دليل التحليل العاملي مع مثال

يُمثّل التحليل العاملي (Factor Analysis) حجر الزاوية الإحصائي والمنهجي الذي قامت عليه حركة القياس النفسي والتربوي الحديثة؛ فهو ليس مجرد أداة لتقليص أبعاد البيانات الضخمة، بل هو إطار فلسفي ورياضي متكامل يسعى لفض الاشتباك بين الظواهر الإنسانية المعقدة وبنيتها السببية الكامنة. تنبع الحاجة إلى هذا الأسلوب المتقدم من الطبيعة الفريدة للعلوم السلوكية؛ حيث يتعذر في معظم الأحيان قياس المفاهيم النفسية الجوهرية—مثل الذكاء، القلق، الرضا الوظيفي، أو الاحتراق النفسي—بصورة مباشرة وملموسة كما هو الحال في العلوم الطبيعية، مما يفرض على الباحثين قياس مؤشرات سلوكية دالة وملاحظة والاستدلال منها على المتغيرات الكامنة غير المرئية.

في هذا الدليل الشامل، نأخذ الباحث والأكاديمي في رحلة معرفية معمقة ومفصلة تغطي كافة الأبعاد النظرية والتطبيقية للتحليل العاملي بشقيه: الاستكشافي (Exploratory Factor Analysis – EFA) والتوكيدي (Confirmatory Factor Analysis – CFA). يستعرض المقال الأسس الرياضية للمصفوفات والاشتراكيات، الفروق الجوهرية بين التحليل العاملي وتحليل المكونات الرئيسية، الشروط المنهجية الصارمة وكفاية العينة، طرائق استخراج العوامل ومعايير تدويرها واختيار عددها، وصولاً إلى استراتيجيات تنقية البنود، وتدعيم ذلك بمثال تطبيقي واقعي مكتمل، وصياغة النتائج وفق أحدث معايير جمعية علم النفس الأمريكية (APA 7th Edition).

سواء كنت طالب دراسات عليا تعمل على بناء مقياس جديد، أو باحثاً متمرساً يسعى للتحقق من الصدق البنائي لأدوات القياس وتقنينها، فإن هذا الدليل قد صُمم ليكون مرجعاً مرشداً يقودك خطوة بخطوة من الفهم المفاهيمي العميق حتى البرمجة والتفسير وكتابة التقارير الإحصائية المعتمدة عالمياً.

1. المدخل النظري والمفاهيمي للتحليل العاملي في القياس النفسي

1.1 تعريف التحليل العاملي وفلسفته الرياضية

يُعرَّف التحليل العاملي إحصائياً بأنه أسلوب متعدد المتغيرات (Multivariate Technique) يهدف إلى اختزال عدد كبير من المتغيرات الملاحظة (Observed Variables) المترابطة إلى عدد أقل بكثير من الأبعاد غير الملاحظة رياضياً، والتي تُعرف باسم المتغيرات الكامنة (Latent Variables) أو العوامل (Factors). تستند الفلسفة الرياضية لهذا النموذج إلى افتراض أن التباين المشترك الملاحظ بين مجموعة من السلوكيات أو استجابات الأفراد على بنود استبيان ما ليس وليد الصدفة، بل هو نتاج مباشر لتأثير قوى أو سمات بنيوية كامنة مشتركة تحرك تلك الاستجابات وتفسر الارتباطات الخطية المتبادلة بينها.

رياضياً، يعتمد التحليل العاملي الكلاسيكي على النموذج الخطي العام، حيث يُعبَّر عن كل متغير ملاحظ ($X_i$) كدالة خطية مكونة من مجموع أوزان العوامل المشتركة مضروبة في قيم تلك العوامل، مضافاً إليها حد الخطأ أو التباين الفريد الخاص بكل متغير. يُصاغ هذا النموذج جبرياً بالمعادلة التالية:

X_i = λ_i1F₁ + λ_i2F₂ + … + λ_imF_m + e_i

حيث يمثل X_i المتغير الملاحظ المعياري، وF₁, …, F_m العوامل الكامنة المشتركة، بينما تمثل المعاملات λ_ij (Lambda) أوزان أو تشبعات العامل المشترك بالمتغير (Factor Loadings)، ويشير e_i إلى التباين المتفرد أو خطأ القياس العشوائي والمحدد (Unique Variance). بناءً على ذلك، ينقسم التباين الكلي لأي متغير ملاحظ إلى قسمين رئيسيين: التباين المشترك (Common Variance) وهو الجزء الذي يشاركه المتغير مع باقي المتغيرات عبر العوامل الكامنة، والتباين الفريد (Unique Variance) الذي ينقسم بدوره إلى تباين نوعي خاص بالبند (Specific Variance) وتباين ناشئ عن خطأ القياس (Error Variance).

تاريخياً، ارتبطت نشأة التحليل العاملي ارتباطاً وثيقاً ببحوث الذكاء والقدرات العقلية على يد عالم النفس والإحصاء البريطاني تشارلز سبيرمان (Charles Spearman) في عام 1904. لاحظ سبيرمان أن درجات الطلاب في مختلف المواد الدراسية غير المترابطة ظاهرياً (مثل الرياضيات، اللغات، والموسيقى) تميل إلى الارتباط الإيجابي الموجب فيما بينها (Positive Manifold)، مما قاده إلى افتراض وجود قدرة عقلية عامة سماها عامل الذكاء العام (General Factor – g) مسؤول عن هذا التباين المشترك، إلى جانب عوامل نوعية خاصة بكل اختبار (Specific Factors – s)، وهو ما عُرف آنذاك بنظرية العاملين (Two-Factor Theory)، لتنطلق منها لاحقاً مسيرة تطوير النماذج متعددة العوامل على يد لويس ثيرستون وغيره.

1.2 أهمية التحليل العاملي واستخداماته في العلوم النفسية والسلوكية

تتجلى الأهمية القصوى للتحليل العاملي في قدرته الفائقة على التحقق من صدق البناء أو الصدق التكويني (Construct Validity) لأدوات القياس والاختبارات النفسية والتربوية. عند تصميم مقياس جديد يقيس ظاهرة نفسية مثل “التوافق المهني”، فإن التحليل العاملي يُمكّن الباحث من التأكد تجريبياً مما إذا كانت الفقرات المصممة تلتئم معاً لتعكس الأبعاد النظرية المفترضة، أم أنها تقيس أبعاداً أخرى غير مقصودة، مما يمنع القياس المضلل ويمنح الأداة مشروعية علمية صارمة.

إلى جانب التحقق من الصدق، يلعب التحليل العاملي دوراً محورياً في تطوير النماذج النظرية وتفسير الأبعاد الخفية للشخصية؛ فعلى سبيل المثال، ما كان لنموذج عناصر الشخصية الخمسة الكبرى (Big Five Personality Traits) أن يتبلور ويستقر في الأدبيات السيكولوجية لولا التطبيقات المتكررة للتحليل العاملي على آلاف الصفات والمفردات السلوكية عبر مختلف الثقافات، مما أدى إلى حصر آلاف الفروق الفردية في خمسة أبعاد كامنة مستقرة (الانبساطية، العصابية، المقبولية، يقظة الضمير، والانفتاح على الخبرة).

من الناحية العملية، يُعد التحليل العاملي أداة ترشيد وتصفية بالغة الأهمية لبنود الاستبيانات؛ حيث يساعد في تقليل عدد الأسئلة بحذف البنود المكررة أو الضعيفة أو تلك التي تتشبع بارتفاع على أكثر من عامل دون تمييز واضح، مما يؤدي إلى إنتاج مقاييس مقتضبة وذات كفاءة سيكومترية عالية تقلل من إجهاد المستجيبين. علاوة على ذلك، يُستخدم التحليل العاملي كأداة تشخيصية وعلاجية لمشكلة التعددية الخطية (Multicollinearity) في نماذج الانحدار الخطي المتعدد والنمذجة الرياضية؛ حيث يمكن استبدال عشرات المتغيرات المستقلة شديدة الارتباط فيما بينها بدرجات عوامل متعامدة ومستقلة تماماً، مما يرفع من دقة النماذج التنبؤية واستقرار معاملاتها.

