التحليل العاملي: EFA وCFA وبناء نماذج القياس

التحليل العاملي Factor Analysis ليس اختبارًا واحدًا بل عائلة من نماذج القياس التي تحاول تفسير نمط الارتباط بين مجموعة بنود أو متغيرات بواسطة عدد أصغر من العوامل الكامنة. يستخدم استكشافيًا عندما لا تكون البنية محددة بما يكفي، ويستخدم تأكيديًا عندما توجد فرضية مسبقة عن عدد العوامل وعلاقة البنود بها. فائدته كبيرة في تطوير المقاييس وفحص البنية، لكنه لا يثبت أن عاملًا كامنًا «حقيقي» سببيًا لمجرد أن نموذجًا ملائمًا وُجد، ولا يبرر حذف البنود أو إعادة تسمية العوامل بعد النتائج بلا منطق نظري وتحقيق مستقل.

ما الذي يحاول التحليل العاملي تفسيره؟

إذا كانت مجموعة بنود مترابطة لأن جزءًا من تباينها المشترك يعكس بنية كامنة واحدة أو أكثر، يحاول نموذج العامل تمثيل ذلك عبر تحميلات factor loadings وتباين خاص أو خطأ لكل مؤشر. العامل ليس قيمة مقاسة مباشرة؛ هو متغير كامن يعرف من خلال النموذج والعلاقات بين المؤشرات.

هذا يختلف عن القول إن جميع البنود «تقيس الشيء نفسه» لمجرد أن معامل الاتساق الداخلي مرتفع. قد ينتج الارتباط عن أكثر من بعد، صياغة متشابهة، أثر طريقة، أو محتوى متكرر. لذلك structural validity تسبق كثيرًا من التفسيرات المتعلقة بدرجة كلية أو أبعاد فرعية.

الفرق بين EFA وCFA

Exploratory Factor Analysis يترك بنية التحميلات أكثر انفتاحًا ويساعد على اكتشاف عدد الأبعاد المحتملة وأنماط ارتباط البنود. لا يعني «استكشافي» غياب القرارات المسبقة: يجب تحديد نوع مصفوفة الارتباط، وطريقة الاستخراج، ومعايير عدد العوامل، ونوع الدوران وقواعد تفسير التحميلات.

Confirmatory Factor Analysis يبدأ بنموذج محدد مسبقًا: أي البنود تحمل على أي عوامل، وهل العوامل مرتبطة، وما القيود المفروضة. ثم يختبر مدى توافق النموذج مع البيانات ويفحص المعلمات والبواقي والبدائل. توضح إرشادات COSMIN 2024 أن EFA مناسب عندما لا توجد فرضيات واضحة عن الأبعاد، بينما CFA يختبر بنية محددة استنادًا إلى نظرية أو أدلة سابقة.

لماذا لا ينبغي استخدام EFA وCFA كمرحلتين تجميليتين؟

إذا استُخدمت البيانات نفسها لاكتشاف نموذج عبر EFA ثم تأكيد النموذج نفسه عبر CFA، فإن «التأكيد» ليس مستقلًا فعليًا عن الاستكشاف. قد يكون CFA مفيدًا لوصف النموذج، لكن الدليل الأقوى يأتي من عينة مستقلة أو دراسة لاحقة أو تحقق خارجي.

تقسيم عينة واحدة إلى نصفين يمكن أن يوفر استقلالًا داخليًا إذا كان الحجم يسمح، لكنه يقلل البيانات المتاحة لكل مرحلة وقد لا يكون أفضل من استخدام عينة كاملة للاستكشاف ثم طلب تحقق مستقل في دراسة جديدة. القرار يعتمد على هدف الدراسة وحجم العينة وتوافر بيانات تحقق.

التحليل العاملي ليس PCA

Principal Components Analysis يبني مكونات خطية من التباين الكلي للمتغيرات بهدف تمثيل البيانات أو تقليل الأبعاد. التحليل العاملي المشترك يحاول نمذجة التباين المشترك باعتباره ناتجًا عن عوامل كامنة مع فصل التباين الخاص والخطأ. قد تعطي الطريقتان حلولًا متشابهة في بعض البيانات، لكنهما ليستا النموذج نفسه ولا تجيبان عن السؤال نفسه.

