و1]. ورغم أن قيمته في أغلب التطبيقات تقع ضمن هذا النطاق، إلا أنه في سيناريوهات إحصائية معينة—كالنماذج شديدة البساطة المطبقة على عينات فائقة الحجم حيث تقل قيمة $\frac{\chi^2_{target}}{df_{target}}$ عن 1.0—يمكن لقيمة TLI أن تتجاوز الواحد الصحيح لتصل مثلاً إلى 1.02 أو 1.05. وعلى الجانب الآخر، إذا كان النموذج المقترح أسوأ من النموذج الصفري (وهو أمر نادر عملياً)، فقد تسجل القيمة أرقاماً سالبة.

فيما يتعلق بعتبات القرار الإحصائي، كان المعيار الكلاسيكي لعقود خلت يعتبر أي قيمة لـ TLI تتجاوز 0.90 مؤشراً على مطابقة مقبولة ومرضية للبيانات. ولكن في أعقاب دراسات المحاكاة المعاصرة والتحولات التي فرضتها دراسة Hu & Bentler، بات الحد الأدنى للمطابقة المقبولة في المجلات الرصينة يدور حول 0.92 إلى 0.93، في حين تُشترط عتبة 0.95 فما فوق لإثبات المطابقة الممتازة والأداء التفسيري الرفيع للنموذج، وهو التوجه الشائع في أبحاث الصحة النفسية وجودة الحياة الميدانية (Kowal et al., 2020).

3.3 مزايا وحدود مؤشر TLI في البحوث التطبيقية

يتمتع مؤشر TLI بميزة إحصائية بالغة الأهمية جعلته يتفوق تاريخياً على مؤشرات تزايدية أخرى مثل مؤشر بنتلر وبونيت المعياري (Normed Fit Index – NFI)؛ ألا وهي استقراره واستقلاله النسبي الملحوظ عن حجم العينة. فقد أثبتت تجارب مونت كارلو المتكررة أن القيمة المتوقعة لـ TLI لا تتأثر بزيادة حجم العينة من 100 إلى 2000 مشارك، مما يجعله مقياساً منصفاً لتقييم النماذج في العينات المتوسطة والكبيرة على حد سواء، دون أن يدفع الباحث ثمن التضخم العددي كما يحدث في كاي تربيع.

علاوة على ذلك، فإن ميزة معاقبة التكلف توفر حماية منهجية ضد إغراءات “تعديل النموذج” العشوائي (Specification Search)؛ فالباحث الذي يسعى لرفع مؤشرات المطابقة عبر إضافة تباينات مشتركة ثانوية بين أخطاء القياس (Correlated Residuals) سيجد أن TLI لن يكافئه بسخاء ما لم تكن هذه الإضافات ذات وزن نوعي يخفض كاي تربيع انخفاضاً هائلاً يتجاوز كلفة استنزاف درجات الحرية، مما يحافظ على التماسك النظري للبناء العاملي في النماذج التربوية متعددة المستويات (Burić & Kim, 2020).

ورغم هذه المزايا، تتجلى حدود TLI البنيوية في اعتماده المطلق على كاي تربيع للنموذج الصفري ($\chi^2_{null}$). فإذا كانت الارتباطات الأصلية بين متغيرات الدراسة ضعيفة بطبيعتها (حتى وإن كانت ذات دلالة إحصائية)، فإن قيمة $\chi^2_{null}$ ستكون صغيرة نسبياً. في هذه الحالة، يصبح مخرج TLI مشوهاً نحو الأسفل بصورة مفرطة، مما يعطي انطباعاً زائفاً بسوء المطابقة؛ لأن النموذج ببساطة لا يمتلك هامشاً كبيراً لـ “التحسن” الرياضي أمام نموذج صفري هو في الأصل لا يعاني من تغايرات كبيرة تقتضي التفسير. كما أن إمكانية تجاوزه حاجز الواحد الصحيح تثير في بعض الأحيان ارتباكاً لدى لجان التحكيم غير المتخصصة في الإحصاء الرياضي.

4. الفروق الجوهرية بين SRMR وTLI (أبعاد المقارنة التحليلية)

للوصول إلى رؤية منهجية متكاملة حول آليات عمل هذين المؤشرين، لا بد من وضعهما في إطار مقارن يبرز التباينات البنيوية والوظيفية التي تحكم مخرجاتهما. يوضح الجدول التالي مقارنة تفصيلية بين SRMR وTLI عبر محاور القياس الإحصائي الرئيسية:

بُعد المقارنة مؤشر SRMR مؤشر TLI (NNFI)
التصنيف الفلسفي والمفهومي مؤشر مطابقة مطلق وقائم على البواقي (Absolute Residual-based Fit Index). مؤشر مطابقة تزايدي ومقارن ومعاقب للتعقيد (Incremental / Parsimony-adjusted Index).
المدخلات الرياضية الأساسية عناصر مصفوفة البواقي المعيارية المشتقة من الفروق بين الارتباطات المشاهدة والمتوقعة. إحصاءات كاي تربيع ودرجات الحرية للنموذج المستهدف مقسومة وموزونة بنظيرتها في النموذج الصفري.
معاقبة التعقيد (درجات الحرية) لا يحتوي على أي عقوبة رياضية لتعقيد النموذج؛ ينخفض حتماً بإضافة معلمات حرة. يعاقب التعقيد بصرامة؛ يهبط إذا كانت المعلمات المضافة لا تخفض كاي تربيع بنسبة كافية تعوض فقدان $df$.
نطاق القيمة الحسابية مقيد عملياً ونظرياً بين [0.0 و1.0]. غير مقيد (Non-normed)؛ يقع غالباً بين [0.0 و1.0] لكنه قد يتجاوز 1.0 أو يسجل قيماً سالبة.
اتجاه الدلالة التفضيلية عكسي (Lower is better)؛ القيمة الأصغر تدل على انخفاض البواقي وارتفاع المطابقة. طردي (Higher is better)؛ القيمة الأكبر تدل على تفوق النموذج على نموذج الانعدام.
عتبات المطابقة النموذجية ≤ 0.08 (مطابقة مقبولة)؛ ≤ 0.05 (مطابقة ممتازة). ≥ 0.90 (مطابقة مقبولة تقليدياً)؛ ≥ 0.95 (مطابقة ممتازة).
الحساسية لحجم العينة ($N$) حساس في العينات الصغيرة ($N < 200$)؛ حيث يميل للتضخم نتيجة لأخطاء المعاينة في البواقي. مستقر نسبياً عبر أحجام العينات المختلفة بفضل توازن نسب كاي تربيع إلى درجات الحرية.
نقطة العمى الإحصائي الرئيسية العمى عن فرط التخصيص وإهدار درجات الحرية؛ إمكانية إخفاء بواقي موضعية حادة تحت المتوسط. الانهيار المصطنع عندما تكون الارتباطات بين المتغيرات في مصفوفة البيانات منخفضة جوهرياً.

4.1 طبيعة المؤشر والأساس الفلسفي للقياس

يرتكز الخلاف الإبستمولوجي بين SRMR وTLI على تساؤل جوهري في فلسفة العلم: ما الذي نبحث عنه حين نقيّم نموذجاً إحصائياً؟ هل نبحث عن نموذج “خالٍ من الخطأ” في إعادة رسم الواقع، أم نبحث عن نموذج “أفضل من العدم” ويوفر أقصى قدر من التفسير بأقل عدد ممكن من الفروض؟

يمثل SRMR الإجابة على التساؤل الأول؛ فهو يقف على أرضية الواقع التجريبي الصرف، متجاهلاً أي نماذج افتراضية. إنه يسأل ببساطة: “ما هو حجم التباين المتبقي على الطاولة دون تفسير؟”. لذا، فإن التأويل المادي لقيمة SRMR تأويل حسي ومباشر؛ فعندما يقرأ الباحث قيمة 0.06، فإنه يعلم يقيناً أن التقديرات تنحرف في المتوسط بمقدار ست وحدات مئوية عن مصفوفة الارتباط الحقيقية للعينة. هذا المنطق يجعل من المؤشر أداة تشخيصية مباشرة لما تعجز النظرية عن نمذجته.

في المقابل، يتخذ TLI مساراً ديالكتيكياً يعتمد على المقارنة النسبية. لا يهتم TLI بحجم الخطأ المجرد بذات قدر اهتمامه بمقدار المسافة التي قطعها النموذج المقترح انطلاقاً من “نقطة الصفر النظري” (نموذج انعدام العلاقات التام) نحو “النموذج الكامل المشبع”. إن قيمة TLI البالغة 0.95 لا تعني أن الخطأ المتبقي هو 5%، بل تعني أن النموذج استطاع أن يحقق 95% من أقصى تحسن ممكن في تفسير التباينات المشتركة مع الأخذ بالحسبان تكلفة المعلمات الحرة المستهلكة. وبالتالي، فإن فلسفة TLI تحتفي بالنجاعة التفسيرية، في حين تركز فلسفة SRMR على الشفافية في الإفصاح عن البواقي.

4.2 الاشتقاق الرياضي ومكونات المعادلة الحسابية

من منظور المعمارية الرياضية، نجد أن كل مؤشر يستقي مدخلاته من مكونات مختلفة جذرياً داخل المحرك البرمجي لتحليل الانحدار والتغاير. يتأسس SRMR بالكامل على فضاء المصفوفات المعيارية؛ حيث يُعنى حصراً بعناصر الفروق ($s_{ij} – \hat{\sigma}_{ij}$) لكل زوج من المتغيرات. إن غياب إحصاء كاي تربيع وغياب درجات الحرية في معادلة SRMR يمنحه سمة الاستقلال التام عن فرضيات التوزيع المقارن لاختبار نسبة الأرجحية. وهو يتعامل مع كل عنصر متبقٍ بوزن متساوٍ داخل الجذر التربيعي للمتوسط، مما يجعله أشبه بحساب الانحراف المعياري لأخطاء التقدير في نماذج الانحدار الخطي البسيط ولكن على مستوى مصفوفة كاملة.

على النقيض من ذلك، فإن معادلة TLI مشتقة مباشرة من دالة المطابقة الدنيا (Minimum Fit Function) ونسبة الأرجحية التي يقوم عليها إحصاء كاي تربيع ($\chi^2 = (N – 1) F_{\min}$). إن التواجد المحوري لدرجات الحرية ($df = \frac{p(p+1)}{2} – q$، حيث $q$ هو عدد المعلمات الحرة المقدرة) في كل من البسط والمقام يضفي على TLI طابعاً توازوزياً فريداً. هنا، لا ينظر المؤشر للبواقي كعناصر فردية متناثرة في مصفوفة، بل ينظر إلى الكتلة التجميعية للتباين غير المفسر كحجم إجمالي دلالي مقسوم على مساحة المناورة الحسابية المتاحة للنموذج.