1.3 المصطلحات والمفاهيم الأساسية المرتبطة بالتحليل العاملي

لفهم التحليل العاملي والتعامل مع مخرجاته بكفاءة، يتعين استيعاب جملة من المصطلحات والمفاهيم الإحصائية المحورية التي تشكل لغة هذا الأسلوب التحليلي:

• التشبعات العاملية (Factor Loadings): هي معاملات الارتباط الإحصائي بين المتغير الملاحظ والعامل الكامن (في حالة تدوير العوامل المتعامدة)، أو معاملات انحدار معيارية تدل على الوزن النسبي لتأثير العامل على المتغير (في حالة التدوير المائل). تتراوح قيم التشبع نظرياً بين -1.00 و +1.00؛ وتدل القيمة المرتفعة للتشبع (سواء الموجبة أو السالبة) على أن المتغير يمثل العامل بشكل قوي، في حين تدل القيم القريبة من الصفر على استقلال المتغير عن هذا العامل.
• القيم الذاتية (Eigenvalues): يُشير الجذر الكامن أو القيمة الذاتية إلى المقدار الإجمالي للتباين في جميع المتغيرات الملاحظة الذي يمكن تفسيره بواسطة عامل كامن معين. رياضياً، تُحسب القيمة الذاتية لعامل ما بجمع مربعات تشبعات جميع المتغيرات على ذلك العامل. وإذا كانت البيانات معيارية، فإن القيمة الذاتية التي تزيد عن 1.0 تعني أن العامل يفسر تبايناً يفوق التباين الذي يقدمه متغير ملاحظ مفرد واحد.
• الاشتراكية (Communality – h²): هي النسبة الإجمالية لتباين متغير ملاحظ معين والتي يمكن تفسيرها بواسطة جميع العوامل المستخرجة مجتمعة. تُحسب الاشتراكية بجمع مربعات تشبعات البند الواحد عبر كافة العوامل المستخرجة. تتراوح قيمتها بين 0 و 1؛ فإذا كانت اشتراكية بند ما تساوي 0.70، فهذا يعني أن 70% من تباين استجابات الأفراد على هذا البند راجع للعوامل المشتركة، بينما يمثل الـ 30% الباقية التباين الفريد (Uniqueness) وخطأ القياس.
• درجات العوامل (Factor Scores): هي درجات مركبة معيارية تُحسب لكل فرد أو حالة في العينة لتمثيل موقعه على العامل الكامن. تُستخدم هذه الدرجات كمتغيرات مستقلة أو تابعة في تحليلات إحصائية لاحقة، مثل تحليل التباين، الانحدار اللوجستي، أو تحليل التمايز، متفوقة على الدرجات الخام التقليدية بقدرتها على استبعاد أخطاء القياس ووزن كل بند بحسب ثقله العاملي الحقيقي.

2. التمييز بين التحليل العاملي الاستكشافي (EFA) والتوكيدي (CFA)

2.1 التحليل العاملي الاستكشافي (EFA): الخصائص والغايات

يُستخدم التحليل العاملي الاستكشافي (Exploratory Factor Analysis) عندما تكون الروابط بين المتغيرات الملاحظة والعوامل الكامنة غير محددة سلفاً أو تفتقر إلى أساس نظري قطعي مسبق. تكمن غاية هذا الأسلوب في الكشف عن البنية البنائية الطبيعية للبيانات (Data-Driven Approach)، واستكشاف عدد الأبعاد والعوامل التي يمكن أن تلخص التباين المشترك بين البنود دون فرض أي قيود صارمة على العلاقات أو التشبعات.

في EFA، يُفترض أن كل متغير ملاحظ يرتبط أو يتشبع نظرياً بجميع العوامل المستخرجة بدرجات متفاوتة، وتترك الحسابات الرياضية لتحديد أي العوامل أكثر ارتباطاً بكل متغير. يُعد هذا الإجراء المنهجية المثلى في المراحل الأولى لبناء أدوات القياس الجديدة، أو عند ترجمة مقاييس أجنبية وتطبيقها على بيئات ثقافية مغايرة للمرة الأولى للتأكد من سلوك البنود في السياق الجديد.

ومع ذلك، يعاب على التحليل العاملي الاستكشافي حساسيته المفرطة لحجم وخصائص العينة وطرق الاستخراج والتدوير المختارة؛ حيث قد يؤدي تغيير طفيف في أسلوب التدوير إلى تبديل شكل البنية العاملية، بالإضافة إلى افتقاره للأدوات الإحصائية الصارمة التي تقيم مدى جودة تطابق النموذج ككل مع البيانات الواقعية بمعزل عن الحكم الذاتي للباحث.

2.2 التحليل العاملي التوكيدي (CFA): الخصائص والأسس

على النقيض تماماً، يُمثل التحليل العاملي التوكيدي (Confirmatory Factor Analysis) منهجاً قائماً على اختبار الفرضيات (Theory-Driven Approach)؛ حيث يتدخل الباحث استناداً إلى نظرية راسخة أو دراسات استكشافية سابقة لتحديد البنية العاملية مسبقاً وبدقة بالغة. يشمل هذا التحديد عدد العوامل، والبنود المحددة المسؤولة عن قياس كل عامل، مع تقييد تشبعات البنود على العوامل غير المعنية لتساوي الصفر تماماً (Fixed to Zero).

يندرج التحليل التوكيدي كجزء أساسي من منظومة نمذجة المعادلة الهيكلية (Structural Equation Modeling – SEM)، وتحديداً نموذج القياس (Measurement Model). ولا يقتصر دور CFA على تقدير التشبعات بدقة وفصل أخطاء القياس فحسب، بل يتجاوز ذلك إلى توفير مؤشرات حسن المطابقة (Goodness-of-Fit Indices)؛ وهي مقاييس إحصائية دقيقة (مثل RMSEA، CFI، TLI، وSRMR) تحكم بدرجات دلالية محددة على مدى تطابق النموذج النظري المفترض مع مصفوفة التباين والتباين المشترك للبيانات الفعلية.

يتيح التحليل التوكيدي أيضاً اختبار فرضيات متقدمة لا يمكن لـ EFA معالجتها؛ مثل فحص الثبات البنائي عبر الزمن، أو اختبار تكافؤ القياس (Measurement Invariance) للمقارنة بين مجموعات مختلفة (كالذكور والإناث، أو ثقافات متباينة) لضمان أن المقياس يقيس نفس السمة بنفس المعنى لدى جميع المجموعات.

2.3 معايير الاختيار بين EFA و CFA في التصميم البحثي

يتوقف الاختيار المنهجي الرصين بين EFA و CFA على مستوى النضج المعرفي والنظري للموضوع قيد الدراسة، إلى جانب الأهداف المحددة للتصميم التجريبي. يُوصى باتباع التحليل الاستكشافي إذا كانت الظاهرة النفسية حديثة العهد، أو كانت الأدبيات تختلف بشدة حول عدد أبعادها، أو عند تجريب صياغات أولية لبنود غير مستقرة سيكومترياً.

أما في الأبحاث المتقدمة التي تستهدف تقنين المقاييس وتطويرها، فإن المنهجية الفضلى الموصى بها دولياً هي استراتيجية العينات المقسمة (Cross-Validation Strategy)؛ حيث تُقسم عينة البحث الكلية عشوائياً إلى نصفين مستقلين: يُطبق التحليل العاملي الاستكشافي (EFA) على النصف الأول (Calibration Sample) للكشف عن البنية العاملية وتنقية البنود، ثم يُطبق التحليل العاملي التوكيدي (CFA) على النصف الثاني المستقل (Validation Sample) لاختبار وتأكيد البنية المكتشفة والتحقق من جودة مطابقتها، مما يمنع الوقوع في فخ الإفراط في مطابقة البيانات (Overfitting).

وجه المقارنة	التحليل العاملي الاستكشافي (EFA)	التحليل العاملي التوكيدي (CFA)
الهدف الرئيسي	استكشاف البنية العاملية واختزال البيانات دون فرضيات مسبقة.	اختبار وتأكيد فرضية نظرية محددة مسبقاً للبنية العاملية.
الافتراضات المسبقة	لا توجد افتراضات مسبقة حول عدد العوامل أو تبعية البنود.	تحديد مسبق لعدد العوامل وتوزيع البنود وارتباطات العوامل.
تقييد التشبعات	جميع البنود تتشبع على جميع العوامل بحرية (Free Loadings).	تقييد تشبع البنود على عواملها المحددة فقط (تثبيت الباقي عند صفر).
أخطاء القياس	تُعامل كتباينات متفردة دون إمكانية لنمذجة الارتباط بينها.	فصل دقيق للخطأ، مع إمكانية نمذجة الارتباط بين الأخطاء نظرياً.
تقييم النموذج	يعتمد على نسبة التباين المفسر وحكم الباحث على البنية البسيطة.	مؤشرات إحصائية صارمة لحسن المطابقة (Fit Indices: CFI, RMSEA).

3. الفروق الجوهرية بين التحليل العاملي وتحليل المكونات الرئيسية (PCA)

3.1 طبيعة التباين المستهدف: التباين المشترك مقابل التباين الكلي

يخلط قطاع واسع من الباحثين بين التحليل العاملي الاستكشافي (EFA) وتحليل المكونات الرئيسية (Principal Component Analysis – PCA)، معتبرين إياهما مسميين لشيء واحد، ويرجع هذا الخلط جزئياً إلى وضع البرمجيات الإحصائية (مثل SPSS) لأسلوب PCA كخيار افتراضي ضمن قائمة التحليل العاملي. إلا أن الفارق الرياضي والمفاهيمي بينهما جوهري وعميق في صلب نظرية القياس.

يكمن الفارق الأساسي في نوع التباين الذي يسعى كل أسلوب إلى تفسيره ونمذجته؛ يركز التحليل العاملي فقط على التباين المشترك (Common Variance)، مفترضاً أن التباين الكلي للمتغيرات يتضمن تبايناً مشتركاً حقيقياً ناشئاً عن المتغيرات الكامنة إلى جانب تباين متفرد وأخطاء قياس عشوائية يجب استبعادها تماماً من التحليل. لتحقيق ذلك، يضع التحليل العاملي في القطر الرئيسي لمصفوفة الارتباط قيم تقديرية للاشتراكيات (Communality Estimates) تقل عن الواحد الصحيح.

في المقابل، يتعامل تحليل المكونات الرئيسية (PCA) مع التباين الكلي (Total Variance) للمتغيرات بنسبة 100% دون تمييز بين تباين مشترك أو خطأ قياس؛ ولهذا يضع في القطر الرئيسي لمصفوفة الارتباط الرقم (1.00) كاملاً. هدف PCA هو ببساطة إيجاد تجميعات خطية تعظم التباين المفسر رياضياً لتقليص عدد المتغيرات دون افتراض وجود أي سمات نفسية غير ملاحظة تسببت في تلك البيانات، مما يجعل تشبعات PCA متضخمة وأعلى دوماً من تشبعات التحليل العاملي الحقيقي.

