‫بسم اهلل الرمحن الرحيم‬

‫‌أ‬

‫‌ب‬

‫اخخباس صحت انبنْت انؼايهْت نهًخغرياث انكاينت‬
‫يف انبحٌد‪ :‬ينحَ انخحهْم ًانخحقق‪.‬‬

‫تأليف‬
‫أ د‪ .‬أيـحـًـذ حـْـغـز ة‬
‫قسم علم النفس ػ كلية الرتبية‬
‫جامعة ادللك سعود‬

‫بجث علمي محكم‬
‫‪2543‬ه ‪3122 -‬و‬

‫‌ج‬

‫‌د‬

‫"حنن كما نعتقد‪ ،‬كل ما حنن فيه نابع من أفكارنا‪ ،‬وبأفكارنا نصنع‬
‫عاملنا‪":‬‬

‫حكمة هىدية عريقة‬

‫ال حتكم على أعمالك بالثمار اليت جنيتها‪ ،‬ولكن بالبذور اليت زرعتها‬

‫روبرت لويس ستيفىسه‬

‫النجاح هو القدرة على اخلروج من فشل إىل آخر‪ ،‬دون فقد احلماس‬

‫ووستون تشرشل‬
‫‌ه‬

‫‌و‬

‫قائمة المحتويات‬
‫سقى انصفحت‬

‫احملخٌّاث‬
‫انفصم األًل‪ :‬يفاىْى يذخهْت أصاصْت‬

‫‪1‬‬

‫‪ ‬فسيفساء الفرضيات ‪3‬‬
‫‪ ‬النماذج النظرية أو ادلفاىيمية ‪6 Conceptual models‬‬
‫‪o‬‬

‫أوال‪ -‬النماذج العاملية التوكيدية‪02 :‬‬
‫‪ 1 ‬ػ النماذج العاملية وحيدة البعد أو العامل‪03 :‬‬
‫‪ 0 ‬ػ النموذج العاملي ذو العاملٌن أو ادلتعدد العوامل ‪06‬‬
‫‪ 3 ‬ػ النموذج العاملي من الدرجة الثانية‬
‫‪ Model‬أو اذلرمي ‪30 Hierarchical Model‬‬
‫ثانيا ػ النموذج البنائي ‪33 Structural Model‬‬
‫ثالثا ػ ظلاذج ٓنليل ادلسار ‪11 Path Analysis Models‬‬

‫‪Second-order Factor‬‬

‫‪o‬‬
‫‪o‬‬

‫‪ ‬دلاذا التحليل العاملي التوكيدي بدال من التحليل العاملي االستكشايف؟ ‪14‬‬
‫انفصم انزانِ‪ :‬يشحهت انخحذّذ‪ً ،‬انخؼْني‪ً ،‬حقذّش انباسيرتاث‬

‫‪33‬‬

‫‪ ‬خطوات اختبار النموذج العاملي التوكيدي ‪33‬‬
‫‪ o‬ادلرحلة األوُف‪ :‬بناء النموذج أو ٓنديده ‪36 Model specification‬‬
‫‪ o‬مثاؿ تطبيقي لتوضيح مراحل النمذجة ‪34‬‬
‫‪ o‬ادلرحلة الثانية‪ :‬تعيٌن النموذج ‪61 Model identification‬‬
‫‪o‬‬

‫ادلرحلة الثالثة‪ :‬تقدير برامرتات النموذج العاملي ادلفرتض أو النظري‬
‫‪43 Parameter Estimation‬‬
‫‪ ‬عملية تقدير الربامرتات احلرة وطرقها ‪41‬‬
‫‌ز‬

‫‪Model‬‬

‫‪ْ ‬نهيز ملف التعليمات بلغة مسبليس ‪ Simplis‬حلزمة ليزرؿ‬
‫‪ْ ‬نهيز ملف التعليمات بلغة حزمة "إكس" ‪02 EQS‬‬

‫‪Lizrel‬‬

‫انفصم انزانذ‪ :‬يشحهت اخخباس صٌدة يطابقت اننًٌرس ػرب يؤششاث املطابقت‬

‫‪20‬‬

‫‪99‬‬

‫‪ ‬ادلرحلة الثالثة‪ :‬مؤشرات ادلطابقة أو زلكات حسن أو جودة ادلطابقة‪:‬‬
‫‪121 fit indices‬‬
‫‪ ‬اجلداوؿ التصنيفية دلؤشرات حسن ادلطابقة ‪120‬‬
‫‪ ‬اجملموعة األوُف‪ :‬مؤشرات ادلطابقة ادلطلقة ‪123 Absolute Fit indices‬‬
‫‪Goodness of‬‬

‫‪‬‬

‫اجملموعة الثانية‪ :‬مؤشرات ادلطابقة ادلقارنة أو التزايدية‬
‫‪123 Fit Indices / incremental Fit Indices‬‬

‫‪‬‬

‫اجملموعة الثالثة‪ :‬مؤشرات تصحيح االفتقار لالقتصاد‬
‫‪ Correction Indices‬أو ادلؤشرات االقتصادية ‪121‬‬

‫‪Comparative‬‬

‫‪Parsimony‬‬

‫‪ ‬التعرؼ على عينة من مؤشرات ادلطابقة ‪111‬‬
‫‪ ‬حدود مؤشرات ادلطابقة ‪102‬‬
‫‪ ‬ما ىي ادلؤشرات األكثر فعالية اليت ينبغي استعماذلا أكثر من غًنىا؟ ‪132‬‬
‫‪ ‬التطبيق على ادلثاؿ‪ :‬نتائج مؤشرات ادلطابقة للنموذج العاملي ادلفرتض ‪133‬‬
‫‪ ‬نتائج تقدير البارامرتات الفردية للنموذج ادلفرتض (تقوًن ادلطابقة التفصيلية لعناصر‬
‫النموذج) ‪113‬‬
‫‪ o‬أوال_ فحص قيم البارامرتات اليت مت تقديرىا ‪113‬‬
‫‪ o‬ثانيا ػ فحص مكوف القياس للنموذج ‪116‬‬
‫‪ ‬نتائج ظلوذج القياس ‪130‬‬
‫‌ح‬

‫انفصم انشابغ‪ :‬يشحهت فحص انبٌاقِ ‪ً residuals‬يؤششاث انخؼذّم ‪ modification indices‬ملشاصؼت‬

‫اننًٌرس ًحصحْحو‪163 .‬‬
‫‪ ‬تعديل النموذج ادلفرتض يف ضوء فحص البواقي ومؤشرات التعديل ‪163‬‬
‫‪ o‬أوال ػ طريقة البواقي ‪166‬‬

‫‪ o‬ثانيا ػ مؤشرات التعديل ‪140 Modification Indices‬‬
‫‪ ‬مثاؿ تطبيقي لتوظيف مؤشرات التعديل لتطوير النموذج العاملي ادلفرتض ‪121‬‬
‫‪ o‬أوال ػ فحص البواقي ‪123‬‬
‫‪o‬‬

‫ثانيا ػ مؤشرات التعديل‬
‫‪ ‬التعديل األوؿ للنموذج ادلفرتض ‪023‬‬
‫‪ ‬التعديل الثاين للنموذج ادلفرتض ‪010‬‬
‫‪Modification Indices‬‬

‫انفصم اخلايش‪ :‬فصم إرشائِ‪ :‬يؼاجلت حفصْهْت ملؤششاث املطابقت‪.‬‬

‫‪101‬‬

‫‪031‬‬

‫‪ ‬توضيح تفصيلي لبعض أنواع مؤشرات جودة ادلطابقة‬
‫‪033‬‬
‫‪ o‬مربع كاي )‪ Chi-square (2‬أو النسبة االحتمالية دلربع كاي‬

‫‪Goodness of fit indices‬‬

‫‪The Likelihood‬‬

‫‪ ،Ratio Chi-square‬أو نسبة االحتماؿ ادلعمم‬
‫‪031‬‬
‫مؤشرات ادلطابقة ادلطلقة ‪032 Absolute fit indices‬‬
‫مؤشرات ادلطابقة ادلقارنة أو التزايدية ‪Comparative/Incremental Fit Indices‬‬

‫‪Generalized Likelihood Ratio‬‬

‫‪o‬‬
‫‪o‬‬

‫‪o‬‬
‫‪o‬‬

‫‪011‬‬
‫مؤشرات ادلطابقة االقتصادية أو ادلقتصدة ‪013 Parsimony Fit Indices‬‬
‫مؤشرات ادلطابقة القائمة على نظرية ادلعلومات ‪Information- theory based fit‬‬
‫‌ط‬

‫‪o‬‬ ‫‪013‬‬ ‫‪indices‬‬ ‫تفصيل مؤشرات ادلطابقة‬ ‫‪016‬‬ ‫انفصم انضادس‪ :‬فصم إرشائِ‪ :‬حهخْص خطٌاث انخحهْم انؼايهِ االصخكشايف ًحطبْقو ػهَ يزال‬ ‫حفصْهِ‪026 :‬‬ ‫‪ ‬عرض تلخيصي خلطوات وإجراءات التحليل العاملي االستكشايف ‪040‬‬ ‫‪ ‬تطبيق إجراءات التحليل العاملي االستكشايف على مثاؿ عملي باستعماؿ حزمة‬ ‫‪026 SPSS‬‬ ‫‪o‬‬ ‫ادلرحلة األوُف‪ :‬فحص مدى قابلية مصفوفة االرتباطات للتحليل العاملي ‪000‬‬ ‫‪o‬‬ ‫ادلرحلة الثانية‪ :‬االستخراج‪ ،‬والتدوير‪ ،‬وتسمية العوامل ‪323‬‬ ‫‪ ‬معلومات التحليل العاملي االستكشايف اليت ينبغي ذكرىا عند ٓنرير تقرير البحث‬ ‫‪300‬‬ ‫المراجع ‪300‬‬ ‫بعض احلزـ اإلحصائية اخلاصة بالنمذجة بادلعادالت ‪330‬‬ ‫المالحق‬ ‫‪363‬‬ ‫‪ ‬ادللحق رقم (‪ :)1‬سلرجات التحليل العاملي التوكيدي باستعماؿ حزمة ليزرؿ‪،‬‬ ‫اخلاصة بادلثاؿ األوؿ‪ :‬ظلوذج العاملٌن (العصابية واإلنطوائية) للشخصية‪ ،‬والذي‬ ‫تطرقنا إليو عرب الفصل الثاين والثالث والرابع ‪363‬‬ ‫‪ ‬ادللحق رقم (‪ :)0‬سلرجات التحليل العاملي التوكيدي باستعماؿ حزمة ليزرؿ‪،‬‬ ‫اخلاصة بادلثاؿ الثاين (تعاطي التدخٌن) الذي تطرقنا إليو يف الفصل الرابع ‪323‬‬ ‫‌ي‬ .

‫‪ ‬ادللحق رقم (‪ :)3‬سلرجات التحليل العاملي التوكيدي باستعماؿ حزمة إكس ‪،EQS‬‬ ‫اخلاصة بادلثاؿ األوؿ‪ :‬ظلوذج العاملٌن (العصابية واإلنطوائية) للشخصية‪ ،‬والذي‬ ‫تطرقنا إليو عرب الفصل الثاين والثالث والرابع ‪124‬‬ ‫‪ ‬ادللحق رقم (‪ :)1‬سلرجات التحليل العاملي التوكيدي باستعماؿ حزمة إكس‬ ‫‪EQS‬‬ ‫اخلاصة بادلثاؿ الثاين (دوافع تعاطي التدخٌن)الذي تطرقنا إليو يف الفصل الرابع‬ ‫‪110‬‬ ‫‌ك‬ .

‫‌ل‬ .

. 199‬‬ ‫جدول ( ‪ )43‬تعيين البارامترات الحرة وغير الحرة أو الثابتة‬ ‫‪parameter specifications‬‬ ‫جدول ( ‪ )53‬مؤشرات المطابقة المختلفة كما تعرضها حزمة ليزرل‪.‬‬ ‫جدول ( ‪ )63‬مؤشرات المطابقة اإلجمالية المحسوبة أو التجريبية والنموذجية للنموذج‬ ‫العاملي الثنائي العوامل للشخصية‬ ‫جدول ( ‪ )73‬قسم من النتائج التي تنطوي على تقديرات قيم‬ ‫‌م‬ ‫‪120‬‬ ‫‪111‬‬ ‫‪133‬‬ ‫‪132‬‬ ‫‪012‬‬ ‫انربايرتاث غري املؼْاسّت‬ ‫(مقاسة بوحدات قياسها األصلية)‪ .‬وىذه البرامترات ىي التشبعات‪ ،‬تغاير العاملين‪ ،‬وتباين وتغاير‬ ‫أخطاء قياس المؤشرات‪. 2006‬‬ ‫جدول ( ‪ )23‬تصنيف مؤشرات المطابقة المختلفة كما وردت في المؤلف الواسع االنتشار‬ ‫ل"شوماخر" و "لوماكس" )‪. et al. 2004‬‬ ‫جدول ( ‪ )33‬تصنيف مؤشرات المطابقة كما وردت في كتاب اإلحصاء المتقدم الواسع‬ ‫االنتشار في العلوم اإلدارية والتجارية واالقتصادية ( ‪.‬‬ ‫‪123‬‬ ‫‪116‬‬ .‫قائًت اجلذاًل‬ ‫سقى اجلذًل ًيٌظٌػو‬ ‫انصفحت‬ ‫جدول ( ‪ )11‬تصنيف إجراءي عملي للفرضيات البحثية المتنوعة‬ ‫‪3‬‬ ‫جدول ( ‪)13‬‬ ‫مؤشرات المطابقة المختلفة مع محكاتها الدالة على جودة المطابقة وفقا‬ ‫للدراسة المسحية النقدية الواسعة التي قام بها شريبر وزمالؤه‬ ‫)‪(Schreiber.)Hair et al.(Schumacker & Lumax.

‬وتؤول‬ ‫معامالت االرتباط المتعدد باعتبارىا تدل على معامالت الثبات للمؤشرات المقاسة‪.‬‬ ‫‌ن‬ ‫‪124‬‬ ‫‪100‬‬ ‫‪101‬‬ .‫جدول ( ‪ )83‬قسم من النتائج التي تنطوي على تقديرات قيم انباسايرتاث املؼْاسّت‪.‬‬ ‫‪162‬‬ ‫جدول (‪ )14‬مصفوفة العينة‪ ،‬ومصفوفة النموذج‪ ،‬ومصفوفة البواقي غير المعيارية ومصفوفة‬ ‫البواقي المعيارية لمثال نموذج العاملين‪ :‬االنطوائية واالنبساطية الموضح في الشكل ( ‪)12‬‬ ‫في الفصل الثاني‪.‬‬ ‫جدول ( ‪ :)93‬معامالت االرتباط المتعدد‬ ‫)‪squared multiple correlation(R2‬‬ ‫‪132‬‬ ‫للداللة‬ ‫على نسبة التباين في المؤشر الذي يفسره العامل الذي ينتمي إليو المؤشر المقاس‪ .‬‬ ‫وىذه البارامترات ىي التشبعات‪ ،‬تغاير العاملين‪ ،‬وتباين وتغاير أخطاء قياس المؤشرات‪.‬‬ ‫جدول(‪ )54‬مؤشرات المطابقة اإلجمالية المحسوبة أو التجريبية ومؤشرات المطابقةالنموذجية‬ ‫أو المحكية للنموذج العاملي الثالثي العوامل لدوافع تعاطي التدخين‪.‬‬ ‫جدول (‪ )2 4‬مؤشرات التعديل ‪ Modification Indices‬وقيم التغير المتوقعة‬ ‫‪160‬‬ ‫‪Expected‬‬ ‫‪ Change‬لمثال نموذج العاملين للشخصية‪ :‬االنطوائية واالنبساطية الموضح في الشكل‬ ‫(‪.)12‬‬ ‫‪141‬‬ ‫جدول (‪ )34‬مصفوفة العينة‪ ،‬ومصفوفة النموذج‪ ،‬ومصفوفة البواقي غير المعيارية ومصفوفة‬ ‫البواقي المعيارية لمثال النموذج المفترض الثالثي العوامل لدوافع سلوك تعاطي التدخين الموضح‬ ‫في الشكل (‪.)24‬‬ ‫جدول (‪ )44‬مؤشرات المطابقة الخاصة بالنموذج الموضح في الشكل(‪ )24‬الذي يمثل‬ ‫نموذجا عامليا ثالثي العوامل لدوافع تعاطي التدخين عند استعمال حزمة ليزرل‪.

‬‬ ‫جدول(‪ )84‬مؤشرات المطابقة اإلجمالية المحسوبة أو التجريبية ومؤشرات المطابقة‬ ‫النموذجية أو المحكية للنموذج العاملي الثالثي العوامل لدوافع تعاطي التدخين‪.‬‬ ‫جدول (‪ )94‬مصفوفة التباين والتغاير للبواقي للنموذج األصلي قبل التعديل‪ ،‬ومصفوفة‬ ‫التباين والتغاير للبواقي للنموذج بعد التعديل‪.‫جدول (‪ )64‬مؤشرات التعديل للنموذج العاملي الثالثي العوامل لدوافع تعاطي المخدرات‬ ‫جدول (‪ )74‬مؤشرات المطابقة لنموذج التحليل العاملي التوكيدي لدوافع تعاطي المخدرات‬ ‫بعد التعديل األول للنموذج‪.‬‬ ‫جدول (‪ )15‬استبيان قلق اإلحصاء عند استخدام حزمة ‪.SPSS‬‬ ‫‌س‬ ‫‪001‬‬ ‫‪000‬‬ ‫‪024‬‬ .‬‬ ‫جدول (‪ )134‬مصفوفة التباين والتغاير للبواقي المعيارية للنموذج العاملي لدوافع تعاطي‬ ‫المخدرات بعد التعديل الثاني‪.‬‬ ‫‪020‬‬ ‫‪022‬‬ ‫‪012‬‬ ‫‪016‬‬ ‫‪010‬‬ ‫‪000‬‬ ‫جدول (‪ )124‬مؤشرات المطابقة اإلجمالية المحسوبة أو التجريبية ومؤشرات‬ ‫المطابقةالنموذجية أو المحكية للنموذج العاملي الثالثي العوامل لدوافع تعاطي التدخين بعد‬ ‫التعديل الثاني‪.‬‬ ‫جدول (‪ )114‬مؤشرات التعديل للنموذج العاملي الثالثي العوامل لدوافع تعطي التدخين‬ ‫جدول الشكل (‪ )114‬مؤشرات المطابقة اإلجمالية للنموذج العاملي الثالثي العوامل لدوافع‬ ‫تعاطي المخدرات بعد التعديل الثاني‪.

‫جدول (‪ )25‬مصفوفة تشبعات فقرات استبيان القلق اإلحصاء عند استعمال حزمة (‪)SPSS‬‬ ‫على عواملها باستعمال التحليل العاملي االستكشافي وبعد التدوير باستعمال طريقة الفاريماكس‬ ‫‪(varimax‬ن=‪ .40‬لتيسير عملية تأويل‬ ‫‪306‬‬ .‬‬ ‫‌ع‬ ‫‪ 0.)2571‬حذفت التشبعات التي تقل عن‬ ‫العوامل وعرضها‪.) 2571‬انطوت المصفوفة على كافة التشبعات المرتفعة والمتوسطة‬ ‫والمنخفضة‪ ،‬سواء تلك التي اعتمدت في تحديد العوامل أو التي لم تعتمد‪.‬‬ ‫‪303‬‬ ‫جدول (‪ ) 35‬مصفوفة تشبعات فقرات استبيان القلق اإلحصاء عند استعمال حزمة (‪)SPSS‬‬ ‫على عواملها باستعمال التحليل العاملي االستكشافي وبعد التدوير باستعمال طريقة الفاريماكس‬ ‫‪(varimax‬ن=‪ .

‬تدل المستطيالت‬ ‫على المتغيرات المقاسة‪ ،‬واألسهم المستقيمة الوحيدة االتجاه على المسارات (تأثير أحد‬ ‫‌ف‬ ‫‪46‬‬ .)2‬‬ ‫‪31‬‬ ‫شكل (‪ ) 41‬نموذج عاملي توكيدي يوضح البنية العاملية الثالثية لمفهوم االحتراق النفسي‬ ‫‪.‬‬ ‫‪39‬‬ ‫شكل (‪ )81‬نمذجة العالقة بين التقويم والسلوك التنظيمي‬ ‫‪41‬‬ ‫شكل (‪ )91‬نموذج تحليل المسار ‪Path Analysis Models‬‬ ‫‪45‬‬ ‫شكل (‪ ) 111‬نموذج تحليل المسار لتوضيح محددات الطموح المهني‪ .‬‬ ‫‪38‬‬ ‫شكل (‪ )71‬نموذج تنظيري بنائي ينظر للعالقات بين االتجاه والسلوك‪.‫قائًت األشكال‬ ‫سقى انشكم ًيٌظٌػو‬ ‫انصفحت‬ ‫شكل (‪ )11‬مثال عن نموذج نظري ينظر لعالقة مصادر الضغوط باإلجهاد‬ ‫‪19‬‬ ‫شكل (‪ )21‬ثالثة نماذج عاملية وحيدة العامل أو البعد‬ ‫‪25‬‬ ‫شكل (‪ )31‬نماذج عاملية استكشافية (أ‪ ،1‬أ‪ )2‬ونماذج عاملية توكيدية (ب‪،1‬ب‪.‬‬ ‫‪34‬‬ ‫شكل (‪ )61‬النموذج البنائي العام الذي يتألف عادة من مكون قياسي (عالقة المؤشرات‬ ‫المقاسة بعاملها الكامن) ومكون بنائي (العالقات بين المتغيرات الكامنة)‪.Burnout‬‬ ‫‪32‬‬ ‫شكل (‪ )51‬نموذج عاملي من الدرجة الثانية (ب) ونموذح عاملي من الدرجة األولى (أ)‪.

‬والتباين الذي ينطوي عليو كل مؤشر مقاس من المؤشرات‬ ‫الثمانية يفسره (يؤثر فيو) العامل الكامن الذي ينتمي إليو (الذي يتشبع عليو) المؤشر أو المتغير‬ ‫المقاس(المقاييس المستعملة)‪ ،‬أما باقي التباين في المؤشر المقاس يفسره خطأ القياس‪.‬وتدل األسهم الوحيدة التي تتجو‬ ‫من الشكلين البيضاويين (أو الدائرتين) إلى المستطيالت (المؤشرات المقاسة) على التشبعات‬ ‫بوحدات غير معيارية‪ ،‬وتدل األسهم الصغيرة الموجودة يسار المؤشرات المقاسة (المستطيالت)‬ ‫‌ص‬ ‫‪153‬‬ .‬‬ ‫شكل (‪ )111‬التمييز بين النموذج العاملي االستكشافي "أ"حيث أن كل المؤشرات ترتبط‬ ‫بكل العوامل‪ ،‬والنموذج العاملي التوكيدي "ب" و "ج" بحيث أن النموذج "ب" قام على افتراض‬ ‫استقالل أخطاء قياس المؤشرات‪ ،‬في حين أن النموذج "ج" قام على افتراض ارتباط أخطاء‬ ‫‪52‬‬ ‫قياس بعض المتغيرات‪.‬‬ ‫شكل( ‪ )22‬نماذج عاملية مختلفة وظفت لتبيان طريقة إحصاء عدد البارامترات الحرة لكل‬ ‫منها‬ ‫‪59‬‬ ‫‪71‬‬ ‫شكل ( ‪ ) 32‬النموذج العاملي المفترض الذي ينطوي على عاملي‪ :‬العصابية واالنبساطية‪.‬‬ ‫الشكل ( ‪ ) 13‬مسار تخطيطي للنموذج العاملي مستقطعا من نتائج ليزرل محتويا على‬ ‫البارامترات المقدرة بوحدتها األصلية غير المعيارية‪ .‬‬ ‫األسهم الدالة على التشبعات التي تحتوي على نجوم تدل على البرامترات الحرة أما السهمان‬ ‫اللذان يحتويات على القيمة ‪ 1‬فيدالن على التشبعين الذين تم تثبيت قيمتهما سلفا لتحديد وحدة‬ ‫‪85‬‬ ‫القياس للعاملين الكامنين‪.‬قيس‬ ‫عامل العصابية بأربعة مقاييس لتمثل مؤشراتو األربعة المقاسة‪ ،‬وتم قياس عامل االنبساطية بأربعة‬ ‫مقاييس لتمثل مؤشراتو األربعة المقاسة‪ .‫المتغيرين على اآلخر)‪ ،‬واألسهم المحدبة المزدوجة االتجاه على العالقات االرتباطية بين‬ ‫المتغيرات المستقلة الخارجية‪.‬يدل السهم المحدب المزدوج االتجاه على‬ ‫التغاير ‪ covariance‬بين عامل العصا بية وعامل االنبساطية‪ .‬‬ ‫شكل ( ‪ )12‬النموذج العاملي المفترض الذي ينطوي على عاملي‪ :‬العصابية واالنبساطية‪ .

‬‬ ‫يدل السهم المحدب المزدوج االتجاه على التغاير االرتباط بين عامل العصابية وعامل‬ ‫االنبساطية‪ .‬يدل السهم المحدب المزدوج االتجاه على التغاير‬ ‫االرتباط بين عامل العصابية وعامل االنبساطية‪ .‫على تباين أخطاء القياس ‪ error variance‬أو بواقي تباين المؤشرات المقاسة التي لم يقو‬ ‫العامل الذي ينتسب إليو المؤشر المقاس من تفسيرىا‪ ،‬ولذلك سميت أيضا بالبواقي‬ ‫‪.‬كما تدل‬ ‫المؤشرات المقاسة )‪ (EX1-EX4‬لعامل االنبساطية على الدفء العاطفي‪ ،‬الوداعة‪ ،‬توكيد‬ ‫الذات‪ ،‬المشاعر اإليجابية على التوالي‪ .residuals‬‬ ‫‪158‬‬ ‫شكل (‪ ) 14‬مسار تخطيطي للنموذج العاملي المفترض لتفسير الشخصية بافتراض عاملين‬ ‫أساسيين‪:‬العصابية )‪ (Neuroticism‬واالنبساطية )‪ :(Extraversion‬تدل المؤشرات المقاسة‬ ‫)‪ (N1-N4‬لعامل العصابية على القلق‪ ،‬العدوانية‪ ،‬االكتئاب‪ ،‬الوعي الذاتي على التوالي‪ .residuals‬‬ ‫‪182‬‬ ‫شكل (‪)24‬النموذج العاملي الثالثي العوامل لدوافع تعاطي التدخين‬ ‫‪183‬‬ ‫شكل (‪ ) 34‬القيم المعيارية لبارامترات نموذج التحليل العاملي التوكيدي الثالثي األبعاد لدوافع‬ ‫‪217‬‬ ‫‌ق‬ .‬وتدل األسهم الوحيدة التي تتجو من الشكلين‬ ‫البيضاويين (أو الدائرتين) إلى المستطيالت (المؤشرات المقاسة) على التشبعات بوحدات‬ ‫معيارية‪ ،‬وتدل األسهم الصغيرة الموجودة يسار المؤشرات المقاسة (المستطيالت) على تباين‬ ‫أخطاء القياس ‪ error variance‬أو بواقي تباين المؤشرات المقاسة التي لم يقو العامل الذي‬ ‫ينتسب إليو المؤشر المقاس من تفسيرىا‪ ،‬ولذلك سميت أيضا بالبواقي ‪.‬يظهر النموذج البارامترات المقدرة بوحدات معيارية‪.‬وتدل األسهم الوحيدة التي تتجو من الشكلين البيضاويين (أو الدائرتين) إلى‬ ‫المستطيالت (المؤشرات المقاسة) على التشبعات بوحدات معيارية‪ ،‬وتدل األسهم الصغيرة‬ ‫الموجودة يسار المؤشرات المقاسة (المستطيالت) على تباين أخطاء القياس ‪error variance‬‬ ‫أو بواقي تباين المؤشرات المقاسة التي لم يقو العامل الذي ينتسب إليو المؤشر المقاس من‬ ‫تفسيرىا‪ ،‬ولذلك سميت أيضا بالبواقي ‪.residuals‬‬ ‫شكل ( ‪ ) 23‬مسار تخطيطي للنموذج العاملي مستقطعا من نتائج ليزرل محتويا على‬ ‫البارامترات المقدرة بوحدات معيارية‪ .

‬‬ ‫شكل (‪ ) 44‬القيم المعيارية لبرامترات نموذج التحليل العاملي الثالثي األبعاد بعد إضافة تشبع‬ ‫‪ X4‬على العامل الثاني ‪( Social‬الدوافع االجتماعية)‪ ،‬عند التعديل الثاني‪.‬‬ ‫‌ر‬ ‫‪221‬‬ .‫تعاطي المخدرات‪ ،‬بعد تحرير (ارتباط) خطأ المؤشرين‪(X12 ، X11 :‬التعديل األول للنموذج)‪.

‬فقد تتأثر بعض مصادر الضغط دوف‬ ‫ادلصادر األخرى ببعد ضبط االنفعاالت باعتباره بعدا من أبعاد متغًن التعامل وال تتأثر بأبعاد‬ ‫التعامل األخرى كبعد ادلعاجلة الواقعية‪ ،‬وبعد التحوير الذىين لداللة الضغط؛ يف حٌن قد صلد‬ ‫‌ش‬ .‬‬ ‫إف دراسة العالقات بٌن ادلتغًنات على مستوى األبعاد ؽلدنا ّنعلومات ثرية عن‬ ‫العالقة عند دراسة العالقة بٌن ادلتغًنين أو ادلتغًنات‪ .‫يقذيت‬ ‫لنتأمل ادلثاؿ التاِف‪ :‬ىب أننا نريد أف ندرس العالقة بٌن مفهوـ أو متغًن مصادر‬ ‫الضغط ‪ stress‬ومفهوـ أو متغًن التعامل ‪ coping‬مع الضغوط‪ .‬إف دراسة العالقة بٌن مفهومٌن أو متغًنين بدوف ٓنليل‬ ‫كل مفهوـ إُف أبعاده‪ ،‬أو مكوناتو‪ ،‬أو عواملو‪ ،‬ال ؽلدنا باستبصار عن السلوؾ احلقيقي لكل‬ ‫متغًن‪ ،‬وال يزودنا ّنعلومات ثرية عن طبيعة العالقة بٌن ادلفهومٌن أو ادلتغًنين‪ .‬ما ذا لو غًننا‬ ‫من اسرتاتيجية دراسة العالقة بٌن متغًني الضغط والتعامل بتحليل الضغط إُف أبعاده‬ ‫باستعماؿ التحليل العاملي االستكشايف ( عند افتقارنا لتصور عن البنية العاملية للمفهوـ أو‬ ‫أبعاده أو عواملو ) ‪ ،‬أو باستعماؿ التحليل العاملي التوكيدي للتأكد من صحة األبعاد اليت‬ ‫نعتقد أهنا تؤلف ادلفهوـ‪ ،‬وىو موضوع ىذا الكتاب‪ ،‬وبتحليل مفهوـ التعامل مع الضغوط‬ ‫إُف أبعاده؛ وبعد ٓنليل كال ادلفهومٌن‪ :‬الضغط‪ ،‬والتعامل إُف أبعادعلا‪ ،‬وبعد التأكد من‬ ‫صحة أبعاد كل مفهوـ باستعماؿ التحليل العاملي التوكيدي‪ ،‬ننتقل إُف دراسة العالقات بٌن‬ ‫أبعاد الضغط بأبعاد التعامل‪ ،‬بدال من دراسة العالقة بٌن الدرجة الكلية للضغط بالدرجة‬ ‫الكلية للتعامل‪.‬فقد طلترب صحة العالقة بٌن‬ ‫مصادرالضغط كمتغًن متجانس باستعماؿ الدرجة الكلية لو بالدرجة الكلية دلتغًن التعامل‬ ‫باعتباره ىو اآلخر متغًنا متجانسا‪ .

‬أي معرفة إُف أي حد ٕنثل ىذه األبعاد ادلفهوـ الذي نعتقد أهنا تنتسب إليو‪ .‬‬ ‫تتأت من خالؿ دراسة‬ ‫إذف الدراسة الثرية لسلوؾ ادلتغًنات أو ادلفاىيم يف الواقع ّ‬ ‫أبعادىا‪ ،‬أو عواملها‪ .‬‬ ‫‌ت‬ .‬والطريقة‬ ‫اإلجرائية الكمية الختبار ىذا االفرتاض ( أي افرتاض صحة النموذج العاملي حيث ٓندد‬ ‫العومل من طرؼ الباحث‪ ،‬ومسمياهتا‪ ،‬وادلؤشرات او ادلتغًنات ادلقاسة اليت يفرتض أهنا‬ ‫تتشبع على عامل معٌن ) تتمثل يف التحليل العاملي التوكيدي الذي ؽلثل موضوع الكتاب‬ ‫احلاِف‪.‬‬ ‫وعقب التطرؽ ببعض التفصيل إُف أساسيات التحليل العاملي التوكيدي وال سيما‬ ‫عملية بناء النماذج النظرية وكيفية قراءهتا يف الفصل األوؿ‪ ،‬عاجلت خطوات اختبار النموذج‬ ‫العاملي التوكيدي‪.‬فثمة‬ ‫إذف ٕنايز أو تفاضل يف عالقة أبعاد الضغط بأبعاد التعامل‪ .‬وىذه ادلعلومات الثرية عن‬ ‫السلوؾ التفاضلي ألبعاد ادلفاىيم ىي اليت نفتقدىا‪ ،‬أو نطمسها عن قصد أو غًن قصد‪،‬‬ ‫عندما ندرس ادلفهوـ باستعماؿ درجتو الكلية باعتباره مفهوما متجانس ادلكونات أو األبعاد‪.‬‬ ‫لقد حاولت أف أعاًف موضوع التحليل العاملي معاجلة ىي أقرب إُف مناىج‬ ‫البحث منها إُف اإلحصاء‪ ،‬مركزا على اجلانب الوظيفي ذلذه الطريقة مبتعدا عن أي اشتقاؽ‬ ‫رياضي‪ ،‬كما عملت على تبياف اجلوانب ادلنطقية ادلتعددة لطريقة التحليل العاملي التوكيدي‪،‬‬ ‫ورّكزت كثًنا على اجلوانب الداللية بدال من الرتكيز على اجلونب اإلحصائية‪ .‬ولدراسة أبعاد ادلفهوـ أو ادلتغًن ضلتاج يف الغالب إُف التأكد ابتداء من‬ ‫أف األبعاد اليت نعتقد أهنا تشكل قواـ ادلفهوـ صادقة‪ ،‬وتنسجم مع البيانات األمبًنيقية‬ ‫للعينة‪ .‬وإمعانا يف إبراز‬ ‫عززنا بعض نتائج استعماؿ‬ ‫اجلوانب العملية اإلجرائية مت توظيف حزمة ليزرؿ ‪ُ Lisrel‬نيث ّ‬ ‫احلزمة بشروح ضافية‪ ،‬كما قسمنا عملية بناء النموذج العاملي الذي يراد اختباره إُف مراحل‬ ‫لكي يتيسر على القاريء استيعاب أساسيات التحليل العاملي التوكيدي‪ ،‬وتوظيفو‪ ،‬وتطبيقو‪.‫مصادر أخرى للضغط ترتبط ببعد ادلعاجلة الواقعية‪ ،‬وال ترتبط بأبعاد التعامل األخرى‪ .

‬ويتم تعزيز ىذا‬ ‫ادلثاؿ التطبيقي بتطبيق آخر عند معاجلة ادلرحلة اخلامسة ادلتعلقة ّنراجعة النموذج وتعديلو‪،‬‬ ‫لتوضيح اجلوانب ادلختلفة آلليات إعادة تعديل النموذج‪ ،‬لكوف مثاؿ تطبيقي واحد غًن كاؼ‬ ‫لإلدلاـ بادلوضوع‪.‫وحفاظا على التوازف يف حجم الفصوؿ‪ ،‬عاجلت ادلرحلة األوُف‪ :‬بناء النموذج أو‬ ‫ٓنديده‪ ،‬وادلرحلة الثانية‪ :‬تعيٌن النموذج‪ ،‬وادلرحلة الثالثة‪ :‬تقدير معاَف أو بارمرتات النموذج‪،‬‬ ‫يف سياؽ الفصل الثاين‪ .‬فهذه التغذية الراجعة‬ ‫‌ث‬ .‬‬ ‫وإذ أقدـ ىذا العمل إُف القراء يف موضوع عرؼ ندرة يف اادلراجع باللغة العربية‪،‬‬ ‫فإين آمل يف استقباؿ انطباعات القراء‪ ،‬وتعقيباهتم‪ ،‬ومالحظاهتم‪ .‬أما ادلرحلة الرابعة اليت تعىن باختبار جودة مطابقة النموذج عن طريق‬ ‫مؤشرات ادلطابقة ادلختلفة فتناولناىا يف الفصل الثالث‪ ،‬أما ادلرحلة اخلامسة واألخًنة اليت‬ ‫تتمثل يف مراجعة النموذج أو تعديلو يف ضوء مؤشرات التعديل فسيتم التطرؽ إليها يف الفصل‬ ‫الرابع‪.‬ومعرفة التحليل العاملي‬ ‫االستكشايف يفيد ػ دوف ريب ػ يف استيعاب التحليل العاملي التوكيدي‪.‬‬ ‫أما الفصل اخلامس والفصل السادس ففصالف إثرائياف‪ .‬وعين الفصل السادس‬ ‫بتوضيح عملي إجرائي خلطوات التحليل العاملي االستكشايف‪ .‬‬ ‫وتالفيا لكثرة األمثلة التوضيحية اليت قد تربك القارئ ألف كثرهتا يستتبع بالضرورة‬ ‫كثرة اإلحالة إليها أثناء معاجلة مراحل اختبار النموذج العاملي التوكيدي‪ ،‬وبالتاِف ال يلبث‬ ‫القارئ أف ينتقل جيئة وذىابا بٌن الفصوؿ لكثرة اإلحاالت إُف األمثلة عند تعددىا‪ .‬فالفصل اخلامس عين‬ ‫مفصل لبعض مؤشرات جودة ادلطابقة نظرا ألعليتها القصوى يف اختبار النماذج‬ ‫بتوضيح ّ‬ ‫العاملية‪ ،‬ألف معاجلتها يف الفصل الثالث كانت معاجلة مقتضبة‪ .‬وبدال‬ ‫من ذلك‪ ،‬رأيت من األنسب أف أنتقي مثاال يضاىي واقع البحوث يف إطار ظلذجة التحليل‬ ‫العاملي‪ ،‬ونتتبعو بالتطبيق عليو طيلة تطرقنا دلراحل النمذجة مرحلة مرحلة‪ .

‬‬ ‫‌خ‬ .‬وهلل وِف التوفيق والسداد‪.‫ادلنبثقة عن القراء تفيد يف تقوًن ىذه العمل وتبياف مواطن القوة والضعف اليت ينطوي عليها‪،‬‬ ‫كما تفيد يف التنمية ادلستمرة ذلذا العمل وتطويره‪ .

‫انفـصم األًل‬ ‫يفاىْى‬ ‫يذخهْت أصاصْت‬ ‫‪-‬‬ .

- .

‬‬ ‫ولع ػػل أكث ػػر ى ػػذه الفرض ػػيات ش ػػيوعا وال ػػيت نص ػػادفها بكث ػػرة يف البح ػػوث ادلنش ػػورة الفرض ػػيات‬ ‫االرتباطيػػة والفرض ػػيات الفرقيػػة‪ .‬ذػػيذفذهذاحلاؾة‪،‬ذػضالذعنذ‬ ‫توؼعذاؾباحثذوجودذعالؼةذبنيذاإلحباطذواؾدؾوكذاؾعدواـيذ‪،‬ذػإـهذميقلذإىلذاالعتؼادذبأنذاؾعالؼةذبنيذ‬ ‫املتغريقن ذؿوجبة ذ( ذؽؾؿا ذازداد ذاإلحباط ذازداد ذاؾدؾوك ذاؾعدواـي)‪ ،‬ذوؾقدت ذعالؼة ذداؾبة ذ(ؽؾؿا ذازدادذ‬ ‫اإلحباطذاخنػضذاؾدؾوكذاؾعدواـي)‪ .‬‬ ‫عذ‪ٚ‬ي ( ‪ )11‬رصٕ‪١‬ف ئعشاء‪ ٞ‬ػٍّ‪ٌٍ ٟ‬فشظ‪١‬بد اٌجؾض‪١‬خ اٌّزٕ‪ٛ‬ػخ ‪.‬والفرضػػيات األخػػرى وفقػػا الجتهػػاد الباحػػث تشػػمل فضػػال عػػن الفرضػػيات الفرقيػػة‬ ‫والفرضػ ػػيات االرتباطيػ ػػة‪ ،‬الفرضػ ػػيات التنبؤيػ ػػة‪ ،‬والفرضػ ػػيات الوسػ ػػيطية‪ ،‬والفرضػ ػػيات التفاعليػ ػػة‬ ‫الشرطية‪ ،‬ىالفرضيات السببة‪ ،‬والفرضيات العاملية‪ ،‬والفرضػيات الصػفرية اإلحصػائية وفرضػيات‬ ‫انعداـ العالقة (أنظر اجلدوؿ ‪ 11‬الػذي ينطػوي علػى سلتلػف الفرضػيات الػيت اجتهػد الباحػث‬ ‫يف حصرىا وتصنيفها من واقع البحوث)‪.‬ذوؼدذقضقفذاؾباحثذإىلذاؾػرضقةذاؾدابؼةذاجتافاذؾؾعالؼةذذحبقثذقػرتضذوجودذعالؼةذ‬ ‫ارتبارقةذذؿوجبةذ ذبنيذؿتغريذاإلحباطذوؿتغريذاؾدؾوكذاؾعدواـيذؾؾطػل‪.‬وى ػػذاف النمط ػػاف يس ػػوداف س ػػيادة تام ػػة بقيػػة أن ػواع الفرض ػػيات‬ ‫األخػػرى‪ .‬‬ ‫توِ٘ذ‬ ‫تعؽس ذاؾػرضقات ذاجلفد ذاؾتـظريي ذؾؾباحث‪ .‬ذ‬ ‫‪-‬‬ .‫فضْفضاء انفشظْاث‪:‬‬ ‫هتػػيمن الفرضػػيات اجلزئيػػة البسػػيطة ىيمنػػة كاملػػة علػػى البحػوث يف العػػاَف العػػر ‪.‬ذػاؾباحث ذقتوؼع ذاحتؿال ذوجودذ‬ ‫عالؼةذبنيذؿتغريقنذذ(أوذعالؼاتذبنيذؿتغريات)؛ذؽؿاذميؽنذأنذقتوؼعذأقضاذربقعةذتؾكذاؾعالؼةذػإذاذ‬ ‫اػرتض ذاؾباحث ذوجود ذعالؼة ذارتبارقة ذبني ذؿتغري ذاإلحباط ذ ذوؿتغري ذاؾدؾوك ذاؾعدواـي ذؾؾطػل‪ ،‬ذػإنذ‬ ‫اؾػرضقةذذفذهذتعؽسذاؾتوجهذاؾذفينذؾؾباحثذألـهذميقلذإىلذترجقحذوجودذعالؼةذبنيذاملتغريقنذعنذ‬ ‫عدمذوجودفا‪.

‬‬ ‫ـ ‪ٛ٠‬عذ فشق ث‪ ٓ١‬اٌزو‪ٛ‬س ‪ٚ‬اإلٔبس ف‪ ٟ‬اٌمذسح ػٍ‪ ٝ‬رؼٍُ اٌٍغبد‬ ‫األعٕج‪١‬خ‪.‬ذ‬ ‫ؾؼد ذرجعت ذإىل ذؿراجع ذعدقدة ذوال ذدقؿا ذتؾك ذاؾيت ذتعـى ذمبـفجقةذاؾبحث ذ ذيفذ‬ ‫اجملاالتذاؾـػدقةذواؾرتبوقةذواالجتؿاعقةذؾعؾينذأصادفذتصـقػاذؾؾػرضقاتذقتؿاذىذوواؼعذاؾبحوثذ‪.‫ػػرضقةذاؾبحث‪،‬ذإذن‪،‬ذتعؽسذاملوؼفذاؾذفينذأوذذاؾتوجهذاؾذفينذؾؾباحثذؿنذ‬ ‫ؿشؽؾةذاؾدرادة‪.‬ذ‬ ‫ؾذؾكذاجتفدتذيفذوضعذذاؾتصـقفذذاإلجرائيذاؾتاؾيذؾؾػرضقاتذاؾبحثقة‪،‬ذعؼبذ‬ ‫ػحصـاذؾعددذؽبريذؿنذاؾػرضقاتذاملبثوثةذيفذاؾبحوثذاملـشورةذيفذجمالتذعؾوذاؾـػسذوػروعهذاملختؾػة‪،‬ذ‬ ‫وجمالت ذاؾرتبقة ذوؿقادقـفا‪ ،‬ذوجمالت ذعؾم ذاالجتؿاع‪ .‬ذوؼدذذقتؿثلذفذاذاؾتوجهذاؾذفينذـذبؽلذبدارةذـذذيفذاػرتاضذوجودذعالؼةذأوذوجودذ‬ ‫ػروق‪،‬ذوؼدذقتؿثلذأقضاذيفذحتدقدذربقعةذاؾعالؼةذأوذاؾػروق‪،‬ذعالوةذعؾىذتوؼعذوجودفا‪ .‬ذأيذتـاولذأـواعذاؾػرضقاتذاؾؼابؾةذؾالختبارذؽؿاذ‬ ‫وردتذيفذاؾبحوثذاؾـػدقةذواؾرتبوقةذواالجتؿاعقة‪ .‬ذ‬ ‫ذ‬ ‫هخطظ تصٌ٘فٖ إجشائٖ للفشض٘اث هي اجتِاد الباحث‬ ‫(أّال) الفشض٘ت الفشل٘ت‬ ‫‪1‬ـ‪ 1‬فشض٘ت فشل٘ت بس٘طت (تٌطْٕ علٔ هتغ٘شٗي فمظ)‬ ‫‪1‬ـ‪1‬ـ‪ 1‬فشض٘ت فشل٘ت بس٘طت عذٗوت االتجاٍ‬ ‫ـ ‪ٛ٠‬عذ فشق ث‪ ٓ١‬اٌزاوشح اٌّغّؼخ ‪ٚ‬اٌّزاوشح اٌّ‪ٛ‬صػخ ف‪ٟ‬‬ ‫اٌزؾص‪ً١‬‬ ‫ـ ‪ٛ٠‬عذ فشق ف‪ِ ٟ‬غز‪ ٜٛ‬اٌمٍك ث‪ ٓ١‬اٌزو‪ٛ‬س ‪ٚ‬االٔبس‪.‬‬ ‫‪-‬‬ .‬ذ‬ ‫غريذأـيذؽؾؿاذأؿعـتذيفذاؾبحثذازددتذإحبارا‪،‬ذألنذتـاولذؿوضوعذاؾتـظريذذواؾـظرقاتذواؾػرضقات‪،‬ذ‬ ‫واملواضقعذاألخرىذذاتذاؾعالؼة‪،‬ذيفذؽتبذاملـفجقةذاألجـبقةذؿـفاذواؾعربقة‪،‬ذقتدمذباملعقارقةذ(ؽقفذ‬ ‫قـبغي ذأن ذتؽون ذعؾقه ذاؾػرضقة ذ) ذبدال ذؿن ذاؾواؼقة ذ(حتؾقل ذاؾػرضقات ذاـطالؼا ذؿن ذواؼع ذاؾبحوث)‪،‬ذ‬ ‫وباؾتجرقدذاملتؿرؽزذحولذتعرقفذاؾـظرقاتذووصػفاذ(بقـؿاذاؾبحوثذيفذاؾواؼعذترؽزذيفذعؿؾقةذاؾتـظريذ‬ ‫عؾىذاؾػرضقات)ذبدالذؿنذاؾتـاولذاإلجرائيذؾؾػرضقات‪.‬ذودأؼدم ذػقؿا ذقؾي ذخمططا ذهلذا ذاؾتصـقف‪،‬ذ‬ ‫ودأتبعهذبشرحذؿعززذبأؿثؾةذتوضقحقة‪ .

‫‪1‬ـ‪1‬ـ‪ 2‬فشض٘ت فشل٘ت بس٘طت راث االتجاٍ (هتجِت )‬ ‫ـ ‪ٛ٠‬عذ فشق ث‪ ٓ١‬اٌّزاوشح اٌّ‪ٛ‬صػخ ‪ ٚ‬اٌّزاوشح اٌّغّؼخ ف‪ٟ‬‬ ‫ِغز‪ ٜٛ‬اٌزؾص‪ٌ ،ً١‬صبٌؼ اٌّزاوشح اٌّ‪ٛ‬صػخ‪.ٗ٠‬‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ِ ٓ١‬زغ‪١‬ش اٌّ‪ٙ‬بساد االعزّبػ‪١‬خ‬ ‫‪-‬‬ .‬‬ ‫ـ اإلٔبس أوضش لٍمب ِٓ اٌزو‪ٛ‬س‪.‬‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ‬ ‫اٌ‪ٛ‬ظ‪١‬ف‪.‬‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ ٓ١‬عٕ‪ٛ‬اد اٌخذِخ ٌٍّذسط‬ ‫‪ٚ‬سظبٖ اٌ‪ٛ‬ظ‪١‬ف‪ .ٟ‬‬ ‫ث‪ ٓ١‬عٕ‪ٛ‬اد اٌخذِخ ٌٍّذسط ‪ٚ‬سظبٖ‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ث‪ِ ٓ١‬زغ‪١‬ش اٌّ‪ٙ‬بساد االعزّبػ‪١‬خ ‪ِٚ‬زغ‪١‬ش‬ ‫اٌزفى‪١‬ش اإلثذاػ‪.‬‬ ‫‪1‬ـ ‪ 2‬الفشض٘اث الفشل٘ت الوشكبت ( تٌطْٕ علٔ أكثش هي هتغ٘شٗي)‬ ‫‪‬‬ ‫[أّال] بذّى ركش اتجاٍ الفشّق‬ ‫ـ ر‪ٛ‬عذ فش‪ٚ‬ق ف‪ ٟ‬أعب‪٠‬ت ِ‪ٛ‬اع‪ٙ‬خ ظغ‪ٛ‬غ أؽذاس اٌؾ‪١‬بح ِٓ‬ ‫ؽ‪١‬ش ِزغ‪١‬شاد‪ :‬اٌغٕظ (رو‪ٛ‬س ـ ئٔبس) ‪ ،‬اٌؼّش (ِٕخفط ـ ِز‪ٛ‬عػ ـ‬ ‫ِشرفغ)‪ٛٔ ،‬ع اٌؼًّ (ػبٍِ‪ ْٛ‬ـ غ‪١‬ش ػبٍِ‪ٚ ، ) ٓ١‬اٌؾبٌخ االعزّبػ‪١‬خ‬ ‫(ِزض‪ٚ‬ع‪ ْٛ‬ـ غ‪١‬ش ِزض‪ٚ‬ع‪.‬‬ ‫ثاً٘ا‪ :‬الفشض٘اث االستباط٘ت‪:‬‬ ‫‪2‬ـ‪ 1‬فشض٘ت استباط٘ت بس٘طت (تٌطْٕ علٔ هتغ٘شٗي)‬ ‫‪2‬ـ‪1‬ـ‪ 1‬فشض٘ت استباط٘ت بس٘طت عذٗوت االتجاٍ (غ٘ش هتجِت)‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسر‪١‬بغ‪١‬خ ث‪ ٓ١‬اٌذافغ ٌإلٔغبص ‪ِٚ‬غز‪ ٜٛ‬اٌطّ‪ٛ‬ػ‪.ٟ‬‬ ‫‪2‬ـ‪1‬ـ‪ 2‬فشض٘ت استباط٘ت بس٘طت راث االتجاٍ (هتجِت)‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬اٌذافغ ٌإلٔغبص ‪ِٚ‬غز‪ٜٛ‬‬ ‫اٌطّ‪ٛ‬ػ‪ٚ ،‬ثزؼج‪١‬ش أ‪ٚ‬ظؼ‪ ،‬وٍّب اصداد اٌذافغ ٌإلٔغبص ‪ ،‬اسرفغ‬ ‫ِغز‪ ٜٛ‬اٌطّ‪ٛ‬ػ ‪.ٟ‬أ‪ ٞ‬وٍّب اصدادد عٕ‪ٛ‬اد اٌخذِخ ٌٍّذسط‪،‬‬ ‫أخفط ِغز‪ ٜٛ‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪ٌ ٟ‬ذ‪.‬‬ ‫ـ اإلٔبس اوضش لذسح ػٍ‪ ٝ‬رؼٍُ اٌٍغبد األعٕج‪١‬خ ِٓ اٌزو‪ٛ‬س ‪.) ٓ١‬‬ ‫‪‬‬ ‫[ثاً٘ا] هع ركش إتجاٍ الفشّق‪:‬‬ ‫ـ ر‪ٛ‬عذ فش‪ٚ‬ق ث‪ ٓ١‬اٌطالة ‪ٚ‬اٌطبٌجبد ف‪ِ ٟ‬زغ‪١‬ش اٌؾغبع‪١‬خ‬ ‫ٌٍّشىالد‪ِٚ ،‬زغ‪١‬ش اٌّ‪ٛ‬اظج‪ ٝ‬ػٍ‪ ٝ‬اٌذساعخ‪ِٚ ،‬زغ‪١‬ش اٌّجبدأح أ‪ٚ‬‬ ‫اٌّجبدسح‪ ،‬ثؾ‪١‬ش أْ اإلٔبس اوضش ؽغبع‪١‬خ ٌٍّشىالد ‪ٚ‬اوضش ِ‪ٛ‬اظجخ‬ ‫ػٍ‪ ٝ‬اٌذساعخ ‪ٚ‬الً ِجبدأح ِٓ اٌزو‪ٛ‬س‪.

‬‬ ‫ـ وٍّب اصداد ؽغُ اٌزٕظ‪ Organization ُ١‬اسرفؼذ دسعخ‬ ‫دسعخ‬ ‫٘شِ‪١‬خ اٌغٍطخ ‪ٚ‬دسعخ اٌزخصص ف‪ٙ١‬ب ‪ٚ‬أخفعذ‬ ‫اٌشىٍ‪١‬خ ‪ٚ‬دسعخ اٌّشبسوخ ف‪ٙ١‬ب‪.‬‬ ‫‪2‬ـ‪2‬ـ‪ 2‬استباط هجوْعت هتغ٘شاث بوجوْعت هتغ٘شاث أخشٓ فٖ آى ّاحذ‪:‬‬ ‫[ اّال] عاللاث استباط٘ت عذٗوت االتجاٍ (غ٘ش هتجِت)‬ ‫ـ ر‪ٛ‬عذ ػاللبد اسرجبغ‪١‬خ خط‪١‬خ داٌخ ث‪ ٓ١‬أثؼبد اٌعغػ اٌ‪ٛ‬ظ‪١‬ف‪:ٟ‬‬ ‫صشاع اٌذ‪ٚ‬س‪ ،‬غ‪ٛ‬ض اٌذ‪ٚ‬س‪ ،‬ػج‪ٝ‬ء اٌذ‪ٚ‬س‪ٔ ،‬ذسح اٌؾ‪ٛ‬فض ‪ ،‬ع‪ٛ‬ء‬ ‫االششاف اظطشاة اٌؼاللبد اٌ‪ٛ‬ظ‪١‬ف‪١‬خ ثأثؼبد اإلع‪ٙ‬بد‪ :‬اٌمٍك‬ ‫‪ٚ‬االوزئبة ‪ٚ‬األػشاض اٌغ‪١‬ى‪ٛ‬ع‪ِٛ‬بر‪١‬خ ‪ٚ‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪.‫‪ِٚ‬زغ‪١‬ش اٌزفى‪١‬ش اإلثذاػ‪.ٟ‬‬ ‫ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ خط‪١‬خ داٌخ ث‪ِٙ ٓ١‬بساد اٌزوبء‬ ‫ـ‬ ‫االعزّبػ‪ ٟ‬اٌّزّضٍخ ف‪ ٟ‬اٌزؼج‪١‬ش االٔفؼبٌ‪ٚ ،ٟ‬اٌؾغبع‪١‬خ‬ ‫االٔفؼبٌ‪١‬خ‪ٚ ،‬اٌعجػ االٔفؼبٌ‪ٚ ،ٟ‬اٌزؼج‪١‬ش االعزّبػ‪ٚ ،ٟ‬اٌؾغبع‪١‬خ‬ ‫االعزّبػ‪١‬خ ‪ٚ‬اٌعجػ االعزّبػ‪ٚ ،ٟ‬ث‪ ٓ١‬لذساد اٌزفى‪١‬ش االثزىبس‪ٞ‬‬ ‫‪ٚ‬االعزفبظخ‬ ‫اٌّزّضٍخ ف‪ ٟ‬اٌطاللخ ‪ٚ‬اٌّش‪ٔٚ‬خ ‪ٚ‬األصبٌخ‬ ‫‪-‬‬ .‬‬ ‫[ثاً٘ا] عاللاث استباط٘ت راث االتجاٍ (هتجِت)‬ ‫ر‪ٛ‬عذ ػاللبد اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ِ ٓ١‬زغ‪١‬ش اٌّ‪ٙ‬بساد‬ ‫ـ‬ ‫االعزّبػ‪١‬خ‪ٚ ،‬ث‪ِ ٓ١‬زغ‪١‬شاد أ‪ ٚ‬لذساد اٌزفى‪١‬ش اإلثذاػ‪ ٟ‬اٌّزّضٍخ‬ ‫ف‪ ٟ‬اٌطاللخ ‪ٚ‬اٌّش‪ٔٚ‬خ ‪ٚ‬األصبٌخ ‪ٚ‬االعزفبظخ (‪ ) Elaboration‬أ‪ٚ‬‬ ‫اٌزفبص‪ٚ ً١‬اٌؾغبع‪١‬خ ٌٍّشىالد‪.‬‬ ‫ـ ر‪ٛ‬عذ ػاللبد اسرجبغ‪١‬خ ث‪ ٓ١‬ؽغُ اٌزٕظ‪Organization ُ١‬‬ ‫‪ٚ‬ث‪ ٓ١‬دسعخ ٘شِ‪١‬خ اٌغٍطخ ‪ٚ‬دسعخ اٌشىٍ‪١‬خ ‪ٚ‬دسعخ اٌزخصص‬ ‫‪ٚ‬دسعخ اٌّشبسوخ ف‪ٙ١‬ب‪.ٟ‬‬ ‫‪2‬ـ‪ 2‬فشض٘ت استباط٘ت هشكبت‬ ‫‪2‬ـ‪2‬ـ‪ 1‬عاللاث استباط٘ت ب٘ي هتغ٘ش هي جِت بوجوْعت هتغ٘شاث هي جِت‬ ‫أخشٓ‪:‬‬ ‫[ اّال] عاللاث استباط٘ت عذٗوت االتجاٍ (غ٘ش هتجِت)‬ ‫ـ ر‪ٛ‬عذ ػاللبد اسرجبغ‪١‬خ ث‪ِ ٓ١‬زغ‪١‬ش اٌّ‪ٙ‬بساد االعزّبػ‪١‬خ‪ٚ ،‬ث‪ٓ١‬‬ ‫ِزغ‪١‬شاد أ‪ ٚ‬لذساد اٌزفى‪١‬ش اإلثذاػ‪ ٟ‬اٌّزّضٍخ ف‪ ٟ‬اٌطاللخ‬ ‫‪ٚ‬اٌّش‪ٔٚ‬خ ‪ٚ‬األصبٌخ ‪ٚ‬االعزفبظخ (‪ ) Elaboration‬أ‪ ٚ‬اٌزفبص‪ً١‬‬ ‫‪ٚ‬اٌؾغبع‪١‬خ ٌٍّشىالد‪.

ٟ‬‬ ‫ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ خط‪١‬خ داٌخ ‪ِٛٚ‬عجخ ث‪ِ ٓ١‬غز‪ٜٛ‬‬ ‫ِ‪ٙ‬بساد اٌزوبء االعزّبػ‪ ٟ‬اٌّزّضٍخ ف‪ ٟ‬اٌزؼج‪١‬ش االٔفؼبٌ‪،ٟ‬‬ ‫‪ٚ‬اٌؾغبع‪١‬خ االٔفؼبٌ‪١‬خ‪ٚ ،‬اٌعجػ االٔفؼبٌ‪ٚ ،ٟ‬اٌزؼج‪١‬ش االعزّبػ‪،ٟ‬‬ ‫‪ٚ‬اٌؾغبع‪١‬خ االعزّبػ‪١‬خ‪ٚ ،‬اٌعجػ االعزّبػ‪ٟ‬؛ ‪ٚ‬ث‪ِ ٓ١‬غز‪ٜٛ‬‬ ‫لذساد اٌزفى‪١‬ش االثزىبس‪ ٞ‬اٌّزّضٍخ ف‪ ٟ‬اٌطاللخ‪ٚ ،‬اٌّش‪ٔٚ‬خ‪،‬‬ ‫)‪ ) Elaboration‬أ‪ ٚ‬اٌزفبص‪،ً١‬‬ ‫‪ٚ‬االعزفبظخ‬ ‫‪ٚ‬األصبٌخ‪،‬‬ ‫‪ٚ‬اٌؾغبع‪١‬خ ٌٍّشىالد‪ .‫(‪ ) Elaboration‬أ‪ ٚ‬اٌزفبص‪ٚ ً١‬اٌؾغبع‪١‬خ ٌٍّشىالد‪.‬‬ ‫ثالثا‪ :‬الفشض٘اث التٌبؤٗت‪:‬‬ ‫‪3‬ـ‪ 1‬فشض٘ت تٌبؤٗت بس٘طت (عاللت هتغ٘ش تٌبؤٕ ‪ Predictor‬بوتغ٘ش هحكٖ‬ ‫‪ Criterion‬أّ تابع‪.‬ثؾ‪١‬ش أْ اصد‪٠‬بد ِغز‪ِٙ ٜٛ‬بساد‬ ‫اٌزوبء االعزّبػ‪ ٟ‬اٌغزخ (اٌزؼج‪١‬ش االٔفؼبٌ‪ٚ ،ٟ‬اٌؾغبع‪١‬خ‬ ‫االٔفؼبٌ‪١‬خ‪ٚ ،‬اٌعجػ االٔفؼبٌ‪ٚ ،ٟ‬اٌزؼج‪١‬ش االعزّبػ‪ٚ ،ٟ‬اٌؾغبع‪١‬خ‬ ‫االعزّبػ‪١‬خ‪ٚ ،‬اٌعجػ االعزّبػ‪ )ٟ‬رشرجػ ثبسرفبع ِغز‪ ٜٛ‬لذساد‬ ‫اٌزفى‪١‬ش االثزىبس‪ ٞ‬اٌخّغخ (اٌطاللخ‪ٚ ،‬اٌّش‪ٔٚ‬خ‪ٚ ،‬األصبٌخ‪،‬‬ ‫‪ٚ‬االعزفبظخ أ‪ ٚ‬اٌزفبص‪ٚ ،ً١‬اٌؾغبع‪١‬خ ٌٍّشىالد )‪.ً١‬ثزؼج‪١‬ش‬ ‫آخش ‪ّ٠‬ىٓ اٌزٕجإ ثّغز‪ ٜٛ‬اٌزؾص‪ ً١‬رٕجإا داال ئؽصبئ‪١‬ب ػٕذ‬ ‫ِؼشفخ أعٍ‪ٛ‬ة ِزاوشح اٌطبٌت‪.‬‬ ‫‪3‬ـ‪1‬ـ‪ 1‬فشض٘ت تٌبؤٗت بس٘طت عذٗوت االتجاٍ‬ ‫ـ ‪٠‬غبُ٘ أعٍ‪ٛ‬ة اٌّزاوشح ثبٌزٕجإ ثّغز‪ ٜٛ‬اٌزؾص‪ٚ .‬‬ ‫‪3‬ـ‪1‬ـ‪ 2‬فشض٘ت تٌبؤٗت بس٘طت راث االتجاٍ‬ ‫ـ ‪٠‬غبُ٘ ِزغ‪١‬ش اٌذافؼ‪١‬خ ف‪ ٟ‬اٌزٕجإ ثبسرفبع ِغز‪ ٜٛ‬اٌزؾص‪.ً١‬‬ ‫‪ٚ‬ثزؼج‪١‬ش آخش ‪ّ٠‬ىٓ اٌزٕجإ ثبسرفبع ِغز‪٠ٛ‬بد اٌزؾص‪ ً١‬ػٕذ ِؼشفخ‬ ‫‪-‬‬ .‬‬ ‫[ثاً٘ا] عاللاث استباط٘ت راث االتجاٍ (هتجِت)‬ ‫ـ ر‪ٛ‬عذ ػاللبد اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬أثؼبد اٌعغػ اٌ‪ٛ‬ظ‪١‬ف‪:ٟ‬‬ ‫صشاع اٌذ‪ٚ‬س‪ ،‬غ‪ٛ‬ض اٌذ‪ٚ‬س‪ ،‬ػجئ اٌذ‪ٚ‬س‪ٔ ،‬ذسح اٌؾ‪ٛ‬افض ‪ ،‬ع‪ٛ‬ء‬ ‫اإلششاف اظطشاة اٌؼاللبد اٌ‪ٛ‬ظ‪١‬ف‪١‬خ ثأثؼبد اإلع‪ٙ‬بد‪ :‬اٌمٍك‬ ‫‪ٚ‬االوزئبة ‪ٚ‬األػشاض اٌغ‪١‬ى‪ٛ‬ع‪ِٛ‬بر‪١‬خ ‪ٚ‬ػاللخ اسرجبغ‪١‬خ عبٌجخ‬ ‫ثبٌشظب اٌ‪ٛ‬ظ‪١‬ف‪.‬‬ ‫ـ رٕط‪ ٞٛ‬غج‪١‬ؼخ ّٔ‪ٛ‬رط اٌزذس‪٠‬ت اٌّ‪ ٟٕٙ‬ػٍ‪ ٝ‬لذسح رٕجإ‪٠‬خ‬ ‫ثّغز‪ ٜٛ‬أداء اٌؼبًِ‪.ٟ‬‬ ‫ـ أ‪ ٚ‬وٍّب اصدادد اٌعغ‪ٛ‬غ اٌ‪ٛ‬ظ‪١‬ف‪١‬خ‪ :‬صشاع اٌذ‪ٚ‬س‪ ،‬غّ‪ٛ‬ض ا ٌذ‪ٚ‬س‬ ‫ػجئ اٌذ‪ٚ‬س‪ٔ ،‬ذسح اٌؾ‪ٛ‬افض ‪ ،‬ع‪ٛ‬ء اإلششاف‪ ،‬اظطشاة اٌؼاللبد‬ ‫اٌمٍك ‪ٚ‬االوزئبة ‪ٚ‬األػشاض‬ ‫اٌ‪ٛ‬ظ‪١‬ف‪١‬خ ؛ اسرفغ ِغز‪ٜٛ‬‬ ‫اٌغ‪١‬ى‪ٛ‬ع‪ِٛ‬بر‪١‬خ‪ٚ ،‬أخفط ِغز‪ ٜٛ‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪.

‬‬ ‫ـ ‪٠‬غبُ٘ ظغػ رؼبسض اٌذ‪ٚ‬س‪ٚ ،‬ظغػ غّ‪ٛ‬ض اٌذ‪ٚ‬س‪ٚ ،‬ظغػ‬ ‫ػجئ اٌذ‪ٚ‬س‪ٚ ،‬ظغػ اإلششاف‪ٚ ،‬ظغػ اٌؼاللبد اٌ‪ٛ‬ظ‪١‬ف‪١‬خ‪،‬‬ ‫‪ٚ‬ظغػ ٔذسح اٌؾ‪ٛ‬افض‪ ،‬ف‪ ٟ‬اٌزٕجإ ثّغز‪ ٜٛ‬اٌمٍك ف‪ِ ٟ‬ؾ‪١‬ػ‬ ‫اٌؼًّ‪.‬‬ ‫[أّال] عذم ركش اتجاٍ العاللاث الوتٌبئ بِا‪.‬‬ ‫ـ ‪٠‬غبُ٘ ظغػ رؼبسض اٌذ‪ٚ‬س ‪ٚ‬ظغػ غّ‪ٛ‬ض اٌذ‪ٚ‬س ‪ٚ‬ظغػ‬ ‫ػجئ اٌذ‪ٚ‬س ‪ٚ‬ظغػ اإلششاف ‪ٚ‬ظغػ اٌؼاللبد اٌ‪ٛ‬ظ‪١‬ف‪١‬خ ‪ٚ‬ظغػ‬ ‫ٔذسح اٌؾ‪ٛ‬افض ف‪ ٟ‬اٌزٕجإ ثبسرفبع ِغز‪ ٜٛ‬اٌمٍك ف‪ِ ٟ‬ؾ‪١‬ػ‬ ‫اٌؼًّ‪.‬‬ ‫ـ ‪٠‬غبُ٘ ظغػ رؼبسض اٌذ‪ٚ‬س ‪ٚ‬ظغػ غّ‪ٛ‬ض اٌذ‪ٚ‬س ‪ٚ‬ظغػ‬ ‫ػجئ اٌذ‪ٚ‬س ‪ٚ‬ظغػ اإلششاف ‪ٚ‬ظغػ اٌؼاللبد اٌ‪ٛ‬ظ‪١‬ف‪١‬خ ‪ٚ‬ظغػ‬ ‫ٔذسح اٌؾ‪ٛ‬افض ف‪ ٟ‬اٌزٕجإ ثّغز‪ ٜٛ‬اٌمٍك ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‬ ‫‪ٚ‬األػشاض إٌفغ‪١‬خ اٌغغذ‪٠‬خ (اٌغ‪١‬ى‪ٛ‬ع‪ِٛ‬بر‪١‬خ) ‪ٚ‬اٌشظب‬ ‫اٌ‪ٛ‬ظ‪١‬ف‪ ٟ‬ف‪ِ ٟ‬ؾ‪١‬ػ اٌؼًّ‪.‬‬ ‫‪3‬ـ‪2‬ـ‪ 2‬عاللت هتغ٘شاث تٌبؤٗت أّ هستملت بوتغ٘شاث هحك٘ت أّ‬ ‫تابعت فٖ آى ّاحذ‪.‬‬ ‫‪3‬ـ‪ 2‬فشض٘ت تٌبؤٗت هشكبت ‪:‬‬ ‫‪3‬ـ‪2‬ـ‪ 1‬عاللت هتغ٘شاث تٌبؤٗت أّ هستملت بوتغ٘ش ّاحذ هحكٖ أّ‬ ‫تابع‬ ‫[ أّال] عذم ركش اتجاٍ العاللاث الوتٌبئ بِا‪.‬‬ ‫ـ ِشبسوخ أػعبء اٌغّبػخ ف‪ ٟ‬ارخبر لشاسار‪ٙ‬ب ‪٠‬زّزغ ثمذسح رٕجإ‪٠‬خ‬ ‫ِشرفؼخ ثّغز‪ ٜٛ‬رّبعه اٌغّبػخ‪.‬‬ ‫ـ ‪٠‬غبُ٘ اصد‪٠‬بد ظغػ رؼبسض اٌذ‪ٚ‬س‪ٚ ،‬ظغػ غّ‪ٛ‬ض اٌذ‪ٚ‬س‪،‬‬ ‫‪ٚ‬ظغػ اإلششاف‪ٚ ،‬ظغػ اٌؼاللبد‬ ‫‪ٚ‬ظغػ ػجئ اٌذ‪ٚ‬س‪،‬‬ ‫اٌ‪ٛ‬ظ‪١‬ف‪١‬خ‪ٚ ،‬ظغػ ٔذسح اٌؾ‪ٛ‬افض ف‪ ٟ‬اٌزٕجإ ثبسرفبع ِغز‪ٜٛ‬‬ ‫اٌمٍك‪ِٚ ،‬غز‪ ٜٛ‬االوزئبة‪ٚ ،‬األػشاض إٌفغ‪١‬خ اٌغغذ‪٠‬خ‬ ‫(اٌغ‪١‬ى‪ٛ‬ع‪ِٛ‬بر‪١‬خ)‪ٚ ،‬ثبٔخفبض ِغز‪ ٜٛ‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪ ٟ‬ف‪ٟ‬‬ ‫ِؾ‪١‬ػ اٌؼًّ‪.‬‬ ‫‪-‬‬ .‬‬ ‫[ثاً٘ا] هع ركش اتجاٍ العاللاث الوتٌبئ بِا‪.‫ِغز‪٠ٛ‬بد اٌذافؼ‪١‬خ ٌذ‪ ٜ‬اٌّزؼٍُ‪.‬‬ ‫[ثاً٘ا] هع ركش اتجاٍ العاللاث الوتٌبئ بِا ‪.

