دليل تحليل المكونات الرئيسية ومثال

تُمثّل دراسة الظواهر النفسية والسلوكية أحد أكثر الحقول العلمية تعقيداً وتشابكاً، نظراً لطبيعة البناءات النفسية (Psychological Constructs) التي لا يمكن رصدها أو قياسها بصورة مباشرة، مثل الذكاء، والقلق، وسمات الشخصية، والاحتراق النفسي. وفي ظل هذا التعقيد، يعتمد الباحثون في القياس النفسي وعلم النفس التجريبي على تصميم استبيانات وبطاريات اختبارية تتألف من عشرات، بل ومئات، البنود والفقرات التي تحاول الإحاطة بمختلف جوانب الظاهرة المدروسة. غير أن هذا التوسع في جمع البيانات يولد معضلة إحصائية ومنهجية كبرى تُعرف في الأدبيات بـ “لعنة الأبعاد” (Curse of Dimensionality)، حيث تتضخم مصفوفات البيانات وتتداخل الارتباطات البينية بين المتغيرات بصورة يصعب معها فهم البنية الجوهرية المفسرة للسلوك، ناهيك عن وقوع النماذج الإحصائية اللاحقة في فخ التعدد الخطي المفرط.

هنا تبرز الأساليب الإحصائية متعددة المتغيرات (Multivariate Statistics) كأدوات حتمية لمعالجة هذه التحديات، وفي مقدمتها تحليل المكونات الرئيسية (Principal Component Analysis – PCA). يُعد هذا الأسلوب الرياضي الرصين حجر الزاوية في مجال تقليص الأبعاد (Dimensionality Reduction)، حيث يهدف إلى تحويل فضاء البيانات الواسع والمتشابك من المتغيرات الأصلية المرتبطة إلى فضاء رياضي جديد يتألف من عدد أقل بكثير من المتغيرات الاصطناعية غير المرتبطة خطياً، والتي تسمى بالمكونات الرئيسية (Principal Components). وتكمن القوة الاستثنائية لتحليل PCA في قدرته على تحقيق هذا الاختزال الهائل مع الحفاظ على أقصى قدر ممكن من التباين الكلي (Total Variance) الكامن في البيانات الأصلية، مما يمنح الباحثين وسيلة دقيقة لضغط المعلومات وتلخيصها دون فقدان جوهرها التفسيري.

يهدف هذا الدليل المنهجي الشامل والموسع إلى تفكيك تقنية تحليل المكونات الرئيسية تفكيكاً دقيقاً وموجهاً لطلاب الدراسات العليا، والباحثين، والأكاديميين في حقول العلوم النفسية والتربوية والاجتماعية. سننتقل عبر هذا الدليل من الجذور الفلسفية والتاريخية للمنهج، مروراً بأسسه الرياضية القائمة على الجبر الخطي والمصفوفات، ومقارنته المنهجية المعمقة مع التحليل العاملي الاستكشافي، وصولاً إلى خطوات الفحص المسبق للبيانات، واستخراج المكونات وتدويرها وتفسيرها، مع تقديم مثال تطبيقي تفصيلي ونموذج متكامل لتقرير النتائج وفق معايير جمعية علم النفس الأمريكية (APA). يُشكل هذا العمل مرجعاً شاملاً لكل من يسعى إلى فهم وتطبيق وتفسير PCA بأعلى درجات الدقة الأكاديمية والرصانة المنهجية.

1. مدخل مفاهيمي إلى تحليل المكونات الرئيسية (PCA) في العلوم النفسية

1.1 تعريف تحليل المكونات الرئيسية وطبيعته الإحصائية

يُعرَّف تحليل المكونات الرئيسية (PCA) بأنه أسلوب إحصائي تحويلي غير معلمي (Non-parametric) يهدف بالأساس إلى تقليص عدد الأبعاد الرياضية لمجموعة من المتغيرات الكمية المترابطة، مع الحفاظ على أكبر نسبة ممكنة من التباين الكلي الموجود في مصفوفة البيانات الأصلية. من الناحية الجبرية، يقوم PCA بإعادة توجيه محاور الإحداثيات للفضاء الهندسي الذي تنتشر فيه درجات المفحوصين، حيث يتم بناء المحور الأول ليمر عبر أطول اتجاه لانتشار البيانات (أي أقصى تباين ممكن)، ثم يُبنى المحور الثاني ليكون عمودياً تماماً (Orthogonal) على المحور الأول ومستوعباً لأكبر قدر متبقٍ من التباين، وتتوالى هذه العملية الرياضية حتى يتساوى عدد المكونات الناتجة مع عدد المتغيرات الأصلية المشاهدة.

إن التحول الجوهري الذي يُحدثه PCA يتمثل في تحويل المتغيرات الأصلية المرتبطة خطياً إلى مجموعة جديدة من المتغيرات المستقلة تماماً إحصائياً (Uncorrelated Variables). وفي سياق القياس النفسي، تعمل هذه المكونات كمؤشرات موجزة أو متغيرات تجميعية تلخص مصفوفات الاستجابة النفسية المعقدة؛ فبدلاً من التعامل مع أربعين فقرة تقيس مظاهر التوتر العصبي وتتداخل فيما بينها بارتباطات متشابكة، يتيح تحليل المكونات الرئيسية استخلاص مكونين أو ثلاثة مكونات تجمع بين ثناياها التباين المشترك والفردي لتلك الفقرات، مما يوفر حلاً رياضياً حاسماً لمعضلة تعدد الأبعاد التي طالما واجهت المقاييس النفسية والسلوكية.

1.2 أهمية تحليل المكونات الرئيسية في القياس والبحث النفسي

تحتل تقنية PCA مكانة بالغة الأهمية في ترسانة المنهجيات الإحصائية المتاحة للباحث النفسي لعدة اعتبارات جوهرية؛ أولها تبسيط بنية الاستبيانات والاختبارات النفسية متعددة البنود، حيث يتيح للباحث فحص كفاءة الأداة وتحديد البنود التي تشترك في تفسير كتل كبرى من التباين السلوكي، وتلك البنود الهامشية أو الفائضة عن الحاجة التي لا تسهم في البناء المقاس، مما يسهم في تنقية الأدوات القياسية وتقصيرها لتخفيف عبء الاستجابة على المفحوصين وتجنب ظاهرة إعياء المستجيبين (Respondent Fatigue).

وثاني هذه الاعتبارات هو قدرة PCA على التغلب على مشكلة التعدد الخطي العالي (Multicollinearity)؛ فعند بناء نماذج التنبؤ النفسي المتقدمة، مثل نماذج الانحدار المتعدد (Multiple Regression) أو التحليل التمييزي (Discriminant Analysis)، يؤدي وجود ارتباطات مرتفعة جداً بين المتغيرات المستقلة إلى تضخيم الأخطاء المعيارية لمعاملات الانحدار وفقدان النموذج لاستقراره الرياضي، وهنا يوفر PCA درجات مكونات مستقلة تماماً ومثالية للاستخدام كمتغيرات تنبؤية. وأخيراً، يلعب التحليل دوراً كبيراً في كشف الأنماط الكامنة والتشكيلات السلوكية في دراسات الشخصية متعددة الأبعاد، والاضطرابات الإكلينيكية المتشابكة، وتدرجات القدرات المعرفية.

1.3 التطور التاريخي للتحليل واستخداماته في القياس النفسي

تعود الجذور التأسيسية لتحليل المكونات الرئيسية إلى مطلع القرن العشرين من خلال الورقة البحثية الرائدة التي نشرها عالم الإحصاء الشهير كارل بيرسون (Karl Pearson) عام 1901 تحت عنوان “On Lines and Planes of Closest Fit to Systems of Points in Space”. في ذلك العمل التأسيسي، طوّر بيرسون المفهوم الهندسي للمحاور الرئيسية لإيجاد الخطوط والمستويات التي تُقلل المسافات العمودية المربعة من نقاط البيانات إلى تلك الخطوط، واضعاً بذلك اللبنة الأولى لتقليص الأبعاد الرياضي دون الاعتماد على نماذج احتمالية معقدة.

وفي ثلاثينيات القرن العشرين، وتحديداً في عام 1933، قام عالم الاقتصاد والإحصاء الرياضي هارولد هوتيلينج (Harold Hotelling) بتطوير الصياغة الجبرية المعاصرة للتحليل بشكل مستقل تماماً عن بيرسون، مُدخلاً مفاهيم الجبر الخطي وتحليل المصفوفات الذاتية واستخراج الجذور الكامنة من مصفوفات الارتباط والتباين المشترك، وهو العمل الذي أطلق عليه رسمياً اسم “تحليل المكونات الرئيسية”. وسرعان ما انتقلت هذه الأداة من الرياضيات البحتة إلى ميدان القياس النفسي على أيدي رواد المقاييس العقلية وسمات الشخصية، لتتحول مع ثورة الحواسيب الشخصية في ستينيات وسبعينيات القرن الماضي إلى واحدة من أكثر التقنيات الإحصائية انتشاراً واستخداماً في الأبحاث السلوكية والطبية والتربوية المعاصرة.