3.2 متى يفضل استخدام PCA ومتى يتعين استخدام EFA في الدراسات النفسية

ينبغي توظيف تحليل المكونات الرئيسية (PCA) بشكل حصري عندما يكون الهدف البحثي مقتصراً على ضغط واختزال البيانات (Data Reduction)؛ مثل إدخال مئات المؤشرات الديموغرافية أو الحيوية في نموذج تنبؤي أو خوارزمية ذكاء اصطناعي لتفادي الإفراط في التعقيد الحسابي، دون الاكتراث بفهم الطبيعة السيكولوجية للأبعاد الناتجة.

أما في العلوم النفسية والتربوية والاجتماعية، التي تستهدف قياس البناءات النفسية واختبار النظريات السلوكية، فإن استخدام EFA هو الواجب المنهجي الصارم. إن استخدام PCA كبديل للتحليل العاملي في بناء المقاييس يؤدي إلى تشبعات زائفة مفرطة في التفاؤل وتضخيم وهمي لنسب التباين المفسر، نظراً لدمج تباين أخطاء القياس ضمن المكونات الناتجة وتفسيرها كأنها أبعاد حقيقية للظاهرة.

تجدر الإشارة إلى أن نتائج الأسلوبين قد تتقارب عملياً فقط في حالات نادرة ومحددة؛ وتحديداً عندما يكون عدد المتغيرات كبيراً جداً (أكثر من 30 إلى 40 متغيراً) مع تمتع جميع البنود باشتراكيات شديدة الارتفاع تتجاوز 0.70؛ حيث يضمحل في هذه الحالة الأثر النسبي لخطأ القياس في القطر الرئيسي، غير أن هذا الشرط نادراً ما يتحقق في المقاييس السيكومترية الواقعية.

4. الشروط المنهجية والافتراضات الإحصائية لتطبيق التحليل العاملي

4.1 شروط حجم العينة ونسبة المشاركين إلى المتغيرات

يتطلب التحليل العاملي أحجام عينات كافية لضمان استقرار مصفوفة الارتباط والحد من خطأ المعاينة. قُدمت في الأدبيات المنهجية قواعد إرشادية متعددة تستند إلى نسبة عدد المفحوصين إلى عدد المتغيرات أو البنود الملاحظة (N:p ratio). تُعد نسبة 5:1 (خمسة مشاركين لكل بند) الحد الأدنى المطلق المقبول في الظروف الضيقة، بينما تُعتبر نسبة 10:1 النسبة المعيارية الموصى بها في معظم التطبيقات، وتوفر نسبة 20:1 استقراراً مثالياً ودقة فائقة في تقدير المعلمات العاملية.

إلى جانب النسب، اقترح علماء القياس، مثل كومري ولي (Comrey & Lee, 1992)، معايير مطلقة للحجم الإجمالي للعينة المستقلة بغض النظر عن عدد البنود، وصنفوها كما يلي: عينة بحجم 100 مشارك (ضعيفة جداً)، 200 (مقبولة)، 300 (جيدة)، 500 (جيدة جداً)، و 1000 مشارك فما فوق (ممتازة). غير أن الدراسات المحاكية الحديثة أثبتت أن الحجم الكافي للعينة يرتبط ارتباطاً وثيقاً بـ مستوى الاشتراكيات (Communalities) ودرجة تشبع البنود؛ فإذا كانت اشتراكيات جميع البنود مرتفعة (تتجاوز 0.60) وتتشبع بقوة على عدد قليل من العوامل المحددة جيداً، فإن عينة من 100 إلى 150 مشاركاً قد تكون كافية تماماً للوصول إلى حل عاملي دقيق ومستقر.

أما في سياق التحليل العاملي التوكيدي (CFA)، فإن تحديد حجم العينة يتطلب أيضاً مراعاة القوة الإحصائية (Statistical Power) اللازمة لرفض النماذج غير الصحيحة، مع الأخذ بالحسبان مدى تعقيد النموذج وعدد المعلمات الحرة المراد تقديرها وخوارزمية التقدير المستخدمة.

4.2 الافتراضات الإحصائية لتوزيع البيانات والعلاقات بين المتغيرات

يقوم التحليل العاملي الكلاسيكي على مجموعة من الافتراضات الإحصائية التي يتعين فحصها بدقة قبل الشروع في استخراج العوامل لضمان صحة النتائج وسلامة الاستدلال:

• التوزيع الطبيعي المتعدد (Multivariate Normality): يفترض التحليل العاملي—خاصة عند استخدام طرائق استخراج احتمالية كالإمكانية الأعظم (ML)—أن المتغيرات تتبع توزيعاً طبيعياً متعدد الأبعاد. يمكن فحص هذا الافتراض عبر تقييم معاملات الالتواء (Skewness) والتفرطح (Kurtosis) لكل بند على حدة، فضلاً عن فحص مقياس مارديا (Mardia’s Test) للتفرطح المتعدد. في حال انتهاك هذا الافتراض، ينبغي اللجوء إلى طرائق استخراج غير معلمية أو تصحيحات قوية (Robust Estimators).
• خطية العلاقات (Linearity): بما أن مصفوفة الارتباط (Pearson r) هي المدخل الأساسي للتحليل، يُفترض أن تكون العلاقات بين أزواج المتغيرات خطية تماماً. تُفحص الخطية عن طريق فحص لوحات التشتت المزدوجة (Bivariate Scatterplots) لعينة عشوائية من أزواج البنود للتأكد من خلوها من الأنماط المنحنية.
• طبيعة البيانات الترتيبية ومصفوفة الارتباط متعدد الدرجات (Polychoric Correlation): عند استخدام مقاييس ليكرت ذات الخيارات القليلة (مثل مقياس خماسي أو ثلاثي)، فإن معامل بيرسون التقليدي يميل إلى التقليل من شأن قوة العلاقات الحقيقية بين المتغيرات الكامنة. الحل السيكومتري الرصين في هذه الحالة هو بناء التحليل على مصفوفة الارتباط المتعدد الدرجات (Polychoric Correlation Matrix) المصممة خصيصاً للبيانات الترتيبية، والتي تفترض وجود متصل احتمالي مستمر خلف الفئات المتقطعة.
• التعامل مع القيم المتطرفة (Outliers): تؤثر القيم المتطرفة بشدة على مصفوفة الارتباط؛ إذ قد تخلق ارتباطات زائفة أو تخفي ارتباطات حقيقية. يجب الكشف عن القيم المتطرفة أحادية البعد باستخدام الدرجات المعيارية ($z > \pm 3.29$)، والمتعددة الأبعاد عبر حساب مسافة ماهالانوبيس (Mahalanobis Distance) واستبعاد الحالات الشاذة ذات الدلالة الإحصائية العالية ($p < .001$).

4.3 اختبارات كفاية البيانات وقابلية المصفوفة للتحليل العاملي

قبل الشروع في استخراج العوامل، يجب إخضاع مصفوفة الارتباط لفحوصات إحصائية دقيقة تضمن “قابليتها للتعميل” (Factorability) وجدارتها الرياضية لاشتقاق أبعاد ذات مغزى:

• مقياس كايزر-ماير-أولكين لكفاية العينة (KMO Measure of Sampling Adequacy): يقارن هذا المقياس بين مقادير معاملات الارتباط البسيطة ومعاملات الارتباط الجزئي (Partial Correlations) بين المتغيرات. تتراوح قيمة KMO الكلية بين 0 و 1؛ وتُفسر النتائج وفق المعايير العالمية التالية:
  • 0.90 فما فوق: ممتاز للغاية (Marvelous).
  • 0.80 إلى 0.89: جيد جداً (Meritorious).
  • 0.70 إلى 0.79: متوسط ومقبول (Middling).
  • 0.60 إلى 0.69: متواضع ومتدنٍ (Mediocre).
  • أقل من 0.50: غير مقبول ومرفوض تماماً لإجراء التحليل (Unacceptable).
• اختبار بارتليت للكروية (Bartlett’s Test of Sphericity): يختبر هذا الاختبار الفرضية الصفرية القائلة بأن مصفوفة الارتباط الفعلية للبيانات تساوي مصفوفة الوحدة (Identity Matrix)؛ أي أن جميع معاملات الارتباط بين المتغيرات تساوي صفراً وأن المتغيرات غير مرتبطة نهائياً. يجب أن يكون اختبار بارتليت دالاً إحصائياً عند مستوى ($p < .001$) لرفض فرضية الاستقلال وتبرير الانتقال للتحليل العاملي.
• محدد مصفوفة الارتباط (Determinant): يُستخدم محدد المصفوفة للكشف عن مشكلة التعددية الخطية التامة (Singularity) أو شبه التامة. يجب أن تكون قيمة المحدد أكبر من ($0.00001$)؛ فإذا كانت أقل من ذلك، دل ذلك على وجود بنود مكررة ذات ارتباطات تناهز التطابق ($r > .90$) تستوجب الحذف لتجنب انهيار خوارزميات القلب الحسابي للمصفوفات.
• مصفوفة الارتباط المضاد (Anti-Image Correlation Matrix): تحتوي هذه المصفوفة على معاملات كفاية العينة الفردية لكل بند على حدة في قطرها الرئيسي (المعروفة بـ MSA_i). يجب أن تحقق جميع البنود قيمة $MSA ge 0.50$ في القطر الرئيسي، ويُحذف أي بند يفشل في تحقيق هذا الحد بصورة فردية لتحسين المؤشر العام للبيانات.