استخدام PCA ثم تسمية المكونات «عوامل كامنة» من دون تبرير يخلط تقليل الأبعاد بنموذج قياس. إذا كان الهدف بناء درجة تلخص متغيرات لأغراض تنبؤية، قد تكون PCA مناسبة؛ إذا كان الهدف اختبار بنية كامنة انعكاسية، فـEFA/CFA أقرب للسؤال.

قبل التحليل: هل النموذج انعكاسي أصلًا؟

يفترض التحليل العاملي التقليدي غالبًا نموذجًا reflective تكون فيه البنية الكامنة سببًا نظريًا لاستجابات المؤشرات، بحيث يمكن توقع ترابطها. في النماذج formative تتكون البنية من مؤشرات قد لا تكون قابلة للتبادل ولا يلزم أن ترتبط بقوة. توضح COSMIN أن factor analysis وIRT يستخدمان لتقييم structural validity في النماذج الانعكاسية، ولذلك يجب تبرير طبيعة القياس قبل إجراء النموذج.

إذا كانت البنود تجمع جوانب مختلفة تشكل مفهومًا مركبًا، فقد يكون إجبارها على عامل واحد قرارًا مفاهيميًا خاطئًا حتى لو أمكن تقدير النموذج إحصائيًا.

جودة البيانات قبل استخراج العوامل

يجب فحص القيم المفقودة، التوزيعات، الاستجابات النادرة، البنود ذات التباين الضعيف، القيم المتطرفة، وتكرار أنماط الاستجابة. وجود سقف أو أرضية شديد قد يضعف معلومات بعض البنود. كما يجب التحقق من أن العينة تمثل السكان المستهدفين للمقياس.

فحوص مثل KMO وBartlett قد تقدم معلومات مساعدة عن مصفوفة الارتباط، لكنها ليست تصريحًا آليًا بأن «البيانات صالحة للتحليل العاملي» ولا تختار عدد العوامل ولا تثبت صلاحية القياس.

نوع مصفوفة الارتباط مهم

عندما تكون البنود مستمرة تقريبًا وتوزيعاتها مناسبة قد تستخدم Pearson correlations. البنود الرتبية ذات عدد فئات محدود، مثل Likert، قد تحتاج polychoric correlations وطرق تقدير ملائمة. استخدام Pearson مع بيانات شديدة الرتبية أو منحرفة قد يؤثر في التحميلات وتقدير البنية.

دراسة Flora وCurran بالمحاكاة عام 2004 بينت أن طرق WLS/robust WLS مع الارتباطات polychoric صممت لمعالجة مؤشرات رتبية في CFA، وأن أداء الطرق يعتمد على حجم العينة وعدد الفئات والتوزيع والافتراضات. هذا دليل محاكاة منهجي، لا قاعدة أن مقدرًا واحدًا أفضل في كل سيناريو.

اختيار طريقة الاستخراج في EFA

من الطرق الشائعة maximum likelihood وprincipal axis factoring وغيرها. الاختيار يعتمد على افتراضات التوزيع، الهدف، وإمكان الحصول على اختبارات أو مؤشرات ملاءمة. مراجعة Fabrigar وزملائه عام 1999 شددت على أن القرارات المتعلقة بالاستخراج وعدد العوامل والدوران تؤثر جوهريًا في النتيجة.

لا ينبغي اختيار طريقة لأن البرنامج يضعها افتراضيًا فقط. التقرير الجيد يذكر estimator ومبرره، وطبيعة البيانات، وما إذا كانت الافتراضات معقولة.

كيف نحدد عدد العوامل؟

هذه من أكثر القرارات تأثيرًا. قاعدة eigenvalue > 1 وحدها ليست معيارًا موثوقًا بما يكفي، كما أن قراءة scree plot تتضمن حكمًا بصريًا. Parallel Analysis تقارن القيم الذاتية الفعلية بما يمكن أن يظهر من بيانات عشوائية مشابهة وتوفر مرجعًا تجريبيًا أقوى في كثير من الحالات.

اقترح Horn الفكرة الأصلية عام 1965. لا يعني ذلك أن parallel analysis تعطي «الحقيقة» دائمًا؛ الأداء يتأثر بطريقة المحاكاة، نوع الارتباط، حجم العينة وبنية العامل. الأفضل دمجها مع النظرية، scree plot، قابلية تفسير الحل ومؤشرات أخرى بدل اتباع رقم آلي واحد.