هذا التباين الهيكلي يفسر لماذا يستجيب المؤشران بصور مختلفة تماماً عند إجراء تعديلات على النموذج؛ فإلغاء مسار ضعيف يرفع درجات الحرية بمقدار وحدة واحدة فوراً، مما يصب مباشرة في مصلحة TLI عبر تقليص مقامه ومكافأة النموذج، في حين أن هذا الحذف سيؤدي حتماً إلى زيادة طفيفة جداً في البواقي، مما يؤدي إلى ارتفاع طفيف (تراجع في الجودة) في مؤشر SRMR.

4.3 السلوك الإحصائي والحساسية للعينة والتعقيد وتوزيع البيانات

تعد الحساسية لخصائص التصميم التجريبي من أهم المعايير التي تحكم اختيار المؤشرات وقراءة دلالاتها. فيما يخص حجم العينة ($N$)، يعاني مؤشر SRMR من تحيز منهجي موثق في العينات الصغيرة؛ فعندما يقل حجم العينة عن 150 أو 200 مشارك، ترتفع أخطاء المعاينة العشوائية (Sampling Variability) في مصفوفة الارتباط الأصلية $S$. ولأن معادلة SRMR تقوم على تربيع الفروق، فإن هذه التباينات العشوائية الموجبة والسالبة تتحول جميعها إلى قيم موجبة ترفع من قيمة المتوسط الرياضي داخل الجذر، مما يؤدي إلى تضخم مصطنع في قيمة SRMR ورفض نماذج قد تكون سليمة نظرياً تماماً.

في المقابل، يُظهر مؤشر TLI حصانة فائقة وثباتاً استثنائياً عبر تقلبات أحجام العينات؛ إذ إن كاي تربيع ودرجات الحرية في كل من النموذج الصفري والنموذج المستهدف يتناسبان طردياً مع حجم العينة ($N – 1$)، مما يؤدي إلى إلغاء أثر حجم العينة رياضياً من خلال عملية القسمة والنسب المتبادلة في بسط ومقام معادلة تاكر-لويس.

أما فيما يتعلق بتوزيع البيانات وانتهاك فرضية التوزيع الطبيعي المتعدد (Multivariate Non-normality)، فإن التفرطح (Kurtosis) والالتواء الشديدين يؤديان إلى انتفاخ هائل في كاي تربيع الكلاسيكي عند تطبيق مقدر الأرجحية القصوى (Maximum Likelihood – ML)، مما يسحق قيمة TLI ويخفضها دون وجه حق. ولمعالجة هذا القصور، يلجأ الباحثون إلى المقدرات القوية مثل مقدر ساتورا-بنتلر (Satorra-Bentler) أو مقدر الأرجحية القصوى المصحح (MLR)، حيث يتم استبدال قيم كاي تربيع بقيم مصححة تعيد لـ TLI دقته القياسية، كما يبرز ذلك في الدراسات التي تعالج المتغيرات النفسية الحساسة أثناء الأزمات (Molino et al., 2020). أما SRMR، فرغم أنه أقل تأثراً نسبياً بالتفرطح من حيث البنية الحسابية، إلا أن اعتماده على مصفوفة الارتباطات الخطية البسيطة (Pearson) يجعله مضللاً إذا كانت العلاقات بين المتغيرات غير خطية أو فئوية حادة.

4.4 معايير القطع وعتبات اتخاذ القرار الإحصائي

تتطلب القراءة النقدية لمعايير القطع إدراكاً عميقاً للأخطاء التي قد تنجم عن التطبيق الأعمى لعتبات Hu & Bentler (1999) الشهيرة ($SRMR le 0.08$ و$TLI ge 0.95$). ففي حين أن هذه العتبات صُممت أصلاً لتقليل التوليفات المشتركة لخطأي النوع الأول والثاني في نماذج المحاكاة، إلا أن تطبيقها العملي أفرز إشكاليات معقدة في الأدبيات التطبيقية.

أبرز هذه الإشكاليات تكمن في التباين الصارخ في حساسية المؤشرين لأنواع أخطاء التحديد (Misspecification Types). فقد أثبتت الدراسات المنهجية أن مؤشر SRMR يتمتع بحساسية استثنائية لكشف الأخطاء في “نموذج القياس” (Measurement Model Misspecification)، مثل إغفال تحميل بند معين على عامله الحقيقي، أو تجاهل تشبع ثنائي متقاطع (Cross-loading)؛ والسبب في ذلك أن مثل هذا الخطأ يترك أثراً مباشراً ومركزاً في بواقي العلاقات بين البنود المعنية.

في المقابل، يتميز مؤشر TLI بحساسية أعلى وأدق لكشف الأخطاء في “النموذج البنائي الهيكلي” (Structural Model Misspecification)، مثل حذف مسار سببي جوهري بين المتغيرات الكامنة نفسها، أو عكس اتجاه العلاقات السببية؛ حيث يؤثر هذا الخطأ التراكيبي على الدالة الكلية لمطابقة النموذج ونسبة كاي تربيع الكلية بدرجة تفوق تأثيره الموضعي على البواقي الفردية. ومن هنا، فإن اتخاذ قرار إحصائي بقبول أو تعديل النموذج استناداً إلى عتبة مؤشر واحد فقط دون الآخر هو بمثابة تفحص جانب واحد من البناء المعماري وتجاهل التصدعات في الجانب المقابل.

5. أوجه التشابه ونقاط التلاقي بين المؤشرين

5.1 الهدف المنهجي المشترك في تقييم جودة النمذجة

على الرغم من التباين في البنى التحتية الرياضية، يظل مؤشرا SRMR وTLI شريكين استراتيجيين يخدمان غاية إبستمولوجية موحدة: مساعدة الباحثين على التحرر من دكتاتورية الفرضية الصفرية الصلبة لاختبار كاي تربيع، وتقديم تقييم براغماتي وموضوعي لجودة المطابقة. يشترك المؤشران في كونهما لا يتأثران بفكرة “الرفض الحتمي” للنظريات مع اتساع أحجام العينات، بل يقدمان استدلالاً متدرجاً يسمح بقياس درجات الاقتراب من الصحة العلمية.