2. الأسس الرياضية والإحصائية لتقنية تقليص الأبعاد

2.1 الجبر الخطي والمصفوفات في صلب تحليل PCA

يقوم تحليل المكونات الرئيسية بالكامل على ركائز الجبر الخطي ونظرية المصفوفات؛ حيث يتم التعامل مع درجات العينة النفسية باعتبارها نقاطاً أو متجهات (Vectors) تنتشر داخل فضاء اتجاهي متعدد الأبعاد (Multidimensional Vector Space) يتحدد عدد أبعاده بعدد بنود المقياس النفسي. وإذا افترضنا أن لدينا مصفوفة بيانات أولية $X$ ذات أبعاد $n \times p$، حيث يمثل $n$ عدد المفحوصين و$p$ عدد المتغيرات المشاهدة، فإن الخطوة الأولى تتمثل في تحويل فضاء البيانات من خلال مركزة البيانات (Centering) بطرح متوسط كل متغير من درجاته الخام، أو تقييسها بالكامل لإنتاج مصفوفة قياسية $Z$.

تتمحور المعالجة الرياضية التالية حول حساب إما مصفوفة التغاير (Covariance Matrix – $\Sigma$) أو مصفوفة الارتباط (Correlation Matrix – $R$). مصفوفة التغاير هي مصفوفة مربعة متماثلة ($p \times p$) تتضمن في قطرها الرئيسي تباينات المتغيرات المنفردة، بينما تحتوي بقية خلاياها على التباينات المشتركة بين كل زوج من المتغيرات، وتُحسب وفق العلاقة الرياضية التالية:

$$\Sigma = \frac{1}{n-1} X_c^T X_c$$

حيث تمثل $X_c$ مصفوفة البيانات الممركزة حول المتوسط، بينما تمثل $X_c^T$ منقول مصفوفة البيانات. يُعيد PCA توجيه محاور هذا الفضاء عبر تحويلات خطية متتالية تُبقي على العلاقات النسبية بين المفحوصين وتُعظم التباينات على امتداد محاور جديدة مستحدثة.

2.2 القيم الذاتية (Eigenvalues) والمتجهات الذاتية (Eigenvectors)

يُمثّل مفهوم التحليل الطيفي للمصفوفات وحساب القيم والمتجهات الذاتية القلب النابض لـ PCA. المتجه الذاتي (Eigenvector) $v_i$ هو متجه غير صفري يحقق الشرط الرياضي الذي ينص على أن ضرب المصفوفة المربعة $R$ في هذا المتجه لا يغير اتجاهه بل يعيد قياس طوله فقط بمقدار سلمي يُعرف بالقيمة الذاتية (Eigenvalue) $\lambda_i$، وذلك وفق المعادلة المصفوفية المميزة:

$$R v_i = \lambda_i v_i$$

أو بصياغتها الصفرية المحددة:

$$(R – \lambda_i I) v_i = 0$$

حيث يمثل $I$ مصفوفة الوحدة. هندسياً، يحدد كل متجه ذاتي $v_i$ زاوية واتجاه ميل المكون الرئيسي الجديد داخل الفضاء متعدد الأبعاد، ويشترط أن تكون هذه المتجهات معيارية بحيث يكون مجموع مربعات أوزانها مساوياً للواحد الصحيح ($v_i^T v_i = 1$). أما إحصائياً، فإن القيمة الذاتية المقابلة $\lambda_i$ تقيس كمية وحجم التباين الفعلي المستوعب والمفسر بواسطة ذلك المكون من إجمالي تباين المتغيرات. وبحل محدد المصفوفة $|R – lambda I| = 0$، يتم استخراج $p$ من الجذور الكامنة المرتبة تنازلياً ($\lambda_1 ge \lambda_2 ge dots ge \lambda_p$).

2.3 التركيب الخطي والتعامد الرياضي للمكونات

تُصاغ المكونات الرئيسية المستخرجة باعتبارها تركيبات خطية موزونة بالكامل من المتغيرات الأصلية، حيث يأخذ المكون الرئيسي رقم $i$ ($PC_i$) الصيغة الرياضية الآتية:

$$PC_i = w_{i1} Z_1 + w_{i2} Z_2 + dots + w_{ip} Z_p = \sum_{j=1}^p w_{ij} Z_j$$

حيث تُمثل $Z_j$ الدرجة المعيارية للمفحوص على المتغير الأصلي $j$، وتُمثل $w_{ij}$ الأوزان الترجيحية أو معاملات تحويل المكون المشتقة مباشرة من عناصر المتجه الذاتي $v_i$.

تخضع هذه المكونات لشرط صارم وهو التعامد الرياضي والإحصائي الكامل (Orthogonality)، والذي يفرض أن يكون حاصل الضرب القياسي لأي متجهين ذاتيين مختلفين مساوياً للصفر ($v_i^T v_k = 0$ لكل $i \neq k$). ويترتب على هذا الشرط الهندسي أن يكون الارتباط الخطي (Correlation) وكوفاريانس درجات المفحوصين بين أي مكونين رئيسيين مساوياً للصفر التام. كما تضمن النظرية الطيفية للمصفوفات حفظ التباين الكلي دون زيادة أو نقصان؛ إذ إن المجموع الحسابي لكافة القيم الذاتية المستخرجة يساوي تماماً مجموع تباينات المتغيرات الأصلية المشاهدة ($\sum \lambda_i = \sum Var(Z_j) = p$).

3. المقارنة المنهجية بين تحليل المكونات الرئيسية والتحليل العاملي الاستكشافي

3.1 الفروق الفلسفية والنظرية بين النموذجين

على الرغم من إدراج PCA والتحليل العاملي الاستكشافي (EFA – Exploratory Factor Analysis) غالباً ضمن قوائم برمجية متقاربة في الحزم الإحصائية الشهيرة مثل SPSS و R، إلا أن هناك تبايناً جذرياً في الفلسفة المعرفية والافتراضات النظرية التي تحكم كلاً منهما. ينطلق PCA من نموذج رياضي تجميعي بحت (Data-Reduction Model)، يهدف إلى اختزال وتكثيف البيانات المشاهدة في مؤشرات مركبة دون افتراض وجود كيانات نفسية كامنة تُحدث هذه الاستجابات؛ فالمكونات في PCA هي نتاج تركيبي مشتق مباشرة من البنود.

في المقابل، يستند التحليل العاملي الاستكشافي إلى نموذج العامل الكامن (Latent Variable Model) أو تباين العوامل المشتركة (Common Factor Model)، والذي يفترض فلسفياً وجود بناءات نفسية كامنة غير مرئية (مثل العصابية أو الذكاء السائل) هي التي تؤثر سببياً في استجابات الأفراد على البنود المشاهدة، وتتسبب في نشوء الارتباطات بينها. وبناءً على ذلك، إذا كان الهدف البحثي هو ضغط البيانات وتقليل عدد المتغيرات لنمذجة تنبؤية لاحقة فإن PCA هو الخيار الأنسب، أما إذا كان الهدف هو التحقق من نظرية نفسية واكتشاف البناء الكامن غير المشاهد، فإن EFA هو الأصح فلسفياً ومنهجياً.

3.2 الفروق الرياضية في التعامل مع التباين الخطأ

ينعكس التباين الفلسفي بين الأسلوبين بشكل مباشر على البنية الرياضية لمعالجة مصفوفة الارتباط وتوزيعات التباين، كما هو موضح في النقاط المقارنة التالية:

• نموذج التباين الكلي في PCA: يفترض تحليل المكونات الرئيسية أن التباين الكلي لكل متغير يتكون من تباين صالح تماماً، وبالتالي يضع الرقم الصحيح (1.00) في القطر الرئيسي لمصفوفة الارتباط، معتبراً أن إجمالي التباين يقع ضمن نطاق التلخيص الرياضي دون تمييز بين التباين المشترك وتباين الخطأ.
• نموذج التباين المشترك في EFA: يُقسّم التحليل العاملي تباين كل متغير إلى ثلاثة أجزاء منفصلة: تباين مشترك (Common Variance) تتشاركه المتغيرات مع غيرها، وتباين نوعي خاص (Unique/Specific Variance)، وتباين ناتج عن خطأ القياس العشوائي (Error Variance). بناءً على ذلك، يستبدل EFA آحاد القطر الرئيسي بتقديرات إحصائية للشيوعيات (Communalities – $h^2$).
• التشبعات العاملية وخطأ القياس: نظراً لأن PCA يحلل التباين الكلي بما فيه تباين الأخطاء والتباين الخاص، فإنه ينتج غالباً قيم تشبعات (Loadings) ونسب تباين مفسر أعلى تضخماً مقارنة بـ EFA، لا سيما في المقاييس النفسية التي تعاني من انخفاض ثبات القياس (Reliability) أو احتواء بنودها على نسب عالية من التباين النوعي الخاص.