الدوران Rotation: لماذا نستخدمه؟

العوامل غير المدورة غالبًا صعبة التفسير. الدوران يحاول الوصول إلى بنية أكثر وضوحًا من دون تغيير قدرة الحل على إعادة تمثيل التباين المشترك ضمن شروط الطريقة. الدوران المتعامد مثل Varimax يفرض عوامل غير مترابطة، بينما الدوران المائل مثل oblimin أو promax يسمح بارتباط العوامل.

في علم النفس والصحة والتعليم غالبًا توجد أسباب نظرية لتوقع ارتباط الأبعاد، لذلك فرض الاستقلال قد يكون غير واقعي. إذا استُخدم دوران مائل يجب تفسير pattern matrix وارتباطات العوامل بوضوح وعدم خلطها ببنية متعامدة.

التحميلات والتقاطعات Cross-loadings

التحميل يصف قوة العلاقة بين المؤشر والعامل ضمن النموذج. لا توجد عتبة عالمية تجعل .40 «جيدًا» في كل دراسة. أهمية التحميل تعتمد على حجم العينة، عدد المؤشرات، موثوقية البند، طبيعة البناء وأهداف الاستخدام.

البند الذي يحمل على أكثر من عامل قد يعكس محتوى متعدد الأبعاد، صياغة عامة، أو نموذجًا ناقصًا. حذفه لمجرد تحسين جدول التحميلات قد يضر content validity. يجب مراجعة مضمون البند ونظرية البناء قبل القرار.

communalities والتحديد

Communality تمثل الجزء من تباين المؤشر الذي تفسره العوامل المشتركة في نموذج معين. عندما تكون communalities ضعيفة، قد يصبح استرداد البنية أكثر صعوبة ويحتاج إلى عينة أكبر أو مؤشرات أقوى.

العامل الذي يعتمد على عدد قليل جدًا من البنود قد يكون غير مستقر أو ضعيف التحديد. عدد المؤشرات وجودة التحميلات أهم من قاعدة «ثلاثة بنود دائمًا كافية»؛ يجب فحص identification والاستقرار الفعلي للنموذج.

حجم العينة: لا توجد نسبة ثابتة عامة

قواعد مثل «5 مشاركين لكل بند» أو «N=200 يكفي» قد تكون مضللة. أظهر MacCallum وزملاؤه عام 1999 نظريًا وبالمحاكاة أن الحجم المطلوب يتغير مع communalities وعدد المؤشرات لكل عامل ودرجة تحديد العوامل وغيرها من خصائص النموذج.

لذلك يجب تصميم الحجم وفق تعقيد النموذج، جودة المؤشرات، estimator، عدد الفئات، missingness والهدف. في CFA يمكن استخدام محاكاة Monte Carlo أو طرق قوة/دقة مرتبطة بمعلمات محددة بدل الاعتماد على نسبة ثابتة.

ما الذي يفحصه CFA فعليًا؟

CFA يقارن مصفوفة التغاير التي يتنبأ بها النموذج بما لوحظ في البيانات. قد ينظر الباحث إلى chi-square، CFI/TLI، RMSEA، SRMR، البواقي والمعلمات. لا يثبت أي مؤشر منفرد صحة النظرية، ولا يعني fit جيد أن النموذج هو التفسير الوحيد الممكن.

نماذج مختلفة قد تلائم البيانات بصورة متقاربة، وقد يخفي fit العام ضعف بند أو تحميلًا غير منطقي. لذلك يجب تقييم النموذج ككل: المعلمات، اتجاهاتها، البواقي، قابلية التعريف، المنطق النظري والاستقرار خارج العينة.

كيف نفهم مؤشرات الملاءمة؟

Chi-square يختبر توافقًا دقيقًا ويمكن أن يكون حساسًا للحجم والانحرافات. CFI وTLI يقارنان النموذج بنموذج مرجعي، RMSEA يركز على خطأ التقريب لكل درجة حرية تقريبًا، وSRMR يلخص فروقًا معيارية بين علاقات مرصودة ومتوقعة.

COSMIN يستخدم معايير محددة عند تقييم structural validity لمقاييس PROM في سياق منهجي معين. لكن هذه الحدود ليست «قوانين طبيعية» لكل CFA. يجب احترام السياق الذي طورت فيه المعايير وعدم نقلها آليًا إلى أي نموذج SEM أو أي غرض.