كما يتلاقى المؤشران في اعتمادهما المشترك على مصفوفات الارتباط أو التغاير كمدخلات أولية وأساسية للتحليل؛ فكلاهما يحاول تفكيك تلك المصفوفة واستجلاء ما نجح النموذج في استيعابه وما عجز عنه. ويتزامن استخدام هذين المؤشرين عبر مختلف تقنيات النمذجة؛ بدءاً من التحليل العاملي الاستكشافي المتقدم (EFA)، مروراً بالتحليل العاملي التوكيدي بمختلف رتبه (First-order & Higher-order CFA)، وصولاً إلى نمذجة المعادلات البنائية الهيكلية الكاملة (Full Structural SEM) ونمذجة منحنيات النمو الكامنة (Latent Growth Curve Models).

5.2 الحساسية للأخطاء الجوهرية في البنية المفاهيمية للنموذج

عندما يعاني النموذج من خلل نظري فادح—مثل افتراض أحادية البعد (Unidimensionality) لظاهرة تتكون جوهرياً من أبعاد متعددة متمايزة، أو إسقاط عامل كامن رئيسي يفسر قدراً كبيراً من التغاير المشترك—فإن كلاً من SRMR وTLI يتفاعلان بانسجام تحذيري لافت. في مثل هذه الحالات الشديدة من سوء التحديد، تتداعى قيم المؤشرين في آن واحد وبصورة متزامنة؛ حيث يقفز SRMR إلى مستويات غير مقبولة (0.12 فما فوق) نتيجة لتراكم البواقي المتباينة غير المفسرة، بينما يهوي TLI إلى ما دون 0.80 بسبب الارتفاع الهائل في كاي تربيع للنموذج المقترح نسبة إلى درجات حريته.

علاوة على ذلك، يشترك المؤشران في التأثر الشديد بجودة الأدوات القياسية ومستويات التشبعات العاملية (Factor Loadings). فعندما تكون تشبعات البنود على العوامل ضعيفة (أقل من 0.40 مثلاً)، فإن كمية التباين المفسر المشترك تتقلص جذرياً. هذا القصور يولد بدوره بواقي ارتباطية عالية تؤذي مؤشر SRMR، كما يحرم النموذج المستهدف من التفوق الحاسم على النموذج الصفري مما يسحق مؤشر TLI. وبالتالي، يعمل المؤشران كنظام إنذار مبكر ومزدوج ينبه المحلل إلى هشاشة المقاييس المعتمدة وضعف صدق البناء، وهو ما أكدته الدراسات الميدانية في التحليل العاملي لمقاييس الإجهاد النفسي والأكاديمي (Deng et al., 2022).

5.3 التكامل ضمن إستراتيجية المؤشرين المزدوجة (Two-Index Strategy)

إن أبرز نقاط التلاقي بين SRMR وTLI في الممارسة البحثية المعاصرة تكمن في تكاملهما الوظيفي؛ إذ إن نقاط القوة في أحدهما تغطي بدقة نقاط الضعف في الآخر. فالعمى الإحصائي لمؤشر SRMR تجاه مسألة تعقيد النموذج وإهدار درجات الحرية يتم ضبطه وكبحه بصرامة بواسطة خاصية معاقبة التعقيد المتأصلة في معادلة TLI. وفي المقابل، فإن حساسية TLI المشوهة للانخفاض الطبيعي في معاملات الارتباط الصفرية يتم تصحيحها من خلال الفحص المباشر للبواقي الذي يقدمه SRMR.

لهذا السبب بالتحديد، انتهت دراسة Hu & Bentler (1999) إلى التوصية الصريحة بأن النموذج المثالي لتقييم المطابقة لا ينبغي أن يعتمد على مؤشرين من نفس الفئة، بل يجب أن يقرن مؤشراً للبواقي المعيارية (ويمثل SRMR الخيار الأفضل والموصى به دائماً) مع مؤشر مقارن تزايدي (ويعد TLI الخيار الأكثر حذراً واستقراراً في النماذج المعقدة). يضمن هذا الاقتران الثنائي تحقيق التوازن المنهجي الدقيق؛ مما يقود إلى خفض معدلات القبول الكاذب والرفض الجائر إلى أدنى مستوياتها الممكنة رياضياً، وهو المعيار المنهجي المعتمد في دراسات المراجعات المنهجية والتحليل التلوي المعاصر (Slemp et al., 2018; Zhang et al., 2019).

6. إرشادات الاستخدام التطبيقي: متى يُعتمد كل مؤشر وكيفية التوفيق بينهما؟

6.1 محددات حجم العينة وخصائص المتغيرات المشاهدة

يجب على محلل البيانات قبل الشروع في فحص مؤشرات المطابقة أن يحلل بدقة السياق التجريبي لبياناته. في سيناريوهات العينات الصغيرة (أقل من 200 مشارك)، يجب التعامل مع مؤشر SRMR بحذر بالغ؛ فالقيمة التي تسجل مثلاً 0.088 قد لا تعكس سوء مطابقة حقيقي بقدر ما تعكس ضجيج المعاينة الإحصائية (Sampling Noise) الذي يضخم البواقي التربيعية. في مثل هذه البيئات، يُفضل إعطاء وزن ترجيحي أعلى لمؤشر TLI—شريطة أن تكون الارتباطات بين البنود جيدة—نظراً لحصانته الإحصائية ضد تقلبات العينة.