3.3 معايير الاختيار الأكاديمي بين PCA و EFA في الأبحاث النفسية

يتطلب اتخاذ القرار المنهجي الصائب بالاختيار بين PCA و EFA في الأبحاث السلوكية والنفسية مراعاة معايير صارمة تتسق مع التقاليد الأكاديمية الراسخة وتوجيهات لجان التحكيم في المجلات العلمية المصنفة عالمياً. يُفضل اعتماد تحليل المكونات الرئيسية في الحالات التالية: عند تطوير أدوات مسحية أولية الهدف منها بناء مؤشر مركب وحيد أو متعدد لتصنيف المفحوصين، أو عند الرغبة في معالجة التعدد الخطي قبل إدخال المتغيرات في معادلات نمذجة إحصائية معقدة كتحليل المسار والانحدار، أو عندما تقترب ثباتات بنود المقاييس من الكمال مع أحجام عينات ضخمة تجعل الفروق الحسابية بين الأسلوبين شبه معدومة.

وعلى النقيض تماماً، تفرض إرشادات النشر في كبرى المجلات النفسية (مثل مجلات الجمعية الأمريكية لعلم النفس APA) استخدام التحليل العاملي الاستكشافي EFA عند اختبار وتطوير النظريات السيكومترية، والتحقق من الصدق البنائي (Construct Validity) للمقاييس المعربة أو المطورة حديثاً؛ إذ إن استبعاد تباين الخطأ في EFA يقدم تقديراً أكثر تحفظاً وأماناً للبنية النفسية الصافية، ويمنع الوقوع في فخ التشبعات الزائفة الناتجة عن أخطاء القياس المشتركة بين البنود.

4. الافتراضات الإحصائية والشروط المسبقة لتطبيق تحليل PCA

4.1 مستوى قياس المتغيرات وحجم العينة المطلوب

يرتكز التطبيق السليم لتحليل PCA على استيفاء شروط محددة تتعلق بمستوى قياس المتغيرات وحجم العينة قيد الفحص. يشترط التحليل كأصل رياضي أن تكون المتغيرات كمية مستمرة مقاسة على مستوى الفترات (Interval) أو النسب (Ratio). ومع ذلك، استقرت الممارسات السيكومترية على إمكانية تطبيق PCA على بنود مقاييس ليكرت (Likert Scales) الترتيبية شبه المستمرة، بشرط ألا تقل فئات الاستجابة عن خمس فئات (مثل: أوافق بشدة إلى أعارض بشدة)، مع اعتدالية توزيع درجات البنود نسبياً لتفادي تشوه معاملات الارتباط البيرسونية.

أما من جهة حجم العينة ($N$)، فإن التحليل متعدد المتغيرات يتأثر بشدة بالعينات المحدودة التي تؤدي إلى عدم استقرار المتجهات الذاتية وظهور تشبعات زائفة. وتوصي الأدبيات المنهجية بقواعد إرشادية متعددة لحجم العينة:

• نسبة الحالات إلى المتغيرات (Subject-to-Variable Ratio): توصي القواعد الكلاسيكية بحد أدنى لا يقل عن 5 حالات لكل متغير (5:1)، بينما يفضل معيارياً الوصول إلى نسبة 10:1 أو 20:1 لضمان استقرار الحل العاملي ومصفوفة التغاير.
• حجم العينة المطلق: حدد الباحثون في القياس النفسي حدوداً استرشادية للعينة المطلقة: $N = 100$ (ضعيف)، $N = 200$ (مقبول ومناسب في معظم مقاييس الشخصية)، $N = 300$ (جيد جداً)، و $N ge 500$ (ممتاز ويضمن ثبات المكونات واستقرار الجذور الذاتية عبر العينات المختلفة).

4.2 الخطية والارتباطات البينية بين البنود

يفترض PCA بالأساس وجود علاقات خطية منتظمة بين المتغيرات المدخلة في التحليل؛ حيث إن استخدام مصفوفة ارتباط بيرسون يستند جوهرياً إلى قياس التغير الخطي المشترك. وإذا كانت العلاقات بين البنود النفسية منحنية أو غير خطية بصورة فجة، فإن PCA سيفشل في التقاط التباين الحقيقي وسيؤدي إلى استخراج مكونات اصطناعية تعكس تشوهات التوزيع بدلاً من البنية السلوكية الفعلية. لذا يتعين فحص مخططات التشتت الثنائية (Bivariate Scatterplots) لعينة عشوائية من أزواج المتغيرات قبل المضي قدماً.

إضافة إلى ذلك، فإن جوهر تقليص الأبعاد يقوم على استثمار الارتباطات القائمة؛ فإذا كانت مصفوفة الارتباط خالية من العلاقات الدالة وتتسم بارتباطات متدنية جداً (أقل من 0.30)، فإن البيانات تصبح غير ملائمة للاختزال، وسيتطلب الأمر عدداً من المكونات يساوي عدد المتغيرات نفسها، مما يُفقد التحليل جدواه. وعلى الطرف النقيض، فإن وجود ارتباطات شبه تامة أو مفرطة الارتفاع ($r > 0.90$) يعكس تكراراً سطحياً للمفاهيم وقد يؤدي إلى خلل رياضي في محدد المصفوفة يُعرف بفرط التفرد (Singularity)، مما يمنع تفكيكها جبرياً.

4.3 فحوصات الملاءمة الإحصائية المعتمدة

للتأكد الموضوعي من جاهزية مصفوفة البيانات النفسية للتحليل، طور الإحصائيون حزمة من الاختبارات المعيارية التي يجب استيفاؤها وتوثيقها في التقارير الأكاديمية، وفي مقدمتها:

• معامل كايزر-ماير-أولكين لكفاية العينة (Kaiser-Meyer-Olkin – KMO): يقيس هذا المؤشر نسبة تباين البنود المشتركة مقارنة بالتباين الجزئي المشوش؛ وتتراوح قيمته بين الصفر والواحد الصحيح. تُصنف درجات KMO أكاديمياً كالتالي: أقل من 0.50 (غير مقبول إطلاقاً)، من 0.60 إلى 0.69 (متواضع)، من 0.70 إلى 0.79 (متوسط ومقبول)، من 0.80 إلى 0.89 (جيد جداً)، و 0.90 فأعلى (ممتاز ورائع للتحليل).
• اختبار بارتليت لكروية البيانات (Bartlett’s Test of Sphericity): يختبر الفرضية الصفرية القائلة بأن مصفوفة الارتباط هي مصفوفة محايدة أو متطابقة (Identity Matrix)، أي أن المتغيرات لا ترتبط ببعضها إطلاقاً وجميع معاملات الارتباط خارج القطر الرئيسي تساوي صفراً. يُشترط أن يكون هذا الاختبار دالاً إحصائياً عند مستوى ($p < 0.001$) لرفض فرضية الاستقلال وتأكيد ملاءمة البيانات لاختزال الأبعاد.
• مصفوفة الارتباط المضادة (Anti-image Correlation Matrix): يتم فحص القطر الرئيسي لهذه المصفوفة الذي يحتوي على قيم كفاية العينة لكل بند منفرد (Individual Measures of Sampling Adequacy – MSA)، ويجب ألا تقل قيمة MSA لأي بند عن 0.50؛ حيث يُستبعد أي بند ينخفض عن هذه العتبة ويعاد التحليل بدونه.

5. مراحل تنظيف وإعداد البيانات النفسية للتحليل

5.1 معالجة القيم المفقودة في الاستجابات النفسية

تُعد مشكلة القيم المفقودة (Missing Values) من أكثر العقبات الميدانية شيوعاً في البحوث النفسية والمسوح السلوكية؛ حيث يمتنع بعض المفحوصين عن إجابة فقرات معينة تتعلق بموضوعات حساسة، أو يتركون بنوداً سهواً. الخطوة الإلزامية الأولى تكمن في تشخيص طبيعة ونمط الفقد استناداً إلى تصنيفات دونالد روبين الإحصائية: هل الفقد عشوائي تماماً (Missing Completely at Random – MCAR)، أم عشوائي مشروط (Missing at Random – MAR)، أم غير عشوائي ذو دلالة سلوكية منتظمة (Missing Not at Random – MNAR) كأن يمتنع المكتئبون بشدة عن إجابة بنود اليأس؟

تتضمن أساليب المعالجة خيارات متعددة؛ فالحذف الكلي للحالة (Listwise Deletion) رغم أمانه يقلص حجم العينة بصورة فادحة وقد يولد تحيزاً، بينما يؤدي الحذف الزوجي (Pairwise Deletion) إلى مصفوفات ارتباط غير متسقة رياضياً. أما في الدراسات النفسية الرصينة، فيُوصى باستخدام خوارزميات التعويض الإحصائي المتقدم مثل خوارزمية تعظيم التوقع (Expectation-Maximization – EM) أو أسلوب التعويض المتعدد بالسلاسل المترابطة (Multiple Imputation by Chained Equations – MICE) لتقدير القيم المفقودة وحفظ مصفوفة التغاير وتباين البنود من الانكماش الاصطناعي.