5. طرق استخراج العوامل (Factor Extraction Methods)

5.1 طريقة المحاور الرئيسية (Principal Axis Factoring – PAF)

تُعد طريقة المحاور الرئيسية (PAF)، وتسمى أيضاً تحليل العامل المشترك الكلاسيكي، واحدة من أكثر طرائق الاستخراج انتشاراً وملاءمة في البحوث النفسية والسلوكية. تقوم الفلسفة الحسابية لهذه الطريقة على إحلال تقديرات أولية للاشتراكيات في القطر الرئيسي لمصفوفة الارتباط بدلاً من الواحد الصحيح، وغالباً ما يُستخدم مربع معامل الارتباط المتعدد (Squared Multiple Correlation – SMC) لكل بند مع باقي البنود كأفضل تقدير أولي لتلك الاشتراكية.

تعتمد PAF على خوارزمية تكرارية (Iterative Procedure)؛ حيث يتم استخراج العوامل وحساب اشتراكيات جديدة بناءً على التشبعات الناتجة، ثم تُعاد هذه الاشتراكيات الجديدة إلى قطر المصفوفة وتُستخرج العوامل من جديد، وتتكرر هذه الدورة الحسابية آلياً حتى يتقارب الفرق بين اشتراكيات دورتين متتاليتين إلى حد ضئيل جداً يُعرف بمعيار التقارب (Convergence Criterion).

تتميز طريقة المحاور الرئيسية بمرونتها الفائقة ومقاومتها للانتهاكات الطفيفة والمعتدلة لافتراض التوزيع الطبيعي المتعدد؛ إذ لا تفترض بالضرورة توزيعاً احتمالياً محدداً للبيانات. غير أن من أبرز تحدياتها أنها قد تؤدي في بعض الحالات ذات العينات الصغيرة أو البيانات المضطربة إلى ظهور ما يُعرف بـ حالات هايوود (Heywood Cases)، وهي أخطاء حسابية تظهر فيها قيم اشتراكية غير منطقية تتجاوز الواحد الصحيح أو تباينات متفردة سالبة، مما يبطل الحل الرياضي.

5.2 طريقة الإمكانية الأعظم (Maximum Likelihood – ML)

تستند طريقة الإمكانية الأعظم (ML) إلى أسس الإحصاء الاستدلالي والاحتمالي؛ حيث تهدف إلى تقدير معلمات النموذج العاملي (التشبعات والاشتراكيات) التي تجعل مصفوفة التباين والتباين المشترك المحسوبة من النموذج النظري أكثر تطابقاً واحتمالية لتوليد بيانات العينة الفعلية المشاهدة في الواقع.

الميزة الكبرى لطريقة ML هي أنها توفر للمحلل اختبارات الدلالة الإحصائية بدقة؛ إذ تُتيح إجراء اختبار كاي تربيع ($\chi^2$) لتقييم كفاية عدد العوامل المستخرجة ومعرفة ما إذا كان استخراج عوامل إضافية سيقدم تحسناً ذا دلالة إحصائية في مطابقة النموذج. كما تتيح هذه الطريقة حساب فترات الثقة (Confidence Intervals) للتشبعات العاملية وتقدير مؤشرات حسن المطابقة المتعددة المشابهة لنماذج CFA.

في المقابل، فإن العيب الحاسم لطريقة ML يكمن في حساسيتها الشديدة والصارمة لافتراض التوزيع الطبيعي المتعدد (Multivariate Normality)؛ فإذا كانت البيانات تعاني من التواء أو تفرطح شديدين، فإن طريقة ML ستقدم نتائج مضللة وترفع معدل الخطأ من النوع الأول واختبارات كاي تربيع زائفة، مما يؤدي إلى الإفراط في استخراج عوامل لا قيمة جوهرية لها، إلا في حال تطبيق تصحيحات سيكومترية متقدمة مثل تصحيح ساتورا-بنتلر (Satorra-Bentler).

5.3 طرق الاستخراج البديلة في التحليل العاملي

توفر الأدبيات الإحصائية مجموعة أخرى من طرائق الاستخراج المصممة للتعامل مع ظروف بيانية خاصة يواجهها الباحثون في الميدان:

• طريقة المربعات الصغرى غير الموزونة (Unweighted Least Squares – ULS): تسعى هذه الطريقة إلى تقليل مجموع الفروق المربعة بين مصفوفة الارتباط المشاهدة ومصفوفة الارتباط المستنسخة من العوامل، مع تجاهل أوزان المتغيرات. تتميز ULS بكفاءتها الممتازة عندما تكون العينة صغيرة ولا تتبع التوزيع الطبيعي، وتُعد ممتازة لتجنب مشكلات عدم التقارب الحسابي.
• طريقة المربعات الصغرى المعممة (Generalized Least Squares – GLS): تشبه طريقة ULS ولكنها تقوم بوزن الفروق المربعة عكسياً مع مقدار التباين المتفرد لكل متغير؛ مما يعني إعطاء وزن وتأثير أكبر للمتغيرات ذات الاشتراكية العالية والارتباطات القوية. تشترك هذه الطريقة مع ML في اشتراط التوزيع الطبيعي المتعدد لضمان دقة نتائجها.
• طريقة الحد الأدنى للبواقي (Minimum Residuals – MinRes): تُعد هذه الطريقة الحسابية من أذكى البدائل لطريقة المحاور الرئيسية؛ حيث تقوم بتعظيم التطابق على العناصر خارج القطر الرئيسي فقط لمصفوفة الارتباط متجاهلة القطر الرئيسي تماماً في البداية لتفادي أخطاء تقدير الاشتراكيات الأولية، وهي الطريقة المفضلة في حزم الحوسبة الحديثة مثل حزمة psych في بيئة R.

6. معايير تحديد عدد العوامل المستخرجة (Factor Retention Criteria)

6.1 معيار كايزر للقيم الذاتية (Kaiser Criterion: Eigenvalue > 1)

يُعد معيار كايزر (المعروف أيضاً بقاعدة كايزر-جتمان Kaiser-Guttman Rule) أكثر المعايير شهرة وتطبيقاً في البرمجيات الإحصائية التقليدية نظراً لبساطته المباشرة؛ حيث ينص المعيار على الاحتفاظ بجميع العوامل التي تزيد قيمتها الذاتية (Eigenvalue) عن الواحد الصحيح ($> 1.00$) وإسقاط ما دون ذلك.

يستند المنطق النظري لهذه القاعدة إلى افتراض أن المتغير الملاحظ المعياري يمتلك تبايناً مقداره (1.00)؛ وبالتالي فإن أي عامل كامن يستحق الاستبقاء يجب أن يفسر قدراً من التباين يزيد على الأقل عما يقدمه متغير مفرد واحد. غير أن الدراسات المنهجية والمحاكاة الإحصائية على مدى العقود الماضية وجهت انتقادات لاذعة وحاسمة لهذا المعيار؛ إذ ثبت تجريبياً أنه يميل في الغالبية العظمى من الحالات إلى الإفراط الشديد في استخراج العوامل (Over-Extraction)، وخاصة عندما يكون عدد المتغيرات كبيراً (أكثر من 20 متغيراً)، مما يؤدي إلى تفتيت الظاهرة النفسية واستخراج عوامل مشوهة وهامشية.

تقتصر دقة هذا المعيار فقط على حالات ضيقة ونادرة، وتحديداً عندما يتراوح عدد المتغيرات بين 10 إلى 15 متغيراً مع وجود اشتراكيات مرتفعة جداً تتجاوز 0.70؛ ولذلك يُجمع علماء القياس اليوم على عدم جواز الاعتماد المنفرد على معيار كايزر في اتخاذ القرار العاملي النهائي.

6.2 اختبار الرسم البياني للانحدار (Cattell’s Scree Test)

اقترح عالم النفس الأمريكي ريموند كاتل (Raymond Cattell) عام 1966 اختبار الرسم البياني للتدرج أو الانحدار (Scree Plot) كبديل بصري لمعيار كايزر. يُرسم هذا المنحنى بوضع أرقام العوامل على المحور الأفقي وقيمها الذاتية المرتبطة بها على المحور الرأسي بترتيب تنازلي متتابع.

استعار كاتل مصطلح (Scree) من الجيولوجيا، وهو يشير إلى الحصى والركام المتراكم عند سفح الجبل الصخري. يقوم المنطق الإحصائي للاختبار على التمييز البصري بين جزأين رئيسيين في المنحنى: المنحدر الشديد الصاعد (الذي يمثل العوامل الجوهرية الحقيقية ذات القيم الذاتية الكبيرة)، ومنطقة الاستواء أو القاع التدريجي (التي تمثل العوامل الهامشية الناتجة عن أخطاء القياس والعشوائية). يُحدد عدد العوامل الواجب الاحتفاظ بها بالنظر إلى نقطة الانكسار أو الكوع (Elbow Point)، والاحتفاظ بجميع العوامل السابقة مباشرة لتلك النقطة التي يبدأ بعدها المنحنى في الاستواء التام.

ورغم القيمة المضافة العالية لاختبار كاتل وتفوقه على قاعدة كايزر، فإن المأخذ الأكبر عليه يتمثل في الذاتية (Subjectivity) الملازمة للتفسير البصري؛ حيث يواجه الباحثون في البيانات الواقعية غموضاً في تحديد نقطة الانكسار عند وجود أكثر من نقطة تحول أو عندما يكون الهبوط تدريجياً، مما يؤدي إلى تباين القرارات بين باحث وآخر لنفس مجموعة البيانات.