وعلى العكس من ذلك، عندما يتعامل الباحث مع بيانات فئوية وترتيبية مقاسة عبر مقاييس ليكرت ذات الخيارات المحدودة (3 إلى 5 خيارات) مع وجود التواء واضح في توزيع الإجابات، فإن الطرق الكلاسيكية لتقدير كاي تربيع ومصفوفات الارتباط الخطية تصبح غير دقيقة. يقتضي البروتوكول المنهجي هنا استخدام مصفوفات الارتباط البوليكورية (Polychoric Correlations) ومقدرات المربعات الصغرى الموزونة القوية (مثل WLSMV في برنامج Mplus أو lavaan). وفي هذا السياق، يتأثر سلوك TLI ومؤشر البواقي WRMR أو SRMR بدرجات متفاوتة، مما يستدعي الانتباه إلى أن عتبات القطع التقليدية المشتقة من بيانات التوزيع الطبيعي المستمر قد تصبح بالغة التشدد أو غير متوافقة رياضياً، وهو ما يجب توضيحه بشفافية تامة في منهجية البحث المنشور (Abele et al., 2016).

6.2 التعامل مع تعقيد النماذج ودرجات الحرية

تتطلب النماذج الهيكلية الضخمة التي تحتوي على عشرات المتغيرات الكامنة ومئات المسارات مسلكاً تقييمياً خاصاً؛ فكلما ازداد عدد المعلمات المقدرة مجاناً، انحدرت قيمة SRMR بصورة آلية ومضللة، مما يمنح إحساساً زائفاً بجودة المطابقة. في هذا السيناريو المعقد، يبرز مؤشر TLI كحارس بوابة صارم؛ فإذا حاول الباحث تحسين المطابقة عبر تشبيك مسارات ثانوية لا سند نظري لها، فإن TLI سيهبط فوراً نظراً لاستنزاف درجات الحرية في المقام دون تحقيق طفرة تفسيرية في البسط.

في المقابل، في النماذج الشديدة البساطة أو النماذج شبه المشبعة (Just-identified Models) ذات درجات الحرية الضئيلة للغاية ($df le 5$)، يفقد TLI جزءاً كبيراً من كفاءته واستقراره التفسيري؛ إذ إن أي تذبذب عشوائي طفيف في قيمة كاي تربيع سيؤدي إلى تغيرات حادة وغير مستقرة في النسبة، وقد تتجاوز القيمة الواحد الصحيح بصورة مفرطة أو تهبط بعنف غير مبرر. هنا، يكون الاعتماد الأساسي على SRMR؛ حيث يمثل مقياساً عادلاً لفحص ما إذا كانت هذه العلاقات البسيطة القليلة خالية من الفروق والتشوهات الباقية دون التورط في ارتباكات درجات الحرية المحدودة.

6.3 سيناريوهات التعارض بين نتائج المؤشرين وحلولها المنهجية

يواجه الباحثون في الميدان التطبيقي مأزقين رئيسيين لتعارض الدلالات بين المؤشرين، ويتطلب كل مأزق تشخيصاً إحصائياً دقيقاً وعلاجاً منهجياً واضحاً:

  • السيناريو الأول: قيمة SRMR منخفضة وممتازة ($SRMR < 0.05$) مع قيمة TLI منخفضة وغير مقبولة ($TLI < 0.90$).
    التشخيص: يُعزى هذا السيناريو غالباً إلى أن البيانات تعاني من انخفاض أصيل في قيم معاملات الارتباط بين المتغيرات في مصفوفة العينة ($S$). في هذه الحالة، يكون النموذج الصفري نفسه ($\chi^2_{null}$) يمتلك كاي تربيع صغيرة نسبياً لغياب علاقات قوية قابلة للتفسير، مما يحرم TLI من تحقيق نسبة تباين تزايدي عالية، على الرغم من أن النموذج المقترح استطاع نمذجة هذه الارتباطات الضعيفة ببراعة وببواقي تقترب من الصفر.
    الحل المنهجي: فحص مصفوفة الارتباطات الإجمالية واختبار بارتليت للكروية (Bartlett’s test of sphericity). فإذا تأكد انخفاض الارتباطات، يتم تبرير انخفاض TLI استناداً إلى هذه الخاصية الرياضية، مع اعتماد SRMR ومؤشر RMSEA كدليل على سلامة البواقي.
  • السيناريو الثاني: قيمة TLI مرتفعة وممتازة ($TLI > 0.96$) مع قيمة SRMR متضخمة وغير مقبولة ($SRMR > 0.10$).
    التشخيص: يشير هذا النمط بوضوح إلى وجود نموذج ذي درجات حرية هائلة استطاع أن يخفض كاي تربيع الإجمالية مقارنة بنموذج صفري ضخم جداً، ولكن هناك “جيوب خطأ موضعية حادة” (Localized Misfit) داخل مصفوفة البواقي تم إخفاؤها خلف كفاءة الإيجاز الكلي للنموذج. وغالباً ما يكون السبب هو إغفال وجود تباين مشترك بين خطأي قياس لبندين ينتميان لنفس البُعد أو بينهما تداخل في الصياغة اللفظية.
    الحل المنهجي: فتح مصفوفة البواقي المعيارية (Standardized Residual Matrix) فوراً، والبحث عن الأزواج التي تتجاوز بواقيها المعيارية القيمة المطلقة $\pm 2.58$ أو $\pm 4.00$. فإذا رُصد مسار محدد، يُعاد فحص الأساس النظري لإمكانية إضافة مسار حر أو دمج البنود المكررة، محاذرين في الوقت ذاته من الانزلاق إلى مستنقع “الصيد الإحصائي” (Data Dredging) المجرد من السند المفاهيمي.