خطر قواعد Cutoff الذهبية

انتشرت حدود مثل CFI≥.95 وRMSEA≤.06 وSRMR≤.08، لكنها تعتمد على أبحاث محاكاة وشروط معينة. الأدبيات اللاحقة حذرت من تعميم cutoffs جامدة لأن أداء المؤشرات يتغير مع بنية النموذج، عدد المؤشرات، الأحمال، حجم العينة، نوع البيانات وسوء التحديد.

الاستخدام السليم يجعل fit indices دلائل تشخيصية ضمن مجموعة أدلة، لا بوابة ثنائية. إذا كان النموذج يفشل نظريًا أو يحتوي معاملات غير منطقية، لا ينبغي إعلان نجاحه لأن ثلاثة أرقام تجاوزت حدودًا شائعة.

Modification Indices: أداة تشخيص لا آلة تحسين

Modification index يقدر مقدار تحسن الملاءمة المتوقع إذا حررت معلمة مقيدة، مثل cross-loading أو residual covariance. استخدامه بعديًا قد يكشف مكان سوء الملاءمة، لكن تحرير كل معلمة كبيرة يؤدي إلى overfitting وتخصيص النموذج لعينة واحدة.

أي تعديل يجب أن يكون له مبرر محتوى أو طريقة، ويُعلن أنه بعدي، ثم يختبر في عينة مستقلة. ارتباط بواقي بندين بسبب صياغة متشابهة قد يكون منطقيًا أحيانًا، لكنه قد يشير أيضًا إلى أثر طريقة يحتاج معالجة أعمق.

أخطاء القياس المرتبطة بصياغة البنود

البنود المعكوسة أو ذات الصياغة المتشابهة قد تكوّن عوامل طريقة لا تعكس البناء المقصود. الاستجابة المتكررة أو acquiescence قد تولد ارتباطات متبقية. التحليل العاملي يمكن أن يظهر هذه الأنماط لكنه لا يحدد سببها تلقائيًا.

يجب الرجوع إلى المقابلات المعرفية وصلاحية المحتوى وتصميم الاستبيان. حذف كل بند معكوس لأن CFA لا يلائمه قد يخفي مشكلة صياغة أو فهم تحتاج إصلاحًا في الأداة نفسها.

العوامل العليا وBifactor

إذا ارتبطت عوامل فرعية بقوة قد يختبر الباحث عاملًا من الدرجة الثانية. نموذج bifactor يفترض عاملًا عامًا يحمل مباشرة على جميع البنود مع عوامل خاصة إضافية وفق قيود معينة. كلا النموذجين يجيب عن بنية مختلفة ولا ينبغي اختيار bifactor فقط لأنه قد يعطي fit أفضل.

نماذج bifactor معرضة أحيانًا لحلول غير مستقرة أو عوامل خاصة ضعيفة. تفسير درجة كلية يحتاج أكثر من fit: يجب فحص قوة العامل العام، تحديد العوامل الخاصة، reliability المناسبة وقابلية التفسير.

التحليل العاملي والاتساق الداخلي

Cronbach’s alpha لا يثبت أحادية البعد. قد يكون alpha مرتفعًا بسبب عدد البنود أو ترابطات متعددة الأبعاد. توضح COSMIN أن تقييم internal consistency ينبغي أن يستند إلى دليل على structural validity للمقياس أو البعد.

لذلك التسلسل المنهجي الصحيح هو فهم المحتوى والبنية أولًا، ثم تفسير معاملات الثبات داخل أبعاد محددة، لا استخدام alpha كبديل للـfactor analysis.

البنود الرتبية ومقاييس Likert

عندما تكون البنود رتبية، يجب أن يراعي التحليل عدد الفئات وتوزيعها. تقدير CFA بـML التقليدي على بنود قليلة الفئات قد يكون أقل ملاءمة من estimators مصممة للرتبيات في بعض الظروف. Polychoric correlations تفترض عملية كامنة مستمرة وعتبات، وهذا افتراض بدوره يحتاج فحصًا.

التقرير يجب أن يذكر نوع مصفوفة الارتباط، estimator، التعامل مع missing data، وتصحيح عدم الطبيعية. عبارة «أجرينا CFA في البرنامج X» غير كافية لإعادة التحليل.