‬‬ ‫[ ة ] روش ارغبٖ اٌؼاللخ ث‪ ٓ١‬رفبػً اٌّزغ‪١‬ش‪ ٓ٠‬اٌّغزمٍ‪ٚ ٓ١‬اٌّزغ‪١‬ش اٌزبثغ‬ ‫ـ ‪٠‬خزٍف ربص‪١‬ش اٌعغ‪ٛ‬غ اٌّ‪١ٕٙ‬خ ػٍ‪ ٝ‬اإلع‪ٙ‬بد ٌذ‪ ٜ‬اٌّ‪ٛ‬ظف‪ٓ١‬‬ ‫ثبخزالف اٌّغبٔذح االعزّبػ‪١‬خ (ر‪ٛ‬لغ ِذ‪ ٜ‬ر‪ٛ‬فش اٌّغبٔذح‬ ‫االعزّبػ‪١‬خ)‪ ،‬ثؾ‪١‬ش ‪٠‬ى‪ ْٛ‬ربص‪١‬ش اٌعغ‪ٛ‬غ اٌّ‪١ٕٙ‬خ ػٍ‪ ٝ‬اإلع‪ٙ‬بد‬ ‫ل‪٠ٛ‬ب ػٕذ ػذَ ر‪ٛ‬لغ اٌؾص‪ٛ‬ي ػٍ‪ِ ٝ‬غبٔذح اعزّبػ‪١‬خ‪ِٕٚ ،‬خفعب‬ ‫ػٕذ ر‪ٛ‬لغ ر‪ٛ‬فش اٌّغبٔذح االعزّبػ‪١‬خ ػٕذ اٌؾبعخ‪.‬‬ ‫[ ب ] فش ض٘ت سبب٘ت هشكبت أّ هتعذدة الوتغ٘شاث‬ ‫ـ ‪٠‬إصش اٌّغز‪ ٜٛ‬اٌضمبف‪ٌ ٟ‬ألعشح رأص‪١‬شا ِ‪ٛ‬عجب ػٍ‪ِ ٝ‬غز‪٠ٛ‬بد‬ ‫‪-‬‬ .‬‬ ‫‪4‬ـ‪ 2‬افتشاض التفاعل ب٘ي هتغ٘شاث هستملت أّ تٌبؤٗت‪:‬‬ ‫[ أ‬ ‫اٌزبثغ‬ ‫] ػذَ روش ارغبٖ اٌؼاللخ ث‪ ٓ١‬رفبػً اٌّزغ‪١‬شاد اٌّغزمٍخ ‪ٚ‬اٌّزغ‪١‬ش‬ ‫ـ ٌٍزفبػً ث‪ِ ٓ١‬زغ‪١‬ش ِؼب‪١٠‬شاٌغّبػخ‪ٚ ،‬غج‪١‬ؼخ أ٘ذاف‪ٙ‬ب‪ٚ ،‬ر‪ٛ‬لؼبد‬ ‫أفشاد٘ب أصش ػٍ‪ ٝ‬رّبعه اٌغّبػخ‪.‫سابعا‪ :‬الفشض٘اث الششط٘ت ( الٌاصت علٔ تفاعل الوتغ٘شاث الوستملت أّ التٌبؤٗت‬ ‫‪4‬ـ ‪ 1‬افتشاض التفاعل ب٘ي هتغ٘شٗي هستمل٘ي أّ تٌبؤٗ٘ي‪:‬‬ ‫[ أ‬ ‫اٌزبثغ‬ ‫] ػذَ روش ارغبٖ اٌؼاللخ ث‪ ٓ١‬رفبػً اٌّزغ‪١‬ش‪ ٓ٠‬اٌّغزمٍ‪ٚ ٓ١‬اٌّزغ‪١‬ش‬ ‫ـ ‪٠‬خزٍف ربص‪١‬ش اٌعغ‪ٛ‬غ اٌّ‪١ٕٙ‬خ ػٍ‪ ٝ‬اإلع‪ٙ‬بد ٌذ‪ ٜ‬اٌّ‪ٛ‬ظف‪ٓ١‬‬ ‫ثبخزالف اٌّغبٔذح االعزّبػ‪١‬خ (ر‪ٛ‬لغ ِذ‪ ٜ‬ر‪ٛ‬فش اٌّغبٔذح‬ ‫االعزّبػ‪١‬خ)‪.‬‬ ‫‪:‬خاهسا‪ :‬الفشض٘اث السبب٘ت أّ العل٘ت ( تلك التٖ تٌص صشاحت علٔ عاللت أّ‬ ‫عاللاث سبب٘ت)‬ ‫‪5‬ـ‪ 1‬فشض٘ت سبب٘ت راث الوساس أّ الوساساث السبب٘ت الْح٘ذة االتجاٍ‪:‬‬ ‫[ أ ] فشض٘ت سبب٘ت بس٘طت (تٌطْٕ علٔ هتغ٘شٗي فمظ )‬ ‫ـ رإصش ِذ‪ ٜ‬اٌزطشف ف‪ ٟ‬ارخبر اٌمشاساد اٌض‪ٚ‬ع‪١‬خ ػٍ‪ ٝ‬دسعبد‬ ‫اٌز‪ٛ‬افك اٌض‪ٚ‬اع‪.‬‬ ‫[ ة ] روش ارغبٖ اٌؼاللخ ث‪ ٓ١‬رفبػً اٌّزغ‪١‬شاد اٌّغزمٍخ ‪ٚ‬اٌّزغ‪١‬ش اٌزبثغ‪:‬‬ ‫ـ رغبُ٘ ِؼب‪١٠‬ش اٌغّبػخ ف‪ ٟ‬اٌزٕجإ ثبسرفبع رّبعه اٌغّبػخ‬ ‫ػٕذِب رى‪ ْٛ‬أ٘ذاف‪ٙ‬ب ئعشائ‪١‬خ ِشؽٍ‪١‬خ‪ٚ ،‬ر‪ٛ‬لؼبد أفشاد٘ب ‪ٚ‬اظؾخ‪،‬‬ ‫‪ٚ‬رغبُ٘ ِؼب‪١٠‬ش اٌغّبػخ ف‪ ٟ‬اٌزٕجإ ثبٔخفبض رّبعى‪ٙ‬ب ػٕذِب‬ ‫رى‪ ْٛ‬أ٘ذاف‪ٙ‬ب ِغشدح ػبِخ‪ٚ ،‬ر‪ٛ‬لؼبد أفشاد٘ب غبِعخ‪.ٟ‬‬ ‫ـ ‪٠‬إد‪ ٞ‬اٌزذس‪٠‬ت أ‪ ٚ‬اٌّشاْ ئٌ‪ ٝ‬اسرفبع ِغز‪ ٜٛ‬األداء‪.

ٞ‬‬ ‫‪5‬ـ‪ 2‬فشض٘ت سبب٘ت راث الوساس أّ الوساساث السبب٘ت الوتبادلت التأث٘ش‬ ‫ّالتأثش (العاللاث العل٘ت الوتبادلت)‪:‬‬ ‫[ أ ] فشض٘ت سبب٘ت بس٘طت (تٌطْٕ علٔ هتغ٘شٗي فمظ )‬ ‫ـ اإلؽجبغ ‪٠‬إد‪ ٞ‬ئٌ‪ ٝ‬اٌغٍ‪ٛ‬ن اٌؼذ‪ٚ‬أ‪ ٚ ٟ‬اٌغٍ‪ٛ‬ن اٌؼذ‪ٚ‬أ‪ٟ‬‬ ‫ثذ‪ٚ‬سٖ ‪٠‬إد‪ ٞ‬ئٌ‪ِ ٝ‬ض‪٠‬ذ ِٓ اإلؽجبغ‪.Meaninglessness ٝ‬‬ ‫ـ ‪٠‬زأٌف ِف‪ َٛٙ‬الوعتمذاث اإلبستوْلْج٘ت (ٔظشح اٌفشد ئٌ‪ ٝ‬اٌّؼشفخ‬ ‫اٌؼٍّ‪١‬خ ‪ٚ‬غشق رؾص‪ٍٙ١‬ب) ِٓ ثٕ‪١‬خ ػبٍِ‪١‬خ خّبع‪١‬خ األثؼبد ‪ :ٟ٘ٚ‬أ‪ٚ‬الـ‬ ‫ثؼذ ئ‪٠‬مبع اٌزؼٍُ أ‪ ٚ‬عشػزٗ‪ ،‬صبٔ‪١‬ب ـ رٕظ‪ ُ١‬اٌّؼشفخ‪ ،‬صبٌضب ـ ‪٠‬م‪١ٕ١‬خ اٌّؼشفخ‪،‬‬ ‫‪-‬‬ .ٟٕٙ‬‬ ‫سادسا ‪ :‬الفشض٘ا ث العاهل٘ت‬ ‫‪6‬ـ‪ 1‬تحل٘ل الوفِْم ( إلٔ أبعاد)‬ ‫( ال تٌص علٔ طب٘عت العْاهل‬ ‫‪6‬ـ‪1‬ـ‪1‬فشض٘ت عاهل٘ت استطالع٘ت‬ ‫الوفتشضت أّ هسو٘اتِا )‬ ‫ـ ‪ٕ٠‬ط‪ِ ٞٛ‬ف‪ َٛٙ‬اٌج‪١‬ئخ اٌزؼٍّ‪١‬خ ػٍ‪ ٝ‬ثٕ‪١‬خ ػبٍِ‪١‬خ ِزؼذدح اٌؼ‪ٛ‬اًِ أ‪ٚ‬‬ ‫األثؼبد‬ ‫ـ رٕزظُ اٌّ‪ٙ‬بساد االعزّبػ‪١‬خ ف‪ ٟ‬أوضش ِٓ ػبًِ‬ ‫ـ ‪٠‬زـبٌف ِف‪ َٛٙ‬االعزالة االعزّبػ‪ ِٓ ٟ‬ث‪١ٕ١‬خ ػبٍِ‪١‬خ ِزؼذدح األثؼبد‬ ‫‪6‬ـ‪1‬ـ‪ 2‬فشض٘ت عاهل٘ت‬ ‫الوفتشضت ّهسو٘اتِا)‬ ‫اختباسٗت‬ ‫أّ‬ ‫تأك٘ذَٗ‬ ‫(تحذد طب٘عت العْاهل‬ ‫ـ ‪ٕ٠‬زظُ اٌجٕبء اٌؼبٍِ‪ٌ ٟ‬ج‪١‬ئخ اٌزؼٍُ ف‪ِ ٟ‬ى‪ّ٘ ٓ١ٔٛ‬ب‪ :‬أ٘ذاف اٌّذسعخ‪،‬‬ ‫‪ٚ‬اٌؼاللبد ث‪ ٓ١‬اٌّؼٍُ ‪ٚ‬اٌطالة‪.ٜ‬ثؾ‪١‬ش أْ اٌش‪ٚ‬ػ‬ ‫اٌّؼٕ‪٠ٛ‬خ‪ٚ ،‬االرغب٘بد ‪ٚ ،‬االٌزضاَ ٌذ‪ ٜ‬اٌؼبًِ أ‪ ٚ‬اٌّ‪ٛ‬ظف رإصش ف‪ ٟ‬اٌشظب‬ ‫اٌ‪ٛ‬ظ‪١‬ف‪ٚ ٟ‬اٌزّب٘‪ِ ٟ‬غ أ٘ذاف إٌّظّخ‪ٚ ،‬ف‪ ٟ‬راد اٌ‪ٛ‬لذ فاْ ِزغ‪١‬ش‪ٞ‬‬ ‫اٌزّب٘‪ِ ٟ‬غ أ٘ذاف اٌّإعغخ‪ٚ ،‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪٠ ٟ‬إصشاْ ػٍ‪ ٝ‬اٌش‪ٚ‬ػ‬ ‫اٌّؼٕ‪٠ٛ‬خ ألفشاد اٌّإعغخ‪ٚ ،‬ػٍ‪ ٝ‬ارغب٘بر‪ ُٙ‬اٌ‪ٛ‬ظ‪١‬ف‪١‬خ‪ٚ ،‬اٌزضاِ‪ُٙ‬‬ ‫اٌّ‪.‬‬ ‫ـ ‪ٕ٠‬ط‪ِ ٞٛ‬ف‪ َٛٙ‬االغتشاب أّ االستالب ‪ Alienation‬ػٍ‪ ٝ‬أسثؼخ ػ‪ٛ‬اًِ أ‪ٚ‬‬ ‫‪ ، Social isolation‬اٌالِؼ‪١‬بس‪٠‬خ‬ ‫أثؼبد ‪ :ٟ٘ٚ‬اٌؼضٌخ االعزّبػ‪١‬خ‬ ‫‪ ، Normlessness‬اٌؼغض ‪ ، Powerlessness‬اٌالِؼٕ‪.‫أثؼبد ِؼٕ‪ ٝ‬اٌؾ‪١‬بح اٌّزّضٍخ ف‪ ٟ‬ثؼذ أ٘ذاف اٌؾ‪١‬بح‪ ،‬ثؼذ اٌزؼٍك‬ ‫اإل‪٠‬غبث‪ ٟ‬ثبٌؾ‪١‬بح‪ ،‬ثؼذ اٌزؾمك اٌ‪ٛ‬عذأ‪ ، ٟ‬ثؼذ اٌضشاء اٌ‪ٛ‬ع‪ٛ‬د‪،ٞ‬‬ ‫ثؼذ ٔ‪ٛ‬ػ‪١‬خ اٌؾ‪١‬بح‪ٚ،‬ثؼذ اٌشظب اٌ‪ٛ‬ع‪ٛ‬د‪.‬‬ ‫[ ب ] فشض٘ت سبب٘ت هشكبت أّ هتعذدة الوتغ٘شاث‬ ‫ـ ر‪ٛ‬عذ ػاللبد عجج‪١‬خ ِزجبدٌخ ث‪ ٓ١‬اٌش‪ٚ‬ػ اٌّؼٕ‪٠ٛ‬خ‪ٚ ،‬االرغب٘بد ‪ٚ ،‬االٌزضاَ‬ ‫ٌذ‪ ٜ‬األفشاد ف‪ِ ٟ‬ؾ‪١‬ػ اٌؼًّ ِٓ ع‪ٙ‬خ ‪ٚ‬ث‪ ٓ١‬اٌشظب اٌ‪ٛ‬ظ‪١‬ف‪ٚ ٟ‬اٌزّب٘‪ٟ‬‬ ‫ِغ أ٘ذاف إٌّظّخ أ‪ ٚ‬اٌّإعغخ ِٓ ع‪ٙ‬خ أخش‪ .

‬‬ ‫ـ ال ر‪ٛ‬عذ فش‪ٚ‬ق ف‪ ٟ‬اٌجٕبء اٌؼبٍِ‪ٌّ ٟ‬ف‪ َٛٙ‬االغزشاة ػٕذ اخزالف اٌخٍف‪١‬خ‬ ‫اٌؾعش‪٠‬خ‪ٚ ،‬اٌغٕظ‪.‬‬ ‫ـ رؾزفع اٌجٕ‪١‬خ اٌؼبٍِ‪١‬خ ٌٍّؼزمذاد اإلثغزّ‪ٌٛٛ‬ع‪١‬خ ػٍ‪ ٝ‬رّبصٍ‪ٙ‬ب ػٍ‪ٝ‬‬ ‫ِغز‪ِ ٜٛ‬زغ‪١‬ش اٌغٕظ (غالة ـ غبٌجبد)‪ٚ ،‬اٌزخصص (ػٍّ‪ ٟ‬ـ أدث‪.‬‬ ‫‪7‬ـ‪1‬ـ‪ 1‬فشض٘ت صفشٗت إحصائ٘ت ( علوا بأى التحل٘ل اإلحصائٖ ٗختبش‬ ‫الفشض الصفشٕ هباششة‪ ،‬التخار لشاس سفضَ أّ عذم سفضَ‪ّ ،‬ال ٗختبش‬ ‫فشض٘ت البحث أّ الفشض البذٗل هباششة)‬ ‫ـ ال ر‪ٛ‬عذ فش‪ٚ‬ق داٌخ ئؽصبئ‪١‬ب ث‪ ٓ١‬اٌّغز‪ٍٙ‬ى‪ٚ ٓ١‬اٌّغز‪ٍٙ‬ىبد ف‪ٟ‬‬ ‫ارغب٘‪ٔ ُٙ‬ؾ‪ ٛ‬اإلػالٔبد اٌزغبس‪٠‬خ‪.)ٟ‬‬ ‫‪6‬ـ‪2‬ـ‪ 2‬فشض٘ت عاهل٘ت‬ ‫الوفتشضت ّهسو٘اتِا)‪:‬‬ ‫اختباسٗت‬ ‫أّ‬ ‫تأك٘ذٗت‬ ‫(تحذد طب٘عت العْاهل‬ ‫ـ ئْ اٌجٕ‪١‬خ اٌؼبٍِ‪١‬خ ٌّف‪ َٛٙ‬االغتشاب أّ االستالب ‪ Alienation‬اٌز‪ٟ‬‬ ‫‪Social‬‬ ‫رزأٌف ِٓ أسثؼخ ػ‪ٛ‬اًِ أ‪ ٚ‬أثؼبد ‪ :ٟ٘ٚ‬اٌؼضٌخ االعزّبػ‪١‬خ‬ ‫‪ ، isolation‬اٌالِؼ‪١‬بس‪٠‬خ ‪ ، Normlessness‬اٌؼغض ‪، Powerlessness‬‬ ‫اٌالِؼٕ‪ٚ.ُٙ٠‬‬ ‫‪7‬ـ‪1‬ـ‪ 2‬فشض٘ت صفشٗت بحث٘ت [ تواثل الفشض٘ت الصفشٗت اإلحصائ٘ت فٖ‬ ‫شكل الص٘اغت ّتختلف عٌِا فٖ المصذ أّ الغشضي ح٘ث أى الباحث‬ ‫ٗتْلع صحتِا (أى تكْى دالت إحصائ٘ا) بعكس الفشض٘ت الصفشٗت التٖ‬ ‫‪-‬‬ .ٟ‬‬ ‫‪7‬ـ‪ 1‬الفشض الصفشٕ أّ فشض العذم ‪( null hypotheses‬تٌص علٔ غ٘اب‬ ‫العاللاث االستباط٘ت أّ الفشّق)‪.‬‬ ‫‪6‬ـ‪ 2‬دساست العاللاث (عي طشٗك الوماسًت ب٘ي البٌ٘اث العاهل٘ت للوجوْعاث)‬ ‫( ال تٌص علٔ طب٘عت العْاهل‬ ‫‪6‬ـ‪2‬ـ‪1‬فشض٘ت عاهل٘ت استطالع٘ت‬ ‫الوفتشضت أّ هسو٘اتِا)‬ ‫ـ ‪٠‬خزٍف اٌزشو‪١‬ت اٌؼبٍِ‪ٌٍ ٟ‬ذافغ ٌإلٔغبص ٌذ‪ ٜ‬اٌطالة اٌزو‪ٛ‬س ػٕٗ ٌذ‪ٜ‬‬ ‫اٌطبٌجبد‪.Meaninglessness ٝ‬اٌؼاللبد االسرجبغ‪١‬خ ث‪٘ ٓ١‬زٖ اٌؼ‪ٛ‬اًِ ال‬ ‫رخزٍف ٌذ‪ ٜ‬اٌؼّبي ف‪ ٟ‬لطبع اٌخذِبد ػٕٗ ٌذ‪ ٜ‬اٌؼّبي ف‪ ٟ‬لطبع‬ ‫االٔزبط‪.‫ساثؼبـ اٌزؾىُ ف‪ ٟ‬ػٍّ‪١‬خ اٌزؼٍُ‪ ،‬خبِغب ـ ِصذس اٌّؼشفخ‪.‬‬ ‫ـ رؾزفع اٌجٕ‪١‬خ اٌؼبٍِ‪١‬خ ٌٍّؼزمذاد اإلثغزّ‪ٌٛٛ‬ع‪١‬خ اٌز‪ ٟ‬رزأٌف ِٓ‬ ‫اٌؼ‪ٛ‬اًِ اٌخّغخ اٌزبٌ‪١‬خ‪ :‬ئ‪٠‬مبع اٌزؼٍُ أ‪ ٚ‬عشػزٗ‪ ٚ ،‬رٕظ‪ ُ١‬اٌّؼشفخ‪،‬‬ ‫‪٠ٚ‬م‪١ٕ١‬خ اٌّؼشفخ‪ٚ ،‬اٌزؾىُ ف‪ ٟ‬ػٍّ‪١‬خ اٌزؼٍُ‪ِٚ ،‬صذس اٌّؼشفخ‪ ،‬وّب رؾزفع‬ ‫اٌؼاللبد االسرجبغ‪١‬خ اٌّؼزذٌخ ث‪٘ ٓ١‬زٖ اٌؼ‪ٛ‬اًِ اٌخّغخ ػٍ‪ ٝ‬رّبصٍ‪ٙ‬ب‬ ‫ٌذ‪ ٜ‬اٌزو‪ٛ‬س ِمبسٔخ ثبإلٔبس‪ٌٚ ،‬ذ‪ ٜ‬غٍجخ اٌؼٍّ‪ِ ٟ‬مبسٔخ ثطٍجخ األدث‪.‬‬ ‫ـ ال ‪ٛ٠‬عذ اسرجبغ داي أؽصبئ‪١‬ب ث‪ ٓ١‬ػّش األفشاد ‪ِٚ‬غز‪ ٜٛ‬فٍك اٌّغزمجً‬ ‫ٌذ‪.

‬‬ ‫وواضػػح مػػن ىػػذه الفرضػػية أهنػػا تقػػارف بػػٌن مسػػتوى الطػػالب والطالبػػات (ادلتغػػًن‬ ‫األوؿ الذي ؽلكن تسميتو بالنوع) يف التحصيل (ادلتغًن الثاين)‪ .‬‬ ‫أو ؽلكن صياغتو أيضا كما يلي‪:‬‬ ‫"يوجد فرق بين الطالب والطالبات في التحصيل‪".‬‬ ‫ـ ال ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِجبششح ث‪ ٓ١‬اٌشظب اٌّ‪ٚ ٟٕٙ‬األداء‪.‬‬ ‫ومن أمثلة الفرضيات الفرقية البسيطة ما يلي‪:‬‬ ‫"يوجد فرق بين متوسط تحصيل الطالب ومتوسط تحصيل الطالبات‪".‬‬ ‫ـ ال ‪ٛ٠‬عذ فشق ث‪ ٓ١‬اٌّؼ‪ٛ‬ل‪ ٚ ٓ١‬غ‪١‬ش اٌّؼ‪ٛ‬ل‪ ٓ١‬ف‪ ٟ‬اٌمذساد اٌؼمٍ‪١‬خ‪.‬‬ ‫وق ػػد يض ػػيف الباح ػػث اْناى ػػا للف ػػرؽ‪ ،‬فتص ػػبح فرض ػػية فرقي ػػة ذات اْن ػػاه (متجه ػػة)‪.‫ٗتْلع الباحث صٗفِا أّ خطأُا (أى تكْى غ٘ش دالت إحصائ٘ا)]‪.‬‬ ‫فادلثاالف السابقاف ؽلكن ٓنويلهما إُف فرضيتٌن فرقيتٌن متجهتٌن فتتخذاف الشكل التاِف‪:‬‬ ‫" متوسط التحصيل للطالبات أعلى من متوسط التحصيل للطالب"‬ ‫أو‬ ‫"الطالبات يتفوقن على الطالب في مستوى التحصيل"‬ ‫أو‬ ‫" يوجد فرق بين متوسط تحصيل الطالب ومتوسط تحصيل الطالبات لصالح الطالبات"‬ ‫‪-‬‬ .‬‬ ‫ـ ال ‪ٛ٠‬عذ فشق ث‪ ٓ١‬اٌزو‪ٛ‬س ‪ٚ‬اإلٔ بس ف‪ ٟ‬اٌزفى‪١‬ش اإلثزىبس‪ ٞ‬ئعّبال ‪ٚ‬ف‪ ٟ‬لذساد اٌزفى‪١‬ش‬ ‫)‪ ) Elaboration‬أ‪ٚ‬‬ ‫‪ٚ‬االعزفبظخ‬ ‫االثزىبس‪ :ٞ‬اٌطاللخ‪ٚ ،‬اٌّش‪ٔٚ‬خ‪ٚ ،‬األصبٌخ‪،‬‬ ‫اٌزفبص‪ٚ ،ً١‬اٌؾغبع‪١‬خ ٌٍّشىالد‪.‬وكمثاؿ آخر‪:‬‬ ‫"يوجد فرق بين التدريب الموزع والتدريب المجمع في األداء"‬ ‫ومػػن الواضػػح‪ ،‬أف ىػػذه الفرضػػية تػػنص علػػى ادلقارنػػة بػػٌن نػػوعٌن مػػن التػػدريب‪ :‬ادلػػوزع واجملمػػع‬ ‫(ادلتغًن األوؿ‪ :‬نوع التدريب) من حيث مستوى األداء (ادلتغًن الثاين)‪.

‬فالفرضػ ػػيات‬ ‫االرتباطية عدؽلة االْناه السابقة ؽلكن ٓنويلها إُف فرضيات ارتباطية ذات اْناه كما يلي‪:‬‬ ‫" يوجد ارتباط موجب (مطرد) بين متغير الدافعية ومتغير التعلم"‬ ‫أو ؽلكن صياغتها صياغة بديلة أكثر وضوحا كما يلي‪:‬‬ ‫" كلما ازداد مستوى الدافعية ارتفع مستوى التعلم"‬ ‫وى ػػذه الفرض ػػية تعت ػػرب فرض ػػية ارتباطي ػػة ذات االْن ػػاه ادلوج ػػب‪ ،‬أو فرض ػػية موجب ػػة أو‬ ‫مطردة‪ ،‬ألهنا تنص على تغًن ادلتغًنين‪ :‬متغًن الدافعية ومتغًن التعلم يف اْناه مطرد أو واحد‪.‬‬ ‫لنواصل ٓنويل الفرضيات األخرى إُف فرضيات ارتباطية ذات اْناه‪:‬‬ ‫" يوجد ارتباط سالب (عكسي) بين الضغوط المهنية والرضا الوظيفي"‬ ‫أو‬ ‫" كلما ازدادت الضغوط المهنية‪ ،‬انخفض مستوى الرضا الوظيفي"‬ ‫ومػػن الواضػػح أف ىػػذه الفرضػػية تػػنص علػػى أف ادلتغ ػًنين‪ :‬متغػػًن الضػػغوط ومتغػػًن‬ ‫الرضا الوظيفي‪ ،‬يتغًناف معا يف اْناه معاكس ُنيػث أف ازديػاد الضػغوط يػرتبط باطلفػاض الرضػا‬ ‫‪-‬‬ .‫"التدريب الموزع أعلى من التدريب المجمع في األداء "‬ ‫أو‬ ‫"يوجد فرق بين التدريب الموزع والتدريب المجمع في األداء لصالح التدريب الموزع"‬ ‫وسواء أكانت الفرضية الفرقية عدؽلة االْناه أو ذات االْناه فتبقى فرضية ُنثية بسيطة‪.‬‬ ‫ومن أمثلة الفرضيات االرتباطية عدؽلة االْناه‪ ،‬ما يلي‪:‬‬ ‫" يوجد ارتباط بين الدافعية لدى المتعلم ومستوى التعلم"‬ ‫" يوجد ارتباط بين الضغوط المهنية ومستوى األداء"‬ ‫" يوجد ارتباط بين اإلحباط والسلوك العدواني للطفل"‬ ‫كم ػػا ؽلك ػػن أف تك ػػوف الفرض ػػيات االرتباطي ػػة ذات اْن ػػاه أو متجه ػػة‪ .

‬ولػ ػػذلك فهػ ػػي فرضػ ػػية ارتباطيػ ػػة ذات االْنػ ػػاه السػ ػػالب‪ ،‬أو فرضػ ػػية ارتباطيػ ػػة سػ ػػالبة‬ ‫اختصارا‪.‫الػ ػػوظيفي‪ .‬‬ ‫لننتقػػل إُف الفرضػػية الباقيػػة‪ ،‬فػػيمكن أف تػػنص علػػى اْنػػاه العالقػػة االرتباطيػػة بػػٌن‬ ‫ادلتغًنين كما يلي‪:‬‬ ‫" يوجد ارتباط موجب (مطرد) بين اإلحباط والسلوك العدواني للطفل"‬ ‫أو‬ ‫" كلما انخفض مستوى اإلحباط‪ ،‬انخفض السلوك العدواني للطفل" ‪.‬‬ ‫اننًارس اننظشّت أً املفاىًْْت ‪Conceptual Models‬‬ ‫مػ ػػن الناحيػ ػػة اإلجرائي ػ ػػة‪ ،‬وبعيػ ػػدا ع ػ ػػن التعريػ ػػف الفلس ػ ػػفي التجري ػ ػػدي‪ ،‬ينط ػ ػػوي‬ ‫النم ػػوذج يف الغال ػػب عل ػػى ع ػػدد م ػػن العالق ػػات ب ػػٌن ادلتغ ػًنات‪ ،‬وبالت ػػاِف فه ػػو يتج ػػاوز بس ػػاطة‬ ‫الفرضػػيات الفرقيػػة واالرتباطيػػة البس ػيطة الػػيت قػػد ال تفػػي ُنقيق ػػة سػػلوؾ ادلتغ ػًنات يف الواقػػع‪.‬‬ ‫والخالصة‪ ،‬أن الفرضييات التيي تسيود البحيوث ىيي فرضييات فرقيية بسييطة‬ ‫سييواء أكانييت عديميية االتجيياه أم كانييت متجهيية‪ ،‬وأيضييا الفرضيييات االرتباطييية البسيييطة‬ ‫س ييواء أكان ييت فرض يييات ارتباطي يية عديم يية االتج يياه أو غي يير متجه يية‪ ،‬أو كان ييت فرض يييات‬ ‫متجهيية‪ ،‬أو ذات االتجيياه‪ .‬والفرضيييات االرتباطييية المتجهيية قييد تكييون فرضيييات ارتباطييية‬ ‫موجبة‪ ،‬أو فرضيات ارتباطية سالبة‪.‬‬ ‫تػػنص ىػػذه الفرضػػية علػػى أف ادلتغػًنين‪ :‬متغػػًن اإلحبػػاط ومتغػػًن السػػلوؾ العػػدواين‬ ‫يتغ ػ ػًناف باالطلف ػػاض مع ػػا‪ ،‬أي يتغ ػ ػًناف يف نف ػػس االْن ػػاه‪ ،‬ول ػػذلك ف ػػإف ى ػػذه الفرض ػػية ت ػػدعى‬ ‫بالفرضية االرتباطية ادلوجبة‪.‬‬ ‫فػػالنموذج يس ػػتهدؼ االق ػرتاب مػػن واق ػػع العالق ػػات ب ػػٌن ادلتغ ػًنات ادلدروس ػػة‪ ،‬زل ػػاوال مض ػػاىاة‬ ‫‪-‬‬ .

‫سػػلوؾ ادلتغػًنات ادلسػػتهدفة‪ ،‬ويعكػػس قػػدر اإلمكػػاف شػػبكة العالقػػات بػػٌن ادلتغ ػًنات ادلدروسػػة‬ ‫ال ػػيت غالب ػػا م ػػا تتع ػػدى رل ػػرد الف ػػرؽ أو رل ػػرد االرتب ػػاط ب ػػٌن متغػ ػًنين‪ ،‬ب ػػدوف اإلسػ ػراؼ يف ذك ػػر‬ ‫التفاص ػػيل أو إقح ػػاـ متغػ ػًنات قليل ػػة األعلي ػػة يف النم ػػوذج‪ ،‬وب ػػدوف اس ػػتبعاد دراس ػػة ادلتغػ ػًنات‬ ‫اذلامة‪ ،‬أو إعلاؿ بعضها نتيجة لعدـ التفطن ألعليتها يف النموذج‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 4‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ٔ ٓ١‬ذسح اٌؾ‪ٛ‬افض ‪ِٚ‬غز‪ ٜٛ‬اٌمٍك‪.‬‬ ‫لنفػػرتض أننػػا نريػػد أف نػػدرس مصػػادر ضػػغوط مهنػػة التعلػػيم التاليػػة‪ :‬عبػ الػػدور‪،‬‬ ‫غم ػػوض ال ػػدور‪ ،‬تع ػػارض ال ػػدور‪ ،‬ن ػػدرة احلػ ػوافز‪ ،‬العالق ػػات ب ػػالزمالء‪ ،‬العالق ػػات م ػػع اإلدارة‪،‬‬ ‫ظػػروؼ العمػػل‪ ،‬وت ػػأثًن ىػػذه العوامػػل أو ادلصػػادر علػػى القلػػق‪ ،‬واالكتئػػاب ‪ ،‬واطلفػػاض الرض ػػا‬ ‫ادله ػػين‪ ،‬واألداء‪ ،‬كم ػػا أنن ػػا ن ػػدرس عالق ػػة اإلدراؾ (تق ػػدير أو تقي ػػيم ادلوق ػػف الض ػػاغط‪ ،‬وتوق ػػع‬ ‫التهديد) وإسرتاتيجيات مواجهة الضغوط‪ ،‬وادلساندة االجتماعية ّنصادر الضغوط وبتأثًنىا‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 5‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬ر‪ٛ‬رش اٌؼاللبد ثبٌضِالء ‪ِٚ‬غز‪ ٜٛ‬اٌمٍك‪.‬وإذا نسػػجنا علػػى نفػػس ادلن ػواؿ‪ ،‬فػػيمكن اشػػتقاؽ عػػدد ال حصػػر لػػو مػػن الفرضػػيات‬ ‫اجلزئيػػة الفسيفسػػائية‪ .‬‬ ‫فإذا أردنا أف ننظػر إُف مشػكل الضػغوط التعليميػة بالطريقػة ادلعمػوؿ شػا والشػائعة‬ ‫يف عدد ال يستهاف بو من البحوث‪ ،‬فعادة ما يتم صياغة عدد من الفرضيات اجلزئيػة يف نفػس‬ ‫البحػػث‪ .‬‬ ‫اٌفشظ‪١‬خ ‪ 3‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬رؼبسض د‪ٚ‬س اٌّؼٍُ ‪ِٚ‬غز‪ ٜٛ‬اٌمٍك‪.‬‬ ‫ولعلن ػػا ضلتػ ػػاج إُف مثػ ػػاؿ عملػ ػػي للتػ ػػدليل علػ ػػى أعليػ ػػة النمػ ػػوذج يف ٗنػ ػػع شػ ػػتات‬ ‫الفرضػػيات اجلزئيػػة يف كػػل متكامػػل‪ ،‬يضػػفي علػػى الفرضػػيات كوحػػدة متكاملػػة متمفصػػلة قػػدرة‬ ‫وصفية وتفسًنية وتنبؤية تفتقر إليها شتات الفرضيات على تعددىا‪.‬وفيمػػا يلػػي عينػػة مػػن ىػػذه الفرضػػيات ذات العالقػػة بادلثػػاؿ الػػذي أوردنػػاه‬ ‫عن الضغوط التعليمية‪:‬‬ ‫اٌفشظ‪١‬خ ‪ 1‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ ِ‪ٛ‬عجـخ ثـ‪ ٓ١‬ػـتء د‪ٚ‬س اٌّؼٍـُ ‪ِٚ‬غـز‪ ٜٛ‬اٌمٍـك‪ ،‬ثؾ‪١‬ـش أْ‬ ‫اصد‪٠‬بد ػجئ اٌذ‪ٚ‬س ‪٠‬شرجػ ثبسرفبع ف‪ِ ٟ‬غز‪ ٜٛ‬اٌمٍك‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 2‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬غّ‪ٛ‬ض د‪ٚ‬س اٌّؼٍُ ‪ِٚ‬غز‪ ٜٛ‬اٌمٍك‪.‬‬ ‫‪-‬‬ .

ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 24‬ـ ‪ٛ٠‬عذ فشق داي ئؽصـبئ‪١‬ب ثـ‪ ٓ١‬اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ اٌعـغ‪ٛ‬غ ‪ٚ‬اعـزشار‪١‬غ‪١‬خ رؼـذ‪ً٠‬‬ ‫االٔفؼبالد إٌبعّخ ػـٓ اٌعـغ‪ٛ‬غ فـ‪ ٟ‬رخفـ‪١‬ط ِغـز‪ ٜٛ‬اٌمٍـك ٌصـبٌؼ اعـزشار‪١‬غ‪١‬خ‬ ‫ِ‪ٛ‬اع‪ٙ‬خ اٌعغ‪ٛ‬غ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 17‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ ٓ١‬ر‪ٛ‬رش اٌؼاللبد ثبٌضِالء ‪ٚ‬اٌشظب اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 25‬ـ ‪ٛ٠‬عذ فشق داي ئؽصبئ‪١‬ب ثـ‪ ٓ١‬اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ اٌعـغ‪ٛ‬غ ‪ٚ‬اعـزشار‪١‬غ‪١‬خ رؼـذ‪ً٠‬‬ ‫االٔفؼبالد إٌبعّخ ػٓ اٌعغ‪ٛ‬غ ف‪ ٟ‬رخف‪١‬ط ِغـز‪ ٜٛ‬االوزئـبة ٌصـبٌؼ اعـزشار‪١‬غ‪١‬خ‬ ‫ِ‪ٛ‬اع‪ٙ‬خ اٌعغ‪ٛ‬غ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 21‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ٔ ٓ١‬ذسح اٌؾ‪ٛ‬افض ‪ٚ‬أخفبض األداء اٌزؼٍ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 18‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ ٓ١‬ر‪ٛ‬رش ػاللبد اٌّؼٍُ ثبإلداسح ‪ٚ‬اٌشظب اٌزؼٍ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 21‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬رؼبسض د‪ٚ‬س اٌّؼٍُ ‪ٚ‬أخفبض األداء اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 9‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬رؼبسض د‪ٚ‬س اٌّؼٍُ ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 14‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ ٓ١‬غّ‪ٛ‬ض د‪ٚ‬س اٌّؼٍُ ‪ٚ‬اٌشظب اٌزؼٍ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 23‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجـخ ثـ‪ ٓ١‬رـ‪ٛ‬رش ػاللـبد اٌّؼٍـُ ثـبإلداسح ‪ٚ‬أخفـبض األداء‬ ‫اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 12‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬ر‪ٛ‬رش ػاللبد اٌّؼٍُ ثبإلداسح ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‪.ّٟ١‬‬ ‫اٌفشظــ‪١‬خ ‪ 22‬ـ ر‪ٛ‬عــذ ػاللــخ اسرجبغ‪١‬ــخ ِ‪ٛ‬عجــخ ثــ‪ ٓ١‬رــ‪ٛ‬رش اٌؼاللــبد ثــبٌضِالء ‪ٚ‬أخفــبض األداء‬ ‫اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 11‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬ر‪ٛ‬رش اٌؼاللبد ثبٌضِالء ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 7‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬ػـتء د‪ٚ‬س اٌّؼٍـُ ‪ِٚ‬غـز‪ ٜٛ‬االوزئـبة‪ ،‬ثؾ‪١‬ـش أْ‬ ‫اصد‪٠‬بد ػج‪ٝ‬ء اٌذ‪ٚ‬س ‪٠‬شرجػ ثبسرفبع ف‪ِ ٟ‬غز‪ ٜٛ‬االوزئبة‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 11‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ٔ ٓ١‬ذسح اٌؾ‪ٛ‬افض ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 15‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ ٓ١‬رؼبسض د‪ٚ‬س اٌّؼٍُ ‪ٚ‬اٌشظب اٌزؼٍ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 16‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ث‪ٔ ٓ١‬ذسح اٌؾ‪ٛ‬افض ‪ٚ‬اٌشظب اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 8‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬غّ‪ٛ‬ض د‪ٚ‬س اٌّؼٍُ ‪ِٚ‬غز‪ ٜٛ‬االوزئبة‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 26‬ـ ‪ٛ٠‬عذ فشق داي ئؽصـبئ‪١‬ب ثـ‪ ٓ١‬اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ اٌعـغ‪ٛ‬غ ‪ٚ‬اعـزشار‪١‬غ‪١‬خ رؼـذ‪ً٠‬‬ ‫االٔفؼبالد إٌبعّخ ػٓ اٌعـغ‪ٛ‬غ فـ‪ ٟ‬اٌشظـب اٌزؼٍ‪ّ١‬ـ‪ٌ ٟ‬صـبٌؼ اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ‬ ‫‪-‬‬ .‫اٌفشظ‪١‬خ ‪ 6‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ ِ‪ٛ‬عجخ ث‪ ٓ١‬ر‪ٛ‬رش ػاللبد اٌّؼٍُ ثبإلداسح ‪ِٚ‬غز‪ ٜٛ‬اٌمٍك‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 19‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ ِ‪ٛ‬عجـخ ثـ‪ ٓ١‬ػـتء د‪ٚ‬س اٌّؼٍـُ ‪ٚ‬أخفـبض األداء اٌزؼٍ‪ّ١‬ـ‪،ٟ‬‬ ‫ثؾ‪١‬ش أْ اصد‪٠‬بد ػج‪ٝ‬ء اٌذ‪ٚ‬س ‪٠‬شرجػ ثبٔخفبض ف‪ِ ٟ‬غز‪ ٜٛ‬األداء اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 13‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬خ عبٌجخ ثـ‪ ٓ١‬ػـتء د‪ٚ‬س اٌّؼٍـُ ‪ِٚ‬غـز‪ ٜٛ‬اٌشظـب اٌزؼٍ‪ّ١‬ـ‪،ٟ‬‬ ‫ثؾ‪١‬ش أْ اصد‪٠‬بد ػج‪ٝ‬ء اٌذ‪ٚ‬س ‪٠‬شرجػ ثبٔخفبض ف‪ِ ٟ‬غز‪ ٜٛ‬اٌشظب اٌزؼٍ‪.

ّٟ١‬‬ ‫ؽلكػػن إضػػافة عػػدد آخػر مػػن الفرضػػيات اجلزئيػػة‪ ،‬ورصػػها َنانػػب بعضػػها بعضػػا‪،‬‬ ‫لعلها تستوعب كافة جوانب ادلوضػوع‪ ،‬أو تتنػاوؿ ٗنيػع أبعػاد ادلشػكلة‪ ،‬ويف هنايػة ادلطػاؼ صلػد‬ ‫أنفسػػنا أمػػاـ كتلػػة ضػػخمة مػػن الفرضػػيات اجلزئيػػة‪ ،‬حػػب يسػػهل اختبارىػػا باسػػتعماؿ األسػػاليب‬ ‫اإلحصائية الفرقية أو االرتباطية‪ .‬‬ ‫اٌفشظ‪١‬خ ‪ 29‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ عـبٌجخ ثـ‪ ٓ١‬ر‪ٛ‬لـغ ‪ٚ‬عـ‪ٛ‬د اٌـذػُ االعزّـبػ‪ ٟ‬فـ‪ ٟ‬اٌّ‪ٛ‬لـف‬ ‫اٌعبغػ ‪ٚ‬اٌشؼ‪ٛ‬س ثبالوزئبة‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 28‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ عـبٌجخ ثـ‪ ٓ١‬ر‪ٛ‬لـغ ‪ٚ‬عـ‪ٛ‬د اٌـذػُ االعزّـبػ‪ ٟ‬فـ‪ ٟ‬اٌّ‪ٛ‬لـف‬ ‫اٌعبغػ ‪ٚ‬اٌشؼ‪ٛ‬س ثبٌمٍك‪ .ّٟ١‬‬ ‫اٌفشظــ‪١‬خ ‪ 32‬ـ غش‪٠‬مــخ ئدسان اٌّ‪ٛ‬لــف (رمــذ‪٠‬ش خط‪ٛ‬سرــٗ ‪ٚ‬ر‪ٙ‬ذ‪٠‬ــذٖ ‪ )Cognitive appraisal‬رــإصش فــ‪ٟ‬‬ ‫ِغز‪ ٜٛ‬اٌمٍك‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 34‬ـ غش‪٠‬مخ ئدسان اٌّ‪ٛ‬لف رإصش ف‪ِ ٟ‬غز‪ ٜٛ‬اٌشظب اٌزؼٍ‪.‬‬ ‫إن التنظي يير ع يين طري ييق الفرض يييات الجزئي يية يرك ييز عل ييى األبع يياد الجزئي يية‬ ‫للعالقات‪ ،‬لكن ال يركز على تكاملها وتفاعلها‪ .‬إذ في غياب تكاميل العالقيات وتفاعلهيا‬ ‫‪-‬‬ .‬أ‪ ٞ‬أْ ر‪ٛ‬لغ ر‪ٛ‬فش اٌّغبٔذح االعزّبػ‪١‬خ ِٓ غـشف ا‪٢‬خـش‪ٓ٠‬‬ ‫‪٠‬شرجػ ثبٔخفبض ف‪ِ ٟ‬غز‪ ٜٛ‬اٌمٍك‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 31‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ عـبٌجخ ثـ‪ ٓ١‬ر‪ٛ‬لـغ ‪ٚ‬عـ‪ٛ‬د اٌـذػُ االعزّـبػ‪ ٟ‬فـ‪ ٟ‬اٌّ‪ٛ‬لـف‬ ‫اٌعــبغػ ‪ٚ‬أخفــبض األداء‪ ،‬ثؾ‪١‬ــش أْ ر‪ٛ‬لــغ رــ‪ٛ‬فش اٌّغــبٔذح االعزّبػ‪١‬ــخ ِــٓ غــشف‬ ‫ا‪٢‬خش‪٠ ٓ٠‬شرجػ ثبٔخفبض ف‪ٚ ٟ‬ر‪١‬شح رذ٘‪ٛ‬س األداء اٌزؼٍ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 27‬ـ ‪ٛ٠‬عذ فشق داي ئؽصـبئ‪١‬ب ثـ‪ ٓ١‬اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ اٌعـغ‪ٛ‬غ ‪ٚ‬اعـزشار‪١‬غ‪١‬خ رؼـذ‪ً٠‬‬ ‫االٔفؼبالد إٌبعّخ ػـٓ اٌعـغ‪ٛ‬غ فـ‪ ٟ‬األداء اٌزؼٍ‪ّ١‬ـ‪ٌ ٟ‬صـبٌؼ اعـزشار‪١‬غ‪١‬خ ِ‪ٛ‬اع‪ٙ‬ـخ‬ ‫اٌعغ‪ٛ‬غ‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 33‬ـ غش‪٠‬مخ ئدسان اٌّ‪ٛ‬لف رإصش ف‪ِ ٟ‬غز‪ ٜٛ‬االوزئبة‪.‫اٌعغ‪ٛ‬غ‪.ّٟ١‬‬ ‫اٌفشظ‪١‬خ ‪ 35‬ـ غش‪٠‬مخ ئدسان اٌّ‪ٛ‬لف رإصش ف‪ِ ٟ‬غز‪ ٜٛ‬األداء اٌزؼٍ‪.‬لكن مع وجود ىػذا احلشػد الكبػًن مػن الفرضػيات يف البحػث‬ ‫الواحػػد تبػػدو أشػػبو شػػيء بقطػػع فسيفسػػائية مرتاصػػة لكنهػػا ال تشػػكل يف هنايػػة ادلطػػاؼ صػػورة‬ ‫ذات مغزى وداللة‪.‬‬ ‫اٌفشظ‪١‬خ ‪ 31‬ـ ر‪ٛ‬عذ ػاللخ اسرجبغ‪١‬ـخ ِ‪ٛ‬عجـخ ثـ‪ ٓ١‬ر‪ٛ‬لـغ ‪ٚ‬عـ‪ٛ‬د اٌـذػُ االعزّـبػ‪ ٟ‬فـ‪ ٟ‬اٌّ‪ٛ‬لـف‬ ‫اٌعبغػ ‪ٚ‬اٌشؼ‪ٛ‬س ثبٌشظب اٌّ‪ٕٙ‬ـ‪ ،ٟ‬ثؾ‪١‬ـش أْ ر‪ٛ‬لـغ رـ‪ٛ‬فش اٌّغـبٔذح االعزّبػ‪١‬ـخ ِـٓ‬ ‫غشف ا‪٢‬خش‪٠ ٓ٠‬شرجػ ثبسرفبع ف‪ِ ٟ‬غز‪ ٜٛ‬اٌشظب اٌزؼٍ‪.

‬‬ ‫‪-‬‬ .‬‬ ‫ينبغػػي أف تتسػػم الفرضػػيات بنػػوع مػػن الث ػراء النظػػري الػػذي ال يقػػوـ علػػى ثنائيػػة‬ ‫ادلتغ ػ ػًنات ‪ ،‬أو يتعامػ ػػل معهػ ػػا مثػ ػػىن مثػ ػػىن‪ ،‬بػ ػػل الفرضػ ػػيات الػ ػػيت تسػ ػػتوعب تكامػ ػػل ادلتغ ػ ػًنات‬ ‫وتفاعله ػػا‪ ،‬وٕنفص ػػلها‪ ،‬وتقاطعه ػػا‪ .‬‬ ‫وب ػػالرجوع إُف موض ػػوع الض ػػغوط التعليمي ػػة‪ ،‬ف ػػيمكن التنظ ػػًن دلش ػػكلة مص ػػادر‬ ‫الضغوط وانعكاساتو بصياغة ظلوذج يستوعب ٗنيع العالقػات ادلفرتضػة للمتغػًنات وتفاعالهتػا‪.)11‬‬ ‫والنمػػوذج النظػػري س ػواء أكػػاف شلػػاثال دلثالنػػا أو سلتلفػػا عنػػو‪ ،‬يتفػػوؽ علػػى الفرضػػيات‬ ‫من عدة جوانب نذكر منها ما يلي‪:‬‬ ‫أوال ػ رسػػم إطػػار متكامػػل تتحػػرؾ يف مسػػاحتو العديػػد مػػن الفرضػػيات اجلزئيػػة الػػيت تسػػتهدؼ‬ ‫عمليػ ػػة الوصػ ػػف أو عمليػ ػػة التنبػ ػػؤ أو تفسػ ػػًن مشػ ػػكلة ُنثيػ ػػة معينػ ػػة‪ .‬والنمي يياذج النظريي يية أو التصي ييورية مي ييا ىي ييي إال فرضي يييات‬ ‫اتسييمت بقييدر ميين الثييراء فييي التنظييير بحيييث تغطييي عييددا ميين المتغي يرات وتنظيير لطبيعيية‬ ‫عالقاتهييا وتضييفي علييى المتغي يرات مرونيية وظيفييية‪ُ ،‬نيػػث أف ذات ادلتغػػًن قػػد يكػػوف متغ ػًنا‬ ‫مسػػتقال بالنسػػبة للمتغػًنات التابعػػة الػػيت يػػؤثر فيهػػا‪ ،‬ومتغ ػًنا تابعػػا بالنسػػبة للمتغػًنات الػػيت تػػؤثر‬ ‫فيو‪ ،‬ومتغًنا وسيطيا ضابطا للعالقة بٌن متغًن مستقل ّنتغًن تابع‪.‬إظل ػػا كلبن ػػات أو وح ػػدات تس ػػبح يف إط ػػار‬ ‫عالئقػػي‪ ،‬وتشػػتق معناىػػا مػػن عالقتهػػا بالوحػػدات أو الفرضػػيات األخػػرى داخػػل نسػػق‬ ‫النموذج‪.‬‬ ‫ومػػن بػػٌن النمػػاذج البديلػػة ادلمكنػػة ؽلكػػن اقػرتاح علػػى سػػبيل ادلثػػاؿ النمػػوذج ادلوضػػح يف الشػػكل‬ ‫(‪.‬وبالتػ ػػاِف ال تبػ ػػدو‬ ‫الفرض ػػيات ادلتض ػػمنة يف النم ػػوذج كش ػػتات‪ .‫تفقد العالقات قدرا كبيرا من داللتها النظرية األصلية‪.

‬‬ ‫ثالثػا ػ النمػوذج ينطػوي علػى مرونػة يف التنظػًن حيػث تضػطلع نفػس ادلتغػًنات بػأدوار سلتلفػة يف‬ ‫النم ػػوذج‪ ،‬فق ػػد تلع ػػب دور ادلتغ ػًنات ادلس ػػتقلة ادل ػػؤثرة أو التنبؤي ػػة‪ ،‬وق ػػد ٕن ػػارس يف ذات‬ ‫الوقت دورا وسيطيا بٌن متغًنات مستقلة مؤثرة ومتغًنات تابعة متأثرة‪ ،‬وقػد تضػطلع يف‬ ‫نفس الوقت بدور ثالث بكوهنا متغًنات تابعة بالنسبة دلتغًنات أخرى مسػتقلة‪ .‬فمتغػًن‬ ‫‪-‬‬ .‫شىً (‪ِ )11‬ضبي ػٓ ّٔ‪ٛ‬رط ٔظش‪ٕ٠ ٞ‬ظش ٌؼاللخ ِصبدس اٌعغ‪ٛ‬غ ثبإلع‪ٙ‬بد‬ ‫ثانيػػا ػ قػػوة النمػػوذج تتجلػػى يف قدرتػػو علػػى مضػػاىاة سػػلوؾ ادلتغ ػًنات ادلتشػػعب وادلتػػداخل يف‬ ‫الواقع‪ ،‬األمر الذي تعجز دونو الفرضيات اليت تنحوا إُف الرتكيز يف الغالػب علػى عالقػة‬ ‫معينة‪ ،‬وتستقطعها من نسيج عالقاهتا ّنتغًنات أخرى‪.

‬وى ػػي يف ذات الوق ػػت متغ ػًنات تابع ػػة لكوهن ػػا تتلق ػػى ت ػػأثًن مص ػػادر الض ػػغوط؛‬ ‫وتلعب أيضا دورا ثالثا باعتبارىا متغًنات وسيطية تنقل جزئيػا أثػر مصػادر الضػغوط إُف‬ ‫متغًن القلق ومتغًن االكتئاب ومتغًن الرضا ومتغًن األداء‪.‬‬ ‫لعلنػػا شػػذا القػػدر مػػن ادلقارنػػة بػػٌن الفرضػػيات والنمػػاذج نكػػوف قػػد أسػػتثرنا نسػػبيا‬ ‫شػػهية القػػارئ إُف معرفػػة ادلزيػػد عػػن النمػػاذج النظريػػة البحثيػػة‪ .‬‬ ‫رابعػا ػ ومػن جوانػب قػوة النمػوذج أنػو ؽل ّكػن الباحػث مػن اختبػار نسػيج العالقػات الػيت ينطػوي‬ ‫عليهػػا دفعػػة واحػػدة‪ ،‬أي كجشػػطلت أو ككػػل‪ ،‬وال يقػػوـ فقػػط علػػى اختبػػار العالقػػات‬ ‫بتفصيصها أو ْنزيئها عالقة عالقة‪.‬وسنتعرؼ على ثالثة أنواع من النماذج وىي‪:‬‬ ‫أوال ػ النماذج العاملية ‪Confirmatory Factor Analysis Models‬‬ ‫ثانيا ػ ظلاذج ٓنليل ادلسارات ‪. Path Analysis Models‬‬ ‫ثالثا ػ النماذج البنائية ‪.‬ويف ىػػذا السػػياؽ‪ ،‬يستحسػػن أف‬ ‫نتطػ ػػرؽ إُف بعػ ػػض النمػ ػػاذج النظريػ ػػة الػ ػػيت تصػ ػػادؼ يف البحػ ػػوث متػ ػػوخٌن شػ ػػرحها بأشػ ػػكاؿ‬ ‫توضيحية‪ .‬فػػإذا كػػاف‬ ‫‪-‬‬ .Structural Analysis Models‬‬ ‫أًال‪ -‬اننًارس انؼايهْت انخٌكْذّت‪:‬‬ ‫النماذج العاملية ال تػدرس العالقػات بػٌن متغػًنين سلتلفػٌن أو متغػًنات سلتلفػة‪ .‬نعػىن يفػرتض الباحػث أف للمفهػوـ بنيػة‪،‬‬ ‫ويفػػرتض أف ىػػذه البنيػػة تتػػألف مػػن مكػػوف واحػػد‪ ،‬أو مكػػونٌن‪ ،‬أو عػػدة مكونػػات‪ .‫اإلدراك ومتغػًن اسيتراتيجيات مواجهية الضيغوط ومتغػًن توقيع المسياندة االجتماعيية‬ ‫ٕن ػػارس ت ػػأثًنا مباشػ ػرا عل ػػى متغ ػػًن االكتئ ػػاب‪ ،‬ومتغ ػػًن القل ػػق‪ ،‬ومتغ ػػًن الرض ػػا التعليم ػػي‪،‬‬ ‫ومتغػ ػػًن األداء التعليمػ ػػي‪ ،‬فهػ ػػي متغػ ػػًنات مسػ ػػتقلة بالنسػ ػػبة للقلػ ػػق واالكتئػ ػػاب والرضػ ػػا‬ ‫واألداء‪ .‬وإظلػا‬ ‫تكتسي طابعا ٓنليليا‪ ،‬ألهنا تعىن أساسػا بتحليػل مفهػوـ معػٌن‪ ،‬أو متغػًن معػٌن‪ ،‬إُف أبعػاده أو‬ ‫العوامل اليت يفرتض أهنا تشكل قواـ أو بنيػة ادلفهػوـ‪ّ .

‬وإذا تألف ادلفهوـ موضوع التحليل من مكونٌن أو أكثر فيدعى مفهوـ متعػدد األبعػاد‬ ‫أو العوامل‪ .‬ادلهػػارات اإلجتماعيػػة‪ .‬وافػرتاض أف اإلجهيياد أو االنهيياك النفسييي المهنييي‬ ‫يت ػ ػػألف م ػ ػػن ثالث ػ ػػة عوام ػ ػػل وى ػ ػػي‪ :‬اإلهن ػ ػػاؾ االنفع ػ ػػاِف‪ ،‬الالشخص ػ ػػانية‪ ،‬تضعض ػ ػػع‪ ،‬واإلصل ػ ػػاز‬ ‫الشخص ػػي‪ .‬وتصػػور أف مفهػػوـ االغتيراب أو االسييتالب ‪ Alienation‬ينطػػوي علػػى‬ ‫أربعػة عوامػل أو أبعػاد وىػي‪ :‬العزلػة االجتماعيػة ‪ ، Social isolation‬الالمعياريػة‬ ‫‪Normlessness‬‬ ‫‪ ،‬العج ػ ػ ػ ػ ػ ػ ػػز ‪ ، Powerlessness‬الالمع ػ ػ ػ ػ ػ ػ ػػىن ‪ .‬وافػرتاض أف مكونػات‬ ‫الي ييذكاء االنفعي ييالي أو عوامل ػػو ى ػػي‪ :‬ال ػػوعي بال ػػذات ‪ .‫ادلفهػوـ يتػػألف مػػن مكػػوف واحػػد يػػدعى ّنفهػػوـ متجػػانس‪ ،‬أو مفهػػوـ وحيػػد البعػػد كػػأف يفػػرتض‬ ‫الباحث مثال أف مفهوـ ادليل للعزلػة ينطػوي علػى بعػد واحػد‪ّ ،‬نعػىن أف ادلؤشػرات أو ادلتغػًنات‬ ‫اليت تساىم يف تركيب مفهوـ العزلة تؤلػف فيمػا بينهػا مسػاحة مشػرتكة مػن الداللػة ٕنثػل مفهػوـ‬ ‫العزلة‪ .‬ومن أمثلتها افػرتاض أف متغػًن أو مفهػوـ القلػق ينطػوي علػى عػاملٌن‪ :‬عامػل القلػق‬ ‫كحالة ( قليلة االستقرار ومستهدفة للتغًن) وعامل القلق كسمة (نتيجة اسػتقرارىا النسػع عػرب‬ ‫ادلواق ػػف ادلختلف ػػة)‪ ،‬أو االعتق ػػاد ب ػػأف التفك ػػًن ينط ػػوي عل ػػى بع ػػدين أو ع ػػاملٌن‪ :‬بع ػػد التفك ػػًن‬ ‫التشعع وبعد التفكًن التقار ‪.‬الدافعي ػػة ‪ .‬تنظ ػػيم ال ػػذات ‪.‬التع ػػاطف‬ ‫‪.Meaninglessness‬وافػ ػ ػ ػ ػ ػ ػ ػرتاض أف المعتق ي ي ي ي ي ي ييدات‬ ‫اإلبسييتمولوجية (نظػػرة الفػػرد إُف ادلعرفػػة العلميػػة وطػػرؽ ٓنصػػيلها) تنطػوي علػػى األبعػػاد التاليػػة‪:‬‬ ‫أوال ػ بعػد إيقػاع الػتعلم أو سػرعتو‪ ،‬ثانيػا ػ تنظػيم ادلعرفػة‪ ،‬ثالثػا ػ يقينيػة ادلعرفػة‪ ،‬رابعا ػ الػتحكم يف‬ ‫عمليػػة الػػتعلم‪ ،‬خامسػػا ػ مصػػدر ادلعرفػػة‪ .‬‬ ‫ودائمػا يف سػػياؽ افػرتاض انطػواء ادلفهػػوـ علػػى عػػدة مكونػػات أو أبعػػاد أو عوامػػل‪،‬‬ ‫ؽلك ػػن أيض ػػا الت ػػدليل عل ػػى ذل ػػك بأمثل ػػة أخ ػػرى منه ػػا م ػػثال افػ ػرتاض أف اس ييتراتيجيات الفه ييم‬ ‫‪strategies‬‬ ‫‪ comprehension‬القرائييي (فهػػم الػػنص) تنطػػوي علػػى عسػػة أبعػػاد أو عوامػػل وىػػي‪:‬‬ ‫التنبؤ‪ ،‬والتلخيص‪ ،‬وإعػادة الروايػة ‪ ،retelling‬وإعػادة القػراءة‪ ،‬والتسػاؤؿ‪ .‬وافػ ػرتاض أف مص ػػادر الض ييغوط المهني يية تنط ػػوي عل ػػى غم ػػوض ال ػػدور‪ ،‬وع ػػبء‬ ‫ال ػػدور‪ ،‬وصػ ػراع ال ػػدور‪ ،‬وض ػػغط األج ػػر‪ ،‬ون ػػدرة احلػ ػوافز‪ ،‬وض ػػغط العالق ػػات‪ ،‬وض ػػغط ظ ػػروؼ‬ ‫‪-‬‬ .

‬‬ ‫وقبل أف أتطرؽ إُف ىذه النماذج العاملية والنماذج األخرى‪ْ ،‬ندر اإلشارة إُف أنو‬ ‫يوجد شبو إٗناع على داللة بعض الرموز أو األشكاؿ ادلستعملة يف الرسوـ التخطيطية‪ ،‬وحب‬ ‫يتسىن للقارئ فهم ىذه الرسوـ التخطيطية سنتعرؼ فيما يلي على ىذه اإلشكاؿ‬ ‫االصطالحية‪:‬‬ ‫) واألشكاؿ ادلربعة ( ) على ادلتغًنات ادلقاسة‬ ‫تدؿ األشكاؿ ادلستطيلة(‬ ‫أو ادلالحظة أو ادلؤشرات‪ ،‬وقد تكوف ادلؤشرات أو ادلتغًنات ادلقاسة أو ادلالحظة فقرات أو‬ ‫بنود أو عبارات مقياس‪ ،‬أو مقاييس فرعية ‪ ،‬أو اختبارات ومقاييس‪ ،‬أو غًنىا؛ فإذا كانت‬ ‫ادلؤشرات ادلقاسة عبارة عن فقرات مقياس فإف كل عبارة ٕنثل مؤشرا أو متغًنا مقاسا‪ ،‬كما قد‬ ‫تكوف ادلؤشرات أو ادلتغًنات ادلقاسة مقاييس وليست فقرات‪.‬ونوجزىا يف ثالثة أنواع وىي‪:‬‬ ‫‪1‬ي النموذج العاملي وحيد العامل أو البعد ؛‬ ‫‪ 2‬ي النموذج العاملي الذي ينطوي على عاملين أو أكثر من عاملين‪ ،‬ولنصطلح على‬ ‫تسميتو بالنموذج العاملي المتعدد العوامل أو األبعاد‪.‬‬ ‫) أو الدوائر (‬ ‫وتدؿ األشكاؿ البيضوية (‬ ‫) على ادلتغًنات الكامنة‬ ‫‪ latent variables‬أو العوامل الكامنة ‪ .‬‬ ‫وسأعمل على توضيح ىذه النماذج بأمثلة توضيحية قائمة على رسوـ ٔنطيطية‬ ‫‪ diagrams‬حب يسهل تصورىا واستيعاشا وال سيما وأهنا تشكل موضوع الكتاب احلاِف‪.‬‬ ‫‪ 3‬ي النموذج العاملي من الدرجة الثانية أو النموذج العاملي الهرمي‪.‫العمل‪ ،‬وضغط اإلشراؼ‪.‬فإذا قيس التحصيل باستعماؿ‬ ‫‪-‬‬ .latent factors‬فالتحصيل متغًن كامن ألنو ال يقاس‬ ‫مباشرة وإظلا يقاس عن طريق أسئلة حوؿ موضوع معٌن‪ .‬‬ ‫وتوجد عدة أنواع من النماذج العاملية‪ .

‬‬ ‫‪-‬‬ .‫عشرين سؤاال‪ ،‬فإف األسئلة تعترب مؤشرات أو متغًنات مقاسة لكوهنا شكلت الوسيلة اليت‬ ‫استعملت جلمع البيانات عن مفهوـ التحصيل‪ .‬‬ ‫‪ 2‬ـ اننًارس انؼايهْت ًحْذة انبؼذ أً انؼايم‪:‬‬ ‫وفيها يفرتض الباحث أف مفهوما معينا ينطوي على عامل واحد ُنيث تشرتؾ‬ ‫الفقرات أو األسئلة أو ادلقاييس (أي ادلتغًنات ادلقاسة أو ادلؤشرات) بقدر كاؼ يف ىذا‬ ‫ادلفهوـ‪ ،‬أي أف القاسم ادلشرتؾ بٌن ادلؤشرات أو ادلتغًنات ادلقاسة تدؿ على عامل واحد أو‬ ‫بعد واحد يلخص ادلفهوـ الذي يراد ٓنليلو‪ .‬فالتحصيل ىو اذلدؼ من القياس ‪ ،‬ولكن لكونو مفهوما رلردا ال ؽلكن مالحظتو‬ ‫وإظلا نالحظ أنواع السلوؾ الدالة عليو اليت تقاس عن طريق األسئلة ولذلك مسي ّنتغًن كامن‪،‬‬ ‫أو عامل كامن‪.‬فمساحة العالقة ادلشرتكة بٌن ادلؤشرات أو‬ ‫ادلتغًنات ادلقاسة سواء أكانت فقرات أو مقاييس أو غًن ذلك ٕنثل الداللة النظرية للمفهوـ‪.‬‬ ‫ودلزيد من التوضيح ‪ ،‬أوردت يف الشكل الشكل (‪ )01‬ثالث ظلاذج عاملية‪.‬أما مفهوـ التحصيل فنتوصل إُف قياسو‬ ‫بطريقة غًن مباشرة (عن طريق األسئلة) ُنيث أف درجات األسئلة ككل تدؿ على متغًن‬ ‫التحصيل‪ .‬‬ ‫وّنا أف ادلتغًنات ادلقاسة أو ادلؤشرات تلتقي عند مفهوـ واحد لذلك يسمى ّنفهوـ أو‬ ‫مصطلح أو تكوين فرضي ‪ construct‬وحيد البعد أو متجانس‪.‬‬ ‫أو‬ ‫) فيدؿ على عالقة‬ ‫بعد التعرؼ على أنواع األشكاؿ االصطالحية وكيفية قراءهتا نتطرؽ اآلف إُف أنواع‬ ‫النماذج العاملية‪.‬‬ ‫وتدؿ األسهم ادلستقيمة وحيدة االْناه ( ‪ ‬أو ‪ ‬أو ‪ ‬أو ‪ ) ‬على أثر‬ ‫ادلتغًن الذي ينطلق منو السهم على ادلتغًن الذي ينتهي عنده السهم‪ ،‬أما السهم ادلزدوج‬ ‫أو‬ ‫االْناه احملدب أو ادلقعر أو ادلستقيم (‬ ‫االرتباط أو التغاير بٌن متغًنين‪.

‬‬ ‫ويظهر ادلتغًن الكامن أو العامل (الكامن) داخل الشكل البيضوي الذي يشكل القاسم‬ ‫ادلشرتؾ للمؤشرات أو ادلتغًنات ادلقاسة اليت يرمز ذلا كما سبق أف أشرنا إُف ذلك‬ ‫بادلستطيالت‪ .‬ولذلك يعترب العامل أو ادلتغًن الكامن (أي ادلفهوـ موضوع التحليل) ىو الذي يفسر‬ ‫ادلتغًنات ادلقاسة اليت تنتسب إليو‪ ،‬وػلدد أعليتها‪ ( ،‬أي يؤثر يف ادلتغًنات ادلقاسة و‬ ‫ادلؤشرات) ولذلك تنطلق األسهم من ادلتغًن الكامن إُف ادلتغًنات ادلقاسة‪ .‬فإذا كانت‬ ‫ادلتغًنات ادلقاسة عبارة عن فقرات أو أسئلة لقياس مفهوـ معٌن وليكن مفهوـ التطبيق أو‬ ‫توظيف ادلعلومات‪ ،‬فأعلية كل فقرة أو سؤاؿ ٓندد ّندى ارتباط السؤاؿ أو التحامو بالتطبيق‪،‬‬ ‫وبتعبًن آخر تتحدد أعلية السؤاؿ ّنقدار ما ينطوي عليو السؤاؿ من عمليات التطبيق وليس‬ ‫ّنقدار ما ينطوي عليو من عمليات أخرى كادلعرفة أو عملية التذكر‪ .‬فبمقدار ما يفتقر إليو‬ ‫السؤاؿ من داللة التطبيق أو توظيف ادلعلومات ّنقدار ما يعترب السؤاؿ ضعيفا يف قياس‬ ‫مفهوـ التطبيق‪ .‬‬ ‫‪-‬‬ .‬‬ ‫السبب ادلنطقي لذلك ىو أف اللحمة اليت ْنمع شتات ادلتغًنات ادلقاسة أو شتات‬ ‫ادلؤشرات ىو ادلتغًن الكامن أو العامل‪ ،‬فإذا انتفى العامل تنتفي معو األرضية اليت تشرتؾ فيها‬ ‫ادلؤشرات أو ادلتغًنات ادلقاسة‪ ،‬أو النسيج الضاـ للمتغًنات ادلقاسة‪ ،‬وبانتفاء ادلتغًن أو العامل‬ ‫الكامن تصبح ادلتغًنات ادلقاسة أو ادلؤشرات عبارة عن شتات تفتقر للعامل الذي يربط فيما‬ ‫بينها‪ .‫النموذج العاملي (أ) ويدؿ على الشكل التخطيطي العاـ للنموذج العاملي وحيد البعد‪.‬لكن القارئ الدقيق قد يتساءؿ دلاذا كاف اْناه السهم منطلقا‬ ‫من ادلتغًن الكامن (البعد أو العامل) إُف ادلؤشر أو ادلتغًن ادلقاس ‪ ،‬وليس العكس‪ّ .‬أما األسهم الوحيدة االْناه اليت تنطلق من ادلتغًن أو العامل الكامن إُف‬ ‫ادلؤشرات أو ادلتغًنات ادلقاسة يف ادلستطيالت فتدؿ على العالقة ادلشرتكة بٌن البعد أو العامل‬ ‫وبٌن ادلؤشر أو ادلتغًن ادلقاس‪ .‬ولذلك يف النموذج العاملي يعترب البعد أو العامل أو ادلتغًن الكامن ىو الذي‬ ‫يفسر ادلؤشرات أو ادلتغًنات ادلقاسة وػلددىا ويؤثر فيها وليس العكس‪.‬نعىن دلاذا‬ ‫ال ينطلق السهم من ادلؤشر أو ادلتغًن ادلقاس لينتهي عند ادلتغًن أو العامل الكامن‪.

‫وعقب الشكل العاـ للنموذج العاملي وحيد البعد أوردت مثالٌن‪ :‬أحدعلا يدؿ‬ ‫عليو الشكل (ب) الذي يظهر أف الباحث يتصور أف مفهوـ السلوؾ العدواين يتكوف من‬ ‫عامل واحد فقط‪ ،‬والسلوؾ العدواين قيس بطريقة غًن مباشرة عن طريق ثالثة مؤشرات أو‬ ‫متغًنات مقاسة‪ :‬الشتم ‪ ،‬والضرب‪ ،‬واالستفزاز‪ .‬‬ ‫اٌشىً (‪ )21‬صالصخ ّٔبرط ػبٍِ‪١‬خ ‪ٚ‬ؽ‪١‬ذح اٌؼبًِ أ‪ ٚ‬اٌجؼذ‬ ‫‪-‬‬ .‬ولذلك وضع متغًن السلوؾ العدواين داخل‬ ‫شكل بيضاوي لكونو متغًنا كامنا أو عامال أو بعدا للسلوؾ العدواين‪ ،‬ووضعت ادلتغًنات‬ ‫ادلقاسة‪ :‬الشتم ‪ ،‬والضرب واالستفزاز داخل مستطيالت أو مربعات ألهنا مؤشرات‪.

‬‬ ‫ثانيا‪ :‬أف ىذا العامل الوحيد تدؿ عليو عدة مؤشرات بدال من مؤشر واحد‪ .‬وينصح أال تقل‬ ‫عدد ادلؤشرات عن ثالثة مؤشرات‪ ،‬وبالتاِف يقاس العامل بطريقة غًن مباشرة عرب ىذه‬ ‫ادلؤشرات‪ .‬‬ ‫‪ 3‬ـ اننًٌرس انؼايهِ رً انؼايهني أً املخؼذد انؼٌايم‪:‬‬ ‫إف ىذا النموذج ػ على خالؼ النموذج األحادي العامل أو البعد ػ يقوـ على‬ ‫‪-‬‬ .‫أما ادلثاؿ اآلخر فيدؿ عليو الشكل (ج) الذي يبٌن أيضا ظلوذجا عامليا ػلتوي‬ ‫على عامل أو بعد كامن واحد ىو الرضا ادلهين الذي قيس باستعماؿ عسة مؤشرات أو‬ ‫متغًنات مقاسة انطالقا من مؤشر‪":‬الوظيفة ذاهتا" وانتهاء ّنؤشر "اإلدارة واإلشراؼ"‪.‬‬ ‫نستنتج شلا سبق ما يلي‪:‬‬ ‫أوال‪ :‬أف النموذج العاملي أحادي البعد يقوـ على افرتاض أف ادلفهوـ ينطوي على بعد أو‬ ‫عامل وحيد‪.‬وبالتاِف فلكل عامل أو متغًن كامن عدد من ادلؤشرات اليت تستعمل لقياس‬ ‫العامل‪.‬ولذلك يستعمل‬ ‫يف الغالب تعبًن أف العامل أو البعد أو ادلتغًن الكامن (الذي ؽلثل يف الرسم بشكل‬ ‫بيضوي) يفسر متغًناتو ادلقاسة أو ادلالحظة‪ ،‬أو مؤشراتو‪ .‬نعىن ىو‬ ‫الذي يضفي معىن وداللة على وظيفة أو غرض ادلؤشر أو ادلتغًن ادلقاس سواء أكانت‬ ‫ىذه ادلؤشرات ادلقاسة فقرات أو اختبارات أو مقاييس أو غًن ذلك‪ .‬وبتعبًن آخر أف العامل أو‬ ‫ادلتغًن الكامن يؤثر يف ادلتغًنات ادلقاسة أو ادلؤشرات اليت تنتمي إليو‪.‬فهي اليت توظف كمصدر للمعلومات عن العامل أو البعد الذي يلخص‬ ‫ادلفه وـ‪ .‬‬ ‫ثالثا‪ :‬العامل أو ادلتغًن الكامن ىو الذي يؤثر يف ادلؤشرات أو ادلتغًنات ادلقاسة‪ّ .