6.4 بروتوكولات التقرير والتوثيق وفق الدليل الأكاديمي الصارم (APA)

تفرض المعايير التحريرية في جمعية علم النفس الأمريكية (APA 7th Edition) وإرشادات مجلات التحليل الإحصائي الرصينة مستويات عالية من الإفصاح والشفافية عند توثيق جودة مطابقة النماذج. لا يجوز للباحث بأي حال من الأحوال اللجوء إلى ممارسة “انتقاء الكرز” (Cherry-picking)؛ أي حذف المؤشرات التي لم تحقق العتبات المرجوة وعرض المؤشرات التي تجاوزتها فقط. إن الشفافية المنهجية تقتضي عرض تقرير متكامل يشمل دائماً:

  1. قيمة اختبار كاي تربيع كاملة متضمنة درجات الحرية ومستوى الدلالة الدقيق ($\chi^2, df, p$).
  2. مؤشر جذر متوسط مربع خطأ الاقتراب (RMSEA) مع مجال الثقة 90% المقترن به (90% CI) واختبار المطابقة الوثيقة ($p_{close}$).
  3. مؤشر جذر متوسط مربعات البواقي المعياري (SRMR).
  4. مؤشر المقارنة التزايدي المرجح للتعقيد (TLI أو NNFI).
  5. مؤشر المطابقة المقارن غير المركزي (CFI).

يُنصح بتقديم هذه البيانات ضمن جداول نموذجية واضحة تتيح مقارنة النموذج المستهدف بنماذج بديلة متنافسة (Alternative/Competing Models)، مثل مقارنة نموذج أحادي البُعد بنموذج متعدد الأبعاد أو هرمي. وفي حالة وجود قصور طفيف في قراءة TLI أو SRMR، يجب أن تتضمن فقرة مناقشة النتائج تبريراً رياضياً ومفاهيمياً مستنداً إلى خصائص العينة وحجم الارتباطات ومصفوفة البواقي التفصيلية لتعزيز ثقة المحكمين بنزاهة الاستنتاجات العلمية.

7. الأسئلة الشائعة حول مؤشري SRMR وTLI

7.1 هل يمكن أن تتجاوز قيمة مؤشر TLI الواحد الصحيح، وما دلالة ذلك إحصائياً؟

نعم، يمكن لقيمة مؤشر TLI أن تتجاوز الواحد الصحيح لتسجل أرقاماً مثل 1.01 أو 1.03، والسبب يكمن مباشرة في بنيته الجبرية غير المقيدة (Non-normed Index). ففي معادلة TLI، يُطرح المقدار $\frac{\chi^2_{target}}{df_{target}}$ من المقدار المناظر للنموذج الصفري في البسط. فإذا كان النموذج المقترح يتطابق مع البيانات لدرجة تجعل كاي تربيع للنموذج أصغر من درجات حريته ($\chi^2_{target} < df_{target}$)، فإن حاصل القسمة يصبح أقل من 1.0.

وعندما يكون هذا الكسر أصغر من الواحد الصحيح، يصبح البسط في المعادلة أكبر من المقام الرياضي ($\frac{\chi^2_{null}}{df_{null}} – 1$)، وهو ما يؤدي حتماً إلى ناتج قسمة يتجاوز 1.0. تدل هذه النتيجة إحصائياً على أن النموذج يتمتع بمطابقة فائقة الجودة وإيجاز عالٍ، أو قد تعكس أحياناً “فرط تخصيص” طفيف في عينة كبيرة. وفي الممارسة التوثيقية، تقوم بعض البرمجيات بحصر القيمة تلقائياً عند 1.000، ولكن في التقارير الأكاديمية الرصينة، يُفضل كتابة القيمة الحقيقية المجردة كما هي (مثلاً $TLI = 1.015$) مع الإشارة المنهجية الموجزة إلى طبيعته كـ NNFI غير مقيد.

7.2 لماذا لا يُكتفى بمؤشر SRMR منفرداً لتقييم النموذج الهيكلي؟

يمثل الاكتفاء بـ SRMR منفرداً مغامرة منهجية بالغة الخطورة لعدة أسباب بنيوية. أولاً: عجز المؤشر التام عن إدراك كلفة تعقيد النموذج؛ فالنموذج الذي يحتوي على 10 مسارات غير ذات دلالة علمية سيحقق دائماً قيمة SRMR أفضل (أقل) من نموذج مقتصد يحذف هذه المسارات الهامشية، مما يمنع الباحث من اختيار النظرية الأكثر أناقة وبساطة.

ثانياً: إن SRMR يقيس متوسط أخطاء العلاقات الثنائية ولكنه لا يقدم وزناً لمقدار التفوق الشامل للمنظومة النظرية الكامنة مقارنة بفرضية عدم وجود علاقات أصلاً، وهو الدور الذي ينهض به TLI. ثالثاً وأخيراً: لا يستطيع SRMR كشف حالات ضعف القوة الإحصائية والتذبذب في المعلمات الكامنة. ولهذه الأسباب مجتمعة، ترفض المجلات الدولية المحكمة الاعتماد الحصري على مؤشرات البواقي، وتلزم الباحثين بإقرانها بالمؤشرات التزايدية لحماية البناء المعرفي من النماذج المتكلفة عديمة الجدوى النظرية.