6.3 التحليل الموازي لهورن (Horn’s Parallel Analysis)

يُعد التحليل الموازي (Parallel Analysis – PA) الذي ابتكره جون هورن عام 1965 هو المعيار الذهبي (Gold Standard) والأكثر دقة وموثوقية إحصائياً في تحديد عدد العوامل الواجب استبقاؤها في التحليل العاملي الاستكشافي، وهو ما توصي به الجمعيات والمجلات العلمية المحكمة عالمياً.

تقوم الخوارزمية الرياضية للتحليل الموازي على مبدأ المحاكاة الإحصائية البارعة؛ حيث يتم توليد عدد ضخم من مصفوفات البيانات العشوائية الاصطناعية (مثلاً 500 أو 1000 مصفوفة عشوائية) تمتلك نفس أبعاد البيانات الأصلية بالضبط (نفس حجم العينة $N$ ونفس عدد المتغيرات $p$). بعد ذلك، يتم إجراء التحليل العاملي على هذه المصفوفات العشوائية وحساب متوسط القيم الذاتية (أو القيمة الذاتية عند المئين 95 لتكون أكثر تحفظاً ودقة) الناتجة عن الصدفة والعشوائية المحضة.

يتم اتخاذ قرار الاستبقاء بمقارنة القيم الذاتية المشاهدة من البيانات الحقيقية بالقيم الذاتية العشوائية الموازية لها؛ ولا يتم الاحتفاظ إلا بالعامل الذي تزيد قيمته الذاتية الحقيقية عن نظيرتها الناتجة عن المحاكاة العشوائية ($Eigenvalue_{Real} > Eigenvalue_{Random}$). تُسقط فوراً كل العوامل التي تنخفض قيمتها الذاتية عن المتوسط العشوائي، لكونها تمثل تباينات ناتجة عن الصدفة وضجيج المعاينة وليست أبعاداً بنائية حقيقية.

6.4 معايير التباين المفسر الإجمالي والملاءمة النظرية

إلى جانب الطرق الكمية والمحاكاة، تلعب نسبة التباين التراكمي المفسر دوراً تكميلياً في التوجيه؛ ففي العلوم الاجتماعية والنفسية، يُعتبر الحل العاملي مقبولاً ومقنعاً إذا نجحت العوامل المستبقاة مجتمعة في تفسير ما لا يقل عن 50% إلى 60% من التباين الكلي المشترك للبيانات، مع الأخذ بالاعتبار طبيعة التعقيد الإنساني التي تحول دون الوصول للنسب العالية المألوفة في العلوم الطبيعية (مثل 80% فما فوق).

ومع ذلك، يظل معيار القابلية للتفسير النظري (Theoretical Interpretability) هو الحكم النهائي والبوصلة الموجهة للباحث؛ فالرياضيات توفر حلولاً متعددة، لكن الباحث هو المعني بملء هذه الحلول بالمعنى السيكولوجي. إذا قاد حل من أربعة عوامل مستند إلى التحليل الموازي إلى عامل يتضمن بنداً واحداً غير مفهوم أو بنوداً متنافرة منطقياً لا يمكن تأطيرها تحت مفهوم نظري رصين، فإن مراجعة الحل واختيار ثلاثة عوامل—شريطة التماسك الدلالي—يُعد قراراً منهجياً سليماً يُبرره الباحث في تقريره.

7. أساليب تدوير العوامل (Factor Rotation Techniques) وتفسيرها

7.1 الغاية المنهجية من تدوير العوامل ومفهوم البنية البسيطة (Simple Structure)

عند استخراج العوامل في مرحلتها الأولى الأولية، تكون المصفوفة العاملية غير المدورة (Unrotated Factor Matrix) معقدة حسابياً وغامضة سيكولوجياً؛ حيث يميل العامل الأول إلى التشبع بمعظم المتغيرات بقيم موجبة مرتفعة، بينما تتوزع باقي العوامل على تشبعات متناثرة تجمع بين الإيجاب والسلب بصورة يستحيل معها تفسير الأبعاد المستقلة للظاهرة. هنا تبرز الغاية المنهجية من تدوير العوامل (Factor Rotation) كإعادة تموضع وتدوير للمحاور الهندسية في الفضاء متعدد الأبعاد دون المساس بمقدار التباين الإجمالي المشترك المفسر.

يهدف التدوير إلى تحقيق ما اصطلح عليه عالم القياس لويس ثيرستون (Louis Thurstone) عام 1947 بـ البنية البسيطة (Simple Structure)؛ والتي تقوم على مبادئ أساسية تجعل التفسير السيكولوجي جلياً ومباشراً، وتتلخص في النقاط التالية:

• أن يحتوي كل صف في المصفوفة (أي كل بند) على تشبع واحد كبير على عامل واحد فقط، وتكون تشبعاته على باقي العوامل قريبة من الصفر.
• أن يحتوي كل عمود (أي كل عامل) على مجموعة متميزة من البنود ذات التشبعات العالية، بينما تكون باقي بنود المقياس غير متشبعة عليه.
• التقليل إلى أقصى حد من البنود ذات التشبعات المتقاطعة (Cross-Loading) التي تتشبع بقوة على أكثر من عامل في الوقت نفسه.

7.2 التدوير المتعامد (Orthogonal Rotation): فاريماكس والخيارات الأخرى

يقوم التدوير المتعامد (Orthogonal Rotation) على فرضية رياضية صارمة تفترض أن العوامل الكامنة المستخرجة مستقلة تماماً وغير مترابطة فيما بينها، مما يعني أن الزاوية بين محاور العوامل تظل ثابتة عند 90 درجة هندسية، ويكون معامل الارتباط بين أي عاملين مساوياً للصفر تماماً ($r = 0.00$). تتعدد أساليب التدوير المتعامد وفق معادلات تعظيم التباين المستهدفة:

• تدوير فاريماكس (Varimax): هو الأسلوب الأكثر انتشاراً واستخداماً؛ ويهدف إلى تعظيم تباين مربعات التشبعات لكل عامل على حدة (أي عبر الأعمدة). يعمل فاريماكس على دفع التشبعات العالية لتصبح أعلى ما يمكن، ودفع التشبعات المتوسطة والمنخفضة نحو الصفر، مما يسهل بشكل مذهل عزل العوامل وتسميتها بوضوح لا لبس فيه.
• تدوير كوارتيماكس (Quartimax): يركز على تعظيم التباين عبر الصفوف بدلاً من الأعمدة؛ بهدف تبسيط تفسير كل متغير مفرداً عن طريق جعله يتشبع على عامل واحد فقط. يعاب عليه ميله لإنتاج عامل عام رئيسي يتشبع بمعظم البنود.
• تدوير إيكواماكس (Equamax): يمثل حلاً وسطاً رياضياً يجمع بين خصائص فاريماكس وكوارتيماكس في آن واحد لتبسيط الصفوف والأعمدة معاً، إلا أنه أقل استخداماً واستقراراً في الميدان.

وعلى الرغم من المزايا الرياضية للتدوير المتعامد في تقديم أبعاد غير متداخلة تفيد في تجنب التعددية الخطية في الانحدار، فإن افتراض الاستقلال التام بين العوامل النفسية نادراً ما يتطابق مع الواقع الإنساني؛ فالسمات الشخصية والمشاعر والقدرات المعرفية تتداخل وتتفاعل دوماً فيما بينها في العالم الحقيقي.

7.3 التدوير المائل (Oblique Rotation): بروماكس وأوبليمين المباشر

يتجاوز التدوير المائل (Oblique Rotation) القيود غير الواقعية للتعامد؛ حيث يسمح لمحاور العوامل بأن تدور بحرية بزوايا حادة أو منفرجة تختلف عن 90 درجة، مما يتيح وجود ارتباطات واقعية بين العوامل الكامنة المستخرجة تعكس التشابك الطبيعي للسمات السيكولوجية المدروسة.

• طريقة أوبليمين المباشر (Direct Oblimin): تتيح هذه الطريقة للباحث التحكم في درجة ميل العوامل وارتباطها المتبادل عبر معامل وسيط يُعرف بـ (دلتا – $\delta$). القيمة الافتراضية الشائعة هي ($\delta = 0$) وتوفر تداخلاً مائلاً سلساً ومستقراً.
• طريقة بروماكس (Promax): تُعد الطريقة الأكثر كفاءة وسرعة حسابياً؛ حيث تبدأ بإجراء تدوير فاريماكس متعامد أولي، ثم ترفع قيم التشبعات الناتجة إلى قوى حسابية (عادة القوة 4) لتقليص التشبعات الصغيرة وزيادة الكبيرة، ثم تعيد توجيه المحاور لتناسب تلك البنية المائلة بكفاءة عالية جداً في العينات الكبيرة.