‬ففي النموذج(أ‪ )1‬صلد أف كل ادلؤشرات ترتبط بكل عامل‬ ‫كامن من العاملٌن ّنعىن أف ادلؤشرات اخلمسة تتشبع على العامل الكامن األوؿ والعامل‬ ‫الكامن الثاين أيضا‪ .‬ولقد آثرت أف أوضح ىذا النموذج ذا احلضور القوي يف‬ ‫البحوث والدراسات ادلنشورة بصفة عامة يف الشكل (‪ ،)31‬وعرب أمثلة من واقع البحوث‬ ‫يف الشكل (‪.‬‬ ‫أوال لنقارف بٌن النموذجٌن (ا) و (ب) يف الشكل (‪ ،)31‬صلد أف كليهما ػلتوي‬ ‫على عاملٌن أو متغًنف كامنٌن ولذلك وضعت يف أشكاؿ بيضوية‪ ،‬وأف ادلتغًنين الكامنٌن‬ ‫غًن مستقلٌن بل مرتبطٌن (ٖنة قاسم مشرتؾ أو مساحة مشرتكة من الداللة ْنمعهما) ُنيث‬ ‫يدؿ السهم ذو الرأسٌن أو ادلزدوج على عالقة التغاير أو االرتباط بٌن ادلتغًنين‪ . )41‬‬ ‫يظهر النموذج (أ) يف الشكل (‪ )31‬ظلاذج عامة للنموذج العاملي ذي العاملٌن‬ ‫أو ادلتعدد العوامل‪ ،‬باستعماؿ مصطلحات منهجية عامة‪ ،‬قبل االنتقاؿ إُف أمثلة خاصة من‬ ‫واقع الدراسات النفسية والرتبوية‪.‬فوضع النموذج شذا الشكل معناه أف الباحث يفتقر لتصور أو إطار‬ ‫نظري ّنوجبو يفرتض أف بعض ادلؤشرات تتشبع على العامل الكامن األوؿ دوف العامل‬ ‫الكامن الثاين‪ ،‬وأف ادلتغًنات ادلقاسة األخرى أو ادلؤشرات األخرى تتشبع على العامل الكامن‬ ‫الثاين دوف العامل الكامن الثاين‪ .‬غًن أف ٖنة‬ ‫فارؽ جوىري بٌن النموذجٌن‪ .‬ولذلك ينتظر من التحليل العاملي أف يبٌن لو عدد العوامل‬ ‫الكامنة‪ ،‬ويكشف لو أيضا على أي الفقرات تتشبع على أي عامل‪ .‬وأف كل‬ ‫متغًن كامن قيس بعدد من الفقرات‪ ،‬أي أف لكل عامل عدد من ادلؤشرات‪ .‬ولذلك تدعى طريقة‬ ‫اختبار النموذج بالتحليل العاملي االستكشايف ألف الباحث َف ينطلق من إطار نظري يوضح‬ ‫أي ادلؤشرات تتشبع على أي عامل‪.‫افرتاض وجود أكثر من عامل واحد (عاملٌن أو أكثر) لتمثيل أو استيعاب بنية ادلفهوـ‬ ‫موضوع الدراسة أو التحليل‪ .‬‬ ‫‪-‬‬ .

‬فالباحث افرتض أوال وجود ثالث عوامل‪ ،‬وثانيا افرتض أف ىذه العوامل‬ ‫‪-‬‬ .‫أما يف النموذج (ب‪ )1‬فنجد أف الباحث انطلق من ظلوذج نظري مفرتض واضح‬ ‫يشًن إُف أنو ٖنة عامالف (ػلدد امسيهما وفقا لداللتهما النظرية)‪ ،‬وأف لكل عامل مؤشراتو أو‬ ‫متغًناتو ادلقاسة‪ .‬ودلا كاف الباحث يفتقر لتصور واضح للبنية العاملية للنموذج ادلفرتض مت‬ ‫ربط كل عامل كامن َنميع ادلتغًنات ادلقاسة أو ادلؤشرات (بأسهم)‪.‬وّنا أف الباحث انطلق من‬ ‫ظلوذج عاملي مفرتضا بنية واضحة ذلذه النموذج العاملي (كم عدد العوامل‪ ،‬وكيف تسمى‪،‬‬ ‫وما ىي مؤشرات كل عامل )‪ ،‬فإسرتاتيجية اختبار النموذج اليت سيستعملها تدعى باالختبار‬ ‫التوكيدي للنموذج وذلك باستعماؿ التحليل العاملي التوكيدي‪ ،‬ما داـ قد انطلق من ظلوذج‬ ‫نظري واضح‪ ،‬وبالتاِف يقتضي النموذج النظري التثبت من صحتو‪ ،‬أو التأكد من مدى‬ ‫مطابقة النموذج للبيانات‪،‬‬ ‫ولقد أوردنا النموذجٌن (أ‪ )0‬و(ب‪ )0‬يف الشكل (‪ )31‬إلبراز نفس الفكرة‪،‬‬ ‫ُنيث أف الشكل (أ‪ ) 0‬يدؿ على أف الباحث انتهى إُف ىذا النموذج الذي ػلتوى على‬ ‫ثالث عوامل كامنة مستقلة (ال توجد أسهم مزدوجة تصل بينها) عن طريق استعماؿ‬ ‫التحليل العاملي االستكشايف‪ .‬فادلؤشرات الثالثة األوُف ذات عالقة بالعامل الكامن األوؿ وادلتغًناف‬ ‫اآلخراف ذلما عالقة بادلتغًن الكامن أو العامل الكامن الثاين‪ .‬ذلك أف الباحث َف ينطلق من افرتاض واضح أو ظلوذج نظري‬ ‫يبٌن عدد العوامل وطبيعتها (امسها) وما ىي ادلتغًنات ادلقاسة (الفقرات أو ادلقاييس) اليت‬ ‫تنتمي لكل عامل‪ ،‬ولذلك قاـ بتحليل استكشايف ليعرؼ بعد التحليل العاملي (وليس قبل‬ ‫شلارسة التحليل العاملي‪ ،‬ولذلك مسي بالتحليل العاملي االستكشايف أو االستطالعي) عدد‬ ‫العوامل وما ىي ادلتغًنات ادلقاسة أو ادلؤشرات (فقرات ادلقياس) اليت تتشبع على كل متغًن‬ ‫كامن أو عامل‪ .‬‬ ‫أما النموذج (ب‪ )0‬فينم عن وجود تنظًن معٌن أدى إُف افرتاض ىذا النموذج‬ ‫العاملي‪ .

‬‬ ‫‪burnout‬ويقصد ّنفهوـ االحرتاؽ النفسي معاناة الفرد النفسية من الضغوط ( القيود‬ ‫وادلتطلبات وادلشاكل) ادلختلفة القوية اليت يعيشها يف ادلواقف ادلختلفة‪ُ ،‬نيث إذا كانت‬ ‫مواقف مهنية مسي باالحرتاؽ النفسي ادلهين‪ ،‬وإذا كانت مواقف اجتماعية مسي باالحرتاؽ‬ ‫النفسي االجتماعي‪ ،‬وىكذا‪.‫الكامنة ترتبط فيما بينها (توجد أسهم مزدوجة االْناه تصل فيما بينها)‪ ،‬ومعىن‬ ‫ذلك أف ىناؾ مساحة مشرتكة من الداللة بٌن ىذه العوامل الثالثة‪ُ ،‬نيث ىذا‬ ‫القاسم من الداللة بٌن ىذه العوامل يدؿ على وجود مفهوـ معٌن يعكس ىذه‬ ‫الداللة ادلشرتكة بٌن العوامل‪ .‬‬ ‫‪-‬‬ .‬وثالثا حدد الباحث ىوية كل عامل باقرتاح تسمية لو‬ ‫وىو األمر الذي سيتوضح يف النماذج األخرى اليت سنتطرؽ إليها‪ .‬ولكي ؼلترب الباحث صحة ىذا النموذج فسيلجأ إُف االختبار التوكيدي‬ ‫للتثبت من صحة النموذج ادلفرتض باستعماؿ التحليل العاملي التوكيدي بدال من استعماؿ‬ ‫التحليل العاملي االستكشايف‪.‬‬ ‫وإلضفاء على ادلعاجلة السابقة طابعا واقعيا يف رلاؿ الرتبية وعلم النفس‪ ،‬أوردت‬ ‫النموذج التاِف ادلوضح يف الشكل (‪ )41‬الذي يبٌن البنية العاملية دلفهوـ االحرتاؽ النفسي ‪.‬وأف ادلتغًن ادلقاس الرابع واخلامس يتشبع على ادلتغًن أو العامل الكامن‬ ‫الثاين‪ ،‬وأف ادلؤشرات أ و ادلتغًنات ادلقاسة السادسة والسابعة والثامنة تتشبع على العامل‬ ‫الكامن الثالث‪ .‬ورابعا حدد‬ ‫لكل عامل كامن مؤشراتو‪ُ ،‬نيث أف ادلتغًن أو العامل الكامن األوؿ تتشبع عليو‬ ‫ادلتغًنات ادلقاسة أو ادلؤشرات (مثال فقرات ادلقياس) اليت ترتاوح أرقامها من واحد‬ ‫إُف ثالثة‪ .

‫شىً (‪ّٔ )31‬برط ػبٍِ‪١‬خ اعزىشبف‪١‬خ (أ‪ ،1‬أ‪ّٔٚ )2‬برط ػبٍِ‪١‬خ ر‪ٛ‬و‪١‬ذ‪٠‬خ (ة‪،1‬ة‪.)2‬‬ ‫‪-‬‬ .

‬وتدؿ األسهم على أف كل متغًن كامن يفسر أو يؤثر يف ادلؤشرات اليت تنتسب‬ ‫إليو‪ .‬فالفقرات اليت أرقامها ‪ 1،0،3،6،2،13،11،16،02‬تنتسب للمتغًن‬ ‫الكامن أو العامل‪ :‬اإلهناؾ االنفعاِف‪ ،‬وال تنتسب إُف ادلتغًنين الكامنٌن األخريٌن‪:‬‬ ‫الالشخصانية واإلصلاز اإلنفعاِف‪ .‬فالعامل الكامن الذي يسمى باإلهناؾ االنفعاِف يعكس العالقة اليت ْنمع بٌن الفقرات‬ ‫التسع اليت تنتسب إليو‪ ،‬أو بتعبًن آخر فإف ىذا ادلتغًن الكامن أو العامل يفسر دالالت‬ ‫‪-‬‬ .‬‬ ‫كما افرتض الباحث وجود رلموعة من ادلتغًنات ادلقاسة أو ادلؤشرات (فقرات‬ ‫ادلقاييس مثال) لقياس ادلتغًن الكامن أو العامل بطريقة غًن مباشرة‪ .‬وإذا انتفى العامل الكامن اجلامع ذلذه الفقرات‪ ،‬فقدت‬ ‫ىذه الفقرات اللحمة أو النسيج الذي غلمعها‪ ،‬وتصًن عبارة عن شتات من الفقرات تفتقر‬ ‫إُف داللة معينة (متغًن كامن أو عامل كامن) أو قاسم مشرتؾ غلمع بينها‪ .‬وبتعبًن آخر‪ ،‬يفرتض‬ ‫الباحث أف كل عامل أو متغًن كامن ؽلثل مساحة الداللة اليت تشرتؾ فيها ادلؤشرات (أو‬ ‫الفقرات يف مثالنا)‪ .‬‬ ‫وّنا أف العامل أو ادلتغًن الكامن ىو العامل ادلوحد جملموعة من الفقرات أو‬ ‫ادلؤشرات اليت تنتسب لو‪ ،‬مثلنا ىذه العالقة بأسهم تنطلق من ادلتغًن الكامن إُف ادلؤشرات أو‬ ‫الفقرات‪ .‬‬ ‫كما افرتض الباحث أف ىذه العوامل مرتابطة ُنيث تشرتؾ يف مساحة داللية‬ ‫مشرتكة ُنيث أف ىذه ادلساحة ادلشرتكة من الداللة ٕنثل يف نظر الباحث مفهوـ االحرتاؽ‬ ‫النفسي‪.‬ونفس الوصف‬ ‫ينسحب على العاملٌن الكامنٌن اآلخرين‪ :‬الالشخصانية‪ ،‬واإلصلاز الشخصي‪ُ ،‬نيث أف لكل‬ ‫عامل كامن مؤشراتو أو فقراتو‪.‫افرتض الباحث أف االحرتاؽ النفسي ينطوي على ثالثة أبعاد أو عوامل وىي‪:‬‬ ‫االهناؾ االنفعاِف‪ ،‬الالشخصانية وتضعضع االصلاز الشخصي‪ ،‬وّنا أهنا عوامل تستنتج من‬ ‫ادلتغًنات ادلقاسة أو ادلؤشرات ادلقاسة وال تقاس مباشرة فهي متغًنات كامنة أو عوامل كامنة‪،‬‬ ‫ولذلك وضعت داخل أشكاؿ بيضوية‪.

‫الفقرات أو ادلؤشرات اليت تنتسب إليو‪.‬‬ ‫‪-‬‬ .‬وأف ادلتغًنات الكامنة قيست ّنجموعة من ادلؤشرات أو ادلتغًنات‬ ‫ادلقاسة وىي ىنا عبارة عن فقرات مقياس االكتئاب لبيك‪ُ .‬نالحظ أف النموذج‬ ‫(أ) الؼلتلف عن النماذج العاملية اليت سبق شرحها‪ ،‬إذ يفرتض الباحث وجود ثالثة متغًنات‬ ‫كامنة أو ثالثة عوامل تتعلق ّنوضوع االكتئاب وىي‪ :‬االْناىات السلبية‪ ،‬وصعوبات األداء‪،‬‬ ‫والعناصر اجلسدية‪ ،‬وىي مرتبطة فيما بينها وىذا دليل على أهنا تنتمي إُف مفهوـ معٌن قد‬ ‫يكوف مفهوـ االكتئاب‪ .Hierarchical Model‬‬ ‫‪ Second-order Factor Model‬أً اهلشيِ‬ ‫لننتقل إُف الشكل (‪ ، )31‬ونقارف النموذجٌن (أ) و(ب)‪ .‬‬ ‫شىً (‪ّٛٔ )41‬رط ػبٍِ‪ ٟ‬ر‪ٛ‬و‪١‬ذ‪ٛ٠ ٞ‬ظؼ اٌجٕ‪١‬خ اٌؼبٍِ‪١‬خ اٌضالص‪١‬خ ٌّف‪ َٛٙ‬االؽزشاق إٌفغ‪Burnout ٟ‬‬ ‫‪ 4‬ـ اننًٌرس انؼايهِ ين انذسصت انزانْت‬ ‫‪.‬نيث أف االْناىات السلبية‬ ‫تنطوي على ‪ 12‬مؤشرات خاصة بو‪ ،‬وعامل صعوبات األداء ػلتوي على ‪ 6‬مؤشرات‬ ‫تقيسو‪ ،‬وعامل العناصر اجلسدية ينطوي على ‪ 1‬مؤشرات‪.

‬واألسهم تدؿ على أف‬ ‫الباحث يعتقد أف ٖنة عامل عاـ يدعى باالكتئاب ؽلثل القاسم ادلشرتؾ لدالالت العوامل‬ ‫الثالث‪ ،‬أي أف العامل العاـ ػلدد العوامل الثالث من الدرجة األوُف‪ ،‬وأف العوامل الثالث‬ ‫من الدرجة األوُف ٓندد مؤشراهتا أو متغًناهتا ادلقاسة (الفقرات)‪.‬وحب يسهل‬ ‫التمييز بٌن ادلتغًن ادلستقل وادلتغًن التابع يف الرسوـ التخطيطية للنماذج‪ ،‬فإف ادلتغًن ادلستقل‬ ‫يصدر منو السهم أو ينطلق منو متجها إُف ادلتغًن التابع‪ ،‬وأف ادلتغًن التابع ينتهي إليو أو يشًن‬ ‫إليو رأس السهم‪ .‬‬ ‫فالعوامل الكامنة الثالث (االْناىات السلبية‪ ،‬صعوبات األداء‪ ،‬عناصر جسدية ) تبقى‬ ‫متغًنات مستقلة بالنسبة دلؤشراهتا (الفقرات الدالة عليها)‪ ،‬ولكنها تلعب يف ذات الوقت دور‬ ‫ادلتغًنات التابعة بالنسبة لعامل مفرتض جديد عاـ الذي ىو مفهوـ االكتئاب‪ّ .‬نعىن أف‬ ‫الباحث افرتض أف ادلتغًنات التابعة الثالث أو العوامل الكامنة الثالث يفسرىا أو يؤثر فيها‬ ‫عامل كامن من الدرجة الثانية (العليا) أعم وأمشل‪ ،‬ولذلك حذفت األسهم ادلزدوجة اليت تدؿ‬ ‫على االرتباط بٌن العوامل (االْناىات السلبية‪ ،‬صعوبات األداء‪ ،‬عناصر جسدية )‬ ‫واستبدلت بأسهم تتجو من العامل من الدرجة الثانية (االكتئاب) لتنتهي عند كل عامل من‬ ‫العوامل الثالث (ولذلك تسمى بالعوامل الكامنة من الدرجة األوُف)‪ .‬‬ ‫ويعترب افرتاض النموذج العاملي من الدرجة الثانية مرحلة متقدمة يف التنظًن‪.‫غًن أف النموذج (ب) يف الشكل (‪ )51‬ؼلتلف عن النموذج (أ) من عدة‬ ‫أوجو‪ .‬‬ ‫لكوف الباحث اىتدى إُف تصور وجود بنية ىرمية بٌن العوامل الكامنة‪ ،‬فافرتض وجود عامل‬ ‫‪-‬‬ .‬وبالرجوع إُف النموذج السابق (أ) يف الشكل (‪ ،)51‬فإف ادلتغًنات الكامنة‬ ‫(االْناىات السلبية‪ ،‬صعوبات األداء‪ ،‬عناصر جسدية ) تعترب متغًنات مستقلة‪ ،‬أما الفقرات‬ ‫(ادلؤشرات ادلقاسة) اليت تنتمي إليها فتعترب متغًنات تابعة‪ .‬ولكي تسهل ادلقارنة يستحسن استعماؿ مصطلحي ادلتغًن ادلستقل الذي يشكل‬ ‫مصدر التأثًن أو التفسًن‪ ،‬وادلتغًن التابع الذي يفسره ادلتغًن ادلستقل أو يؤثر فيو‪ .‬أما إذا انتقلنا إُف النموذج (ب)‬ ‫يف نفس الشكل (‪ ،)51‬صلد أف دور ادلتغًنات الكامنة أو العوامل قد اختلف نسبيا‪.

‫شىً (‪ّٛٔ )51‬رط ػبٍِ‪ ِٓ ٟ‬اٌذسعخ اٌضبٔ‪١‬خ (ة) ‪ّٛٔٚ‬رػ ػبٍِ‪ ِٓ ٟ‬اٌذسعخ األ‪( ٌٝٚ‬أ)‪.‬‬ ‫‪-‬‬ .

‬ولذلك َف يفرتض وجود ارتباطات أو عالقات تغاير (أو ارتباطات) بٌن عوامل‬ ‫الدرجة األوُف (كما كاف األمر عليو يف ادلثاؿ السابق‪ :‬النموذج "أ" يف الشكل (‪ ،)51‬وإظلا‬ ‫تعدى ذلك إُف تفسًن مصدر العالقات بٌن العوامل الثالث(االْناىات السلبية‪ ،‬صعوبات‬ ‫األداء‪ ،‬عناصر جسدية)‪ ،‬وعزوىا إُف تأثًن متغًن كامن عاـ ٕنثل يف اعتقاده يف مفهوـ‬ ‫االكتئاب‪.‫كامن جامع (عامل من الدرجة الثانية) وعوامل كامنة فرعية لو (عوامل كامنة من الدرجة‬ ‫األوُف)‪ .‬‬ ‫رانْا ـ اننًٌرس انبنائِ ‪Structural Model‬‬ ‫‪2‬‬ ‫‪Structural‬‬ ‫‪Constructivism‬‬ ‫‪Theory of knowledge‬‬ ‫‪Constructivism‬‬ ‫‪constructive epistemology‬‬ ‫‪knowledge transmission‬‬ ‫‪Contextual‬‬ ‫‪Knower‬‬ ‫‪-‬‬ .

‬‬ ‫ما ىي إذف النماذج البنائية؟‬ ‫النموذج البنائي فضال عن احتوائو على ادلتغًنات الكامنة أو العوامل مصحوبة‬ ‫ّنؤشراهتا أو متغًناهتا ادلقاسة اليت ٕنثل بعد القياس للنموذج ‪ ،‬يتألف أساسا من العالقات بٌن‬ ‫ادلتغًنات الكامنة ذاهتا اليت ٕنثل البعد البنائي للنموذج‪ .‬ومن ىذا ادلنطلق‪ ،‬فأغلب ادلفاىيم يف العلوـ االجتماعية متغًنات كامنة‬ ‫(اجتهادية وتستعصي عن التحديد الدقيق‪ ،‬ومثار تباين كبًن يف تعريفها من الباحثٌن)‪.‬‬ ‫فمفهوـ القلق ‪ ،‬واالكتئاب‪ ،‬والصحة النفسية‪ ،‬وجودة احلياة‪ ،‬والرضا‪ ،‬واحرتاـ الذات‪ ،‬وإدارة‬ ‫الذات‪ ،‬والتعلم‪ ،‬والتحصيل‪ ،‬والذكاء‪ ،‬والقدرة‪ ،‬واالستعداد‪ ،‬وادلهارة‪ ،‬والذكاء الوجداين‪،‬‬ ‫والتفكًن‪ ،‬والتفكًن الناقد‪ ،‬وما وراء ادلعرفة أو تفكًن التفكًن‪ ،‬والتفكًن اإلبداعي‪ ،‬وحل‬ ‫ادلشكالت‪ ،‬وأناذ القرار‪ ،‬وٕناسك اجلماعة‪ ،‬وادلعيارية االجتماعية‪ ،‬واالستالب‪ ،‬وفقر‬ ‫ادلعايًن‪ ،‬واالْناه‪ ،‬والروح ادلعنوية‪ ،‬وغًنىا‪ ،‬متغًنات كامنة‪ ،‬ألف كال منها ػلتاج إُف عدد من‬ ‫ادلؤشرات لالقرتاب من تقدير داللة كل مفهوـ‪ ،‬ناىيك عن اختالؼ الباحثٌن يف تعريفها‪ ،‬شلا‬ ‫يؤدي إُف تباينهم يف انتقاء ادلؤشرات أو ادلتغًنات ادلالحظة اليت تعتمد يف ٗنع البيانات عن‬ ‫ادلفهوـ الكامن‪.‫بعد أف تطرقنا إُف النوع األوؿ من النماذج والذي ٕنثل يف النماذج العاملية على‬ ‫شىن أنواعها‪ ،‬ننتقل اآلف إُف التطرؽ إُف النوع الثاين من النماذج وىي النماذج البنائية‪.‬‬ ‫‪Instrumentalist‬‬ ‫‪-‬‬ .‬وادلتغًنات الكامنة تكوينات فرضية‬ ‫أو مفاىيم تستعصي عن القياس ادلباشر ُنيث تقاس عن طريق عدد من ادلتغًنات ادلالحظة‬ ‫القابلة للقياس‪ ،‬أو ادلؤشرات اليت يفرتض الباحث أهنا تعطي صورة مقاربة لداللة ادلفهوـ أو‬ ‫ادلتغًن الكامن‪ .

‬كما يسرتعي‬ ‫انتباىنا جزؤه األؽلن الذي يدؿ على عالقة ادلتغًن أو العامل الكامن الثالث والرابع‬ ‫ّنؤشراهتما‪ُ ،‬نيث تتشبع على العامل الكامن الثالث ثالث مؤشرات يف حٌن يتشبع على‬ ‫العامل الكامن الرابع مؤشراف‪ .‬‬ ‫‪-‬‬ .)1‬ىذه‬ ‫العالقات اليت ْنمع ىذه ادلتغًنات الكامنة األربعة تشكل اجلزء أو البعد البنائي للنموذج‪.‬وٕنثل مسارات‬ ‫التأثًن اليت ٕنارسو ادلتغًنات الكامنة ادلستقلة أو الوسيطة على ادلتغًنات الكامنة التابعة‪ .‬لنتأمل النموذج البنائي ادلوضح يف الشكل (‪ ،)61‬فيسرتعي انتباىنا جزؤه‬ ‫األيسر الذي يدؿ على عالقة ادلتغًنين الكامنٌن أو العاملية (موجودين داخل شكلٌن‬ ‫بيضوية) ّنؤشراهتا أو متغًناهتا ادلقاسة (ادلوجودة داخل أشكاؿ مستطيلة) ُنيث أف العامل‬ ‫الكامن األوؿ تشبع عليو مؤشراف‪ ،‬والعامل الكامن الثاين تشبع عليو ثالثة مؤشرات‪ ،‬وىذاف‬ ‫ادلتغًناف الكامناف متغًناف مستقالف ألهنما مصدر تأثًن على العوامل الكامنة األخرى يف‬ ‫النموذج (تنطلق منهما أسهم مستقيمة متجهة إُف أشكاؿ بيضوية أخرى)‪ .‬واجلزء األيسر واجلزء األؽلن ؽلثالف بعد أو‬ ‫مكوف القياس للنموذج ألهنما يعنياف بتقدير مقدار اخلطأ‪ ،‬وبالتاِف مستوى الدقة اليت مت‬ ‫إصلازىا عند قياس ادلتغًنات الكامنة عن طريق مؤشراهتا أو متغًناهتا ادلقاسة‪.‬فمثال‬ ‫نالحظ أف العامل أو ادلتغًن الكامن ادلستقل رقم واحد‪ ،‬وادلتغًن ادلستقل الكامن رقم (‪)0‬‬ ‫يؤثراف يف العامل أو ادلتغًن الكامن رقم (‪( )3‬ويعترب متغًن كامن تابع بالنسبة إليها)‪ .‬‬ ‫باإلضافة إُف جزء القياس األيسر واألؽلن ينطوي النموذج يف الشكل (‪ )61‬على‬ ‫أسهم مستقيمة تدؿ على العالقات اليت توجد بٌن ادلتغًنات الكامنة ذاهتا‪ .‬والعامالف الكامناف الثالث والرابع يعترباف متغًنين تابعٌن ألف‬ ‫كال منهما ينتهي عنده سهم واحد على األقل‪ .‫إن مكون القياس للنموذج البنائي يعنى بعالقة المؤشرات المقاسة بمتغيراتها‬ ‫الكامنة في حين أن المكون البنائي للنموذج فيعنى بدراسة العالقات بين المتغيرات‬ ‫الكامنة ذاتها‪ .‬وأف‬ ‫ادلتغًن الكامن رقم (‪ )3‬بدوره يؤثر يف ادلتغًن الكامن التابع أو العامل الكامن رقم (‪ .

‫شىً (‪ )61‬إٌّ‪ٛ‬رط اٌجٕبئ‪ ٟ‬اٌؼبَ اٌز‪٠ ٞ‬زأٌف ػبدح ِٓ ِى‪ ْٛ‬ل‪١‬بع‪( ٟ‬ػاللخ اٌّإششاد اٌّمبعخ‬ ‫ثؼبٍِ‪ٙ‬ب اٌىبِٓ) ‪ِٚ‬ى‪ ْٛ‬ثٕبئ‪( ٟ‬اٌؼاللبد ث‪ ٓ١‬اٌّزغ‪١‬شاد اٌىبِٕخ)‪.‬فادلتغًناف الكامناف‪ :‬ادلعيار الذات ونية التصرؼ‬ ‫قيس كل منهما باستعماؿ عسة مؤشرات (مقاييس فرعية)‪ .‬كما ينظر إليو أيضا كتغًن‬ ‫وسيط ألنو يتلقى تأثًن كل من ادلتغًنين ادلستقلٌن‪ :‬االْناه وادلعيار الذات وينقل ىذا التأثًن‬ ‫إُف ادلتغًن التابع‪ :‬السلوؾ‪ .‬فالنموذج البنائي‬ ‫األوؿ الذي يوضحو الشكل (‪ )41‬ينظر للعالقة بٌن االْناه والسلوؾ‪ ،‬ومت توظيف أربع‬ ‫متغًنات كامنة لبنائو‪ :‬متغًنين مستقلٌن كامنٌن‪ :‬االْناه وادلعيار الذات‪ ،‬ومتغًنين تابعٌن‬ ‫كامنٌن‪ :‬السلوؾ ونية التصرؼ‪ ،‬علما بأف ادلتغًن الكامن نية التصرؼ ينظر إليو كمتغًن كامن‬ ‫تابع بالنسبة للمتغًنين ادلستقلٌن الكامنٌن‪ :‬االْناه وادلعيار الذات‪ ،‬ويعترب يف ذات الوقت‬ ‫متغًنا مستقال بالنسبة لعالقتو بادلتغًن التابع الكامن‪ :‬السلوؾ‪ .‬‬ ‫ودلزيد من التوضيح ‪ ،‬اخرتت ظلوذجٌن بنائيٌن من واقع البحوث‪ .‬وادلتغًنات األربعة كلها متغًنات كامنة ألهنا قيست عرب مؤشراتو‬ ‫اليت قد تكوف مقاييس فرعية‪ ،‬أو فقرات‪ .‬أما ادلتغًن الكامن االْناه فقيس‬ ‫‪-‬‬ .

‬وأف ادلتغًنين‬ ‫ادلستقلٌن ادلعيار الذات واالْناه يؤثراف يف السلوؾ وػلددانو عرب التأثًن يف نية التصرؼ‪ ،‬وإف‬ ‫كاف االْناه يؤثر أحيانا تأثًنا مباشرا على السلوؾ‪ .‬‬ ‫وفحوى البعد البنائي أف عالقة االْناه بالسلوؾ الفعلي ؽلكن تفسًنىا عن طريق ثالث‬ ‫متغًنات كامنة‪ :‬االْناه (رأي الفرد وشعوره )‪ ،‬وادلعيار الذات (التقوًن الذات للرأي والسلوؾ)‪،‬‬ ‫ونية التصرؼ (أي عقد النية على القياـ بتصرؼ معٌن أو نية عدـ القياـ بو)‪ .‬وعالقة‬ ‫ادلتغًنات الكامنة األربعة ّنؤشراهتا تشكل بعد القياس للنموذج‪.‬وأف متغًن نية التصرؼ يتأثر بكل من‬ ‫االْناه وادلعيار الذات‪ ،‬ويؤثر بدوره يف السلوؾ‪ .‫باستعماؿ أربعة مؤشرات‪ ،‬وادلتغًن الكامن السلوؾ فقيس باستعماؿ ثالثة مؤشرات‪ .‬‬ ‫‪-‬‬ .‬‬ ‫شىً (‪ّٛٔ )71‬رط رٕظ‪١‬ش‪ ٞ‬ثٕبئ‪ٕ٠ ٟ‬ظش ٌٍؼاللبد ث‪ ٓ١‬االرغبٖ ‪ٚ‬اٌغٍ‪ٛ‬ن‪.‬ويضفي النموذج على متغًن نية التصرؼ دورا‬ ‫وسيطيا إسرتاتيجيا‪ ،‬إذ أنو بانتفاء متغًن نية التصرؼ ينتفي معو التأثًن الذي ؽلارسو متغًن‬ ‫ادلعيار الذات ومتغًن االْناه على السلوؾ‪.‬‬ ‫أما عالقة ادلتغًنات الكامنة األربعة ببعضها بعضا فتشكل البعد البنائي للنموذج‪.

‬‬ ‫وعالقة ىذه ادلتغًنات أو العوامل الكامنة ّنؤشراتو ٕنثل بعد القياس للنموذج للتأكد من أف‬ ‫ىذه ادلفاىيم أو ادلتغًنات الكامنة الثمانية مت قياسها ّنستوى من الدقة‪ ،‬أي ّنستوى من‬ ‫الثبات والصدؽ‪.‫وادلثاؿ اآلخر يتعلق بنمذجة العالقة بٌن التقوًن والسلوؾ التنظيمي‬ ‫(الشكل‪ ،)21:‬ووظف الباحث للتنظًن ذلذه ادلشكلة ٖنانية مفاىيم أو عوامل أو متغًنات‬ ‫كامنة‪ .‬‬ ‫شكل (‪ )81‬نمذجة العالقة بين التقويم والسلوك التنظيمي‪.‬‬ ‫‪-‬‬ .‬وكل متغًن كامن قيس ّنجموعة مؤشرات (فقرات يف ىذا ادلثاؿ) تراوحت من‬ ‫مؤشرين (فقرتٌن) بالنسبة للمتغًن الكامن "االلتزاـ واالنتماء" وادلتغًن الكامن "عالقة اجلهد‬ ‫بالتقوًن"‪ ،‬إُف ٖناين مؤشرات (فقرات) بالنسبة للمتغًن الكامن "إدراؾ فاعلية ادلؤسسة"‪.

‬‬ ‫ُنيث أف كل متغًن من ىذه ادلتغًنات الوسيطية تتأثر بادلتغًنين ادلستقلٌن السابقٌن وتنقل ىذا‬ ‫التأثًن بعد تعديل طبيعتو أو ٔنفيفو أو تقويتو إُف متغًنات السلوؾ التنظيمي الثالثة‪.‬‬ ‫‪linear‬‬ ‫وؼلتلف ظلوذج ٓنليل ادلسار عن النموذج البنائي ‪ structural model‬يف اجلوانب التالية‪:‬‬ ‫أوال ػ النموذج البنائي يعىن أساسا بالعالقات بٌن ادلتغًنات الكامنة‪ ،‬أما ٓنليل ادلسار فيعىن‬ ‫فقط بالعالقات بٌن ادلتغًنات ادلقاسة أو ادلشاىدة أو ادلالحظة ‪.‬‬ ‫رانزا ـ منارس حتهْم املضاس ‪Path Analysis Models‬‬ ‫ٓنليل ادلسار ىو ظلوذج ينطوي على شبكة من العالقات اخلطية‬ ‫‪ relationships‬يف اْناه واحد ُنيث تدؿ على تأثًن متغًنات مقاسة على متغًنات مقاسة‬ ‫أخرى يف اْناه واحد‪ُ ،‬نيث أف كل عالقة تأثًن يرمز ذلا بسهم وحيد االْناه يدعى بادلسار‪.observed variables‬‬ ‫ففي الشكل(‪ )121‬نالحظ أف ادلتغًنات ادلدروسة‪ :‬الذكاء ‪ ،‬عدد اإلخوة‬ ‫واألخوات‪ ،‬مستوى تعليم الوالد‪ ،‬مهنة األب‪ ،‬درجات التحصيل‪ ،‬التوقعات‬ ‫‪-‬‬ .‬كما أف الباحث يعتقد أيضا‬ ‫أف قسما من التأثًن الذي ؽلارسو ادلتغًنات ادلستقالف‪" :‬زلكات التقوًن مفهومة" و"زلكات‬ ‫التقوًن مناسبة" على متغًنات السلوؾ التنظيمي اليت سبق ذكرىا يتم على ضلو غًن مباشر‬ ‫عرب تدخل متغًنات وسيطية ثالثة‪" :‬الدور"‪ ،‬و"عالقة اجلهد بالتقوًن" و"التحكم يف العمل"‪.‫أما بالنسبة للبعد البنائي للنموذج الذي يتألف من العالقات بٌن ادلتغًنات أو‬ ‫العوامل الكامنة ذاهتا‪ ،‬فًنى الباحث أف ادلتغًنين ادلستقلٌن ادلرتبطٌن (لوجود السهم ادلزدوج‬ ‫االْناه احملدب الذي يصل بينهما) ‪ :‬مدى إدراؾ العامل بأف زلكات التقوًن واضحة‪،‬‬ ‫وإدراكو دلدى مالءمتها أو مناسبتها تؤثر مباشرة يف ادلتغًنات التابعة الدالة على السلوؾ‬ ‫التنظيمي وىي‪ :‬الرضا ادلهين‪ ،‬وااللتزاـ‪ ،‬وإدراؾ فاعلية ادلؤسسة‪.

‬‬ ‫ويقصد بذلك أف النموذج احتوى على ادلتغًنات ادلستقلة والتابعة (الوسيطية)‬ ‫ادلمكنة نظريا لتفسًن كل تباين ادلتغًنات التابعة‪ ،‬وأف الباحث َف يغفل متغًنا من‬ ‫ىذه ادلتغًنات‪ .‫األكادؽلية‪ ،‬الطموح ادلهين كلها متغًنات مقاسة‪ ،‬أي قيست مباشرة وليس عرب‬ ‫مؤشرات ذلا يشًن إليها النموذج‪ .‬أما إذا افرتضنا أف متغًن الذكاء ومتغًن التوقعات‬ ‫األكادؽلية‪ ،‬ومتغًن الطموح ادلهين قيس كل منها بعدد من ادلؤشرات (مقاييس فرعية‪،‬‬ ‫فقرات ) ّنعىن َف تستعمل الدرجات العامة على مقياس معٌن ذلذه ادلتغًنات وإظلا‬ ‫استعملت درجات كل مقياس فرعي أو كل فقرة كمؤشر على ادلتغًن الكامن الذي‬ ‫يقيسو‪ ،‬لتحوؿ النموذج السابق من ظلوذج ٓنليل ادلسار إُف ظلوذج بنائي ػلتوي على‬ ‫متغًنات كامنة ثالث ُنيث تذكر مؤشراهتا وتدرس يف النموذج‪.‬أما النموذج البنائي‪ ،‬فقبل دراسة العالقات بٌن متغًناتو الكامنة يعمل‬ ‫على تقدير مدى خطأ القياس لكل مؤشر يف تقدير متغًنه الكامن أو عاملو‪ّ .‬فهي متغًنات ثابتة ُنيث ٔنلو من‬ ‫األخطاء العشوائية‪ ،‬وصادقة ُنيث تعكس ما تقيسو بكفاية‪ .‬وبعد مرحلة القياس ينتقل النموذج البنائي‬ ‫إُف ادلرحلة الثانية وىي دراسة بنية العالقات بٌن ىذه ادلتغًنات الكامنة ذاهتا‪ ،‬وىي‬ ‫خالية أو مصفاة من أخطاء قياس مؤشراهتا‪.‬‬ ‫‪-‬‬ .‬ويشرتؾ ٓنليل ادلسار مع النموذج البنائي يف ىذا االفرتاض‪.‬نعىن‬ ‫ؼلترب دقة كل مؤشر يف قياس متغًنىا أو عاملها الكامن لتقدير نسبة أخطاء التباين‬ ‫اليت تنطوي عليها ادلؤشرات (تقدير ثبات ادلؤشرات)‪ ،‬وأيضا اختبار تشبع ادلؤشرات‬ ‫على عواملها الكامنة (تقدير الصدؽ)‪ .‬ومعىن ذلك ال‬ ‫يستعمل متغًن يف ٓنليل ادلسار إٗناال إال إذا كاف على مستوى مرتفع من الثبات‬ ‫والصدؽ‪ .‬‬ ‫ثانيا ػ إف ظلوذج ٓنليل ادلسار يقوـ على افرتاض أف ادلتغًنات ادلقاسة أو ادلالحظة‬ ‫‪observed‬‬ ‫‪ variables‬ادلستقلة خالية من أي خطأ قياس‪ .‬‬ ‫ثالثا ػ يفرتض ٓنليل ادلسار أف النموذج ؼللو من أخطاء التعيٌن‬ ‫‪specification errors‬‬ ‫‪.

‬وىي األشكاؿ ادلستطيلة اليت تتجو ضلوىا‪ ،‬أو تنتهي إليها األسهم ادلستقيمة اليت‬ ‫تنطلق من ادلتغًنات ادلستقلة اخلارجية‪ ،‬وقد تنطلق أيضا من ادلتغًنات التابعة الداخلية‪ .‬‬ ‫ويشار إُف أثرىا بواسطة أسهم مستقيمة تنطلق منها‪ ،‬أي من ادلتغًنات ادلستقلة أو اخلارجية‬ ‫لتنتهي عند ادلتغًنات التابعة أو اخلارجية‪ .‬ومعىن‬ ‫‪-‬‬ .‬فمتغًن‬ ‫الدافع لإلصلاز ومتغًن التحصيل يعترباف متغًنين تابعيٌن داخليٌن‪.paths‬‬ ‫أما ادلتغًنات الداخلية أو التابعة فهي اليت يستهدفها أثر ادلتغًنات ادلستقلة أو‬ ‫اخلارجية‪ .variable‬ففي الشكل (‪ ، 91‬النموذج "ب" )‪ ،‬صلد أف ظلوذج ٓنليل ادلسار ينطوي على‬ ‫متغًنين مستقلٌن خارجيٌن‪ :‬متغًن ادلكانة االجتماعية ومتغًن الذكاء‪ ،‬وػلتوي على متغًنين‬ ‫تابعٌن داخليٌن‪ :‬متغًن الدافع لإلصلاز ومتغًن التحصيل‪ .‬ويطلق أيضا على ىذه األسهم ادلستقيمة بادلسارات‬ ‫‪.‬نالحظ أنو يف كال النموذجٌن توجد ادلتغًنات داخل مستطيالت وليس أشكاؿ‬ ‫بيضوية وذلك للداللة على أهنا متغًنات مالحظة أو مقاسة ‪ observed variables‬وليست‬ ‫متغًنات كامنة ‪ .‬ادلتغًنات اخلارجية أو ادلستقلة ىي‬ ‫ادلتغًنات ادلفسرة ( يفرتض الباحث أهنا تضطلع بتفسًن تباين ادلتغًن التابع الذي تؤثر فيو)‪،‬‬ ‫أو ادلتغًنات التنبؤية أو دلتغًنات السببية اليت ٕنارس تأثًنا على ادلتغًنات الداخلية التابعة‪.‫ولتوضيح مبادئ ومصطلحات ظلاذج ٓنليل ادلسار لنركز على الشكل (‪)91‬‬ ‫بنموذجيو "أ" (الذي ػلتوى على مصطلحات منهجية) و "ب" ادلستمد من واقع ظلوذج‬ ‫ػلثي نظري‪ . Latent variables‬وادلتغًنات ادلقاسة نوعاف‪ :‬متغًنات مستقلة أو خارجية‬ ‫‪ exogenous variable‬ألف ادلتغًنات اليت تؤثر فيها غًن معروفة أو ال تشكل اذلدؼ من‬ ‫الدراسة‪ ،‬ولذلك َف ٕنثل ىذه ادلتغًنات يف النموذج‪ ،‬ومتغًنات تابعة أو داخلية ‪endogenous‬‬ ‫‪ .‬‬ ‫لكن لنركز على متغًن الدافع إلصلاز‪ ،‬صلد أف السهمٌن ادلنطلقٌن من متغًن ادلكانة‬ ‫االجتماعية ومتغًن الذكاء ينتهياف عنده أي أف ىذاف ادلتغًناف يؤثراف يف متغًن الدافع لإلصلاز‪،‬‬ ‫ولكن يف ذات الوقت ينطلق سهم منو لينتهي إُف ادلتغًن التابع الداخلي التحصيل‪ .

‬ولذلك يبقى متغًنا تابعا داخليا لكن يضطلع بدور وسيطي كمتغًن‬ ‫وسيط ‪ mediator variable‬يف العالقة ليت تربط ادلتغًنين ادلستقلٌن‪ :‬ادلكانة االجتماعية والذكاء‬ ‫بادلتغًن التابع التحصيل‪.‬‬ ‫إذف من حيث طبيعة العالقات أو األثر الذي تدؿ عليو ادلسارات (األسهم‬ ‫ادلستقيمة)‪ ،‬توجد آثار أو عالقات مباشرة‪ ،‬وآثار أو عالقات غًن مباشرة‪ .‬‬ ‫‪-‬‬ .‫ذلك أف متغًن الدافع لإلصلاز يعترب متغًنا تابعا داخليا بالنسبة للمتغًنين ادلستقلٌن اخلارجيٌن‪:‬‬ ‫ادلكانة االجتماعية والذكاء‪ ،‬كما يعترب متغًنا مستقال أو خارجيا بالنسبة للمتغًن التابع‬ ‫التحصيل‪ .‬فهو يتأثر بادلتغًنين ادلستقلٌن‪ :‬ادلكانة االجتماعية والذكاء‪ ،‬ويؤثر بدوره يف‬ ‫ادلتغًن التابع‪ :‬التحصيل‪ .‬‬ ‫‪‬‬ ‫التحصيل‪.‬‬ ‫اما العالقات أو اآلثار غًن ادلباشرة فهي كما يلي‪:‬‬ ‫ادلكانة االجتماعية ‪ ‬الدافع لإلصلاز‬ ‫الذكاء‬ ‫‪‬‬ ‫الدافع لإلصلاز‬ ‫‪‬‬ ‫التحصيل‪.‬‬ ‫أما السهم احملدب ذو االْناىٌن الذي يربط بٌن ادلتغًنين ادلستقلٌن اخلارجيٌن‬ ‫ادلكانة االجتماعية والذكاء فيدؿ على رلرد االرتباط ‪ ،‬وال يعترب مسارا يدؿ على أثر أحد‬ ‫ادلت غًنين على اآلخر‪ ،‬كما ال يدؿ على التأثًن ادلتبادؿ بٌن ىذين ادلتغًنين‪ .‬ففي الشكل‬ ‫يظهر العالقات أو اآلثار ادلباشرة التالية‪ :‬ادلكانة االجتماعية ‪ ‬الدافع لإلصلاز ؛ ادلكانة‬ ‫االجتماعية ‪ ‬التحصيل؛ الذكاء ‪ ‬الدافع لإلصلاز؛ الذكاء ‪ ‬التحصيل؛ الدافع‬ ‫لإلصلاز ‪ ‬التحصيل‪.‬والسبب يف ذلك‪،‬‬ ‫أف الباحث يفرتض أف ادلتغًنين مرتبطاف وغًن مستقلٌن غًن أف الباحث ليس لو تصور واضح‬ ‫عن أيهما يؤثر يف الثاين‪ ،‬ولذلك افرتض وجود رلرد العالقة االرتباطية بينهما بدوف أف يدؿ‬ ‫ذلك على وجود عالقة أثر وتأثر بينها‪.

‬وّنا أف النموذج ػلتوى‬ ‫‪-‬‬ .‫شىً (‪ّٛٔ )91‬رط رؾٍ‪ ً١‬اٌّغبس ‪Path Analysis Models‬‬ ‫ويقدـ الشكل (‪ )121‬مثاال آخر عن ظلاذج ٓنليل ادلسارات مستمد من واقع‬ ‫البحوث لتوضيح زلددات الطموح‪ .‬وينطوي النموذج على أربع متغًنات خارجية أو مستقلة‬ ‫مرتبطة فيما بينها (األسهم احملدبة ادلزدوجة) وىي‪ :‬الذكاء‪ ،‬عدد اإلخوة واألخوات‪ ،‬مستوى‬ ‫تعليم الوالد‪ ،‬مهنة الوالد‪ .‬وػلتوى من جهة أخر على ثالثة متغًنات داخلية أو تابعة‪:‬‬ ‫الدرجات‪ ،‬التوقعات األكادؽلية‪ ،‬الطموح ادلهين‪ .

ٟٕٙ‬رذي اٌّغزط‪١‬الد ػٍ‪ٝ‬‬ ‫اٌّزغ‪١‬شاد اٌّمبعخ‪ٚ ،‬األع‪ ُٙ‬اٌّغزم‪ّ١‬خ اٌ‪ٛ‬ؽ‪١‬ذح االرغبٖ ػٍ‪ ٝ‬اٌّغبساد (رأص‪١‬ش أؽذ اٌّزغ‪١‬ش‪ ٓ٠‬ػٍ‪ٝ‬‬ ‫ا‪٢‬خش)‪ٚ ،‬األع‪ ُٙ‬اٌّؾذثخ اٌّضد‪ٚ‬عخ االرغبٖ ػٍ‪ ٝ‬اٌؼاللبد االسرجبغ‪١‬خ ث‪ ٓ١‬اٌّزغ‪١‬شاد اٌّغزمٍخ اٌخبسع‪١‬خ‪.‫شىً (‪ّٛٔ ) 111‬رط رؾٍ‪ ً١‬اٌّغبس ٌز‪ٛ‬ظ‪١‬ؼ ِؾذداد اٌطّ‪ٛ‬ػ اٌّ‪ .‬‬ ‫على متغًنات قيست مباشرة وَف تقس عرب مؤشرات فتعترب متغًنات مقاسة (مثّلت‬ ‫ّنستطيالت) وليست متغًنات كامنة (غياب األشكاؿ البيضوية)‪ ،‬وّنا أف شكل‬ ‫النموذج ػلتوي على مسارات رمز ذلا بأسهم مستقيمة وحيدة االْناه تنطلق من‬ ‫ادلتغًنات ادلستقلة اخلارجية‪ ،‬أو ادلتغًنات التابعة الداخلية (ادلتغًنات اليت تلعب دور‬ ‫الوسيط مثاؿ ذلك متغًن الدرجات ومتغًن التوقعات األكادؽلية) لتنتهي عند‬ ‫ادلتغًنات التابعة الداخلية‪ ،‬لذلك فإف النموذج يعترب ظلوذج ٓنليل ادلسارت وليس‬ ‫‪-‬‬ .

‬والتوقعات األكادؽلية تتأثر بادلتغًنات ادلستقلة األربعة وادلتغًن التابع‬ ‫الوسيطي‪ :‬الدرجات‪ ،‬ليؤثر بدوره يف الطموح ادلهين‪.‬‬ ‫ملارا انخحهْم انؼايهِ انخٌكْذُ بذال ين انخحهْم انؼايهِ االصخكشايف؟‬ ‫يف مستهل ىذا الفصل استعراضنا عددا من األسئلة اليت قد ٕنثل انشغاؿ القارئ‬ ‫عند مطالعة ىذا الكتاب‪ ،‬ومن ٗنلة ىذه األسئلة اجلوىرية دلاذا خصص الكتاب َنلو لبناء‬ ‫واختبار النماذج العاملة التوكيدية بدال من معاجلة التحليل العامل االستكشايف األكثر انتشارا‬ ‫واستعماال‪ .‬فالدرجات كمتغًن وسيط يتأثر‬ ‫بادلتغًنات ادلستقلة األربعة السابقة‪ ،‬ليؤثر بدوره يف التوقعات األكادؽلية والطموح‬ ‫ادلهين‪ .‬ولإلجابة عن ىذا السؤاؿ ػلسن تبياف الفروؽ اجلوىرية اليت ؽليز التحليل العاملي‬ ‫التوكيدي عن التحليل العاملي االستكشايف‪ ،‬كما نتطرؽ إُف بعض فروقهما الفرعية‪.‫ظلوذجا بنائيا‪.‬‬ ‫الفارؽ اجلوىري بينهما ىو أف التحليل العاملي يستعمل الختبار النموذج النظري‬ ‫‪-‬‬ .‬فالباحث افرتض أف ادلتغًنات ادلستقلة األربعة‪:‬‬ ‫الذكاء‪ ،‬عدد اإلخوة واألخوات‪ ،‬مستوى تعليم الوالد‪ ،‬مهنة الوالد متغًنات مرتبطة‬ ‫فيما بينها‪ ،‬وأف ىذه ادلتغًنات اخلارجية ادلستقلة تؤثر يف ادلتغًن التابع‪ :‬الطموح‬ ‫ادلهين تأثًنا مباشرا‪ ،‬ويف ذات الوقت تؤثر فيو تأثًنا غًن مباشر عرب ادلتغًنين‬ ‫الوسيطيٌن‪ :‬الدرجات‪ ،‬والتوقعات األكادؽلية‪ .‬‬ ‫يرى الباحث وفقا للنموذج ادلوضح يف الشكل (‪ )121‬أف الطموح‬ ‫ادلهين ؽلكن تفسًنه عرب أربع متغًنات خارجية مستقلة‪ ،‬ومتغًنين داخليٌن تابعٌن‬ ‫يلعباف دورا وسيطيا يف النموذج‪ .

‬فإذا افرتض الباحث‬ ‫ظلوذجا عامليا ػلتوي على عاملٌن ُنيث أف كل عامل ػلتوي على أربع مؤشرات أو‬ ‫متغًنات مقاسة‪ .‬‬ ‫إف الباحث عند استعماؿ التحليل العاملي االستكشايف ؼلضع البيانات للتحليل‬ ‫العاملي بدوف أف ػلدد طبيعة العوامل‪ ،‬ونوع الفقرات أو ادلتغًنات ادلقاسة اليت تتشبع على‬ ‫كل عامل‪ ،‬وإظلا يكتشف ذلك بعد التحليل‪ .‬وأف كل عامل تتشبع عليو‬ ‫وحده (تقيسو بدقة) أربع مؤشرات أو متغًنات مقاسة ُنيث أف ادلؤشرات اليت تتشبع‬ ‫على العامل الكامن األوؿ ال تتشبع على العامل الكامن الثاين‪ .‬‬ ‫ب ػ ػلدد ادلتغًنات ادلقاسة أو ادلؤشرات (سواء أكانت فقرات‪ ،‬أو مقاييس فرعية‪ ،‬أو‬ ‫اختبارا ت‪ ،‬وغًنىا) اليت تقيس كل عامل من العوامل ادلفرتضة‪ .‬‬ ‫‪-‬‬ .‫على أساس توكيدي للثتبت من صحة النموذج وصالحية‪ ،‬يف حٌن أف التحليل العاملي‬ ‫االستكشايف فيستعمل الستخراج العوامل الكامنة للمتغًنات ادلقاسة بطريقة استكشافية‪ ،‬أي‬ ‫يتم التعرؼ على العوامل الكامنة للمتغًنات ادلقاسة بعد التحليل‪.‬أي ػلدد قبل إجراء‬ ‫التحليل العاملي اعتمادا على تأصيلو النظري للموضوع‪ ،‬األبعاد التالية للنموذج العاملي‪:‬‬ ‫أ ػ نوع النموذج العاملي ّنا يف ذلك عدد العوامل‪ :‬ىل النموذج العاملي أحادي العامل أو‬ ‫ثنائي أو متعدد العوامل ُنيث ػلدد عدد العوامل اليت يفرتض أف النموذج يتألف منها‪.‬ويف ادلقابل‪ ،‬فإف‬ ‫ادلؤشرات اليت تتشبع على العامل الثاين ال تتشبع إطالقا على العامل الكامن األوؿ‪.‬وعلى النقيض من التحليل العاملي االستكشايف‪ ،‬فإف التحليل العاملي التوكيدي‬ ‫يتطلب بالضرورة أف ػلدد الباحث ظلوذجو النظري العاملي بدقة‪ .‬فمعىن ذلك أف الباحث يتصور أف ادلوضوع الذي ينظر لو يتكوف من‬ ‫بنية عاملية ٓنتوى على عاملٌن‪ّ ،‬نعىن ال يتلخص يف عامل واحد أو يتلخص يف أكثر‬ ‫من عاملٌن وإظلا يتلخص على وجو التحديد يف عاملٌن‪ .‬ومعىن ذلك أف الباحث ال ينطلق من تصور‬ ‫زلدد نظري للنموذج العاملي الذي يريد أف ؼلترب صحتو وإظلا سيتعرؼ على عدد العوامل‪،‬‬ ‫وطبيعتها‪ ،‬وظلط تشبعات ادلتغًنات ادلقاسة عليها على ضلو استكشايف أي بعد إجراء‬ ‫التحليل‪ .

‬ألف افرتاض ارتباط بعض أخطاء‬ ‫القياس يف النموذج العاملي القائم على تأصيل نظري قوي يرفع من قدرة النموذج‬ ‫العاملي على ادلطابقة مع البيانات‪ ،‬وعلى قدرتو على التفسًن‪.‫ويف الغالب‪ ،‬فإف بناء النموذج النظري العاملي بناء قبليا‪ ،‬أي قبل إجراء التحليل‬ ‫العاملي كما ىو الشأف يف التحليل العاملي التوكيدي‪ ،‬نادرا ما ػلتوي على تشبعات‬ ‫متقاطعة ‪ ،cross Loading‬ويقصد بذلك أف بعض ادلؤشرات تتشبع على عاملٌن أو‬ ‫أكثر وال تتشبع على عامل واحد فقط‪.‬وتتألف ىذه األخطاء من األخطاء العشوائية وأيضا من‬ ‫األخطاء ادلنتظمة اليت ولدهتا طبيعة الطريقة ادلستعملة (كأف تكوف كل مقاييس‬ ‫ادلؤشرات ذات طبيعة واحدة كأف تكوف كلها قائمة على التقرير الذات أي استبيانات؛‬ ‫واستجرار ظلط معٌن غالب يف طريقة االستجابة لفقرات مقاييس ادلؤشرات ‪response‬‬ ‫‪set‬؛ أو استعماؿ نفس مقاييس مؤشرات العوامل يف ظرفٌن زمنيٌن سلتلفٌن على نفس‬ ‫العينة لدراسة ظلو ظواىر سلوكية أو تربوية معينة)‪ .‬‬ ‫ويوضح الشكل (‪ )121‬ىذا الفرؽ اجلوىري بٌن التحليل العاملي التوكيدي‬ ‫والتحليل العاملي االستكشايف‪ .‬‬ ‫ج ػ ػلدد ما إذا كانت العوامل اليت حددىا مرتبطة فيما بينها أـ أهنا مستقلة‪ .‬إذف‪ ،‬يفرتض الباحث سلفا بأف‬ ‫أخطاء قياس مؤشرات العوامل عشوائية ومستقلة‪ ،‬أـ أف بعضها غًن مستقل ُنيث ػلدد‬ ‫أي أخطاء قياس ادلؤشرات اليت يعتقد أهنا مرتبطة‪ .‬وادلثاؿ (ب) و (ج) يدالف على ظلوذج عاملي توكيدي‬ ‫ألهنما قائماف على ظلذجة زلدد للنموذج العاملي‪ ،‬فالنموذج ادلفرتض ينطوي على عاملٌن‬ ‫كامنٌن‪ ،‬وأف الباحث ػلدد طبيعة العاملٌن بتسميتهما‪ ،‬وىذا ما نعدمو يف التحليل العاملي‬ ‫االستكشايف حيث أف طبيعة العاملٌن أي تسميتهما وداللتهما النظرية (النفسية‪ ،‬أو الرتبوية‬ ‫‪-‬‬ .‬وغالبا ما صلد‬ ‫الباحث يفرتض أف العوامل اليت حددىا مرتبطة فيما بينها‪.‬‬ ‫د ػ ػلدد أيضا أخطاء القياس وىو باقي التباين الذي َف يقو العامل على تفسًن بالنسبة لكل‬ ‫مؤشر من مؤشراتو ادلقاسة‪ .

‬فادلثاؿ (ب) ؼلتلف عن ادلثاؿ (ج) يف االفرتاض الذي انطلق‬ ‫‪-‬‬ .‬وبالتاِف فإف التحليل العاملي التوكيدي يقوـ على أرضية نظرية قوية ّنوجبها‬ ‫يقرر الباحث أي ادلؤشرات أو ادلتغًنات ادلقاسة تتشبع على العامل األوؿ وأيها يتشبع على‬ ‫العامل الثاين ‪ .‬ويف ادلقابل صلد أف التحليل العاملي االستكشايف ال يقوـ على التحديد النظري‬ ‫القبلي لنمط التشبعات (ٓنديد ادلتغًنات أو ادلؤشرات اليت تتشبع على العامل األوؿ‪،‬‬ ‫وادلتغًنات أو ادلؤشرات اليت تتشبع على العامل الثاين)‪ ،‬وإظلا يتم التعرؼ على ظلط التشبعات‬ ‫عند انتهاء التحليل العاملي االستكشايف‪ .‬‬ ‫ويظهر الشكل (‪ )111‬من ادلثالٌن أيضا نقطة أخرى على غاية األعلية ولقد‬ ‫سبق أف أشرت إليها سابقا‪ .‬‬ ‫أما من حيث عالقة ادلؤشرات بعامليهما‪ ،‬فيظهر ادلثاالف(ب؛ ج) يف الشكل‬ ‫(‪ ) 111‬أف الباحث افرتض أف ثالثة متغًنات مقاسة أو مؤشرات تتشبع على العامل‬ ‫األوؿ وحده‪ ،‬بدوف أف تتشبع على العامل الثاين‪ ،‬يف حٌن أف ادلؤشرين ادلتبقيٌن يتشبعاف على‬ ‫العامل ال ثاين وحده ‪ ،‬وال يتشبعاف على العامل األوؿ‪ .‬ومعىن ذلك أف التحليل العاملي االستكشايف‬ ‫ينطلق من إمكانية تشبع كل مؤشر على كل العوامل‪ ،‬أي نقطة االنطالؽ ىي تشبع ٗنيع‬ ‫ادلؤشرات على ٗنيع العوامل‪ ،‬وىذا ما يوضحو ادلثاؿ (أ) يف الشكل (‪ )111‬حيث أف كل‬ ‫مؤشر صلده يتشبع على كل العوامل (يتشبع على العامل األوؿ والثاين يف نفس الوقت كما‬ ‫تدؿ على ذلك األسهم) وذلك نتيجة غياب إطار نظري قبلي واضح‪.‬وال توجد مؤشرات مقاسة تتشبع على‬ ‫العاملٌن معا‪ .‫أو غًنىا) ال تتم إال بعد التحليل واستخراج العوامل واالطالع على ادلعىن ادلشرتؾ للمتغًنات‬ ‫أوالفقرات اليت تتشبع على عامل معٌن‪.‬‬ ‫كما أف ادلثالٌن (ب؛ ج) يف الشكل (‪ )111‬يدالف على أف الباحث افرتض‬ ‫بأف العاملٌن الذين يشكالف النموذج مرتبطاف‪ُ ،‬نيث أف ارتباطهما ليس مرتفعا جدا حب ال‬ ‫يكونا نسختٌن متماثلتٌن لعامل واحد‪ ،‬وليس ارتباطهما ادلفرتض منخفضا جدا ألف االرتباط‬ ‫ادلنخفض يوحي باستقالذلما‪.

‬ففي النموذج العاملي التوكيدي(ب) يقوـ‬ ‫على افرتاض أف أخطاء القياس مستقلة‪ ،‬يف حٌن أف النموذج العاملي التوكيدي (ج) فيقوـ‬ ‫على افرتاض ارتباط بعض أخطاء قياس ادلتغًنات‪ :‬ارتباط خطأ قياس متغًنين ينتمياف إُف‬ ‫العامل الكامن األوؿ‪ ،‬وارتباط خطأ قياس ادلتغًنين الذين يتشبعاف على ادلتغًن الكامن الثاين‪.‬‬ ‫يف حٌن أف النموذج العاملي االستكشايف يف ادلثاؿ (أ) يفتقر إُف ىذه ادلرونة يف ظلذجة‬ ‫أخطاء القياس كغًنىا من العالقات اليت ينطوي عليها النموذج‪ ،‬ذلك أف التحليل العاملي‬ ‫االستكشايف يقوـ أصال على مسلمة أف أخطاء قياس ادلتغًنات أو ادلؤشرات أخطاء مستقلة‬ ‫عن بعضها بعضا وعشوائية‪ ،‬وىو افرتاض قد يتجاىف وطبيعة األخطاء اليت تلوث عملية قياس‬ ‫ادلتغًنات كاألخطاء ادلنتظمة اليت تعكس تدخل متغًنات أخرى َف يتمكن الباحث من‬ ‫ضبطها‪ ،‬أو توحي بوجود مؤشرات أخرى ذات عالقة بالعامل الكامن لكن غفل عنها‬ ‫الباحث يف تنظًنه وَف يدرجها من ضمن مؤشرات النموذج‪.‫منو الباحث ِنصوص أخطاء قياس ادلؤشرات‪ .‬‬ ‫‪-‬‬ .

‫شىً (‪ ) 111‬اٌزّ‪١١‬ض ث‪ ٓ١‬إٌّ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬االعزىشبف‪" ٟ‬أ"ؽ‪١‬ش أْ وً اٌّإششاد رشرجػ ثىً‬ ‫اٌؼ‪ٛ‬اًِ‪ٚ ،‬إٌّ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪" ٞ‬ة" ‪" ٚ‬ط" ثؾ‪١‬ش أْ إٌّ‪ٛ‬رط "ة" لبَ ػٍ‪ ٝ‬افزشاض اعزمالي‬ ‫أخطبء ل‪١‬بط اٌّإششاد‪ ،‬ف‪ ٟ‬ؽ‪ ٓ١‬أْ إٌّ‪ٛ‬رط "ط" لبَ ػٍ‪ ٝ‬افزشاض اسرجبغ أخطبء ل‪١‬بط ثؼط‬ ‫اٌّزغ‪١‬شاد‪.‬‬ ‫‪-‬‬ .

ِ‫انفصم انزان‬ specification ‫يشحهت انخحذّذ‬ ‫ ًحقذّش انباسايرتاث‬identification ‫ًانخؼْني‬ parameter estimation - .

- .

‬‬ ‫أو االختبار‬ ‫‪testing‬‬ ‫‪Respecification/modification‬‬ ‫أو‬ ‫وحفاظا على التوازن في حجم الفصول‪ ،‬سأعالج المرحلة األولى‪ :‬بناء‬ ‫النموذج أو تحديده‪ ،‬والمرحلة الثانية‪ :‬تعيين النموذج‪ ،‬والمرحلة الثالثة‪ :‬تقدير معالم أو‬ ‫‪model specification‬‬ ‫‪Identification‬‬ ‫‪-‬‬ .‬‬ ‫‪ 3‬ػ تقدير معاَف أو بارمرتات النموذج‪ ،Estimation of the model parameters.‬‬ ‫‪testing model goodness of fit‬‬ ‫‪ 3‬ػ إعادة ٓنديد النموذج‪ ،‬أو تعديل النموذج لتطويره‬ ‫التعديل اختصارا‪.‬‬ ‫‪ 1‬ػ اختبار حسن ادلطابقة للنموذج‬ ‫اختصارا‪.‬أو "التقدير"‬ ‫‪ Estimation‬اختصارا‪.‫خطٌاث اخخباس اننًٌرس انؼايهِ انخٌكْذُ‬ ‫رغم االختالؼ الكبًن يف ٓنديد عدد الراحل‪،‬ويف تبياف طبيعة كل مرحلة ‪ ،‬غًن‬ ‫أننا ظليل إُف تفضيل تلخيص عملية اختبار النموذج النظري ادلفرتض عند توظيف طريقة‬ ‫التحليل العاملي التوكيدي يف عس مراحل أساسية وىي‪:‬‬ ‫‪1‬ػ بناء النموذج أو ٓنديده‪ ، Model specification 0‬أو "التحديد" ‪ specification‬اختصارا‪.‬‬ ‫‪ 0‬ػ تعيٌن النموذج‪ ، Model Identification 3‬أو "التعيٌن" ‪ Identification‬اختصارا‪.

Model specification‬‬ ‫يقصد بتحديد النموذج توظيف النظريات‪ ،‬واألطر النظرية‪ ،‬والنماذج التنظًنية‬ ‫‪ conceptual models‬ادلناسبة‪ ،‬وقدرة الباحث على التنظًن‪ ،‬يف تطوير ظلوذج نظري عاملي‪.Diagram‬والرسم التخطيطي للنموذج العاملي يعٌن على التوضيح‪ ،‬إضافة إُف استعماؿ اللغة‬ ‫‪Path‬‬ ‫‪-‬‬ .‬‬ ‫ومن الضروري أف تعزز عملية ٓنديد النموذج برسم ٔنطيطي للنموذج‬ ‫‪ .‬وبدال من ذلك‪ ،‬رأيت من األنسب أن أنتقي مثاال يضاىي واقع البحوث‬ ‫في إطار نمذجة التحليل العاملي‪ ،‬ونتتبعو بالتطبيق عليو طيلة تطرقنا لمراحل النمذجة‬ ‫مرحلة مرحلة‪ .‫بارمترات النموذج‪ ،‬في سياق ىذا الفصل (الفصل الثاني)‪ ،‬أما المرحلة الرابعة‪ ،‬فسيتم‬ ‫تناولهما في الفصل الثالث‪ ،‬ومرحلة مراجعة النموذج أو تعديلو في ضوء مؤشرات‬ ‫التعديل فسيتم التطرق إليها في الفصل الرابع‪.‬‬ ‫وتالفيا لكثرة األمثلة التوضيحية التي قد تربك القارئ ألن كثرتها يستتبع‬ ‫بالضرورة كثرة اإلحالة إليها أثناء معالجة مراحل اختبار النموذج العاملي التوكيدي‪،‬‬ ‫وبالتالي ال يلبث القارئ أن ينتقل جيئة وذىابا بين الفصول لكثرة اإلحاالت إلى األمثلة‬ ‫عند تعددىا‪ .‬ويتم تعزيز ىذا المثال التطبيقي بتطبيق آخر عند معالجة المرحلة‬ ‫الخامسة المتعلقة بمراجعة النموذج وتعديلو‪ ،‬لتوضيح الجوانب المختلفة آلليات إعادة‬ ‫تعديل النموذج‪ ،‬لكون مثال تطبيقي واحد غير كاف لإللمام بالموضوع‪.‬‬ ‫ولقد تطرقت يف الفصل األوؿ إُف بعض أظلاط ظلاذج التحليل العاملي‪ ،‬ومت تصنيفها عمليا‬ ‫إُف‪1 :‬ػ النماذج العاملية األحادية البعد أو العامل‪0 ،‬ػ النماذج العاملية ادلتعددة العوامل سواء‬ ‫أكانت ثنائية العوامل( تنطوي على عاملٌن فقط) أـ احتوت على أكثر من عاملٌن‪ ،‬وأخًنا‪،‬‬ ‫‪3‬ػ النماذج العاملية من الدرجة الثانية‪.‬‬ ‫املشحهت األًىل‪ :‬بناء اننًٌرس أً حتذّذه ‪.

‬‬ ‫ومن أمثلة أخطاء ٓنديد النموذج افرتاض الباحث أف ادلفهوـ الذي يشكل موضوع‬ ‫الدراسة ينطوي على عوامل رغم أنو يف احلقيقة مفهوما وحيد العامل‪ .‫والرموز وادلعادالت‪ ،‬ويضفي مسحة ٗنالية على العامل‪ ،‬وينظم أبعاد التنظًن‪ ،‬ويعٌن على‬ ‫ترٗنة النموذج التخطيطي إُف لغات الربامج اإلحصائية ادلتخصصة يف ادلعادالت البنائية (لغة‬ ‫التعليمات حلزمة ليزرؿ ‪ ،LISREL‬وحزمة إي ػ كيوػ إس ‪ ، EQS‬وحزمة أموس ‪ ،AMOS‬وىي‬ ‫من أشهر احلزـ ادلتخصصة يف النمذجة بادلعادالت البنائية‪ ،‬واألكثر استعماال وانتشارا)‪.‬فوفقا الستطالع واسع للدراسات السابقة‬ ‫‪-‬‬ .‬وأخطاء التحديد ٕنثل هتديدا كبًنا لصدؽ النموذج‪ ،‬وتعرقل قدرتو على ادلطابقة‪،‬‬ ‫وتقوي من التحيز‪ ،‬وتضخم من أخطاء القياس‪ ،‬ومن أخطاء التباين غًن ادلفسر‪.‬ومن أمثلتها‬ ‫أيضا أف تكوف بعض ادلؤشرات اليت حددىا الباحث لقياس العامل الكامن غًن ىامة رغم‬ ‫كثرهتا‪ ،‬أو أف الباحث غفل عن ٓنديد بعض ادلؤشرات ُنيث أف ادلؤشرات ادلستعملة لقياس‬ ‫العامل ال تغطي كل جوانبو اجلوىرية‪.‬‬ ‫يزال حطبْقِ نخٌظْح يشاحم اننًزصت‬ ‫لعلنا ضلتاج إُف مثاؿ نوظفو لتوضيح كافة خطوات ومراحل اختبار النموذج‬ ‫ا لعاملي التوكيدي‪ .‬أو افرتاض أف ادلفهوـ‬ ‫متجانس ينطوي على بعد أو عامل واحد رغم أنو يف احلقيقة متعدد األبعاد‪ .‬‬ ‫وغالبا ما يكوف النموذج العاملي عرضة لبعض أخطاء التحديد‬ ‫‪Error‬‬ ‫‪ ،specification‬ولعل أعلها افتقار النموذج إُف متغًن أو متغًنين أو متغًنات ىامة وجوىرية‪َ ،‬ف‬ ‫يتفطن إُف أعليتها الباحث‪ ،‬ولذلك َف يدرجها يف ظلوذجو؛ أو أف يعاين النموذج ادلفرتض من‬ ‫ٔنمة أو وفرة زائدة يف ادلتغًنات ادلدرجة‪ُ ،‬نيث أف متغًنا أو متغًنين أو عددا من ادلتغًنات ال‬ ‫تؤدي وظيفة زلددة يف النموذج‪ ،‬بل قد تعرقل أو ٓنجب دور ادلتغًنات اذلامة احلرجة يف‬ ‫النموذج‪ .‬يريد باحث أف يتأكد من صحة النموذج ادلفرتض (ظلوذج البحث) الذي‬ ‫يتعلق بنظرية العوامل الكربى اخلمسة للشخصية‪ .

Positive emotions )EX4‬‬ ‫إف ادلؤشرات أو ادلتغًنات ادلقاسة ليست يف ىذا ادلثاؿ فقرات دلقياس وإظلا ىي‬ ‫مقاييس فرعية لقائمة الشخصية ادلسماة‪ NEO Personality Inventory :‬حيث ترتاوح الدرجات‬ ‫على ىذه ادلقاييس الفرعية من الصفر إُف الدرجة ‪.‫(‪ )Wiggins. 1996‬يعتقد الباحث أف مقاييس العوامل اخلمس الكربى تنتظم يف عاملٌن‪ ،‬أي‬ ‫يفسرىا أو يلخصها عامالف‪ :‬عامل العصابية ‪ Neuroticism‬وعامل االنبساطية‬ ‫( ‪ .30‬‬ ‫والرسم التخطيطي للنموذج العاملي ادلقرتح الذي يظهره الشكل رقم ( ‪)10‬‬ ‫يضفي وضوحا على معاَف النموذج‪ ،‬ويوضح السمات أو اجلوانب التنظًنية اليت افرتضها‬ ‫الباحث واليت ؽلكن توضيحها يف النقاط التالية‪:‬‬ ‫‪-‬‬ . 2006‬فادلتغًنات ادلقاسة أو ادلؤشرات اليت تتشبع على عامل العصابية تتمثل يف‬ ‫ادلؤشر ادلقاس ادلسمى بالقلق ‪ Anxiety‬ونرمز لو اختصارا بػ‪ ،)N1( :‬و ادلؤشر أو ادلتغًن‬ ‫ادلقاس‪ :‬العدوانية ‪ Hostility‬ونرمز لو اختصارا بالرمز (‪ ، )N2‬وادلؤشر ادلقاس‪ :‬االكتئاب‬ ‫‪Extraversion‬‬ ‫‪ Depression‬ونرمز لو اختصارا بالرمز (‪ ، )N3‬وادلؤشر ادلقاس‪ :‬الوعي بالذات‬ ‫‪ consciousness‬ونرمز لو اختصارا بالرمز (‪. )N4‬‬ ‫‪Self-‬‬ ‫أما ادلؤشرات أو ادلتغًنات ادلقاسة (ادلقاييس وليس الفقرات يف ادلثاؿ احلاِف) اليت‬ ‫تتشبع على العامل الكامن الثاين ادلتمثل يف االنبساطية تتجلى يف مقياس الدؼء (‪)EX1‬‬ ‫‪ ،Warmth‬والوداعة (‪ ،gregariousness )EX2‬وتوكيد الذات (‪ ،Assertiveness )EX3‬والعواطف‬ ‫اإلغلابية (‪. ) Brown.