7.3 كيف تؤثر البنود ذات التوزيع غير السوي على قراءات TLI مقارنة بـ SRMR؟

عندما تنتهك البيانات المشاهدة فرضية التوزيع الطبيعي المتعدد عبر وجود التواءات حادة وتفرطح مرتفع في استجابات البنود، ينعكس هذا الخلل بصورة دراماتيكية ومتباينة على كلا المؤشرين. بالنسبة لـ TLI المحسوب عبر التقدير التقليدي للقصوى الأرجحية (Standard ML)، يؤدي الالتواء المرتفع إلى تضخيم هائل وغير مبرر في قيمة كاي تربيع الكلاسيكية ($\chi^2_{target}$)، مما يرفع قيمة الكسر $\frac{\chi^2}{df}$ ويؤدي بالتبعية إلى انهيار حاد في قيمة TLI لتنحدر دون العتبات المقبولة، موحيةً بفشل النموذج النظري في حين أن العيب كامن في دالة التوزيع.

يتم علاج هذا الخلل في TLI بالاعتماد على التقديرات المصححة مثل مقدر Satorra-Bentler لنسبة الأرجحية، والتي تعدل كاي تربيع وفقاً لمقدار التفرطح في العينة وتستعيد الأداء الحقيقي لـ TLI. في المقابل، فإن SRMR يعد أكثر صموداً وثباتاً أمام انتهاكات التوزيع الطبيعي طالما بقيت الارتباطات المعيارية متماسكة، ولكنه في حال تحول البيانات إلى مقاييس رتبية حادة ومحدودة الخيارات، قد يحتاج للعمل مع مصفوفات الارتباط البوليكورية؛ لكون معاملات بيرسون الكلاسيكية تنكمش في التوزيعات شديدة التشتت، مما يضخم البواقي في SRMR ويحد من دقته التفسيرية.

7.4 ما هو الفارق الجوهري في قراءة النتائج بين TLI وCFI ولماذا يقترن TLI بـ SRMR؟

ينتمي كل من مؤشر تاكر-لويس (TLI) ومؤشر المطابقة المقارن (Comparative Fit Index – CFI) إلى عائلة المؤشرات التزايدية، وكلاهما يستخدم النموذج الصفري كمرجع؛ غير أن بينهما فارقاً حسابياً وجوهرياً يتمثل في معاقبة التعقيد. يعتمد CFI في صيغته على إحصاء كاي تربيع غير المركزي ($\lambda = \chi^2 – df$)، وهو مقيد رياضياً بشكل صارم بين 0 و1، ولا يفرض أي عقوبة مباشرة على استنزاف درجات الحرية عبر إضافة معلمات جديدة، طالما أن تلك المعلمات تخفض كاي تربيع ولو بنسبة محدودة.

أما TLI، فهو يقسم كاي تربيع على درجات الحرية بصورة صريحة في البسط والمقام؛ مما يجعله يعاقب تعقيد النموذج باستمرار. يفضل العديد من الإحصائيين اقتران TLI بـ SRMR في النماذج النظرية المعقدة تحديداً لضمان عدم تمرير نماذج مفرطة في البارامترات الحرة (Overparameterized Models). فالاقتران هنا يحقق التوازن الأكمل: SRMR يتأكد من تلاشي الخطأ الملموس بين أيدينا في مصفوفة البواقي، وTLI يضمن أن النموذج الذي أنتج هذه البواقي المنخفضة لم يفعل ذلك عبر الاحتيال الرياضي واستنزاف مساحات الحرية في مسارات زائفة.

8. الخاتمة: تجميع الرؤى والتوصيات المستقبلية لممارسي النمذجة

8.1 التركيب التكاملي لأدوار SRMR وTLI في البحث الكمي

خلاصة التحليل المقارن هي أن مسألة المفاضلة بين مؤشري SRMR وTLI ليست معركة لاختيار “المؤشر الأفضل”، بل هي فهم واعٍ للتكامل الوظيفي بين مقياسين يقفان على طرفي نقيض من حيث المنطق الرياضي وفلسفة الاستدلال. يمثل SRMR صوت الواقع الإمبريقي العيان؛ فهو يضع مرآة صادقة أمام مصفوفة البواقي، ليخبرنا بمقدار الفجوة العددية الصريحة التي فشل النموذج في استيعابها من سلوك الأفراد المبحوثين. بينما يمثل TLI صوت الرصانة النظرية والاقتصاد المعرفي؛ فهو يزن التحسن المكتسب بميزان درجات الحرية، ويمنع المحلل من الوقوع في فخ التعقيد المتكلف والادعاءات السببية غير المبررة.

إن النتيجة الحاسمة التي يجب أن يستوعبها ممارس نمذجة المعادلة البنائية المعاصر هي التوقف عن النظر إلى مؤشرات المطابقة كاختبارات “نجاح ورسوب” جامدة تُطبق عبر عتبات رقمية ميتة. فالنموذج الجيد ليس مجرد نموذج تجاوز عتبة 0.95 في TLI أو هبط دون 0.08 في SRMR؛ بل هو النموذج الذي يحقق التوازن المتناغم بين المنطق النظري الراسخ للمتغيرات، وسلامة تشبعات البنود، وخلو مصفوفة البواقي من التجمعات المشوهة، وتفوق بنيته الكلية على مجرد فرضيات العشوائية وانعدام العلاقات.

