الوحدة العاشرة: تحليل العوامل وبناء المقاييس
هدف الوحدة: نقل تحليل العوامل من فقرة داخل التحليلات المتقدمة إلى وحدة كاملة تربط النمذجة الإحصائية بتطوير أدوات القياس والاستبيانات في علوم الرياضة.
تحليل العوامل لا يبدأ من البرنامج الإحصائي، بل من سؤال قياسي: هل البنود التي كتبناها تمثل بناءً نظرياً واضحاً؟ وهل تتجمع البنود في أبعاد يمكن تفسيرها؟ هذه الوحدة تشرح كيف ننتقل من مفهوم كامِن مثل الدافعية أو الإرهاق إلى مقياس قابل للتحقق والتقرير العلمي.
المتغيرات الكامنة والبناء النفسي
كثير من مفاهيم علوم الرياضة لا تُقاس مباشرة: الدافعية، الثقة، الإرهاق، الرضا، أو جودة النوم. نسميها متغيرات كامنة ونقيسها عبر بنود أو مؤشرات ظاهرة.
مثلاً لا نستطيع قياس "الاحتراق الرياضي" بجهاز واحد، لكن يمكننا رصده عبر بنود عن التعب الانفعالي، انخفاض الإنجاز، وفقدان الدافعية. إذا كانت البنود جيدة، يفترض أن ترتبط بنود البعد الواحد ببعضها أكثر من ارتباطها ببنود الأبعاد الأخرى.
قبل تحليل العوامل، اكتب تعريفاً نظرياً واضحاً للبناء، ثم اسأل: هل البنود فعلاً تغطي هذا التعريف؟ الإحصاء لا ينقذ بناءً ضعيفاً.
| المستوى | المعنى | مثال رياضي |
|---|---|---|
| البناء الكامن | مفهوم لا يقاس مباشرة | الدافعية، الإرهاق، الثقة، جودة النوم |
| البعد أو العامل | جزء من البناء يضم مجموعة بنود مترابطة | الدافعية الداخلية مقابل الدافعية الخارجية |
| البند الظاهر | سؤال أو عبارة يجيب عنها المشارك | "أشعر بالحماس قبل التدريب" |
| الدرجة المركبة | متوسط أو مجموع البنود داخل العامل | درجة الدافعية الداخلية لكل لاعب |
لا تجمع كل البنود في درجة واحدة قبل التأكد من أنها تقيس بعداً واحداً. إذا كان المقياس متعدد الأبعاد، فقد يخفي المجموع الكلي معاني مهمة ويقلل الصدق التفسيري.
التحليل العاملي الاستكشافي EFA
يُستخدم EFA عندما لا تكون البنية العاملية مؤكدة. الهدف هو اكتشاف عدد العوامل ونمط ارتباط البنود بها.
يناسب EFA المراحل الأولى من بناء المقياس أو عند ترجمة مقياس إلى ثقافة جديدة. في هذه المرحلة لا نختبر نموذجاً نهائياً؛ نبحث عن بنية معقولة تجمع بين الدليل الإحصائي والمعنى النظري.
| قرار | اختيار مقترح | ملاحظة |
|---|---|---|
| صلاحية البيانات | KMO و Bartlett | KMO أعلى من 0.70 جيد غالباً |
| طريقة الاستخراج | Principal axis factoring | أفضل من PCA عند البحث عن عوامل كامنة |
| عدد العوامل | Parallel analysis + scree plot | لا تعتمد على Kaiser وحده |
| الدوران | Oblimin عند توقع ترابط العوامل | غالباً العوامل النفسية والبدنية مترابطة |
قبل EFA
- تأكد من وجود حجم عينة كافٍ لكل بند.
- افحص القيم المفقودة ونمط الإجابات المتطرفة.
- احذف البنود ذات التباين الضعيف جداً لأنها لا تميز بين المشاركين.
- راجع مصفوفة الارتباط: لا نريد بنوداً غير مرتبطة تماماً أو متطابقة تقريباً.
أثناء EFA
- لا تعتمد على قاعدة eigenvalue > 1 وحدها.
- وازن بين parallel analysis وscree plot والمعنى النظري.
- استخدم دوراناً مائلاً إذا كان من المنطقي أن ترتبط العوامل.
- وثق كل قرار حذف أو نقل بند.
مقياس من 18 بنداً عن جودة التعافي أظهر KMO = 0.82 وBartlett p < 0.001، ما يشير إلى ملاءمة البيانات للتحليل العاملي. اقترح parallel analysis ثلاثة عوامل، بينما أظهرت قاعدة Kaiser أربعة. إذا كان العامل الرابع يتكون من بندين ضعيفين وغير قابلين للتفسير، فاختيار ثلاثة عوامل قد يكون أكثر منطقية.
التحميلات العاملية والدوران
التحميل العاملي هو قوة علاقة البند بالعامل. التحميلات العالية والواضحة تساعد على تسمية العامل، بينما التحميلات المتقاطعة تجعل البند مشتبهاً.
إشارات جيدة
- تحميل أعلى من 0.40 على عامل واحد.
- فرق واضح بين التحميل الأساسي والتحميلات الثانوية.
- اتساق نظري بين البنود داخل العامل.
إشارات مراجعة
- تحميل منخفض على كل العوامل.
- تحميل متقاطع مرتفع على عاملين.