‬‬ ‫‪ 0‬ػ افرتض الباحث أف العاملٌن غًن مستقلٌن ٕناما وإظلا يوجد ارتباط بينهما (يوجد قدر من‬ ‫التباين ادلشرتؾ بينهما)‪ ،‬غًن أف الباحث يفرتض يف ىذه احلالة أف ىذا االرتباط بٌن العاملٌن‬ ‫ينبغي أال يكوف ضعيفا ألف ذلك يدؿ على استقالذلما‪ ،‬وال غلب أف يكوف مرتفعا جدا‬ ‫(كأف يساوي تسعة من عشرة مثال) ألف االرتفاع الشديد دلعامل االرتباط بٌن العاملٌن يدؿ‬ ‫على أف العاملٌن ادلفرتضٌن غًن متمايزين وإظلا ؽلكن درلهما يف عامل عاـ واحد‪.‬‬ ‫‪ 0‬ػ أف للباحث تصور عن ىوية ىذين العاملٌن ُنيث أف أحدعلا أمساه "العصابية" واآلخر‬ ‫"االنبساطية"‪.‫شىً ( ‪ ) 12‬إٌّ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌّفزشض اٌز‪ٕ٠ ٞ‬ط‪ ٞٛ‬ػٍ‪ ٝ‬ػبٍِ‪ :ٟ‬اٌؼصبث‪١‬خ ‪ٚ‬االٔجغبغ‪١‬خ‪ .‬ل‪١‬ظ‬ ‫ػبًِ اٌؼصبث‪١‬خ ثأسثؼخ ِمب‪١٠‬ظ ٌزّضً ِإششارٗ األسثؼخ اٌّمبعخ‪ٚ ،‬رُ ل‪١‬بط ػبًِ االٔجغبغ‪١‬خ ثأسثؼخ‬ ‫ِمب‪١٠‬ظ ٌزّضً ِإششارٗ األسثؼخ اٌّمبعخ‪ٚ .‬اٌزجب‪ ٓ٠‬اٌز‪ٕ٠ ٞ‬ط‪ ٞٛ‬ػٍ‪ ٗ١‬وً ِإشش ِمبط ِٓ اٌّإششاد‬ ‫اٌضّبٔ‪١‬خ ‪٠‬فغشٖ (‪٠‬إصش ف‪ )ٗ١‬اٌؼبًِ اٌىبِٓ اٌز‪ٕ٠ ٞ‬زّ‪ ٟ‬ئٌ‪( ٗ١‬اٌز‪٠ ٞ‬زشجغ ػٍ‪ )ٗ١‬اٌّإشش أ‪ ٚ‬اٌّزغ‪١‬ش‬ ‫اٌّمبط(اٌّمب‪١٠‬ظ اٌّغزؼٍّخ)‪ ،‬أِب ثبل‪ ٟ‬اٌزجب‪ ٓ٠‬ف‪ ٟ‬اٌّإشش اٌّمبط ‪٠‬فغشٖ خطأ اٌم‪١‬بط‪.‬‬ ‫‪ 3‬ػ عالقة االرتباط بٌن العاملٌن عالقة سالبة وليست موجبة ّنعىن ازدياد درجات عامل‬ ‫‪-‬‬ .‬‬ ‫‪ 1‬ػ افرتض الباحث أف عاملٌن كامنٌن وليس عامل عاـ واحد يفسراف أبعاد الشخصية‪.

‬‬ ‫ينطوي الرسم التخطيطي للنموذج على شكلٌن بيضويٌن ػلتوياف العاملٌن‬ ‫الكامنٌن‪ :‬االنبساطية والعصابية‪ ،‬وعلى سهم زلذب مزدوج االْناه يدؿ على ارتباط العاملٌن‬ ‫ادلفرتضٌن ( عامل العصابية يرتبط ارتباطا سالبا بعامل االنبساطية)‪ ،‬وعلى أشكاؿ مستطيلة‬ ‫أو مربعة تدؿ على ادلؤشرات أو ادلتغًنات ادلقاسة (اليت قد تكوف فقرات مقياس‪ ،‬أو‬ ‫اختبارات فرعية‪ ،‬أو مقاييس كما ىو الشأف يف النموذج احلاِف)‪ ،‬وتدؿ األسهم ادلستقيمة‬ ‫اليت تنطلق من العامل الكامن‪ :‬العصابية‪ ،‬والعامل الكامن ‪ :‬االنبساطية‪ ،‬وادلتجهة إُف‬ ‫ادلؤشرات ادلقاسة لكل عامل على تشبعات ادلؤشرات أو ادلتغًنات ادلقاسة‪ .‬وبتعبًن آخر‪،‬‬ ‫يدؿ كل سهم ينطلق من العامل الكامن إُف ادلؤشر ادلقاس على مقدار (نسبة) التباين الذي‬ ‫يفسره العامل من رلمل التباين الذي ػلتوي عليو ادلؤشر أو ادلتغًن ادلقاس‪ .‬‬ ‫‪ 3‬ػ كل عامل من العاملٌن ادلفرتضٌن ال يفسراف كل التباين ادلوجود يف ادلؤشرات وإظلا يفرتض‬ ‫الباحث أف قسما من التباين يبقى بدوف تفسًن‪ ،‬وال يشرتؾ فيو ادلؤشر مع عاملو ويسمى‬ ‫بتباين اخلطأ‪ ،‬غًن أف الباحث يفرتض أف ىذه البواقي (األخطاء أو أخطاء القياس) ضئيلة ال‬ ‫هتدد ثبات ادلؤشرات (دقتها أو داللتها على عاملها)‪ ،‬وأهنا موجودة يف كل مؤشر وليست‬ ‫منعدمة الستحالة ذلك (استحالة خلو ادلؤشر مهما كاف من أخطاء القياس)‪ ،‬كما يفرتض‬ ‫الباحث أف ىذه البواقي أو األخطاء مستقلة وليست مرتبطة‪.‬‬ ‫‪ 1‬ػ لكل عامل كامن من العاملٌن مؤشراتو اليت تتشبع عليو‪ ،‬أي أف كل مؤشر يتشبع على‬ ‫عامل واحد وال يوجد مؤشر يتشبع على العاملٌن معا‪ّ ،‬نعىن ال توجد تشبعات تقاطعية‪ ،‬أي‬ ‫مؤشرات تتشبع على عاملها وليكن العصابية وتتشبع أيضا على العامل اآلخر االنبساطية‪،‬‬ ‫أو مؤشرات تتشبع على عاملها وليكن االنبساطية وتتشبع يف ذات الوقت على العامل اآلخر‬ ‫العصابية‪.‫العصابية يقرتف باطلفاض درجات عامل االنبساطية‪ ،‬أو أف ارتفاع درجات عامل االنبساطية‬ ‫يقرتف باطلفاض درجات عامل العصابية‪.‬أي مدى التباين‬ ‫‪-‬‬ .

‬‬ ‫أما األسهم ادلستقيمة السفلى القصًنة اليت تنتهي إُف مستطيالت ادلؤشرات من‬ ‫األسفل فتدؿ على بواقي التباين الذي َف يقو العامل الكامن على تفسًنه يف ادلؤشر ادلقاس‪.‬وىذا اخلليط من مصادر التباين اليت َف‬ ‫يفسره العامالف ادلفرتضاف والذي يعزى إُف مصادر شب ّنا فيها األخطاء العشوائية يدعى‬ ‫بػ"تباين الخطأ"‪ ،‬أو "أخطاء القياس"‪ ،‬أو "األخطاء" اختصارا‪.‫ادلشرتؾ أو مساحة الداللة ادلشرتكة بٌن العامل وادلؤشر (وذلك بعد تربيع تشبع ادلؤشر على‬ ‫عاملو ليسهل قراءتو على النحو الذي قدمنا)‪.‬‬ ‫املشحهت انزانْت‪ :‬حؼْني اننًٌرس ‪Model identification‬‬ ‫بعد التحديد النظري للنموذج وقبل االنتقاؿ إُف تقدير بارامرتاتو‪ ،‬ال بد من‬ ‫معاجلة قضية تعيٌن النموذج‪ .‬وبتعبًن آخر‪ ،‬تعنى مشكلة تعيين النموذج بمدى توفر‬ ‫المعلومات الكافية في بيانات العينة للتوصل إلى حل وحيد ومحدد للبارامترات الحرة‬ ‫للنموذج العاملي المفترض ‪ .‬فإذا افتقر النموذج إُف التعيٌن مثال‪ ،‬يستحيل تقدير قيمة‬ ‫‪-‬‬ .‬‬ ‫ومصادر التباين ادلوسوـ بالبواقي عديدة ومتنوعة‪ ،‬وتشمل التباين الصادر عن طريقة القياس‪،‬‬ ‫أو التباين الذي مصدره متغًنات أخرى ىامة َف يأخذىا الباحث بعٌن االعتبار وَف يدرجها‬ ‫يف ظلوذجو‪ ،‬أو التباين الناجم عن األخطاء العشوائية‪ .‬‬ ‫إُف ىذا احلد يكوف الباحث قد أصلز مرحلة وضع النموذج ادلفرتض أو صياغتو أي‬ ‫ٓنديده‪.‬وتتلخص قضية التعيٌن يف السؤاؿ التاِف‪ :‬بناء على البيانات‬ ‫ادلتوفرة يف العينة ادلدروسة اليت تتخذ شكل مصفوفة التباين والتغاير للعينة‬ ‫‪ ،covariance matrix‬وبناء على النموذج العاملي ادلفرتض الذي ٕنثل بياناتو مصفوفة التباين‬ ‫والتغاير للمجتمع (واليت يرمز ذلا ب ∑ )‪ ،‬ىل ؽلكن التوصل إُف تقديرات وحيدة زلددة‬ ‫‪Sample variance-‬‬ ‫للربامرتات احلرة للنموذج ادلفرتض‪ .

‬‬ ‫ٌىٓ ِز‪٠ ٝ‬ى‪ ْٛ‬إٌّ‪ٛ‬رط اٌّفزشض ‪٠‬زغُ ثبٌزؼ‪ٓ١١‬؟‬ ‫‪-‬‬ .‬‬ ‫فمثال‪ ،‬ماذا يف وسعنا أف نفعل لو طلب منا إغلاد حل وحيد (قيمة واحدة)‬ ‫للمعادلة‪( :‬س‪+‬ص=‪ .‬‬ ‫إذن يكون النموذج غير معين‬ ‫‪unidentified‬‬ ‫أو دون التعيين‬ ‫‪underidentified‬‬ ‫إذا كان عدد بارامترات الحرة ( المجهولة القيمة والتي تحتاج التي تقدير قيمتها)‬ ‫للنموذج العاملي المفترض أكبر من المعلومات المتاحة في بيانات العينة والمتمثلة في‬ ‫عدد العناصر غير المتكررة في مصفوفة التباين والتغاير للعينة‪ .‬وبتعبير وجيز‪ ،‬أن كم‬ ‫المعلومات المتوفرة في البيانات أقل من كم المعلومات التي يحتاجها النموذج النظري‬ ‫المفترض (النموذج العاملي المفترض)‪.‫زلددة وحيدة لكل بارامرت من البارامرتات احلرة للنموذج ادلفرتض‪ .) 10‬ففي الوقت الذي ؽلكن استبعاد بعض القيم (كل قيمة أكرب من‬ ‫القيمة ‪ 10‬ال ٕن ثل احلل الصحيح للمعادلة) يستحيل يف ادلقابل ٓنديد حل وحيد للمعادلة‪.‬إذف‬ ‫تعاين ىذه ادلعادلة من عدـ تعيٌن احلل األفضل أو األصح‪.‬‬ ‫والسبب يف ذلك أف ادلعادلة تنطوي على رلهولٌن‪ ،‬يف حٌن أف البيانات ادلتوفرة‬ ‫تتمثل يف وجود معادلة واحدة‪ ،‬أي وحدة واحدة من ادلعلومات ادلعطاة‪ ،‬بينما ػلتوى النموذج‬ ‫أي ادلعادلة على بارامرتين أو حدين رلهولٌن‪ .‬‬ ‫فيوجد عدد كبًن من أزواج القيم اليت تصلح كحل للمعادلة منها مثال‪( :‬س=‪2‬؛ ص=‪،)10‬‬ ‫(س=‪0‬؛ ص=‪( ،)12‬س=‪3‬؛ ص=‪( ،)4‬س=‪12‬؛ ص=‪( ،)0‬س=‪10‬؛ ص=‪،)2‬‬ ‫(س=‪6‬؛ ص=‪( ،)6‬س=‪11‬؛ ص=‪ )1‬وغًنىا من القيم اليت تصلح كحل للمعادلة‪ .‬فيكوف لكل بارامرت عدد‬ ‫كبًن من القيم اليت ٕنثل حال لو‪ ،‬وبالتاِف يستحيل انتقاء احلل األنسب لكل بارامرت‪.‬أي أف ادلعلومات اليت يتطلبها النموذج أكثر‬ ‫من ادلعلومات ادلتوفرة يف البيانات‪ ،‬ويرتتب على ذلك عدـ وجود حل زلدد وحيد للمعادلة‬ ‫أو النموذج‪.

‬‬ ‫ٌىٓ و‪١‬ف ٔىزشف أْ إٌّ‪ٛ‬رط غ‪١‬ش ِؼ‪ ،ٓ١‬أ‪ِ ٚ‬شجغ أ‪ِ ٚ‬زؼذ‪ ٞ‬اٌزؼ‪ٓ١١‬؟‬ ‫نستنتج شلا سبق من وصف ألنواع التعيٌن الثالث أنو ؽلكن ٕنييز نوع التعيٌن من‬ ‫مقارنة عدد البارامترات الحرة للنموذج المفترض بعدد العناصر غير المتكررة لمصفوفة‬ ‫التباين والتغاير للعينة‪ .‬أي أف البيانات األمبًنيقية تتمتع بوفرة يف ادلعلومات تسمح بالتوصل‬ ‫إُف أدؽ تقدير شلكن لبارامرتات النموذج إذا أحسن استغالؿ ىذه الوفرة يف ادلعلومات‪.‬‬ ‫وبتعبًن بسيط‪ ،‬أن بيانات العينة تحتوي على وفرة في المعلومات تفوق حجم‬ ‫المعلومات التي يحتاجها النموذج النظري المفترض (النموذج العاملي المفترض)‪.‬ويتم ىذا النوع من التعيٌن عندما تكوف عدد البارامرتات احلرة للنموذج ادلفرتض‬ ‫تساوي ٕناما عدد العناصر غًن ادلتكررة دلصفوفة التباين أو التغاير للعينة اليت ٕنثل حجم‬ ‫ادلعلومات اليت توفرىا البيانات األمبًنيقية ادلتاحة‪ ،‬وبتعبًن بسيط‪ ،‬أن المعلومات المتوفرة‬ ‫في البيانات تساوي تماما حجم المعلومات التي يتطلبها النموذج النظري المفترض‬ ‫(النموذج العاملي المفترض)‪.‫ىنا ؽليز يف الغالب حالتاف عندما يكوف النموذج معينا‪:‬‬ ‫اٌؾبٌخ األ‪ٌٍ ٌٝٚ‬زؼ‪ ٓ١١‬رغّ‪ ٝ‬ثبٌّٕ‪ٛ‬رط اٌّؼ‪ ٓ١‬ثىً ثغبغخ ‪just-identified model‬‬ ‫أو‬ ‫النموذج المشبع ‪ ،saturated model‬وفيو ؽلكن إغلاد حل واحد أو تقدير قيمة وحيدة لكل‬ ‫بارامرت حر‪ .‬إذف لكي نعرؼ كيف نصنف النموذج ىل ىو متعدي التعيٌن‪ ،‬أو‬ ‫مشبع أو دوف التعيٌن‪ ،‬ال بد من معرفة أمرين‪:‬‬ ‫أوال ي أن نتعرف على الطريقة التي تمكننا من إحصاء عدد البارامترات الحرة للنموذج العاملي‬ ‫‪-‬‬ .‬‬ ‫أِب اٌؾبٌخ اٌضبٔ‪١‬خ ِٓ اٌزؼ‪ ٓ١١‬فزغّ‪ ٝ‬ثبٌّٕ‪ٛ‬رط اٌّزؼذ‪ ٞ‬اٌزؼ‪ٓ١١‬‬ ‫‪overidentified‬‬ ‫‪ ،model‬أي النموذج اليت يتمتع بوفرة يف مستوى التعيٌن‪ .‬ويتم ىذا النوع من التعيٌن عندما‬ ‫تكوف عدد البارامرتات احلرة للنموذج ادلفرتض أقل من عدد العناصر غًن ادلتكررة دلصفوفة‬ ‫التباين أو التغاير للعينة‪ .

‬فإذا احتوى النموذج على عاملٌن وأف كل عامل‬ ‫قيس باستعماؿ أربع مؤشرات‪ ،‬فعدد ادلؤشرات يف النموذج ٖنانية‪ ،‬وبالتاِف توجد ٖنانية‬ ‫أخطاء قياس‪ .‬ويعترب خطأ القياس أيضا من ادلتغًنات ادلستقلة الكامنة ألهنا تؤثر يف‬ ‫ادلؤشرات ادلقاسة وتفسر بواقي التباين الذي َف يقو العامل على تفسًنه‪.‬ولكل مؤشر خطأ قياس (نسبة من التباين الذي عجز‬ ‫العامل عن تفسًنىا يف ادلؤشر)‪ .‬‬ ‫‪-‬‬ .‬‬ ‫د ػ عدد تشبعات المؤشرات المقاسة على عواملها الكامنة ٕنثل عدد البارمرتات احلرة‪،‬‬ ‫ما َف يثبت بعضها بقيمة معينة سلفا وعندئذ ال تعد التشبعات ادلثبتة بارمرتات حرة‪.‬‬ ‫ب ي عدد أخطاء قياس المؤشرات‪ .‬فيعد كل ارتباط بٌن عاملٌن بارامرتا واحدا‪ ،‬وبالتاِف يكوف لدينا‬ ‫ثالثة بارامرتات‪.‬‬ ‫ثانيا ي أن نتعرف على الطريقة التي تمكننا من إحصاء (أو عد) عدد العناصر غير المتكررة لمصفوفة‬ ‫التباين والتغاير للعينة‪.‬فإذا احتوى النموذج على ثالث عوامل كامنة‬ ‫مرتبطة فيما بينها‪ .‬ندر اإلشارة إُف أف العوامل الكامنة تعترب‬ ‫يف الرسم التخطيطي للنموذج العاملي التوكيدي متغًنات مستقلة ألهنا تؤثر يف‬ ‫مؤشراهتا ادلقاسة (لكوهنا ٓندد القاسم ادلشرتؾ‪ ،‬أو العالقة ادلشرتكة للمؤشرات)‪.‬فإذا كاف‬ ‫النموذج العاملي ػلتوي على أربع عوامل كامنة فمعىن ذلك أنو توجد أربعة بارامرتات‬ ‫حرة تتمثل يف قيم التباين للعوامل األربعة‪ْ .‬‬ ‫بالنسبة لألمر األوؿ‪ ،‬أي معرفة الطريقة اليت ٕنكننا من إحصاء عدد الربامرتات‬ ‫احلرة اليت ٓنتاج إُف تقدير‪ ،‬فيمكن القوؿ أف البارامرتات اليت تعترب بارامرتات حرة ٓنتاج إُف‬ ‫تقدير يف النموذج العامل التوكيدي ىي‪:‬‬ ‫أ ي عدد قيم التباين للعوامل الكامنة إذا كانت حرة ولم تثبت بقيمة محددة‪ .‫المفترض‪.‬‬ ‫ج ي التغاير أو االرتباط بين العوامل الكامنة‪ .

‬فباإلضافة إلى اعتبار أن كل خطأ قياس يمثل‬ ‫بارامترا‪ ،‬فإن كل ارتباط بين خطأ قياس مؤشرين يعتبر بارامترا حرا (أي أن كل‬ ‫ارتباط بين خطأين ي إذا صح التعبيري يعد بارمترا حرا)‪.‬لنقوـ اآلف‬ ‫بعد البارمرتات احلرة‪ ،‬ولنبدأ بتباين وتغاير ادلتغًنات ادلستقلة (العوامل‪ ،‬وأخطاء القياس)‪.‬‬ ‫خالصة ىذه اإلرشادات أف تباين وتغاير ادلتغًنات ادلستقلة (العوامل الكامنة‪،‬‬ ‫أخطاء قياس ادلؤشرات) والتشبعات (عالقة العامل ّنؤشراتو) تعترب بارامرتات حرة‪ ،‬ما َف يتم‬ ‫تثبيت بعضها بقيمة ثابتة معينة لتحديد وحدة قياس ادلتغًنات الكامنة (العوامل أو أخطاء‬ ‫القياس أو البواقي)‪ ،‬أما تباين ادلتغًنات التابعة (وليس ادلتغًنات ادلستقلة) فال تعد بارامرتات‬ ‫حرة‪.‬‬ ‫يوجد تباين عامل كامن واحد‪ ،‬وتباين ‪ 3‬أخطاء ‪ ،‬إذف يوجد حلد اآلف ‪ 1‬بارمرتات حرة‪.‫ىي ي أخطاء قياس ادلؤشرات تكوف يف الغالب مستقلة‪ .‬‬ ‫لنبدأ بالنموذج (أ) يف الشكل ( ‪ ،)00‬صلد أف ىذا النموذج ػلتوي على عامل‬ ‫كامن واحد تتشبع عليو ‪ 3‬مؤشرات مقاسة‪ ،‬ولكل مؤشر تباين خطأ أو خطأ القياس‪ ،‬وأف‬ ‫ىذه األخطاء الثالث مستقلة (ال يوجد سهم زلذب مزدوج االْناه يصل بينها)‪ .‬لكن أحيانا قد يفرتض الباحث أف‬ ‫بعض أخطاء القياس مرتبطة‪ .‬‬ ‫‪-‬‬ .‬‬ ‫و ي تباين المتغيرات التابعة (اليت تنتهي عندىا سهم أو أسهم يف الشكل التخطيطي) سواء‬ ‫أكانت متغًنات أو عوامل كامنة‪ ،‬أو كانت متغًنات أو مؤشرات مقاسة ال تعتبر‬ ‫بارامترات‪ ،‬وبالتاِف هتمل عند إحصاء عدد البارمرتات احلرة‪.‬‬ ‫لنتدرب قليال على طريقة إحصاء البارمرتات احلرة يف سلتلف النماذج العاملية اليت‬ ‫يظهرىا الشكل رقم ( ‪ :)00‬النموذجاف‪( :‬ا) و (ب) وكالعلا أحادي العامل‪ ،‬والنموذجاف‬ ‫(ج) و (د) وكالعلا متعدد العوامل (ثنائيا العوامل)‪ ،‬والنموذج (ىػ) وىو ظلوذج عاملي من‬ ‫الدرجة الثانية‪.

‬وىو الوضع األفضل واألمثل ألف وفرة ادلعلومات يف بيانات العينة تساعد‬ ‫على بناء ظلاذج عاملية جيدة‪ .‬أي كانا مثبتٌن بقيمة ثابتة تساوي صفرا‪.‬‬ ‫فإذا توفر العدد نفسو من ادلعلومات (أي عدد العناصر غًن ادلتكررة يف مصفوفة التباين‬ ‫والتغاير للعينة) يكوف النموذج معينا بكل بساطة أو مشبعا‪ .‬‬ ‫والقيمة صفر تدؿ على أف االرتباط بٌن أي زوج من اخلطأ منعدـ أي مستقل‪ .‬لكن وجود‬ ‫سهم زلدب يصل بٌن تباين خطأ ادلؤشر‪ 1‬وتباين خطأ ادلؤشر ‪ 0‬معناه أف الباحث يعتقد أف‬ ‫اخلطأين مرتبطاف (أي غًن مثبت بالقيمة صفر اليت تدؿ على انعداـ االرتباط)‪ ،‬وبالتاِف‬ ‫‪-‬‬ .‬‬ ‫ماذا عن النموذج (ب) يف الشكل ( ‪ .‬ومعىن ذلك‪ ،‬أف النموذج ػلتاج إُف ست وحدات من ادلعلومات أو أكثر‪.‬‬ ‫وعند ٗنع ما سبق من بارامرتات صلد أف عددىا يف النموذج (أ) وصل إُف ‪6‬‬ ‫بارامرتات حرة‪ .‬أما إذا كاف كم ادلعلومات ادلتوفرة يف بيانات العينة أكثر من ‪ 6‬فيكوف النموذج‬ ‫متعدي التعيٌن‪ .‫لننتقل اآلف إُف التشبعات‪ ،‬نالحظ وجود ‪ 3‬تشبعات‪ ،‬لكن أحد التشبعات ثبت‬ ‫بقيمة الواحد الصحيح لتحديد وحدة قياس ادلتغًن الكامن أو العامل الكامن‪ ،‬ألف ادلتغًنات‬ ‫أو العوامل الكامنة تفتقر يف الغالب إُف وحدة القياس الضرورية لتقدير البارمرتات‬ ‫(التشبعات)‪ .‬أما إذا كاف كم ادلعلومات ادلتوفرة يف بيانات العينة أقل من ‪6‬‬ ‫فيكوف النموذج غًن معٌن أو دوف التعيٌن‪ ،‬ويستحيل يف ىذه احلالة تقدير بارامرتات النموذج‬ ‫النتفاء العثور على تقديرات وحيدة ودقيقة لكل بارامرت‪.)00‬يبدو أنو نفسو النموذج (أ) باستثناء‬ ‫أخطاء القياس ‪ ،‬حيث يفرتض الباحث ىنا أف تباين اخلطأ للمؤشر‪ 1‬وتباين اخلط للمؤشر‬ ‫‪ 0‬مرتبطاف يف حٌن كانا مستقلٌن يف النموذج (أ)‪.‬وعلى الرغم من أنو ؽلكن تقدير‬ ‫بارامرتات النموذج يف ىذه احلالة غًن أنو يستحيل حساب مؤشرات ادلطابقة اليت تفيد يف‬ ‫تقوًن النموذج واختبار حسن مطابقتو للبيانات‪ ،‬ولذلك من األفضل بناء ظلاذج عاملية تكوف‬ ‫متعدية التعيٌن أي ال تكوف مشبعة أو معينة بكل بساطة‪ ،‬وكذلك ال تكوف دوف التعيٌن أو‬ ‫غًن معينة‪ .‬بعد استبعاد التشبع ادلقيد يبقى تشبعاف حراف‪.

‬ولنبدأ بالنموذج (ج) الذي ػلتوي‬ ‫على عاملٌن كامنٌن مرتبطٌن (السهم احملدب ادلزدوج االْناه) أحدعلا قيس بثالثة مؤشرات‬ ‫واآلخر ّنؤشرين‪ .)1‬وعند اجلمع صلد أف عدد البارمرتات احلرة يف النموذج (ج) بلغ ‪ 11‬بارامرتا حرا‪.‬ولكل مؤشر تباين خطأ القياس واالرتباطات بٌن ىذه األخطاء ثبتت بصفر‬ ‫أي معدومة أو مستقلة‪ .‬إذف صلد أف ىذا النموذج أضيف لو بارامرت‬ ‫حرا واحد ٕنثل يف ارتباط خطأ ادلؤشر‪ 1‬وخطأ ادلؤشر ‪ 0‬مقارنة بعدد البارامرتات اليت ػلتوي‬ ‫عليها النموذج السابق‪ .‬‬ ‫لننتقل إُف النماذج العاملية ادلتعددة العوامل‪ .‬ػلتوي النموذج العاملي من الدرجة الثانية‬ ‫‪-‬‬ .‬‬ ‫أما النموذج (د) فال ؼلتلف عن النموذج (ج) إال يف االفرتاضات ادلتعلقة بأخطاء‬ ‫قياس ادلؤشرات‪ .‬تتمثل البارامرتات احلرة ذلذا النموذج فيما يلي‪ :‬تباين العامل األوؿ‬ ‫(‪ :1‬أي بارامرت حر واحد) ‪ +‬تباين العامل الثاين (‪ + )1‬ارتباط العاملٌن (‪ + )1‬تباين اخلطأ‬ ‫للمؤشرات اخلمسة (أي ‪ 3‬بارامرتات حرة) ‪ +‬تشبعاف حراف للعامل األوؿ علما بأف التشبع‬ ‫ادلثبت بقيمة الواحد الصحيح يستبعد من العد (‪ + )0‬تشبع واحد حر على العامل الثاين‬ ‫(‪ .‬ففي الوقت الذي قيد الباحث أخطاء قياس ادلؤشرات يف النموذج (ج)‬ ‫بقيمة ثابتة وىي الصفر للداللة على أف أخطاء القياس مستقلة عن بعضها بعضا وغًن‬ ‫مرتبطة ‪ ،‬صلد أف الباحث حرر االرتباط بٌن أخطاء قياس ادلؤشر ‪ 0‬وادلؤشر‪ ،3‬وبٌن أخطاء‬ ‫قياس ادلؤشر ‪ 1‬وادلؤشر ‪( 3‬أنظر السهمٌن احملدبٌن اللذين يدالف على ارتباط ىذين الزوجٌن‬ ‫من اخلطأ)‪ ،‬لتقدير قيمة ىذين االرتباطٌن‪ ،‬ويعترباف بالتاِف بارامرتين حرين يضافاف إُف عدد‬ ‫البارامرتات احلرة اليت سبق عدىا واليت كانت ‪ 11‬برامرتا‪ ،‬فيصًن رلموع البارامرتات احلرة يف‬ ‫النموذج (د) ‪ 13‬برامرتا حرا (‪.‫االرتباط بٌن اخلطأين يعترب من البارامرتات احلرة‪ .‬ودلا كاف عدد البارامرتات احلرة يف النموذج السابق تساوي ‪ ،6‬فإف‬ ‫عددىا يف النموذج احلاِف (ب) يساوي ‪ 4‬بارامرتات حرة‪.)0+11‬‬ ‫ويدؿ النموذج (ىػ) على ظلوذج عاملي من الدرجة الثانية‪ ،‬ولقد سبق أف تطرقنا إُف‬ ‫ىذا النوع من النماذج العاملية يف الفصل األوؿ‪ .

‬وقد يالحظ القارئ غياب االرتباط (السهم احملدب) بٌن العاملٌن‬ ‫وإحالؿ زلل االرتباط ما يدؿ على تفسًن العامل العاـ‪ ،‬ولذلك عوض السهم احملدب‬ ‫بسهمٌن ينطلقاف من العامل العاـ إُف العاملٌن من الدرجة األوُف للداللة على أف العامل‬ ‫العاـ ػلدد داللتهما أو يؤثر فيهما‪.‬وبالتاِف فإف العدد الكلي للربامرتات احلرة للنموذج (ىػ) بلغ ‪ 11‬بارامرتا حرا‪.‬غًن أف ىذا العامل العاـ من الدرجة الثانية ال يفسر كل التباين الذي ينطوي‬ ‫عليو العاملٌن من الدرجة األوُف‪ ،‬وبالتاِف ػلتوي كل عامل من ىذين العاملٌن على بواقي‬ ‫التباين اليت عجز العامل العاـ عن تفسًنىا ولذلك رمزنا ذلا يف الشكل بسهم صغًن مائل‬ ‫ينتهي عند كل عامل‪ .‬أوذلما‪ ،‬انو ػلتوي على ثالثة عوامل من الدرجة األوُف بدال من‬ ‫عاملٌن‪ ،‬وثانيهما أف بعض أزواج أخطاء قياس ادلؤشرات مرتبطة يف حٌن أف كل األخطاء‬ ‫‪-‬‬ .‬‬ ‫أما النموذج األخًن (و) فهو أيضا ظلوذج عاملي من الدرجة الثانية لكن ؼلتلف‬ ‫عن النموذج (ىػ) يف أمرين‪ .‬تشمل البارامرتات احلرة ادلكونات التالية‪ :‬تباين العامل العاـ ‪ +‬تباين‬ ‫العاملٌن الفرعيٌن (العامالف من الدرجة األوُف) ‪ +‬تباين أخطاء قياس ادلؤشر ‪ 1‬إُف ادلوشر‪3‬‬ ‫( أي أف عدد تباين أخطاء ادلؤشرات عسة) ‪ +‬باقي التباين غًن ادلفسر للعامل األوؿ‬ ‫والعامل الثاين (أي عدد البواقي ‪ + ) 0‬تشبعات ادلؤشرات على عواملها باستثناء التشبعات‬ ‫اليت قيدت بقيمة الواحد الصحيح لتحديد وحدة القياس للعوامل الكامنة وبالتاِف عدد‬ ‫التشبعات احلرة تشبعاف للعامل األوؿ وتشبع واحد للعامل الثاين ‪ +‬عالقة العامل العاـ من‬ ‫الدرجة الثانية بالعاملٌن الذين ينتمياف إليو ما َف تقيد ىذه العالقة بقيمة الواحد الصحيح‬ ‫لتحديد وحدة قياس العامل العاـ وتوجد عالقة واحدة حرة‪ ،‬والعالقة األخرى غًن حرة مقيدة‬ ‫بقيمة ثابتة‪ .‫على عاملٌن من الدرجة األوُف ُنيث أف لكل عامل مؤشراتو ادلقاسة‪ ،‬ولكل مؤشر مقاس‬ ‫يوجد خطأ القياس‪ .‬‬ ‫حلد اآلف َف نتعد رلرد توضيح وشرح بنية النموذج (ىػ)‪ ،‬لكن ماذا عن كيفية‬ ‫إحصاء بارامرتاتو احلرة‪ .‬غًن أف ىذين العاملٌن من الدرجة األوُف ينتسباف إُف عامل عاـ ػلدد‬ ‫عالقتهما بو‪ .

‬‬ ‫‪-‬‬ .‬‬ ‫يبقى اآلف أف نرجع إُف ادلثاؿ الذي سنطبق عليو خطوات اختبار النموذج العاملي‬ ‫التوكيدي‪ ،‬والذي سبق أف تطرقنا إليو عند معاجلة ادلرحلة األوُف‪ :‬مرحلة ٓنديد النموذج‬ ‫والذي خلصو الرسم التخطيطي يف الشكل ( ‪ .‬وبالتاِف فإف العدد الكلي للبارامرتات احلرة للنموذج (و) بلغ ‪03‬‬ ‫بارامرتا حرا‪.‫كانت مستقلة يف النموذج (ىػ)‪.‬‬ ‫إذف لدينا ‪ 12‬متغًنات مستقلة أي بارامرتات ٓنتاج إُف تقدير حلد اآلف (تباين عاملٌن‪ ،‬و‪2‬‬ ‫متغًنات تتعلق باخلطأ)‪.)10‬وقبل أف نقوـ بإحصاء عدد بارامرتاتو‬ ‫احلرة‪ ،‬هنيب بالقارئ أف ػلاوؿ بنفسو ٓنديد عدد البارمرتات قبل االطالع على اإلجابة‪.‬‬ ‫أما طريقة إحصاء البارامرتات احلرة للنموذج (و) فهي كما يلي‪ :‬تباين العامل العاـ ‪ +‬تباين‬ ‫العوامل الثالث من الدرجة األوُف (فعدد التباين ‪ + )3‬تباين أخطاء قياس ادلؤشر ‪ 1‬إُف‬ ‫ادلوشر‪ ( 2‬أي أف عدد تباين أخطاء ادلؤشرات ٖنانية) ‪ +‬ارتباط خطأ ادلؤشر ‪ِ 1‬نطأ ادلؤشر‬ ‫‪ 3‬؛ و ارتباط خطأ ادلؤشر ‪ِ 3‬نطأ ادلؤشر ‪6‬؛ وارتباط خطأ ادلؤشر ‪ِ 4‬نطأ ادلؤشر ‪( 2‬عدد‬ ‫ارتباطات األخطاء ‪ + ) 3‬باقي التباين غًن ادلفسر للعامل األوؿ والعامل الثاين والعامل‬ ‫الثالث(أي عدد البواقي ‪ + ) 3‬تشبعات ادلؤشرات على عواملها باستثناء التشبعات اليت‬ ‫قيدت بقيمة الواحد الصحيح لتحديد وحدة القياس للعوامل الكامنة وعددىا ‪ + 3‬عالقة‬ ‫العامل العاـ من الدرجة الثانية بالعوامل الثالث اليت تنتمي إليو ما َف تقيد ىذه العالقة‬ ‫بقيمة الواحد الصحيح لتحديد وحدة قياس العامل العاـ ويوجد سهماف غًن مقيدين بالواحد‬ ‫الصحيح وسهم واحد مقيد وبالتاِف يوجد مساراف وبارامرتاف حراف‪ ،‬والعالقة األخرى غًن‬ ‫حرة مقيدة بقيمة ثابتة‪ .‬‬ ‫بالرجوع للشكل ( ‪ )10‬السابق‪ ،‬يعترب العامالف الكامناف‪ :‬العصابية‬ ‫واالنبساطية متغًنين كامنٌن مستقلٌن (تنطلق منهما أسهم إُف مؤشراهتما وال تنتهي عندعلا‬ ‫أسهم)‪ ،‬وتعترب أخطاء قياس ادلؤشرات متغًنات مستقلة (تنطلق منها األسهم إُف ادلؤشرات)‪.

‫شىً( ‪ّٔ )22‬برط ػبٍِ‪١‬خ ِخزٍفخ ‪ٚ‬ظفذ ٌزج‪١‬بْ غش‪٠‬مخ ئؽصبء ػذد اٌجبساِزشاد اٌؾشح ٌىً ِٕ‪ٙ‬ب‪.‬‬ ‫‪-‬‬ .

‬وبعد ىذا التثبيت تبقى ‪ 3‬تشبعات ٓنتاج إُف تقدير أي بارامرتات حرة‪ .‬‬ ‫بعد أن نقوم بإحصاء عدد البرامترات الحرة في النموذج والتي تمثل كم‬ ‫المعلومات التي يحتاج إليها النموذج الختبار صحتو‪ ،‬تأتي الخطوة التالية المتمثلة في‬ ‫‪-‬‬ .‬‬ ‫يظهر شلا سبق‪ ،‬أف نوع وعدد البارامرتات اليت ٓنتاج إُف تقدير ىي‪ :‬عامالف‪2 ،‬‬ ‫أخطاء قياس‪ ،‬ارتباط واحد بٌن العاملٌن‪ 6 ،‬تشبعات‪ ،‬واجملموع ‪ 14‬برامرتا حرا يف النموذج‬ ‫اليت ٓنتاج إُف تقدير‪ .‬إذف النموذج ػلتاج على األقل إُف ‪ 14‬وحدة معلوماتية غلب أف تتوفر‬ ‫يف البيانات لكي يتسىن تقدير ىذه البارامرتات‪.‬‬ ‫وكذلك فإف كل التشبعات اليت تربط ادلتغًنات الكامنة أو العوامل الكامنة ّنؤشراهتا‬ ‫تعترب بارامرتات النموذج‪ .‬إال إذا افرتض الباحث أف بعضها يساوي صفرا (أي ال توجد)‪ ،‬أو‬ ‫أف بعضها يساوي قيمة زلددة كأف غلعل الباحث أحد تشبعات ادلؤشرات على ادلتغًن أو‬ ‫العامل الكامن األوؿ يساوي الواحد الصحيح لتحديد وحدة القياس للعامل الكامن‪.‫وليتذكر القارئ بأف العالقات الدالة على التغاير أو االرتباط بٌن ادلتغًنات‬ ‫ادلالحظة ادلستقلة أو ادلتغًنات الكامنة ادلستقلة تعترب بارامرتات النموذج‪ ،‬وٕنثل عادة بأسهم‬ ‫زلدبة (وأحيانا مستقيمة) مزدوجة االْناه‪ .‬‬ ‫وبالرجوع إُف الشكل( ‪ )10‬صلد أربع تشبعات (أسهم تنطلق من العصابية إُف‬ ‫مؤشراهتا األربعة)‪ ،‬وسيعمل الباحث على تثبيت إحداىا بتعيٌن القيمة واحد ذلا وذلك‬ ‫لتحديد وحدة القياس للعامل الكامن‪ :‬العصابية‪ .‬ويف الشكل السابق يوجد ارتباط بٌن العاملٌن‬ ‫(السهم ادلزدوج ادلقوس) وبالتاِف يعترب بارامرتا ػلتاج إُف تقدير‪.‬إذف توجد‬ ‫‪ 6‬بارامرتات حرة ٓنتاج إُف تقدير تتعلق بالتشبعات كلها‪.‬وبعد ىذا التثبيت تبقى ‪ 3‬تشبعات أي‬ ‫بارامرتات حرة‪ .‬وبادلثل‪ ،‬صلد أربع تشبعات للمؤشرات على العامل الكامن‪:‬االنبساطية‪،‬‬ ‫وعمل الباحث على تثبيت إحداىا بتعيٌن القيمة واحد ذلا وذلك لتحديد وحدة القياس‬ ‫للعامل‪ .

‬والوضع الطبيعي واألفضل من حيث التعيين‬ ‫أن يكون النموذج متعدي التعيين‪.‬‬ ‫دلعرفة كم ادلعلومات اليت تتوفر عليها بيانات العينة‪ ،‬وبتعبًن فين وأدؽ‪ ،‬دلعرفة عدد‬ ‫العناصر غًن ادلتكررة يف مصفوفة التباين والتغاير للعينة نطبق ادلعادلة البسيطة التالية‪:‬‬ ‫[ ػذد اٌّإششاد × (ػذد اٌّإششاد ‪] 2 / )1 +‬‬ ‫وبالرجوع إُف الشكل( ‪ ،)10‬نالحظ أف عدد ادلؤشرات (ادلتغًنات ادلقاسة أو ادلالحظة‪:‬‬ ‫‪ٖ ) N1-N4.‬‬ ‫مث ننتقل بعد ذلك إُف حساب درجات الحرية لمعرفة نوع تعيين النموذج‪،‬‬ ‫علما بأف النموذج دوف التعيٌن ينطوي على درجات حرية سالبة‪ ،‬أي يفتقر إُف العدد الكايف‬ ‫‪-‬‬ . EXT1-EXT4‬نانية‪ ،‬وبالتاِف فعدد عناصر ادلعلومات غًن ادلتكررة يف مصفوفة‬ ‫التباين والتغايربٌن ادلؤشرات ادلقاسة ‪ّ ]0/0×2[ 36‬نعىن ادلصفوفة ٓنتوي على ‪ 2‬تباينات‬ ‫توجد يف خالياىا القطرية و‪ 02‬تغاير توجد يف خاليا ادلثلث السفلي للمصفوفة ألف خاليا‬ ‫ادلثلث العلوي تكرار لقيم خاليا ادلثلث السفلي ولذلك هتمل لإلبقاء فقط على عناصر‬ ‫(قيم) مصفوفة ادلؤشرات ادلقاسة للعينة غًن ادلتكررة‪.‫تحديد كم المعلومات غير المتكررة المتوفرة في بيانات العينة حتى يتسنى لنا المقارنة‬ ‫بين كم المعلومات التي يحتاج إليها اختبار النموذج وكم المعلومات التي وفرتها‬ ‫البيانات األمبيريقية لكي نتعرف على طبيعة تعيين النموذج المفترض‪ :‬ىل ىو دون‬ ‫التعيين‪ ،‬أو معين أي مشبع‪ ،‬أو متعدي التعيين‪.‬وأهنا ال تزود مستعملها ّنؤشرات ادلطابقة (اليت سندرسها يف ادلرحلة الرابعة) عندما‬ ‫يكوف النموذج معينا بكل بساطة أو مشبعا‪ .‬‬ ‫وقضية التعيٌن ضرورية جدا لالنتقاؿ إُف ادلرحلة الثالثة اليت تتعلق ُنساب أو‬ ‫تقدير بارامرتات النموذج ‪ ،‬إذ أف احلزـ اإلحصائية ادلتخصصة بادلعادالت البنائية تتوقف عن‬ ‫تقدير البارمرتات احلرة للنموذج عندما يكوف النموذج العاملي ادلفرتض غًن معٌن أو دوف‬ ‫التعيٌن‪ .

Parameter Estimation‬‬ ‫‪-‬‬ .‬‬ ‫املشحهت انزانزت‪ :‬حقذّش بشايرتاث اننًٌرس انؼايهِ املفرتض أً اننظشُ ‪Model‬‬ ‫‪.10+‬‬ ‫إذف ىل النموذج ادلوضح يف الشكل ( ‪ )10‬غًن معٌن‪ ،‬أو مشبع‪ ،‬أو متعدي‬ ‫التعيٌن؟ ّنا أف درجات احلرية موجبة وقيمتها (‪ )10+‬فإف النموذج يعترب متعدي التعيٌن‬ ‫‪ ، overidentified‬علما أف نوع التعيٌن األفضل أف يكوف النموذج قيد الدراسة متعدي‬ ‫التعيٌن‪ ،‬وبالتاِف نستمر يف اختبار النموذج‪.‬‬ ‫ولمعرفة عدد درجات الحرية ما إذا كانت سالبة (وبالتالي النموذج غير معين)‬ ‫أو تساوي صفرا (وبالتالي النموذج مشبع) أو موجبة (وبالتالي النموذج متعدي‬ ‫التعيين)‪ ،‬نقوـ بطرح عدد الربامرتات احلرة اليت أحصيت يف النموذج النظري من عدد‬ ‫العناصر غًن ادلتكررة يف مصفوفة التباين والتغاير للعينة (عدد وحدات ادلعلومات ادلتوفرة يف‬ ‫بيانات العينة) ‪ ،‬أي نستعمل العالقة البسيطة التالية‪:‬‬ ‫ػذد دسعبد اٌؾش‪٠‬خ = ػذد اٌم‪ ُ١‬غ‪١‬ش اٌّزىشسح ٌزجب‪ٚ ٓ٠‬رغب‪٠‬ش ِصف‪ٛ‬فخ اٌّإششاد اٌّمبعخ أ‪ٚ‬‬ ‫اٌؼ‪ٕ١‬خ‬ ‫ــ‬ ‫ػذد اٌجبساِزشاد اٌؾشح ٌٍّٕ‪ٛ‬رط اٌّفزشض‪.‬والنموذج ادلعٌن بكل بساطة أو ادلشبع عدد درجات حريتو يساوي‬ ‫صفرا‪ ،‬أي ال توجد وفرة يف درجات احلرية يف النموذج ادلفرتض وال يوجد نقص منها‪ .‬يف‬ ‫حٌن أف النموذج ادلتعدي التعيٌن فيحتوى على عدد موجب من درجات احلرية‪ ،‬وبتعبًن آخر‬ ‫ينطوي على وفرة منها‪.‫إُف درجات احلرية‪ .‬‬ ‫وبالرجوع إُف مثالنا‪ ،‬صلد أف عدد عناصر ادلعلومات غًن ادلتكررة يف مصفوفة‬ ‫التباين والتغاير بٌن ادلؤشرات ادلقاسة ‪ ، 36‬وأف عدد الربامرتات يف النموذج اليت ٓنتاج إُف‬ ‫تقدير أي عدد عناصر ادلعلومات اليت ػلتاجها النموذج (‪ )14‬وبالتعويض يف معادلة درجات‬ ‫احلرية تكوف نتيجة الطرح ‪.

‬وبواقي التباين يف ادلتغًنات الكامنة التابعة اليت َف تقو‬ ‫ادلتغًنات الكامنة ادلستقلة على تفسًنىا واليت تدعى ببواقي التباين غًن ادلفسر‪.‬‬ ‫فوظيفة التقدير إيجاد قيم عددية لهذه البارامترات الحرة في النموذج بحيث‬ ‫‪-‬‬ .‬‬ ‫عملوةىتقدورىالبرامتراتىالحرةىوطرقهاى‪ :‬ى‬ ‫الحظنا فيما سبق أف النماذج ادلفرتضة ٓنتوي على بارامرتات حرة ٓنتاج إُف تقدير‬ ‫قيمها‪ ،‬ومن أمثلة ذلك تشبعات ادلؤشرات على العوامل الكامنة‪ ،‬وأخطاء ىذه ادلؤشرات‪،‬‬ ‫واالرتباطات البينية (تغاير) ادلتغًنات أو العوامل الكامنة إف كاف النموذج ظلوذجيا عامليا‪ ،‬أما‬ ‫إذا استعمل النموذج أو النماذج العاملية يف النموذج البنائي‪ ،‬فتتمثل البارامرتات احلرة يف‬ ‫العالقات االرتباطية البينية (التغاير) بٌن ادلتغًنات الكامنة ادلستقلة‪ ،‬وادلسارات اليت تصل بٌن‬ ‫ادلتغًنات الكامنة ادلستقلة وادلتغًنات الكامنة التابعة‪ ،‬وأيضا ادلسارات اليت تصل بٌن ادلتغًنات‬ ‫الكامنة ّنتغًنات كامنة أخرى‪ .‫للحفاظ على التسلسل ادلنطقي دلعاجلة مادة كل مرحلة‪ ،‬يستحسن معاجلة‬ ‫موضوعٌن أساسٌن لتوضيح ىذه ادلرحلة‪:‬‬ ‫أوال ػ موضوع تقدير الربامرتات احلرة مع طرؽ تقدير ىذه البارمرتات‪.‬‬ ‫سنتطرؽ أوال إُف عملية تقدير البارامرتات احلرة‪ ،‬وإُف طرقها ادلختلفة‪ ،‬مث ننتقل إُف‬ ‫كيفية ْنهيز ملف التعليمات أو األوامر استعدادا لتحليلها باستعماؿ حزمة "ليزرؿ"‪ ،‬مث‬ ‫ننتقل بعد ذلك إُف طريقة ْنهيز ملف األوامر حب يتسىن استعماؿ حزمة "إكس" لتحليل‬ ‫البيانات والختبار صحة النموذج العاملي ادلفرتض‪.‬‬ ‫ثانيا ػ موضوع وضع ملف التعليمات اليت تتطلب احلزمتٌن اإلحصائيتٌن ادلتخصصتٌن‪ :‬حزمة‬ ‫ليزرؿ ‪ LIZREL‬وحزمة "إكس" ‪ ،EQS‬حب يتسىن للحزمتٌن تقدير بارامرتات النموذج العاملي‬ ‫ادلفرتض‪ ،‬وحساب مؤشرات ادلطابقة لو‪.

‬‬ ‫إف اذلدؼ من تقدير قيم البارامرتات احلرة للنموذج ادلفرتض الوصوؿ إُف أقصى‬ ‫تقليص للفروؽ بٌن قيم عناصر مصفوفة التباين والتغاير للعينة ( واليت يرمز ذلا ب‪ ) S :‬وقيم‬ ‫العناصر اليت تناظرىا يف مصفوفة التباين والتغاير اليت تولدت عن النموذج ادلفرتض (واليت‬ ‫يرمز ذلا بسيجما‪:‬‬ ‫‪‬‬ ‫)‬ ‫ال بد من إغلاد وسيلة رياضية ٕنكننا من إغلاد قيم تقديرية لكل بارمرت حر يف‬ ‫النموذج ادلفرتض والذي ػ نتيجة ذلك ػ تنتج عنو مصفوفة تباين وتغاير‪ُ  :‬نيث تكوف‬ ‫عناصر مصفوفة النموذج ادلفرتض‪ ،‬وبالتاِف قيم بارامرتاتو ادلقدرة‪ ،‬أقرب ما ؽلكن من قيم‬ ‫عناصر مصفوفة التباين والتغاير للعينة‪ ،‬أي تعكس ادلعلومات ليت تنطوي عليها العالقات بٌن‬ ‫ادلتغًنات أو ادلؤشرات ادلقاسة‪ .‬وتدعى ىذه الطرؽ الرياضية الرقمية بدواؿ التوفيق أو ادلطابقة ‪fitting‬‬ ‫‪ ،functions‬وهتدؼ إُف تقدير البارامرتات احلرة للنموذج ادلفرتض زلققة يف نفس الوقت أقصى‬ ‫تقارب بٌن قيم عناصر ادلصفوفة ‪( ‬مصفوفة التباين والتغاير القائمة على النموذج ادلفرتض‬ ‫بعد تقدير بارامرتاتو احلرة) ومصفوفة ‪ ( S‬مصفوفة التباين والتغاير بٌن ادلؤشرات ادلقاسة أي‬ ‫بيانات العينة)‪ .‬أي أف ىذه الدواؿ التوفيقية ٕنثل طرؽ أو عمليات تقدير معاَف أو بارمرتات‬ ‫‪-‬‬ .‬وبتعبًن آخر‪ ،‬ينبغي أف نبحث عن معادالت رياضية‬ ‫تستهدؼ قياس ادلسافة الفارقة اليت تفصل بٌن مصفوفة النموذج ومصفوفة العينة‪ُ ،‬نيث أنو‬ ‫كلما تقلصت ادلسافة الفارقة بينهما كلما دؿ ذلك على أف النموذج اقرتب كثًنا من ٕنثيل‬ ‫بيانات العينة‪ .‫أن مصفوفة البيانات المشتقة من النموذج (مصفوفة التباين والتغاير للنموذج المفترض)‬ ‫تكون قريبة جدا من بيانات العينة‪ ،‬أي من مصفوفة التباين والتغاير للعينة التي تمثل‬ ‫اإلطار المرجعي الذي ينبغي أن يعيد النموذج المفترض إنتاجها بدقة لكي يكون‬ ‫نموذجا نظريا متطابقا مع بيانات العينة‪.‬ؤنتلف طرؽ تقدير بارامرتات النموذج ادلفرتض‪ ،‬ؤنتلف باختالفها دواؿ‬ ‫التوفيق أو ادلطابقة (أي طرؽ تقدير البارامرتات) ُنيث أف لكل طريقة يف التقدير دالة توفيقية‬ ‫خاصة شا‪ .

)WLS‬‬ ‫‪ 4‬ػ طريقة ادلربعات الصغرى ادلوزونة قطريا‬ ‫اختصارا (‪.)TSLS( :‬‬ ‫‪ 3‬ػ طريقة ادلربعات الصغرى غًن ادلوزونة‪ ،‬أو طريقة ادلربعات الدنيا غًن الرتجيحية‬ ‫‪ ،Unweighted Least Squares‬وتعرؼ اختصارا ‪.)IV( :‬‬ ‫‪ 0‬ػ طريقة ادلربعات الصغرى ذات ادلرحلتٌن أو طريقة ادلربعات الدنيا الثنائية ادلراحل‬ ‫‪Two-‬‬ ‫‪ ، Stage Least Squares‬وتسمى اختصارا ‪.‫النموذج ادلفرتض‪.)GLS‬‬ ‫‪ 3‬ػ طريقة االحتماؿ األقصى (طريقة أقصى احتماؿ)‪ ،‬أو طريقة أقصى األرجحية‬ ‫‪ ،Likelihood‬وتسمى اختصارا‪.‬‬ ‫وتوفر احلزـ اإلحصائية ادلختصة عدة طرؽ للتقدير‪ ،‬فحزمة "ليزرؿ" مثال توفر ٖنانية‬ ‫طرؽ لتقدير بارامرتات النموذج وىي‪:‬‬ ‫‪1‬ػ ادلتغًنات الذرائعية أو الوسيلية ‪ Instrumental Variables‬وتعرؼ باالسم ادلختصر‪.)ML( :‬‬ ‫‪Maximum‬‬ ‫‪ 6‬ػ طريقة ادلربعات الصغرى ادلوزونة عموما ‪ ، Generally Weighted Least Squares‬وتسمى‬ ‫اخصارا (‪.)ULS( :‬‬ ‫‪ 1‬ػ طريقة ادلربعات الصغرى ادلعممة ‪ ،Generalized Least Squares‬وتسمى اختصارا (‪.)DWLS‬‬ ‫‪Diagonally Weighted Least Squares‬‬ ‫‪ ،‬وتسمى‬ ‫فطريقة ادلتغًنات الذرائعية أو الوسيلية (‪ ،)IV‬وطريقة ادلربعات الصغرى (‪)TSLS‬‬ ‫طريقتاف سريعتاف‪ ،‬ال تقوماف على تقدير البارامرتات بعد زلاوالت عديدة ‪، non-iterative‬‬ ‫كما أهنا طريقة تستعمل ادلعلومات اجلزئية ‪ limited-information techniques‬على خالؼ‬ ‫الطرؽ اليت سنتطرؽ إليها واليت تقوـ على استعماؿ كامل ادلعلومات ‪full-information‬‬ ‫‪-‬‬ .

2000‬‬ ‫‪Raykov & Marcoulides.‬‬ ‫أما الطرؽ اخلمسة األخرى‪ :‬طريقة ادلربعات الصغرى غًن ادلوزونة (‪ ،)ULS‬وطريقة‬ ‫ادلربعات الصغرى ادلعممة (‪ ،)GLS‬وطريقة االحتماؿ األقصى (‪ ،)ML‬وطريقة ادلربعات‬ ‫الصغرى ادلوزونة (‪ ،)WLS‬وطريقة ادلربعات الصغرى ادلوزونة قطريا (‪ ،)DWLS‬فهي طرؽ تقوـ‬ ‫على ادلعلومات الكاملة ُنيث تعمل على معاجلة منظومة ادلعادالت اليت ينطوي عليها‬ ‫النموذج لتقدير البارامرتات احلرة يف آف واحد‪ ،‬ولذلك فهي أكثركفاءة من الناحية اإلحصائية‬ ‫من الطريقتٌن السابقتٌن‪ .‬‬ ‫‪.) Diamantopoulos.‬والطريقتاف السابقتاف تزود ىذه الطرؽ األخًنة شذه القيم‬ ‫االبتدائية‪.‬‬ ‫وتستعمل ىتاف الطريقتاف يف حساب القيم االبتدائية‬ ‫للطرؽ األخرى اليت سنتطرؽ إليها اليت تقوـ على عدة زلاوالت لتحقيق تقدير هنائي‬ ‫‪starting values/initial‬‬ ‫‪values‬‬ ‫للربامرتات احلرة‪ .specification errors‬ذلك أف تقدير‬ ‫‪-‬‬ .techniques‬‬ ‫ومسيت بالطرؽ القائمة على ادلعلومات اجلزئية ألهنا تعمل على تقدير معادلة كل‬ ‫بارامرت على حدة‪ ،‬بدوف االستعانة بادلعلومات ادلكملة اليت ؽلكن اشتقاقها من معادالت‬ ‫البارامرتات األخرى يف النموذج‪ .‬غًن أهنا من الناحية اإلحصائية أقل فعالية من الطرؽ األخرى اليت تقوـ على كافة‬ ‫ادلعلومات‪ ،‬واليت تقدر ٗنيع بارامرتات معادالت النموذج يف آف واحد ُنيث تستغل‬ ‫معلومات نظاـ ادلعادالت كلها يف تقدير كل بارامرت‪(. & Siguaw.‬وىذه الطرؽ األخًنة ٓنتاج يف البداية إُف قيم استهاللية أو ابتدائية يبتدأ شا‬ ‫لتقدير بارامرتات النموذج‪ .‬غًن أهنا تعترب أقل مقاومة‪ ،‬وأكثر قابلية للتأثر بأخطاء تصميم‬ ‫النموذج عند افتقاره إُف بارامرتات أو متغًنات مناسبة ‪ . 2006.‬ودلا كانت ال تعتمد على منظومة ادلعادالت األخرى لتقدير‬ ‫البارامرتات احلرة للنموذج‪ ،‬وإظلا تعاًف كل معادلة على حدة‪ ،‬فإف ىذه اخلاصية أمدت‬ ‫الطريقتٌن السابقتٌن ُنصانة ومقاومة عندما يفتقر النموذج إُف بعض البارامرتات أو ادلتغًنات‬ ‫الضرورية‪ .‫‪.

‬كما أف ىذه الطريقة ٕنتاز بوجود ترسانة من مؤشرات ادلطابقة ومؤشرات إحصائية‬ ‫أخرى قائمة على استعماذلا دوف الطرؽ األخرى يف تقدير البارامرتات‪.)ML‬وتزود ىذه الطريقة مستعملها بتقديرات دقيقة لبارامرتات النموذج‬ ‫عند توفر خاصية التوزيع الطبيعي ادلتعدد يف البيانات‪ ،‬وٓنتفظ بدقة أدائها (تقديرىا‬ ‫للبارامرتات) حب يف حالة وجود قدر معتدؿ من االبتعاد بٌن توزيع الدرجات عن التوزيع‬ ‫الطبيعي‪ .]S‬فتتوقف زلاولة البحث عن قيم للبارامرتات عند ٓنقيق ىذه ادلستوى من التشابو أو‬ ‫التقارب بٌن بيانا ت النموذج والبيانات األصلية‪ ،‬عقب عدد من احملاوالت‪ُ ،‬نيث تعجز‬ ‫احملاوالت الالحقة عن ٓنقيق مستوى تقارب أفضل شلا مت ٓنقيقو ‪.convergence reached‬‬ ‫إف دالة ادلطابقة‪ ،‬أو طريقة تقدير البارامرتات االفرتاضية اليت تستعملها أغلب احلزـ‬ ‫ادلتخصصة (إذا َف يعٌن ادلستعمل طريقة أخرى)‪ ،‬تتمثل افرتاضا أو تلقائيا يف طريقة‬ ‫االحتماؿ األقصى (‪ .iterative estimation‬أي تبدأ بقيم أولية للبارامرتات اليت تكوف‬ ‫غالبا غًن مناسبة لتقليص الفرؽ بٌن مصفوفة البيانات للنموذج ومصفوفة البيانات للعينة‬ ‫(البيانات األصلية)‪ ،‬وباستعماؿ آليات معينة للبحث الرقمي (واليت قد ٔنتلف من طريقة‬ ‫ألخرى)‪ ،‬وتكرار ىذه العملية عدة مرات إُف أف تصل إُف قيم للبارامرتات ٓنقق أقصى‬ ‫تقارب شلكن بٌن ادلصفوفتٌن‪ُ ،‬نيث ال تقوى احملاوالت الالحقة األخرى على ٓنقيق ىذه‬ ‫الدرجة من التقارب أو التشابو بٌن ادلصفوفتٌن‪ ،‬أي ال تستطيع أف ٓنسن من تقارب مصفوفة‬ ‫النموذج ومصفوفة العينة ّنقدار (‪ [ )0.‬‬ ‫إف طريقة االحتماؿ األقصى تزود الباحث بقيم األخطاء ادلعيارية‬ ‫‪-‬‬ ‫‪Standards errors‬‬ .‫كل بارامرت يعتمد على البارامرتات األخرى يف النموذج‪ ،‬وبالتاِف فإف تقديره يتأثر باخللل‬ ‫الذي قد يوجد يف معادالت بارامرتات النموذج‪.000001‬أي بواحد من مليوف وٕنثل القيمة االفرتاضية‬ ‫لتقليص ادلسافة الفارقة بٌن مصفوفة بيانات النموذج ‪ ‬ومصفوفة البيانات األصلية للعينة‬ ‫‪ .‬‬ ‫كما أف ىذه الطرؽ تشرتؾ يف االحتياج إُف عدة زلاوالت للوصوؿ إُف قيم‬ ‫تقديرية مناسبة للبارامرتات ‪ .

‬‬ ‫‪ 3‬ػ إف توزيع درجات ادلؤشرات ادلقاسة يف النموذج ينبغي أف تكوف ذات توزيع متعدد‬ ‫معتدؿ‪ .‫ل كل البارامرتات اليت يتم حساشا شذه الطريقة‪ .‬ويف حالة عدـ توفر بعض مسلمات ىذه الطريقة‬ ‫يف البيانات‪ ،‬ؽلكن اللجوء إُف نتائج الطرؽ األخرى البديلة يف التقدير‪ ،‬ويورد الباحث يف‬ ‫تقريره تلخيصا لنتائج الطرؽ البديلة يف التقدير يف حالة اختالفها أو تناقضها مع نتائج طريقة‬ ‫‪-‬‬ .‬‬ ‫‪ 0‬ػ إف مؤشرات النموذج غلب أف تكوف ذات مستوى قياس متصل ‪( continuous scale‬أي‬ ‫أف تكوف فرتية ‪ interval‬أو نسبية ‪ ،) ratio‬أو قريبة جدا من القياس ادلتصل (مثاؿ‬ ‫ذلك فقرات االْناىات اليت تصاغ على شاكلة ليكرت واليت ٓنتوى على فئات كافية‬ ‫كأف تكوف عس فئات‪ :‬موافق ٕناما‪ ،‬موافق‪ ،‬موافق إُف حد ما أو زلايد‪ ،‬غًن موافق‪،‬‬ ‫غًن موافق إطالقا؛ أو ٓنتوي على أكثر من عس فئات أو مستويات كأف تكوف سبع‬ ‫أو تسع مستويات ‪ . 2005.06‬كما أف دالة االحتماؿ األقصى ( ‪ )FML‬تستعمل يف‬ ‫حساب عديد من مؤشرات ادلطابقة‪.)]1. 2006‬‬ ‫ونظرا ألعلية خصائص طريقة االحتماؿ األقصى‪ ،‬يوصي بعض ادلتخصصٌن‬ ‫باستعماؿ ىذه الطريقة يف ٗنيع األحواؿ‪ .‬لكن االضلراؼ البسيط عن التوزيع ادلعتدؿ ال يؤثر يف دقة التقديرات اليت‬ ‫تنجزىا دالة االحتماؿ األقصى(‪.)Kline.‬فهذه ادلتغًنات تعترب أساسا متغًنات ذات مستوى قياس رتع‬ ‫‪ ، ordinal‬لكن ؽلكن اعتبارىا ْناوزا متغًنات متصلة فرتية)‪. Raykov & Marcoulides.‬وتفيد األخطاء ادلعيارية يف تقدير اختبارات‬ ‫الداللة اإلحصائية للبارمرتات ادلقدرة‪ ،‬وأيضا لتحديد دقة قيم البارامرتات ادلقدرة باستعماؿ‬ ‫مستويات الثقة ‪ 03‬أو ‪ 00‬بادلائة (حدود أو رلاؿ الثقة ‪ %03‬مثال يساوي قيمة البارامرت‬ ‫ادلقدر ‪[ ±‬اخلطأ ادلعياري * ‪ .‬‬ ‫إف دالة االحتماؿ األقصى ( ‪ )FML‬تقوـ عل ٗنلة من االفرتاضات وىي‪:‬‬ ‫‪ 1‬ػ غلب أف يكوف حجم العينة كبًنا‪.

‬ومن ىذه الطرؽ اليت ال تتأثر‬ ‫بالتوزيع ادلتعدد غًن ادلعتدؿ للبيانات طريقة ادلربعات الصغرى غًن ادلوزونة (‪ )ULS‬وطريقة‬ ‫ادلربعات الصغرى ادلعممة (‪. 1992‬‬ ‫وتتميز ىذه الطريقة عن دالة االحتماؿ األقصى أف عملية تقدير الربامرتات‬ ‫تتواصل حب يف احلالة اليت تكوف فيها مصفوفة االرتباطات غًن موجبة التحديد‬ ‫‪ ( definite‬أي أف بعض جذورىا الكامنة اليت تدؿ على مقدار التباين ادلفسر تكوف سالبة‬ ‫اإلشارة‪ ،‬علما بأف قيم اجلذور الكامنة غلب أف تكوف كلها موجبة)‪ ،‬يف حٌن أف عملية‬ ‫تقدير البارامرتات بطريقة االحتماؿ األقصى ال تستمر بل تتوقف‪ ،‬وتصدر احلزمة اإلحصائية‬ ‫‪not positive‬‬ ‫ادلستعملة إشعارا بوجود خطأ يتمثل يف كوف ادلصفوفة غًن موجبة التحديد(‬ ‫‪.‫االحتماؿ األقصى‪ .)Comrey & Lee.‬أو تذكر يف اذلامش إذا وافقت نتائج طرؽ التقدير البديلة نتائج طريقة‬ ‫االحتماؿ األقصى (‬ ‫‪1995‬‬ ‫‪. 2003‬‬ ‫‪-‬‬ ‫& ‪Pett.‬‬ ‫لكن ماذا لو كاف توزيع البيانات غًن معتدؿ؟‬ ‫يفضل ػ يف ىذا السياؽ ػ استعماؿ الطرؽ األخرى البديلة اليت ٓنتفظ بدقة أدائها‬ ‫عندما ػليد التوزيع ادلتعدد للبيانات عن التوزيع الطبيعي‪ .‬ولذلك ينبغي أف يقتصر استعماذلا يف‬ ‫حالة مصفوفة االرتباطات (ألف االرتباطات تقوـ على وحدة معيارية موحدة) بٌن ادلؤشرات‬ ‫للعينة بدال من استعماؿ مصفوفة التغاير(‪. Lackey‬‬ .)GLS‬‬ ‫وهتدؼ طريقة ادلربعات الصغرى غًن ادلوزونة (‪ )ULS‬إُف ٓنقيق أقصى تقليص‬ ‫جملموع مربعات الفروؽ بٌن عناصر مصفوفة النموذج وعناصر مصفوفة العينة مع إعلاؿ‬ ‫العناصر القطرية للمصفوفتٌن‪ .)Sullivan.‬غًن أف ىذه الطريقة تعتمد على وحدات القياس األصلية‬ ‫للمتغًنات‪ ،‬وتتغًن نتائجها عند اختالؼ وحدات قياس ادلؤشرات‪ ،‬وال يصلح استعماذلا إال‬ ‫يف حالة تشابو وحدات القياس األصلية للمتغًنات‪ .)Hoyle & Panter.

‬وداللة ىذه‬ ‫اخلاصية أف تقديراهتا لبارامرتات النموذج ال ٔنتلف سواء أكانت مصفوفة البيانات مصفوفة‬ ‫تغاير أو مصفوفة ارتباطات (‪ .1994‬‬ ‫أما طريقة ادلربعات الصغرى ادلعممة (‪ )GLS‬فتستهدؼ ىي األخرى تقليص الفرؽ‬ ‫بٌن رلموع مربعات الفروؽ بٌن عناصر مصفوفة النموذج وعناصر مصفوفة العينة‪ . )ADF :‬غًن أف ىذه الطريقة تتطلب أف تكوف العينة واسعة (ال تقل عن‬ ‫‪ 1222‬فردا) ( ‪. 2003‬وٕنتاز ىذه الطريقة عن دالة‬ ‫االحتماؿ األقصى بعدـ تأثر أدائها سواء أكاف التوزيع ادلتعدد للبيانات معتدال أـ غًن‬ ‫معتدؿ‪.)Pett. 2000‬‬ ‫وتجدر اإلشارة إلى أننا سنستعمل ي أسوة بالحزم اإلحصائية المتخصصة ي‬ ‫‪-‬‬ .‬وىذه الطريقة ػ شأهنا يف ذلك شأف طريقة‬ ‫االحتماؿ األقصى ػ ال تعتمد نتائجها على وحدات القياس األصلية للمتغًنات‪ .inverse of their uniqueness‬‬ ‫ومعىن ذلك أف ادلؤشرات اليت ترتبط ارتباطا مرتفعا بادلؤشرات األخرى‪ ،‬واليت يكوف مربع‬ ‫معامل االرتباط ادلتعدد (معامل التحديد ادلتعدد‪ )R2:‬ذلا مرتفعا يعطى لو وزف أكرب من‬ ‫ادلؤشرات اليت معامل ٓنديدىا ادلتعدد منخفض‪ . & Siguaw.)Nunnally & Bernstein.‫وأخًنا‪ ،‬من مزايا ىذه الطريقة إمكانية استعماذلا عندما يكوف التوزيع ادلتعدد‬ ‫للبيانات غًن معتدؿ (‪.)Diamantopoulos.‬‬ ‫وأخًنا‪ ،‬فإف طريقة ادلربعات الصغرى ادلوزونة (‪ ،)WLS‬وطريقة ادلربعات الصغرى‬ ‫ادلوزونة قطريا (‪ ،)DWLS‬تتميزاف بعدـ قيامهما على مسلمات تتعلق بتوزيع بيانات ادلتغًنات‬ ‫أو ادلؤشرات ادلالحظة أو ادلقاسة‪ .‬ؤنتلف‬ ‫عن طريقة ادلربعات الصغرى غًن ادلوزونة (‪ )ULS‬أف عناصر ادلصفوفة االرتباطية ٓنوؿ إُف‬ ‫معامالت ارتباطات موزونة عن طريق معكوس تباينها اخلاص ‪. Lackey & Sullivan.‬ولذلك فهي تندرج يف زمرة طرؽ التقدير احلرة التوزيع‬ ‫القائمة على العينة الواسعة ‪( asymptotic distribution–free estimators‬وتسمى باالسم‬ ‫ادلختصر التاِف‪ .