5.2 اكتشاف القيم الشاذة والمتطرفة ومعالجتها

يمتلك تحليل PCA حساسية مفرطة لوجود القيم الشاذة والمتطرفة (Outliers)؛ فنظراً لاعتماد الحسابات على مربعات المسافات والانحرافات عن المتوسط لتعظيم التباين، فإن نقطة بيانات شاذة واحدة لمفحوص أجاب بطريقة عشوائية أو يمتلك نمطاً سلوكياً شاذاً كفيلة بجذب المحور الرئيسي الأول نحوها بالكامل، مما يشوه المتجهات الذاتية ويفرز بنية مكونات زائفة لا تمثل المجتمع الأصلي.

يتطلب الفحص الإحصائي تطبيق تقنيات الكشف أحادي المتغير والمتعدد:

• الكشف أحادي المتغير (Univariate): تحويل درجات المفحوصين على كل بند إلى درجات معيارية ($Z-scores$)، واعتبار أي درجة تتجاوز المطلق ($\pm 3.29$) قيمة شاذة محتملة في العينات الكبيرة.
• الكشف متعدد المتغيرات (Multivariate): حساب مسافة ماهالانوبيس (Mahalanobis Distance – $D^2$) لكل مفحوص عبر كامل فضاء المتغيرات. تقيس هذه المسافة بعد نقطة المفحوص عن المركز المتعدد للمتغيرات (Centroid) مع الأخذ في الحسبان التباينات المشتركة. تُفحص دلالة $D^2$ بالاعتماد على توزيع مربع كاي ($\chi^2$) بدرجات حرية مساوية لعدد البنود وعند مستوى دلالة صارم ($p < 0.001$). تُحذف الحالات الشاذة متعددة المتغيرات لضمان نقاء واستقرار التوجيه المكاني للمكونات.

5.3 التقييس المعياري وتحويل البيانات (Data Standardization)

من القرارات المنهجية الحاسمة قبل تشغيل خوارزمية PCA هو تحديد ما إذا كان التحليل سيُجرى على مصفوفة التغاير (Covariance Matrix) أم على مصفوفة الارتباط (Correlation Matrix). إذا كانت جميع بنود المقياس النفسي مقاسة بنفس وحدة القياس المتطابقة تماماً ولها نفس التباين المتوقع (مثل بنود مقياس ليكرت خماسي الدرجات لجميع الأسئلة)، يمكن نظرياً استخدام مصفوفة التغاير. ولكن في معظم الأبحاث النفسية، تتفاوت بنود المقاييس في تبايناتها، أو تتضمن البطارية الاختبارية مقاييس استجابة متباينة (مثل الجمع بين مقاييس ليكرت، وسرعة الاستجابة بالمللي ثانية، والدرجات الخام لاختبارات الذكاء).

في حال تباين المقاييس، فإن استخدام مصفوفة التغاير سيجعل المتغيرات ذات التباين العددي الضخم تهيمن قسراً على المكون الرئيسي الأول لمجرد اتساع مداها الرقمي وليس لأهميتها السيكومترية. لذلك، فإن القاعدة الذهبية هي إجراء التقييس المعياري (Standardization) للبيانات بطرح المتوسط والقسمة على الانحراف المعياري ($Z = \frac{X – \mu}{\sigma}$)، وهو ما يعادل تماماً إجراء التحليل على مصفوفة الارتباط؛ حيث تصبح جميع المتغيرات بمتوسط حسابي يساوي الصفر وانحراف معياري يساوي الواحد الصحيح، مما يضمن وزناً متكافئاً لكافة البنود في الفضاء الهندسي المشترك.

6. استخراج المكونات وتحليل مصفوفات الارتباط والقيم الذاتية

6.1 بناء مصفوفة الارتباط وتفكيكها الرياضي

تبدأ العملية الحسابية لتحليل PCA بالتوليد الآلي لمصفوفة الارتباطات البينية ($R$) ذات الأبعاد $p \times p$. تتضمن هذه المصفوفة معاملات ارتباط بيرسون بين كل زوج من البنود النفسية، وتتميز بكونها مصفوفة متماثلة (Symmetric) وموجبة شبه محددة (Positive Semi-Definite). وفي خوارزميات الحوسبة الإحصائية الحديثة، يتم تفكيك هذه المصفوفة أو مصفوفة البيانات المعيارية مباشرة باستخدام تقنية جبرية فائقة الكفاءة تُعرف بـ تفكيك القيمة المفردة (Singular Value Decomposition – SVD).

يقوم تفكيك SVD بتحليل مصفوفة البيانات المعيارية $Z$ إلى حاصل ضرب ثلاث مصفوفات أساسية:

$$Z = U D V^T$$

حيث تحتوي المصفوفة $V$ على المتجهات الذاتية لمصفوفة الارتباط $R$، وتمثل المصفوفة القطرية $D$ القيم المفردة (Singular Values) التي ترتبط رياضياً بالقيم الذاتية من خلال العلاقة ($\lambda_i = \frac{d_i^2}{n-1}$)، في حين تُعبر المصفوفة $U$ عن متجهات الفضاء الأيسر المرتبطة بدرجات الحالات. يضمن هذا التفكيك الرياضي استخراج الجذور الكامنة والمتجهات المقابلة لها بسرعة ودقة حسابية متناهية تحول دون تراكم أخطاء التقريب الرقمي.

6.2 حساب نسب التباين المفسر والتراكمي

عقب إتمام التفكيك المصفوفي واستخراج القيم الذاتية ($\lambda_1, \lambda_2, dots, \lambda_p$) مرتبة تنازلياً، ينتقل الباحث إلى حساب القوة التفسيرية لكل مكون. نظراً لأننا قمنا بتحليل مصفوفة الارتباط المعيارية، فإن التباين الكلي في النموذج يساوي تماماً عدد المتغيرات الأصلية $p$. وعليه، تُحسب النسبة المئوية للتباين المفسر بواسطة المكون الرئيسي رقم $i$ ($Var%_i$) عبر قسمة قيمته الذاتية على إجمالي عدد المتغيرات وضرب الناتج في مئة:

$$Var%_i = \left( \frac{\lambda_i}{\sum_{j=1}^p \lambda_j} \right) \times 100 = \left( \frac{\lambda_i}{p} \right) \times 100$$

كما يُحسب التباين التراكمي (Cumulative Variance) بتجميع نسب التباين للمكونات المستخرجة تباعاً. يتيح التباين التراكمي للباحث تقييم الكفاءة الكلية لعملية تقليص الأبعاد؛ فعلى سبيل المثال، إذا كان لدينا مقياس مكون من 20 بنداً، واستطاعت المكونات الثلاثة الأولى استيعاب قيمة تباين تراكمي تبلغ 65%، فهذا يعني أن الباحث نجح في التخلص من 85% من أبعاد الفضاء الأصلي مع التضحية بـ 35% فقط من التباين الكلي للبيانات.

6.3 مصفوفة معاملات المكونات غير المدورة (Unrotated Component Matrix)

تُسفر المرحلة الأولى من التحليل عن توليد ما يُعرف بمصفوفة المكونات غير المدورة (Unrotated Component Matrix)، وهي مصفوفة تتضمن تشبعات البنود (Component Loadings) على كل مكون مستخرج. وتشبع البند ليس سوى معامل الارتباط الثنائي البسيط بين الدرجة المعيارية للمتغير المشاهد والدرجة الكلية للمكون الرئيسي ($L_{ji} = r_{Z_j, PC_i}$).

تتسم المصفوفة الأولية غير المدورة بعدة خصائص هندسية وسيكومترية ثابتة:

• هيمنة المكون الأول كعامل عام: يستوعب المكون الأول أقصى تباين ممكن، فتظهر أغلب البنود النفسية بتشبعات موجبة ومرتفعة عليه، مشكلاً ما يشبه “العامل العام” في القياس النفسي.
• التشبعات القطبية على المكونات التالية: تتوزع تشبعات البنود على المكونات الثاني والثالث وما يليهما بين قيم موجبة وقيم سالبة متطرفة (Bipolar Loadings)، مما يعكس التباينات المتبقية والمتعامدة مع المكون الأول.
• صعوبة التفسير المباشر: نادراً ما تقدم المصفوفة غير المدورة نمطاً واضحاً أو معنى نظرياً قابلاً للفهم السيكولوجي الدقيق بسبب انتشار البنود وتشبعها على أكثر من مكون في آن واحد، مما يفرض الانتقال المنهجي إلى تقنيات تدوير المحاور.

7. معايير تحديد العدد الأمثل للمكونات المستبقاة

7.1 قاعدة كايزر (Kaiser Criterion – القيمة الذاتية أكبر من 1)

تُعد قاعدة كايزر (المعروفة أيضاً بقاعدة كايزر-جتمان) المعيار التلقائي والأكثر شهرة في البرمجيات الإحصائية لحسم عدد المكونات المستبقاة. ينص هذا المعيار البسيط على الاحتفاظ فقط بالمكونات التي تمتلك قيمة ذاتية تزيد عن الواحد الصحيح ($\lambda_i > 1.00$). يستند الأساس المنطقي للقاعدة إلى أنه بما أن المتغير المعياري المنفرد يمتلك تبايناً مقداره (1.00)، فإنه لا معنى إحصائياً للاحتفاظ بمكون مركب يفسر قدراً من التباين يقل عن تباين بند أصلي واحد.