البيانات المفقودة

يمكن لبعض ML methods التعامل مع missingness تحت افتراضات مثل MAR، ويمكن استخدام multiple imputation إذا كان نموذج التعويض متوافقًا مع CFA. حذف الحالات الكاملة قد يغير العينة ويقلل القوة. يجب ربط قرار الفقد بصفحة /content/missing-data وخطة واضحة.

لا ينبغي تعويض البنود بطريقة تبالغ في الاتساق ثم استخدام البيانات نفسها لإثبات factor structure. نموذج التعويض يجب أن يحافظ على العلاقات التي يحتاجها نموذج القياس بقدر الإمكان.

هل العامل الكامن سبب حقيقي للبنود؟

الملاءمة الإحصائية لا تثبت تفسيرًا سببيًا للعامل. النموذج الانعكاسي يحمل افتراضًا بنيويًا عن علاقة latent construct بالمؤشرات. أظهرت أعمال منهجية حديثة أن بعض التفسيرات البنيوية للعوامل يمكن أن تكون قوية وقابلة للنقد حتى مع fit جيد.

الأدق أن نقول إن البيانات متوافقة بدرجة معينة مع نموذج عامل محدد، ثم نربط ذلك بأدلة المحتوى والنظرية والقياسات الخارجية. كلمة «اكتشفنا العامل الحقيقي» مبالغة لا يدعمها CFA وحده.

التحقق عبر مجموعات ولغات

إذا كان المقياس سيقارن مجموعات أو لغات أو أزمنة، فإن factor structure في العينة الكلية لا تكفي. Measurement invariance تبحث هل البنية والتحميلات والعتبات/المعترضات تعمل بطريقة قابلة للمقارنة قبل تفسير فروق الدرجات.

هذا موضوع مستقل مترابط مع /content/measurement-invariance عند ترحيله. الترجمة الجيدة لغويًا لا تضمن تكافؤ القياس، والعامل الواحد في كل مجموعة على حدة لا يثبت invariance.

خطوات عملية لـEFA

قبل التنفيذ

حدد البناء والسكان والغرض، افحص content validity، قرر أن النموذج انعكاسي، افحص نوع البنود والبيانات المفقودة، اختر estimator ومصفوفة ارتباط مناسبة، وحدد مسبقًا مجموعة معايير لعدد العوامل بدل الاعتماد على eigenvalue>1 فقط.

عند التنفيذ

افحص حلولًا معقولة حول عدد العوامل الذي تدعمه parallel analysis وscree والنظرية. استخدم دورانًا مائلًا إذا كان ارتباط العوامل معقولًا. راجع التحميلات والتقاطعات والـcommunalities وتفسير كل عامل. لا تحذف البنود آليًا؛ اربط القرار بالمحتوى.

عند الإبلاغ

اعرض حجم العينة، مصفوفة الارتباط، estimator، قواعد تحديد عدد العوامل، طريقة الدوران، جميع التحميلات المهمة، الارتباطات بين العوامل، التباين المفسر عند استخدامه، القرارات بعدية، وأي تحقق مستقل.

خطوات عملية لـCFA

قبل التنفيذ

اكتب النموذج مسبقًا: عدد العوامل، البنود لكل عامل، الارتباطات والقيود. اختر estimator الملائم لنوع البيانات وخطة missingness. حدد مؤشرات الملاءمة ومعايير تفسيرها بوصفها دلائل متعددة لا قاعدة واحدة.

عند التنفيذ

افحص convergence والحلول غير المقبولة مثل negative variances أو correlations غير منطقية. راجع loadings، standard errors، residuals، fit indices، والـmodification indices دون data dredging. قارن نماذج بديلة فقط إذا كانت ذات معنى نظري.

عند الإبلاغ

قدم النموذج والبرمجية والإصدار وestimator ومصفوفة الارتباط، جميع مؤشرات fit المخططة، المعلمات وفواصل الثقة، أي تعديلات بعدية ومبرراتها، وما إذا كان النموذج تحقق في عينة أخرى.

أخطاء شائعة

من الأخطاء مساواة PCA بالتحليل العاملي، استخدام eigenvalue>1 وحده، فرض Varimax عندما يتوقع ارتباط العوامل، اختيار عدد العوامل لأن الحل «أجمل»، حذف البنود لرفع fit بلا مراجعة المحتوى، استخدام cutoffs كقوانين، إجراء EFA وCFA على البيانات نفسها ثم وصف CFA بالتحقق المستقل، أو الاعتماد على alpha لإثبات أحادية البعد.