‫طريقة االحتمال األقصى في تقدير بارامترات النماذج المفترضة التي نعالجها في‬ ‫األمثلة التوضيحية للكتاب (الطريقة االفتراضية وبالتالي ال حاجة لذكر اسمها)‪ .‬‬ ‫بعد أف تعرفنا على طرؽ تقدير بارامرتات النموذج (دواؿ ادلطابقة أو التوفيق‬ ‫ادلختلفة)‪ ،‬ينتق ل النموذج ادلفرتض من الوضع الذي تكوف فيو كثًن من بارامرتاتو أو العالقات‬ ‫اليت يفرتضها رلهولة‪ ،‬إُف الوضع اجلديد الذي تكوف فيو ىذه العالقات معلومة‪ .‬وعند ىذا‬ ‫ادلستوى من التحليل‪ ،‬أي بعد تقدير قيم العالقات اليت ػلتوي عليها النموذج‪ ،‬يربز السؤاؿ‬ ‫اذلاـ التاِف‪ :‬ىل النموذج المفترض الذي يتكون من العالقات التي تم قياسها أو تقديرىا‬ ‫يمثل بيانات العينة (مصفوفة التباين والتغاير بين المؤشرات المقاسة) وبالتالي فهو‬ ‫يتمتع بمطابقة جيدة للبيانات أو المعلومات التي تم الحصول عليها في البحث‪ ،‬أو ال‬ ‫يمثل بيانات عينة الدراسة‪ ،‬األمر الذي يدل على عدم صحة النموذج المفترض؟‬ ‫لإلجابة عن السؤاؿ‪ ،‬من الضروري أف نتعرؼ على مؤشرات ادلطابقة‪ ،‬وال سيما‬ ‫تلك اليت اعتمدهتا احلزـ اإلحصائية ادلتخصصة‪ .‬‬ ‫تجهوزىملفىالتعلوماتىبلغةىسمبلوس ‪ Simplis‬لحزمةىلوزرل ‪.‬وىي من احلزـ اإلحصائية ادلتوفرة ادلتخصصة يف التحليل اإلحصائي للنمذجة‬ ‫بادلعادالت البنائية‪ .‬وتوفر حزمة ليزرؿ لغتٌن لكتابة األوامر وعلا‪:‬‬ ‫‪ 1‬ػ لغة ليزرل‪ :‬وتقوـ على االختصارات واستعماؿ احلروؼ اليونانية‪ ،‬وتنظيم عناصر بيانات‬ ‫‪-‬‬ .‬أما إذا‬ ‫استعملنا طريقة بديلة لطريقة االحتمال األقصى في تقدير بارامترات النموذج النظري‬ ‫فسيتم ذكر اسم الطريقة ودواعي استعمالها‪.‬وىذا ما سنعاجلو يف الفصل الثالث‪. Lizrel‬‬ ‫حلساب مؤشرات ادلطابقة وتقدير بارامرتات النموذج ادلفرتض سنستعمل يف ادلثاؿ‬ ‫حزمة ليزرؿ‪ .

‫البارامرتات يف مصفوفات‪ ،‬ولذلك ارتبطت لغة األوامر ىذه بنوع من الصعوبة‪.‬‬ ‫سنتعرؼ أوال على اذليكل ادلنطقي أو وحدات التعليمات اليت تشكل أساس ملف‬ ‫التعليمات للغة مسبليس‪ ،‬وبعد ذلك نقوـ بتجهيز ملف التعليمات للمثاؿ احلاِف‪.‬‬ ‫ينطوي ملف التعلميات بلغة مسبليس على ست مكونات أساسية وىي‪:‬‬ ‫‪-‬‬ ‫‪Title‬‬ ‫العنواف‬ ‫ ‪Observed Variables‬ادلتغًنات ادلالحظة أوادلقاسة‬‫ )‪(Form of input data‬طريقة ْنهيز البيانات‬‫ ‪Number of cases‬عدد احلاالت‬‫ ‪Latent variables or unobserved variables‬ادلتغًنات الكامنة‬‫ ‪Model structure‬بنية النموذج الذي سيخترب‬‫إف ادلكوف األوؿ ‪ Title :‬اختياري لكنو مهم جدا‪ .‬ويفضل استعماؿ عالمة‬ ‫التعجب (!) يف بداية كل سطر للعنواف أو عندما يراد كتابة تعليقات أو توضيحات‪.‬‬ ‫والربنامج دلا يصادؼ عالمة التعجب فإنو يقفز مباشرة إُف سطر التعليمات التالية ‪Observed‬‬ ‫‪ ،Variables‬مهمال أسطر التعليقات أو التوضيحات أو ادلعلومات اليت تبدأ أسطرىا بعالمة‬ ‫‪-‬‬ .‬‬ ‫‪0‬ػ لغة سمبليس ‪ :SIMPLIS‬ومع ظهور حزـ إحصائية متخصصة أخرى منافسة اتسمت‬ ‫باستعماؿ لغة أوامر سهلة ومرنة اضطر القائموف على حزمة "ليزرؿ" إُف استحداث لغة‬ ‫بسيطة ومرنة َنانب لغة ليزرؿ أمسوىا ب"مسبليس" ‪ ،SIMPLIS‬وىي اليت سنستعملها عند‬ ‫استعماؿ حزمة ليزرؿ‪.

‬‬ ‫مث يتم ٓنديد حجم العينة باستعماؿ العبارة‪ ،Numbers of cases :‬مث يكتب عدد‬ ‫أفراد العينة بعد عالمة تساوي أو بعد فراغ أي يف السطر ادلواِف‪.‬مث‬ ‫إف الربنامج يأخذ بعٌن االعتبار احلروؼ الثمانية األوُف لكل اسم من أمساء ادلتغًنات‪.‬‬ ‫‪Labels‬‬ ‫وبعد تعريف الربنامج بادلتغًنات ادلقاسة‪ ،‬يتم ٓنديد طريقة إدخاؿ جدوؿ البيانات‪.)Labels‬لكن إذا كانت البيانات بشكل خاـ موجودة يف ملف خاص‬ ‫خارجي فيصاغ األمر كما يلي‪ Raw data from file :‬مث ػلدد موقع ملف البيانات اخلارجي‪.‬‬ ‫‪Paths‬‬ ‫فإذا استعملنا األمر‪ relationships :‬أو ‪ Equations‬بدال من األمر ‪ Paths‬فتذكر‬ ‫يسار إشارة التساوي ادلتغًنات التابعة (مثال ادلؤشرات ادلقاسة باعتبارىا متغًنات تابعة )‬ ‫‪-‬‬ .‬‬ ‫مث يعقب ذلك إحدى التعبًنات التالية‪ relationships :‬أو ‪ Equations‬أو‬ ‫لتحديد ادلعادالت اليت تدؿ على العالقات بٌن ادلتغًنات ادلقاسة بعاملها‪ ،‬وعالقة متغًن كامن‬ ‫ّنتغًن كامن‪ ،‬واالرتباطات بٌن العوامل‪ ،‬واالرتباطات بٌن أخطاء قياس ادلؤشرات ادلقاسة‪.‬وغلب أف ترد أمساء ادلتغًنات بنفس ترتيبها يف جدوؿ البيانات‪ .‬‬ ‫ويلي حجم العينة العبارة التالية‪:‬‬ ‫‪Latent Variables‬‬ ‫أو عبارة‬ ‫‪Unobserved‬‬ ‫‪ Variables‬وذلك إليراد أمساء ادلتغًنات الكامنة أي العوامل الكامنة موضوع الدراسة‪.‫التعجب‪.‬‬ ‫أي أف الت عليمات ادلتعلقة بالبيانات غلب أف تلي مباشرة ادلتغًنات ادلقاسة ( ‪Observed‬‬ ‫‪ )Variables‬أو (‪ .‬‬ ‫أما إذا أريد إدراج البيانات يف ملف التعليمات ذاتو فيذكر التعبًن التاِف‪ Raw data :‬بالنسبة‬ ‫للبيانات اخلاـ أو عبارة‪ correlation matrix :‬إذا كانت البيانات مصفوفة االرتباطات ‪ ،‬أوعبارة‬ ‫‪ covariance matrix‬إذا كانت البيانات مصفوفة التغاير‪.‬‬ ‫يلي العنواف تعليمة‪ Observed Variables :‬وقد يستعمل أحيانا التعبًن‬ ‫وتدؿ على األمساء (وؽلكن أف تكوف أحرفا سلتصرة) للمتغًنات ادلقاسة اليت مت ٗنع بيانات‬ ‫عنها يف جدوؿ البيانات‪ .

‬مثاؿ‬ ‫‪S1=satisfac‬‬ ‫‪S4=satisfac‬‬ ‫‪S5=satisfac‬‬ ‫تدؿ ىذه دلعادالت على أف ادلتغًنات ادلستقلة أو ادلؤشرات ادلقاسة ‪ S1.‫ويوضع ؽلٌن إشارة التساوي ادلتغًنات ادلستقلة (العوامل‪ ،‬أخطاء قياس ادلتغًنات)‪ .‬األع‪ُٙ‬‬ ‫اٌذاٌخ ػٍ‪ ٝ‬اٌزشجؼبد اٌز‪ ٟ‬رؾز‪ ٞٛ‬ػٍ‪ٔ ٝ‬غ‪ َٛ‬رذي ػٍ‪ ٝ‬اٌجشاِزشاد اٌؾشح أِب اٌغ‪ّٙ‬بْ اٌٍزاْ ‪٠‬ؾز‪٠ٛ‬بد‬ ‫‪-‬‬ . S5‬تتأثر بادلتغًن‬ ‫ادلستقل الكامن أو العامل الكامن‪ . S4.satisfac :‬أما إذا فضلنا صياغة نفس العالقة باستعماؿ‬ ‫تعبًن ‪ Path‬فإف ادلعادالت تتخذ الشكل التاِف‪:‬‬ ‫‪satisfacS1‬‬ ‫‪satisfacS4‬‬ ‫‪satisfacS5‬‬ ‫وأخًنا ؽلكن اإليعاز إُف الربنامج بانتهاء عبارات التعليمات بإيراد العبارة التالية‪:‬‬ ‫‪END OF‬‬ ‫‪PROBLEM‬‬ ‫شىً ( ‪ ) 32‬إٌّ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌّفزشض اٌز‪ٕ٠ ٞ‬ط‪ ٞٛ‬ػٍ‪ ٝ‬ػبٍِ‪ :ٟ‬اٌؼصبث‪١‬خ ‪ٚ‬االٔجغبغ‪١‬خ‪ .

6 SAMPLE SIZE=250 LATENT VARIABLES NEROTICI EXTRAVER RELATIONSHIPS !or one can write EQUATIONS or PATH N1=1* NEROTICI N2= NEROTICI N3= NEROTICI - .534 0.000 0.767 1.282 -0.2 5.593 0.0 6.000 STANDARD DEVIATIONS 5.675 1.709 1.000 -0.318 1.297 -0.300 -0.351 -0.7 6.000 0.7 5.731 0.000 -0.778 0.651 1.316 -0.634 0.‫ وستتلو الربنامج بعض التوضيحات‬،‫) إُف تعليمات‬30( ‫رقم‬ TITLE testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION OBSERVED VARIABLES N1 N2 N3 N4 EX1 EX2 EX3 EX4 CORRELATION MATRIX 1.‫بعد أف تعرفنا على ادلكونات األساسية للتعليمات بلغة مسبليس حلزمة ليزرؿ‬ ‫نستطيع اآلف أف صلهز ملف التعليمات التالية لرتٗنة النموذج النظري الذي يعرب عنو الشكل‬ .280 -0.267 0.289 -0.000 -0.296 0.000 0.4 5.738 0.ٓ١ٍِ‫بط ٌٍؼب‬١‫ؽذح اٌم‬ٚ ‫ذ‬٠‫ّب عٍفب ٌزؾذ‬ٙ‫ّز‬١‫ذ ل‬١‫ٓ رُ رضج‬٠‫ٓ اٌز‬١‫ اٌزشجؼ‬ٍٝ‫ذالْ ػ‬١‫ ف‬1 ‫ّخ‬١‫ اٌم‬ٍٝ‫ػ‬ .566 1.292 -0.7 5.6 6.356 -0.302 -0.762 1.245 0.254 -0.296 -0.000 -0.ٓ١ِٕ‫اٌىب‬ .

‬‬ ‫ػ السطر الرابع يدؿ على أف البيانات ىي بشكل مصفوفة ارتباطات‪.‬وذكرت أمساء ادلتغًنات ادلشاىدة سلتصرة (‪N1 N2 N3 N4 EX1 EX2 EX3 EX4‬‬ ‫) يف السطر الثالث‪.‬وحينئذ يستبدؿ السطر الرابع بأمر ‪ covariance matrix‬ويرصد‬ ‫‪-‬‬ .‬‬ ‫ػ يف السطر اخلامس إُف السطر لثاين عشر رصدت قيم مصفوفة االرتباطات‪ ،‬ويكتفى عادة‬ ‫بقيم ادلثلث السفلي مع البيانات القطرية وذلك تالفيا لتكرار البيانات يف ادلثلث العلوي‬ ‫للمصفوفة‪. COVARIANCE MATRIX‬إذا توفر الباحث على مصفوفة تغاير فيفضل أف يذكرىا بدال‬ ‫من مصفوفة االرتباطات‪ . 11‬والسبب يف إيراد االضلرافات ادلعيارية إُف جانب االرتباطات لتمكٌن احلزمة من ٓنويل‬ ‫مصفوفة االرتباطات اليت تثًن مشاكل أحيانا عند تقدير البارامرتات إُف مصفوفة تغاير‬ ‫‪ .‬‬ ‫ػ يف السطرين ‪ 13‬نقرأ تعبًن االضلرافات ادلعيارية متبوعا بقيم االضلرافات ادلعيارية يف السطر‬ ‫‪ .‫‪N4= NEROTICI‬‬ ‫‪N2= NEROTICI‬‬ ‫‪EX1=1* EXTRAVER‬‬ ‫‪EX2= EXTRAVER‬‬ ‫‪EX3= EXTRAVER‬‬ ‫‪EX4= EXTRAVER‬‬ ‫‪LISREL OUTPUT RS MI SC ND=4‬‬ ‫‪PATH DIAGRAM‬‬ ‫‪END OF PROBLEM‬‬ ‫ػ السطر األوؿ يدؿ على العنواف والتعليقات‬ ‫ػ السطر الثاين يعلن عن أمساء ادلتغًنات ادلشاىدة واليت ٕنثل يف النموذج ادلتغًنات ادلقاسة أو‬ ‫ادلؤشرات‪ .

4900 24.6669 25.4358 25.4900 -12.8346 -9.5570 27.4826 31.9040 -9.9600 25.6828 23.4106 40.0063 32.4900 -9.1472 -13.6704 -10.2772 23.7216 -11.4653 -7.3600 26.6170 21.3600 SAMPLE SIZE=250 LATENT VARIABLES NEROTICI EXTRAVER RELATIONSHIPS !or one can write EQUATIONS or PATH N1=1* NEROTICI N2= NEROTICI N3= NEROTICI N4= NEROTICI N2= NEROTICI EX1=1* EXTRAVER EX2= EXTRAVER EX3= EXTRAVER - .0667 31.4400 -9.6170 -9.8204 17.9654 -10.2249 -10.‫مصفوفة قيم التغاير بدال من مصفوفة قيم االرتباطات يف السطر اخلامس إُف السطر الثاين‬ ‫ وؽلكن بالتاِف حذؼ السطرين الثالث عشر والرابع عشركما ىو موضح يف الشكل‬،‫عشر‬ ‫ مع استبداؿ مصفوفة االرتباطات ّنصفوفة التغاير وحذؼ سطري‬،‫التاِف لنفس األوامر‬ :‫االضلرافات ادلعيارية‬ !testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION OBSERVED VARIABLES N1 N2 N3 N4 EX1 EX2 EX3 EX4 COVARIANCE MATRIX 32.0000 -11.1100 38.0042 -10.7978 32.0014 -7.9424 20.5890 18.1674 -9.8756 36.

‬كما أف ادلعادلة ‪EX1=1* EXTRAVER‬‬ ‫تدؿ على أف أحد مؤشرات عامل االنبساطية ثبت تباينو بالواحد الصحيح‪ ،‬وذلك لتحديد‬ ‫وحدة القياس للمتغًن الكامن االنبساطية‪ ،‬ألف ادلتغًنات الكامنة تفتقر إُف وحدة قياس‬ ‫زلددة‪ .‬أما بقية ادلعادالت فواضحة‪ .‬‬ ‫ػ يف السطر السابع عشر نقرأ العالقات (بٌن كل عامل ومؤشراتو)‪ .‫‪EX4= EXTRAVER‬‬ ‫‪LISREL OUTPUT RS MI SC ND=4‬‬ ‫‪PATH DIAGRAM‬‬ ‫‪END OF PROBLEM‬‬ ‫ػ السطر اخلامس عشر يذكر حجم العينة اليت قوامها ‪032‬‬ ‫ػ يف السطرالسادس عشر ذكرت أمساء ادلتغًنين الكامنٌن‪ ،‬أو العاملٌن الكامنٌن‪ :‬العصابية‬ ‫واالنبساطية‪.‬‬ ‫ػ من السطر الثامن عشر إُف السطر اخلامس والعشرين ذكرت العالقات بشكل معادالت‪،‬‬ ‫ُنيث يوجد عند يسار إشارات التساوي ادلتغًنات التابعة أو ادلؤشرات ( ‪N1 N2 N3 N4‬‬ ‫‪ ،) EX1 EX2 EX3 EX4‬ويوجد ؽلٌن إشارات التساوي ادلتغًناف الكامناف أو العامالف‬ ‫الكامناف على غرار الرسم التخطيطي ادلوضح يف بداية ادلثاؿ‪.‬فمثال ادلعادلة التالية‬ ‫‪-‬‬ ‫‪N2= NEROTICI‬‬ ‫تقرا بأف ادلؤشر‬ .‬‬ ‫لكن توجد معادلتاف ٔنتلفاف عن ادلعادالت األخرى‪ .‬فادلعادلة‬ ‫*‪N1=1‬‬ ‫‪ NEROTICI‬معناىا أف أحد مؤشرات عامل العصابية ثبت تباينو بالواحد الصحيح‪ ،‬وذلك‬ ‫لتحديد وحدة القياس للمتغًن الكامن العصابية‪ .‬ووضعنا يف نفس السطر‬ ‫تعليق ابتدأناه بعالمة التعجب‪ ،‬ويفيد التعليق بأنو ؽلكن كتابة أيضا "معادالت" أو‬ ‫"ادلسارات" يف مكاف "العالقات"‪.

‬واليت كانت مثار شكوى لعديد من‬ ‫مستعمليها‪ .)ND=4‬وإذا أردنا عرضا آخر للنتائج بشكل معادالت فيحذؼ ىذا السطر‪.‬‬ ‫ػ ويف السطر السابع والعشرين يتعلق األمر بطباعة الرسم التخطيطي دلسارات النموذج‬ ‫العاملي‪.‬‬ ‫تجهوزىملفىالتعلوماتىبلغةىىىحزمةى"إكس"‬ ‫‪EQS‬‬ ‫حزمة "إي كي إس" وتنطق "إكس" ىي أحدى احلزـ أو الربرليات اإلحصائية‬ ‫القوية ادلتخصصة يف النمذجة بادلعادالت البنائية‪ ،‬وتتميز بقوهتا ومشوذلا‪ .‬وىي من الرزـ‬ ‫اإلحصائية اليت أحرجت رزمة ليزرؿ العريقة الستحداثها لطريقة بسيطة ومنطقية لوضع‬ ‫التعليمات لتحليل البيانات‪ ،‬ال تستخدـ منطق ادلصفوفات‪ ،‬والرموز اإلغريقية ادلربكة للقارئ‬ ‫كما كانت عليو لغة ليزرؿ األصلية لوضع التعليمات اليت تغرؽ مستعملها بأنواع عديدة من‬ ‫ادلصفوفات‪ ،‬وعدد كبًن من الرموز اإلغريقية‪ .‬حيث تدؿ االختصارات‪:‬‬ ‫‪ RS MI SC ND=4‬على أف النتائج غلب أف ٓنتوي على البواقي ادلعيارية(‪ ،)RS‬ومؤشرات‬ ‫التعديل (‪ ،)MI‬وإيراد نتائج احلل ادلعياري التاـ (‪ ،)SC‬والسماح بأربعة أرقاـ بعد الفاصلة‬ ‫(‪ .‫‪N2‬‬ ‫(مقياس العدوانية) يتشبع على عامل العصابية‬ ‫‪NEROTICI‬‬ ‫أو ادلؤشر ادلقاس‪ :‬العدوانية‬ ‫يؤثر فيو أو ػلدد تباين عامل العصابية بادلقدار الذي يدؿ عليو التشبع الذي سيتم تقديره‪.EXTRAVER‬‬ ‫ػ السطر السادس والعشروف يطلب أف يتم عرض النتائج بالطريقة اليت تعرض شا النتائج عند‬ ‫استعماؿ لغة أوامر ليزرؿ‪ ،‬أي تنظيم النتائج بشكل مصفوفات‪ .‬لكن مع النجاح اليت أحرزتو حزمة "إكس" يف منهجية كتابة ملف التعليمات‬ ‫‪-‬‬ .‬‬ ‫ػ السطر األخًن يدؿ على هناية األوامر‪.‬‬ ‫كما تقرأ ادلعادلة ‪ EX2= EXTRAVER‬بأف ادلؤشر ‪( EX2‬مقياس الوداعة) يتشبع على عامل‬ ‫االنبساطية ‪.

‬ومن ىذه األوامر الفرعية‪ VARIABLES=… :‬لتحديد عدد‬ ‫ادلتغًنات أو ادلؤشرات ادلقاسة‪ ،‬واألمر الفرعي‪ CASES=…:‬لتحديد عدد احلاالت أو حجم‬ ‫العينة‪ ،‬واألمرالفرعي‪ METHOD=….‬وكل‬ ‫أمر أو تعليمة ٓنتوي على أوامر أو تعليمات فرعية قد تستغرؽ بضعة أسطر‪ .‬‬ ‫عنواف برنامج أو ملف التعليمات يكتب على النحو التاِف‪:‬‬ ‫‪/TITLE‬‬ ‫.‬إذ وفق مصمموىا يف تبسيطها إُف درجة كبًنة‪ ،‬ويف‬ ‫سرعة إصلاز التحليل مقارنة باخلطوات اليت تقوـ عليها الطريقة التفاعلية يف بناء برنامج‬ ‫التعليمات حلزمة ليزرؿ‪ ،‬اليت مازالت يف تقديري طويلة‪ ،‬وذات خطوات عديدة ٓنتاج إُف‬ ‫اختزاؿ‪ ،‬وتستغرؽ وقتا طويال مقارنة بالطريقة التفاعلية حلزمة "إكس"‪.‬وتعترب‬ ‫طريقة التقدير ادلسماة طريقة االحتماؿ األقصى ‪ Maximum Likelihood‬الطريقة االفرتاضية‪،‬‬ ‫ّنعىن إذا استعمل الباحث طريقة تقدير أخرى ال بد من إدراج ىذا األمر يف ملف‬ ‫‪-‬‬ .‬‬ ‫تقوـ طريقة التعليمات ادلعتمدة يف "إكس" على رلموعة من التعليمات أو األوامر‬ ‫األساسية‪ُ ،‬نيث يبدأ كل أمر بشرطة مائلة إُف اليمٌن (‪ )/‬وينتهي بنقطة فاصلة (؛)‪ . :‬لتحديد طريقة تقدير الربامرتات احلرة للنموذج‪ . ………………………………‬ ‫وترمز النقاط إُف نص العنواف‪ ،‬وينبغي أال ننسى أف ننهي نص العنواف بنقطة فاصلة ألهنا‬ ‫تدؿ على انتهاء أمر العنواف وبداية األمر اجلديد ادلواِف‪.‬‬ ‫أمر البيانات‪ ،‬ويبدأ ىذا األمر بكلمة ‪ /SPECIFICATIONS‬مث ٓندد األوامر الفرعية ُنيث‬ ‫يكتب كل أمر يف سطر‪ .‬وفيما يلي‬ ‫توضيح مقتضب للتعليمات أو األوامر األساسية اليت تشكل قواـ ملف العليمات حلزمة‬ ‫"إكس"‪.‫باستعماؿ اللغة العادية‪ ،‬وبعيدا عن الرموز اإلغريقية‪ ،‬وبعيدا عن استعماؿ ادلصفوفات يف‬ ‫تنظيم ووضع التعليمات‪ ،‬مث إف حزمة "إكس" ػ يف اعتقادي ػ تتفوؽ على ليزرؿ يف بناء‬ ‫برنامج التعليمات بالطريقة التفاعلية‪ .

‬‬ ‫‪-‬‬ .‬ومصفوفة البيانات‬ ‫االفرتاضية يف حزمة "إكس" ىي مصفوفة التغاير ‪ Matrix of covariances‬ولذلك ال حاجة‬ ‫إُف ذكر ىذا األمر الفرعي دلصفوفة التغاير‪ .‬ويتم ذكر أمساء ادلتغًنات ادلقاسة أو‬ ‫ادلؤشرات ادلقاسة وادلتغًنات الكامنة‪ .‬وقد يدرج أيضا األمر الفرعي =‪ ANALYSIS‬لتحديد نوع‬ ‫ادلصفوفة اليت يراد ٓنليلها إذا كاف األمر الفرعي =‪ Matrix‬حددت مصفوفة من نوع آخر غًن‬ ‫مصفوفة التغاير(مثال مصفوفة االرتباطات ‪ ،Matrix= CORRELATION‬مصفوفة بيانات اخلاـ‬ ‫‪.‬‬ ‫أمر ٓنديد ادلعادالت‬ ‫=‪/EQUATIONS‬‬ ‫للداللة على العالقات الكائنة يف النموذج بٌن‬ ‫ادلؤشرات وعواملها‪ ،‬وبٌن ادلتغًنات ادلستقلة بادلتغًنات التابعة‪ ،‬وبٌن ادلتغًنات التابعة ذاهتا‪.‬وذلك إلعالـ الربنامج بعالقات التغاير أو‬ ‫االرتباط بٌن ادلتغًنات ادلستقلة كلها أو بٌن بعضها‪.‬‬ ‫وأخًنا أمر التغاير ‪ /COVARIANCES=….‬وىو أمر اختياري‪.Matrix = Raw :‬أما إذا كاف‬ ‫ملف البيانات يف ملف آخر فيشار إليو كم يلي‪ /DATA= ….‬واألمساء اليت يضعها الباحث ينبغي أال يتعدى عدد‬ ‫أحرفها ٖنانية أحرؼ‪.‬أما إذا كانت مصفوفة االرتباطات فتدرج كما‬ ‫يلي‪ Matrix = CORRELATION :‬وإذا كاف ملف البيانات قيم خاـ وليس مصفوفة تغاير أو‬ ‫مصفوفة ارتباطات فيشار إُف ملف البيانات اخلاـ كما يلي‪ .‬‬ ‫األمر ادلتعلق بالتباين …=‪ /VARIANCES‬ويستعمل ألخبار الربنامج بوضع التباين للمتغًنات‬ ‫ادلستقلة دوف ادلتغًنات التابعة‪ ،‬ىل الباحث يريد أف يقدر تبايناهتا كلها أـ يثبت بعضها‬ ‫ويبقي على بعضها اآلخر حرا لتقديرىا‪. :‬والنقاط تشًن إُف ضرورة‬ ‫ٓنديد موقع ملف البيانات‪ .‬وأيضا‬ ‫يدرج األمر الفرعي‪ MATRIX=… :‬وتدؿ على مصفوفة البيانات‪ .‫التعليمات‪ ،‬أما إذا استعمل طريقة التقدير االفرتاضية فال حاجة إلدراج ىذا األمر‪ .)Matrix=RAW‬‬ ‫أمر تسمية ادلتغًنات ‪ /LABELS=…….

‫مثالنا الذي سبق أف طبقنا عليو لغة مسبليس لليزرؿ‬ TITLE two factor model of neuroticism and extraversion /SPECIFICATIONS CASES=250. V6=EX2. V1 = *F1 + E4. F2=extrav. F1=neurotic. METHODS=ML. /LABELS V1=N1. V2=N2. V4=N4. /EQUATIONS V1 = F1 + E1. /COVARIANCES F1 TO F2 = * . V1 = *F2 + E7.000 - . V1 = *F1 + E2. VARIABLES=8. MATRIX=COR. /MATRIX 1. V1 = *F2 + E6. V5=EX1. V1 = *F1 + E3. V1 = *F2 + E8.‫سنعمل اآلف على ْنهيز ملف التعليمات باستعماؿ رزمة "إكس" لرتٗنة ظلوذج‬ . V3=N3. V7=EX3. /VARIANCES F1 TO F2 = * . V8=EX4. E1 TO E8 = * . ANALYSIS=COV. V1 = F2 + E5.

7 5.0 6.282 -0.302 -0.6 6.‫‪0.534 0.289 -0.000‬‬ ‫‪-0.280 -0.000‬‬ ‫‪-0.300 -0.267 0.762 1.566 1.‬وفيما يلي توضيح للفقرات اليت شكلت قواـ برنامج‬ ‫التعليمات‪:‬‬ ‫ػ الفقرة األوُف‪ /TITLE :‬وىي اختيارية‪ ،‬تستعمل للداللة على العنواف والتعليقات‪.296 0.296 -0.7 5.738 0.731 0.4 5.318 1.000‬‬ ‫‪0.767 1.2 5.356 -0.000‬‬ ‫‪/STANDARDS DEVIATIONS‬‬ ‫‪5.593 0.634 0.297 -0.709 1.000‬‬ ‫‪-0.6‬‬ ‫‪/END‬‬ ‫عند معاينة ملف ْنهيز التعليمات صلد أهنا تتوزع إُف فقرات بعضها إلزامي‬ ‫وبعضها اآلخر اختياري‪ ،‬لكن من الضروري استعماذلا ألهنا تضفي على برنامج التعليمات‬ ‫حلمة منطقية حب ولو كانت اختيارية‪ .651 1.000‬‬ ‫‪-0.292 -0.254 -0.351 -0.675 1.316 -0.245 0.778 0.‬‬ ‫ػ فقرة تعيٌن وٓنديد البيانات ‪( /SPECIFICATIONS‬وىي إجبارية ال بد أف ػلتوي برنامج‬ ‫التعليمات عليها) لتوضيح عدد احلاالت أو حجم العينة ‪ ، VARIABLES=8‬وعدد‬ ‫ادلتغًنات ‪ ،CASES=250‬وطريقة تقدير بارامرتات النموذج اليت ْنلت يف طريقة االحتماؿ‬ ‫األقصى ‪ ، METHODS=ML‬ومصفوفة البيانات اليت ىي مصفوفة ارتباطات وليس مصفوفة‬ ‫التغاير االفرتاضية ‪ ،MATRIX=COR‬والبيانات موضوع التحليل اليت ستكوف مصفوفة‬ ‫التغاير‪ ، ANALYSIS=COV‬على الرغم من أف البيانات ادلدرجة يف الربنامج ىي بشكل‬ ‫مصف وفة ارتباطات‪ ،‬ولذلك أضيفت تعليمة (مباشرة بعد مصفوفة البيانات قبل هناية برنامج‬ ‫التعليمات) زودت الربنامج بقيم االضلرافات ادلعيارية حب يتسىن للربنامج ٓنويل مصفوفة‬ ‫‪-‬‬ .000‬‬ ‫‪0.7 6.

EX1-EX4 :‬كما يشمل على اسم‬ ‫العامل األوؿ‪ ، neurotic:‬واسم العامل الثاين‪ .‬‬ ‫ػ وبعد فقرة التسميات تأت فقرة ىامة وإجبارية تتعلق بذكر ادلعادالت اليت تلخص ٗنيع‬ ‫عالقات النموذج ‪ /EQUATIONS‬وتندرج ٓنت ىذه الفقرة ٖناين معادالت بعدد ادلؤشرات‬ ‫ادلقاسة‪.‬‬ ‫فادلعادلة األوُف[ ‪ ] V1=F1+E1‬تدؿ على أف تباين ادلؤشر ادلقاس ‪( V1‬الذي يوافق‬ ‫يف فقرة التسميات ‪ )N1‬يفسره العامل الكامن األوؿ ( ‪ )F1‬الذي يسمى يف فقرة التسميات‬ ‫‪ neurotic‬والتباين الباقي يفسره خطأ قياس ادلؤشر ( ‪ .‬‬ ‫ػ فقرة أمساء أو عناوين أو ادلختصرات ادلستعملة لتسمية ادلتغًنات ادلستقلة والتابعة (متغًنات‬ ‫النموذج ادلفرتض) ‪ /LABELS‬وىي فقرة اختيارية لكنها ضرورية تندرج يف إطار التسلسل‬ ‫ادلنطقي لتعليمات الربنامج شلا يضفي وضوحا على قراءة وفهم تعليمات الربنامج‪ .‬وتنطوي‬ ‫الفقرة على أربع متغًنات تابعة (أربع مؤشرات مقاسة لعامل العصابية) ‪N1-N4‬؛ وأربع‬ ‫متغًنات تابعة أو مؤشرات مقاسة لعامل االنبساطية‪ .) E1‬وبتعبًن آخر‪ ،‬إف تباين ادلتغًن أو‬ ‫ادلؤشر ادلقاس األوؿ (‪ )V1‬ػلدده (يؤثر فيو) العامل الكامن األوؿ(‪ )F1‬واخلطأ (‪.)E1‬‬ ‫وعند ادلقارنة بٌن ادلعادالت الثمانية‪ ،‬نالحظ أف معادلة ادلؤشر األوؿ (‬ ‫‪-‬‬ ‫‪V1‬‬ ‫أو‬ .‬ولذلك إذا مت تسمية ادلتغًنات من طرؼ مستعمل الربنامج ُنرؼ ‪ V‬أو حرؼ ‪F‬‬ ‫أو استعمل أيضا يف التسمية حرؼ ‪ E‬الذي ؼلصصو الربنامج للداللة على أخطاء قياس‬ ‫ادلؤشرات ادلقاسة‪ ،‬أو حرؼ ‪ D‬اليت يستعملو الربنامج تلقائيا للداللة على بواقي التباين غًن‬ ‫ادلفسر يف ادلتغًنات الكامنة أو العوامل‪ . extrav :‬ولعل القارئ قد الحظ أف الربنامج‬ ‫خصص تلقائيا احلرؼ ‪ V‬بأرقاـ تسلسلية ( ‪) V1-V8‬للداللة على ادلتغًنات ادلقاسة أو‬ ‫ادلالحظة‪ ،‬واحلرؼ ‪ F‬بأرقاـ تسلسلية (‪ ) F1-F2‬للداللة على العوامل الكامنة أو ادلتغًنات‬ ‫الكامنة‪ .‫االرتباطات إُف مصفوفة التغاير ليحللها‪.‬فإف احلزمة تتوقف عن معاجلة التعليمات‪.

) F‬وتدؿ النجوـ على ضرورة تقدير أو حساب عالقة ادلؤشر بعاملو‪ ،‬أو تشبع ادلؤشر على‬ ‫عاملو‪ ،‬يف حٌن أف عدـ وجودىا معناه أف عالقة ادلؤشر بعاملو ثبت بقيمة معينة وىي الواحد‬ ‫الصحيح‪ .‫‪ )N1‬للعامل األوؿ‪ ،‬ومعادلة ادلؤشر األوؿ للعامل الثاين (‬ ‫‪V5‬‬ ‫أو‬ ‫‪EX1‬‬ ‫) ٔنلواف من رمز‬ ‫النجمة (*) ِنالؼ ادلعادالت األخرى اليت تنطوي كل منها على صلمة مباشرة قبل حرؼ (‬ ‫‪ .‬معىن ذلك أنو يف ادلعادلة األوُف وادلعادلة اخلامسة ثبت تشبع ادلؤشر ادلقاس يف كل‬ ‫منهما على عاملو سلفا بقيمة الواحد الصحيح وذلك لتحديد وحدة قياس العامل الكامن‪. /SPECIFCATIONS‬‬ ‫‪-‬‬ .2‬‬ ‫ػ أما فقرة التغايرات ‪( /COVARIANCES‬إجبارية) فتدؿ على العالقات االرتباطية اليت يري‬ ‫الباحث ضرورة حساشا بٌن العوامل الكامنة أو ادلتغًنات الكامنة‪ .‬وبالتاِف يدؿ التعبًن [ ‪F1‬‬ ‫*=‪ ] to F2‬على ضرورة تقدير (*) االرتباط بٌن العامل األوؿ والعامل الثاين‪.‬وعليو فإف التعبًن [*=‪ ] F1 to F2‬يدؿ على ضرورة تقدير (‬ ‫وىذا معىن النجمة * ) تباين العامل األوؿ وتباين العامل الثاين‪ .‬‬ ‫وفقرة ادلصفوفة ‪ /MATRIX‬تدؿ على أف مصفوفة البيانات (االرتباطات) ستذكر يف الربنامج‪،‬‬ ‫وال ػلاؿ إُف موقعها يف ملف خارجي‪ .‬وبادلثل يقرأ التعبًن الثاين [‬ ‫*=‪ ] E1-E8‬أي ضرورة تقدير (*) تباين األخطاء اليت ترتاوح من اخلطأ رقم ‪ 1‬إُف اخلطأ رقم‬ ‫‪.‬أما إذا أراد الباحث أف ػليل الربنامج إُف ملف‬ ‫خارجي ػلتوى على البيانات ادلطلوبة فيجب استعماؿ أمر =‪ DATA‬مث يذكر بعد عالمة‬ ‫تساوي موقع ملف البيانات‪ .‬ويوضع ىذا األمر يف بداية فقرة التعيٌن أو التحديد‬ ‫‪.‬‬ ‫ػ أما فقرة التباين ‪( /VARIANCES‬وىي إجبارية) فتدؿ على ضرورة تقدير تباينات ادلتغًنات‬ ‫ادلستقلة ادلذكورة يف الفقرة‪ .‬‬ ‫بينما أبقي على ىذه التشبعات حرة طليقة يف ادلعادالت األخرى حب يتسىن للربنامج‬ ‫حساشا‪.

DAT':‬؛ فإف ملف‬ ‫التعليمات يتخذ الشكل التاِف‪:‬‬ ‫‪/TITLE‬‬ ‫‪two factor model of neuroticism and extraversion‬‬ ‫‪/SPECIFICATIONS‬‬ ‫. V7=EX3.‫ػ وأتبعت مصفوفة االرتباطات بأمر إيراد قيم االضلرافات ادلعيارية‬ ‫‪/STANDARDS‬‬ ‫‪ DEVIATIONS‬حب يتسىن للربنامج ٓنويل مصفوفة االرتباطات إُف مصفوفة تغاير‬ ‫لتحليلها‪ . V4=N4.‪VARIABLES=8‬‬ ‫. '‪DATA= 'C:\EQS\FILES\PERSON. V3=N3. V8=EX4‬‬ ‫‪-‬‬ .DAT‬‬ ‫.‬لكن دلاذا ٓنليل مصفوفة التغاير بدال من ٓنليل مصفوفة االرتباطات؟ ال ننسى أنو‬ ‫مت ٓنديد يف سياؽ فقرة ‪ /specifications‬أمر التحليل كاآلت‪ ANALYSIS=COV :‬ويعين أننا‬ ‫نريد من احلزمة أف يرتكز ٓنليلها على مصفوفة التغاير على الرغم من أف مصفوفة البيانات‬ ‫[‪]MATRIX=COR‬ىي مصفوفة ارتباطات‪.‬‬ ‫ػ وأخًنا نصادؼ فقرة ‪ /END‬إلهناء برنامج التعليمات‪.‪METHODS=ML‬‬ ‫.‪MATRIX=RAW‬‬ ‫.‬‬ ‫ويف غالب األحياف تكوف البيانات موجودة يف ملف خارجي‪ ،‬فكيف ؽلكن‬ ‫اإلحالة إليو يف ملف التعليمات؟‬ ‫لنفرتض أف البيانات اخلاـ للمثاؿ احلاِف موجودة يف ادللف ادلسمى اختصارا‪:‬‬ ‫‪ ، PERSON. V5=EX1.‪ANALYSIS=COV‬‬ ‫‪/LABELS‬‬ ‫. V2=N2.‪V1=N1.DAT‬ولنفرض أف مساره كالتاِف‪ 'C:\EQS\FILES\PERSON. V6=EX2.‪CASES=250‬‬ ‫.

/EQUATIONS V1 = F1 + E1. V1 = *F2 + E6. V1 = *F2 + E8. V1 = *F1 + E3. F2=extrav. /END - . /VARIANCES F1 TO F2 = * . /COVARIANCES F1 TO F2 = * . V1 = F2 + E5.F1=neurotic. E1 TO E8 = * . V1 = *F1 + E4. V1 = *F2 + E7. V1 = *F1 + E2.

‬‬ ‫‪-‬‬ .‫انفـصم انزانذ‬ ‫خطٌاث اخخباس اننًٌرس انؼايهِ انخٌكْذُ‪:‬‬ ‫حقْْى صٌدة يطابقت اننًٌرس‪.

- .

‬وال‬ ‫يتمتع النموذج النظري ادلفرتض ّنطابقة جيدة‪ ،‬أي ّنستوى مرتفع من الصدؽ أو الصحة إال‬ ‫إذا أمكن أعادة إنتاج مصفوفة التباين والتغاير للعينة بدقة انطالقا من العالقات ادلفرتضة يف‬ ‫النموذج النظري‪.‬ولذلك تسمى ّنصفوفة االرتباطات‪.‫‌‬ ‫املشحهت انزانزت‪ :‬يؤششاث املطابقت أً حمكاث حضن أً صٌدة املطابقت‬ ‫‪Goodness of fit indices‬‬ ‫تستهدؼ مؤشرات حسن ادلطابقة اختبار مطابقة النموذج النظري الذي يضعو‬ ‫الباحث للبيانات‪ّ ،‬نعىن ىل النموذج العاملي النظري الذي افرتضو الباحث ؽلثل البيانات‬ ‫األمبًنيقية أحسن ٕنثيل‪ ،‬أي غلد يف البيانات مصداقا على صحتو‪ ،‬وبرىانا على صدقو‪ .‬‬ ‫وينبغي أال يعزب عن أذىاننا أف البيانات اليت تعتمد يف التحليل اإلحصائي‬ ‫للنموذج النظري وتقدير بارامرتاتو احلرة‪ ،‬واختبار مطابقتو‪ ،‬ال تقوـ على جداوؿ البيانات‬ ‫اخلاـ (كما ىو الشأف يف معظم األساليب اإلحصائية األساسية وادلتقدمة) حيث تدؿ‬ ‫الصفوؼ على احلاالت أو أفراد العينة وتدؿ األعمدة على ادلتغًنات أو الفقرات‪ ،‬وإظلا تنطلق‬ ‫ػ عوضا عن ذلك ػ من مصفوفات ٕنثل عالقة ادلتغًنات ادلقاسة يف الصفوؼ بنفس ادلتغًنات‬ ‫ادلقاسة يف األعمدة‪ُ ،‬نيث أف اخلاليا القطرية لألعمدة ٕنثل ارتباط ادلتغًن ادلقاس بنفسو‪،‬‬ ‫واخلاليا األخرى ٕنثل االرتباطات بٌن ادلتغًنات ادلقاسة‪ .‬إذف البيانات اليت ينطلق منها التحليل العاملي التوكيدي ىي إما مصفوفة‬ ‫االرتباطات أو مصفوفة التباين والتغاير‪ ،‬ويف الغالب تستعمل مصفوفة التباين والتغاير أكثر‬ ‫شلا تستعمل مصفوفة االرتباطات عند تقدير بارامرتات النماذج العاملية التوكيدية واختبار‬ ‫حسن مطابقتها للبيانات‪.‬‬ ‫‪-‬‬ .‬‬ ‫أما إذا كانت اخلاليا القطرية ٕنثل تغاير كل متغًن مقاس مع نفسو‪ ،‬أي ٕنثل قيم التباين‪،‬‬ ‫واخلاليا غًن القطرية ٕنثل قيم التغاير بٌن ادلتغًنات ادلقاسة‪ ،‬فتسمى ادلصفوفة حينئذ ّنصفوفة‬ ‫التباين والتغاير‪ .

Max Graph ،ROMANA ،SEPATH ،CALIS‬تغرؽ مستعملها بفيض من مؤشرات‬ ‫يكوف القارئ فكرة عامة عن‬ ‫حسن ادلطابقة ادلختلفة‪ .‬‬ ‫ولقد اقرتحت مؤشرات عديدة لتقدير ادلطابقة‪ ،‬وأف احلزـ ادلتخصصة يف ٓنليل‬ ‫بيانات النمذجة بادلعادالت البنائية ( ‪، Mplus ، AMOS ، EQS ، LISREL‬‬ ‫‪ ) .‬‬ ‫اجلذاًل انخصنْفْت ملؤششاث حضن املطابقت‪:‬‬ ‫لعل التصنيف األكثر استخداما وشيوعا التصنيف الذي يقسم مؤشرات‬ ‫ادلطابقة على اختالفها وتباينها إُف ثالث أصناؼ أو رلموعات كربى وىي( ‪Brown.‬إن‬ ‫مؤشرات المطابقة مؤشرات إجمالية وليست موضعية أو تفصيلية‪ ،‬بمعنى أنها تزودنا‬ ‫بصورة إجمالية عن مطابقة النموذج ككل‪ ،‬وال تزودنا عن مطابقة المكونات أو األجزاء‬ ‫الموضعية أو البارامترات الفردية للنموذج التي قد تختلف حالة مطابقتها عن المطابقة‬ ‫اإلجمالية للنموذج‪. 2006‬‬ ‫‪-‬‬ .‬‬ ‫‪SAS PROC‬‬ ‫سأتطرؽ أوال إُف القوائم التصنيفية ادلختلفة دلؤشرات حسن ادلطابقة‪ ،‬ألنتقل إُف‬ ‫وصف خصائص عدد منها مع توضيح زلكاهتا ادلعيارية أو مستوياهتا ادلختلفة للحكم على‬ ‫مطابقة النموذج من عدمو‪.‫وْندر اإل شارة إُف أف مؤشرات حسن ادلطابقة تزودنا بصورة عامة أو إٗنالية‬ ‫عن مطابقة النموذج للبيانات‪ ،‬وال تزودنا ّنعلومات تفصيلية عن األجزاء أو ادلكونات الفردية‬ ‫(البارامرتات الفردية) للنموذج اليت تفتقر إُف ادلطابقة واليت قد تشكل مواطن ضعف فيو‪،‬‬ ‫على الرغم من أف مؤشرات حسن ادلطابقة قد تدؿ على مطابقة جيدة للنموذج ككل‪ .‬ولذلك أعتقد أنو من الضروري أف ّ‬ ‫أغلب مؤشرات ادلطابقة‪ ،‬وال سيما تلك اليت ترتدد كثًنا يف اخلزـ اإلحصائية‪.

Raykov & Marcoulides. Schreiber. 2006.‬‬ ‫المجموعة الثانية‪ :‬مؤشرات المطابقة المقارنة أو التزايدية‬ ‫‪Comparative Fit Indices /‬‬ ‫‪incremental Fit Indices‬‬ ‫وىي ادلؤشرات اليت تقدر مقدار التحسن النسع يف ادلطابقة اليت يتمتع شا النموذج‬ ‫ادلفرتض (ظلوذج الباحث) مقارنة بنموذج قاعدي ‪ . Baseline model‬ويتمثل النموذج‬ ‫القاعدي يف الغالب يف النموذج ذي ادلتغًنات ادلستقلة ‪ ،‬ويدعى اختصارا بالنموذج ادلستقل‬ ‫‪ Independent Model‬أو ظلوذج العدـ ‪ Null model‬الذي يقوـ على افرتاض أف تغايرات‬ ‫ادلتغًنات ادلالحظة على مستوى اجملتمع تساوي صفرا أو منعدمة وال تبقى إال قيم تباين‬ ‫ىذه ادلتغًنات‪..)1996. et al. 2004‬‬ ‫المجموعة األولى‪ :‬مؤشرات المطابقة المطلقة‬ ‫‪Absolute Fit indices‬‬ ‫تقوـ مطابقة النموذج على مستوى‬ ‫لقد مسيت ّنؤشرات ادلطابقة دلطلقة ألهنا َ‬ ‫تقوـ فرضية التطابق بٌن مصفوفة التباين والتغاير أو (مصفوفة االرتباطات)‬ ‫عاـ‪ .‬أما إذا كانت قيمة مربع كاي للنموذج ادلفرتض‬ ‫غًن ذلك ( أي غًن منخفضة عن قيمة مربع كاي للنموذج ادلستقل) دؿ ذلك على غياب‬ ‫‪-‬‬ .‫‪Kline.‬ودرجة اطلفاض قيمة مربع كاي للنموذج ادلفرتض عن قيمة‬ ‫مربع كاي للنموذج ادلستقل أو العدـ تدؿ على مقدار التحسن يف ادلطابقة اليت يتمتع شا‬ ‫النموذج ادلفرتض مقارنة بالنموذج ادلستقل‪ .‬‬ ‫‪. 2006. 2005.‬‬ ‫ودلا كاف النموذج ادلستقل أو ظلوذج العدـ يقوـ على افرتاض استقالؿ ادلتغًنات (أي‬ ‫متغًنات ال تربطها عالقات)‪ ،‬فإف مربع كاي لو يكوف يف الغالب أعلى بكثًن من قيمة مربع‬ ‫كاي للنموذج النظري ادلفرتض‪ .‬أي أهنا َ‬ ‫للنموذج ادلفرتض أو البحثي‪ ،‬ومصفوفة االتباين والتغاير أو االرتباطات للعينة‪ ،‬بدوف مقارنة‬ ‫مطابقة النموذج ادلفرتض بنماذج أخرى مقيدة كما سنرى‪. Schumacker & Lomax.

‫أي ٓنسن يف ادلطابقة للنموذج ادلفرتض‪ ،‬وبالتاِف ال يستطيع الباحث يف ىذه احلالة اختيار‬ ‫النموذج الذي افرتضو باعتباره أفضل يف ادلطابقة من النموذج ادلستقل(‬ ‫‪.‬وىو الوضع الذي يسمى باالفتقار لالقتصاد‬ ‫يف ادلتغًنات أو البارامرتات احلرة غًن ادلقيدة اليت ٓنتاج إُف تقدير ‪Kline.)2005‬‬ ‫فمثال‪ ،‬لنتصور أف الباحث افرتض ظلوذجٌن‪ :‬النموذج ادلفرتض (أ) والنموذج‬ ‫ادلفرتض (ب)‪. 2004‬‬ ‫المجموعة الثالثة‪ :‬مؤشرات تصحيح االفتقار لالقتصاد‬ ‫& ‪Schumacker‬‬ ‫‪Parsimony Correction Indices‬‬ ‫أو المؤشرات االقتصادية‬ ‫تصنف مؤشرات تصحيح االفتقار لالقتصاد يف البارامرتات احلرة أو غًن ادلقيدة‬ ‫أحيانا ٓنت مسمى ادلؤشرات ادلطلقة‪ ،‬غًن أف ىذه ادلؤشرات ٔنتلف عن مؤشر مربع كاي‬ ‫ومؤشر جذر متوسط مربعات البواقي ادلعيارية (‪ )SRMR‬وغًنىا بانطوائها على دالة عقابية‬ ‫‪ Penalty Function‬عند ٓنرير أو إضافة بارامرتات حرة للنموذج بدوف جدوى‪ ،‬أي بدوف أف‬ ‫يرافق ذلك ٓنسن يف مطابقة النموذج ادلفرتض‪ .‬وأف كال النموذجٌن حققا بصفة عامة نفس ادلستوى من ادلطابقة لبيانات‬ ‫العينة‪ .‬فعند استعماؿ مؤشرات ادلطابقة اليت تأخذ بعٌن‬ ‫االعتبار االقتصاد يف عدد البارامرتات اجملهولة أو احلرة يف النموذج‪ ،‬فإف ىذه ادلؤشرات تفضل‬ ‫النموذج (ب) على النموذج (أ)‪ ،‬ألف النموذج (ب) حقق ادلطابقة مع بيانات العينة بعدد‬ ‫أقل من البارامرتات احلرة اليت ٓنتاج إُف تقدير ‪ ،‬أي حقق خاصية االقتصاد يف عدد‬ ‫البارامرتات اليت ٓنتاج إُف تقدير يف تفسًنه للبيانات مقارنة بالنموذج (أ)‪.‬غًن أف النموذج (أ) ينطوي على عدد أكرب من (ال يقتصد يف عدد) البارامرتات احلرة‬ ‫اليت ٓنتاج إُف تقدير مقارنة بالنموذج (ب)‪ّ ،‬نعىن أف النموذج (أ) ينطوي على عدد من‬ ‫درجات احلرية أقل من النموذج (ب)‪ .)Lomax. ( poor parsimony‬‬ ‫‪.‬‬ ‫‪-‬‬ . 1996.

‬‬ ‫لنبدأ بالدراسة ادلسحية النقدية الواسعة اليت قاـ شا شريرب وزمالؤه‬ ‫)‪ُ al...‫بعد تعريف األنواع الثالث دلؤشرات ادلطابقة‪ ،‬ننتقل إُف استعراض ادلؤشرات اليت‬ ‫تندرج ٓنت ىذه األصناؼ أو اجملموعات الثالثة‪. et al. et‬‬ ‫ادلطابقة مع زلكاهتا الدالة على جودة ادلطابقة‪. 2006‬‬ ‫حمكاث قبٌل‬ ‫يؤششاث املطابقت‬ ‫‪Indexes‬‬ ‫حمكاث قبٌل املطابقت إرا‬ ‫انخضًْت‬ ‫كانج انبْاناث يخصهت‬ ‫‪Data are continuous‬‬ ‫املخخصشة‬ ‫‪Shorthand‬‬ ‫يؤششاث املطابقت املطهقت أً انخنبؤّت‬ ‫‪Absolute/Predictive Fit‬‬ ‫نسبة مربع كاي إلى درجات‬ ‫مربع كاي‬ ‫الحرية يجب أن تساوي أو‬ ‫‪2‬‬ ‫‪Chi-square‬‬ ‫تتعدى القيمة الحرجة ‪ 2‬أو‬ ‫‪3‬‬ ‫محك المعلومات أليكيك‬ ‫‪information‬‬ ‫‪Akaike‬‬ ‫‪criterion‬‬ ‫األصغر ىو األفضل عند‬ ‫)‪(AIC‬‬ ‫مقارنة نموذجين غير ىرميين‬ ‫أحدىما غير محتوى في‬ ‫اآلخر‬ ‫محك براون ي كاديك‬ ‫)‪(BCC‬‬ ‫‪Brown-Cudeck criterion‬‬ ‫‪-‬‬ ‫األصغر ىو األفضل عند‬ ‫املطابقت إرا كانج‬ ‫انبْاناث إمسْت‬ ‫حصنْفْت‬ ‫‪Categorical‬‬ ‫‪data‬‬ . 2006‬نيث استخلصوا اجلدوؿ التاِف (اجلدوؿ رقم ‪ )13‬الذي ينطوي على مؤشرات‬ ‫‪(Schreiber.‬‬ ‫عذ‪ٚ‬ي ( ‪ِ )13‬إششاد اٌّطبثمخ اٌّخزٍفخ ِغ ِؾىبر‪ٙ‬ب اٌذاٌخ ػٍ‪ ٝ‬ع‪ٛ‬دح اٌّطبثمخ ‪ٚ‬فمب ٌٍذساعخ‬ ‫اٌّغؾ‪١‬خ إٌمذ‪٠‬خ اٌ‪ٛ‬اعؼخ اٌز‪ ٟ‬لبَ ث‪ٙ‬ب شش‪٠‬جش ‪ٚ‬صِالؤٖ )‪(Schreiber.

95‬تساوي أو أكبر‬ ‫لقبول المطابقة‪ ،‬أو أقل من من‬ ‫‪1.96‬‬ .95‬‬ ‫)‪(IFI‬‬ ‫لقبول المطابقة‬ ‫)‪(TLI‬‬ ‫‪-‬‬ ‫تساوي أو أكبر من ‪ 1.‫مقارنة نموذجين غير ىرميين‬ ‫أحدىما غير محتوى في‬ ‫اآلخر‬ ‫محك المعلومات لباييس‬ ‫‪information‬‬ ‫‪Bayes‬‬ ‫‪criterion‬‬ ‫األصغر ىو األفضل عند‬ ‫)‪(BIC‬‬ ‫مقارنة نموذجين غير ىرميين‬ ‫أحدىما غير محتوى في‬ ‫اآلخر‬ ‫محك المعلومات المتسق‬ ‫أليكيك‬ ‫‪Consistent AIC‬‬ ‫األصغر ىو األفضل عند‬ ‫)‪(CAIC‬‬ ‫مقارنة نموذجين غير ىرميين‬ ‫أحدىما غير محتوى في‬ ‫اآلخر‬ ‫مؤشر‬ ‫المتوقع‬ ‫الصدق‬ ‫التقاطعي‬ ‫‪Expected cross-validation‬‬ ‫‪index‬‬ ‫األصغر ىو األفضل عند‬ ‫)‪(ECVI‬‬ ‫مقارنة نموذجين غير ىرميين‬ ‫أحدىما غير محتوى في‬ ‫اآلخر‬ ‫يؤششاث املطابقت املقاسنت‬ ‫‪Comparative Fit Indexes‬‬ ‫مسْج كزنك ملقاسنخيا بنًٌرس قاػذُ (يضخقم) أً بنًارس أخشٍ‬ ‫مؤشر المطابقة المعياري‬ ‫‪Normed Fit Index‬‬ ‫مؤشر المطابقة التزايدي‬ ‫‪Incremental Fit Index‬‬ ‫مؤشر تاكر_لويس‬ ‫‪Tucker-Lewis Index‬‬ ‫)‪(NFI‬‬ ‫تساوي أو أكبر من ‪1.95‬‬ ‫لقبول المطابقة‬ ‫تساوي أو أكبر من ‪1.

95‬‬ ‫)‪(RNI‬‬ ‫لقبول المطابقة‪ .‫الصفر وأكبر من الواحد لقبول المطابقة‬ ‫لقبولها‬ ‫تساوي أو أكبر من ‪ 1.95‬‬ .95‬‬ ‫تساوي أو أكبر من ‪1.95‬تساوي أو أكبر‬ ‫مؤشر المطابقة المقارن‬ ‫‪Comparative Fit Index‬‬ ‫مؤشر‬ ‫النسبي‬ ‫المطابقة‬ ‫)‪(CFI‬‬ ‫الالمركزي‬ ‫‪Relative Noncentrality fit‬‬ ‫‪Index‬‬ ‫من‬ ‫لقبول المطابقة‬ ‫لقبول المطابقة‬ ‫تساوي أو أكبر من ‪1.‬قيمتو يمكن‬ ‫أن تكون سالبة‪ ،‬مماثل‬ ‫للمؤشر)‪ (CFI‬وىو األفضل‬ ‫املؤششاث االقخصادّت‬ ‫‪Parsimonious Fit‬‬ ‫مؤشر‬ ‫المطابقة‬ ‫االقتصادي‬ ‫المعياري‬ ‫حساس كثيرا لحجم النموذج‬ ‫)‪(PNFI‬‬ ‫(عدد متغيراتو)‬ ‫‪Parsimony-adjusted NFI‬‬ ‫مؤشر‬ ‫المطابقة‬ ‫االقتصادي‬ ‫المقارن‬ ‫حساس لحجم النموذج‬ ‫)‪(PCFI‬‬ ‫‪Parsimony-adjusted CFI‬‬ ‫مؤشر‬ ‫االقتصادي‬ ‫جودة‬ ‫المطابقة‬ ‫‪Parsimony-adjusted GFI‬‬ ‫كلما اقترب من ‪ 1‬كلما كان‬ ‫)‪(PGFI‬‬ ‫أفضل‪ ،‬لكن قيمو أقل من‬ ‫المؤشرات‬ ‫األخرى‪،‬‬ ‫وحساس لحجم النموذج‬ ‫يؤششاث أخشٍ نهًطابقت‬ ‫مؤشر جودة المطابقة‬ ‫)‪(GFI‬‬ ‫‪-‬‬ ‫‪1.

16‬إلى ‪ 1.‬‬ ‫من‬ ‫‪Standardized RMR‬‬ ‫مؤشر جذر متوسطات البواقي‬ ‫الموزونة‬ ‫أصغر من‬ ‫)‪(WRMR‬‬ ‫‪mean‬‬ ‫‪root‬‬ ‫الجذر‬ ‫التربيعي‬ ‫المطابقة‬ ‫‪ 1.16‬‬ ‫)‪(RMSEA‬‬ ‫مع وجود مجال حدود الثقة‬ ‫‪Root Mean Square Error of‬‬ ‫‪Approximation‬‬ ‫ويف الكتاب ادلدخلي الرصٌن يف رلاؿ النمذجة باستعماؿ ادلعادالت البنائية‪ ،‬يعاًف‬ ‫"شوماخر" و "لوماكس"‬ ‫)‪(Schumacker & Lumax.‬‬ ‫تساوي‬ ‫)‪(SRMR‬‬ ‫أو‬ ‫أصغر‬ ‫‪ 1. 2004‬‬ ‫‪-‬‬ ‫مؤشرات ادلطابقة ادلختلفة‪ ،‬وتبنيا‬ .18‬لقبول المطابقة‪.95‬‬ ‫ينصح باستعمالو‬ ‫مؤشر‬ ‫المصحح‬ ‫جودة‬ ‫‪Adjusted GFI‬‬ ‫)‪(AGFI‬‬ ‫لقبول المطابقة‪ .91‬لقبول أصغر‬ ‫‪1.‫‪Goodness-of-fit index‬‬ ‫لقبول المطابقة‪ .‬‬ ‫)‪(RMR‬‬ ‫‪Root Mean square Residual‬‬ ‫مؤشر جذر متوسط مربعات‬ ‫البواقي المعيارية‬ ‫‪N=200‬‬ ‫دل ذلك‬ ‫يدل الصفر على مطابقة‬ ‫تامة‪.‬أظهرت‬ ‫دراسات المضاىاة أداءه‬ ‫الضعيف‬ ‫إذا كانت‬ ‫مؤشر ىولتر‬ ‫على مطابقة مناسبة‬ ‫‪Hoelter index‬‬ ‫مؤشر جذر متوسط مربعات‬ ‫البواقي‬ ‫كلماكان أصغر كان أفضل‪.18‬أقل من ‪1.‬عموما ال‬ ‫المطابقة‬ ‫تساوي أو أكبر من ‪1.91‬‬ ‫المطابقة‬ ‫‪Weighted‬‬ ‫‪residual‬‬ ‫مربعات خطأ االقتراب‬ ‫لمتوسط‬ ‫من‬ ‫لقبول‬ ‫أقل من ‪ 1.

‫التصنيف الثالثي ادلتداوؿ‪ :‬مؤشرات ادلطابقة ادلطلقة ‪ ،Absolute Fit indices‬ومؤشرات ادلطابقة‬ ‫ادلقارنة ‪ ،Comparative Fit Indexes‬ومؤشرات ادلطابقة االقتصادية ‪،Parcimonious Fit Indexes‬‬ ‫ويوضح اجلدوؿ طريقة تصنيفهما دلؤشرات ادلطابقة يف ضوء التصنيف الثالثي ذلا (اجلدوؿ‬ ‫رقم ‪.(Schumacker & Lumax.95‬‬ ‫توجد مطابقة) إلى الواحد تدل على مطابقة جيدة بعد‬ ‫(مطابقة تامة)‪.‬‬ ‫مؤشر جذر متوسط مربعات المستوى يحدده الباحث‬ ‫‪-‬‬ ‫تصحيح القيم من حيث‬ ‫درجات حريتها‬ ‫يدل‬ ‫مع‬ ‫مدى‬ ‫اقتراب‬ .‬‬ ‫مؤشر جودة المطابقة المصحح‬ ‫)‪Adjusted GFI (AGFI‬‬ ‫المجال يتراوح من الصفر (ال القيم عند مستوى ‪1.)03‬‬ ‫عذ‪ٚ‬ي ( ‪ )23‬رصٕ‪١‬ف ِإششاد اٌّطبثمخ اٌّخزٍفخ وّب ‪ٚ‬سدد ف‪ ٟ‬اٌىزبة اٌ‪ٛ‬اعغ االٔزشبس اٌز‪ ٞ‬أٌفٗ‬ ‫"ش‪ِٛ‬بخش" ‪ٌِٛ" ٚ‬بوظ" )‪. 2004‬‬ ‫يؤششاث املطابقت‬ ‫‪Indexes‬‬ ‫حمكاث قبٌل املطابقت إرا كانج‬ ‫انبْاناث يخصهت‬ ‫‪Data are continuous‬‬ ‫حمكاث قبٌل املطابقت إرا كانج‬ ‫انبْاناث إمسْت حصنْفْت‬ ‫‪Categorical data‬‬ ‫يؤششاث املطابقت املطهقت‬ ‫‪Absolute Fit Measures‬‬ ‫مربع كاي‬ ‫نسبة مربع كاي إلى درجات‬ ‫‪Chi-square‬‬ ‫تتعدى القيمة الحرجة ‪ 2‬أو‬ ‫مؤشر جودة المطابقة‬ ‫المجال يتراوح من الصفر (ال القيم القريبة من ‪ 1.95‬تدل‬ ‫الحرية يجب أن تساوي أو‬ ‫‪3‬‬ ‫)‪Goodness-of-fit index (GFI‬‬ ‫توجد مطابقة) إلى الواحد على مطابقة جيدة‬ ‫(مطابقة تامة)‪.

95‬تدل‬ ‫توجد مطابقة) إلى الواحد على مطابقة جيدة ‪.‫مصفوفة‬ ‫البواقي‬ ‫التباين‬ ‫والتغاير‬ ‫‪Root Mean square Residual‬‬ ‫)‪(RMR‬‬ ‫للنموذج بمصفوفة التباين‬ ‫الجذر التربيعي لمتوسط مربعات أقل من ‪1.‬‬ ‫مؤشر المطابقة المعياري‬ ‫‪Normed Fit Index‬‬ ‫)‪(NFI‬‬ ‫مؤشر المطابقة المقارن‬ ‫)‪Comparative Fit Index (CFI‬‬ ‫المجال يتراوح من الصفر (ال القيم القريبة من ‪ 1.1‬تدل على مطابقة رديئة‪.‬‬ ‫المجال يتراوح من الصفر القيم القريبة من ‪ 1.‬‬ ‫(مطابقة تامة)‪.‬‬ ‫يؤششاث املطابقت املقاسنت‬ ‫‪Comparative Fit Indexes‬‬ ‫مربع كاي المعياري‬ ‫من ‪ 1‬إلى ‪5‬‬ ‫)‪Normed Chi-square (NC‬‬ ‫‪-‬‬ ‫إذا كانت القيمة أصغر من‬ ‫‪ 1.‬‬ .‬‬ ‫(مطابقة تامة)‪.95‬تدل‬ ‫توجد مطابقة) إلى الواحد على مطابقة جيدة ‪.‬‬ ‫(مطابقة تامة)‪.15‬‬ ‫والتغاير للعينة‬ ‫خطأ االقتراب‬ ‫تدل على مطابقة جيدة‬ ‫‪Root Mean Square Error of‬‬ ‫)‪Approximation (RMSEA‬‬ ‫يؤششاث املطابقت املقاسنت‬ ‫‪Comparative Fit Indexes‬‬ ‫مؤشر تاكر_لويس‬ ‫)‪Tucker-Lewis Index (TLI‬‬ ‫المجال يتراوح من الصفر (ال القيم القريبة من ‪ 1.95‬تدل‬ ‫(ال توجد مطابقة) إلى الواحد على مطابقة جيدة ‪.15‬‬ ‫قيم المؤشر اصفر من ‪1.

)Hair et al.‬‬ ‫وكتاب اإلحصاء ادلتقدـ‪ ،‬وىو من ادلراجع الشهًنة وادلتداولة يف رلل العلوـ اإلدارية‬ ‫والتجارية واالقتصادية‪ ،‬يصنف مؤشرات ادلطابقة ادلختلفة يف إطار التصنيف الثالثي الواسع‬ ‫القبوؿ كما ىو ملخص يف اجلدوؿ ( ‪.‬‬ ‫‪Akaike Information Criterion‬‬ ‫)‪(AIC‬‬ ‫توجد مطابقة) إلى القيمة المتنافسة‬ ‫السالبة التي تدل على مطابقة‬ ‫رديئة‪.1‬‬ ‫تدل على أن مطابقة النموذج‬ ‫تحتاج إلى تحسن‪.)33‬‬ ‫عذ‪ٚ‬ي ( ‪ ) 33‬رصٕ‪١‬ف ِإششاد اٌّطبثمخ وّب ‪ٚ‬سدد ف‪ ٟ‬وزبة اإلؽصبء اٌّزمذَ اٌ‪ٛ‬اعغ االٔزشبس ف‪ٟ‬‬ ‫اٌؼٍ‪ َٛ‬اإلداس‪٠‬خ ‪ٚ‬اٌزغبس‪٠‬خ ‪ٚ‬االلزصبد‪٠‬خ ( ‪.‬‬ ‫مؤشر المطابقة االقتصادية‬ ‫المجال يتراوح من الصفر (ال مقارنة قيم النماذج البديلة أو‬ ‫)‪Parsimonious Fit Index (PFI‬‬ ‫توجد مطابقة) إلى الواحد المتنافسة‬ ‫محك "أيكيك" المعلوماتي‬ ‫المجال يتراوح من الصفر (ال مقارنة قيم النماذج البديلة أو‬ ‫(مطابقة تامة)‪.‫وإذا كانت أعلى من ‪5. 199‬‬ ‫يقاّْش حضن املطابقت‬ ‫‪Goodness –of-fit measures‬‬ ‫يضخٌّاث قبٌل املطابقت‬ ‫‪Levels of acceptable fit‬‬ ‫انخضًْت‬ ‫املخخصشة‬ ‫‪Shorthand‬‬ ‫يقاّْش املطابقت املطهقت‬ ‫‪Absolute Fit Measures‬‬ ‫النسبة االحتمالية لمربع كاي‬ ‫تحديد مستوى الداللة اإلحصائية‬ ‫‪2‬‬ ‫‪The Likelihood Ratio Chi-‬‬ ‫‪-‬‬ .

18‬‬ ‫مؤشر الصدق التقاطعي المتوقع‬ ‫مستوى جودة المطابقة المتوقع وجودىا في‬ ‫‪cross-validation‬‬ ‫‪Expected‬‬ ‫‪index‬‬ ‫)‪(ECVI‬‬ ‫عينة أخرى من نفس الحجم‪ .‬القيم‬ ‫خطأ االقتراب‬ ‫‪Root mean square error of‬‬ ‫‪approximation‬‬ ‫المقبولة يجب أن تكون أقل من ‪1.9‬‬ .9‬‬ ‫المستوى المقبول يساوي أو أعلى من ‪1.‬ال يوجد مدى‬ ‫محدد للقيم الدالة على المطابقة‪ ،‬يستعمل‬ ‫للمقارنة بين النماذج‬ ‫يؤششاث املطابقت املقاسنت أً انخزاّذّت‬ ‫‪Comparative Fit Measures / incremental Fit Measures‬‬ ‫مؤشر تاكر_لويس‬ ‫‪Tucker-Lewis Index‬‬ ‫مؤشر المطابقة المعياري‬ ‫)‪(TLI‬‬ ‫)‪(NNFI‬‬ ‫)‪(NFI‬‬ ‫‪Normed Fit Index‬‬ ‫‪-‬‬ ‫المستوى المقبول يساوي أو أعلى من ‪1.‬ال توجد‬ ‫مستويات محددة أو متفق عليها‬ ‫‪Goodness-of-fit index‬‬ ‫جدر متوسط البواقي التربيعية‬ ‫)‪(RMSR‬‬ ‫المستوى المقبول يحدده الباحث‬ ‫)‪(RMSEA‬‬ ‫متوسط الفروق لكل درجة حرية التي يتوقع‬ ‫‪Root mean square residual‬‬ ‫الجذر التربيعي لمتوسط مربع‬ ‫أن تكون في المجتمع‪ ،‬ال العينة‪ .‫‪square‬‬ ‫البارمتر الالمركزي‬ ‫الحكم على مربع كاي عند مقارنة النماذج‬ ‫)‪(NCP‬‬ ‫البديلة‬ ‫‪Noncentrality Parameter‬‬ ‫البارامتر الالمركزي المعياري‬ ‫)‪(SNCP‬‬ ‫مؤشر جودة المطابقة‬ ‫)‪(GFI‬‬ ‫البارمتر الآلمركزي‬ ‫)‪(NCP‬‬ ‫القائم على‬ ‫متوسط الفروق لكل مؤشر للمقارنة بين‬ ‫النماذج‬ ‫أكبر قيمة تدل على أفضل مطابقة‪ .

1‬أو ‪5.1 :‬أو ‪ 3.‬يستعمل‬ ‫قيمو الصغرى تدل على اقتصاد النموذج في‬ ‫استعمال البارامترات الحرة‪ .‬يستعمل للمقارنة‬ ‫بين النماذج‪.1‬‬ ‫مؤشر المطابقة االقتصادية‬ ‫‪Fit‬‬ ‫‪Normed‬‬ ‫)‪(PNFI‬‬ ‫فقط للمقارنة بين النماذج البديلة‪.9‬‬ ‫يقاّْش املطابقت االقخصادّت‬ ‫‪Parsimonious Fit Measures‬‬ ‫مؤشر جودة المطابقة االقتصادي‬ ‫‪Parsimonious Goodness-of-fit‬‬ ‫‪index‬‬ ‫بعد إعادة تعديل النموذج بحيث تدل قيمو‬ ‫)‪(PGFI‬‬ ‫العليا على مستوى مرتفع من االقتصاد في‬ ‫البرامترات الحرة للنموذج‪ .‫مؤشر جودة المطابقة المصحح‬ ‫‪Adjusted GFI‬‬ ‫)‪(AGFI‬‬ ‫المستوى المقبول يساوي أو أعلى من ‪1.‬‬ ‫المستويات المقترحة‪:‬‬ ‫مربع كاي المعياري‬ ‫‪Normed Chi-square‬‬ ‫)‪(NC‬‬ ‫الحد األدنى‪1.1 :‬‬ ‫الحد األعلى‪ 2.‬يستعمل فقط‬ ‫)‪(AIC‬‬ ‫للمقارنة بين النماذج البديلة‪.‬‬ ‫‪Parsimonious‬‬ ‫‪Index‬‬ ‫محك "أيكيك" المعلوماتي‬ ‫‪Akaike Information Criterion‬‬ ‫تدل قيمو العليا على مطابقة جيدة‪ .‬‬ ‫كوف فكرة عامة عن التصنيف الثالثي دلؤشرات ادلطابقة‪ ،‬وتعرؼ‬ ‫لعل القارئ قد ّ‬ ‫على تسمياهتا ادلختلفة وأمسائها ادلختصرة‪ ،‬وادلدى النظري لقيمها‪ ،‬ومستوياهتا الدالة على‬ ‫‪-‬‬ .