وعلى الرغم من شعبيتها الجارفة، تلقت قاعدة كايزر انتقادات منهجية واسعة في أدبيات القياس النفسي الحديثة؛ حيث أثبتت الدراسات التجريبية والمحاكاة أن القاعدة تميل بقوة إلى الإفراط الحاد في عدد المكونات (Over-extraction)، لا سيما عندما يتجاوز عدد البنود 30 بنداً أو في العينات الكبيرة جداً، كما أنها قد تقلل من عدد المكونات المستبقاة إذا كان عدد المتغيرات قليلاً (أقل من 10 بنود). وقد اقترح إيان جولييف (Ian Jolliffe) تعديلاً لهذه القاعدة يوصي باستبقاء المكونات ذات القيم الذاتية الأكبر من 0.70 في بعض الحالات الخاصة لتعويض التباين التلوي، غير أن هذا التعديل يزيد بدوره من احتمالات الاحتفاظ بمكونات عشوائية مشوشة.

7.2 اختبار المنحدر البياني لكاتيل (Cattell’s Scree Plot)

اقترح عالم النفس البارز ريموند كاتيل (Raymond Cattell) عام 1966 أسلوباً بصرياً لتحديد المكونات الجوهرية يُعرف باختبار المنحدر البياني (Scree Plot). يُشتق الاسم من التعبير الجيولوجي “Scree” الذي يشير إلى ركام الصخور والحطام المتجمع عند قاعدة الجرف الجبلي. في هذا الاختبار، يتم رسم القيم الذاتية بيانيا على المحور الرأسي ($Y$) مقابل الترتيب التسلسلي للمكونات على المحور الأفقي ($X$).

تعتمد آلية التفسير على البحث البصري عن “نقطة الانكسار” أو ما يُصطلح عليه بـ “الكوع” (Elbow Point)، وهي النقطة التي يتحول عندها المنحنى من الانحدار العمودي الحاد (الذي يمثل المكونات الحقيقية ذات التباين الهائل) إلى الاستواء الأفقي التدريجي (الذي يمثل التباين العشوائي وركام الأخطاء). ووفقاً لقاعدة كاتيل، يتم استبقاء جميع المكونات التي تقع بدقة فوق نقطة الانكسار واستبعاد النقطة ذاتها وما يليها. وتكمن نقطة الضعف الأساسية لاختبار Scree Plot في عنصر الذاتية والغموض؛ إذ يواجه الباحثون صعوبة بالغة في قراءة المنحنى عندما تتعدد نقاط الانكسار أو يكون التدرج انسيابياً دون حافة حادة.

7.3 التحليل الموازي لهورن (Horn’s Parallel Analysis)

يُجمع خبراء القياس السيكومتري والإحصاء المعاصر على أن التحليل الموازي المقترح من قبل جون هورن (John L. Horn) عام 1965 يمثل المعيار الأكثر دقة وموثوقية وتفوقاً على الإطلاق لتحديد عدد المكونات، متفوقاً بمسافات شاسعة على قاعدة كايزر واختبار المنحدر البصري. تقوم الفلسفة الرياضية للتحليل الموازي على مبدأ المحاكاة الحاسوبية (Monte Carlo Simulation) لمواجهة التضخم الناتج عن خطأ العينة والارتباطات الزائفة التي تحدث بمحض الصدفة.

تسير خوارزمية التحليل الموازي وفق الخطوات المنضبطة التالية:

• توليد عدد كبير من مصفوفات البيانات العشوائية تماماً (مثلاً 500 إلى 1000 مصفوفة) مطابقة تماماً لمصفوفة البيانات التجريبية الأصلية من حيث حجم العينة ($N$) وعدد المتغيرات ($p$).
• تطبيق تحليل PCA على كل مصفوفة عشوائية واستخراج القيم الذاتية وحساب المتوسط الحسابي للقيم الذاتية العشوائية لكل رتبة، أو استخراج القيمة الذاتية عند المئين 95 (Percentile 95) لتقديم تقدير أكثر تحفظاً وأماناً.
• مقارنة القيم الذاتية التجريبية المستخرجة من عينة البحث الحقيقية بالقيم الذاتية العشوائية المقابلة لها في نفس الترتيب؛ ويتم الاحتفاظ فقط بالمكون الذي تتجاوز قيمته الذاتية الفعلية القيمة الذاتية الناتجة عن البيانات العشوائية، والتوقف فور انخفاض القيمة الحقيقية عن نظيرتها العشوائية.

7.4 معيار الحد الأدنى للتباين التراكمي المفسر وقابلية التفسير النظري

إلى جانب المحكات الإحصائية السابقة، يجب على الباحث إخضاع القرارات المستندة إلى الأرقام لمعايير علمية وسياقية تحكمها النظرية النفسية وطبيعة الحقل المعرفي. المعيار الأول هو تحقيق عتبة التباين التراكمي المفسر المقبولة؛ فبينما تتطلب العلوم الطبيعية والهندسية نسب تباين تتجاوز 80%، تقبل الأدبيات في العلوم الإنسانية والسلوكية بنسب تباين تراوح بين 50% إلى 60% نظراً لارتفاع نسب خطأ القياس وتعدد المتغيرات الدخيلة غير المنضبطة في دراسة الإنسان.

أما المعيار الثاني، وهو الأكثر قداسة في المنهج العلمي، فهو قابلية التفسير النظري (Theoretical Interpretability) ومعنى البنية السيكومترية المستخلصة؛ فلا قيمة لنموذج إحصائي يستبقي مكوناً استناداً لمعيار رياضي إذا كان هذا المكون غير قابل للفهم السيكولوجي، أو يجمع بنوداً متناقضة مفاهيمياً، أو يتكون من بند وحيد يتيم (Singlet Component) يعجز عن تشكيل بعد نفسي متكامل. يُشترط أن يضم كل مكون مستبقى ثلاثة بنود جوهرية مشبعة على الأقل وتتكامل فيما بينها لبناء مفهوم نظري واضح ومفسر.

8. تدوير المكونات وتفسير مصفوفة التشبعات

8.1 فلسفة التدوير ومفهوم البنية البسيطة لثرستون

كما أشرنا سابقاً، نادراً ما تقدم مصفوفة المكونات الأولية غير المدورة حلاً سيكومترياً قابلاً للتفسير، بسبب انتشار تشبعات المتغيرات وتداخلها. وهنا تبرز الحاجة الرياضية لإجراء عملية تدوير المكونات (Component Rotation). التدوير هو تحويل هندسي يتم من خلاله إدارة محاور الإحداثيات للمكونات حول نقطة الأصل في الفضاء المتعدد دون المساس بالمواقع النسبية لنقاط البيانات للمفحوصين، والهدف الرئيسي هو إعادة توزيع التباين بين المكونات لتحقيق أقصى درجات التمايز في التشبعات.

تسترشد فلسفة التدوير بالمبادئ الخمسة الشهيرة لـ “البنية البسيطة” (Simple Structure) التي صاغها عالم القياس النفسي لويس ثرستون (L. L. Thurstone) عام 1947، والتي يمكن تلخيص مقاصدها الجوهرية فيما يلي:

• أن يحتوي كل سطر في مصفوفة التشبعات على تشبع واحد قريب من الصفر على الأقل.
• أن يحتوي كل عمود (مكون) على عدد قليل من البنود ذات التشبعات المرتفعة جداً، وأغلبية ساحقة من البنود ذات التشبعات القريبة من الصفر.
• أن تتشبع البنود بقوة على مكون رئيسي واحد فقط ولا تظهر تشبعات متزامنة على مكونات أخرى، مما يجعل كل بند مؤشراً نقياً لبعد نفسي محدد.

8.2 التدوير المتعامد (Orthogonal Rotation: Varimax)

يفرض التدوير المتعامد قيداً هندسياً صارماً يقضي بالحفاظ على الزاوية القائمة ($90^circ$) بين محاور المكونات أثناء عملية الإدارة في الفضاء الرياضي. يترتب على هذا القيد الإحصائي بقاء المكونات المستخرجة مستقلة تماماً عن بعضها البعض بصورة مطلقة، بحيث يكون معامل الارتباط بين درجات أي مكونين مساوياً للصفر بعد التدوير.

تُعد طريقة فاريماكس (Varimax)، التي ابتكرها هنري كايزر عام 1958، الأسلوب المتعامد الأكثر تطبيقاً واعتماداً في العالم. تعمل خوارزمية فاريماكس على تعظيم تباين مربعات التشبعات داخل كل عمود من أعمدة مصفوفة المكونات. هذا التعظيم يدفع التشبعات العالية لتصبح أعلى ما يمكن، ويدفع التشبعات المتوسطة والمنخفضة لتقترب من الصفر، مما يقدم فصلاً حاداً يسهل تسمية المكونات. يُعد التدوير المتعامد مثالياً عندما تنطلق الدراسة من افتراضات نظرية تؤكد استقلال الأبعاد النفسية المقاسة (مثل نمذجة أبعاد الشخصية المستقلة تماماً)، أو عندما يكون الهدف النهائي هو إنتاج درجات مكونات خالية تماماً من التعدد الخطي لاستخدامها في نماذج الانحدار الخطي اللاحقة.