ومن الأخطاء أيضًا استخدام ML المعتاد على بيانات رتبية شديدة من دون فحص، تجاهل missingness، وعدم الإبلاغ عن estimator أو correlation matrix. النتيجة ليست مجرد جدول loadings؛ هي سلسلة قرارات يجب أن تكون قابلة للمراجعة.

كيف يقيّم القارئ دراسة Factor Analysis؟

اسأل: هل الهدف استكشافي أم تأكيدي؟ هل النموذج reflective؟ هل البنود والسكان والغرض محددة؟ هل estimator ونوع الارتباط يناسبان البيانات؟ كيف حُدد عدد العوامل؟ هل rotation منطقي؟ هل حجم العينة مبرر حسب بنية النموذج بدل قاعدة ثابتة؟ هل fit فُسر مع المعلمات والبواقي؟ هل التعديلات بعدية؟ وهل يوجد تحقق مستقل؟

ثم اسأل الأهم: هل البنية الناتجة متوافقة مع محتوى البناء أم مجرد نتيجة حسابية؟ جودة القياس لا تنفصل عن النظرية والمحتوى.

روابط داخلية مترابطة

راجع /content/missing-data لمعالجة القيم المفقودة، و/content/study-designs-bias-and-causality لفهم حدود الاستدلال، و/content/preregistration لتسجيل نموذج CFA وخطة التعديل مسبقًا، و/content/evidence-literacy للقراءة النقدية، و/content/source-citation-and-update-transparency لتوثيق الإصدارات والمصادر، و/sections/research-evidence-learning لبقية موارد البحث والقياس.

أسئلة شائعة

الخلاصة

التحليل العاملي أداة قوية لبناء واختبار نماذج القياس، لكن قوته تعتمد على سلسلة قرارات لا على أمر واحد في البرنامج. EFA يستكشف البنية، CFA يختبر فرضية، وPCA يخدم هدفًا مختلفًا. عدد العوامل، الدوران، نوع الارتباط، estimator، حجم العينة، missingness ومؤشرات الملاءمة كلها تحتاج مبررًا. الحل الجيد إحصائيًا لا يثبت أن العامل حقيقة سببية ولا يعوض ضعف محتوى البنود. أعلى جودة تأتي من نظرية واضحة، بيانات مناسبة، قرارات شفافة، مقاومة للتحسين البعدي، وتحقق مستقل قبل اعتماد بنية المقياس.

تحديث 2026: كيف نستخدم المعايير الحديثة دون تحويلها إلى وصفة جامدة؟

تطورت وثائق COSMIN الخاصة بخصائص القياس والإبلاغ في الإصدارات الحديثة، وهي مفيدة لتقييم structural validity واختيار ما يجب الإبلاغ عنه، لكنها صممت أساسًا في سياق أدوات قياس النتائج وخصوصًا PROMs. لذلك تُستخدم معاييرها كإطار منهجي واضح لا كبديل عن فهم نموذج البيانات أو أدبيات SEM الأوسع. عندما ينقل الباحث cutoff أو شرطًا من إطار محدد إلى اختبار تربوي أو نموذج بنيوي مختلف، عليه أن يشرح لماذا يبقى الشرط ملائمًا للسؤال الحالي.

المنهج الأقوى في 2026 هو الشفافية حول سلسلة القرارات: لماذا EFA أو CFA، وما نوع مصفوفة الارتباط، وكيف اختير estimator، وكيف حُدد عدد العوامل، وما الذي كان محددًا قبل التحليل وما الذي تغير بعد رؤية البيانات. ثم تُفحص الحساسية لقرارات معقولة بديلة بدل التعامل مع حل واحد على أنه حقيقة. إذا تغير عدد العوامل أو التحميلات جذريًا عند تغيير خيار معقول، فهذه معلومة عن هشاشة الاستنتاج يجب أن تظهر في التقرير.