‬وحب تكتمل الصورة‪ ،‬من الضروري التطرؽ إُف خصائص‬ ‫عدد منها باختصار‪ ،‬وسنتناوذلا بالتفصيل يف فصل الحق (الفصل اخلامس)‪.‫توفر مطابقة النموذج من عدمو‪ .23‬مثال‪ .‬أما قيمة مربع كاي غًن‬ ‫الدالة إحصائيا وىي ما يريدىا أو يتطلع إليها الباحث فتدؿ على عدـ وجود فروؽ جوىرية‬ ‫بٌن مصفوفة التباين والتغاير للنموذج ادلفرتض أو ادلتوقع‪ ،‬ومصفوفة التباين والتغاير لبيانات‬ ‫العينة‪ ،‬وبتعبًن آخر النموذج ادلفرتض يتطابق مع البيانات‪.‬‬ ‫‪-‬‬ .‬‬ ‫وبعكس ما ىو معهود يف اإلحصاء التقليدي أف الداللة اإلحصائية للفرؽ بٌن‬ ‫متوسطٌن مثال تدؿ على وجود ذلك الفرؽ يف اجملتمع بداللة إحصائية أو نسبة شك ال‬ ‫تتعدى ‪ 2.Generalized Likelihood Ratio‬‬ ‫‪2‬‬ ‫‪The Likelihood Ratio Chi-‬‬ ‫ىو أعرؽ مقياس لتقدير مدى حسن ادلطابقة بٌن مصفوفة التباين والتغاير غًن‬ ‫ادلقيدة للعينة ( ‪ ) S‬وبٌن مصفوفة التباين والتغاير للنموذج ادلفرتض أو ادلتوقع (النموذج الذي‬ ‫ٔنترب حسن مطابقتو) والذي يرمز ذلا ب ) ‪(  ( ‬حيث ترمزسيجما ‪ ‬إُف مصفوفة التباين‬ ‫والتغاير للمجتمع‪ ،‬وترمز ثيتا ‪ ‬إُف متجو ‪ vector‬أو ٗنلة برامرتات النموذج ادلفرتض أو ادلتوقع‬ ‫)‪ .‬غًن أف الداللة اإلحصائية باستعماؿ مربع كاي يف سياؽ النمذجة‬ ‫بادلعادال ت البنائية تدؿ على أف النموذج ادلفرتض أي مصفوفة التباين والتغاير القائمة على‬ ‫النموذج ادلفرتض ٔنتلف عن مصفوفة التباين والتغاير لبيانات العينة‪ .‬‬ ‫انخؼشف ػهَ ػْنت ين يؤششاث املطابقت‪:‬‬ ‫كاي مربع ) ‪ Chi square( ‬أو النسبة االحتمالية لمربع كاي‬ ‫‪ ،square‬أو نسبة االحتمال المعمم ‪.‬وبالتاِف فإف استعماؿ مربع كاي يستهدؼ اختبار الداللة اإلحصائية للفرضية الصفرية (‬ ‫‪ ) H0‬اليت مفادىا أنو ال يوجد فرؽ بٌن النموذج ادلفرتض أو ادلتوقع والنموذج احلقيقي ادلناظر‬ ‫لو يف اجملتمع ) ‪ ،  =  ( ‬أي ظلوذج اجملتمع يساوي النموذج ادلقيد ادلفرتض او ادلتوقع)‪.

‬‬ ‫فكلما ازداد حجم العينة (وىو الوضع العادي عند استعماؿ ادلعادالت البنائية) كلما ازداد‬ ‫احتماؿ رفض مطابقة النموذج للبيانات‪ ،‬على الرغم من أنو ال توجد أحيانا إال فروؽ طفيفة‬ ‫بٌن مصفوفة التباين والتغاير للنموذج ومصفوفة التباين والتغاير لبيانات العينة‪ .‬كما يؤخذ‬ ‫على مربع كاي قيامو على افرتاض وجود مطابقة تامة بٌن بيانات النموذج ادلفرتض وبيانات‬ ‫العينة‪ ،‬وىو وضع مثاِف يستحيل ٓنققو يف الواقع‪ .‬بينما توجد مؤشرات أخرى أكثر واقعية‬ ‫تقوـ على افرتاض مطابقة تقريبية‪ ،‬أو تقوـ على مقارنة مطابقة النموذج بنموذج منعدـ‬ ‫العالقات أو مستقل (ال توجد عالقات بٌن متغًناتو ادلالحظة أو الكامنة‪ ،‬أو النموذج الذي‬ ‫ػلتوي فقط على تباينات ادلتغًنات أي عالقتها مع نفسها وال ػلتوي على قيم التغاير الدالة‬ ‫على عالقة ادلتغًنات بغًنىا يف النموذج)‪.‬من ذلك حساسيتو حلجم معامالت االرتباط‪ ،‬فمعامالت‬ ‫االرتباط ادلرتفعة تؤدي إُف ارتفاع قيمة مربع كاي‪ .‫إف قيمة مربع كاي تساوي صفرا‪ ،‬ؤنلو من درجات احلرية‪ ،‬عندما يكوف‬ ‫النموذج ادلفرتض من حيث التعيٌن مشبعا‪ّ .‬‬ ‫جذر متوسط مربعات البواقي‬ ‫مربعات البواقي المعيارية )‪Standardized Root Mean Square Residual (SRMR‬‬ ‫)‪Root Mean Square Residual (RMR‬‬ ‫‪-‬‬ ‫وجذر متوسط‬ .‬نعىن إذا كاف مربع كاي يساوي صفرا‪ ،‬معىن‬ ‫ذلك أف النموذج ادلفرتض يطابق البيانات ٕناما (أي مصفوفة التباين والتغاير للنموذج‬ ‫ادلفرتض تتطابق ٕناما مع مصفوفة التباين والتغاير لبيانات العينة)‪ .‬وبالتاِف يعترب مربع كاي مؤشرا لسوء ادلطابقة‬ ‫"‪ "badness-of-fit‬وليس حلسن ادلطابقة‪ ،‬ألنو كلما ارتفعت قيمتو كلما تدىورت مطابقة‬ ‫النموذج ادلفرتض للبيانات‪.‬كما أف مربع كاي يتأثر كثًنا ُنجم العينة‪.‬وكلما ازدادت قيمة مربع‬ ‫كاي‪ ،‬فإف مطابقة النموذج تزداد سوءا‪ .‬‬ ‫غًن أف مربع كاي ينطوي على عيوب كثًنة‪ ،‬ولذلك ينصح باستعمالو ّنعية‬ ‫مؤشرات أخرى حلسن ادلطابقة‪ .

)Maruyama.2006.‬‬ ‫ونستنتج من ذلك أف ادلؤشر )‪ (SRMR‬ىو مقياس متوسط البواقي ادلطلقة دلعامالت االرتباط‪،‬‬ ‫أي الفرؽ العاـ بٌن االرتباطات ادلالحظة للعينة واالرتباطات ادلتوقعة للنموذج ادلفرتض(‬ ‫‪. 2005‬‬ ‫وتدؿ قيم مؤشر ادلطابقة )‪ (SRMR‬اليت تقل عن (‪ )2. Browne. Kline.1‬على مطابقة جيدة‬ ‫عموما (‪.‬‬ ‫غًن أف تغاير البواقي اليت يقوـ عليها حساب ىذا ادلؤشر غلعل مدى نتائجو‬ ‫غًن زلدد بل تتأثر بوحدة قياس ادلتغًنات ادلالحظة‪ ،‬وبالتاِف إذا كانت الوحدات اليت قيست‬ ‫شا ادلتغًنات ادلالحظة أو ادلقاسة متباينة‪ ،‬فإف اختالؼ وحدات قياسها غلعل من الصعب‬ ‫تأويل نتائج ىذا ادلؤشر‪ .‬ويعترب مؤشر )‪ (RMR‬من مؤشرات سوء‬ ‫ادلطابقة‪ ،‬فإذا أنفضت قيمتو ُنيث تساوي صفرا دؿ ذلك على مطابقة تامة للنموذح‬ ‫ادلفرتض‪ ،‬وكلما ارتفعت قيمتو دؿ ذلك على مطابقة سيئة‪.‬أما مؤشر جذر متوسط مربعات البواقي المعيارية‬ ‫‪Standardized‬‬ ‫)‪ Root Mean Square Residual (SRMR‬فيقوـ على ٓنويل كل من مصفوفة التباين والتغاير‬ ‫للعينة ومصفوفة التباين والتغاير للنموذج ادلتوقع أو ادلفرتض إُف مصفوفيت معامالت االرتباط‪.‬‬ ‫وادلؤشر يعكس متوسط القيم ادلطلقة لتغاير البواقي‪ .‬والوضع ادلثاِف أف‬ ‫تتطابق قيم تباين وتغاير ادلصفوفتٌن ُنيث أف قيم البواقي تساوي صفرا أو قريبة من الصفر‪. 2006‬‬ ‫‪-‬‬ .)Byrne.‫من مؤشرات ادلطابقة ادلطلقة اذلامة مؤشر جذر متوسط مربعات البواقي‬ ‫)‪ .1998. 1998.Root Mean Square Residual (RMR‬ويركز ىذا ادلؤشر على ٓنليل قيم مصفوفة بواقي التباين‬ ‫والتغاير اليت تنتج عن الفروؽ بٌن قيم مصفوفة التباين والتغاير القائمة على بيانات العينة‪،‬‬ ‫وقيم مصفوفة التباين والتغاير ادلتوقعة القائمة على النموذج ادلفرتض‪ . Raykov & Marcoulides.

(RMSEA‬‬ ‫من أفضل ادلؤشرات واليت أظهرت دراسات ادلضاىاة تفوقو وأداءه اجليد الجذر‬ ‫التربيعي لمتوسط خطأ االقتراب )‪.‬ويستنتج من ذلك أف مؤشر )‪ (RMSEA‬مؤشر‬ ‫سوء ادلطابقة ُنيث أف القيمة صفر تدؿ على أفضل مطابقة شلكنة‪ ،‬وكلما ارتفعت قيمتها‬ ‫كلما قلت جودة ادلطابقة وازدادت سوءا( .23‬تدؿ على مطابقة جيدة‪ ،‬والقيم اليت ترتاوح‬ ‫من (‪ )2.‪Browne. 1996.‬فإذا كانت قيمة مؤشر‬ ‫صغًنة أي دوف (‪ ) 2.12‬دلت على مطابقة سيئة‪ .22‬تدؿ على وجود خطأ تقارب معقوؿ يف اجملتمع ‪ ،‬والقيم اليت‬ ‫ترتاوح من (‪ )2. 2004‬‬ ‫ومن إغلابيات ىذا ادلؤشر إمكانية ٓنديد حدود الثقة لو بنسبة ‪ %02‬حدود‬ ‫الثقة حوؿ قيمة ادلؤشر واليت تدؿ على مدى دقة التقدير‪ .12‬تدؿ على مطابقة غًن كافية ‪ ،mediocre fit‬وإذا ْناوزت‬ ‫قيم ادلؤشر (‪ )2. Raykov & Marcoulides.Root Mean Square Error of Approximation (RMSEA‬‬ ‫إف مؤشر )‪ (RMSEA‬يأخذ بعٌن االعتبار خطأ االقرتاب ‪ error of approximation‬يف اجملتمع‬ ‫ُنيث أف السؤاؿ التاِف يعكس دوره‪ :‬إُف أي حد يقوى النموذج ادلفرتض الذي ػلتوي على‬ ‫برامرتات رلهولة لكن اليت مت تقدير قيمتها بكفاءة على ٓنقيق مطابقة مع مصفوفة التباين‬ ‫والتغاير للمجتمع عند توفرىا؟ إف مؤشر )‪ (RMSEA‬يقيس التباعد عن طريق درجات‬ ‫احلرية‪ ،‬شلا غلعلو حساسا لعدد الربامرتات احلرة اليت ٓنتاج إُف تقدير يف النموذج ادلفرتض‬ ‫وبتعبًن آخر يتأثر ّندى تعقيد النموذج‪.22‬إُف (‪ )2.23‬فإهنا تدؿ على مطابقة جيدة للنموذج إذا اعتمدت نتيجة ادلؤشر‬ ‫لوحدىا بدوف مراعاة حدود الثقة‪ . 2006‬‬ ‫‪.‬‬ ‫إف القيم اليت تقل عن (‪ )2.‬لكن عند أخذ حدود الثقة للمؤشر يف احلسباف للحكم‬ ‫)‪(RMSEA‬‬ ‫‪-‬‬ .‫الجذر التربيعي لمتوسط خطأ االقتراب‬ ‫‪Root Mean Square Error of Approximation‬‬ ‫)‪. 2006.23‬إُف (‪ ) 2.)Schumacker & Lomax.

‫على مستوى ادلطابقة‪ ،‬فإذا كاف رلاؿ حدود الثقة واسعا‪ ،‬فيستنتج من ذلك أف قيمة التقدير‬ ‫التقار غًن دقيقة إُف درجة كبًنة‪ ،‬وبالتاِف استبعاد إمكانية وجود تقدير دقيق لدرجة‬ ‫ادلطابقة يف اجملتمع‪ . )2.22‬؛ دؿ ذلك على‬ ‫مطابقة النموذج ادلفرتض للبيانات(‪.)Schumacker & Lomax. 2006‬‬ ‫مؤشر المطابقة المقارن‬ ‫)‪the Comparative Fit Index (CFI‬‬ ‫يعترب مؤشر ادلطابقة ادلقارف )‪ the Comparative Fit Index (CFI‬من أفضل‬ ‫ادلؤشرات القائمة على ادلقارنة‪ . 2006‬‬ ‫غًن أف اتساع رلاؿ الثقة أو اضلصاره قد يتأثر ُنجم العينة وبعدد البارامرتات‬ ‫احلرة اليت يراد تقديرىا‪ . 1996.3‬‬ ‫كما ينصح بذلك بعض ادلتخصصٌن] على قبوؿ مطابقة النموذج(‪.Close Fit (CFit‬وؽلكن تعريفو إجرائيا بأنو قيمة مؤشر)‪ (RMSEA‬اليت تقل أو تساوي‬ ‫(‪ .23‬وتدؿ القيم االحتمالية غًن الدالة اليت تتعدى (‪[ )2.‬فمثال‪ ،‬فإف النماذج النظرية ادلركبة أو ادلعقدة‪ ،‬أي تلك اليت ٓنتوي‬ ‫على أكرب عدد من البارامرتات احلرة ترتبط ّندى أوسع حلدود ثقة قيم ادلؤشر إال إذا كاف‬ ‫حجم العينة واسعا‪.‬ويقوـ منطقو على ما سبق توضيحو ّنقارنة مربع كاي لنموذج‬ ‫البحث أو ادلفرتض بقيمة مربع كاي للنموذج ادلستقل(‪.‬‬ ‫كما أنو يوجد اختبار مستوى الداللة للحكم على جودة مطابقة النموذج‬ ‫ادلفرتض باستعماؿ مؤشر )‪ ،(RMSEA‬ويسمى ىذا االختبار اإلحصائي بادلطابقة اجليدة‬ ‫)‪ . 1996‬‬ ‫وإٗناال‪ ،‬فإذا كاف الطرؼ األصغر حلدود الثقة دلؤشر (‪ (RMSEA‬أصغر بكثًن‬ ‫من ‪ 2. 2005‬‬ ‫‪-‬‬ .)Kline.)Byrne. 1996.23‬أو اليت تتعدى (‪)2.)Byrne.‬وعلى النقيض من ذلك‪ ،‬فإذا كانت حدود الثقة ضيقة فقد يدؿ ذلك‬ ‫على درجة كبًنة من الدقة دلؤشر)‪ (RMSEA‬الذي يعكس مطابقة النموذج يف اجملتمع‬ ‫(‪.23‬أي صفرا أو قريبة من الصفر‪ ،‬والطرؼ األكرب ال يتعدى ‪ 2.

‬غًن أف تأويلو يسري على شاكلة مؤشر)‪ ،(CFI‬أي أف قيم مؤشر)‪ (TLI‬اليت‬ ‫تدؿ على مطابقة معقولة لنموذج البحث أو النموذج‬ ‫تفوؽ (‪) 2.‬ومعادلة مؤشر‬ ‫)‪Tucker-Lewis Index (TLI‬تبدوا كما يلي‪:‬‬ ‫]‪model-1‬‬ ‫‪[(2null model.)Raykov & Marcoulides.02‬‬ ‫ادلفرتض(‪.‬‬ ‫وإذا كاف مؤشر )‪ (CFI‬لو رلاؿ زلدد‪ ،‬فإف مؤشر )‪ (TLI‬يفتقر إُف رلاؿ زلدد للقيم‬ ‫أو ادلعايًن ُنيث تقع بعض قيمو خارج ادلدى الذي يرتاوح من الصفر إُف الواحد‪ ،‬لذلك فهو‬ ‫غًن معياري‪ .2006.)Brown.Non-Normed Fit Index(NNFI‬وينطوي ىذا‬ ‫ادلؤشر فضال عن منطق ادلقارنة بنموذج قاعدي (النموذج ادلستقل أو ظلوذج العدـ) على دالة‬ ‫عقابية ‪ A penalty function‬عند تعقيد النموذج بإضافة بارامرتات حرة (لتقدير قيمتها يف‬ ‫النموذج ادلفرتض) بدوف جدوى‪ ،‬أي بدوف أف تؤدي ىذه اإلضافة إُف أي ٓنسن يف مستوى‬ ‫ادلطابقة للنموذج ادلفرتض؛ وذلك لتعويض أثر تعقيد النموذج ادلفرتض‪ .dfnull‬‬ ‫‪model )]/‬‬ ‫‪TLI=[( 2null model -dftarget‬‬ ‫ويقصد ب ‪ 2null model‬قيمة مربع كاي للنموذج ادلستقل أو ظلوذج العدـ‪ ،‬ويدؿ احلد‪:‬‬ ‫‪ model‬على درجات احلرية للنموذج ادلستقل‪ ،‬ويدؿ التعبًن ‪ 2target model‬على قيمة مربع كاي‬ ‫‪dfnull‬‬ ‫للنموذج ادلفرتض‪ ،‬وتدؿ ‪ dftarget model‬على درجات احلرية للنموذج ادلفرتض‪. 2006‬‬ ‫مؤشر تاكري لويس‬ ‫)‪Tucker-Lewis Index (TLI‬‬ ‫)‪. 2005‬‬ ‫‪-‬‬ .02‬ؽلكن أف تدؿ على مطابقة معقولة لنموذج البحث أو ادلفرتض‪ ،‬علما‬ ‫بأف قيم ىذا ادلؤشر ترتاوح من الصفر إُف الواحد الصحيح(‪. Kline.‫وكقاعدة عملية تنطبق على ىذا ادلؤشر ومؤشرات ادلقارنة األخرى‪ ،‬فإف القيمة‬ ‫اليت تتعدى (‪ )2.Normed Fit Index(NNFI‬‬ ‫أو مؤشر المطابقة غير المعياري‬ ‫ويوجد مؤشر آخر يدعى ّنؤشر تاكرػ لويس‬ ‫‪Non-‬‬ ‫)‪Tucker-Lewis Index (TLI‬‬ ‫وأحيانا يسمى ّنؤشر ادلطابقة غًن ادلعياري )‪ .

‬ومع ذلك‪ ،‬فقد أمسى ىذا ادلؤشر(‪ )AGFI‬قليل الظهور واالستعماؿ يف‬ ‫الدراسات االتطبيقية؛ رّنا نتيجة ألدائو غًن الكايف (عيوبو أو مواطن قصوره العديدة) اليت‬ ‫أظهرهتا البحوث التقوؽلية ادلنهجية ادلتخصصة‪ ،‬وبالتاِف صار أقل استعماال من مؤشر (‪)GFI‬‬ ‫(‪. Goodness-of-Fit Index‬ويدؿ على نسبة التباين والتغاير اليت يستطيع النموذج الذي يفرتض‬ ‫الباحث تفسًنه (إُف أي حد يتمكن النموذج ادلفرتض من تزويدنا ّنعلومات عن عالقات أو‬ ‫وضع النموذج النظًن لو يف اجملتمع)‪ . )Kline.‫مؤشر حسن أو جودة المطابقة(‪ Goodness-of-Fit Index )GFI‬بمؤشر حسن المطابقة‬ ‫المصحح ‪ Adjusted Goodness-of-Fit Index‬أو (‪ )AGFI‬مؤشر حسن المطابقة‬ ‫االقتصادي )‪Parsimony Goodness –of-Fit Index (PGFI‬‬ ‫ومن مؤشرات ادلطابقة ادلطلقة‪ ،‬مؤشر حسن أو جودة المطابقة(‪)GFI‬‬ ‫‪ . 2005‬‬ ‫ولقد اقرتح أيضا مؤشر حسن المطابقة االقتصادي‬ ‫)‪of-Fit Index (PGFI‬‬ ‫– ‪Parsimony Goodness‬‬ ‫الذي يعمل على تصحيح قيمة ادلؤشر وذلك باألخذ بعٌن االعتبار‬ ‫‪-‬‬ . 1998‬‬ ‫وعند أخذ عدد البارامرتات احلرة يف النموذج النظري بعٌن االعتبار عند حساب‬ ‫مؤشر(‪ ،) GFI‬فإف ادلؤشر الناتج يدعى ّنؤشر حسن ادلطابقة ادلصحح ‪Adjusted Goodness-‬‬ ‫‪ of-Fit Index‬أو (‪ )AGFI‬اختصارا‪ ،‬أي أنو يصحح قيمة (‪ِ )GFI‬نفضها كلما ازداد تعقيد‬ ‫النموذج(‪ .)Kelloway. 2005‬ويتجلى أثر تعقيد النموذج يف أنو كلما ازدادت عدد البارامرتات احلرة‬ ‫للتقدير يف النموذج ادلفرتض ازدادت نسبة التباين ادلفسر‪ ،‬ولذلك فإف ادلؤشر يأخذ عدد‬ ‫البارامرتات بعٌن االعتبار مصححا نتيجة القيمة الدالة على ادلطابقة بتخفيضها كلما ازداد‬ ‫عدد البارامرتات‪ .)Kline.‬ولتوضيح داللة ىذا ادلؤشر‪ ،‬ؽلكن القوؿ أنو يرادؼ دور‬ ‫معامل االرتباط ادلتعدد (معامل التحديد ادلتعدد ‪ )R2‬يف معادالت االضلدار ادلتعدد؛ إذ تدؿ‬ ‫‪ R2‬على نسبة التباين يف ادلتغًن التابع اليت تفسرىا ادلتغًنات ادلستقلة(‪.

‬أما بالنسبة دلؤشر )‪ (PGFI‬فينبغي أف تتجاوز قيمتو ‪ ( 2.‬‬ ‫مؤشر المطابقة المعياري أو المستند إلى معايير‬ ‫المطابقة غير المعياري‬ ‫)‪Normed Fit Index (NFI‬‬ ‫)‪Non Normed Fit Index (NNFI‬‬ ‫‪ ،‬ومؤشر‬ ‫ومؤشر المطابقة المعياري‬ ‫االقتصادي )‪.02‬تدؿ على مطابقة‬ ‫النموذج ادلفرتض للبيانات‪ .6‬للداللة على جودة مطابقة النموذج للبيانات‪.Normed Fit Index (PNFI‬إف الفكرة ادلنطقية اليت تقوـ عليها ادلؤشرات السابقة تتجلى يف‬ ‫‪-‬‬ .‬غًن أنو حساس حلجم النموذج ادلفرتض أي عدد ادلتغًنات ادلقاسة أو‬ ‫ادلالحظة للنموذج‪.Parsimony-adjusted Normed Fit Index (PNFI‬‬ ‫ومن مؤشرات ادلطابقة ادلقارنة أو التزايدية‪ ،‬نذكر مؤشر المطابقة المعياري‬ ‫أو المستند إلى معايير‬ ‫)‪Normed Fit Index (NFI‬‬ ‫‪ ،‬ومؤشر المطابقة غير المعياري‬ ‫)‪ ،Normed Fit Index (NNFI‬ومؤشر المطابقة المعياري االقتصادي‬ ‫‪Non‬‬ ‫‪Parsimony-adjusted‬‬ ‫)‪ .‫مدى تعقيد النموذج ‪ .‬وكإرشادات تقريبية عملية‪ ،‬فإف قيمة‬ ‫كل من مؤشر(‪ )GFI‬ومؤشر(‪ )AGFI‬اليت تساوي أو تتجاوز (‪ )2.)2000‬‬ ‫‪Diamantopoulos & Siguaw.‬‬ ‫إف رلاؿ كل من (‪ )GFI‬و(‪ )AGFI‬و )‪ (PGFI‬يرتاوح من الصفر إُف الواحد‬ ‫الصحيح‪ُ ،‬نيث أف قيم ىذه ادلؤشرات القريبة من الواحد تدؿ على مطابقة جيدة والقريبة‬ ‫من الصفر تدؿ على مطابقة رديئة للنموذج النظري أو ادلفرتض(‬ ‫‪.‬‬ ‫غًن أنو ال توجد معايًن زلددة وواضحة ُنيث توضح ادلستوى الذي غلب أال‬ ‫ينخفض ادلؤشر دونو وإال اعترب النموذج يفتقر للمطابقة‪ ،‬أو ادلستوى الذي غلب أف يتعداه‬ ‫ادلؤشر كدليل على حسن مطابقة النموذج للبيانات‪ .3‬ومن‬ ‫األفضل أف تتعدى قيمتو ‪ ) 2.

)Brown.2target‬‬ ‫أي يعرؼ مؤشر ادلطابقة ادلعياري ‪ NFI‬بنسبة نتيجة الفرؽ بٌن قيمة مربع كاي‬ ‫لنموذج العدـ ‪ 2null model‬وقيمة مربع كاي للنموذج ادلفرتض ‪ 2target model‬إُف قيمة مربع كاي‬ ‫لنموذج العدـ‪ .0‬تدؿ على مطابقة جيدة للنموذج النظري أو ادلفرتض‪ .‬ورغم‬ ‫‪-‬‬ .‬‬ ‫وػلسب مؤشر ‪ NFI‬بادلعادلة التالية‪:‬‬ ‫‪2null model‬‬ ‫‪model )/‬‬ ‫‪NFI = ( 2null model .‬وتقرأ نتائج ىذا‬ ‫ادلؤشر بأف قيمة ادلؤشر تدؿ على نسبة التحسن يف ادلطابقة اليت أصلزىا النموذج ادلفرتض عن‬ ‫النموذج القاعدي ادلتمثل يف ظلوذج العدـ(‪.02‬فمعىن ذلك أف النموذج ادلفرتض‬ ‫الذي اقرتحو الباحث يتفوؽ بنسبة ‪ %02‬من حيث جودة ادلطابقة على ظلوذج العدـ‪ .‫مقارنة النموذج ادلفرتض (النموذج الذي يفرتضو الباحث) بالنموذج الذي ينطوي على نفس‬ ‫متغًنات النموذج ادلفرتض لكن بدوف احتوائو على عالقات بٌن ىذه ادلتغًنات‪ ،‬ولذلك‬ ‫يسمى النموذج األخًن بنموذج العدـ أو ذي ادلتغًنات ادلستقلة ( ‪Null or independence‬‬ ‫‪ .‬وبالتاِف‪ ،‬فمقارنة مربع كاي للنموذج ادلفرتض‬ ‫النظري ّنربع كاي لنموذج انعداـ العالقات ىدفو تقدير مدى التحسن يف ادلطابقة اليت أحرز‬ ‫عليها النموذج ادلفرتض النظري مقارنة بسوء مطابقة ظلوذج العدـ للبيانات‪.) model‬وبتعبًن آخر‪ ،‬قياـ ادلؤشرات السابقة على مقارنة النموذج النظري الذي ينطوي‬ ‫على العالقات اليت يفرتضها الباحث بالنموذج السيء (ظلوذج العدـ أو ظلوذج ادلتغًنات‬ ‫ادلستقلة) من حيث ٕنثيلو لبيانات العينة‪ .‬إف النموذج ادلستقل أو العدـ ؽلثل احلالة ادلتطرفة‬ ‫الدالة على عدـ وجود عالقات بٌن ادلتغًنات‪ . 2006‬‬ ‫فمثال إذا كاف مؤشر ‪ NFI‬يساوي (‪ ،)2.‬وترتاوح فيم ىذا ادلؤشر من الصفر إُف الواحد (‪ُ )1-0‬نيث أف قيمو اليت‬ ‫تتجاوز (‪ )2.

‬‬ ‫إف قيم ىذا ادلؤشر اليت تتجاوز ‪ 2.dftarget‬‬ ‫‪model-dftarget model )/‬‬ ‫‪( 2null model .‪Brown.‬ومعىن ذلك أف االطلفاض الذي يطرأ على قيمة‬ ‫ادلؤشر نتيجة تعقيد النموذج يكوف كبًنا عندما يكوف عدد ادلتغًنات ادلالحظة أو ادلقاسة يف‬ ‫‪-‬‬ .dfnull model/2target‬‬ ‫وواضح أف مؤشر )‪ (NNFI‬يوظف درجات احلرية لكال النموذجٌن‪ :‬النموذج‬ ‫ادلفرتض وظلوذج العدـ‪ . 2006‬‬ ‫وبالنسبة دلؤشر ادلطابقة ادلعياري االقتصادي )‪ (PNFI‬فيهدؼ أيضا إُف تصحيح‬ ‫أثر تع قيد النموذج ادلفرتض شأنو يف ذلك شأف مؤشر ادلطابقة غًن ادلعياري )‪ّ .‬ورغم ىذا التصحيح لتقليص نزعة مؤشر (‪ (NFI‬إُف خفض تقدير‬ ‫مستوى مطابقة النموذج ادلفرتض‪ ،‬غًن أف مؤشر)‪ (NNFI‬قد يؤدي إُف تقديرات تتعدى مداه‬ ‫النظري أو مداه ادلعياري الذي يرتاوح من الصفر إُف الواحد‪ .‬‬ ‫ولذلك‪ ،‬فإف ادلؤشر اآلخر الذي يدعى مؤشر ادلطابقة غًن ادلعياري‬ ‫)‪ Normed Fit Index (NNFI‬يصحح ادلؤشر السابق بأخذ درجات احلرية بعٌن االعتبار‬ ‫‪Non‬‬ ‫وذلك على النحو التاِف‪:‬‬ ‫)‪model‬‬ ‫‪(2null model.‬فقيم ىذا ادلؤشر احملسوبة قد‬ ‫تتعدى رلاؿ قيمو النظرية اليت ترتاوح من الصفر إُف الواحد الصحيح‪ .‬كما أف قيمتو ٕنيل إُف‬ ‫االطلفاض مقارنة ّنؤشر (‪ (NFI‬ومؤشر )‪ (PNFI‬عندما يكوف حجم العينة صغًنا‪.(NNFI‬نعىن‬ ‫يفضالف النماذج ادلفرتضة البسيطة‪ . 2006‬‬ ‫)‪Tucker-Lewis Index (TLI‬‬ ‫(‬ ‫.‬غًن أنو حساس جدا حلجم النموذج أو عدد ادلتغًنات‬ ‫ادلقاسة أو ادلالحظة اليت ينطوي عليها‪ .)Raykov & Marcoulides.‬‬ ‫وْندر اإلشارة إُف أف ىذا ادلؤشر ىو ذاتو ادلؤشر الذي سبق أف تطرقنا إليو يف الدفعة األوُف‬ ‫للمؤشرات ٓنت مسمى مؤشر تاكرػ لويس‬ ‫‪.02‬تدؿ على مطابقة جيدة للنموذج‪.‫االستعماؿ الواسع ذلذا ادلؤشر‪ ،‬غًن أنو يتأثر ّندى تعقيد النموذج‪ ،‬أو عدد البارامرتات‬ ‫اجملهولة أو احلرة الواجب تقديرىا اليت ينطوي عليها النموذج ‪.

‬ولذلك يعترب مؤشر )‪(CFI‬‬ ‫أفضل من ىذا ادلؤشر (أي مؤشر ‪ ) RNI‬ألنو ينطوي على مدى نظري ثابت يرتاوح من‬ ‫الصفر إُف الواحد الصحيح(‪.‬وفنيا يقيس الفرؽ‬ ‫بٌن مصفوفة التباين والتغاير للعينة ومصفوفة التباين والتغاير ادلتوقعة اليت ؽلكن احلصوؿ عليها‬ ‫من عينة أخرى من نفس احلجم ومن نفس اجملتمع‪. 2004‬‬ ‫‪Byrne.‬‬ ‫المؤشر الالمركزي النسبي‪) RNI ( Relative Non centrality Index‬‬ ‫وأخًنا فإف ادلؤشر الالمركزي النسع ‪ Relative Non centrality Index‬ؽلاثل مؤشر‬ ‫ادلطابقة ادلقارف باستثناء أف قيمو ؽلكن أف تكوف قيما سالبة‪ .‬وقيمو‬ ‫اليت تتعدى ‪( 2. Loehlin.‫النموذج قليال نسبيا( كأف يكوف عددىا عشر متغًنات مالحظة أو أقل من ذلك)‪ .6‬تدؿ على مطابقة النموذج (‬ ‫‪. 2006.32‬واألفضل أف تكوف أكرب من ‪ )2.‬ومؤشر‬ ‫‪-‬‬ .)1998.‬‬ ‫ويستعمل احملك يف العادة عندما يراد ادلفاضلة بٌن ظلوذجٌن أو ظلاذج بديلة‪،‬‬ ‫ُنيث ٓنسب قيمة احملك لكل ظلوذج‪ ،‬وترتب النماذج حسب موقعها على احملك ُنيث يعترب‬ ‫النموذج الذي ػلصل على أدىن قيمة على احملك أفضلها مطابقة‪ ،‬أي أكثرىا قدرة على‬ ‫إعادة إنتاج نفس ادلطابقة يف عينات أخرى من نفس احلجم ومن نفس اجملتمع‪ . 2005‬‬ ‫مؤشر الصدق التقاطعي المتوقع )‪،Expected Cross-Validation Index (ECVI‬‬ ‫إف مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫)‪(ECVI‬‬ ‫اختبار مدى اتساؽ أداء النموذج‬ ‫عند االنتقاؿ من عينة الدراسة إُف عينات أخرى ُنيث تنتمي ىذه العينات لنفس اجملتمع‪،‬‬ ‫أي أف تقديرات معاَف أو برامرتات النموذج ادلفرتض ؽلكن استنساخها (نتائج تقدير‬ ‫الربامرتات) أو تكرارىا أو إعادة إنتاجها يف عينات أخرى لنفس اجملتمع‪ .)Kline.

‬‬ ‫وؽلكن شرح مسألة تعقيد النموذج كالتاِف‪ :‬إف إضافة بارامرتات إُف النموذج‬ ‫(أو ٓنرير بعض البارامرتات ادلقيدة أو ادلثبتة بقيمة ثابتة يف النموذج) وبالتاِف الرفع من‬ ‫مستوى تعقيد النموذج (عدد البارامرتات احلرة يزداد عن ذي قبل) يؤدي دائما إُف ٓنسن يف‬ ‫مطابقة النموذج لبيانات العينة‪ ،‬غًن أف مقدار ىذا التحسن غًن كاؼ لتربير الزيادة يف تعقيد‬ ‫النموذج‪ ،‬أي لتربير إضافة بارامرتات إُف النموذج‪ ،‬وبتعبًن آخر‪ ،‬أف النموذج الذي ػلقق‬ ‫مطابقة مع البيانات بأقل عدد من البارامرتات (مقتصدا يف عدد البارامرتات) أفضل من‬ ‫ظلوذج آخر ػلقق ذات ادلطابقة ولكن بعدد أكرب من البارامرتات (االفتقار إُف االقتصاد يف‬ ‫عدد البارامرتات ادلقدرة يف النموذج)‪.‬‬ ‫غًن أف زلك )‪ (AIC‬يعاًف مشكلة تعقيد النموذج (مدى االقتصاد يف‬ ‫البارامرتات ادلقدرة يف النموذج) من زاوية درجات احلرية (الذي يعكس عدد البارامرتات‬ ‫‪-‬‬ .‫)‪ (ECVI‬ؽلكن أف يأخذ أي قيمة‪ ،‬ولذلك ليس لو رلاؿ زلدد ثابت من القيم‪ .Cudeck Criterion (BCC‬‬ ‫إف زلك ادلعلومات أليكيك‬ ‫)‪Akaike Information Criterion (AIC‬‬ ‫وزلك‬ ‫ادلعلومات ادلتسق أليكيك )‪ Consistent Akaike Information Criterion (CAIC‬ؼلترباف حسن‬ ‫ادلطابقة وخاصية االقتصاد يف استعماؿ البارامرتات احلرة اليت تتطلب التقدير يف النموذج‬ ‫ادلفرتض‪ ،‬ولذلك يأخذاف بعٌن االعتبار ادلقاييس اإلحصائية جلودة ادلطابقة‪ ،‬وكذلك عدد‬ ‫بارامرتات النموذج اليت ٓنتاج إُف تقدير‪.(BIC‬ومحك براون كاديك‬ ‫ومحك المعلومات‬ ‫‪Bayes Information Criterion‬‬ ‫)‪Browne.‬‬ ‫محك المعلومات أليكيك‬ ‫)‪Akaike Information Criterion (AIC‬‬ ‫المتسق أليكيك )‪ ،(CAIC‬محك المعلومات لباييس‬ ‫)‪ .‬وبعض الربامج‬ ‫اإلحصائية ٓنسب أيضا ‪ %02‬مستوى الثقة ذلذا ادلؤشر‪.

2005. Brown.‬‬ ‫إف صرامة زلك )‪ (BCC‬يف تصحيح انعكاس تعقيد النموذج ادلفرتض أكثر‬ ‫بقليل من زلك )‪ .‬وتشًن دراسات طريقة ادلضاىاة‬ ‫اإلحصائية أف زلك (‪ (BIC‬وزلك )‪ (AIC‬متكافئاف يف أدائهما(‪.)Kline.‬‬ ‫ثاتيا ي النموذج المستقل أو نموذج العدم ‪:‬النموذج الذي ال ينطوي على ارتباطات بٌن‬ ‫متغًناتو‪. 2006)(BIC‬‬ ‫وتقوـ احملكات الثالث‪ :‬زلك‬ ‫)‪(AIC‬‬ ‫وزلك‬ ‫)‪(CAIC‬‬ ‫وزلك‬ ‫)‪(BCC‬‬ ‫على‬ ‫مسلمة ىامة إبستمولوجية ذلا عالقة بفلسفة العلم فحواىا أنو ال يوجد ظلوذج حقيقي فريد‪،‬‬ ‫وإظلا توجد ظلاذج عدة تتسم بصحة أو صدؽ نسع‪ ،‬وبالتاِف فدور ىذه ادلؤشرات أو‬ ‫احملكات زلاولة ادلفاضلة بٌن النماذج موضوع االختبار النتقاء أفضلها‪.‬‬ ‫‪-‬‬ .(Kline.‬أما زلك )‪ (CAIC‬فيسد ىذا النقص بأخذ حجم العينات بعٌن‬ ‫االعتبار‪ ،‬غًن أنو ؽلارس تصحيحا أكثر صرامة دلستوى تعقيد النموذج مقارنة بكل من زلك‬ ‫)‪ (AIC‬وزلك )‪ (BCC‬الذي سيأت وصفو‪ ،‬وال يضاىيو يف ىذا التصحيح العقا عند ارتفاع‬ ‫تعقيد النموذج إال زلك‬ ‫)‪.(AIC‬يف حٌن أف زلك )‪ (BIC‬أكثر صرامة يف تصحيح انعكاس تعقيد‬ ‫النموذج ادلفرتض من كل من زلك )‪ (AIC‬وزلك )‪ (CAIC‬وزلك )‪ ،(BCC‬وبالتاِف ؽلتاز‬ ‫بنزعة تفضيل النماذج األكثر اقتصادا يف البارامرتات ادلقدرة‪ .‫ادلقدرة يف النموذج ُنيث إذا قلت درجات احلرية ارتفع عدد البارامرتات احلرة أو اجملهولة‬ ‫القيمة‪ ،‬وإذا ارتفعت درجات احلرية قلت عدد البارامرتات اليت ٓنتاج إُف تقدير)‪ ،‬مع إعلاؿ‬ ‫أمر ىاـ وىو حجم العينة‪ . 2005‬‬ ‫وْندر اإلشارة إُف أف نتائج ٓنليالت احلزـ اإلحصائية ادلختصة غالبا ما تذكر‬ ‫القيم الناْنة عن تطبيق ىذه احملكات على ثالثة ظلاذج للمقارنة بينها وىي‪:‬‬ ‫أوال ي النموذج الذي يراد اختباره (ظلوذج البحث أو النموذج ادلفرتض)‪.

‫ثالثا ي النموذج المشبع ‪ :‬وىو النموذج الذي ػلتوي على عدد البارامرتات احلرة أو اليت ٓنتاج‬ ‫إُف تقدير بقدر احتوائو على عدد ادلتغًنات ادلالحظة أو ادلقاسة‪.‬‬ ‫مؤشر حجم العينة الحرج لهولتر‬ ‫)‪Hoelter's Critical N (CN‬‬ ‫ويف األخًن ال بد أف نتطرؽ إُف مؤشر حجم العينة احلرج ذلولرت‬ ‫)‪ Critical N (CN‬الذي ؼلتلف عن ادلؤشرات ادلختلفة السابقة ألنو يركز مباشرة على كفاية‬ ‫حجم العينة ادلستعملة بدال من الرتكيز على كفاية ادلطابقة‪ .‬فكلما اقرتبت قيم احملكات السابقة عند تطبيقها على‬ ‫النموذج ادلفرتض أو ظلوذج البحث من قيم ذات احملكات القائمة على النموذج ادلشبع‪،‬‬ ‫وابتعدت عن قيم ىذه احملكات القائمة على النموذج ادلستقل كلما كاف مستوى جودة‬ ‫ادلطابقة أعلى‪.)022‬فمثال إذا استعملنا عينة قوامها ‪ 042‬فردا‪،‬‬ ‫فإذا وجدنا أف قيمة مؤشر )‪ (CN‬تساوي ‪ ، 002‬فإف قيمة ادلؤشر اليت ْناوزت (القيمة‬ ‫‪-‬‬ .‬لقد انبثقت فكرة تطوير ىذا‬ ‫‪Hoelter's‬‬ ‫ادلؤشر من زلاولة إغلاد مؤشر مطابقة مستقل عن أي تأثًن حلجم العينة‪ ،‬وبالتاِف فالغرض من‬ ‫وضع ىذا ادلؤشر تقدير حجم العينة الذي يكوف كافيا للحصوؿ على مطابقة كافية للنموذج‬ ‫عند استعماؿ مؤشر مربع كاي‪ .‬وتعترب مطابقة النموذج ادلفرتض للبيانات مرضية أو كافية إذا‬ ‫كانت قيمة مؤشر )‪ (CN‬أكرب من (‪ .‬‬ ‫ويتلخص منطق مقارنة النموذج ادلفرتض (ظلوذج البحث) بالنموذج ادلستقل‬ ‫والنموذج ادلشبع يف معرفة مستوى سوء مطابقة النموذج ّنقارنتو بأسوأ وضع للنموذج وىو‬ ‫الوضع الذي ؽلثلو النموذج ادلستقل‪ .‬‬ ‫غًن أف الباحثٌن ؽليلوف إُف مقارنة ظلوذجٌن أو عدد من النماذج اليت يصوغوهنا‬ ‫من منظورات نظرية سلتلفة ويقوموف بتطبيق بعض ىذه احملكات لتساعدىم على اختيار‬ ‫أفضلها‪.

‬ولعل السؤاؿ الذي‬ ‫يتبادر إُف ذىنو ىل تؤدي ىذه ادلؤشرات ػ على اختالفها ػ إُف نتائج متسقة فيما يتعلق‬ ‫ّنطابقة النموذج ادلفرتض‪ ،‬أـ من احملتمل جدا أف ٔنتلف نتائجها‪ُ ،‬نيث ؽلكن أف يدؿ‬ ‫بعضها على مطابقة مرضية للنموذج ادلفرتض يف حٌن يدؿ بعضها اآلخر على سوء مطابقة‬ ‫لذات النموذج‪ .‬‬ ‫إذف ال بد من التطرؽ إُف اجلوانب التالية اليت تعكس حدود دور مؤشرات‬ ‫ادلطابقة‪ ،‬وتصحح بعض التصورات غًن الدقيقة اليت رافقت استعماذلا‪. Byrne. 1998.)Brown. Kline. 2006. 2006. 2005‬‬ ‫حذًد يؤششاث املطابقت‬ ‫لقد اندىش القارئ بدوف شك من كثرة مؤشرات ادلطابقة‪ .‬‬ ‫أوال ي إف قيم مؤشرات ادلطابقة على اختالفها تدؿ فقط على ادلطابقة العامة أو اإلٗنالية‬ ‫للنموذج‪ .‫‪ )022‬تدؿ على أف حجم العينة (‪ )002‬تعترب كافية لتمكٌن النموذج ادلفرتض من ٓنقيق‬ ‫مطابقة كافية(‪.‬وإذا كانت االختالفات بٌن أداء ىذه ادلؤشرات ادلختلفة شلكنا‪ ،‬فأي‬ ‫ادلؤشرات اليت غلب أف تكوف ذلا األولوية يف االستعماؿ؟ وىل عندما تشًن ادلؤشرات اليت‬ ‫يستعملها الباحث إُف وجود مطابقة‪ ،‬فهل معىن ذلك أف النموذج صحيح من الناحية‬ ‫الداللية أو النظرية؟ وىل داللة ذلك أيضا أنو النموذج الوحيد والفريد الذي يطابق البيانات‬ ‫أـ أنو من احملتمل أف توجد ظلاذج أخرى أكثر قدرة على تفسًن بيانات ادلتغًنات من النموذج‬ ‫ادلخترب رغم ٕنتعو ّنطابقة جيدة؟ أسئلة عديدة تطرح نفسها ُنيث أف اإلجابة عنها من شأهنا‬ ‫تصحيح بعض األفكار غًن الدقيقة اليت تكتنف استعماؿ مؤشرات حسن ادلطابقة ودورىا يف‬ ‫تبياف صحة النموذج‪. Brown.)Byrne.1998‬‬ ‫‪-‬‬ .‬فادلؤشرات قد تظهر مطابقة عامة جيدة للنموذج ادلفرتض‪ ،‬رغم أنو قد‬ ‫ػلتوي على مشاكل موضعية يف بعض جوانب النموذج(‪.

2006.‫ّنعىن أف بعض مسارات النموذج الدالة على عالقات ادلتغًنات ادلستقلة بادلتغًنات‬ ‫التابعة (الكامنة) أو متغًنات تابعة (كامنة) ّنتغًنات تابعة(كامنة) قد تكوف سالبة‬ ‫بينما ىي يف احلقيقة موجبة؛ أو قد تكوف قيمة مسار أو بعض ادلسارات غًن دالة‬ ‫إحصائية ومع ذلك فإف االنطباع العاـ عن النموذج بناء على نتائج مؤشرات ادلطابقة‬ ‫العامة بأف مطابقة النموذج للبيانات جيدة‪. 2004‬‬ ‫ثالثا ي عملية تقوًن صحة النموذج ليست عملية فنية إحصائية صرفة تناط بعاتق مؤشرات‬ ‫ادلطابقة وما يستتبع ذلك من تعديل للنموذج النظري بناء على مؤشرات التعديل‬ ‫‪-‬‬ .‬‬ ‫ثانيا ي إف ادلؤشرات اليت أظهرت جودة ادلطابقة للنموذج ادلفرتض غلب أال ْنعلنا نؤوؿ بأف‬ ‫ىذه ادلطابقة دليل على صحة التنظًن‪ ،‬أو أهنا دليل على صدؽ العالقات ادلفرتضة‬ ‫بٌن متغًنات النموذج ادلفرتض‪ ،‬أو أنها دليل على أن نموذج البحث المفترض ىو‬ ‫النموذج ال وحيد الصحيح ‪ ،‬وأنو ال توجد نماذج أخرى منافسة لو‪ ،‬أو نماذج‬ ‫أخرى في نفس الموضوع يمكن أن تتفوق عليو‪ . 2006.‬‬ ‫والدرس المستقى من ىذه الفكرة أنو ال ينبغي أن يكتفي الباحث‬ ‫بمؤشرات المطابقة التي استعملها‪ ،‬ويركن إلى نتائجها العامة بأن نموذجو‬ ‫المفترض يتمتع بمطابقة جيدة للبيانات بدون أن يتبع ذلك بفحص دقيق‬ ‫موضعي لجوانب النموذج‪ ،‬ليكشف عن بعض مواطن الخلل في النموذج رغم‬ ‫توفر النموذج على مطابقة عامة‪. Schumacker & Lomax.‬إن تمتع نموذج معين بالمطابقة‬ ‫ال يعني إطالقا أنو قائم على تنظير صحيح‪ ،‬وال يعني إطالقا أنو النموذج الوحيد‬ ‫في مجالو وال توجد نماذج منافسة تتفوق عليو في جودة المطابقة مع البيانات‬ ‫(‬ ‫)‪. Raykov & Marcoulides. 1996.‬‬ ‫‪Browne.

‬لكن‬ ‫التأصيل النظري وتنظًن الباحث علا اللذاف يعززاف ادلؤشرات اإلحصائية بإمدادىا‬ ‫باألساس التنظًني‪ ،‬وبالبينات والدليل النظري ادلنطقي على صحة النموذج‪.‬وبالتاِف عند تكافؤ أداء مؤشرات‬ ‫ادلطابقة ادلطلقة لنموذجٌن نظريٌن متنافسٌن‪ ،‬فإف النموذج الذي يقتصد يف عدد البارامرتات‬ ‫احل رة يف التفسًن يعترب أكثر مطابقة من النموذج الذي يستعمل عددا أكرب من البارامرتات‬ ‫احلرة لكونو يفتقر إُف خاصية االقتصاد يف عدد البارامرتات احلرة ادلوظفة يف النموذج‪.‬‬ ‫معىن ذلك أف ادلؤشرات االقتصادية جلودة ادلطابقة تنطلق من منظور آخر وزلكات‬ ‫أخرى ٔنتلف عن ادلؤشرات ادلطلقة‪ .‬ألف ىذه ادلؤشرات تتبىن زلكات سلتلفة لتقوًن‬ ‫جودة ادلطابقة‪ ،‬فادلؤشرات ادلطلقة تتبىن زلك مدى ٕنثيل النموذج ادلفرتض للبيانات‪ ،‬أي‬ ‫مدى قدرة النموذج النظري (العالقات اليت تؤلفو) على إعادة إنتاج البيانات (الفرؽ بٌن‬ ‫مصفوفة التباين والتغاير القائمة على النموذج ادلفرتض ومصفوفة التباين والتغاير لبيانات‬ ‫العينة)‪ ،‬يف حٌن أف ادلؤشرات االقتصادية تقوـ جودة مطابقة النموذج من زاوية مدى‬ ‫اقتصاده يف عدد البارامرتات احلرة (أو العالقات) ادلستعملة لتمثيل البيانات بدوف أف ؼلل‬ ‫ىذا االقتصاد بقدرة النموذج ادلفرتض على التفسًن‪ .‬‬ ‫يا ىِ املؤششاث األكزش فؼانْت انخِ ّنبغِ اصخؼًاهلا أكزش ين غريىا؟‬ ‫ليس من السهل تزويد القارئ بوصفة سلتصرة عن مؤشرات ادلطابقة اليت غلب‬ ‫استعماذلا لتفوقها على ادلؤشرات األخرى‪ .‬وينسحب نفس الوضع على مؤشرات ادلقارنة اليت تشتق‬ ‫‪-‬‬ .‫اإلحصائية‪ ،‬وأف موضوع اختبار النموذج وتقوًن صحتو شأف إحصائي صرؼ وال‬ ‫عالقة لو البتة بتنظًن الباحث‪ .‬إف مؤشرات ادلطابقة ؽلكن أف تبٌن بأف النموذج‬ ‫النظري ضعيف ادلطابقة‪ ،‬وال ينسجم مع البيانات‪ ،‬وبالتاِف ػلتاج إُف تعديل‪ ،‬لكن ال‬ ‫تستطيع إثبات صحة النموذج عندما تظهر ادلؤشرات اإلحصائية مطابقتو مع‬ ‫البيانات‪ ،‬ألف ذلك ال يستبعد وجود ظلاذج نظرية أخرى أكثر جودة وصحة‪ .

1998.‬فهي مؤشرات نسبية ٔنتلف‬ ‫أساسا عن ادلؤشرات ادلطلقة وادلؤشرات االقتصادية‪.Non-Normed Fit Index(NNFI‬‬ ‫)‪Tucker-Lewis Index (TLI‬‬ ‫وأحيانا يسمى ّنؤشر ادلطابقة غًن‬ ‫ويرى "ديامونتوبولوس" و"سيجو" والعتبارات عملية‪ ،‬أنو من األفضل استعماؿ‬ ‫ادلؤشرات التالية باإلضافة إُف مربع كاي‪:‬‬ ‫‪ 1‬ػ اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫‪Root Mean Square Error of Approximation‬‬ ‫)‪(RMSEA‬‬ ‫‪ 0‬ػ مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫)‪Expected Cross-Validation Index (ECVI‬‬ ‫‪-‬‬ . 1999‬القائمة‬ ‫على دراسات مضاىاة مستفيضة‪ ،‬واليت مفادىا أف مؤشرات ادلطابقة اليت أظهرت فعالية أكثر‬ ‫من غًنىا ىي‪:‬‬ ‫‪ 1‬ػ اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫‪Root Mean Square Error of Approximation‬‬ ‫)‪(RMSEA‬‬ ‫‪ 0‬ػ جذر متوسط مربعات البواقي ادلعيارية‬ ‫‪ 3‬ػ مؤشر ادلطابقة ادلقارف‬ ‫)‪Root Mean Square Residual (SRMR‬‬ ‫)‪Comparative Fit Index (CFI‬‬ ‫‪ 1‬ػ مؤشر تاكرػ لويس‬ ‫ادلعياري )‪.‬‬ ‫ورغم صعوبة احلسم يف قضية انتقاء ادلؤشرات األكثر فعالية‪ ،‬تزودنا دراسات‬ ‫ادلضاىاة اإلحصائية ببعض اإلرشادات اليت تتقاطع أو تتفق يف احلكم على جودة بعض‬ ‫ادلؤشرات ؤنتلف يف احلكم على فاعلية بعض ادلؤشرات األخرى‪ .‬فرباوف يف معاجلتو النقدية‬ ‫ألداء مؤشرات ادلطابقة‪ ،‬اعتمد توصيات "ىيو" و"بنتلر" )‪ (Hu & Bentler.‫معناىا من ادلقارنة بٌن النموذج النظري والنموذج القاعدي (الذي قد يكوف النموذج‬ ‫ادلستقل)‪ ،‬أو من ادلقارنة أو ادلفاضلة بٌن النماذج النظرية ذاهتا‪ .

‬‬ ‫يركز كالين )‪ ، (Kline. 2005‬وىو من الثقاة يف رلاؿ النمذجة‪ ،‬وأسوة ّنجموعة من‬ ‫ادلتخصصٌن يف ىذا اجملاؿ ومن أمثلتهم "بومسمة" )‪(Boomsma.‫‪ 3‬ػ جذر متوسط مربعات البواقي‬ ‫‪ 1‬ػ مؤشر ادلطابقة ادلقارف‬ ‫)‪Root Mean Square Residual (RMR‬‬ ‫)‪Comparative Fit Index (CFI‬‬ ‫‪ 3‬ػ مؤشر حسن أو جودة ادلطابقة(‬ ‫)‬ ‫‪Goodness-of-Fit Index GFI‬‬ ‫شوماخر ولوماكس (‪ )Schumacker & Lomax. 2002‬بأف مؤشرات ادلطابقة اليت أثبتت الدراسات التقوؽلية‬ ‫‪-‬‬ . 2004‬يف كتاشما الواسع االنتشار‬ ‫عن النمذجة بادلعادالت البنائية‪ ،‬وعند معاجلتهما للمعلومات اليت ينبغي للباحث أف يذكرىا‬ ‫ِنصوص مؤشرات ادلطابقة يف تقرير ُنثو عند استعماؿ النمذجة بالعادالت البنائية‪ ،‬ينصحاف‬ ‫باستعماؿ ادلؤشرات التالية عالوة عن استعماؿ مربع كاي‪:‬‬ ‫‪ 1‬ػ اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫‪Root Mean Square Error of Approximation‬‬ ‫)‪(RMSEA‬‬ ‫‪ 0‬ػ مؤشر حسن أو جودة ادلطابقة (‬ ‫‪ 3‬ػ مؤشر ادلطابقة ادلقارف‬ ‫)‬ ‫‪Goodness-of-Fit Index GFI‬‬ ‫)‪Comparative Fit Index (CFI‬‬ ‫‪ 1‬ػ مؤشر ادلطابقة ادلعياري أو ادلستند إُف معايًن‬ ‫)‪Normed Fit Index (NFI‬‬ ‫‪ 3‬ػ زلك ادلعلومات أليكيك )‪ Akaike Information Criterion (AIC‬وذلك عند مقارنة‬ ‫النماذج اذلرمية(أحدىا زلتوى يف اآلخر )‬ ‫‪ 6‬ػ مؤشر الصدؽ التقاطعي ادلتوقع )‪ Expected Cross-Validation Index (ECVI‬لتقدير صدؽ‬ ‫النموذج يف العينات األخرى باستعماؿ عينة واحدة‪. 2000‬؛ "ماؾ دونالد" و‬ ‫"ىو" )‪ (McDonald & Ho.

‫جدارهتا‪ ،‬واليت تفوقت أداء على ادلؤشرات األخرى تتمثل باإلضافة إُف مربع كاي يف‬
‫ادلؤشرات التالية‪:‬‬
‫‪ 1‬ػ اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬

‫‪Root Mean Square Error of Approximation‬‬

‫)‪(RMSEA‬‬

‫‪ 0‬ػ جذر متوسط مربعات البواقي ادلعيارية‬
‫‪ 3‬ػ مؤشر ادلطابقة ادلقارف‬

‫)‪Root Mean Square Residual (SRMR‬‬

‫)‪Comparative Fit Index (CFI‬‬

‫ويالحظ شريرب وآخروف‬

‫)‪(Schreiber, et al., 2006‬‬

‫ػ بعد إجراء دراسة نقدية تقوؽلية‬

‫حوؿ ادلنهجية اليت اعتمدهتا البحوث ادلنشورة يف رللة الدراسات الرتبوية (‬
‫‪ ) Educational Research‬عند توظيفها للنمذجة عن طريق ادلعادالت البنائية ّنا يف ذلك‬
‫ظلذجة التحليل العاملي التوكيدي ػ بأف مؤشرات ادلطابقة األكثر تواترا يف ىذه الدراسات‬
‫‪The Journal of‬‬

‫ٕنثلت يف مؤشر ادلطابقة ادلعياري )‪Normed Fit Index(NFI‬؛ ومؤشر تاكرػ لويس‬
‫‪ Tucker-Lewis Index‬أو مؤشر ادلطابقة غًن ادلعياري )‪Non-Normed Fit Index(NNFI‬؛ ومؤشر‬
‫ادلطابقة التزايدية )‪Incremental Fit Index (IFI‬؛ ومؤشر ادلطابقة ادلقارف ‪Comparative Fit Index‬‬
‫)‪(CFI‬؛ ومؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب ‪.Root Mean Square Error of‬‬
‫)‪(TLI‬‬

‫)‪ Approximation (RMSEA‬مث يفصحوف عن موقفهم بناء على الدراسات بأهنم يوصوف‬
‫باستعماؿ مؤشرات ادلطابقة التالية‪:‬‬
‫‪1‬ػ مؤشر تاكرػ لويس‬

‫)‪Tucker-Lewis Index (TLI‬‬

‫أو مؤشر ادلطابقة غًن ادلعياري‬

‫‪Non-‬‬

‫‪. Normed Fit Index(NNFI‬‬
‫‪ 0‬ػ مؤشر ادلطابقة ادلقارف )‪.Comparative Fit Index (CFI‬‬
‫‪ 3‬ػ ومؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬
‫‪-‬‬

‫‪Root Mean Square Error of‬‬

‫)‪. Approximation (RMSEA‬‬
‫‪ 1‬ػ زلك ادلعلومات أليكيك‬
‫النماذج‪.‬‬

‫)‪Akaike Information Criterion (AIC‬‬

‫وذلك عند مقارنة‬

‫بعد استعراض اقرتاحات ىؤالء النقاد‪ ،‬صلد أف مؤشرين حازا على صدارة االختيار‬
‫أو الرتشيح وعلا مؤشر الجذر التربيعي لمتوسط خطأ االقتراب‬
‫)‪Approximation (RMSEA‬‬

‫‪Root Mean Square Error of‬‬

‫ومؤشر المطابقة المقارن )‪ .Comparative Fit Index (CFI‬تليها‬

‫ادلؤشرات األخرى ادلذكورة سالفا وىي‪ :‬مؤشر تاكري لويس‬
‫مؤشر المطابقة غير المعياري‬

‫)‪Fit Index (NNFI‬‬

‫)‪(TLI‬‬

‫‪ Tucker-Lewis Index‬أو‬

‫‪Non-Normed‬؛ ومؤشر جذر متوسط‬

‫مربعات البواقي المعيارية )‪ ,Root Mean Square Residual (SRMR‬ومؤشر حسن أو جودة‬
‫المطابقة (‪ ،Goodness-of-Fit Index )GFI‬ومؤشر محك المعلومات أليكيك‬
‫)‪Criterion (AIC‬‬

‫‪ ,Information‬ومؤشر الصدق التقاطعي المتوقع‬

‫‪Akaike‬‬

‫‪Expected Cross-‬‬

‫)‪. Validation Index (ECVI‬‬

‫ومن جهة أخرى‪ ،‬صلد أف ىذه ادلؤشرات اليت أثبتت الدراسات التقوؽلية فاعليتها‬
‫مقارنة ّنؤشرات ادلطابقة األخرى‪ ،‬تغطي احملكات ادلتباينة اليت اعتمدت يف تصنيف مؤشرات‬
‫ادلطابقة على اختالفها وتنوعها‪ .‬فمثال‪ ،‬نالحظ أف مؤشر مربع كاي )‪،Chi-squar (2‬‬
‫ومؤشر جذر متوسط مربعات البواقي ادلعيارية )‪ ,Root Mean Square Residual (SRMR‬ومؤشر‬
‫حسن أو جودة ادلطابقة(‪ Goodness-of-Fit Index )GFI‬تنتمي إُف رلموعة ادلؤشرات ادلطلقة؛‬
‫يف حٌن أف مؤشر ادلطابقة ادلقارف )‪ ،Comparative Fit Index (CFI‬ومؤشر تاكرػ لويس )‪(TLI‬‬
‫‪ Tucker-Lewis Index‬أو مؤشر ادلطابقة غًن ادلعياري ‪ ،Non-Normed Fit Index(NNFI‬تنتمي‬
‫إُف رلموعة مؤشرات ادلقارنة‪ .‬أما زلك ادلعلومات أليكيك ‪Akaike Information Criterion‬‬

‫‪-‬‬

‫)‪ ,(AIC‬ومؤشر الصدؽ التقاطعي ادلتوقع )‪ ،Expected Cross-Validation Index (ECVI‬ومؤشر‬
‫اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬
‫فتصنف غالبا يف زمرة مؤشرات ادلطابقة االقتصادية (ومع ذلك فإف مؤشر ‪ RMSEA‬يصنف‬
‫أحيانا يف رلموعة ادلؤشرات ادلطلقة)‪ .‬وطللص من ذلك كلو بأف ىذه اجملموعة ادلصطفاة من‬
‫ادلؤشرات ال ٕنثل صنفا واحدا أو منظورا واحد بل ٕنثل األصناؼ الثالثة كلها أو احملكات‬
‫)‪Root Mean Square Error of Approximation (RMSEA‬‬

‫كلها اليت شكلت ضابط التصنيف الثالثي دلؤشرات ادلطابقة‪.‬‬
‫غًن أننا يف األمثلة اليت سنتناوذلا بالدراسة والتوضيح سنستعمل ٗنيع ادلؤشرات اليت‬
‫تتيحها الرزـ اإلحصائية ادلستعملة يف ٓنليل بيانات األمثلة (رزمة ليزرؿ ورزمة إكس)‪ ،‬مع‬
‫إعطاء وزف أكثر للمؤشرات السابقة ذات الفعالية‪.‬‬
‫انخطبْق ػهَ املزال‪ :‬نخائش يؤششاث املطابقت نهنًٌرس انؼايهِ املفرتض‪.‬‬

‫بعد إعداد ملف التعليمات الختبار ظلوذج ادلثاؿ ادلوضح يف الشكل (‪ )12‬يف‬
‫الفصل الثاين‪ ،‬استعملنا حزمة ليزرؿ لتحليل البيانات‪ .‬وقبل التعرؼ على نتائج مؤشرات‬
‫ادلطابقة يعرض ليزرؿ معلومة ىامة تتعلق بإحصاء وتبياف موقع بارامرتات النموذج اليت ٓنتاج‬
‫إُف تقدير (البارامرتات احلرة)‪ ،‬وذلك كما يلي‪:‬‬
‫عذ‪ٚ‬ي ( ‪ )43‬رؼ‪ ٓ١١‬اٌجبساِزشاد اٌؾشح ‪ٚ‬غ‪١‬ش اٌؾشح أ‪ ٚ‬اٌضبثزخ ‪parameter specifications‬‬

‫يصفىفت تشبعاث انًؤشراث انًقاست عهى عايهٍها‬
‫‪LAMBDA-X‬‬

‫‪NEROTICI EXTRAVER‬‬
‫‪-------- -------‬‬‫‪0‬‬

‫‪-‬‬

‫‪0‬‬

‫‪N1‬‬

‫‪0‬‬

‫‪1‬‬

‫‪N2‬‬

‫‪0‬‬

‫‪2‬‬

‫‪N3‬‬

‫‪0‬‬

‫‪3‬‬

‫‪N4‬‬

‫‪0‬‬

‫‪0‬‬

‫‪EX1‬‬

‫‪4‬‬

‫‪0‬‬

‫‪EX2‬‬

‫‪5‬‬

‫‪0‬‬

‫‪EX3‬‬

‫‪6‬‬

‫‪0‬‬

‫‪EX4‬‬

‫يصفىفت االرتباطاث أو انتغاٌر بٍٍ انعايهٍٍ انكايٍٍُ‬

‫‪PHI‬‬

‫‪NEROTICI EXTRAVER‬‬
‫‪--------‬‬

‫‪--------‬‬

‫‪9‬‬

‫‪7‬‬

‫‪NEROTICI‬‬

‫‪8‬‬

‫‪EXTRAVER‬‬

‫‪THETA-DELTA‬‬

‫يصفىفت تباٌٍ وتغاٌرأخطاء قٍاس انًؤشراث‪ ،‬عُذ اافتراض أٌ األخطاء يستقهت وبانتانً فئٌ‬
‫األرقاو تشٍر إنى انخالٌا انقطرٌت انتً تحتىي عهى تباٌٍ أخطاء قٍاس انًؤشراث‬
‫‪EXT2‬‬

‫‪EXT1‬‬

‫‪--------‬‬

‫‪-------- -------- --------‬‬

‫‪15‬‬

‫‪N4‬‬

‫‪13‬‬

‫‪14‬‬

‫‪N3‬‬

‫‪12‬‬

‫‪N2‬‬

‫‪N1‬‬

‫‪--------‬‬

‫‪--------‬‬

‫‪11‬‬

‫‪10‬‬

‫‪THETA-DELTA‬‬

‫‪EXT4‬‬

‫‪-‬‬

‫‪EXT3‬‬

‫‪--------‬‬

‫‪--------‬‬

‫‪17‬‬

‫‪16‬‬

‫الحظ أف الربنامج يعرض الربامرتات ادلقدرة يف ثالث مصفوفات ٓنمل مسميات‬
‫أحرؼ إغريقية‪ .‬ادلصفوفة األوُف وتدعى المبدا للمتغًنات ادلستقلة ‪ LAMBDA-X‬وىي‬
‫مصفوفة تشبعات ادلؤشرات أو ادلتغًنات ادلقاسة (ادلوجودة يف الصفوؼ) على ادلتغًنين أو‬
‫العاملٌن الكامنٌن ادلوجودين بالعمودين‪ .‬أما القيم فليست تشبعات وإظلا ٓنصي البارامرت‬
‫(التشبع) ىل ىو حر التقدير أـ ثابت‪ .‬وتدؿ األصفار على البارامرتات ادلثبتة‪ ،‬أما األعداد‬
‫التسلسية (العد) فتدؿ على البارامرتات احلرة‪ .‬إذف تدؿ مصفوفة المبدا اخلاصة بالتشبعات‬
‫على وجود ‪ 6‬بارامرتات (تشبعات للتقدير) حرة وىي تشبعات كل من‬
‫‪ neuroticism‬أي العصابية‪ ،‬وتشبعات كل من ‪ EX2, EX3, EX4‬على‬
‫العصابية‪.‬‬

‫‪N2, N3, N4‬‬
‫‪extraversion‬‬

‫على‬
‫أي‬

‫أما ادلصفوفة الثانية ادلسماة ّنصفوفة "فاي" ‪ PHI‬فتدؿ على التباين والتغاير بٌن‬
‫العاملٌن الكامنٌن‪ ،‬ولذلك فالعدد التسلسلي (‪ )4‬والعدد (‪ )0‬يدالف على تباين العامل‬
‫األوؿ(العصابية) والعامل الثاين (االنبساطية) على التواِف‪ ،‬ويدؿ العدد التسلسلي (‪ )2‬على‬
‫تغاير العاملٌن السابقٌن‪ .‬وتباين العاملٌن وتغايرعلا كلها بارامرتات ٓنتاج إُف تقدير (حرة)‪.‬‬
‫وأخًنا نصادؼ مصفوفة "ثيتا‪-‬دلتا" ‪ THETA-DELTA‬وىي مصفوفة تتعلق‬
‫بأخطاء ادلؤشرات‪ .‬وادلفروض أف تعرض البيانات (أو األرقاـ التسلسية) بشكل مصفوفة‬
‫كاملة (تباين خطأ ادلؤشرات الثمانية ادلوجودة يف بداية الصفوؼ توجد أيضا يف رأس‬
‫األعمدة ُنيث تدؿ اخلاليا القطرية على تباين كل خطأ‪ ،‬يف حٌن تدؿ اخلاليا األخرى على‬
‫تغاير األخطاء‪ .‬غًن أف الباحث افرتض أف األخطاء مستقلة وال توجد عالقة بينها وبالتاِف‬
‫بقية اخلاليا تكوف صفرية باستثناء اخلاليا القطرية اليت تدؿ على التباين الذي ٓنتاج إُف‬
‫تقدير‪ .‬واختصارا يف احليز ذكرت بشكل صف من ٖناين خاليا حسب عدد أخطاء‬
‫ادلتغًنات‪ .‬وأخطاء التباين الثمانية للمؤشرات تعترب كلها بارامرتات للتقدير أي حرة‪ .‬وبالتاِف‬
‫‪-‬‬

‫فإف العدد اإلٗناِف للربامرتات احلرة ‪ . 14‬وىو نفس العدد الذي أحصيناه يف السابق عندما‬
‫كنا بصدد تعيٌن النموذج لتقدير درجات احلرية‪ .‬إذف ىذا اجلزء من النتائج ؽلكنك من‬
‫التأكد من صحة تعيينك للبارامرتات احلرة‪.‬‬
‫بعد ذلك ينبغي أف نطلع على مؤشرات ادلطابقة للنموذج ادلفرتض ككل‪ ،‬وتزود‬
‫حزمة ليزرؿ ػ شأهنا يف ذلك شأف احلزـ اإلحصائية ادلتخصصة األخرى ػ مستعملها بعدد كبًن‬
‫من ادلؤشرات سواء أكانت ادلؤشرات اليت أظهرت دراسات ادلضاىاة اإلحصائية التقوؽلية‬
‫جودهتا أو ادلؤشرات األقل جودة‪ .‬إف مؤشرات ادلطابقة للنموذج ككل دلثالنا كما تعرضها‬
‫حزمة ليزرؿ ىي كما يلي[اجلدوؿ ( ‪:])33‬‬
‫عذ‪ٚ‬ي ( ‪ِ )53‬إششاد اٌّطبثمخ اٌّخزٍفخ وّب رؼشظ‪ٙ‬ب ؽضِخ ٌ‪١‬ضسي‪.‬‬
‫‪Goodness of Fit Statistics‬‬

‫‪Degrees of Freedom = 19‬‬
‫)‪Minimum Fit Function Chi-Square = 13.2318 (P = 0.8265‬‬
‫)‪Normal Theory Weighted Least Squares Chi-Square = 12.6610 (P = 0.8555‬‬
‫‪Estimated Non-centrality Parameter (NCP) = 0.0‬‬
‫)‪90 Percent Confidence Interval for NCP = (0.0 ; 4.5222‬‬

‫‪Minimum Fit Function Value = 0.05314‬‬
‫‪Population Discrepancy Function Value (F0) = 0.0‬‬
‫)‪90 Percent Confidence Interval for F0 = (0.0 ; 0.01816‬‬
‫‪Root Mean Square Error of Approximation (RMSEA) = 0.0‬‬
‫)‪90 Percent Confidence Interval for RMSEA = (0.0 ; 0.03092‬‬
‫‪P-Value for Test of Close Fit (RMSEA < 0.05) = 0.9924‬‬

‫‪Expected Cross-Validation Index (ECVI) = 0.2129‬‬
‫)‪90 Percent Confidence Interval for ECVI = (0.2129 ; 0.2310‬‬

‫‪-‬‬

ECVI for Saturated Model = 0.2892
ECVI for Independence Model = 7.0768

Chi-Square for Independence Model with 28 Degrees of Freedom = 1746.1242
Independence AIC = 1762.1242
Model AIC = 46.6610
Saturated AIC = 72.0000
Independence CAIC = 1798.2959
Model CAIC = 123.5259
Saturated CAIC = 234.7726

Normed Fit Index (NFI) = 0.9924
Non-Normed Fit Index (NNFI) = 1.0049
Parsimony Normed Fit Index (PNFI) = 0.6734
Comparative Fit Index (CFI) = 1.0000
Incremental Fit Index (IFI) = 1.0033
Relative Fit Index (RFI) = 0.9888

Critical N (CN) = 682.0501

Root Mean Square Residual (RMR) = 0.6947
Standardized RMR = 0.01944
Goodness of Fit Index (GFI) = 0.9874
Adjusted Goodness of Fit Index (AGFI) = 0.9762
Parsimony Goodness of Fit Index (PGFI) = 0.5212

‫ ولكن ؽلكن أف يستعمل رلموعة‬،‫وليس شرطا أف يستعمل الباحث كل ادلؤشرات‬
‫ ولقد صنفنا يف السابق ىذه‬.‫منها ُنيث أف كل مؤشر يقدر ادلطابقة من زاوية سلتلفة‬

-

‫ادلؤشرات على تعددىا إُف مؤشرات ادلطابقة ادلطلقة‬
‫االقتصادية‬

‫‪Correction Indices‬‬

‫‪Fit indices‬‬

‫‪ ،Absolute‬وادلؤشرات‬

‫‪ ،Parcimony‬ومؤشرات ادلطابقة ادلقارنة أو التزايدية‬

‫‪Fit Indices / incremental Fit Indices‬‬

‫‪ .Comparative‬وينبغي إيراد على األقل مؤشر من‬

‫مؤشرات كل رلموعة‪ ،‬وال ينبغي أف تكوف ادلؤشرات اليت يستعملها الباحث الختبار مطابقة‬
‫ظلوذجو تنتمي كلها إُف صنف واحد فقط‪ .‬كأف تكوف كلها مؤشرات مطلقة مثال‪ ،‬بل‬
‫يستحسن أف يكوف بعضها من ادلؤشرات ادلطلقة وبعضها من مؤشرات ادلقارنة وبعضها من‬
‫ادلؤشرات االقتصادية‪.‬‬
‫ولقد أعدنا تنظيم نتائج مؤشرات ادلطابقة مستعمال التصنيف الثالثي السابق‪،‬‬
‫بطريقة أكثر وضوحا يف اجلدوؿ ( ‪.)63‬‬
‫عذ‪ٚ‬ي (‪ِ )63‬إششاد اٌّطبثمخ اإلعّبٌ‪١‬خ اٌّؾغ‪ٛ‬ثخ أ‪ ٚ‬اٌزغش‪٠‬ج‪١‬خ ‪ٚ‬إٌّ‪ٛ‬رع‪١‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضٕبئ‪ٟ‬‬
‫اٌؼ‪ٛ‬اًِ ٌٍشخص‪١‬خ ‪.‬‬

‫االخخصاس انزُ‬
‫ّؼشف بو‬
‫املؤشش‬

‫انرتمجت انؼشبْت‬
‫نو‬

‫انقْى احملضٌبت‬

‫ملؤششاث املطابقت‬

‫يؤششاث املطابقت املطهقت‬

‫‪2‬‬

‫‪p=0.83‬‬

‫)‪(RMR‬‬

‫‪-‬‬

‫قْى املؤشش انذانت ػهَ ًصٌد يطابقت‬
‫(قْى املؤشش اننًٌرصْت)‬

‫‪Absolute Fit indices‬‬

(SRMR)

(GFI)

(AGFI)

(PGFI)

‫يؤششاث االفخقاس نالقخصاد‬

Parcimony Correction Indices

(RMSEA)
mediocre

-

P-Value for Close Fit (ECVI) (AIC) (CAIC) - .