8.3 التدوير المائل (Oblique Rotation: Promax & Direct Oblimin)

يرفع التدوير المائل القيد الصارم للتعامد، متيحاً لمحاور المكونات أن تدور بحرية وبزوايا حادة أو منفرجة تختلف عن $90^circ$. ينبثق هذا التوجه من واقعية سيكومترية عميقة ترى أن الظواهر والسمات الإنسانية والنفسية نادراً ما تكون مستقلة تماماً في الطبيعة السلوكية؛ فالقلق يرتبط بالاكتئاب، والدافعية ترتبط بالتحصيل الدراسي، وبالتالي فإن إجبار المكونات على التعامد يمثل تشويهاً مفاهيمياً للواقع النفسي المتشابك.

يُنتج التدوير المائل مصفوفتين منفصلتين بدلاً من مصفوفة تشبعات وحيدة:

• مصفوفة النمط (Pattern Matrix): تتضمن المعاملات الجزئية الخالصة الفريدة الدالة على إسهام المكون في تفسير البند بعد استبعاد أثر التداخل والارتباط مع المكونات الأخرى، وهي المصفوفة الأساسية المعتمدة لتفسير وتسمية المكونات في التدوير المائل.
• مصفوفة البنية (Structure Matrix): تتضمن معاملات الارتباط الثنائية البسيطة الإجمالية بين البنود والمكونات، متضمنة الأثر المشترك الناتج عن ارتباط المكونات ببعضها.
• مصفوفة ارتباط المكونات (Component Correlation Matrix): تعرض معاملات الارتباط الفعلية بين الأبعاد المستخرجة، ويشيع استخدام أساليب مائلة مثل بروماكس (Promax) أو أوبليمن المباشر (Direct Oblimin)، حيث تتيح الأخيرة ضبط معامل دلتا ($\delta$) أو كابا ($kappa$) لتحديد درجة المرونة المسموحة في ميل المحاور.

8.4 تفسير تشبعات البنود وتسمية المكونات الناتجة

عقب إتمام التدوير، ينتقل الباحث إلى مرحلة التفسير الدلالي وتسمية المكونات. يستلزم ذلك تحديد العتبة الإحصائية للتشبع المعنوي (Meaningful Loading)؛ وتعتمد القاعدة العامة في القياس النفسي على استبقاء البنود التي تبلغ تشبعاتها المطلقة 0.40 كحد أدنى، بينما يُفضل اعتماد 0.50 للوصول إلى نقاء بنيوي ممتاز. وترتبط القيمة الحرجة للتشبع بحجم العينة؛ ففي العينات التي تتجاوز $N = 350$، يُعد التشبع بمقدار 0.30 دالاً إحصائياً، ولكن يُفضل التمسك بالقيمة 0.40 لضمان الدلالة العملية السيكومترية.

كما يواجه الباحث مشكلة “التشبعات المتقاطعة” (Cross-loadings)، وهي حالة تشبع البند بقيم مرتفعة تتجاوز 0.32 أو 0.40 على أكثر من مكون في الوقت نفسه. في هذه الحالة، وإذا كان الفارق بين التشبعين يقل عن 0.20، يُصنف البند كبند مربك وغامض مفاهيمياً، ويُفضل حذفه وإعادة التحليل لتنقية البنية البسيطة. بعد تنظيف المصفوفة، يقوم الباحث بفحص المحتوى اللفظي والسيكولوجي للبنود المتجمعة على كل محور وصياغة اسم دلالي مركب يعكس البناء النفسي المشترك لتلك المجموعة بدقة ورصانة.

9. مثال تطبيقي شامل: تحليل مقياس نفسي متعدد الأبعاد (خطوة بخطوة)

9.1 وصف البيانات ومقياس الاحتراق النفسي النموذجي

لتجسيد كافة المفاهيم الإحصائية والنظرية السابقة في إطار عملي واقعي، سنستعرض دراسة تطبيقية افتراضية أُجريت على عينة قوامها $N = 300$ من الأخصائيين النفسيين العاملين في المستشفيات ومراكز الرعاية النفسية. طُبق عليهم مقياس تجريبي لقياس الاحتراق النفسي والمهني يتكون من 15 بنداً ($X_1$ إلى $X_{15}$) وفق سلم ليكرت خماسي الدرجات (من 1 = لا ينطبق أبداً، إلى 5 = ينطبق تماماً وبشدة). رُمزت المتغيرات لتغطي ثلاثة محاور افتراضية محتملة: الإجهاد الانفعالي، وتبلد المشاعر والانفصال عن المسترشدين، ونقص الشعور بالإنجاز والكفاءة الشخصية.

أظهرت المعالجة الإحصائية الأولية للبيانات استيفاء متطلبات الاعتدالية والخطية، حيث بلغ متوسط معامل التواء البنود 0.32، واستقرت معاملات التفرطح ضمن المدى الطبيعي ($\pm 1.5$). وتم فحص ملاءمة المصفوفة للتحليل فأسفرت النتائج عن مؤشر KMO مقداره 0.874، وهو ما يقع في الفئة الممتازة، في حين جاء اختبار بارتليت لكروية البيانات دالاً إحصائياً بصورة قاطعة ($\chi^2(105) = 2145.68, p < 0.0001$)، مما يؤكد احتواء مصفوفة الارتباط على علاقات بينية قوية ومناسبة تماماً لتفكيكها إلى مكونات رئيسية.

9.2 استخراج المكونات وتطبيق معايير الاحتفاظ

أُجري تحليل PCA الأولي على مصفوفة الارتباط المعيارية ذات الأبعاد $15 \times 15$. أفرز التفكيك الرياضي 15 قيمة ذاتية تناظر العدد الكلي للمتغيرات. ويوضح الجدول التالي تفاصيل الجذور الكامنة ونسب التباين المفسر للمكونات الستة الأولى:

المكون الرئيسي	القيمة الذاتية ($lambda$)	نسبة التباين المفسر (%)	نسبة التباين التراكمي (%)	القيمة الذاتية من التحليل الموازي (المئين 95)
1	4.85	32.33%	32.33%	1.42
2	2.64	17.60%	49.93%	1.31
3	1.82	12.13%	62.06%	1.22
4	0.91	6.07%	68.13%	1.15
5	0.78	5.20%	73.33%	1.08
6	0.65	4.33%	77.66%	1.02

عند تطبيق معايير الاحتفاظ المختلفة نلاحظ توافقاً نادراً ورائعاً بين المؤشرات: فقاعدة كايزر ($lambda > 1.0$) تشير إلى استبقاء ثلاثة مكونات فقط، كما أظهر فحص اختبار المنحدر البياني (Scree Plot) نقطة انكسار واضحة وحادة عند المكون الرابع تحديداً، مما يفرض استبقاء المكونات الثلاثة الواقعة قبله. وجاء التحليل الموازي لهورن (Horn’s Parallel Analysis) ليؤكد هذا القرار بصورة قاطعة؛ حيث تجاوزت القيم الذاتية التجريبية للمكونات الثلاثة الأولى نظيراتها العشوائية المستخرجة من المحاكاة (4.85 > 1.42، 2.64 > 1.31، و 1.82 > 1.22)، في حين انخفض المكون الرابع عن قيمته العشوائية (0.91 < 1.15). تفسر هذه المكونات الثلاثة مجتمعة 62.06% من التباين الكلي لدرجات الاحتراق النفسي، وهي نسبة كافية وممتازة سيكومترياً.

9.3 تطبيق التدوير وحساب درجات المكونات (Component Scores)

نظراً لأن النظرية تفترض إمكانية استقلال هذه الأبعاد لأغراض التشخيص الميداني، طُبق التدوير المتعامد بطريقة فاريماكس (Varimax with Kaiser Normalization). أسفر التدوير عن بنية بسيطة نقية للغاية، تجمعت فيها البنود بنقاء دلالي مرتفع كما يظهر في مصفوفة التشبعات المدورة أدناه:

البند والرمز المفاهيمي	المكون 1 (الإجهاد الانفعالي)	المكون 2 (تبلد المشاعر)	المكون 3 (نقص الإنجاز الشخصي)	الشيوعية ($h^2$)
X1: أشعر بالاستنزاف في نهاية يوم العمل	0.82	0.12	0.08	0.69
X2: الاستيقاظ للعمل يسبب لي ضغطاً شديداً	0.79	0.15	0.11	0.66
X3: أشعر بالإحباط التام بسبب واجباتي	0.75	0.21	0.05	0.61
X4: استنفدت طاقتي النفسية بالكامل	0.73	0.18	0.14	0.58
X5: متطلبات العمل تتجاوز قدرتي على التحمل	0.68	0.09	0.20	0.51
X6: أتعامل مع المسترشدين كأرقام لا كبشر	0.14	0.84	0.06	0.73
X7: أصبحت أكثر قسوة وبروداً مع الآخرين	0.19	0.81	0.12	0.71
X8: لا يهمني ما يصيب المراجعين من مشكلات	0.08	0.76	0.15	0.61
X9: أشعر بتبلد انفعالي تجاه قضايا العمل	0.22	0.70	0.09	0.55
X10: ألوم المسترشدين على صعوباتهم	0.11	0.66	0.18	0.48
X11: عاجز عن تحقيق تأثير إيجابي في مهنتي	0.10	0.11	0.80	0.66
X12: فقدت الثقة في مهاراتي الإكلينيكية	0.16	0.08	0.78	0.64
X13: أشعر بعدم جدوى التدخلات العلاجية	0.07	0.22	0.73	0.59
X14: أداء مهامي اليومية يبدو بلا قيمة حقيقية	0.21	0.14	0.69	0.54
X15: إنجازاتي المهنية لا تمنحني أي رضا	0.15	0.17	0.65	0.47