يتميز التدوير المائل بإنتاج مصفوفتين أساسيتين للنتائج يجب على الباحث التمييز بينهما بدقة تامة:

• مصفوفة النمط (Pattern Matrix): تحتوي على معاملات الانحدار المعيارية الفريدة التي تعبر عن التأثير المباشر لكل عامل على البند بعد عزل وضبط تأثير كافة العوامل الأخرى. هذه هي المصفوفة الأساسية المعتمدة التي يجب قراءتها وتفسيرها وتضمينها في الجداول البحثية.
• مصفوفة البنية (Structure Matrix): تحتوي على معاملات الارتباط البسيطة بين البنود والعوامل دون عزل الارتباطات البينية بين العوامل؛ مما يجعل التشبعات فيها أعلى وأكثر تداخلاً، وتُستخدم فقط لفهم الارتباطات الإجمالية غير المنضبطة.
• مصفوفة ارتباط العوامل (Factor Correlation Matrix): توفر معاملات الارتباط بين العوامل الكامنة نفسها؛ وإذا كانت معاملات الارتباط بين العوامل منخفضة جداً ($r < .20$ أو $.30$)، فإن الحل المتعامد والحل المائل يعطيان نتائج متطابقة تقريباً.

8. إجراءات تنقية البنود وتحديد معايير الحذف والاحتفاظ

8.1 معايير الحد الأدنى للتشبع العاملي (Factor Loading Thresholds)

عقب إتمام عملية التدوير، يدخل الباحث مرحلة الفحص المجهري لمصفوفة النمط لتقييم مدى انتماء كل بند لعوامله المقابلة. يُقاس ثقل البند بقيمة تشبعه العاملي؛ ووفقاً للأعراف السيكومترية المستقرة (مثل معايير Hair et al., 2019؛ وTabachnick & Fidell, 2019):

• 0.30 فما فوق: يمثل الحد الأدنى المطلق لقَبول مساهمة البند في تفسير العامل الكامن.
• 0.40 فما فوق: تشبع مستقر ومقبول جداً في معظم التطبيقات السيكولوجية.
• 0.50 فما فوق: تشبع عملي وقوي يدل على متانة البند.
• 0.70 فما فوق: تشبع ممتاز يدل على أن البند يمثل العامل بصورة نموذجية ويفسر بمفرده نحو 50% من تباينه المشترك.

ترتبط الدلالة الإحصائية للتشبع العاملي ارتباطاً عكسياً بحجم العينة؛ ففي العينات الضخمة ($N > 350$)، يمكن لラのشبعات الصغيرة مثل 0.30 أن تكون دالة إحصائياً عند ($p < .05$)، بينما في العينات الصغيرة ($N \approx 100$)، يتعين ألا يقل التشبع عن 0.55 لضمان دلالته الإحصائية واستقراره.

أما بخصوص التشبعات العاملية السالبة، فإذا ظهر بند بتشبع سالب مرتفع (مثل -0.65) على عامل تتشبع عليه باقي البنود إيجابياً، فإن هذا يُعزى في الغالب إلى الصياغة العكسية للبند (Reverse-Coded Item). يجب على الباحث التأكد من إعادة ترميز استجابات هذا البند قبل إجراء التحليلات لضمان اتساق الاتجاه الدلالي.

8.2 معالجة التشبعات المتقاطعة (Cross-Loadings) والبنود الشاردة

تُعد مشكلة التشبع المتقاطع (Cross-Loading) من أكثر المشكلات إرباكاً في التحليل العاملي؛ وتحدث عندما يحقق بند واحد تشبعات مرتفعة تتجاوز الحد الأدنى (مثلاً $ge 0.32$ أو $0.40$) على عاملين مختلفين أو أكثر في الوقت ذاته. لمعالجة هذه المعضلة منهجياً، تُطبق قاعدة الفارق الحرج (Cutoff Difference Rule)؛ والتي تنص على أن الفرق المطلق بين أعلى تشبع للبند والتشبع التالي له على أي عامل آخر يجب ألا يقل عن 0.20 (أو 0.15 في بعض المدارس الأقل تحفظاً).

إذا كان الفارق بين التشبعين أقل من 0.20 (مثلاً: تشبع البند على العامل الأول = 0.54، وعلى العامل الثاني = 0.42، فالفارق 0.12 فقط)، يُصنف البند كبند متقاطع غامض دلالياً يتعين حذفه من المقياس، لأنه يقيس مفهومين متمايزين في آن واحد ويهدم الصدق البنائي للأداة.

كما تشمل معايير الحذف البنود الشاردة أو الضعيفة (Non-performing Items)؛ وهي البنود التي تفشل في تحقيق الحد الأدنى للتشبع (أقل من 0.30 أو 0.40) على أي عامل من العوامل المستخرجة، أو تلك التي تمتلك اشتراكية نهائية متدنية جداً ($h^2 < .30$). يجب أن تتم عملية التنقية بصورة تكرارية خطوة بخطوة (Iterative Purification)؛ حيث يُحذف أسوأ بند بمفرده أولاً، ثم يُعاد تشغيل التحليل العاملي بالكامل، وفحص المصفوفة الجديدة، وتكرار الحذف حتى الاستقرار على بنية نقية تماماً.

8.3 الحد الأدنى لعدد البنود المكونة للعامل الواحد

تفرض الرصانة المنهجية قواعد حاسمة تتعلق بعدد البنود اللازمة لتكوين واستقرار أي عامل كامن؛ تنص القاعدة السيكومترية الذهبية على أن كل عامل يجب أن يتشبع بما لا يقل عن ثلاثة بنود قوية ونقية ومستقلة (Three Items per Factor) كحد أدنى مطلق لضمان التعريف الرياضي والتعيين الكامل للنموذج (Model Identification).

تُصنف العوامل التي تستقر على بند واحد باسم العوامل الأحادية (Singletons)، والتي تستقر على بندين باسم العوامل الثنائية (Doublets). تُعد هذه العوامل غير مستقرة سيكومترياً وعرضة للانهيار عند إعادة التطبيق في عينات جديدة، وينبغي في حال ظهورها إما حذف تلك العوامل والبنود التابعة لها، أو إعادة النظر في عدد العوامل المستخرجة كلياً.

عقب الاستقرار على توزيع البنود، يجب قياس الاتساق الداخلي لكل عامل مفرداً؛ ولا يُكتفى اليوم بـ معامل ألفا كرونباخ (Cronbach’s $\alpha$) لتحفظاته واشتراطه لمطابقة تاو (Tau-Equivalence)، بل يُوصى بحساب معامل أوميغا ماكدونالد (McDonald’s $\omega$) الذي يأخذ بالاعتبار التباين الفعلي لأوزان التشبعات العاملية للبنود، ويجب ألا تقل قيمة الثبات لأي بعد عن 0.70.

9. مثال تطبيقي عملي: تقنين مقياس الاحتراق النفسي الأكاديمي

9.1 توصيف البيانات النفسية والتحضير الأولي للتحليل

لتجسيد كافة الخطوات النظرية السابقة في سياق واقعي، نفترض دراسة تطبيقية استهدفت تقنين وبناء “مقياس الاحتراق النفسي الأكاديمي” لدى طلاب الجامعات. طُبق مقياس أولي مؤلف من 15 بنداً مصاغة وفق مقياس ليكرت الخماسي (من 1 = لا ينطبق مطلقاً، إلى 5 = ينطبق تماماً) على عينة بحثية قوامها 400 طالب وطالبة ($N = 400$) من كليات مختلفة، محققين نسبة مفحوصين إلى بنود تفوق 26:1، وهي نسبة ممتازة جداً تضمن استقرار المصفوفة.

أظهرت الفحوص الاستكشافية المبدئية للبيانات النتائج التالية:

• قيمة مقياس كايزر-ماير-أولكين (KMO) بلغت 0.884، وهي قيمة ممتازة تبرهن على كفاية العينة وقوة التباين المشترك بين البنود لإجراء التحليل.
• جاءت نتيجة اختبار بارتليت للكروية دالة إحصائياً بدرجة فائقة ($\chi^2(105) = 2845.62, p < .001$)، مما أتاح رفض الفرضية الصفرية القائلة بأن مصفوفة الارتباط تمثل مصفوفة وحدة.
• بلغ محدد مصفوفة الارتباط 0.00078، وهو أكبر بكثير من الحد الحرج (0.00001)، مؤكداً خلو البيانات من التعددية الخطية التامة.
• أظهر التحليل الموازي (Parallel Analysis) والرسم البياني للانحدار (Scree Plot) تفوق القيم الذاتية الحقيقية لثلاثة عوامل فقط على نظيراتها العشوائية عند المئين 95 (حيث بلغت القيم الذاتية الحقيقية للعوامل الثلاثة الأولى: 5.42، 2.31، و 1.58 على التوالي، بينما بلغت القيم المحاكاة: 1.35، 1.26، و 1.19)، في حين انحدر العامل الرابع إلى 0.89 متراجعاً خلف القيمة العشوائية (1.14)، مما حسم القرار باستبقاء ثلاثة عوامل كامنة.

9.2 استخراج العوامل وتطبيق التدوير المائل على البيانات التجريبية

تم استخراج العوامل الثلاثة باستخدام طريقة المحاور الرئيسية (Principal Axis Factoring – PAF) نظراً لملاءمتها للبيانات السيكومترية، متبوعة بتطبيق التدوير المائل بأسلوب بروماكس (Promax Rotation, $kappa = 4$) نظراً لوجود ارتباطات منطقية متوقعة بين أبعاد الاحتراق النفسي. فسرت العوامل الثلاثة مجتمعة ما نسبته 57.82% من التباين الكلي المشترك للبيانات.

خلال عمليات التنقية التكرارية، تبيّن أن البند رقم (7) يعاني من تشبع منخفض للغاية (0.24) على كافة العوامل، بينما عانى البند رقم (12) من تشبع متقاطع شديد (0.46 على العامل الأول و 0.41 على العامل الثاني بفارق 0.05 فقط)، فتم حذفهما بالتتابع وإعادة تشغيل التحليل للوصول إلى مصفوفة نقية مؤلفة من 13 بنداً مستقرة تماماً.