‫يؤششاث املطابقت املقاسنت أً انخزاّذّت‬ ‫‪Comparative / incremental Fit Indices‬‬ ‫)‪(CFI‬‬ ‫)‪(NNFI‬‬ ‫)‪(TLI‬‬ ‫‪Tucker-Lewis‬‬ ‫‪Index‬‬ ‫)‪(NFI‬‬ ‫)‪(PNFI‬‬ ‫‌‬ ‫إف أغلب مؤشرات ادلطابقة يف اجلدوؿ ( ‪ )63‬تدؿ على حسن مطابقة‬ ‫النموذج ادلوضح يف الشكل (‪ .‬أي أف الفرضية الصفرية ( ‪ ) H0‬اليت مفادىا أنو ال‬ ‫يوجد فرؽ بٌن النموذج ادلفرتض أو ادلتوقع والنموذج احلقيقي ادلناظر لو يف اجملتمع ) ‪=  ( ‬‬ ‫‪‬‬ ‫ال ؽلكن رفضها‪ ،‬أي يوجد تطابق بٌن ظلوذج اجملتمع والنموذج ادلقيد ادلفرتض أو ادلتوقع‪.‬‬ ‫‪-‬‬ .03‬‬ ‫بدرجات حرية ‪ 10‬غًن داؿ إحصائيا‪ .)12‬فمثال صلد أف مربع كاي الذي يساوي ‪13.

‫مث إف أكثر مؤشرات ادلطابقة فعالية وأداء وىو اجلذر الرتبيعي دلتوسط خطأ‬ ‫االقرتاب )‪ُ( Root Mean Square Error of Approximation (RMSEA‬نيث أف القيمة اليت‬ ‫تقل عن ‪ 0.‬‬ ‫والقيم احلالية دلؤشر حسن ادلطابقة (‪)GFI‬‬ ‫حسن ادلطابقة ادلصحح‬ ‫مستوى (‪ )0.90‬الذي يدؿ على وجود مطابقة‪.‬‬ ‫ويعترب مؤشر ادلطابقة ادلقارف )‪ Comparative Fit Index (CFI‬من أفضل‬ ‫ادلؤشرات القائمة على ادلقارنة‪ .05‬على ىذا ادلؤشر تدؿ على مطابقة جيدة)‪ ،‬صلد أف قيمتو يف ادلثاؿ احلاِف‬ ‫تساوي ‪ 0.‬فإف القيمة اليت تتعدى (‪ )0.‬‬ ‫‪Index‬‬ ‫‪Adjusted Goodness-of-Fit Index‬‬ ‫‪ ،Goodness-of-Fit‬ومؤشر‬ ‫أو (‪ (AGFI‬كلها أعلى من‬ ‫كما أف قيم مؤشرات ادلطابقة ادلقارنة أو التزايدية‪ ،‬نذكر منها مؤشر ادلطابقة‬ ‫ادلعياري أو ادلستند إُف معايًن )‪ ، Normed Fit Index (NFI‬ومؤشر ادلطابقة غًن ادلعياري ‪Non‬‬ ‫)‪ Normed Fit Index (NNFI‬أو مؤشر "تاكر‪-‬لويس" )‪ ،Tucker-Lewis Index (TLI‬باستثناء‬ ‫مؤشر ادلطابقة ادلعياري االقتصادي )‪ Parsimony-adjusted Normed Fit Index (PNFI‬كلها‬ ‫أعلى من (‪ ،)0.98‬تدؿ على ٕنتع‬ ‫النموذج ّنطابقة مرتفعة‪.02‬وىو دوف‬ ‫(‪ )0.90‬بل تكاد قيمها تساوي الواحد الصحيح الذي يدؿ على وجود مطابقة‬ ‫تامة‪.1‬شلا يدؿ على مطابقة جيدة‪.00‬وبالتاِف يدؿ على مطابقة متميزة‪.90‬ؽلكن أف تدؿ على مطابقة‬ ‫معقولة لنموذج البحث أو ادلفرتض‪ ،‬وصلد أف قيمتو يف ادلثاؿ احلاِف (‪ ) 0.‬‬ ‫‪-‬‬ .‬‬ ‫ومن جهة أخرى‪ ،‬صلد أف مؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫‪ (SRMR) Standardized Root Mean Square Residual‬قيمتو يف ادلثاؿ احلاِف (‪ ) 0.

21‬للنموذج ادلفرتض احلاِف أدىن من مؤشر الصدؽ‬ ‫التقاطعي ادلتوقع لكل من ظلوذج استقالؿ ‪ Independence model‬ادلتغًنات‪ ،‬والنموذج ادلشبع‬ ‫‪ .‫كما أف قيمة مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫‪Expected Cross-Validation‬‬ ‫)‪ Index (ECVI‬الذي يساوي (‪ )0.‬‬ ‫)‪Consistent Akaike Information Criterion (CAIC‬‬ ‫أصغر من‬ ‫واخلالصة‪ ،‬عند مقارنة قيم ادلؤشرات احملسوبة كما تظهرىا نتائج التحليل باستعماؿ‬ ‫حزمة ليزرؿ‪ ،‬بقيم ادلدى األمثل حلسن ادلطابقة كما ىو مبٌن يف الجدول ( ‪ )63‬السابق‪،‬‬ ‫يتبٌن جليا أف جل مؤشرات ادلطابقة تشًن إُف ٕنتع النموذج ّنطابقة إٗنالية جيدة‪.66‬أدىن من النموذج ادلستقل ادلتغًنات والنموذج ادلشبع‪ .Saturated model‬وزلك ادلعلومات أليكيك )‪ Akaike Information Criterion (AIC‬وقيمتو‬ ‫احلالية (‪ )46.‬أو كأف تكوف بعض قيم‬ ‫‪-‬‬ .‬ومن االسرتاتيجيات ادلتبعة لتقوًن‬ ‫فعالية ادلكونات الفردية أو عناصر النموذج ما يلي‪:‬‬ ‫أوال_ ىفحصىقومىالبارامتراتىالتيىتمىتقدورها‪ :‬وينبغي أف يركز ىذا الفحص على اجلوانب‬ ‫التالية‪:‬‬ ‫أ ػ فحص قيم البارامرتات ما إذا كانت تنطوي على شذوذ يف إشارهتا أو قيمها‪ .‬كأف يتجاوز‬ ‫معامل االرتباط الواحد الصحيح الذي ؽلثل سقفو النظري‪ .‬‬ ‫نخائش حقذّش انربايرتاث انفشدّت نهنًٌرس املفرتض (حقٌّى املطابقت انخفصْهْت نؼناصش‬ ‫اننًٌرس)‪:‬‬ ‫بعد االطمئناف على ٕنتع النموذج ّنطابقة إٗنالية‪ ،‬ننتقل إُف الفحص التفصيلي‬ ‫للنموذج ادلفرتض ألف وجود مطابقة إٗنالية جيدة ليس ضمانا كافيا على أف كل مكونات‬ ‫النموذج أو العالقات ادلفرتضة ٔنلو من مواطن اخللل‪ .‬كما أف قيمة زلك‬ ‫ادلعلومات ادلتسق أليكيك‬ ‫قيم ادلؤشر لكل من النموذج ادلستقل والنموذج ادلشبع‪.

‬زٖ اٌجشاِزشاد ٘‪ ٟ‬اٌزشجؼبد‪ ،‬رغب‪٠‬ش اٌؼبٍِ‪ٚ ،ٓ١‬رجب‪ٚ ٓ٠‬رغب‪٠‬ش أخطبء ل‪١‬بط‬ ‫اٌّإششاد‪.‬‬ ‫د ػ ىل مستوى ادلعامالت (أو العالقات)‪ ،‬أي قيمها ترقى إُف ادلستوى ادلتوقع‪ ،‬أـ أف قيم‬ ‫ادلعامالت أو العالقات منخفضة على الرغم من داللتها اإلحصائية‪.‬‬ ‫ثانوا ىـ ىفحص ىمكون ىالقواس ىللنموذج‪ ،‬أي مدى دقة ادلؤشرات واتساقها يف قياس العوامل‬ ‫اليت تنتسب إليها (الثبات)‪ ،‬ومدى صالحية ىذه ادلؤشرات وكفايتها ومالءمتها وٕنثيلها‬ ‫واستيعاشا للداللة النظرية للمفاىيم أو العوامل اليت تنتمي إليها (الصدؽ)‪.‬‬ ‫ب ػ اخلطأ ادلعياري لقيم البارامرتات‪،‬‬ ‫ج ػ فحص الداللة اإلحصائية لقيم تقدير البارامرتات (قيم معامالت االضلدار سواء أكانت‬ ‫تشبعات‪ ،‬أو مسارات بٌن متغًنات كامنة) أو كانت عالقات تغاير أو ارتباطات بٌن‬ ‫العوامل أو ادلتغًنات الكامنة‪.‬‬ ‫‪LAMBDA-X‬‬ ‫يصفىفت تشبعاث انًؤشراث انًقاست عهى عىايهها‬ ‫‪EXTRAVER‬‬ ‫‪-‬‬ ‫‪EROTICI‬‬ .‫التباين سالبة‪ ،‬علما أف قيم التباين غلب أف تكوف دائما موجبة‪.‬‬ ‫ىػ مث ىل اْناه العالقات بعد حساب بارامرتات النموذج تنسجم مع اْناه العالقات يف‬ ‫النم وذج ادلفرتض‪ ،‬أي تتوافق مع التنظًن أـ تناقضو رغم كوهنا دالة إحصائيا‪ ،‬ورغم‬ ‫حجمها الكايف‪ .‬قد يفرتض النموذج أف العالقة االرتباطية بٌن العاملٌن‪ :‬العصابية‬ ‫واالنبساطية سالبة‪ ،‬لكن قد تظهر نتائج التحليل بأهنا موجبة‪ ،‬شلا يناقض تنظًن‬ ‫الباحث‪.‬‬ ‫وفيما يلي نتائج تقدير بارامترات النموذج‪:‬‬ ‫عذ‪ٚ‬ي ( ‪ ) 73‬لغُ ِٓ إٌزبئظ اٌز‪ ٟ‬رٕط‪ ٞٛ‬ػٍ‪ ٝ‬رمذ‪٠‬شاد ل‪ ُ١‬اٌجشاِزشاد غ‪١‬ش اٌّؼ‪١‬بس‪٠‬خ (ِمبعخ‬ ‫ث‪ٛ‬ؽذاد ل‪١‬بع‪ٙ‬ب األصٍ‪١‬خ)‪٘ٚ .

6089‬‬ ‫‪--‬‬ ‫‪0.0517‬‬ ‫‪19.0725‬‬ ‫‪12.0706‬‬ ‫‪--‬‬ ‫‪N3‬‬ ‫)‪(0.0525‬‬ ‫‪17.9353‬‬ ‫‪EX3‬‬ ‫)‪(0.‫االَبساطٍت‬ ‫انعصابٍت‬ ‫‪--‬‬ ‫‪1.0000‬‬ ‫‪N1‬‬ ‫‪--‬‬ ‫‪0.7554‬‬ ‫‪0.0790‬‬ ‫‪13.0745‬‬ ‫‪--‬‬ ‫‪EX2‬‬ ‫)‪(0.0603‬‬ ‫‪17.0725‬‬ ‫‪-‬‬ ‫‪--‬‬ ‫‪EX4‬‬ .8137‬‬ ‫)‪(0.9421‬‬ ‫‪N2‬‬ ‫)‪(0.0000‬‬ ‫‪--‬‬ ‫‪EX1‬‬ ‫‪1.9968‬‬ ‫‪--‬‬ ‫‪N4‬‬ ‫)‪(0.9011‬‬ ‫‪0.9452‬‬ ‫‪1.2737‬‬ ‫‪1.

9123‬‬ ‫)‪(1.6760‬‬ ‫)‪(1.5542‬‬ ‫)‪(3.3361‬‬ ‫)‪(1.8534‬‬ ‫‪7.2702‬‬ ‫‪8.2411‬‬ ‫)‪(1.8299‬‬ ‫‪8.7376‬‬ ‫‪EX4‬‬ ‫‪EX3‬‬ ‫‪16.4670‬‬ ‫‪9.4647‬‬ ‫يصفىفت تباٌٍ أخطاء انًؤشراث انًقاست‬ ‫‪THETA-DELTA‬‬ ‫‪N3‬‬ ‫‪N2‬‬ ‫‪N1‬‬ ‫‪EX2‬‬ ‫‪EX1‬‬ ‫‪N4‬‬ ‫‪8.7182‬‬ ‫‪12.0533‬‬ ‫‪11.2179‬‬ ‫‪-5.‬كما تظهر‬ ‫‪-‬‬ .1466‬‬ ‫‪EXTRAVER -10.9175‬‬ ‫‪8.8074‬‬ ‫)‪(0.5678‬‬ ‫‪8.0359‬‬ ‫‪12.7186‬‬ ‫‪23.5900‬‬ ‫)‪(0.‫‪11.9313‬‬ ‫‪7.8374‬‬ ‫‪8.9217‬‬ ‫)‪(1.3441‬‬ ‫يظهر ىذا القسم من النتائج ثالث مصفوفات من القيم اليت مت تقديرىا باستعماؿ‬ ‫دالة االحتماؿ األقصى ‪ Maximum Likelihood‬اليت تعمل على العثور على تشكيلة من القيم‬ ‫للربامرتات موضوع التقدير بعد زلاوالت متعددة لتحقيق أقصى تقارب زلتمل بٌن التباين‬ ‫والتغاير دلصفوفة النموذج ومصفوفة التباين والتغاير بٌن ادلؤشرات ادلقاسة للعينة‪ .2246‬‬ ‫يصفىفت انتباٌٍ وانتغاٌر بٍٍ انعايهٍٍ‪ :‬انعصابٍت واالَبساطٍت‬ ‫‪EXTRAVER‬‬ ‫‪PHI‬‬ ‫‪NEROTICI‬‬ ‫‪NEROTICI‬‬ ‫‪25.2068‬‬ ‫)‪(1.6118‬‬ ‫)‪(1.7309‬‬ ‫‪7.0837‬‬ ‫‪7.4367‬‬ ‫)‪(2.2168‬‬ ‫‪11.0050‬‬ ‫‪7.7816‬‬ ‫‪7.

55‬والعالقة ادلوجبة تدؿ على أف االرتفاع يف العصابية يرافقو ارتفاع يف‬ ‫االنبساطية األمر الذي يسري عكس التوقع بأف العصابية تقرتف باطلفاض االنبساطية‪ ،‬فيجب‬ ‫أف تكوف قيمة التغاير سالبة وليست موجبة‪ .‬فالقيم األوُف تدؿ على قيم تقدير البارامرتات‪ ،‬والقيم‬ ‫الثانية ادلوضوعة داخل قوسٌن فتدؿ على األخطاء ادلعيارية ‪ ،Standard error variance‬والقيم‬ ‫الثالثة تدؿ على قيم النسبة التائية لستيودنت ‪.‬ففي مصفوفة فاي (مصفوفة التباين والتغاير بٌن ادلتغًنات‬ ‫الكامنة ادلستقلة أي بٌن العاملٌن)‪ ،‬لو أف قيمة التغاير بٌن العصابية واالنبساطية رصدت‬ ‫موجبة (أي ‪ ،(+10.‬‬ ‫يف كل خلية من خاليا ادلصفوفات الثالث السابقة توجد ثالث قيم باستثناء خلية‬ ‫تشبع ‪ N1‬على ‪ ،EROTICI‬وخلية تشبع ‪ EXT1‬على ‪ EXTRAVER‬اليت ٓنتوي على‬ ‫قيمة ‪ ، 1‬ألف ىذين التشبعٌن ثبتا قبل التحليل لتوحيد وحدة القياس للمتغًنين أو العاملٌن‬ ‫الكامنٌن العصابية واالنبساطية‪ .t-test‬‬ ‫وقبل توضيح كيفية قراءة النتائج‪ ،‬ال بد أوال من نظرة فاحصة لقيم النتائج‬ ‫للكشف عن أي شذوذ مظهري ذلا‪ ،‬والشذوذ قد يتجلى يف أف البارامرتات ادلقدرة تنطوي‬ ‫على إشارات عكس ما ىو متوقع‪ .‬أظهر التحليل أف معامل االرتباط بٌن عامل‬ ‫العصابية وعامل االنبساطية يساوي ( ‪ ).‬‬ ‫أيضا غلب أال تكوف قيمة تباين معٌن أو بعض قيم التباين سالبة اإلشارة سواء‬ ‫‪-‬‬ .‬كما ينبغي التنبيو إُف أف القيم ادلقدرة للبارامرتات (التشبعات‪ ،‬تباين وتغاير العاملٌن‪،‬‬ ‫تباين اخلطأ) رصدت كلها بوحداتو قياسها (درجاهتا)األصلية وبالتاِف فهي قيم غًن معيارية‪.0.‬ولذلك وضعت يف صف أو سطر بدؿ رصدىا يف مصفوفة اختصارا‬ ‫للحيز‪ .43‬كما ىو موضح يف الرسم التخطيطي للنموذج‬ ‫يف الشكل ( ‪ .‫النتائج مصفوفة قيم التشبعات ادلقدرة ‪ ،‬ومصفوفة التباين والتغاير للعاملٌن الكامنٌن‬ ‫ادلدروسٌن‪ ،‬ومصفوفة تباين اخلطأ بدوف تغاير (ارتباط) بٌن أخطاء القياس ألننا افرتضنا أف‬ ‫ىذه األخطاء مستقلة‪ .)23‬مث إف معامالت االرتباط َف تتعدى سقفها النظري أي ال توجد‬ ‫ارتباطات تتعدى قيمها الواحد الصحيح‪.

81‬دؿ ذلك على أف ازدياد‬ ‫االنبساطية بوحدة واحدة يقرتف بازدياد قدره ‪ 0.‬‬ ‫لنبدأ أوال ّنصفوفة تشبعات ادلؤشرات ادلقاسة على عامليها اليت تظهرىا ادلصفوفة‬ ‫ادلسماة ّنصفوفة "المبدا"‪ ،‬صلد أف تشبع مؤشر‪( N2‬العدوانية) على العصابية قدره ‪( 0.4367‬وتباين‬ ‫االنبساطية ‪ 23.‬واخلطأ ادلعياري‬ ‫ادلرتفع (مدى حدود الثقة واسعة) تدؿ على االفتقار إُف الدقة يف تقدير قيم البارامرتات‪،‬‬ ‫وعلى اطلفاض قوة األسلوب اإلحصائي (‪ (Test power‬ادلستعمل يف تقدير البارامرت على‬ ‫‪-‬‬ .0.‬إف األخطاء ادلعيارية ال غلب أف تكوف صغًنة‬ ‫جدا أو كبًنة جدا‪ .1466‬وقيم تباين اخلطا يف مصفوفة ثيتا‪-‬دلتا ) نالحظ أف كلها موجبة‪.‬‬ ‫ونظرة سريعة للتباينات (تباين العاملٌن يف مصفوفة فاي‪ ،‬أي تباين العصابية ‪ 25.94‬عند‬ ‫االكتفاء برقمٌن بعد الفاصلة)‪ ،‬ومعناه أف ارتفاع العصابية بوحدة واحدة (أو بدرجة واحدة‬ ‫أو بنقطة واحدة)‪ ،‬يرتبط بارتفاع يف العدوانية ّنقدار ‪ .‬وبتعبًن آخر أف اخلطأ ادلعياري ؽل ّكن من تقييم إُف أي‬ ‫مدى ػلتمل أف تكوف عليو استقرار قيم بارامرتات النموذج ادلقدرة‪ ،‬إذا أمكن اختبار مطابقة‬ ‫النموذج مرارا بأخذ عينات عديدة من اجملتمع‪ .‬فاخلطأ ادلعياري القريب من الصفر غلعل عملية حساب الداللة‬ ‫اإلحصائية (النسبة التائية ‪ t-test‬أو النسبة الزائية ‪ )z.‬أي إُف أي حد تقرتب قيم تقدير بارامرتات النموذج‬ ‫من البارامرتات احلقيقية للمجتمع‪ .‬‬ ‫بعض ىذا الفحص السريع لقيم النتائج‪ ،‬ننتقل اآلف إُف توضيح كيفية قراءة قيم‬ ‫تقديرات البارامرتات‪.81‬يف العواطف اإلغلابية‪.‫أكانت قيم تباين ادلتغًنات الكامنة أو العوامل‪ ،‬أو قيم تباين اخلطأ ألف وجوده يدؿ على أف‬ ‫نتائج التقدير اإلحصائي غًن مقبولة‪ ،‬وبالتاِف كل نتائج التحليل مدعاة للشك يف دقتها‪.94‬وبادلثل دلا كاف تشبع‬ ‫‪(EX4‬العواطف اإلغلابية) على عامل االنبساطية قدره ‪ 0.statistic‬غًن شلكنة‪ .‬‬ ‫إف القيم ادلوضوعة بٌن قوسٌن تدؿ على األخطاء ادلعيارية ‪، standard error‬‬ ‫واألخطاء ادلعيارية تبٌن مدى تدخل أو تأثًن أخطاء ادلعاينة(اختيار العينات) يف تقدير‬ ‫بارامرتات النموذج ادلفرتض من اجملتمع‪ .

9421‬مقسوما على ‪ .‬ذلك أنو‬ ‫بانتفاء اخلطأ ادلعياري القرتابو من الصفر ينتفي معو حساب الداللة اإلحصائية للبارامرت‪ .05‬مثال‪ ،‬إف‬ ‫قيمة االختبار اإلحصائي غلب أف يكوف أكرب من ‪ 1.statistic‬الختبار بأف قيمة البارامرت ادلقدر ؼلتلف إحصائيا عن الصفر‬ ‫عند مستوى ثقة معينة‪ .‫الكشف عن الداللة اإلحصائية بأف البارامرت ال يساوي صفرا‪.‬ويف‬ ‫ادلقابل‪ ،‬كلما ارتفعت قيمة اخلطأ ادلعياري دؿ ذلك على اضلفاض الدقة يف تقدير بارامرت‬ ‫اجملتمع‪ .96‬أو يساوي ىذه القيمة احلرجة لكي‬ ‫يتسىن رفض الفرضية الصفرية اليت تنص بأف قيمة البارامرت تساوي صفرا يف اجملتمع‪ ،‬وبالتاِف‬ ‫ؽلكن التعرؼ على البارامرتات (التشبعات‪ ،‬تباين األخطاء‪ ،‬تباين وتغاير العوامل) الدالة‬ ‫إحصائيا والبارامرتات غًن الدالة إحصائيا‪ .‬‬ ‫القيمة الثالثة بالنسبة لكل بارامرت يف النتائج أعاله تدؿ على قيمة النسبة التائية‬ ‫للداللة اإلحصائية‪ ،‬واليت تعكس القيمة ادلقدرة للبارامرت مقسومة على اخلطأ ادلعياري لو‪.‬والسبب يف ذلك أف حجم‬ ‫اخلطأ ادلعياري يتأثر بوحدة قياس ادلؤشرات وادلتغًنات الكامنة اليت تكوف متباينة‪ ،‬ويتػأثر أيضا‬ ‫ُنجم قيم تقدير معاَف البارامرتات اليت تتوقف على طبيعة البيانات‪.0525‬وبالتاِف فإف النسبة التائية ىنا ىي‬ ‫يف الواقع نسبة زائية ‪ z.‬‬ ‫‪-‬‬ .‬فعند استعماؿ مستوى داللة إحصائية (ألفا ‪ α‬دوف ‪ )0.‬‬ ‫وبالرجوع إُف النتائج السابقة ال تبدو ٖنة مشكلة تتعلق ُنجم األخطاء ادلعيارية‬ ‫للتشبعات‪ ،‬وقيم تباين أخطاء ادلؤشرات‪.‬‬ ‫إٗناال‪ ،‬ؽلكن القوؿ أنو كلما صغر اخلطأ ادلعياري دؿ على مستوى مرتفع من الدقة‬ ‫يف تقدير البارامرت‪ ،‬لكن غلب أال يكوف صغًنا جدا لدرجة االقرتاب من الصفر‪ .‬‬ ‫فبالنسبة ؿ ‪ N2‬تساوي ‪ 0. 0.‬فالتشبعات اليت تفتقر إُف داللة إحصائية‪ ،‬وعندما‬ ‫تكوف العينة ذات حجم كاؼ‪ ،‬تكوف مرشحة للحذؼ‪ ،‬أي يتم حذؼ ادلؤشر الذي يتشبع‬ ‫على عاملو تشبعا غًن داؿ إحصائيا يف وجود عينة كافية‪.‬لكن لألسف ال توجد قاعدة ٓندد مب نعترب قيمة اخلطأ ادلعياري مرتفعة‪ ،‬أي ما‬ ‫ىو ادلستوى الذي إذا تعداه اخلطأ ادلعياري اعترب وضعا إشكاليا‪ .

‬‬ ‫لفحص قيم النتائج أعاله‪ ،‬صلد أف قيم النسبة التائية (القيمة الثالثة لكل بارامرت‬ ‫أسفل القيمة ادلوضوعة بٌن قوسٌن) جلميع التشبعات‪ ،‬و تباين وتغاير العاملٌن كلها بعيدة‬ ‫عن ‪ 1.96‬عند مستوى داللة ‪ 0.‬كما‬ ‫أف عالقة عامل العصابية بعامل االنبساطية سالبة كما ىو مفرتض يف النموذج‪ ،‬ودالة‬ ‫إحصائيا‪ .‬ويوضح الشكل ( ‪ )13‬النموذج التخطيطي دلسارات النموذج العاملي الذي أخذناه‬ ‫من نتائج حزمة ليزرؿ‪ .‬وينطوي الشكل على ادلسارات ادلختلفة الدالة على تشبعات‬ ‫ادلؤشرات ادلقاسة بالعاملٌن‪ ،‬كما ينطوي على قيم تقدير البارامرتات (التشبعات والتغاير بٌن‬ ‫العاملٌن) بوحدات قياسها األصلية ‪ ،‬أي غًن ادلعيارية أو غًن ادلوحدة‪.05‬؛ وأعلى من ‪ 2.‬‬ ‫ولذلك يفضل أن تكون أخطاء القياس دالة إحصائيا لكن منخفضة أو صغيرة الحجم‪.01‬واخلالصة‬ ‫أف كل التشبعات دالة إحصائيا‪ ،‬شلا يدؿ على أنو توجد عالقة بٌن ادلؤشرات بعاملها‪ .56‬عند مستوى داللة ‪ .‫أما أخطاء قياس ادلؤشرات فيفضل أال تكوف كبًنة‪ ،‬أي ال تشكل نسبة كبًنة من‬ ‫رلمل التباين يف ادلؤشر ادلقاس الذي َف يقو العامل الذي ينتسب إليو ادلؤشر من تفسًنه‪،.‬‬ ‫لكن ىل معىن ذلك غلب أف تكوف غًن دالة إحصائيا‪ ،‬أي أهنا ال ٔنتلف عن الصفر يف‬ ‫اجملتمع؟‬ ‫إف أخطاء القياس غًن الدالة إحصائيا تدؿ على أف تباين ادلؤشرات ادلقاسة ٔنلو‬ ‫من األخطاء العشوائية‪ ،‬وىذا وضع مثاِف غًن واقعي ألف ادلؤشرات ادلقاسة كما تتجلى يف‬ ‫أدوات القياس واالختبارات وادلقاييس يف العلوـ االجتماعية ػ ّنا يف ذلك العلوـ الرتبوية‬ ‫والسلوكية (علم النفس) ػ ال بد أف ٓنتوي على ىامش من اخلطأ؛ إذ أف خلوىا من اخلطأ‬ ‫معناه أف ٖنة إشكاال معينا أفرز ىذا الوضع غًن الواقعي وغًن الطبيعي ألدوات القياس‬ ‫ادلستعملة‪ ،‬وبالتاِف للمؤشرات ادلقاسة اليت استعملت لقياس العوامل اليت تنتمي إليها‪.‬‬ ‫‪-‬‬ . 0.

‫اٌشىً ( ‪ِ ) 13‬غبس رخط‪١‬ط‪ٌٍّٕٛ ٟ‬رط اٌؼبٍِ‪ِ ٟ‬غزمطؼب ِٓ ٔزبئظ ٌ‪١‬ضسي ِؾز‪٠ٛ‬ب ػٍ‪ ٝ‬اٌجبساِزشاد‬ ‫اٌّمذسح ث‪ٛ‬ؽذر‪ٙ‬ب األصٍ‪١‬خ غ‪١‬ش اٌّؼ‪١‬بس‪٠‬خ‪٠ .residuals ٟ‬‬ ‫إف ما تقدـ كاف يتعلق بقيم البارامرتات (التشبعات‪ ،‬تباين اخلطا‪ ،‬تغاير العاملٌن‬ ‫‪-‬‬ .‬رذي األع‪ ُٙ‬اٌ‪ٛ‬ؽ‪١‬ذح اٌز‪ ٟ‬رزغٗ ِٓ اٌشىٍ‪ ٓ١‬اٌج‪١‬عب‪( ٓ١٠ٚ‬أ‪ٚ‬‬ ‫اٌذائشر‪ )ٓ١‬ئٌ‪ ٝ‬اٌّغزط‪١‬الد (اٌّإششاد اٌّمبعخ) ػٍ‪ ٝ‬اٌزشجؼبد ث‪ٛ‬ؽذاد غ‪١‬ش ِؼ‪١‬بس‪٠‬خ‪ٚ ،‬رذي األع‪ُٙ‬‬ ‫اٌصغ‪١‬شح اٌّ‪ٛ‬ع‪ٛ‬دح ‪٠‬غبس اٌّإششاد اٌّمبعخ (اٌّغزط‪١‬الد) ػٍ‪ ٝ‬رجب‪ ٓ٠‬أخطبء اٌم‪١‬بط ‪error variance‬‬ ‫أ‪ ٚ‬ث‪ٛ‬ال‪ ٟ‬رجب‪ ٓ٠‬اٌّإششاد اٌّمبعخ اٌز‪٠ ٌُ ٟ‬م‪ ٛ‬اٌؼبًِ اٌز‪ٕ٠ ٞ‬زغت ئٌ‪ ٗ١‬اٌّإشش اٌّمبط ِٓ‬ ‫رفغ‪١‬ش٘ب‪ٌٚ ،‬زٌه عّ‪١‬ذ أ‪٠‬عب ثبٌج‪ٛ‬ال‪.‬ذي اٌغ‪ ُٙ‬اٌّؾذة اٌّضد‪ٚ‬ط االرغبٖ ػٍ‪ ٝ‬اٌزغب‪٠‬ش ‪covariance‬‬ ‫ث‪ ٓ١‬ػبًِ اٌؼصبث‪١‬خ ‪ٚ‬ػبًِ االٔجغبغ‪١‬خ‪ٚ .

‬‬ ‫وفيما يلي نفس البارامرتات لكن حولت قيم تقديراهتا إُف وحدات معيارية [اجلدوؿ (‬ ‫‪.‫الكامنٌن ) باستعماؿ الوحدات األصلية لقياس ادلتغًنات‪ ،‬غًن أف اختالفها غلعل من غًن‬ ‫ادلمكن احلكم على حجم قيمة البارامرتات أو ادلقارنة بينها‪ .‬ولذلك من األفضل أف تفحص‬ ‫أيضا نتائج تقدير البارامرتات ولكن بوحدات معيارية‪ّ ،‬نعىن بعد توحيد وحدة قياس ادلتغًنات‬ ‫على اختالفها َنعل اضلرافها ادلعياري يساوي الواحد الصحيح ومتوسطها يساوي صفرا‪.8848‬‬ ‫‪N1‬‬ ‫‪0.‬زٖ اٌجبساِزشاد‬ ‫٘‪ ٟ‬اٌزشجؼبد‪ ،‬رغب‪٠‬ش اٌؼبٍِ‪ٚ ،ٓ١‬رجب‪ٚ ٓ٠‬رغب‪٠‬ش أخطبء ل‪١‬بط اٌّإششاد‪.8820‬‬ ‫‪N4‬‬ ‫‪0.8018‬‬ ‫‪EX1‬‬ ‫‪0.8485‬‬ ‫‪N2‬‬ ‫‪0.7895‬‬ ‫‪EX3‬‬ ‫‪0.])23‬‬ ‫عذ‪ٚ‬ي ( ‪ ) 83‬لغُ ِٓ إٌزبئظ اٌز‪ ٟ‬رٕط‪ ٞٛ‬ػٍ‪ ٝ‬رمذ‪٠‬شاد ل‪ ُ١‬اٌجبساِزشاد اٌّؼ‪١‬بس‪٠‬خ‪٘ٚ .8338‬‬ ‫‪EX2‬‬ ‫‪0.6990‬‬ ‫‪EX4‬‬ ‫يصفىفت االرتباط بٍٍ انعايهٍٍ‪ :‬انعصابٍت واالَبساطٍت‬ ‫‪-‬‬ ‫‪PHI‬‬ .8436‬‬ ‫‪N3‬‬ ‫‪0.‬‬ ‫يصفىفت تشبعاث انًؤشراث انًقاست عهى عىايهها‬ ‫االنبساطية‬ ‫‪EXTRAVER‬‬ ‫‪LAMBDA-X‬‬ ‫العصابية‬ ‫‪NEROTICI‬‬ ‫‪0.

0000‬‬ ‫‪NEROTICI‬‬ ‫‪1.2171‬‬ ‫‪EX4‬‬ ‫‪EX3‬‬ ‫‪------‬‬ ‫‪-------‬‬ ‫‪0.2800‬‬ ‫‪0.‫‪EXTRAVER‬‬ ‫‪1.‬وبادلثل دلا كاف تشبع‬ ‫‪-‬‬ ‫‪EX4‬‬ ‫(العواطف‬ .3570‬‬ ‫‪0.2221‬‬ ‫‪0.‬فمثال تشبع مؤشر‪( N2‬العدوانية) على عامل العصابية قدره ‪0.0000‬‬ ‫‪NEROTICI‬‬ ‫‪-0.85‬‬ ‫(عند االكتفاء برقمٌن بعد الفاصلة)‪ ،‬معناه أف ارتفاع العصابية بدرجة معيارية واحدة‪ ،‬يرتبط‬ ‫بارتفاع يف العدوانية قدره‬ ‫‪0.4350‬‬ ‫‪EXTRAVER‬‬ ‫يصفىفت تباٌٍ أخطاء انًؤشراث انًقاست‬ ‫‪THETA-DELTA‬‬ ‫‪EX2‬‬ ‫‪EX1‬‬ ‫‪N4‬‬ ‫‪N3‬‬ ‫‪N2‬‬ ‫‪N1‬‬ ‫‪-----‬‬ ‫‪------‬‬ ‫‪------‬‬ ‫‪-----‬‬ ‫‪------‬‬ ‫‪------‬‬ ‫‪0.3048‬‬ ‫‪0.3768‬‬ ‫اآلف بعد توحيد وحدات قياس ادلتغًنات ؽلكن احلكم على حجم القيمة ادلقدرة‬ ‫للبارامرت‪ ،‬كما ؽلكن ادلقارنة بٌن قيم البارامرتات ادلقدرة اليت تنتمي إُف نفس الصنف‪.85‬‬ ‫درجة معيارية‪ .5113‬‬ ‫‪0.‬‬ ‫لنركز أوال على مصفوفة التشبعات‪ّ ،‬نا أف وحدة قياس ادلؤشر وادلتغًن الكامن مت‬ ‫توحيدىا بتحويلها إُف درجات معيارية باضلراؼ معياري يساوي الواحد الصحيح وّنتوسط‬ ‫يساوي صفرا‪ ،‬فيمكن تأويل تشبع ادلؤشرات على عاملها كما تؤوؿ معامالت االضلدار‬ ‫ادلعيارية يف االضلدار ادلتعدد‪ .2883‬‬ ‫‪0.

70‬دؿ ذلك على أف ازدياد عامل االنبساطية بدرجة‬ ‫معيارية واحدة‪ ،‬يرتبط بارتفاع يف العواطف اإلغلابية ّنقدار‬ ‫‪0.‬‬ ‫ىذه النقطة اذلامة تفضي بنا إُف استنتاج ىاـ وىو أف تربيع التشبع ادلعياري (الذي‬ ‫ىو يف حقيقتو معامل ارتباط) يدؿ على نسبة التباين يف ادلؤشر اليت يفسرىا العامل الكامن‬ ‫الذي يتشبع عليو ذلك ادلؤشر‪ .85‬أو نسبة مئوية قدرىا ‪ 72‬بادلئة من‬ ‫تباين مؤشر ‪( N2‬العدوانية)‪.85‬‬ ‫معامل ارتباط مؤشر العدوانية بعاملو (العصابية) شريطة أف يتشبع مؤشر ‪( N2‬العدوانية) على‬ ‫عامل العصابية فقط‪ ،‬وال يتشبع يف الوقت نفسو على عامل االنبساطية‪ .‬‬ ‫وىذه القراءة تفضي إُف نتيجة أخرى ال تقل أعلية عن السابقة‪ ،‬وىي إذا كاف تربيع‬ ‫التشبع ؽلثل مقدار (نسبة) التباين ادلفسر يف ادلؤشر من طرؼ العامل الذي يتشبع عليو‪،‬‬ ‫فباقي التباين غًن ادلفسر كيف ينظر إليو؟‬ ‫قلنا يف مواضع عديدة أف باقي التباين يف ادلؤشر ادلقاس أو ادلتغًن ادلقاس الذي َف‬ ‫يفسره العامل الكامن أو ادلتغًن الكامن يدعى بالبواقي (باقي التباين غًن ادلفسر) وينظر إُف‬ ‫‪-‬‬ .‬فإذا احتفظنا بنفس ادلثاؿ أعاله‪ ،‬أي إف تشبع مؤشر‪N2‬‬ ‫(العدوانية) على عامل العصابية يساوي ‪ ، 0.‫اإلغلابية) على عامل االنبساطية قدره ‪ 0.85‬إذف يعترب ىذا التشبع الذي مقداره ‪0.72‬أي ‪ ) 20.‬وتصبح القراءة أكثر‬ ‫وضوحا وداللة عند تربيع قيمة معامل االرتباط أو التشبع ُنيث يدؿ تربيع التشبع على أف‬ ‫عامل العصابية يفسر نسبة تباين قدرىا ‪( 0.‬‬ ‫ومن األعلية ّنكاف معرفة أف أي تشبع معياري دلؤشر معٌن على عامل كامن واحد‬ ‫فقط ُنيث ال يتشبع يف ذات الوقت على العامل الكامن الثاين (أي ال يوجد ما يدعى‬ ‫بالتشبعات ادلتقاطعة ‪ ) cross-loading‬يفسر ىذا التشبع ادلعياري كمعامل ارتباط ادلؤشر‬ ‫بعاملو الذي يتشبع عليو‪ .‬دلاذا؟ ألف العامل الكامن الوحيد الذي يتشبع عليو ادلؤشر ؽلثل‬ ‫ادلتغًن الكامن الوحيد الذي يفسر تباين ىذا ادلؤشر‪.70‬‬ ‫درجة معيارية‪.

‬ىذه ادلعادلة تدؿ على نسبة التباين يف ادلؤشر الذي َف يقو العامل على تفسًنه‪،‬‬ ‫وبتعبًن آخر تباين اخلطأ‪.‬وبالتاِف ؽلكن احلكم‬ ‫على ىذه التشبعات بأهنا مرتفعة إٗناال‪ ،‬وبأهنا متقاربة يف قيمها وليست متفاوتة كثًنا‪،‬‬ ‫وبأهنا تعكس نسبة ال بأس شا من التباين اليت يفسرىا العامالف الكامناف من رلمل تباين‬ ‫مؤشراهتما‪ .‬‬ ‫وقد يالحظ القاري أف تباين خطأ ادلؤشر ‪( N2‬العدوانية) يساوي ‪( 0.28 :‬بأف نسبة ‪ 28‬بادلائة من تباين‬ ‫ادلؤشر ادلشاىد أو ادلقاس‪:‬العدوانية ( ‪ )N2‬ىو تباين خاص أو بواقي ٕنثل اخلطأ‪.‬‬ ‫ما سبق يرشدنا إُف كيفية قراءة بارمرتات التشبعات ادلعيارية بدقة‪ ،‬وباتباعها نستنتج‬ ‫أف مدى التشبعات يرتاوح من ‪( 0.72 -1‬تقرأ القيمة الناْنة عن الطرح‪ 0.88‬‬ ‫الذي يدؿ على تشبع ‪( N4‬اطلفاض الوعي بالذات) على العصابية‪ .85‬أي ‪ .‬‬ ‫ويرصد الشكل ( ‪ )03‬ادلسار التخطيطي ذلذا النموذج العاملي مصحوبا بالقيم‬ ‫‪-‬‬ .‬‬ ‫إذف ؽلكن حساب ىذه البواقي أو اخلطأ بأهنا تساوي كل تباين ادلؤشر زلذوؼ منو‬ ‫نسبة التباين اليت فسرىا العامل الذي يتشبع عليو ىذا ادلؤشر أي‪[ :‬‬ ‫‪1‬‬ ‫– مربع تشبع‬ ‫المؤشر]‪ .‫ىذه البواقي بأهنا ٕنثل اخلطأ‪.70‬يدؿ على أف عامل االنبساطية يفسر نسبة مئوية‬ ‫قدرىا ‪ 49‬بادلائة من تباين مؤشر العواطف اإلغلابية (‪ ،)EX4‬وىي نسبة ال بأس شا‪ .70‬أي عند تقريب القيمة التالية ‪ 0.]0.6990‬إُف رقمٌن بعد‬ ‫الفاصلة) اليت تدؿ على تشبع ‪( EX4‬العواطف اإلغلابية) على االنبساطية‪ ،‬إُف التشبع ‪0.‬وأف‬ ‫أعلى تشبع ‪ 0.‬وؽلكن احلصوؿ على قيمة خطأ التباين باستعماؿ ادلعادلة السابقة[ ‪– 1‬‬ ‫‪ 20.‬ذلك ألف أصغر تشبع ‪ 0.88‬يدؿ على أف عامل العصابية يفسر نسبة مئوية قدرىا ‪ 78‬بادلائة من تباين‬ ‫مؤشر اطلفاض الوعي بالذات (‪ ،)N4‬وىي نسبة تباين مفسر مرتفعة‪.28‬أنظر‬ ‫مصفوفة التباين والتغاير ألخطاء أو بواقي ادلؤشرات ادلقاسة ‪ THETA-DELTA‬يف النتائج‬ ‫ادلعيارية أعاله)‪ .

‬‬ ‫شىً ( ‪ِ ) 23‬غبس رخط‪١‬ط‪ٌٍّٕٛ ٟ‬رط اٌؼبٍِ‪ِ ٟ‬غزمطؼب ِٓ ٔزبئظ ٌ‪١‬ضسي ِؾز‪٠ٛ‬ب ػٍ‪ ٝ‬اٌجبساِزشاد‬ ‫اٌّمذسح ث‪ٛ‬ؽذاد ِؼ‪١‬بس‪٠‬خ‪٠ .‫ادلعيارية للبارامرتات أي التشبعات ادلعيارية‪ ،‬وتباين اخلطأ للمؤشرات بدرجات معيارية ومعامل‬ ‫االرتباط بٌن العاملٌن‪.‬ذي اٌغ‪ ُٙ‬اٌّؾذة اٌّضد‪ٚ‬ط االرغبٖ ػٍ‪ ٝ‬اٌزغب‪٠‬ش االسرجبغ ث‪ ٓ١‬ػبًِ اٌؼصبث‪١‬خ‬ ‫‪-‬‬ .

90‬فإف ارتفاع‬ ‫مستوى معامل االرتباط غلعل الباحث يشك يف أف العاملٌن متمايزين بل متشاشٌن لدرجة‬ ‫أنو ؽلكن درلمها يف عامل واحد‪. 153.) Lomax.‬وىذه المعلومة يمكن استقاؤىا من معاينة مربعات معامالت االرتباط‬ ‫المتعدد‬ ‫)‪squared multiple correlation(R2‬‬ ‫(وتدعى أيضا بمعامالت التحديد المتعدد‬ ‫‪ ) multiple coefficient of determination‬التي تعكس ثبات المؤشرات(‬ ‫. 2004.residuals ٟ‬‬ ‫تبقى قراءة أخًنة للنتائج السابقة يف الجدول ( ‪ ،)83‬وىي أف العالقة بٌن العاملٌن‬ ‫الكامنٌن العصابية واالنبساطية يف مصفوفة فاي تدعى ارتباطا‪ ،‬ألف العالقة بٌن العاملٌن‬ ‫باستعماؿ الوحدات ادلعيارية تنتج ارتباطات وليس تغايرات‪ . Diamantopoulos & Siguaw.‬‬ ‫نخائش منٌرس انقْاس‪:‬‬ ‫لقد اطلعنا على نتائج تقدير بارامرتات التشبعات ‪ ،‬ونتائج تباين خطأ ادلؤشرات‬ ‫ادلقاسة ونتائج العالقة بٌن العاملٌن الكامنٌن بدرجاهتا األصلية ودرجاهتا ادلعيارية‪ ،‬ويبقى اآلف‬ ‫أف نركز على دقة قياس ادلؤشرات ادلقاسة لعواملها أو ثباهتا ‪ . Schumacker‬‬ ‫.‬وكونو ارتباطا متواضعا‬ ‫أيضا يعزز فرضية التمايز النسع بٌن العاملٌن ُنيث أف لكل عامل ىوية ٕنيزه نسبيا عن‬ ‫العامل اآلخر‪ .‪Bollen. 2000. 1998. p:104.‬ويظهر أيضا أف معامل االرتباط‬ ‫يساوي ‪ -0. p.p:89-90.1996.‬رذي األع‪ ُٙ‬اٌ‪ٛ‬ؽ‪١‬ذح اٌز‪ ٟ‬رزغٗ ِٓ اٌشىٍ‪ ٓ١‬اٌج‪١‬عب‪( ٓ١٠ٚ‬أ‪ ٚ‬اٌذائشر‪ )ٓ١‬ئٌ‪ٝ‬‬ ‫اٌّغزط‪١‬الد (اٌّإششاد اٌّمبعخ) ػٍ‪ ٝ‬اٌزشجؼبد ث‪ٛ‬ؽذاد ِؼ‪١‬بس‪٠‬خ‪ٚ ،‬رذي األع‪ ُٙ‬اٌصغ‪١‬شح اٌّ‪ٛ‬ع‪ٛ‬دح‬ ‫‪٠‬غبس اٌّإششاد اٌّمبعخ (اٌّغزط‪١‬الد) ػٍ‪ ٝ‬رجب‪ ٓ٠‬أخطبء اٌم‪١‬بط ‪ error variance‬أ‪ ٚ‬ث‪ٛ‬ال‪ ٟ‬رجب‪ٓ٠‬‬ ‫اٌّإششاد اٌّمبعخ اٌز‪٠ ٌُ ٟ‬م‪ ٛ‬اٌؼبًِ اٌز‪ٕ٠ ٞ‬زغت ئٌ‪ ٗ١‬اٌّإشش اٌّمبط ِٓ رفغ‪١‬ش٘ب‪ٌٚ ،‬زٌه‬ ‫عّ‪١‬ذ أ‪٠‬عب ثبٌج‪ٛ‬ال‪.‬أما إذا افرتضنا أف االرتباط بينهما كاف قويا (كأف يساوي ‪ ) -0.‫‪ٚ‬ػبًِ االٔجغبغ‪١‬خ‪ٚ .81. p:201‬لنتأمل النتائج يف الجدول ( ‪ ،)93‬لقد قلنا أف‬ ‫‪-‬‬ .43‬وىو ارتباط متواضع وسالب يتماشى مع توقع الباحث للعالقة بٌن العاملٌن‬ ‫باعتبار أف ارتفاع درجات أحدعلا يرتبط باطلفاض درجات اآلخر‪ . 1989‬‬ ‫& ‪Byrne.‪ .Reliability of indicators‬وثبات‬ ‫ادلؤشرات ادلقاسة تدؿ على مدى خلو قياسها لعاملها (ادلفهوـ الذي ؽلثل العامل) من‬ ‫األخطاء العشوائية‪ .

7829‬‬ ‫وتقرأ معامالت ثبات ادلؤشرات بنفس الطريقة اليت تقرأ شا مربع تشبع‬ ‫ادلؤشر(بالدرجات ادلعيارية) على عاملو فقط‪ .‬فمثال معامل ثبات مؤشر القلق (‪ )N1‬الذي‬ ‫يساوي (‪ )0.‬‬ ‫أما صدؽ ادلؤشرات ادلقاسة فتمثلو قيمة التشبعات المعيارية ذاتها‪ ،‬إذ يعترب‬ ‫مقدار تشبع ادلؤشر ادلقاس على عاملو معامل صدؽ‪ ،‬ألنو عندما نضرب قيمة تشبع مؤشر‬ ‫معٌن (فقرة أو مقياس أو غًنعلا) على عاملو بالدرجة اخلاـ للمؤشر (درجة الفقرة أو درجة‬ ‫ادلقياس) فإننا ضلصل على نسبة تباين درجة ادلؤشر ادلقاس اليت ٕنثل مقدار تباين الدرجة‬ ‫احلقيقية اليت تعكس الصدؽ‪.‬‬ ‫‪EX4‬‬ ‫‪EX3‬‬ ‫‪EX2‬‬ ‫‪EX1‬‬ ‫‪N4‬‬ ‫‪N3‬‬ ‫‪--------‬‬ ‫‪--------‬‬ ‫‪--------‬‬ ‫‪--------‬‬ ‫‪--------‬‬ ‫‪--------‬‬ ‫‪0.00‬إُف ‪ .00‬أما قيمها يف البيانات احلالية فترتاوح من ‪ 0.‬وقيم معامالت ثبات درجات‬ ‫ادلؤشرات (مربع معامالت ارتاباطاهتا) مرتفعة إٗناال‪ .43‬دلؤشر‬ ‫( مؤشر العوطف اإلغلابية) إُف ‪ 0.‫مربع معامالت االرتباط ادلتعدد ىذه تدؿ على ثبات ادلؤشرات الثمانية ادلقاسة‪ ،‬وترتاوح‬ ‫قيمها النظرية من ‪ 0.6952‬‬ ‫‪0.78‬دلؤشر ‪( N1‬مؤشرالقلق )‪ .49‬‬ ‫عذ‪ٚ‬ي ( ‪ِ :)93‬ؼبِالد االسرجبغ اٌّزؼذد )‪ٌٍ squared multiple correlation(R2‬ذالٌخ ػٍ‪ٔ ٝ‬غجخ‬ ‫اٌزجب‪ ٓ٠‬ف‪ ٟ‬اٌّإشش اٌز‪٠ ٞ‬فغشٖ اٌؼبًِ اٌز‪ٕ٠ ٞ‬زّ‪ ٟ‬ئٌ‪ ٗ١‬اٌّإشش اٌّمبط‪ٚ .87‬يدؿ على أف ‪ 87‬بادلائة من تباين مؤشر مقياس القلق يفسره العامل الكامن‬ ‫العصابية الذي ينتمي إليو ىذا ادلؤشر‪.) 0.4887‬‬ ‫‪0.6232‬‬ ‫‪0.7779‬‬ ‫‪0.7200‬‬ ‫‪N1‬‬ ‫‪-------‬‬‫‪0.‬‬ ‫وعند معاينة تشبعات ادلؤشرات على عامليها يف اجلدوؿ ( ‪ )23‬صلد أف‬ ‫‪-‬‬ . 1.‬وثبات مؤشرات عامل العصابية (‪N1-‬‬ ‫‪ ) N4‬أعلى من قيم معامالت ثبات االنبساطية ( ‪ ،) EXT1-EXT4‬لكن كلها مرتفعة نسبيا‬ ‫‪EX4‬‬ ‫باستثناء مؤشر ‪ EXT4‬فمعامل ثباتو متواضع‬ ‫(‪:.6430‬‬ ‫‪0.‬رإ‪ٚ‬ي ِؼبِالد االسرجبغ‬ ‫اٌّزؼذد ثبػزجبس٘ب رذي ػٍ‪ِ ٝ‬ؼبِالد اٌضجبد ٌٍّإششاد اٌّمبعخ‪.7117‬‬ ‫‪N2‬‬ ‫‪-------‬‬‫‪0.

‬‬ ‫‪78‬‬ ‫بادلائة من تباين مؤشر اطلفاض الوعي بالذات (‪ ،)N4‬وىي نسبة‬ ‫وعلى الرغم من أف معامالت الصدؽ أو التشبعات مرتفعة إٗناال‪ ،‬إال أف‬ ‫معامالت صدؽ مؤشرات عامل العصابية أعلى بقليل من معامالت الصدؽ دلؤشرات‬ ‫االنبساطية‪.validity‬ويتجلى الصدق التقاربي في اشتراك مجموعة من المؤشرات في قياس عامل‬ ‫معين بحيث أن فيم التشبع المرتفعة للمؤشرات التي تقيس عامال تعتبر دليال على‬ ‫‪-‬‬ .88‬ويدؿ على تشبع ‪( N4‬اطلفاض الوعي بالذات) على عامل‬ ‫العصابية ‪ .‬وبالتاِف ؽلكن احلكم على ىذه التشبعات ٗنيعا بأهنا مرتفعة إٗناال‪ ،‬وبأهنا‬ ‫متقاربة يف قيمها وليست متفاوتة كثًنا‪ ،‬وبأهنا تعكس نسبة ال بأس شا من التباين اليت‬ ‫يفسرىا العامالف الكامناف من رلمل تباين مؤشراهتما‪ .‬ذلك ألف أصغر تشبع ‪ 0.42‬‬ ‫دلؤشر ادلشاعر اإلغلابية (‪ ،)EX4‬إُف ‪ 2.)N4‬وأف معامالت‬ ‫الصدؽ لعامل االنبساطية كما تتجلى يف قيمة تشبعات ادلؤشرات ادلقاسة ترتاوح من ‪2.70‬يدؿ على‬ ‫أف عامل االنبساطية يفسر نسبة مئوية قدرىا ‪ 49‬بادلائة من تباين مؤشر العواطف اإلغلابية‬ ‫(‪ )EX4‬وىي نسبة ال بأس شا‪ .23‬دلؤشر الوداعة (‪.88‬يدؿ على أف عامل العصابية يفسر‬ ‫نسبة مئوية قدرىا‬ ‫تباين مفسرة مرتفعة‪.22‬دلؤشر القلق (‪ )N1‬ومؤشر الوعي الذات (‪ .21‬دلؤشر‬ ‫االكتئاب (‪ ،)N3‬إُف ‪ 2.‬‬ ‫وؽلكن أيضا أف نقدر الصدؽ على مستوى رلموعة ادلؤشرات اليت تشرتؾ يف قياس‬ ‫عامل واحد من منظور الصدؽ التقار ‪ Convergent validity‬والصدؽ التمايزي ‪Discriminant‬‬ ‫‪ .‫معامالت الصدؽ (تشبعات ادلؤشرات ادلقاسة) لعامل العصابية تراوحت من ‪ 2.‬وأف أعلى تشبع ‪ 0.70‬اليت ٕنثل تشبع ‪( EX4‬العواطف اإلغلابية) على عامل االنبساطية‪ ،‬وأف‬ ‫أعلى تشبع يساوي ‪ ،0.)EX2‬‬ ‫وأخذا بعٌن االعتبار كافة تشبعات ادلؤشرات ادلقاسة الثمانية‪ ،‬نالحظ أف قيمة أدىن‬ ‫تشبع تساوي ‪ 0.

)Kline.43‬وتقوًن قوة معامل االرتباط تؤسس على‬ ‫شدتو ومستواه ال على داللتو اإلحصائية‪ ،‬ألف الداللة اإلحصائية تتأثر ُنجم العينة‪ُ ،‬نيث‬ ‫أف أية قيمة دلعامل االرتباط حب ولو كانت قريبة من الصفر تكوف دالة عند مستويات‬ ‫مرتفعة من الداللة (دوف الواحد من ادلائة‪ ،‬أو دوف الواحد من األلف)‪ . 75‬ذلك‬ ‫ألف اطلفاض االرتباط بٌن العوامل الكامنة يدؿ على ٕنايز مساعلة كل عامل يف تفسًن تباين‬ ‫مؤشراتو ادلقاسة‪ ،‬أو استئثار كل عامل يف ٓنديد مساحة العالقة ادلشرتكة بينو وبٌن مؤشراتو‬ ‫ادلق اسة وال ينازعو يف ذلك عامل آخر الطلفاض االرتباط بو‪ .‬أما إذا كاف معامل االرتباط بٌن‬ ‫العوامل مرتفعا كأف يتجاوز الثمانية من عشرة فمن احملتمل جدا أف ىذه العوامل ؽلكن أف‬ ‫تتلخص يف عامل واحد ألف ما يوحد بينها أعلى بكثًن من اجلوانب اليت ٕنيزىا‪.‬‬ ‫أما بالنسبة للصدؽ التمايزي‪ ،‬فنالحظ أف معامل االرتباط بٌن عامل العصابية‬ ‫وعامل االنبساطية سالب وداؿ إحصائيا ( ‪.)-0.‬ولذلك تعتمد القيمة‬ ‫ادلطلقة دلعامل االرتباط(بغض النظر عن إشارة معامل االرتباط ىل ىو موجب أو سالب)‬ ‫للحكم على توفر الصدؽ التمايزي بٌن العوامل أو عدـ توفره‪ .43‬بغض النظر عن اإلشارة يدؿ على وجود ارتباط منخفض أو معتدؿ إُف حد ما بٌن‬ ‫عامل العصابية وعامل االنبساطية شلا يعزز ٕنايز العاملٌن‪ ،‬أي ٕنتعهما بالصدؽ التمييزي‪.‬‬ ‫‪-‬‬ . 2005.‬ومعامل االرتباط الذي قدره‬ ‫( ‪ ) 0.‬‬ ‫وبالرجوع إُف مثالنا وعند معاينة الشكل ( ‪ )23‬و الجدول ( ‪ )83‬صلد أف تشبعات‬ ‫مؤشرات العصابية مرتفعة وكذا تشبعات مؤشرات االنبساطية‪ ،‬شلا يدؿ على ٕنتع عامل‬ ‫العصابية وعامل االنبساطية على الصدؽ التقار ألف كال العاملٌن تربطهما عالقات قوية‬ ‫ّنؤشراهتا اليت وظفت لقياسها‪. p.‫الصدق التقاربي‪ ،‬وأن معامالت االرتباط غير المرتفعة (المنخفضة أو المعتدلة ) بين‬ ‫العوامل الكامنة ذاتها توظف كدليل على الصدق التمايزي (‪ .

- .

‫انفـصم انشابغ‬ ‫يشحهت فحص انبٌاقِ ‪،residuals‬‬ ‫ًيؤششاث انخؼذّم ‪fit indices‬‬ ‫ملشاصؼت اننًٌرس ًحصحْحو‬ ‫‪-‬‬ .

- .

‬أو أف النموذج قد‬ ‫‪-‬‬ .‬ففي وجود مطابقة عامة جيدة للنموذج فإف ذلك ال‬ ‫يستبعد أف تكوف بعض أجزاء النموذج إشكالية ُنيث ال تنسجم مع ىذه الصورة العامة‬ ‫جلودة مطابقة النموذج‪ .‬‬ ‫ومن جهة أخرى‪ ،‬فإف دور مؤشرات ادلطابقة رسم صورة إٗنالية‪ ،‬وغًن تفصيلية‬ ‫عن جودة مطابقة النموذج النظري‪ .‬‬ ‫من حق القارئ ػ وبعد اطالعو على مؤشرات ادلطابقة ػ أف يتساءؿ‪ :‬ىل من‬ ‫الضروري استعماؿ مؤشرات التعديل بعد اختبار مدى مطابقة النموذج باستعماؿ مؤشرات‬ ‫ادلطابقة‪ .‬أليست مؤشرات ادلطابقة كافية للداللة على صحة النموذج إذا كنت ادلطابقة‬ ‫جيدة‪ ،‬وللداللة على مواطن الضعف يف النموذج إذا كانت ادلطابقة ضعيفة؟‬ ‫لقد سبق أف أشرنا إُف فكرة جوىرية عند اختبار النموذج النظري بأف ٕنتع‬ ‫النموذج ّنطابقة جيدة بناء على نتائج مؤشرات ادلطابقة ليس دليال على صحة النموذج‪ ،‬إذ‬ ‫من احملتمل جدا أف توجد ظلاذج أخرى لنفس مشكلة البحث تتفوؽ على النموذج السابق‬ ‫تنظًنا ومطابقة‪َ ،‬ف يهتد الباحث إُف الكشف عنها‪.‬فقد توجد مطابقة جيدة عامة للنموذج‪ ،‬لكن عالقة بعض ادلؤشرات‬ ‫ادلقاسة بعاملها ضعيفة‪ ،‬أو أف العالقة االرتباطية بٌن بعض العوامل الكامنة سالبة بدال من‬ ‫أف تكوف موجبة‪ ،‬أو موجبة بدال من أف تكوف سالبة‪ ،‬أو أف تكوف بعضها غًن داؿ‬ ‫إحصائيا‪ ،‬أو أف النموذج ذو ادلطابقة اجليدة قاـ على افرتاض استقالؿ أخطاء قياس بعض‬ ‫ادلؤشرات بدال من أف تكوف يف الواقع مرتبطة الشرتاكها يف طريقة القياس‪ .‫حؼذّم اننًٌرس املفرتض يف ظٌء فحص انبٌاقِ‬ ‫ًيؤششاث انخؼذّم‪.

2004‬‬ ‫أًال ـ طشّقت‬ ‫انبٌاقِ‪:‬‬ ‫لكل ظلوذج مفرتض توجد ثالث مصفوفات تباين وتغاير (مصفوفات ادلعلومات)‬ ‫وىي‪ :‬مصفوفة التباين والتغاير للعينة ويرمز ذلا كما سلف ب ‪ S‬؛ ومصفوفة التباين والتغاير‬ ‫‪-‬‬ . 2006‬‬ ‫.‫يفتقر إُف مؤشرات مقاسة دقيقة َف يتفطن إليها الباحث‪ ،‬بل قد ال نعدـ وجود ظلاذج ذات‬ ‫مطابقة جيدة على الرغم من أف جل تشبعات ادلؤشرات على عواملها ضعيفة‪ . Raykov & Marcoulides. 2006. 2006‬‬ ‫‪.‬‬ ‫ومن جهة أخرى‪ ،‬فإف مؤشرات ادلطابقة قد تشًن إُف مطابقة غًن كافية‬ ‫للنموذج ادلفرتض‪ ،‬ولكن مؤشرات ادلطابقة ال تزود الباحث ّنعلومات تشخيصية للنموذج‬ ‫ُنيث تبٌن دلاذا افتقر النموذج ادلفرتض إُف مطابقة كافية‪ ،‬كما ال ترشد الباحث إُف موطن‬ ‫اخللل يف ادلطابقة‪ . 1998.‪Browne.‬‬ ‫ولفحص مواطن اخللل يف مواقع موضعية يف النموذج ادلفرتض‪ ،‬أو خلل يف جزء أو‬ ‫عنصر (قد يكوف عالقة أو بارامرت أو غًنه) من عناصر النموذج‪ ،‬توجد طريقتاف أو‬ ‫إسرتاتيجيتاف واسعتا االستعماؿ‪ :‬طريقة فحص البواقي ‪ ، residuals‬وطريقة فحص مؤشرات‬ ‫التعديل‬ ‫‪modification indices‬‬ ‫اليت توفرىا كل احلزـ اإلحصائية ادلختصة (‬ ‫.)Schumacker & Lomax. 2000.‬وبالتاِف ف إف ادلعاينة الفاحصة لقيم البواقي‪ ،‬ومؤشرات التعديل تساىم‬ ‫بقسط وافر يف تشخيص مواطن اخللل‪ ،‬وتقرتح بدائل حلل اإلشكاالت اليت تتخلل بعض‬ ‫أجزاء النموذج‪ ،‬وتطبق بعض البدائل إذا كانت تنسجم مع اإلطار النظري الذي اعتمده‬ ‫الباحث‪.‬طللص من‬ ‫ذلك كلو أف ٕنتع النموذج النظري ّنطابقة جيدة ليس ضمانا على أف النموذج ؼللو من‬ ‫مواطن ضعف‪ ،‬أو مشاكل موضعية تتعلق ببعض أجزائو أو ببعض بارامرتاتو أو عالقاتو‬ ‫الفردية التفصيلية‪. 1996.‪Byrne. Diamantopoulos & Siguaw.

]  .‬ففي مثالنا عن‬ ‫النموذج ادلكوف من عاملٌن يوجد ‪ 8‬مؤشرات مقاسة‪ ،‬وبالتاِف فإف مصفوفة البواقي ستحتوي‬ ‫على ‪[ 63‬أي‪ ]2/)9×8( :‬عنصرا أو قيمة من قيم البواقي‪ .‬‬ ‫إف ٓنليل البواقي ٓنليل على مستوى ادلتغًنات ادلقاسة وليس على مستوى النموذج‬ ‫اإلٗناِف‪ .‬وبالرجوع إُف اجلدوؿ (‪)11‬‬ ‫صلد أف كل عنصر أو قيمة من عناصر مصفوفة التباين والتغاير للبواقي (مصفوفة البواقي‬ ‫اختصارا)(أنظر مصفوفة ج يف اجلدوؿ ) ىي حاصل طرح عناصر قيم التباين والتغاير‬ ‫دلصفوفة النموذج ادلفرتض (ادلصفوفة ج) من عناصر قيم التباين والتغاير دلصفوفة العينة‬ ‫(ادلصفوفة أ)‪.‬وذلك بالرجوع إُف النتائج اليت زودتنا شا حزمة ليزرؿ فيما يتعلق ببيانات‬ ‫النموذج ادلوضح يف الشكل ( ‪ )12‬و الشكل (‪ )32‬الذي شرعنا يف تطبيق خطوات‬ ‫النمذجة عليو يف الفصل الثاين والثالث‪.S‬وسنوضح ّنثاؿ ادلصفوفات الثالثة حب يكوف شرحنا للبواقي‬ ‫شرحا عمليا‪ .‫بٌن ادلؤشرات القائمة على العالقات ادلفرتض يف النموذج النظري (ظلوذج البحث أو النموذج‬ ‫ادلفرتض) ويرمز ذلا عادة بسيجما ‪ ‬؛ ومصفوفة التباين والتغاير للبواقي‪ُ ،‬نيث أهنا ٕنثل‬ ‫الفرؽ بٌن عناصر مصفوفة العينة والعناصر ادلناظرة ذلا يف مصفوفة النموذج ادلفرتض‬ ‫[مصفوفة البواقي= ‪ .‬‬ ‫واجلدوؿ (‪ )14‬يعرض ادلصفوفات ذات العالقة بالنموذج العاملي ادلوضح يف‬ ‫الشكل (‪ )12‬وأيضا الشكل ( ‪ ،)32‬وىي مصفوفة التباين والتغاير للعينة‪ ،‬ومصفوفة‬ ‫التباين والتغاير القائمة على النموذج ادلفرتض أو ادلتوقع ‪ ،‬ومصفوفة التباين والتغاير للبواقي‬ ‫غًن ادلعيارية (استعماؿ وحدة قياس ادلؤشرات األصلية)‪ ،‬ومصفوفة التباين والتغاير للبواقي‬ ‫ادلعيارية‪.‬‬ ‫‪-‬‬ .‬فلكل مؤشرين أو متغًنين مالحظٌن توجد قيمة واحدة من القيم‪ .

1100 38.3600‬‬ ‫‪N2‬‬ ‫‪27.0014‬‬ ‫‪Model-based variance-covariance matrix () or fitted or predicted matrix‬‬ ‫يصفىفت انتباٌٍ وانتغاٌر انقائًت عهى انًُىرج انًفترض أو انًتىقع (يصفىفت ب)‬ ‫‪EX4‬‬ ‫‪EX3‬‬ ‫‪EX1‬‬ ‫‪EX2‬‬ ‫‪N4‬‬ ‫‪N3‬‬ ‫‪N2‬‬ ‫‪N1‬‬ ‫‪32.6669‬‬ ‫‪N3‬‬ ‫‪25.3400 -10.4400‬‬ ‫‪EX2 -11.6153 31.6170‬‬ ‫‪-7.8715‬‬ ‫‪-8.1472 -13.4653 -7.4826‬‬ ‫‪N2‬‬ ‫‪25.5876‬‬ ‫‪-‬‬ .3548 23.9654 -10.‫عذ‪ٚ‬ي (‪ِ )14‬صف‪ٛ‬فخ اٌؼ‪ٕ١‬خ‪ِٚ ،‬صف‪ٛ‬فخ إٌّ‪ٛ‬رط‪ِٚ ،‬صف‪ٛ‬فخ اٌج‪ٛ‬ال‪ ٟ‬غ‪١‬ش اٌّؼ‪١‬بس‪٠‬خ ‪ِٚ‬صف‪ٛ‬فخ اٌج‪ٛ‬ال‪ٟ‬‬ ‫اٌّؼ‪١‬بس‪٠‬خ ٌّضبي ّٔ‪ٛ‬رط اٌؼبٍِ‪ :ٓ١‬االٔط‪ٛ‬ائ‪١‬خ ‪ٚ‬االٔجغبغ‪١‬خ اٌّ‪ٛ‬ظؼ ف‪ ٟ‬اٌشىً ( ‪ )12‬ف‪ ٟ‬اٌفصً‬ ‫اٌضبٔ‪.4900‬‬ ‫‪N1‬‬ ‫‪23.2613 32.0042 -10.1401 -11.6493 23.8756 36.0000‬‬ ‫‪EX1 -10.7978 32.ٟ‬‬ ‫يصفىفت انتباٌٍ وانتغاٌر نهعٍُت (يصفىفت أ)‬ ‫)‪Sample Variance-covariance Matrix(S‬‬ ‫‪EX4‬‬ ‫‪EX3‬‬ ‫‪EX2‬‬ ‫‪EX1‬‬ ‫‪N3‬‬ ‫‪N4‬‬ ‫‪N1‬‬ ‫‪N2‬‬ ‫‪32.2358 17.4900‬‬ ‫‪N4‬‬ ‫‪EX1 -12.5570 27.8335 20.4106 40.5599 18.6839 -12.1674‬‬ ‫‪-9.1437 32.5890 18.0000‬‬ ‫‪-9.3003 -10.6170 21.9424 20.4900‬‬ ‫‪N1‬‬ ‫‪31.0063 32.0907 -9.9650 31.9600‬‬ ‫‪N3‬‬ ‫‪25.5680‬‬ ‫‪EX3 -9.7216 -11.4900‬‬ ‫‪-9.2314 25.9040 -9.9600‬‬ ‫‪26.3035 24.3600‬‬ ‫‪-8.4400‬‬ ‫‪-9.3600‬‬ ‫‪24.5542‬‬ ‫‪EX2 -11.6828 23.1934‬‬ ‫‪EX4 -8.5202 36.6558 40.8700 38.4900‬‬ ‫‪EX3 -9.6704 -10.8204 17.4900‬‬ ‫‪N4‬‬ ‫‪-9.8346 -9.2772 23.3600‬‬ ‫‪EX4 -9.8397 21.2988 -10.0667 31.9436 -11.2249 -10.4358 25.8878 27.