تحليل الحساسية والاستقرار: هل يبقى النموذج مع قرارات معقولة أخرى؟

يمكن فحص الاستقرار بإعادة التحليل مع طرق مناسبة بديلة لتحديد عدد العوامل، أو مقارنة مقدرات ملائمة لنوع البيانات، أو استخدام bootstrap وتقسيمات تحقق عندما يكون ذلك مبررًا. الهدف ليس تجربة كل إعداد ممكن حتى يظهر الحل المرغوب، بل معرفة ما إذا كانت النتيجة الأساسية تعتمد اعتمادًا هشًا على قرار تحليلي واحد. في EFA، إذا أعطت parallel analysis وحلول العوامل المجاورة قصصًا متعارضة، يجب عرض هذا التعارض. وفي CFA، إذا كان النموذج يحتاج سلسلة تعديلات بعدية غير مخططة ليحقق fit، فذلك يقلل قوة التحقق ويزيد الحاجة إلى عينة مستقلة.

التحقق الخارجي لا يعني فقط إعادة fit على عينة ثانية؛ اسأل هل معنى العوامل وأهم التحميلات وطريقة حساب الدرجات تبقى معقولة. قد يحقق النموذج fit مقبولًا في عينة جديدة بينما تتغير تحميلات بنود مهمة أو تظهر مشكلة في مجموعة فرعية. ولهذا يرتبط التحليل العاملي بصفحة ثبات القياس بين المجموعات عندما تكون المقارنات بين لغات أو أعمار أو مجموعات جزءًا من الاستخدام.

مصفوفة قرار عملية قبل حذف بند أو إضافة ارتباط بواقي

قبل تعديل النموذج، سجل المشكلة في أربعة أعمدة: الإشارة الإحصائية، والتفسير المحتمل، وأثر القرار على المحتوى، والدليل الذي سيختبر التعديل لاحقًا. تحميل منخفض قد يعني بندًا ضعيفًا، لكنه قد يعني أن العينة لا تمثل الفئة أو أن البند يغطي جانبًا فريدًا ضروريًا للمحتوى. cross-loading قد يمثل غموضًا في الصياغة أو تداخلًا حقيقيًا بين بعدين. residual covariance قد يعكس طريقة صياغة مشتركة أو سياقًا محليًا. لا يوجد قرار آلي صحيح دون ربط الإحصاء بمعنى البند.

إذا حُذف بند، وثق أثر الحذف على تغطية البناء لا على fit فقط. وإذا أضيف cross-loading أو ارتباط بواقي، وضح هل كان القرار نظريًا مسبقًا أم استكشافيًا بعد النتائج، ثم اختبره خارج العينة الحالية. هذه القاعدة تقلل خطر أن يتحول CFA إلى EFA مقنع بواجهة تأكيدية، وتحافظ على الفرق بين تطوير النموذج والتحقق منه.

قائمة الإبلاغ الأدنى القابلة لإعادة التحليل

التقرير القابل للتدقيق يذكر حجم العينة وخصائصها، عدد الفئات وتوزيع البنود، طريقة معالجة القيم المفقودة، مصفوفة الارتباط أو نوعها، طريقة الاستخراج أو estimator، طريقة تحديد عدد العوامل، الدوران، قيود النموذج، مؤشرات الملاءمة المخططة، التحميلات وفواصل الثقة أو الأخطاء المعيارية، ارتباطات العوامل، البواقي المهمة، أي حالات Heywood أو مشاكل convergence، وجميع التعديلات البعدية. كما يوضح البرنامج وإصداره عندما يمكن أن يؤثر في التنفيذ.

يجب كذلك حفظ الفرق بين «النموذج الذي اختبرناه أولًا» و«النموذج الذي انتهينا إليه». نشر النموذج النهائي وحده يجعل القارئ غير قادر على معرفة مقدار البحث بعد النتائج. في تطوير المقاييس، من الأفضل ربط كل تعديل بمبرر محتوى وخطة تحقق لاحقة، ثم فصل مرحلة الاكتشاف عن مرحلة التحقق بوضوح في العنوان والمنهج والاستنتاج.

وعند توثيق القرار النهائي، سجّل أيضًا البدائل التي لم تُعتمد ولماذا. إذا احتفظت بخمسة عوامل بدل أربعة، وضح ما الذي رجح الحل: نظرية البناء، parallel analysis، قابلية التفسير، استقرار التحميلات أو تحقق خارجي. وإذا فشل حل متوقع نظريًا، لا تخف النتيجة؛ قد تكون إشارة إلى مشكلة في المحتوى أو العينة أو طريقة القياس. التحليل العاملي الأقوى ليس الذي ينتج أبسط مخطط، بل الذي يجعل المسار من الفرضية إلى البيانات ثم إلى التعديل والتحقق قابلاً لإعادة الفحص من باحث آخر.