تُظهر مصفوفة التشبعات تميزاً استثنائياً؛ فالمكون الأول تشبعت عليه بقوة البنود الخمسة الأولى ($X_1 – X_5$) بتشبعات راوحت بين (0.68 و 0.82) دون تشبعات متقاطعة، وسُمي بـ “الإجهاد الانفعالي”. وتجمعت البنود ($X_6 – X_{10}$) على المكون الثاني بتشبعات تراوحت بين (0.66 و 0.84) وسُمي بـ “تبلد المشاعر والانفصال”. وأخيراً تشبعت البنود ($X_{11} – X_{15}$) على المكون الثالث بتشبعات بين (0.65 و 0.80) وسُمي بـ “نقص الإنجاز الشخصي”.

وفي المرحلة الختامية للتطبيق، تم حساب درجات المكونات (Component Scores) لكل مفحوص من الـ 300 مشارك باستخدام طريقة الانحدار المعياري الموزون (Regression Method). تولد هذه الطريقة ثلاثة متغيرات رقمية جديدة لكل فرد بمتوسط حسابي قدره (0.00) وانحراف معياري قدره (1.00)، وهي درجات متعامدة تماماً وخالية من الارتباط البيني، وتمثل مؤشرات نقية تقيس بدقة موقع كل أخصائي نفسي على أبعاد الاحتراق الثلاثة، وتصلح للدخول الفوري في تحليلات التنبؤ والتصنيف الإكلينيكي اللاحقة.

10. تقنيات التصور البصري لمخرجات تحليل PCA في علم النفس

10.1 المخطط المزدوج للبيانات (PCA Biplot)

يُعد المخطط المزدوج (Biplot)، الذي قدمه روبين جابرييل (K. Ruben Gabriel) عام 1971، من أقوى التقنيات الهندسية وأكثرها إبهاراً في عرض وتكثيف مخرجات تحليل PCA؛ إذ يسمح بتمثيل معلومات صفوف مصفوفة البيانات (المفحوصين) ومعلومات الأعمدة (المتغيرات والبنود) في آن واحد داخل فضاء ثنائي الأبعاد يتشكل من المكونين الرئيسيين الأول والثاني.

يتم تفسير المخطط المزدوج من خلال قراءة العناصر الهندسية التالية بدقة:

• نقاط المفحوصين (Observations): تُمثل كل نقطة فرداً من عينة الدراسة؛ وتدل المسافات الإقليدية بين النقاط على درجة التشابه السلوكي بين المفحوصين، حيث تتجمع الحالات المتشابهة في نفس النطاق الجغرافي للفضاء.
• متجهات المتغيرات (Variable Vectors): يُمثل كل بند نفسي بسهم أو متجه ينطلق من نقطة المركز (0,0). يُعبر طول السهم عن جودة تمثيل البند ومقدار تباينه المستوعب داخل المستوى الثنائي، في حين تُعبر الزاوية المحصورة بين أي متجهين عن معامل الارتباط بينهما؛ فالزاوية الحادة جداً ($ 90^circ$) أو المستقيمة ($180^circ$) إلى ارتباط سالب متطرف.

10.2 خرائط التشبعات الحرارية والتمثيل ثلاثي الأبعاد

مع تزايد عدد بنود المقاييس النفسية لتصل إلى 50 أو 100 بند، تصبح قراءة مصفوفات الأرقام التقليدية مجهدة ومشتتة للانتباه. وهنا توفر الخرائط الحرارية (Loadings Heatmaps) أداة بصرية بالغة الفاعلية والوضوح؛ حيث يتم تحويل مصفوفة التشبعات إلى لوحة لونية متدرجة، تعطي الألوان الداكنة أو الدافئة (كالأحمر المشبع) للتشبعات الموجبة القوية، وتمنح الألوان الباردة (كالأزرق المشبع) للتشبعات السالبة، في حين تُعطى الألوان الحيادية أو الرمادية للتشبعات القريبة من الصفر. يتيح هذا التمثيل للباحث التقاط البنية البسيطة واكتشاف التجمعات والتشبعات المتقاطعة بلمحة بصرية خاطفة.

أما في الحالات التي تسفر فيها معايير الاستبقاء عن الاحتفاظ بثلاثة مكونات رئيسية حاسمة، فإن البرمجيات المتقدمة (مثل حزم ggplot2 و plotly في R ومكتبة seaborn في Python) تتيح توليد مخططات مجسمة ثلاثية الأبعاد (3D Scatterplots). تتيح هذه المجسمات تدوير الفضاء الرياضي تفاعلياً، وتلوين نقاط المفحوصين وفق متغيرات تشخيصية مستقلة (مثل: مصاب باضطراب حاد مقابل سوي)، مما يوضح بجلاء قدرة محاور المكونات الثلاثية على فصل وتمايز المجموعات الإكلينيكية في الفضاء السيكومتري المجسم.

10.3 رسم مساهمات المتغيرات وجودة التمثيل (Cos2)

تعتمد الممارسات الإحصائية المتقدمة على مؤشرين هندسيين بالغي الأهمية لتقييم جودة تحليل المكونات وتمثيل المتغيرات في الفضاءات البصرية:

• جودة التمثيل (Quality of Representation – $Cos^2$): يُقاس بمربع جيب تمام الزاوية التي يصنعها متجه البند مع محور المكون، وهو ما يعادل رياضياً مربع التشبع ($L_{ji}^2$). تدل قيمة $Cos^2$ المرتفعة والقريبة من الواحد الصحيح على أن البند موضع في موقعه الهندسي الدقيق داخل هذا المستوى، بينما تدل القيم المنخفضة على أن البند يقع خارج هذا المستوى الثنائي ويتطلب مكونات إضافية لتمثيله بصورة صحيحة.
• المساهمة النسبية للمتغير (Variable Contribution): تقيس النسبة المئوية لإسهام كل بند في بناء وتوجيه مكون رئيسي معين مقارنة ببقية البنود، وتُحسب بقسمة $Cos^2$ للبند على مجموع قيم $Cos^2$ لجميع البنود على ذلك المكون. يتم تمثيل هذه المساهمات عبر مخططات الأعمدة المرجعية (Contribution Barplots) مع رسم خط أحمر دال على العتبة المرجعية للمساهمة المتكافئة، مما يتيح التحديد المباشر للبنوك المحركة والموجهة لكل بعد والبنود الهامشية التي لا تسهم في البنية المستخرجة.

11. التطبيقات المتقدمة لـ PCA في القياس والبحوث السلوكية

11.1 استخدام درجات المكونات في نماذج التنبؤ والانحدار

تُعد معضلة التعدد الخطي العالي (High Multicollinearity) من أكبر المآزق المنهجية التي تفسد نماذج الانحدار الخطي المتعدد والانحدار اللوجستي في العلوم السلوكية؛ فعندما تتداخل المتغيرات التنبؤية بارتباطات تتجاوز 0.80، تتضخم التباينات المشتركة وتصبح معاملات بيتا ($\beta$) غير مستقرة ومضللة إحصائياً. يوفر تحليل PCA حلاً جذرياً وأنيقاً لهذه المعضلة من خلال تقنية تُعرف بـ انحدار المكونات الرئيسية (Principal Component Regression – PCR).

في أسلوب PCR، يتم إدخال المتغيرات المستقلة المتشابكة أولاً في تحليل PCA، ثم تُستخرج درجات المكونات المتعامدة ($PC_1, PC_2, dots, PC_k$) وتُستخدم كمتغيرات تنبؤية جديدة في معادلة الانحدار للتنبؤ بالمتغير التابع (مثل التنبؤ بالأداء الوظيفي أو الاستقرار الأسري). يضمن هذا الإجراء انعدام التعدد الخطي تماماً، واستقرار معاملات الانحدار، مع الاحتفاظ بكامل القوة التفسيرية للبيانات الأصلية دون الحاجة للحذف العشوائي للمتغيرات التنبؤية الهامة.

11.2 التحليل العنقودي على درجات المكونات (PCA with Cluster Analysis)

يشكل الدمج المنهجي بين تحليل المكونات الرئيسية والتحليل العنقودي (Cluster Analysis)، والمعروف بـ (Tandem Clustering)، أحد أرقى التطبيقات المستخدمة في بناء التصنيفات النفسية والأنماط الشخصية الإكلينيكية (Typological Profiling). يعاني التحليل العنقودي التقليدي من صعوبات حسابية وتشوهات بالغة عندما يُطبق مباشرة على مصفوفات تحوي عشرات المتغيرات المرتبطة المليئة بالضوضاء العشوائية والأخطاء القياسية.