جدول (1): مصفوفة النمط بعد التدوير المائل (بروماكس) لمقياس الاحتراق النفسي الأكاديمي (N = 400)

رمز البند ومحتواه المختصر	العامل 1: الإجهاد الانفعالي	العامل 2: تبلد المشاعر	العامل 3: تدني الإنجاز	الاشتراكية (h2)
بند 1: أشعر بالاستنزاف التام في نهاية اليوم الدراسي	0.842	-0.031	0.052	0.694
بند 2: الاستيقاظ لمواجهة الدراسة يسبب لي توتراً	0.795	0.045	-0.021	0.641
بند 3: أشعر بالإنهاك الذهني والبدني من الواجبات	0.761	0.082	0.014	0.612
بند 4: طاقتي الحيوية تكاد تنفد مع متطلبات التخصص	0.688	-0.054	0.089	0.518
بند 5: الدراسة تضغط على أعصابي بشكل متواصل	0.623	0.091	-0.047	0.435
بند 6: أصبحت أكثر لامبالاة بمصير زملائي الأكاديمي	0.012	0.811	0.035	0.665
بند 8: فقدت التعاطف والاهتمام بالأنشطة الجامعية	0.065	0.774	-0.018	0.622
بند 9: أتعامل مع المحاضرات برود وبشكل آلي بحت	-0.041	0.723	0.061	0.539
بند 10: أشعر بتباعد نفسي بيني وبين أساتذتي وزملائي	0.088	0.655	-0.042	0.468
بند 11: أعتقد أنني عاجز عن تحقيق إنجاز أكاديمي قيم	0.032	-0.025	0.834	0.687
بند 13: أشعر بتدني كفاءتي في حل المشكلات الدراسية	-0.019	0.048	0.781	0.619
بند 14: قلّت ثقتي بقدرتي على التفوق واجتياز الاختبارات	0.074	-0.012	0.719	0.542
بند 15: لم أعد أشعر بأي بهجة عند إتمام مهامي الدراسية	0.058	0.087	0.635	0.473

9.3 تسمية العوامل وحساب الثبات والاتساق الداخلي للأبعاد

عقب الحصول على مصفوفة نمط تتطابق مع شروط البنية البسيطة (Simple Structure)، تمت تسمية الأبعاد المستخرجة استناداً إلى المحتوى السيكولوجي للبنود المتشبعة بكل دقة:

• العامل الأول: الإجهاد الانفعالي الأكاديمي (Emotional Exhaustion): تشبعت عليه 5 بنود (1، 2، 3، 4، 5) بتشبعات تراوحت بين 0.623 و 0.842. تعكس هذه البنود مشاعر الإنهاك والاستنزاف الجسدي والنفسي جراء ضغوط الدراسة. فسر هذا العامل بمفرده 28.4% من التباين الكلي المشترك. بلغ معامل ثبات أوميغا ماكدونالد لهذا البعد ($\omega = 0.89$)، ومعامل ألفا كرونباخ ($\alpha = 0.88$).
• العامل الثاني: تبلد المشاعر الأكاديمي (Depersonalization / Cynicism): تشبعت عليه 4 بنود (6، 8، 9، 10) بتشبعات تراوحت بين 0.655 و 0.811. تقيس هذه الفقرات الموقف الانفصالي السلبي والبرود واللامبالاة تجاه البيئة التعليمية والزملاء. فسر هذا العامل 16.2% من التباين المشترك. وبلغ معامل الثبات ($\omega = 0.84$)، بينما بلغ ($\alpha = 0.83$).
• العامل الثالث: تدني الشعور بالإنجاز الأكاديمي (Reduced Academic Efficacy): تشبعت عليه 4 بنود (11، 13، 14، 15) بتشبعات تراوحت بين 0.635 و 0.834. تعبر هذه البنود عن تقييم الطالب السلبي لكفاءته وتراجع ثقته بقدراته على الإنجاز. فسر العامل 13.22% من التباين المشترك، وبلغ ثبات أوميغا ($\omega = 0.85$)، بينما بلغ ألفا ($\alpha = 0.84$).

أظهرت مصفوفة الارتباط بين العوامل الكامنة (Factor Correlation Matrix) وجود ارتباطات إيجابية دالة إحصائياً؛ حيث ارتبط العامل الأول (الإجهاد) بالعامل الثاني (التبلد) بمعامل ($r = .48$)، وبالعامل الثالث (تدني الإنجاز) بمعامل ($r = .39$)، بينما ارتبط العامل الثاني بالثالث بمعامل ($r = .42$)، مما يبرر تماماً الاعتماد المنهجي على التدوير المائل بدلاً من التدوير المتعامد الذي كان سيلغي هذه العلاقات الواقعية قسراً.

10. تفسير النتائج الإحصائية وكتابة التقرير وفق معايير جمعية علم النفس الأمريكية (APA 7th)

10.1 صياغة نتائج التحليل العاملي في نص التقرير البحثي

يتطلب إعداد تقرير التحليل العاملي التزاماً دقيقاً ومفصلاً بالإرشادات المنصوص عليها في دليل النشر لجمعية علم النفس الأمريكية (APA Publication Manual, 7th Edition). يُعرض النص التفسيري متضمناً كافة الإحصاءات والخطوات المنهجية بالصياغة الأكاديمية النموذجية التالية:

“أُجري تحليل عاملي استكشافي (EFA) على بنود مقياس الاحتراق النفسي الأكاديمي البالغ عددها 15 بنداً والمطبقة على عينة من طلاب الجامعة (N = 400). أظهرت الفحوص المبدئية ملاءمة البيانات للتحليل العاملي؛ حيث بلغ مقياس كايزر-ماير-أولكين لكفاية العينة (KMO = .88)، وجاء اختبار بارتليت للكروية دالاً إحصائياً بدرجة عالية، $\chi^2(105) = 2845.62, p < .001$، مع قيمة محدد للمصفوفة بلغت .00078، مما يؤكد انتفاء مشكلة التعددية الخطية التامة. أشار التحليل الموازي لهورن (Horn's Parallel Analysis) بالاعتماد على 1000 مصفوفة مولدة عشوائياً (المئين 95)، بالتوافق مع فحص الرسم البياني للانحدار (Scree Plot)، إلى استبقاء ثلاثة عوامل كامنة تجاوزت قيمها الذاتية الحقيقية نظيراتها المحاكاة عشوائياً.

طُبقت طريقة استخراج المحاور الرئيسية (Principal Axis Factoring) متبوعة بالتدوير المائل بطريقة بروماكس (Promax, $kappa = 4$). خلال جولات التنقية، تم حذف البندين (7 و 12) لعدم بلوغ الأول حد التشبع الأدنى (.30) ولوجود تشبع متقاطع حرج في الثاني بفارق يقل عن .20. فسر الحل العاملي النهائي المكون من 13 بنداً موزعة على ثلاثة عوامل ما نسبته 57.82% من التباين المشترك الإجمالي. توزعت البنود بوضوح تام وفق معايير البنية البسيطة لثيرستون؛ حيث ضم العامل الأول (الإجهاد الانفعالي) خمسة بنود بتشبعات تراوحت بين (.62 و .84، $\omega = .89$)، وضم العامل الثاني (تبلد المشاعر) أربعة بنود بتشبعات بين (.66 و .81، $\omega = .84$)، في حين تشبعت على العامل الثالث (تدني الشعور بالإنجاز) أربعة بنود بتشبعات بين (.64 و .83، $\omega = .85$). يوضح الجدول (1) مصفوفة النمط وقيم الاشتراكيات والتباين المفسر.”

10.2 تصميم الجداول والمصفوفات العاملية وفق معايير APA

تشترط معايير APA تنسيقاً صارماً للجداول الإحصائية؛ حيث يُمنع استخدام الخطوط العمودية داخل الجدول، ويُكتفى بثلاثة خطوط أفقية رئيسية فقط (أعلى وأسفل رأس الجدول، وخط نهائي في أسفل الجدول). علاوة على ذلك، يجب ترتيب البنود داخل مصفوفة النمط تنازلياً وفقاً لقيم تشبعاتها داخل كل عامل، مع إبراز قيم التشبع الأساسية (Bold) وحجب التشبعات المتدنية الأقل من حد معين (مثل حجب ما دون 0.20) لتسهيل القراءة، وإدراج مصفوفة ارتباط العوامل أسفل التقرير أو كجدول فرعي مستقل.

جدول (2): مصفوفة ارتباط العوامل الكامنة المستخرجة لمقياس الاحتراق النفسي الأكاديمي

العوامل الكامنة	العامل 1	العامل 2	العامل 3
1. الإجهاد الانفعالي	1.00	–	–
2. تبلد المشاعر الأكاديمي	.48**	1.00	–
3. تدني الشعور بالإنجاز	.39**	.42**	1.00

ملاحظة. طُبقت طريقة استخراج المحاور الرئيسية مع تدوير بروماكس المائل. ** p < .001 (اختبار ثنائي الذيل).