8.2 خارطة طريق إجرائية وتوصيات للباحثين ومحللي البيانات

بناءً على المراجعة الشاملة لأدبيات القياس وسلوك المؤشرات، نقدم للباحثين ومحللي البيانات خارطة طريق إجرائية وعملية من خمس خطوات لتقييم النماذج في البحوث المستقبلية:

  1. التحقق المسبق من شروط البيانات: فحص حجم العينة وطبيعة التوزيع المتعدد ومستويات التفرطح، وتحديد المقدر الإحصائي المناسب مسبقاً (استخدام المقدرات القوية مثل Satorra-Bentler أو MLR في حالات عدم السواء، وWLSMV للبيانات الترتيبية البحتة).
  2. الفحص المتزامن لاستراتيجية المؤشرين: تطبيق التوليفة المعيارية بإقران SRMR مع TLI (أو CFI). لا تقبل النموذج إذا كان أحدهما فقط ضمن النطاق المقبول بينما الآخر منهار بصورة حادة إلا بعد تقديم تشخيص إحصائي مبرر ومقنع.
  3. التفتيش البصري والعددي لمصفوفة البواقي: عدم الاكتفاء مطلقاً بقيمة SRMR التلخيصية؛ بل يجب طلب مصفوفة البواقي المعيارية (Standardized Residual Covariances) والتأكد من خلوها من قيم متطرفة شاذة تتجاوز القيمة المطلقة $\pm 2.58$.
  4. الحذر في استخدام مؤشرات التعديل (Modification Indices): تجنب التحرير الآلي لمسارات الأخطاء والتباينات المشتركة لرفع قيمة TLI دون تأصيل نظري صارم؛ فالإفراط في إضافة المسارات قد يرفع المؤشرات شكلياً ولكنه يدمر صدق البناء ويعطل قابلية النموذج للتعميم المستقبلي.
  5. الإفصاح الكامل ومواكبة العتبات الديناميكية (Dynamic Fit Indices): الإفصاح عن حزمة المؤشرات الخمسة الإلزامية دون إخفاء، ومتابعة الاتجاهات الحديثة التي تدعو لاستخدام المحاكاة المخصصة للنموذج (Customized Monte Carlo Simulations) لتوليد عتبات قطع ديناميكية تأخذ في الحسبان الحجم المحدد لعينة الدراسة، وعدد البنود، وقيم التشبعات، بدلاً من الارتهان الأبدي لعتبات Hu & Bentler الثابتة.

المراجع

  • Abele, A. E., Hauke-Forman, N., Peters, K., Louvet, E., Szymków, A., & Duan, Y. (2016). Facets of the Fundamental Content Dimensions: Agency with Competence and Assertiveness—Communion with Warmth and Morality. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2016.01810
  • Burić, I., & Kim, L. E. (2020). Teacher self-efficacy, instructional quality, and student motivational beliefs: An analysis using multilevel structural equation modeling. Learning and Instruction. https://doi.org/10.1016/j.learninstruc.2019.101302
  • Deng, Y., Cherian, J. P., Khan, N. U. N., Kumari, K., Sial, M. S., Comite, U., et al. (2022). Family and Academic Stress and Their Impact on Students’ Depression Level and Academic Performance. Frontiers in Psychiatry. https://doi.org/10.3389/fpsyt.2022.869337
  • Hughes, D. J., Rowe, M., Batey, M., & Lee, A. (2011). A tale of two sites: Twitter vs. Facebook and the personality predictors of social media usage. Computers in Human Behavior. https://doi.org/10.1016/j.chb.2011.11.001
  • Kowal, M., Coll‐Martín, T., İkizer, G., Rasmussen, J. S., Eichel, K., Studzińska, A., et al. (2020). Who is the Most Stressed During the COVID‐19 Pandemic? Data From 26 Countries and Areas. Applied Psychology Health and Well-Being. https://doi.org/10.1111/aphw.12234
  • Marsh, H. W., Pekrun, R. H., Parker, P. D., Murayama, K., Guo, J., Dicke, T., et al. (2018). The murky distinction between self-concept and self-efficacy: Beware of lurking jingle-jangle fallacies. Journal of Educational Psychology. https://doi.org/10.1037/edu0000281
  • Molino, M., Ingusci, E., Signore, F., Manuti, A., Giancaspro, M. L., Russo, V., et al. (2020). Wellbeing Costs of Technology Use during Covid-19 Remote Working: An Investigation Using the Italian Translation of the Technostress Creators Scale. Sustainability. https://doi.org/10.3390/su12155911
  • Roskam, I., Brianda, M. E., & Mikolajczak, M. (2018). A Step Forward in the Conceptualization and Measurement of Parental Burnout: The Parental Burnout Assessment (PBA). Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2018.00758
  • Slemp, G. R., Kern, M. L., Patrick, K., & Ryan, R. M. (2018). Leader autonomy support in the workplace: A meta-analytic review. Motivation and Emotion. https://doi.org/10.1007/s11031-018-9698-y
  • Zhang, C.-Q., Zhang, R., Schwarzer, R., & Hagger, M. S. (2019). A meta-analysis of the health action process approach. Health Psychology. https://doi.org/10.1037/hea0000728

تقييم هذا المحتوى

كن أول من يقيّم هذا المحتوى

عن الكاتب: Mohammed looti

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

اقتباس هذا المقال

looti, M. (2026, نوفمبر 16). SRMR مقابل TLI (مؤشر تاكر-لويس). عرب سايكلوجي. https://arabpsychology.com/comparisons/srmr-vs-tli-tucker-lewis-index/
looti, Mohammed. “SRMR مقابل TLI (مؤشر تاكر-لويس).” عرب سايكلوجي, 16 نوفمبر 2026, https://arabpsychology.com/comparisons/srmr-vs-tli-tucker-lewis-index/.
looti, Mohammed. “SRMR مقابل TLI (مؤشر تاكر-لويس).” عرب سايكلوجي. نوفمبر 16, 2026. https://arabpsychology.com/comparisons/srmr-vs-tli-tucker-lewis-index/.