لتجاوز هذا القصور، يطبق الباحثون PCA أولاً لتكثيف البيانات في محورين أو ثلاثة محاور رئيسية تمثل السمات الجوهرية وتستبعد ضوضاء القياس، ثم تُطبق خوارزميات التجميع المتقدمة (مثل خوارزمية $K$-means أو التحليل العنقودي الهرمي بطريقة Ward) مباشرة على درجات المكونات المستخرجة. ينتج عن هذا الدمج تصنيف دقيق وسليم للمفحوصين إلى عناقيد وأنماط سلوكية متجانسة داخلياً ومتباينة خارجياً، مما يسهم في تطوير تشخيصات إكلينيكية نقية مبنية على الأدلة الإحصائية الرصينة.

11.3 التحليل القوي للمكونات الرئيسية في علم الأعصاب المعرفي

مع الامتداد المعاصر لعلم النفس نحو آفاق علم الأعصاب المعرفي (Cognitive Neuroscience) والقياسات النفسية الفسيولوجية، واجه الباحثون تدفقات هائلة من البيانات الضخمة وفائقة التعقيد، مثل بيانات تخطيط كهربية الدماغ (EEG)، وتتبع حركة العين (Eye-Tracking)، ومقاييس الاستجابة الجلدية الجلفانية المتزامنة مع المهمات المعرفية المحوسبة. تتسم هذه الإشارات الحيوية بمستويات مرتفعة من التشويش والضوضاء الفسيولوجية، فضلاً عن وجود طفرات شاذة ناتجة عن حركة رمش العين أو انقباض العضلات.

هنا تبرز خوارزميات المكونات الرئيسية القوية (Robust PCA) وتحليل المكونات المستقلة المكمل له، حيث تُستخدم المصفوفات منخفضة الرتبة (Low-Rank Matrix Factorization) لتفكيك مصفوفة الإشارات الدماغية إلى مصفوفة مكونات تمثل النشاط العصبي المعرفي الصافي، ومصفوفة أخرى تلتقط الضوضاء الفسيولوجية والأخطاء اللحظية لعزلها والتخلص منها، مما يتيح استخلاص إشارات الجهد المرتبط بالحدث (Event-Related Potentials – ERP) بدقة متناهية كانت مستحيلة بالطرائق التقليدية.

12. الأخطاء الشائعة، التحديات المنهجية، والممارسات الأكاديمية الفضلى

12.1 الأخطاء المنهجية الشائعة في الأبحاث المنشورة

يكشف الفحص الدقيق للدراسات المنشورة في بعض المجلات العربية والدولية عن جملة من العثرات والأخطاء المنهجية المتكررة التي يقع فيها الباحثون عند استخدام PCA، ومن أبرزها:

• الخلط الاصطلاحي والمفاهيمي بين PCA و EFA: استخدام مصطلح “التحليل العاملي” للإشارة إلى PCA، أو الزعم بأن التحليل قد “كشف عن العوامل الكامنة”، في حين أن PCA هو أسلوب تقليص أبعاد يحلل التباين الكلي ولا يستخرج عوامل كامنة بمفهوم النموذج العاملي الكلاسيكي.
• الاعتماد الأعمى والوحيد على قاعدة كايزر: الاكتفاء التلقائي بالقيمة الذاتية الأكبر من 1 لتحديد عدد المكونات دون فحص Scree Plot أو إجراء التحليل الموازي لهورن، مما يؤدي في معظم الحالات إلى الإفراط في استبقاء مكونات عشوائية تفتقر للدلالة السيكومترية.
• تجاهل التشبعات السالبة وتسمية المكونات أحادية البند: التغاضي عن الإشارات السالبة للتشبعات أثناء محاولة صياغة مسمى المكون، أو استبقاء وتسمية مكون يتشبع عليه بند واحد فقط، وهو ما يُعد خطأ سيكومترياً فادحاً يهدد الصدق البنائي للأداة.

12.2 تحديات ثبات البنية عبر العينات والثقافات

تواجه المقاييس النفسية تحدياً منهجياً حرجاً عند تعريبها أو نقلها من بيئة ثقافية إلى أخرى؛ إذ لا يكفي استخراج المكونات وتسميتها على عينة واحدة للجزم بصدق البنية القياسية واستقرارها. يتطلب التحقق الرصين إجراء ما يُعرف بـ “التحقق المتقاطع” (Cross-Validation) بتقسيم العينة عشوائياً إلى نصفين متكافئين، وتطبيق PCA على كل عينة فرعية بشكل مستقل لمقارنة تطابق الحلول المستخرجة.

كما يُوصى بحساب معامل التطابق لتكرمان (Tucker’s Congruence Coefficient – $r_c$) بين مصفوفات التشبعات عبر المجموعات أو الثقافات المختلفة، ويُحسب وفق الصيغة الرياضية التالية:

$$r_c = \frac{\sum x_j y_j}{\sqrt{\sum x_j^2 \sum y_j^2}}$$

حيث تمثل $x_j$ و $y_j$ تشبعات البند $j$ على المكون المعني في العينتين الأولى والثانية. وتُفسر قيم $r_c$ أكاديمياً كالتالي: أقل من 0.85 (عدم تطابق في البنية)، من 0.85 إلى 0.94 (تطابق بنيوي جيد ومقبول)، و 0.95 فأعلى (تطابق تام ومثالي يدل على المساواة السيكومترية للبُعد عبر الثقافات).

12.3 معايير إعداد تقارير تحليل PCA وفق جمعية علم النفس الأمريكية (APA)

وضعت جمعية علم النفس الأمريكية (APA) في دليل النشر العلمي المعياري (الإصدار السابع) مجموعة من المعايير التوثيقية الصارمة التي يجب على الباحثين اتباعها عند كتابة تقارير تحليل تقليص الأبعاد والمكونات الرئيسية لضمان الشفافية وقابلية التكرار العلمي (Replicability):

• توثيق البرمجيات والمواصفات: ذكر اسم الحزمة أو البرنامج الإحصائي المستخدم وإصداره بدقة، وتحديد مصفوفة الإدخال (مصفوفة الارتباط أم مصفوفة التغاير)، وتوضيح أسلوب معالجة القيم المفقودة والمتطرفة.
• بيان فحوص الملاءمة ومعايير الاستبقاء: توثيق قيم KMO واختبار بارتليت، وتقديم التبرير المنهجي الكامل لعدد المكونات المستبقاة مع ذكر نتائج التحليل الموازي ونسب التباين المفسر المنفرد والتراكمي.
• جداول التشبعات والتدوير: تقديم جداول واضحة تتضمن مصفوفة التشبعات بعد التدوير (وتحديد نوع التدوير ومعلماته)، وقيم الشيوعيات ($h^2$) لكل بند، مع وضع التشبعات الجوهرية (التي تتجاوز 0.40 مثلاً) بخط غامق (Bold)، وإدراج مصفوفة ارتباط المكونات في حال استخدام التدوير المائل.

خاتمة

يُمثّل تحليل المكونات الرئيسية (PCA) أحد أرسخ وأقوى المناهج الإحصائية متعددة المتغيرات في ميدان العلوم النفسية والتربوية والسلوكية؛ فهو يجمع بين الأناقة والصرامة الجبرية لنظرية المصفوفات، وبين المرونة التطبيقية في معالجة واختزال التعقيد الهائل للأبعاد النفسية وتكثيفها في مكونات موجزة ومستقلة إحصائياً. إن الفهم العميق للأسس الرياضية لـ PCA، والوعي الدقيق بالفروق الفلسفية التي تفصله عن التحليل العاملي الاستكشافي، والالتزام بالبروتوكولات الصارمة لفحص ملاءمة البيانات واستبقاء المكونات وتدويرها، يمثل الفارق الحقيقي بين الاستخدام الروتيني للبرمجيات وبين الممارسة البحثية الأكاديمية الرصينة. ونأمل أن يشكل هذا الدليل التأسيسي الشامل مرجعاً علمياً مستداماً يعين الباحثين على التعامل مع أدواتهم ومقاييسهم النفسية بأعلى مستويات الاحترافية والدقة والنزاهة العلمية.

References

• 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
• Gabriel, K. R. (1971). The biplot graphic display of matrices with application to principal component analysis. Biometrika, 58(3), 453–467. https://doi.org/10.1093/biomet/58.3.453
• Horn, J. L. (1965). A rationale and technique for estimating the number of factors in factor analysis. Psychometrika, 30(2), 179–185. https://doi.org/10.1007/BF02289447
• Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24(6), 417–441. https://doi.org/10.1037/h0071325
• Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
• Kaiser, H. F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3), 187–200. https://doi.org/10.1007/BF02289233
• 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
• Pearson, K. (1901). LIII. On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2(11), 559–572. https://doi.org/10.1080/14786440109462720
• 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.