- بند لا ينسجم نظرياً مع بقية العامل.
| النتيجة | التفسير | القرار المحتمل |
|---|---|---|
| تحميل 0.70 على عامل واحد | بند قوي وواضح | احتفظ به إذا كان منسجماً نظرياً |
| تحميل 0.32 فقط | بند ضعيف | راجع صياغته أو فكر في حذفه |
| 0.48 على عامل و0.45 على آخر | تحميل متقاطع | البند غامض أو يقيس أكثر من بعد |
| بند يعكس الاتجاه | قد يكوّن عامل طريقة لا عامل مضمون | تأكد من الترميز العكسي وفهم المشاركين للبند |
الدوران لا يغير البيانات الأصلية؛ بل يعيد تنظيم الحل العاملي ليصبح أسهل تفسيراً. الدوران المتعامد مثل Varimax يفترض أن العوامل غير مترابطة، بينما الدوران المائل مثل Oblimin يسمح بارتباط العوامل، وهذا غالباً أقرب للواقع في المقاييس النفسية والسلوكية.
قاعدة التحميل > 0.40 مفيدة، لكنها ليست حكماً آلياً. بند ذو تحميل 0.38 قد يكون مهماً لتغطية جانب نظري، وبند ذو تحميل 0.65 قد يحذف إذا كان مكرراً أو غير مناسب ثقافياً.
التحليل العاملي التوكيدي CFA
يأتي CFA عندما يكون لديك نموذج نظري محدد مسبقاً: أي بند ينتمي لأي عامل. هنا لا نبحث عن البنية، بل نختبر مطابقتها للبيانات.
الفرق الجوهري بين EFA وCFA أن EFA يستكشف، بينما CFA يختبر. لذلك من الأفضل ألا تستخدم العينة نفسها لاكتشاف البنية ثم الادعاء بأنك أكّدتها؛ استخدم عينة مستقلة أو اقسم العينة عند الضرورة.
| مؤشر الملاءمة | قراءة مختصرة | تنبيه |
|---|---|---|
| CFI/TLI | الأعلى أفضل، وغالباً 0.90 أو 0.95 كمرجع | لا تستخدمها وحدها |
| RMSEA | الأقل أفضل | يتأثر بحجم العينة وبساطة النموذج |
| SRMR | الأقل أفضل | مفيد مع بقية المؤشرات |
| Chi-square/df | مؤشر تقريبي | حساس لحجم العينة |
اختُبر نموذج مكوّن من ثلاثة عوامل مترابطة لمقياس جودة التعافي. أظهر النموذج ملاءمة مقبولة: CFI = 0.94, TLI = 0.92, RMSEA = 0.06, SRMR = 0.05. كانت معظم التحميلات المعيارية أعلى من 0.50، مما يدعم البنية العاملية المقترحة مع الحاجة إلى مراجعة بند واحد منخفض التحميل.
Modification indices قد تقترح ربط أخطاء بنود أو نقل بند إلى عامل آخر. لا تقبل هذه التعديلات فقط لتحسين الأرقام؛ يجب أن يكون لها مبرر نظري واضح، وإلا يصبح النموذج مفصلاً على عينة واحدة وضعيف التعميم.
ثبات المقاييس: alpha و omega
بعد تحديد البنية العاملية، افحص الاتساق الداخلي لكل عامل. Cronbach's alpha شائع، لكن omega غالباً أكثر ملاءمة عندما تختلف تحميلات البنود.
| المؤشر | متى يفيد؟ | تنبيه |
|---|---|---|
| Cronbach's alpha | تقدير شائع للاتساق الداخلي | قد يرتفع فقط بسبب كثرة البنود أو تكرارها |
| McDonald's omega | أفضل غالباً عندما تختلف تحميلات البنود | يتطلب نموذجاً عاملياً معقولاً |
| Item-total correlation | يراجع مساهمة كل بند في الدرجة | البند الضعيف إحصائياً قد يكون مهماً نظرياً |
| Alpha if item deleted | يفحص أثر حذف كل بند | لا تحذف فقط لرفع alpha قليلاً |
المقياس قد يكون ثابتاً لكنه لا يقيس المفهوم الصحيح. لذلك تنتقل الوحدة التالية إلى تصميم الاستبيانات وتحليل المسوح بعد أن تتضح بنية المقاييس هنا.
قيمة alpha أو omega بين 0.70 و0.90 تعد غالباً مناسبة للبحث. القيم المنخفضة قد تعني ضعف اتساق البنود، أما القيم العالية جداً مثل 0.95 فقد تعني أن البنود متكررة أكثر من اللازم ولا تضيف معلومات جديدة.
سير عمل مقترح لبناء مقياس
- تعريف البناء نظرياً وجمع البنود من الأدبيات والخبراء.
- تجربة أولية وتنظيف البيانات وفحص القيم المفقودة.
- EFA لاكتشاف البنية وتعديل البنود.
- CFA على عينة مستقلة أو تقسيم عينة للتحقق من البنية.
- حساب alpha/omega وربطها بالصدق والثبات في وحدة 11.
- تطبيق المقياس في وحدة 10 داخل تحليل الاستبيانات.
- مصدر البنود وطريقة ترجمتها أو تحكيمها إن وجدت.
- حجم العينة ونسبة المشاركين إلى البنود.
- طريقة التعامل مع القيم المفقودة والبنود المعكوسة.
- KMO وBartlett وطريقة الاستخراج والدوران.
- أساس اختيار عدد العوامل: parallel analysis، scree plot، والمعنى النظري.
- التحميلات النهائية، البنود المحذوفة، ومبرر الحذف.
- مؤشرات الثبات والصدق وخطة التحقق على عينة مستقلة.
أُجري تحليل عاملي استكشافي باستخدام principal axis factoring ودوران oblimin لأن العوامل كان متوقعاً أن ترتبط. دعمت قيمة KMO = 0.84 واختبار Bartlett الدال ملاءمة البيانات. اقترح parallel analysis ثلاثة عوامل، واحتُفظ بالبنود ذات تحميلات واضحة ومبررة نظرياً. تراوحت قيم omega للعوامل بين 0.78 و0.86، مما يشير إلى اتساق داخلي مقبول.