11. الأخطاء الشائعة والتحيزات المنهجية في تطبيق التحليل العاملي

11.1 أخطاء في اختيار النماذج والأساليب الإحصائية

يقع عدد كبير من الباحثين في منزلقات إحصائية شائعة تؤثر سلباً على جودة ومصداقية الأبحاث المنشورة، ومن أبرز هذه الممارسات الخاطئة:

• الاعتماد الأعمى على الإعدادات الافتراضية للبرمجيات (Default Settings Bias): تشغيل التحليل في برمجيات مثل SPSS بالخيارات التلقائية التي تطبق تحليل المكونات الرئيسية (PCA) وتدوير فاريماكس المتعامد (Varimax)، دون التفكير في ملائمة هذا الاختيار لبناء المقاييس السيكومترية أو واقعية فرضية التعامد.
• تجاهل الطبيعة الترتيبية لمقاييس ليكرت: تطبيق معامل ارتباط بيرسون الخطي العادي على بيانات متقطعة وترتيبية ذات فئات محدودة ومنحرفة التوزيع، مما يؤدي إلى تشويه مصفوفة الارتباط واستخراج عوامل زائفة تسمى أحياناً “عوامل الصعوبة” (Difficulty Factors)، بدلاً من استخدام مصفوفات الارتباط المتعدد الدرجات (Polychoric).
• الارتهان الحصري لقاعدة كايزر (Eigenvalue > 1): التمسك التام بالاحتفاظ بالعوامل التي تزيد قيمتها عن 1.00 دون الرجوع للتحليل الموازي أو الملاءمة النظرية، وهو ما يقود حتماً في معظم المقاييس إلى تضخيم عدد الأبعاد وتشظي المقاييس.

11.2 أخطاء في تفسير البيانات وحذف البنود

تمتد الأخطاء أيضاً إلى مرحلة ما بعد الاستخراج وقرارات التنقية والتفسير، وتتجلى في السلوكيات المنهجية التالية:

• الحذف الآلي للبنود دون فحص الصدق الظاهري والمحتوى: حذف البنود الإشكالية إحصائياً بسرعة دون مراجعة تأثير ذلك على تمثيل البعد النظري المراد قياسه، مما قد يجرد المقياس من فقرات جوهرية تغطي أبعاداً حيوية من الظاهرة السيكولوجية.
• إعادة تسمية العوامل بأسماء تلفيقية: محاولة إطلاق مسميات متكلفة على عوامل شاردة تتشبع ببنود غير متجانسة منطقياً لمجرد أنها ظهرت في مصفوفة النمط، بدلاً من التحلي بالشجاعة الأكاديمية وحذف تلك التجميعات المصطنعة.
• تطبيق التحليل التوكيدي (CFA) على نفس عينة التحليل الاستكشافي (EFA): ارتكاب خطأ التعميم الدائري الفادح؛ حيث يقوم الباحث بتنقية البنية عبر EFA على عينة معينة، ثم يطبق CFA على نفس العينة ذاتها ليزعم تحقق المطابقة العالية، وهو تضليل إحصائي يستوجب تقسيم العينة المستقلة أو جمع بيانات جديدة تماماً.
• تجاهل حالات هايوود (Heywood Cases): إهمال التحقق من منطقية قيم الاشتراكيات؛ حيث يتجاهل بعض الباحثين ظهور اشتراكية تتجاوز 1.0 أو تباين خطأ سالب، وهو ما يدل على انهيار رياضي في الحل العاملي يستوجب تعديل العوامل أو تغيير طريقة الاستخراج.

12. البرمجيات الإحصائية وتطبيقاتها في التحليل العاملي والاتجاهات الحديثة

12.1 تنفيذ التحليل العاملي عبر البرمجيات الإحصائية الشائعة

تتنوع المنصات والبرمجيات الإحصائية المستخدمة في إجراء التحليل العاملي باختلاف درجة تعقيد التصميم البحثي واحتياجات الباحث:

• برنامج IBM SPSS Statistics: يُعد الأداة الأكثر شيوعاً في البيئات التعليمية والأكاديمية التقليدية. يتيح واجهة رسومية سهلة لإجراء EFA عبر قائمة (Dimension Reduction $\rightarrow$ Factor)، مع إمكانية ضبط طريقة الاستخراج يدوياً إلى (Principal Axis Factoring) والتدوير إلى (Promax أو Direct Oblimin) لضمان الخيارات السليمة.
• لغة البرمجة R والبيئة الإحصائية: تمثل المنصة الأقوى والأكثر مرونة ودقة للباحثين المتقدمين. توفر حزمة psych الرائدة دوال فائقة التطور، مثل دالة fa() لإجراء EFA، ودالة fa.parallel() لتنفيذ التحليل الموازي بدقة خوارزمية متناهية، إلى جانب حزمة lavaan الرائدة في إجراء التحليل العاملي التوكيدي (CFA) ونمذجة المعادلات الهيكلية ونمذجة البيانات الترتيبية بكفاءة عالية.
• برنامجا AMOS و Mplus: يختص برنامج AMOS بتصميم نماذج CFA عبر واجهة رسومية بصرية جاذبة ترتبط بسهولة بـ SPSS، في حين يُعد برنامج Mplus البيئة القياسية الأولى عالمياً للقياس السيكومتري المتقدم؛ لقدرته الفائقة على التعامل مع المتغيرات الكامنة المعقدة، البيانات المفقودة (FIML)، التوزيعات غير الطبيعية، والتحليلات متعددة المستويات (Multilevel Factor Analysis).

12.2 الاتجاهات الحديثة في القياس العاملي والنمذجة النفسية

شهدت السنوات الأخيرة قفزات نوعية في تطوير النماذج العاملية لتواكب تعقيدات البيانات النفسية الحديثة وتتجاوز القيود الكلاسيكية:

• التحليل العاملي الاستكشافي لنمذجة المعادلة الهيكلية (Exploratory Structural Equation Modeling – ESEM): يُعد ESEM ثورة منهجية دمجت مزايا EFA و CFA في إطار واحد؛ حيث يتيح للبنود أن تتشبع بحرية على العوامل الأخرى (كما في EFA) مع الحصول في الوقت ذاته على كافة مؤشرات حسن المطابقة وأخطاء المعاينة واختبار الفرضيات الهيكلية (كما في CFA)، مما يحل مشكلة الإفراط في تقييد النماذج في CFA التقليدي.
• النماذج ثنائية العوامل (Bifactor Models): تُستخدم هذه النماذج عندما يُفترض أن استجابات المفحوصين تعكس سمة عامة شاملة (General Factor – G) تشترك فيها كافة بنود المقياس، إلى جانب عوامل نوعية فرعية مستقلة (Specific Factors – S) تفسر التباين المتبقي الخاص بكل مجال، وهي شائعة جداً في مقاييس الذكاء، جودة الحياة، والاضطرابات النفسية الشاملة.
• تكافؤ القياس وثبات البنية عبر الزمن (Longitudinal Measurement Invariance): نماذج متقدمة في CFA تهدف إلى اختبار ما إذا كان البناء العاملي ومستويات التشبعات وأخطاء القياس تظل ثابتة ومستقرة تماماً عبر فترات زمنية متباعدة أو عبر مجموعات سكانية وثقافية متنوعة، لضمان شرعية المقارنات التتبعية والمقطعية.
• التحليل الشبكي السيكومتري (Psychometric Network Analysis): يمثل الاتجاه الأحدث المنافس للنماذج العاملية الكامنة؛ حيث يفترض التحليل الشبكي أن الأعراض والظواهر النفسية (مثل الاكتئاب أو القلق) ليست ناتجة عن متغير كامن خفي، بل هي شبكة ديناميكية سببية من الأعراض المتفاعلة ذاتياً (Causal Systems)، وتُمثل فيها البنود كعقد (Nodes) والارتباطات بينها كحواف (Edges).

خاتمة

يظل التحليل العاملي الأداة السيكومترية والمنهجية الأرقى التي جسرت الهوة بين المفاهيم النفسية النظرية المجردة والبيانات الإمبراطورية القابلة للقياس والتحليل. إن التطبيق الرصين للتحليل العاملي ليس مجرد نقرات إحصائية آلية على البرمجيات، بل هو ممارسة علمية واعية تتطلب فهماً عميقاً للأسس الرياضية، احتراماً للافتراضات والشروط المسبقة، وحكمة منهجية في الموازنة بين الدقة الكمية والملاءمة السيكولوجية للمفاهيم المدروسة. باتباع الإرشادات والخطوات الواردة في هذا الدليل، يمتلك الباحث المعاصر خريطة طريق متكاملة تضمن لأدواته البحثية متانة الصدق البنائي، ودقة القياس، والقبول في أرفع المحافل العلمية الدولية.

المراجع (References)

• Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Publications. https://www.guilford.com/books/Confirmatory-Factor-Analysis-for-Applied-Research/Timothy-Brown/9781462515363
• 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
• Comrey, A. L., & Lee, H. B. (1992). A first course in factor analysis (2nd ed.). Lawrence Erlbaum Associates.
• 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
• 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
• Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151. https://doi.org/10.1177/001316446002000116
• Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Publications. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
• Marsh, H. W., Morin, A. J., Parker, P. D., & Kaur, G. (2014). Exploratory structural equation modeling: An integration of the best features of exploratory and confirmatory factor analysis. Annual Review of Clinical Psychology, 10, 85–110. https://doi.org/10.1146/annurev-clinpsy-032813-153700
• Muthén, L. K., & Muthén, B. O. (2017). Mplus user’s guide (8th ed.). Muthén & Muthén. https://www.statmodel.com/
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (R package version 2.3.9). Northwestern University. https://cran.r-project.org/package=psych
• Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201–292. https://doi.org/10.2307/1412107
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
• Thurstone, L. L. (1947). Multiple-factor analysis: A development and expansion of The Vectors of Mind. University of Chicago Press.