0755 -0.6788 .2036 -2.6405 0.0000 EX 4 -0.0754 -0.3126 0.6409 -0.2970 -- EX 2 0.7395 -0.2718 0.0000 EX 1 -1.2194 0.1909 0.4052 - -- 0.- .0776 -0.6542 -0.2227 0.- EX 4 -0.0620 -0.7927 N3 -1.8678 0.5570 -- N4 -0.0000 EX 2 0.2400 0.1726 0.4500 -0.1253 -1.1624 -1.6279 0.3554 0.1170 1.0000 Standardized Residuals Matrix )‫يصفىفت انتباٌٍ وانتغاٌر نهبىاقً انًعٍارٌت (يصفىفت د‬ N1 N2 N3 N4 N1 -- N2 1.0000 N2 0.3476 -1.7896 0.1678 1.5645 -0.‫يصفىفت انتباٌٍ وانتغاٌر نهبىاقً غٍر انًعٍارٌت (استعًال وحذة قٍاس انًؤشراث‬ )‫األصهٍت)(يصفىفت ج‬ Fitted Residual Matrix or The Unstandardized Residual Matrix N1 N2 N3 N4 N1 0.9623 0.8157 0.2666 0.1515 0.2550 0.6541 0.4515 0.7080 .1901 0.6530 EX 3 0.5566 -1.3531 0.2545 0.0000 EX 3 0.8689 EX 1 EX 2 EX 3 EX 4 -- -- EX 1 -1.0000 EX 1 EX 2 EX 3 EX 4 0.8911 0.3716 -0.3309 0.5177 N3 -0.0000 N4 -0.2191 -0.0335 -0.0923 -0.2361 1.4139 0.2452 0.

‬فمثال‪ ،‬إف قيمة البواقي للعالقة بٌن‬ ‫‪N1‬‬ ‫و‬ ‫‪N2‬‬ ‫ىي‬ ‫‪1.‬وللتغلب على ىذه ادلشكلة تستعمل‬ ‫مصفوفة البواقي ادلعيارية ‪( Standardized residual matrix‬ادلصفوفة د) عوضا عن مصفوفة‬ ‫البواقي غًن ادلعيارية (ادلصفوفة ج)‪ .‫غًن أف قيم مصفوفة البواقي (ج) تعتمد على وحدة القياس األصلية اليت قيست شا‬ ‫ادلتغًنات أو ادلؤشرات ادلقاسة ولذلك تستعصي عن تأويل حجم قيم بواقيها‪ ،‬إذ من الصعب‬ ‫ااحلكم على حجم قيم بواقي النموذج ادلفرتض بأهنا صغًنة أو كبًنة عندما ٔنتلف وحدة‬ ‫قياس ادلتغًنات ادلقاسة أو ادلؤشرات اختالفا كبًنا‪ .65‬وىي قيمة سالبة ألف تغاير ىذين ادلؤشرين يف مصفوفة‬ ‫‪-‬‬ .‬‬ ‫وتدل قيمة البواقي المعيارية السالبة على أن بارامترات النموذج المفترض‬ ‫تغالي أو تضخم إلى حد ما تقدير العالقة بين مؤشرين‪ .)23.‬البواقي الموجبة اإلشارة تدل‬ ‫على أن بارامترات النموذج المفترض تقلص في تقديرىا لعالقة معامل االرتباط بين‬ ‫مؤشرين إلى حد ما‪ .‬‬ ‫عند فحص مصفوفة البواقي ادلعيارية (مصفوفة د) يف اجلدوؿ (‪ ، )11‬صلد أف‬ ‫بعض البواقي موجبة اإلشارة وبعضها اآلخر سالبة اإلشارة‪ .‬وإشارهتا ادلوجبة متسقة لكوف التغاير بٌن ىذين ادلؤشرين يف العينة‬ ‫(‪ )24.‬إف قيمة البواقي ادلعيارية‬ ‫للمؤشرين‬ ‫‪N1-N3‬‬ ‫تساوي (‪ )-1.79‬‬ ‫(نكتفي‬ ‫برقمٌن بعد الفاصلة)‪ .‬وٓنسب البواقي ادلعيارية بقسمة بواقي النموذج ادلفرتض‬ ‫(غًن ادلعيارية) على قيمة خطئها ادلعياري ادلقدر‪ ،‬وبالتاِف ؽلكن تأويل البواقي ادلعيارية بنفس‬ ‫طريقة تأويل الدرجات الزائية ‪ّ Z-scores‬نعىن أف قيم البواقي ادلعيارية ؽلكن تصورىا بأهنا تدؿ‬ ‫على عدد االضلرافات ادلعيارية اليت ٔنتلف شا قيم بواقي النموذج ادلفرتض عن قيم البواقي اليت‬ ‫تساوي صفرا (البواقي الصفرية) اليت تعكس النموذج التاـ ادلطابقة‪.48‬أعلى من قيمة تغايرىا يف مصفوفة النموذج ادلفرتض (‪ .96‬وعند اكتشاف قيمة‬ ‫بواقي معيارية مرتفعة فداللة ذلك أن النموذج المفترض يحتاج إلى بارامترات إضافية‬ ‫لتفسير أو التنبؤ بقيم تغاير المؤشرات المقاسة‪.

121‬‬ ‫ا حلرجة) األوُف أو الثانية فينبغي على الباحث أف يأخذ بعٌن االعتبار تأثًن حجم العينة عند‬ ‫تأويل قيم البواقي باعتبارىا كبًنة‪.96‬‬ ‫‪2‬‬ ‫‪ ،‬صلد أف قيم البواقي ادلعيارية يف مصفوفة‬ ‫البواقي (د) ترتاوح من ‪ -1.‬وبالتاِف ال توجد عالقات بٌن ادلؤشرات‬ ‫‪-‬‬ .‬وعدـ وجود بواقي‬ ‫كبًنة دليل على غياب أي خلل موضعي للمطابقة‪ . Byrne.‬‬ ‫إف حجم البواقي ادلعيارية قد يتأثر ُنجم العٌن‪ . 2006.‬وإٗناال فإف اتساع العينة يرتبط‬ ‫بازدياد يف حجم قيم البواقي ادلعيارية ألف حجم اخلطأ ادلعياري لبواقي مصفوفة النموذج‬ ‫ادلفرتض لو عالقة عكسية ُنجم العينة‪ . p.‪Brown.‬‬ ‫وإذا طبقنا درجة القطع‬ ‫أو‬ ‫‪1.‬ولذلك تأخذ القيمة ادلطلقة‬ ‫‪ 1.2000. p.67‬وىي قيمة أصغر من تغايرعلا يف مصفوفة التباين‬ ‫والتغاير للنموذج ادلفرتض (‪.96‬كدرجة قطع بٌن قيم البواقي ادلقبولة أو الصغرى وبٌن قيم البواقي الكبًنة (وعمليا قد‬ ‫تأخذ القيمة التقريبية ‪ 2‬كنقطة أو قيمة حرجة للتمييز بٌن البواقي الكبًنة والبواقي الصغًنة)‪.‫التباين والتغاير للعينة يساوي (‪ )26.23‬‬ ‫لكن السؤاؿ اذلاـ الذي يطرح نفسو بإحلاح ىو إذا كانت البواقي الصفرية اليت تدؿ‬ ‫على مطابقة تامة للنماذج البحثية ادلفرتضة نادرة جدا‪ ،‬فما ادلستوى الذي إذا ْناوزت‬ ‫اعتربت قيم البواقي كبًنة‪ .01‬‬ ‫)‪ .‬ولهذا السبب فإن بعض المتخصصين ينصح‬ ‫باستعمال درجات قطع أعلى كاستعمال درجة قطع تساوي‬ ‫‪2. p.58‬‬ ‫(وىي القيمة احلرجة‬ ‫الزائية اليت توافق مستوى الداللة عند ‪( )0.‬لقد قلنا يف السابق أف قيم البواقي ؽلكن أف تؤوؿ نسبيا كما تؤوؿ‬ ‫الدرجات ادلعيارية الزائية ‪ Z-scores‬وبالتاِف الدرجات ادلعيارية الزائية اليت تستعمل يف‬ ‫مستويات الداللة اإلحصائية ادلألوفة تتخذ كنقاط فاصلة عملية‪ .)Diamantopoulos & Siguaw.87‬وىي قيم ٔنلو من قيم بواقي كبًنة‪ .65‬إُف ‪ ،1. 118.)27. 1998. 105‬وسواء استعمل الباحث درجة القطع (القيمة‬ ‫.

‬ولكل بارامرت مثبت أو مقيد يف النموذج قيمة على مؤشر التعديل (ليتذكر‬ ‫القارئ أف النموذج ادلفرتض ػلتوي إما على بارامرتات حرة اليت سيتم تقدير قيمها من طرؼ‬ ‫احلزمة اإلحصائية ادلستعملة كتقدير تشبعات ادلؤشرات على عاملها‪ ،‬وبارامرتات مثبتة‬ ‫كافرتاض أف ادلؤشرات السابقة ال تتشبع على العوامل األخرى‪ّ ،‬نعىن أف قيمها (تشبعاهتا)‬ ‫تساوي صفرا سلفا وبالتاِف ال تقدر قيمة تشبعها على العوامل األخرى‪ ،‬وبارامرتات مقيدة‬ ‫كأف نفرتض سلفا أف تشبعات ادلؤشرات السابقة على عاملها متساوية ولكن بدوف ٓنديد‬ ‫قيمة التشبعات ادلتساوية) ‪ .‬ومعىن ذلك أف مؤشرات التعديل شلاثلة إلغلاد الفرؽ للقيمة اإلٗنالية دلربع‬ ‫كاي بدرجة حرية واحدة بٌن ظلوذجٌن ىرميٌن ُنيث أف أحدعلا (النموذج الذي ثبت أو قيد‬ ‫فيو البارمرت) جزء من اآلخر (النموذج الذي حرر فيو البارمرت)‪.‬وتدل قيمة مؤشر المطابقة (أو مؤشر المطابقة اختصارا)‬ ‫على مدى االنخفاض التقريبي (الذي يمكن أن يختلف زيادة ونقصانا عن االنخفاض‬ ‫الحقيقي) في القيمة اإلجمالية لمربع كاي إذا تم تحرير البارامتر الذي كان مثبتا في‬ ‫السابق‪ .‬‬ ‫إف مؤشر التعديل مرادؼ تقريبا للفرؽ بٌن القيمة اإلٗنالية دلربع كاي‬ ‫لنموذجٌن‪ :‬أحد النموذجٌن يكوف فيو البارمرت ثابتا أو مقيدا‪ ،‬ويف النموذج اآلخر يكوف فيو‬ ‫نفس البارمرت حرا‪ .‫ادلقاسة كانت موضوعا لتقليص قيمتها أو تضخيمها من طرؼ البارامرتات ادلقدرة للنموذج‬ ‫ادلفرتض‪.‬‬ ‫‪-‬‬ .‬‬ ‫رانْا ـ يؤششاث انخؼذّم ‪Modification Indices‬‬ ‫مؤشرات التعديل ‪ Modification Indices‬ىو اختبار مربع كاي بدرجة حرية‬ ‫تساوي الواحد‪ .‬فلكل بارامتر مثبت يوجد مؤشر تعديل يدل على مدى االنخفاض التقريبي في‬ ‫مربع كاي نتيجة تحويل البارامتر الثابت في النموذج إلى بارامتر حر‪.

3228‬‬ ‫‪EX1‬‬ ‫‪--‬‬ ‫‪1.0623‬‬ ‫‪--‬‬ ‫‪N4‬‬ ‫‪--‬‬ ‫‪1.‬‬ ‫عذ‪ٚ‬ي (‪ِ )2 4‬إششاد اٌزؼذ‪ٚ Modification Indices ً٠‬ل‪ ُ١‬اٌزغ‪١‬ش اٌّز‪ٛ‬لؼخ ‪ٌّ Expected Change‬ضبي‬ ‫ّٔ‪ٛ‬رط اٌؼبٍِ‪ٌٍ ٓ١‬شخص‪١‬خ‪ :‬االٔط‪ٛ‬ائ‪١‬خ ‪ٚ‬االٔجغبغ‪١‬خ اٌّ‪ٛ‬ظؼ ف‪ ٟ‬اٌشىً (‪.)12‬‬ ‫يؤشراث انتعذٌم نًصفىفت انتشبعاث‬ ‫‪Modification Indices for LAMBDA-X‬‬ ‫االنبساطية‬ ‫‪EXTRAVER‬‬ ‫العصابية‬ ‫‪NEROTICI‬‬ ‫‪0.‫لنرجع إُف مثالنا اخلاص بنموذج العاملٌن للشخصية‪ :‬االنطوائية واالنبساطية‬ ‫ادلوضح يف الشكل (‪ .9001‬‬ ‫‪--‬‬ ‫‪N3‬‬ ‫‪1.2723‬‬ ‫‪--‬‬ ‫‪N1‬‬ ‫‪0.0125‬‬ ‫‪EX4‬‬ ‫‪Expected Change for LAMBDA-X‬‬ ‫قٍى انتغٍر انًتىقعت نًصفىفت انتشبعاث غٍر انًعٍارٌت‬ ‫‪-‬‬ .)1 0‬لتوضيح كيفية قراءة مؤشرات التعديل‪ ،‬أوردت اجلدوؿ (‪)0 1‬‬ ‫الذي يظهر مؤشرات التعديل متبوعة بقيم التغًن ادلتوقعة ‪( expected change values‬سيأت‬ ‫شرحها الحقا) غًن ادلعيارية (استخداـ الوحدات األصلية للمؤشرات ادلقاسة)‪ ،‬وادلعيارية‬ ‫(توحيد وحدة قياس ادلؤشرات إُف درجات معيارية ) دلصفوفة التشبعات ومصفوفة تباين‬ ‫وتغاير أخطاء ادلؤشرات ادلقاسة‪.1424‬‬ ‫‪--‬‬ ‫‪N2‬‬ ‫‪0.1167‬‬ ‫‪EX2‬‬ ‫‪--‬‬ ‫‪0.0143‬‬ ‫‪EX3‬‬ ‫‪--‬‬ ‫‪0.

0532 EX1 -0.0449 EX1 -0.0590 N4 -- 0.0268 N2 -- 0.0073 -- EX4 -0.0679 -- EX3 0.0175 N3 -- -0.0731 -- EX2 0.0203 N3 -- -0.NEROTICI EXTRAVER N1 -- -0.0226 N2 -- 0.0614 -- EX2 0.0065 -- EX4 -0.0443 N4 -- 0.0065 -- ‫يؤشراث انتعذٌم نًصفىفت انتغاٌر ألخطاء انًؤشراث انًقاست‬ Modification Indices for THETA-DELTA - .0072 -- Completely Standardized Expected Change for LAMBDA-X ‫قٍى انتغٍر انًتىقعت نًصفىفت انتشبعاث انًعٍارٌت‬ NEROTICI EXTRAVER N1 -- -0.0552 -- EX3 0.

1072 -1.0409 -0.8275 EX1 -0.0559 0.2526 0.9158 0.5013 EX4 --- Expected Change for THETA-DELTA ‫قٍى انتغٍر انًتىقعت نًصفىفت انتغاٌر ألخطاء انًؤشراث انًقاست غٍر انًعٍارٌت‬ N1 N2 N3 N4 EX1 EX2 N1 -- N2 1.4783 1.5861 -1.4102 0.4061 0.0021 0.0749 EX3 0.5443 N3 -1.7363 0.0320 -0.5849 0.8349 0.8343 0.9747 0.8753 -- ‫قٍى انتغٍر انًتىقعت نًصفىفت انتغاٌر ألخطاء انًؤشراث انًقاست انًعٍارٌت‬ Completely Standardized Expected Change for THETA-DELTA N1 N2 N3 N4 EX1 - EX2 EX3 EX4 .0965 0.6914 -1.3102 -- N4 0.8767 EX3 EX4 -- ----0.3207 0.0057 0.0050 EX2 -0.0162 0.4608 EX4 0.1069 1.4976 0.1208 1.2541 0.7433 -0.4264 -- EX3 0.2708 0.0413 EX4 -0.5657 -0.5268 -- N4 -0.2477 3.2137 -- N3 2.6213 -0.2208 0.0000 -- EX2 0.0043 0.6555 1.1072 0.9095 1.7884 0.3182 -0.3869 0.4776 -0.9597 1.4929 -- EX1 0.N1 N2 N3 N4 EX1 EX2 EX3 N1 -- N2 3.7140 0.

0147‬‬ ‫‪-0.0269‬‬ ‫‪0.0444‬‬ ‫‪N3‬‬ ‫‪0.0121‬‬ ‫‪0.0081‬‬ ‫‪-0.0184‬‬ ‫‪-0.0013‬‬ ‫‪-0.0229‬‬ ‫‪EX3‬‬ ‫‪0. 3) of THETA-DELTA‬‬ ‫‪Maximum Modification Index is‬‬ ‫أكبر مؤشر تعديل (أكبر تخفيض في قيمة معامل كاي) يساوي ‪ ، 3449‬ويوافق التغاير بين خطأ قياس المتغير‬ ‫المقاس ‪( N4‬الوعي الذاتي) وخطأ القياس لمتغير ‪( N3‬االكتئاب)‪.0220‬‬ ‫‪0.0252‬‬ ‫‪-0.‫‪--‬‬ ‫‪N1‬‬ ‫‪0.0034‬‬ ‫‪EX4‬‬ ‫‪--‬‬ ‫‪-‬‬‫‪-‬‬‫‪-‬‬‫‪-‬‬‫‪--‬‬ ‫‪0.49 for Element ( 4.0220‬‬ ‫‪0.0098‬‬ ‫‪N4‬‬ ‫‪-0.0274‬‬ ‫‪3.0131‬‬ ‫‪-0.0206‬‬ ‫‪-0.0160‬‬ ‫‪EX2‬‬ ‫‪-0.0546‬‬ ‫‪0.0016‬‬ ‫‪-0.0031‬‬ ‫‪-0.‬‬ ‫الحظ بالنسبة دلصفوفة التشبعات‪ ،‬أف ادلؤشرات ادلقاسة‬ ‫)‪(N1-N4‬‬ ‫يف النموذج‬ ‫العاملي ادلفرتض تتشبع على عاملها‪ :‬العصابية (ولذلك تعترب بارامرتات حرة تقوـ احلزمة‬ ‫ادلستعملة بتقديرىا يف النموذج)‪ ،‬وال تتشبع على العامل اآلخر‪ :‬االنبساطية‪ ،‬أي أف تشبعاهتا‬ ‫تساوي صفرا‪ ،‬فهي تشبعات مقيدة أو مثبتة بقيمة ثابتة اليت ىي الصفر (ولذلك تعترب‬ ‫تشبعاهتا الصفرية على عامل االنبساطية بارامرتات مقيدة أو ثابتة)‪ .0501‬‬ ‫‪-0.0119‬‬ ‫‪EX1‬‬ ‫‪0.0301‬‬ ‫‪-0.0484‬‬ ‫‪N2‬‬ ‫‪--‬‬ ‫‪-0.0295‬‬ ‫‪0.0257‬‬ ‫‪0.0001‬‬ ‫‪-0.‬لقد كاف ذلك وضع‬ ‫التشبعات يف النموذج األصلي‪ ،‬لكن مؤشرات التعديل تثًن السؤاؿ اذلاـ التاِف‪ :‬ماذا ػلدث‬ ‫لو مت ٓنرير التشبعات ادلثبتة يف النموذج ااألصلي السابق ‪ ،‬وبتعبًن آخر ىل تتحسن قدرة‬ ‫النموذج األصلي ادلفرتض على ادلطابقة لو أننا حررنا ادلؤشرات (مؤشرا مؤشرا) اليت افرتضنا‬ ‫أهنا تتشبع على عاملها فقط وال تتشبع على العامل اآلخر‪ُ ،‬نيث صارت تتشبع أيضا على‬ ‫العامل اآلخر‪ ،‬فضال عن تشبعها على عاملها؟‬ ‫‪-‬‬ .0289‬‬ ‫‪0.

26‬تدؿ على أنو عند ٓنرير تشبع ادلؤشر ‪( N1‬الوعي الذات) على‬ ‫عامل دافع االستمتاع لتقدير قيمتو يف التحليل الالحق والذي كاف مثبتا من قبل (كاف‬ ‫يساوي صفرا أي ال يتشبع عليو يف النموذج األصلي)‪ ،‬فنتيجة ىذا التحرير ذلذا البارامرت أو‬ ‫التشبع فإنو يتوقع أف تنخفض قيمة مربع كاي ّنقدار (‪ )1.‬‬ ‫فالقيمة (‪ )1.05‬أي داؿ إحصائيا) يف مطابقة النموذج‪ .84‬‬ ‫(أو تجبر إلى الرقم ‪ )4‬للحكم على قيمة مؤشر التعديل بأنو يدؿ على ٓنسن ذي داللة‬ ‫إحصائية عند مستوى(‪( )0.‬يظهر جدوؿ التشبعات إذف مؤشرات التعديل لتشبعات ادلؤشرات‬ ‫ادلقاسة ‪ N1-N4‬على عامل االنبساطية )‪ ،(EXRAVER‬ومؤشرات التعديل لتشبعات ادلؤشرات‬ ‫ادلقاسة ‪ EX1-EX4‬على عامل العصابية )‪ ،(NEROTICI‬وينسحب نفس الشيء على‬ ‫مصفوفة أخطاء القياس‪.‬‬ ‫ولتوضيح كيفية قراءة مؤشرات التعديل‪ ،‬لنأخذ على سبيل ادلثاؿ ادلؤشر ‪ N4‬يف‬ ‫مصفوفة التشبعات‪ .‫لذلك تظهر يف مصفوفة مؤشرات التعديل دلصفوفة التشبعات يف الجدول‬ ‫(‪ )24‬فقط القيم الدالة على مؤشرات التعديل بعد ٓنرير قيم التشبعات اليت كانت مثبتة‬ ‫يف السابق ( كانت تشبعات ادلؤشرات ادلقاسة على العامل اآلخر االنبساطية تساوي كلها‬ ‫قيمة ثابتة أال وىي الصفر‪ ،‬يف حٌن أف تشبعات ‪ EX1-EX4‬على عامل العصابية كانت‬ ‫مقيدة بقيمة الصفر)‪ .3002‬‬ ‫أو يساوي (‪ )1.‬فعند ٓنرير مؤشر معٌن‬ ‫(افرتاض أف لو عالقة بالعامل اآلخر َنانب عالقتو بعاملو)‪ ،‬فإن مؤشر التعديل الذي‬ ‫‪-‬‬ .0623‬أو (‪ )1.30‬عند افرتاض أف ادلؤشر‬ ‫‪EX1‬‬ ‫يتشبع أيضا على عامل العصابية‪.06‬اختصارا‬ ‫عند افرتاض أنو يتشبع أيضا ( فضال عن تشبعو على عاملو‪ :‬العصابية ‪ )NEROTICISM‬على‬ ‫عامل االنبساطية (‪ .‬إف النموذج ادلفرتض‬ ‫الذي يتمتع ّنطابقة جيدة يرتبط ّنؤشرات تعديل منخفضة يف قيمتها‪ .26‬وحدة‪ .‬صلد أف مؤشر التعديل ذلذا ادلؤشر يساوي ‪ 1.‬وّنا أنو ؽلكن تصور‬ ‫مؤشرات التعديل بأهنا اختبار مربع كاي فتستعمل قيمتو مربع كاي احلرجة اليت تساوي ‪3.)EXTRAVERSION‬كما صلد أف مؤشر التعديل يساوي (‪)1.

0449‬أو )‪ ،(0.0623‬أو (‪ )1.‬ودلواجهة ىذا ادلشكل ترفق احلزـ‬ ‫اإلحصائية ادلتخصصة مؤشرات التعديل ّنا يدعى "التغير المتوقع" في قيم‬ ‫البارامتر‬ ‫)‪Expected parameter change(EPC‬‬ ‫لكل مؤشر تعديل‪ .)EXTRAVERSION‬كما نالحظ قيمة التغًن ادلتوقع غًن ادلعياري لو تساوي )‪ (0.‬وتسمى اختصارا التغًن‬ ‫ادلتوقع ‪.‬‬ ‫فمثال‪ ،‬بالنسبة للمؤشر ‪ N4‬يف مصفوفة التشبعات للجدول (‪ .‫يساوي أو أكبر من القيمة أربعة‪ ،‬يعتبر داال إحصائيا‪ ،‬أي يمكن أن يؤدي ىذا البارامتر‬ ‫عند تحريره إلى تحسن في مطابقة النموذج‪.‬والجدول (‪ )24‬يظهر قيم التغًن ادلتوقع يف قيم البارامرتات‬ ‫بالدرجات غًن ادلعيارية وبالدرجات ادلعيارية أيضا‪ .‬‬ ‫غًن أف مؤشرات التعديل حساسة حلجم العينة‪ .)24‬صلد أف‬ ‫مؤشر التعديل ذلذا ادلؤشر يساوي ‪ 1.06‬اختصارا عند افرتاض أنو يتشبع أيضا (‬ ‫فضال عن تشبعو على عاملو‪ :‬العصابية ‪ )NEROTICISM‬على عامل االنبساطية‬ ‫(‪.Expected change‬‬ ‫ويزودنا "التغير المتوقع" في قيم البرامتر)‪ (EPC‬بتقدير تقريبي لمدى التغير‬ ‫المتوقع في قيمة البارامتر الموجبة أو السالبة إذا ما تم تحريره لتقدير قيمتو في‬ ‫التحليل الالحق أو القادم‪ .05‬يف حٌن أف قيمة التغًن ادلتوقع المعياري لو تساوي )‪ (0.‬وقيم التغًن ادلتوقع غًن ادلعيارية ٓنتفظ‬ ‫بالوحدات األصلية لقياس ادلتغًنات‪ ،‬يف حٌن أف قيم التغًن ادلتوقع ادلعيارية فيتم فيها ٓنويل‬ ‫الدرجات ادلعرب عنها بوحداهتا األصلية إُف درجات معيارية لكي يتسىن احلكم على حجم‬ ‫قيم التغًن ادلتوقع‪ ،‬وادلقارنة فيما بينها‪ ،‬وىي القيم اليت ستعتمد للحكم على مدى التغًنات‬ ‫ادلتوقعة يف قيمة البارامرتات اليت تناظر مؤشرات التعديل‪.‬فعند اتساع العينة‪ ،‬فقد ضلصل‬ ‫على مؤشرات تعديل مرتفعة على الرغم من أف إضافة البارامرت أو ٓنريره بناء على مؤشر‬ ‫التعديل ادلرتفع قد يكوف حجمو منخفضا أو تافها‪ .0532‬أو‬ ‫)‪ (0.04‬أي أف قيمة‬ ‫‪-‬‬ .

88‬أنظر الرسم التخطيطي يف الشكل (‪ .‬وّنا أنو‬ ‫يفضل اعتماد قيم التغًن ادلتوقع ادلعيارية للحكم على فاعلية التعديل‪ ،‬وبالرجوع إُف ادلؤشر‬ ‫‪ N4‬نالحظ أف تشبعو ادلرتقب على العامل اآلخر (االنبساطية) منخفض جدا (‪ )0.‬‬ ‫لكي نعرؼ ىل النموذج النظري ػلتاج إُف تعديل بناء على ما تقرتحو مؤشرات‬ ‫التعديل وما يناظرىا من قيم التغًن ادلتوقع‪ ،‬نبحث أوال عن أعلى مؤشر تعديل الناتج عن‬ ‫ٓنرير بارامرت معٌن كاف مثبتا يف النموذج يف السابق‪ ،‬شريطة أف يكوف عند إضافة ىذا‬ ‫البارامرت (ٓنريره) ما يربره باالستناد إُف اإلطار النظري للبحث‪ .‬‬ ‫‪-‬‬ .‬وإذا تعذر التأصيل أو التأويل‬ ‫النظري لتحرير (تقدير) البارامرت الذي يوافق أعلى مؤشر تعديل‪ ،‬فينبغي تركو لالنتقاؿ إُف‬ ‫مؤشر التعديل الثاين الذي ىو أدىن مباشرة من مؤشر التعديل األوؿ‪ .‬معىن‬ ‫ذلك أف ٓنرير بارامرت معٌن (كأف يكوف تشبعا جديدا‪ ،‬أو ارتباطا بٌن تباين خطأ مؤشرين‬ ‫مقاسٌن‪ ،‬إٍف) غلب أال يقوـ فقط على زلك مؤشر التعديل ادلرتفع‪ ،‬بل غلب أف يعزز ىذا‬ ‫التعديل بإطار نظري أو تأويل أو تأصيل تنظًني مناسب‪.04‬عند‬ ‫افرتاض ٓنرير ادلؤشر ‪ ، N4‬شلا يعزز االعتقاد أف ىذا ادلؤشر يتشبع فقط على عاملو [تشبعو‬ ‫على عاملو يساوي ‪ 0.])23‬وبنفس الطريقة ؽلكن‬ ‫قراءة مؤشرات التعديل دلصفوفة أخطاء القياس وما يناظرىا من قيم التغًن ادلتوقع‪.‫تشبعو على عامل االنبساطية (‪ )EXTRAVERSION‬يساوي (‪ )0.84‬أو تجبر إلى الرقم ‪ ،)4‬أي غلب أف تكوف قيم مؤشرات التعديل تساوي أو تتعدى‬ ‫‪3.04‬يف التحليل الالحق عند‬ ‫افرتاض أف ىذا ادلؤشر ال يتشبع فقط على عاملو بل يتشبع أيضا على العامل اآلخر‪ .‬غًن أف ٓنرير البارامرت‬ ‫الذي يشًن إليو مؤشر التعديل الثاين غلب أف يقوـ أيضا على خلفية نظرية تدعمو‪ .84‬‬ ‫أو القيمة أربعة إجماال‪.‬‬ ‫ومن جهة أخرى غلب أف تكوف قيمة مؤشر التعديل اليت تبدو مرتفعة ال تقل‬ ‫عن ‪( 3.

‬وبالتاِف ضلتفظ بالنموذج كما ىو (مؤشراتو‬ ‫احلرة تبقى حرة وبارامرتاتو الثابتة تبقي ثابتة) بدوف إجراء أي تعديل الحق عليو بناء على‬ ‫نتائج فحص البواقي ونتائج فحص مؤشرات التعديل‪.‬‬ ‫‪-‬‬ .‬ونستنتج من ذلك أنو ليس يف مقدور مؤشرات التعديل الرفع من‬ ‫مستوى ادلطابقة اليت يتمتع شا النموذج األصلي‪ .10‬اخلاص‬ ‫بالعنصر (‪3‬و‪ :1‬تقاطع الصف الثالث بالعمود الرابع) دلصفوفة أخطاء قياس ادلؤشرات‬ ‫(مصفوفة ثيتا‪-‬دلتا) أي التغاير بٌن خطأ قياس ادلتغًن ادلقاس ‪( N4‬الوعي الذات) وخطأ‬ ‫القياس ‪( N3‬االكتئاب)‪.‬‬ ‫ومن الواضح أف أعلى مؤشر تعديل ال تتجاوز قيمتو ادلستوى احلرج ‪ 3.‫لنرجع اآلف إُف جدوؿ مؤشرات التعديل‪ ،‬فحزمة ليزرؿ تضيف خالصة يف‬ ‫األخًنة تشًن فيها إُف أعلى مؤشر تعديل الذي يساوي يف ىذه احلالة ‪ 3.84‬أو‬ ‫القيمة أربعة كقيمة تقريبية‪ .‬‬ ‫إذف نعترب النموذج العاملي للشخصية الثنائي العوامل‪ :‬العصابية واالنبساطية‪،‬‬ ‫والذي يظهر مرة أخرى يف الشكل ( ‪ )14‬يتمتع ّنطابقة كافية وّنستوى مناسب من‬ ‫الصحة‪ ،‬ما َف تظهر شواىد أخرى تتحدى صالحية النموذج وهتدد صدقو‪.

ٟ‬وّب رذي اٌّإششاد‬ ‫اٌّمبعخ )‪ٌ (EX1-EX4‬ؼبًِ االٔجغبغ‪١‬خ ػٍ‪ ٝ‬اٌذفء اٌؼبغف‪ ،ٟ‬اٌ‪ٛ‬داػخ‪ ،‬ر‪ٛ‬و‪١‬ذ اٌزاد‪ ،‬اٌّشبػش‬ ‫اإل‪٠‬غبث‪١‬خ ػٍ‪ ٝ‬اٌز‪ٛ‬اٌ‪٠ .‬رذي األع‪ ُٙ‬اٌ‪ٛ‬ؽ‪١‬ذح اٌز‪ ٟ‬رزغٗ‬ ‫ِٓ اٌشىٍ‪ ٓ١‬اٌج‪١‬عب‪( ٓ١٠ٚ‬أ‪ ٚ‬اٌذائشر‪ )ٓ١‬ئٌ‪ ٝ‬اٌّغزط‪١‬الد (اٌّإششاد اٌّمبعخ) ػٍ‪ ٝ‬اٌزشجؼبد ث‪ٛ‬ؽذاد‬ ‫ِؼ‪١‬بس‪٠‬خ‪ٚ ،‬رذي األع‪ ُٙ‬اٌصغ‪١‬شح اٌّ‪ٛ‬ع‪ٛ‬دح ‪٠‬غبس اٌّإششاد اٌّمبعخ (اٌّغزط‪١‬الد) ػٍ‪ ٝ‬رجب‪ ٓ٠‬أخطبء‬ ‫اٌم‪١‬بط ‪ error variance‬أ‪ ٚ‬ث‪ٛ‬ال‪ ٟ‬رجب‪ ٓ٠‬اٌّإششاد اٌّمبعخ اٌز‪٠ ٌُ ٟ‬م‪ ٛ‬اٌؼبًِ اٌز‪ٕ٠ ٞ‬زغت ئٌ‪ٗ١‬‬ ‫اٌّإشش اٌّمبط ِٓ رفغ‪١‬ش٘ب‪ٌٚ ،‬زٌه عّ‪١‬ذ أ‪٠‬عب ثبٌج‪ٛ‬ال‪.(Enhancement‬وكل عامل قيس باستعماؿ أربع فقرات أو مؤشرات مقاسة أو‬ ‫‪-‬‬ .‬ذي اٌغ‪ ُٙ‬اٌّؾذة اٌّضد‪ٚ‬ط‬ ‫االرغبٖ ػٍ‪ ٝ‬اٌزغب‪٠‬ش االسرجبغ ث‪ ٓ١‬ػبًِ اٌؼصبث‪١‬خ ‪ٚ‬ػبًِ االٔجغبغ‪١‬خ‪ٚ .‬‬ ‫افرتض الباحث ظلوذجا عامليا ينطوي على ثالث عوامل دلفهوـ دوافع تعاطي‬ ‫التدخٌن‪ :‬العامل األوؿ‪ :‬دافع التكيف أو التعامل مع ادلشكل والضغوط)‪،(coping motive‬‬ ‫العامل الثاين‪:‬دوافع اجتماعية )‪ ،(social motive‬العامل الثالث‪ :‬دوافع استمتاعية تعزيزية‬ ‫)‪motive‬‬ ‫‪ .‫شىً (‪ِ ) 14‬غبس رخط‪١‬ط‪ٌٍّٕٛ ٟ‬رط اٌؼبٍِ‪ ٟ‬اٌّفزشض ٌزفغ‪١‬ش اٌشخص‪١‬خ ثبفزشاض ػبٍِ‪ٓ١‬‬ ‫أعبع‪:ٓ١١‬اٌؼصبث‪١‬خ )‪ٚ (Neuroticism‬االٔجغبغ‪١‬خ )‪ :(Extraversion‬رذي اٌّإششاد اٌّمبعخ ‪(N1-‬‬ ‫)‪ٌ N4‬ؼبًِ اٌؼصبث‪١‬خ ػٍ‪ ٝ‬اٌمٍك‪ ،‬اٌؼذ‪ٚ‬أ‪١‬خ‪ ،‬االوزئبة‪ ،‬اٌ‪ٛ‬ػ‪ ٟ‬اٌزار‪ ٟ‬ػٍ‪ ٝ‬اٌز‪ٛ‬اٌ‪ .ٟ‬ظ‪ٙ‬ش إٌّ‪ٛ‬رط انباسايرتاث املقذسة بٌحذاث يؼْاسّت‪٠ .residuals ٟ‬‬ ‫يزال حطبْقِ نخٌظْف يؤششاث انخؼذّم نخطٌّش اننًٌرس انؼايهِ املفرتض‪.

‬فإذا استقر اختيار القارئ على استعماؿ حزمة ليزرؿ‪ ،‬وبعد‬ ‫‪-‬‬ .‫مشاىدة‪ .‬‬ ‫شىً (‪)24‬إٌّ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌزذخ‪ٓ١‬‬ ‫من الضروري تذكًن القارئ بأنو قبل االنتقاؿ إُف تعديل النموذج يف ضوء نتائج‬ ‫ادلطابقة اإلٗنالية والتفصيلية‪ ،‬ال بد أوال من ْنهيز أو إعداد ملف التعليمات ذلذا ادلثاؿ‬ ‫باستعماؿ لغة التعليمات "مسبليس" حلزمة ليزرؿ ‪ .‬ويبٌن الشكل (‪)24‬النموذج العاملي الثالثي العوامل لدوافع التعاطي‪ ،‬وتظهر القيم‬ ‫نتائج تقدير البارامرتات (التشبعات‪ ،‬االرتباطات بٌن العوامل‪ ،‬تباين أخطاء ادلؤشرات)‬ ‫باستعماؿ حزمة ليزرؿ‪.‬أو ملف التعليمات حلزمة "إكس" ‪ EQS‬أو‬ ‫أي حزمة إحصائية متخصصة‪ .

‬وبعد االطمئناف بأف ظلوذج ادلثاؿ‬ ‫احلاِف يتوفر على مطابقة إٗنالية كافية يف ضوء استعماؿ مؤشرات ادلطابقة ادلختلفة ادلتوفرة‬ ‫يف النتائج اليت تزودنا شا احلزمة‪ ،‬ننتقل إُف فحص ادلطابقة التفصيلية (فحص ادلكونات أو‬ ‫العناصر الفردية) للنموذج النظري للمثاؿ احلاِف باستعماؿ طريقتٌن‪ :‬طريقة فحص البواقي‪،‬‬ ‫وطريقة فحص مؤشرات التعديل‪ .‬‬ ‫ففي مثالنا عن النموذج ادلكوف من ثالثة عوامل يوجد ‪ 12‬مؤشرا مقاسا‪ ،‬وبالتاِف فإف‬ ‫مصفوفة البواقي ستحتوي على ‪[ 78‬أي‪ ] 2/)13×12( :‬عنصرا أو قيمة من قيم البواقي‪.‬‬ ‫إف لكل مؤشرين أو متغًنف مالحظٌن توجد قيمة واحدة من قيم البواقي‪.‬وسنطبق الطريقتٌن على ادلثاؿ احلاِف‪.‫إعداد ملف التعليمات‪ ،‬وإدخاؿ البيانات (مصفوفة التغاير بٌن ادلؤشرات ادلقاسة أو مصفوفة‬ ‫االرتباطات) ليتم معاجلتها باستعماؿ حزمة ليزرؿ‪ ،‬ضلصل على النتائج ومن ضمن النتائج اليت‬ ‫توفرىا احلزمة قيم مؤشرات ادلطابقة اإلٗنالية للنموذج العاملي للمثاؿ احلاِف‪ ،‬وأيضا قيم‬ ‫البارامرتات احلرة (اجملهولة) للنموذج (تقديرالعالقة االرتباطية أو التغاير بٌن العوامل‪ ،‬تقدير‬ ‫قيم التشبعات‪ ،‬تقدير قيم تباين أخطاء ادلؤشرات ادلقاسة)‪ .‬‬ ‫وبالرجوع إُف اجلدوؿ (‪ )31‬صلد أف كل عنصر أو قيمة من عناصر مصفوفة التباين‬ ‫والتغاير للبواقي (مصفوفة البواقي اختصارا) [أنظر مصفوفة ج يف اجلدوؿ (‪ ])31‬ىي‬ ‫‪-‬‬ .‬‬ ‫أًال ـ فحص انبٌاقِ‪:‬‬ ‫لنسرع أوال يف عملية فحص البواقي‪ ،‬يعرض اجلدوؿ (‪ )31‬مصفوفات‬ ‫النموذج العاملي ادلوضح يف الشكل (‪ ،)01‬وىي مصفوفة التباين والتغاير للعينة‪ ،‬ومصفوفة‬ ‫التباين والتغاير القائمة على النموذج ادلفرتض أو ادلتوقع ‪ ،‬ومصفوفة التباين والتغاير للبواقي‬ ‫غًن ادلعيارية (استعماؿ وحدة قياس ادلؤشرات األصلية)‪ ،‬ومصفوفة التباين والتغاير للبواقي‬ ‫ادلعيارية‪.

2006‬‬ ‫عند فحص مصفوفة البواقي ادلعيارية(مصفوفة د) يف اجلدوؿ (‪ ،)31‬صلد أف‬ ‫بعض البواقي موجبة اإلشارة وبعضها اآلخر سالبة اإلشارة‪ .)Brown. 2006.20‬نكتفي برقمٌن بعد‬ ‫الفاصلة)‪ .58‬وعند اكتشاؼ قيمة بواقي معيارية‬ ‫مرتفعة فداللة ذلك أف النموذج ادلفرتض ػلتاج إُف بارامرتات إضافية لتفسًن أو التنبؤ بقيم‬ ‫تغاير ادلؤشرات ادلقاسة‪.‬وٓنسب البواقي ادلعيارية بقسمة بواقي النموذج‬ ‫ادلفرتض (غًن ادلعيارية) على قيمة خطئها ادلعياري ادلقدر‪ .‬‬ ‫أما قيمة البواقي ادلعيارية السالبة فتدؿ على أف بارامرتات النموذج ادلفرتض‬ ‫‪-‬‬ . Raykov & Marcoulides.‬البواقي ادلوجبة اإلشارة تدؿ على‬ ‫أف بارامرتات النموذج ادلفرتض تقلص يف تقديرىا لعالقة معامل االرتباط بٌن مؤشرين إُف حد‬ ‫ما‪ .‫حاصل طرح عناصر قيم التباين والتغاير دلصفوفة النموذج ادلفرتض (ادلصفوفة ج) من عناصر‬ ‫قيم التباين والتغاير دلصفوفة العينة (ادلصفوفة أ)‪.‬فمثال‪ ،‬إف قيمة البواقي ادلعيارية للعالقة بٌن ‪ X2‬و ‪ X1‬ىي ‪( 3.‬‬ ‫غًن أف قيم مصفوفة البواقي(ج) تعتمد على وحدة القياس األصلية اليت‬ ‫قيست شا ادلتغًنات أو ادلؤشرات ادلقاسة ولذلك يستعصي حجم قيم بواقيها عن التأويل‪ ،‬إذ‬ ‫من الصعب احلكم على حجم قيم بواقي النموذج ادلفرتض بأهنا صغًنة أو كبًنة عندما‬ ‫ٔنتلف وحدة قياس ادلتغًنات ادلقاسة أو ادلؤشرات اختالفا كبًنا‪ .‬وللتغلب على ىذه ادلشكلة‬ ‫تستعمل مصفوفة البواقي ادلعيارية ‪( Standardized residual matrix‬ادلصفوفة د) عوضا عن‬ ‫مصفوفة البواقي غًن ادلعيارية (ادلصفوفة ج)‪ .‬وبالتاِف ؽلكن تأويل البواقي‬ ‫ادلعيارية بنفس طريقة تأويل الدرجات الزائية ‪ّ Z-scores‬نعىن أف قيم البواقي ادلعيارية ؽلكن‬ ‫تصورىا بأهنا تدؿ على عدد االضلرافات ادلعيارية اليت ٔنتلف شا قيم بواقي النموذج ادلفرتض‬ ‫عن قيم البواقي اليت تساوي صفرا (البواقي الصفرية) اليت تعكس النموذج التاـ‬ ‫ادلطابقة(‪.‬وإشارهتا ادلوجبة متسقة لكوف التغاير بٌن ىذين ادلؤشرين يف العينة (‪ )0.93‬أعلى‬ ‫من قيمة تغايرىا يف مصفوفة النموذج ادلفرتض (‪ .)0.

53‬وىي قيمة أصغر‬ ‫من تغايرعلا يف مصفوفة التباين والتغاير للنموذج ادلفرتض (‪.96‬أو ‪ ، 2‬صلد أف قيم البواقي ادلعيارية يف مصفوفة‬ ‫البواقي (د) تنطوي على ‪ 10‬بواقي قيمها ادلطلقة (بغض النظر عن اإلشارة) أعلى من القيمة‬ ‫احلرجة (‪ .58‬وىي القيمة احلرجة الزائية اليت توافق مستوى الداللة عند ‪ .)Raykov & Marcoulides.58‬أعالىا قيمة البواقي‬ ‫‪-‬‬ .96‬كدرجة قطع بٌن قيم البواقي‬ ‫ادلقبولة أو الصغرى وبٌن قيم البواقي الكبًنة (وعمليا قد تأخذ القيمة التقريبية ‪ 2‬كنقطة أو‬ ‫قيمة حرجة للتمييز بٌن البواقي الكبًنة والبواقي الصغًنة)(‪.58‬فينبغي على الباحث أف يأخذ بعٌن االعتبار تأثًن حجم العينة عند تأويل قيم البواقي ‪.96‬أو درجة القطع الثانية‬ ‫‪2.85‬‬ ‫لكن السؤاؿ اذلاـ الذي يطرح نفسو بإحلاح ىو‪ :‬ما ادلستوى الذي إذا ْناوزتو‬ ‫قيم البواقي اعتربت بواقي كبًنة؟ ما ىي القيمة الفاصلة بٌن البواقي الكبًنة والبواقي الصغًنة؟‬ ‫إف قيم البواقي تؤوؿ نسبيا كما تؤوؿ الدرجات ادلعيارية الزائية ‪، Z-scores‬‬ ‫وبالتاِف فإف الدرجات ادلعيارية الزائية اليت تستعمل يف مستويات الداللة اإلحصائية ادلألوفة‬ ‫تتخذ كنقاط فاصلة عملية‪ .‬‬ ‫وإذا طبقنا درجة القطع ‪ 1.‬وذلذا السبب سنستعمل درجة قطع أعلى‬ ‫ُنيث تساوي ‪( 2.)0.58‬وتبدو ىي ادلناسبة ألف حجم العينة‬ ‫كبًن نسبيا (العينة=‪ ) 500‬فتوجد ‪ 5‬بواقي حجمها يتعدى ‪ ، 2.‬ولذلك تأخذ القيمة ادلطلقة ‪ 1.)2‬أما إذا أخذنا درجة القطع احلرجة ‪ 2.)2. 2006‬‬ ‫غًن أف حجم البواقي ادلعيارية قد يتأثر ُنجم العٌن‪ُ ،‬نيث أف اتساع حجم‬ ‫العينة يقرتف بازدياد يف حجم قيم البواقي ادلعيارية‪ ،‬ألف حجم اخلطأ ادلعياري لبواقي مصفوفة‬ ‫النموذج ادلفرتض لو عالقة عكسية ُنجم العينة‪ .01‬وسواء‬ ‫استعمل الباحث درجة القطع (القيمة احلرجة) األوُف ‪ 1.‫تغاِف أو تضخم إُف حد ما يف تقدير العالقة بٌن مؤشرين‪ .77‬عند االكتفاء برقمٌن بعد الفاصلة) وىي قيمة سالبة‬ ‫ألف تغاير ىذين ادلؤشرين يف مصفوفة التباين والتغاير للعينة يساوي (‪ ،)2.‬إف قيمة البواقي ادلعيارية‬ ‫للمؤشرين ‪ X12 ، X9‬تساوي (‪ -2.

2436‬‬ ‫‪X1‬‬ ‫‪2.9881‬‬ ‫‪1.7803‬‬ ‫‪X6‬‬ ‫‪2.8099‬‬ ‫‪1.1938‬‬ ‫‪X4‬‬ ‫‪2.7241‬‬ ‫‪0.8351‬‬ ‫‪1.)2.9064‬‬ ‫‪1.9929‬‬ ‫‪1.)24‬‬ ‫يصفىفت انتباٌٍ وانتغاٌر نهعٍُت (يصفىفت أ)‬ ‫)‪Sample Variance-covariance Matrix(S‬‬ ‫‪X6‬‬ ‫‪X4‬‬ ‫‪X5‬‬ ‫‪X3‬‬ ‫‪X2‬‬ ‫‪X1‬‬ ‫‪4.9394‬‬ ‫‪X2‬‬ ‫‪3.‬‬ ‫إف وجود بواقي معيارية موجبة مرتفعة ؽلكن أف يدؿ على أف العوامل الثالثة‬ ‫ادلفرتضة ال تفسر نسبة كافية من التباين يف ادلؤشرات ادلقاسة ‪ .8701‬‬ ‫‪1.45‬للمؤشرين ‪ X10‬و‬ ‫‪ .7210‬‬ ‫‪0.1733‬‬ ‫‪0.4450‬‬ ‫‪0.18‬للمؤشرين ‪ X12‬و‬ ‫‪X11‬‬ ‫‪ ،‬ودوهنا مباشرة قيمة البواقي (‪ )+4.1522‬‬ ‫‪0.9057‬‬ ‫‪X3‬‬ ‫‪1.6864‬‬ ‫‪0.77‬‬ ‫‪X12‬‬ ‫و‬ ‫‪X9‬‬ ‫واليت تساوي (‬ ‫‪-‬‬ ‫إف االنطباع الذي تشكل لدينا ىو أف النموذج النظري َف ينتج مصفوفة تباين‬ ‫وتغاير بٌن ادلؤشرات تعكس بكفاية مصفوفة التباين والتغاير للعينة‪.1329‬‬ ‫‪1.‫(‪ ) +5.X9‬أما البواقي السالبة فأكربىا قيمة البواقي بٌن ادلؤشرين‬ ‫‪.‬‬ ‫عذ‪ٚ‬ي (‪ِ )34‬صف‪ٛ‬فخ اٌؼ‪ٕ١‬خ‪ِٚ ،‬صف‪ٛ‬فخ إٌّ‪ٛ‬رط‪ِٚ ،‬صف‪ٛ‬فخ اٌج‪ٛ‬ال‪ ٟ‬غ‪١‬ش اٌّؼ‪١‬بس‪٠‬خ ‪ِٚ‬صف‪ٛ‬فخ اٌج‪ٛ‬ال‪ٟ‬‬ ‫اٌّؼ‪١‬بس‪٠‬خ ٌّضبي إٌّ‪ٛ‬رط اٌّفزشض اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ عٍ‪ٛ‬ن رؼبغ‪ ٟ‬اٌزذخ‪ ٓ١‬اٌّ‪ٛ‬ظؼ ف‪ ٟ‬اٌشىً‬ ‫(‪.6130‬‬ ‫‪X5‬‬ ‫‪3.‬وكل ذلك‬ ‫يوحي بأف النموذج ادلوضح يف الشكل (‪ )24‬ػلتاج إُف مراجعة‪.0259‬‬ ‫‪X7‬‬ ‫‪-‬‬ .3104‬‬ ‫‪0.9074‬‬ ‫‪0.7617‬‬ ‫‪0.1684‬‬ ‫‪1.‬فقد تتدخل عوامل أخرى يف‬ ‫تفسًن بواقي التباين يف ادلؤشرات (وال سيما بواقي ‪ X12‬و ‪ X11‬؛ وبواقي ‪ X10‬و ‪ X9‬؛‬ ‫وبواقي‬ ‫‪X2‬‬ ‫و‬ ‫‪X1‬‬ ‫؛ وبواقي‬ ‫‪X12‬‬ ‫و ‪َ )X9‬ف يفكر فيها الباحث أو ينتبو ذلا‪ .4821‬‬ ‫‪1.1614‬‬ ‫‪0.6627‬‬ ‫‪0.

8902 1.9186 7.3558 0.4209 1.2018 X9 0.7704 0.5889 2.9505 5.1748 0.4575 0.5796 0.5834 0.5947 0.1529 X9 0.7207 0.8334 X7 X8 X9 X10 X11 X12 X7 6.1447 1.9929 X6 0.8821 2.8182 2.X8 0.1888 1.8651 0.4027 0.1824 X10 0.4660 7.6049 X12 0.6711 3.1329 X7 1.2050 0.8063 1.2201 0.0625 X11 0.5656 0.5503 0.5117 0.1951 0.4500 3.4767 0.5741 6.7398 0.7002 0.5641 X12 0.5158 0.8478 0.2001 X8 2.2633 0.6214 X10 0.7029 0.0756 )‫يصفىفت انتباٌٍ وانتغاٌر انقائًت عهى انًُىرج انًفترض أو انًتىقع (يصفىفت ب‬ Model-based variance-covariance matrix () or fitted or predicted matrix X1 X2 X3 X4 X5 X6 X1 4.7780 0.7796 0.4224 0.8443 1.5557 0.8471 0.7581 1.7444 1.3104 X3 0.6864 X4 1.9881 X5 0.7936 0.5379 1.8751 1.9400 0.8122 2.1761 2.1956 0.3559 2.7426 0.1011 3.5484 1.1645 1.6763 2.9089 1.1895 - .4831 0.2739 X8 1.2436 X2 0.5738 3.5823 X11 0.6753 2.3543 0.7758 1.9159 1.

0086 0.0000 X4 -0.1597 0.0989 -0.0831 -0.2507 0.4628 1.0961 0.1651 0.3440 0.7418 0.0000 X7 -0.7752 6.1057 0.0000 X3 0.0031 0.3065 0.7518 2.6866 3.7808 0.0979 0.0470 -0.8497 3.1354 0.4524 0.X9 0.0013 -0.1879 0.2779 0.0201 -0.7656 0.2993 0.1055 X8 -0.0208 -0.4807 0.0027 0.3703 X11 0.3773 0.3621 0.1496 0.3504 0.0340 -0.1513 -0.6049 X12 0.4736 0.8136 0.7348 0.7143 7.5715 X10 0.0000 X5 -0.1529 X9 0.0047 0.8546 1.1942 -0.4935 0.8419 5.0315 0.2229 0.1838 0.0621 -0.3097 -0.5065 0.0499 X10 0.0000 X6 -0.2120 X11 0.2916 0.4861 0.0060 0.7834 2.0000 X2 0.6981 0.0926 0.3022 -0.3384 -0.4730 0.4979 0.6268 X7 X8 X9 X10 X11 X7 6.0756 Fitted Residual Matrix or The Unstandardized Residual Matrix )‫يصفىفت انتباٌٍ وانتغاٌر نهبىاقً غٍر انًعٍارٌت (استعًال وحذة قٍاس انًؤشراث األصهٍت‬ ]‫[يصفىفت ج‬ X1 X2 X3 X4 X5 X6 X1 0.3610 0.1824 X10 0.0123 X9 0.4618 0.0815 -0.0375 - .3060 -0.0044 X12 7.0404 -0.5188 0.0366 0.0320 0.2001 X8 2.6015 X12 0.7395 1.4500 0.0241 0.0625 X11 0.0866 0.

3584 -0.4145 0.7758 0.5849 -0.2444 1.0342 -0.X12 -0.0000 X12 0.1785 0.3959 -0.1644 0.3167 -0.6073 -- X7 -1.0223 -0.2010 0.0000 X9 -0.0685 X6 -1.2238 1.3804 0.2066 X8 X9 X10 X11 X12 X7 0.2125 0.0000 X10 -0.2597 -0.3959 Median Fitted Residual = 0.8230 -0.0230 -0.1086 0.4981 0.1247 -2.4615 ‫يصفىفت انتباٌٍ وانتغاٌر نهبىاقً انًعٍارٌت‬ )‫(يصفىفت د‬ Standardized Residuals Matrix X1 X2 X3 X4 X5 X6 X1 -- X2 3.8710 -- X4 -0.1887 -0.5398 -1.5884 X8 -2.7760 -2.8196 0.0298 X7 -0.0000 X8 0.4615 0.0841 0.2060 -- X3 0.0215 0.0231 0.3090 -0.1676 -0.6014 -0.1071 -0.3010 - -- .4664 0.0000 Largest Fitted Residual = 0.5026 0.5292 0.0429 0.0858 0.0211 0.2043 0.9445 -0.0000 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Summary Statistics for Fitted Residuals ‫أصغر وأكبر قًٍت نهبىاقً غٍر انًعٍارٌت‬ Smallest Fitted Residual = -0.0000 X11 -0.1911 -0.2334 -0.3269 -- X5 -1.2292 X9 1.9919 1.

7714 -2.0234 -1.1493 -0.1949 -- X9 -0.6014 Residual for X8 and X3 -2.3434 0.9508 X11 1.1344 -0.0868 0.5312 -2.1089 -0.3581 5.4504 -- X11 -1.2382 -0.1859 - .7049 -- X12 0.6299 1.3402 X7 X8 X9 X10 X11 X12 X7 -- X8 1.7036 -2.1859 -- ‫يهخص ٌظهر انبىاقً انًرتفعت انًعٍارٌت‬ Summary for largest standardized Residuals Largest Negative Standardized Residuals Residual for X4 and X2 -2.5030 4.5433 -1.3694 -0.2504 X12 -0.9476 1.X10 1.4504 Residual for X12 and X11 5.8391 1.6055 -1.1317 0.2060 Residual for X10 and X9 4.9475 -- X10 -0.8698 -0.1453 1.2379 0.5849 Residual for X11 and X10 -2.9859 1.7049 Residual for X12 and X9 -2.6113 -2.6840 0.7714 Largest Positive Standardized Residuals Residual for X2 and X1 3.

2470 . 0.8863 Expected Cross-Validation Index (ECVI) = 0.02678 .05) = 0.0003541) Estimated Non-centrality Parameter (NCP) = 41. 0.1447) Root Mean Square Error of Approximation (RMSEA) = 0.001371) Normal Theory Weighted Least Squares Chi-Square = 92.2557 .5235 Chi-Square for Independence Model with 66 Degrees of Freedom = 2732. 72.6054 (P = 0.03658 .3551) ECVI for Saturated Model = 0.‫) مساره التخطيطي‬01( ‫البواقي والذي يظهر الشكل‬ ‫رعب‬ّٛٔ ً‫ّض‬٠ ٞ‫) اٌز‬24(ً‫ اٌشى‬ٟ‫ظؼ ف‬ٌّٛ‫رط ا‬ٌّٕٛ‫) ِإششاد اٌّطبثمخ اٌخبصخ ثب‬44( ‫ي‬ٚ‫عذ‬ .05326) P-Value for Test of Close Fit (RMSEA < 0. 0.1910) Minimum Fit Function Value = 0.3059 90 Percent Confidence Interval for NCP = (18.04029 90 Percent Confidence Interval for RMSEA = (0.3126 ECVI for Independence Model = 5.2510 - .2932 90 Percent Confidence Interval for ECVI = (0.3059 (P = 0.1736 Population Discrepancy Function Value (F0) = 0.‫ضسي‬١ٌ ‫ٓ ػٕذ اعزؼّبي ؽضِخ‬١‫ اٌزذخ‬ٟ‫افغ رؼبغ‬ٚ‫اًِ ٌذ‬ٛ‫ اٌؼ‬ٟ‫ب صالص‬١ٍِ‫ػب‬ Goodness of Fit Statistics Degrees of Freedom = 51 Minimum Fit Function Chi-Square = 86.Modification Indices ‫رانْا ـ يؤششاث انخؼذّم‬ ‫قبل أف ننتقل إُف معاينة مؤشرات التعديل لنلقي نظرة أوال على بعض مؤشرات‬ ‫) للنموذج العاملي ادلفرتض الذي تطرقنا إليو يف سياؽ موضوع‬11( ‫ادلطابقة يف اجلدوؿ‬ .08278 90 Percent Confidence Interval for F0 = (0.

9543 Parsimony Goodness of Fit Index (PGFI) = 0.2510 Model AIC = 146.1004 Saturated CAIC = 562.03694 Goodness of Fit Index (GFI) = 0.9701 Adjusted Goodness of Fit Index (AGFI) = 0.9867 Relative Fit Index (RFI) = 0.9590 Critical N (CN) = 446.0000 Independence CAIC = 2818.7482 Comparative Fit Index (CFI) = 0.9866 Incremental Fit Index (IFI) = 0.9084 Root Mean Square Residual (RMR) = 0.3059 Saturated AIC = 156.9683 Non-Normed Fit Index (NNFI) = 0.8263 Model CAIC = 287.6343 ‫غًن أننا نفضل أف نعيد تنظيم مؤشرات ادلطابقة وفقا للتنظيم الذي عاجلناه‬ ، Absolute Fit indices ‫ أي تنظيم مؤشرات ادلطابقة إُف مؤشرات ادلطابقة ادلطلقة‬،‫سابقا‬ - .Independence AIC = 2756.1687 Standardized RMR = 0.9827 Parsimony Normed Fit Index (PNFI) = 0.7394 Normed Fit Index (NFI) = 0.

‫ومؤشرات تصحيح االفتقار لالقتصاد ‪ ،Parcimony Correction Indices‬ومؤشرات ادلطابقة‬ ‫ادلقارنة أو التزايدية ‪ ،Comparative / incremental Fit Indices‬يف جدوؿ ُنيث ينطوي اجلدوؿ‬ ‫يف ذات الوقت على القيم احملكية لكل مؤشر‪ .‬ونقصد بذلك رلاؿ القيم لكل مؤشر اليت‬ ‫تدؿ على وجود مطابقة‪ ،‬وذلك حب يتسىن للقارئ مقارنة قيم مؤشرات ادلطابقة لنموذج‬ ‫البحث بالقيم احملكية النموذجية لكل مؤشر[اجلدوؿ (‪.001‬‬ ‫)‪(RMR‬‬ ‫)‪(SRMR‬‬ ‫‪-‬‬ .])31‬‬ ‫عذ‪ٚ‬ي(‪ِ) 54‬إششاد اٌّطبثمخ اإلعّبٌ‪١‬خ اٌّؾغ‪ٛ‬ثخ أ‪ ٚ‬اٌزغش‪٠‬ج‪١‬خ ‪ِٚ‬إششاد اٌّطبثمخ إٌّ‪ٛ‬رع‪١‬خ أ‪ٚ‬‬ ‫اٌّؾى‪١‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌزذخ‪.ٓ١‬‬ ‫االخخصاس انزُ‬ ‫انرتمجت انؼشبْت‬ ‫انقْى احملضٌبت‬ ‫قْى املؤشش انذانت ػهَ ًصٌد يطابقت‬ ‫ّؼشف بو املؤشش‬ ‫نو‬ ‫ملؤششاث املطابقت‬ ‫(قْى املؤشش اننًٌرصْت)‬ ‫يؤششاث املطابقت املطهقت‬ ‫‪Absolute Fit indices‬‬ ‫‪2‬‬ ‫‪p=0.

(GFI) (AGFI) (PGFI) ‫يؤششاث االفخقاس نالقخصاد‬ Parsimony Correction Indices (RMSEA) mediocre - .

P-Value for Close Fit (ECVI) (AIC) (CAIC) - .

‫يؤششاث املطابقت املقاسنت أً انخزاّذّت‬ ‫‪Comparative / incremental Fit Indices‬‬ ‫)‪(CFI‬‬ ‫)‪(NNFI‬‬ ‫)‪(TLI‬‬ ‫‪Tucker‬‬‫‪Lewis Index‬‬ ‫)‪(NFI‬‬ ‫)‪(PNFI‬‬ ‫إف أغلب مؤشرات ادلطابقة تدؿ على حسن مطابقة النموذج ادلوضح يف‬ ‫الشكل(‪ .04‬‬ ‫‪-‬‬ .) 4‬فمثال أكثر مؤشرات ادلطابقة فعالية وأداء وىو اجلذر الرتبيعي دلتوسط خطأ‬ ‫االقرتاب )‪ُ Root Mean Square Error of Approximation (RMSEA‬نيث أف القيمة اليت تقل‬ ‫عن (‪) 0.05‬على ىذا ادلؤشر تدؿ على مطابقة جيدة‪ ،‬وصلد يف ادلثاؿ قيمة ىذا ادلؤشر تساوي‬ ‫‪0.

1‬شلا يدؿ على مطابقة‬ ‫جيدة‪.29‬للنموذج ادلفرتض احلاِف أدىن من مؤشر الصدؽ‬ ‫التقاطعي ادلتوقع لكل من ظلوذج استقالؿ ‪ Independence model‬ادلتغًنات والنموذج ادلشبع‬ ‫‪ .‬فإف القيمة اليت تتعدى (‪ )0.‫ومؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫‪(SRMR) Residual‬‬ ‫قيمتو يف ادلثاؿ احلاِف (‬ ‫‪0.‬‬ ‫ويعترب مؤشر ادلطابقة ادلقارف )‪ Comparative Fit Index (CFI‬من أفضل‬ ‫ادلؤشرات القائمة على ادلقارنة‪ .30‬أدىن من النموذج ادلستقل ادلتغًنات والنموذج ادلشبع‪ .‬‬ ‫كما أف قيم مؤشرات ادلطابقة ادلقارنة أو التزايدية‪ ،‬نذكر منها مؤشر ادلطابقة‬ ‫ادلعياري أو ادلستند إُف معايًن )‪ ،Normed Fit Index (NFI‬ومؤشر ادلطابقة غًن ادلعياري‬ ‫)‪ ،Normed Fit Index (NNFI‬باستثناء مؤشر ادلطابقة ادلعياري االقتصادي ‪Parsimony-adjusted‬‬ ‫)‪ Normed Fit Index (PNFI‬كلها أعلى من (‪.‬‬ ‫‪0.98‬‬ ‫والقيم احلالية دلؤشر حسن ادلطابقة(‪)GFI‬‬ ‫‪Index‬‬ ‫) تدؿ على جودة‬ ‫‪ ،Goodness-of-Fit‬ومؤشر‬ ‫حسن ادلطابقة ادلصحح ‪ Adjusted Goodness-of-Fit Index‬أو (‪ ،)AGFI‬ومؤشر حسن‬ ‫ادلطابقة االقتصادي )‪ ،Parsimony Goodness –of-Fit Index (PGFI‬كلها أعلى من مستوى‬ ‫(‪ )0.03‬‬ ‫‪Standardized Root Mean Square‬‬ ‫) وىو دوف (‪ )0.Saturated model‬وزلك ادلعلومات أليكيك )‪ Akaike Information Criterion (AIC‬وقيمتو‬ ‫‪Expected Cross-Validation‬‬ ‫احلالية (‪ )146.‬كما أف قيمة زلك‬ ‫‪-‬‬ .)0.90‬‬ ‫‪Non‬‬ ‫كما أف قيمة مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫)‪ Index (ECVI‬الذي يساوي (‪ )0.90‬ؽلكن أف تدؿ على مطابقة‬ ‫معقولة لنموذج البحث أو ادلفرتض‪ ،‬وصلد أف قيمتو يف ادلثاؿ احلاِف (‬ ‫ادلطابقة‪.90‬الذي يدؿ على وجود مطابقة‪.

)61‬وينطوي اجلدوؿ على مؤشرات التعديل متبوعة بالتعديالت ادلتوقعة غًن ادلعيارية‬ ‫(استخداـ الوحدات األصلية للمؤشرات ادلقاسة)‪ ،‬وادلعيارية (توحيد وحدة قياس ادلؤشرات‬ ‫إُف درجات معيارية ) دلصفوفة التشبعات ومصفوفة تباين وتغاير أخطاء ادلؤشرات ادلقاسة‪.‫ادلعلومات ادلتسق إليكيك‬ ‫)‪Consistent Akaike Information Criterion (AIC‬‬ ‫أصغر من قيم‬ ‫ىذا ادلؤشر لكل من النموذج ادلستقل والنموذج ادلشبع‪.‬‬ ‫ولتوضيح كيفية قراءة مؤشرات التعديل‪ ،‬لنأخذ على سبيل ادلثاؿ ادلؤشر ‪ X1‬يف‬ ‫مصفوفة التشبعات للجدوؿ (‪ ،)61‬صلد أف مؤشر التعديل ذلذا ادلؤشر يساوي ‪ 6.‬ولذلك ال بد أف تعزز نتائج مؤشرات ادلطابقة‬ ‫العامة للنموذج ادلفرتض بفحص موضعى تفصيلي‪ .‬‬ ‫واخلالصة أف أغلب مؤشرات ادلطابقة تدؿ على مطابقة جيدة للنموذج‪.‬غًن أف بعض مؤشرات ادلطابقة األخرى وجدت لتسد مواطن‬ ‫الضعف يف مؤشر مربع كاي كتأثر داللتو اإلحصائية ُنجم العينة ُنيث أف أي فارؽ طفيف‬ ‫بٌن مصفوفة التباين والتغاير للنموذج ادلفرتض ومصفوفة العينة يكوف داال إحصائيا عند‬ ‫اتساع حجم العينة‪ .‬‬ ‫ورغم أف أغلب ادلؤشرات تدؿ على وجود مطابقة للنموذج ادلفرتض‪ ،‬صلد أف‬ ‫قيمة مربع كاي دالة إحصائية‪ .‬‬ ‫وفيما يلي انتقيت قسما من نتائج مصفوفة التباين والتغاير(البيانات)‬ ‫باستعماؿ حزمة ليزرؿ‪ .‬أما البارامرتات ادلقدرة للنموذج ادلفرتض فيظهرىا الشكل التخطيطي‬ ‫السابق للنموذج (الشكل‪ .9127‬أو‬ ‫‪-‬‬ .‬وذلك بفحص البواقي اليت سبق أف‬ ‫تطرقنا إليها‪ ،‬وبفحص مؤشرات التعديل‪.‬‬ ‫ولقد سبق أف أشرنا أف ٕنتع النموذج ّنطابقة عامة بناء على مؤشرات ادلطابقة‬ ‫ال يدؿ إطالقا على أف النموذج ؼللو ٕناما من أي خلل موضعي‪ ،‬أو خلل يف ادلطابقة‬ ‫ادلوضعية لبعض بارامرتات النموذج ادلفرتض‪ .)01 :‬أما مؤشرات التعديل الواردة يف النتائج فيظهرىا اجلدوؿ‬ ‫(‪ .‬واتساع حجم العينة ىو الوضع ادلألوؼ يف النمذجة بادلعادالت البنائية‪.

‬فعند ٓنرير مؤشر معٌن (افرتاض أف‬ ‫لو عالقة بالعامل اآلخر َنانب عالقتو بعاملو)‪ ،‬فإف مؤشر التعديل الذي يساوي أو أكرب من‬ ‫القيمة أربعة‪ ،‬يعترب داال إحصائيا‪ ،‬أي ؽلكن أف يؤدي ىذا البارامرت عند ٓنريره إُف ٓنسن يف‬ ‫مطابقة النموذج‪.)social‬كما صلد أف مؤشر التعديل‬ ‫يساوي (‪ )1.‫(‪ )6.95‬عند افرتاض أف ادلؤشر ‪ X1‬يتشبع أيضا على عامل دافع االستمتاع‬ ‫(…‪.‬ودلواجهة ىذا ادلشكل ترفق احلزـ‬ ‫اإلحصائية ادلتخصصة مؤشرات التعديل ّنا يدعى التغًن ادلتوقع يف قيم البارامرت ‪Expected‬‬ ‫)‪parameter change(EPC‬‬ ‫لكل مؤشر تعديل‪ .05‬أي داؿ إحصائيا) يف مطابقة النموذج‪ .91‬تدؿ على أنو عند ٓنرير تشبع ادلؤشر‬ ‫‪X1‬‬ ‫على عامل دافع‬ ‫االستمتاع لتقدير قيمتو يف التحليل الالحق والذي كاف مثبتا من قبل (كاف يساوي صفرا أي‬ ‫ال يتشبع عليو)‪ ،‬فنتيجة ىذا التحرير ذلذا البارامرت أو التشبع فإنو يتوقع أف تنخفض قيمة‬ ‫مربع كاي ّنقدار ‪ 6.91‬وحدة‪ .91‬اختصارا عند افرتاض أنو يتشبع أيضا ( عالوة على تشبعو على عاملو دافع‬ ‫التكيف…‪ )coping‬على عامل الدافع االجتماعي(…‪ .‬فعند اتساع العينة‪ ،‬فقد ضلصل‬ ‫على مؤشرات تعديل مرتفعة على الرغم من أف إضافة البارامرت أو ٓنريره بناء على مؤشر‬ ‫التعديل ادلرتفع قد يكوف حجمو منخفضا أو تافها‪ .‬وتسمى اختصارا التغًن ادلتوقع‬ ‫‪.‬وّنا أنو ؽلكن تصور مؤشرات التعديل بأهنا اختبار مربع‬ ‫كاي فتستعمل قيمتو مربع كاي الحرجة التي تساوي‬ ‫‪3.change‬‬ ‫‪-‬‬ ‫‪Expected‬‬ .84‬‬ ‫(أو تجبر إلى الرقم ‪)4‬‬ ‫للحكم على قيمة مؤشر التعديل بأنو يدؿ على ٓنسن ذي داللة إحصائية عند‬ ‫مستوى(‪( )0.)Enhancement‬‬ ‫فالقيمة (‪ )6.‬‬ ‫غًن أف م ؤشرات التعديل حساسة حلجم العينة‪ .‬إف النموذج ادلفرتض الذي يتمتع ّنطابقة جيدة يرتبط‬ ‫ّنؤشرات تعديل منخفضة يف قيمتها‪ .

)01 :‬‬ ‫نبدأ أوال بالبحث عن أعلى مؤشر تعديل جلعل البارامرت الذي يتعلق ّنؤشر‬ ‫التعديل حرا يف التحليل الالحق أو القادـ‪ ،‬شريطة أف يكوف إلضافة ىذا الربامرت (ٓنريره) ما‬ ‫يربره باالستناد إُف اإلطار النظري للبحث‪ .‬‬ ‫فمثال‪ ،‬بالنسبة للمؤشر ‪ X1‬يف مصفوفة التشبعات للجدوؿ (‪ ،)61‬صلد أف‬ ‫قيمة التغًن ادلتوقع ادلعياري لو أي قيمة تشبعو على عامل الدافع االجتماعي(…‪)social‬‬ ‫تساوي (‪ ، ).‬‬ ‫لنرجع إُف جدوؿ مؤشرات التعديل‪ ،‬فحزمة ليزرؿ تضيف خالصة يف األخًنة‬ ‫تشًن فيها إُف أعلى مؤشر تعديل الذي يساوي يف ىذه احلالة ‪ 26.‫ويزودنا "التغًن ادلتوقع" يف قيم البارامرت‬ ‫)‪(EPC‬‬ ‫على تقدير تقريع دلدى التغًن‬ ‫ادلتوقع يف قيمة البارامرت ادلوجبة أو السالبة إذا ما مت ٓنريره لتقدير قيمتو يف التحليل الالحق أو‬ ‫القادـ‪ .‬وإذا تعذر التأصيل أو التأويل النظري لتحرير‬ ‫(تقدير) البارامرت الذي يوافق أعلى مؤشر تعديل‪ ،‬فينبغي االنتقاؿ إُف أعلى مؤشر التعديل‬ ‫الثاين الذي ىو أدىن مباشرة من مؤشر التعديل األوؿ‪ .98‬ويتعلق بالتغاير‬ ‫(االرتباط) بٌن خطأ ادلؤشر ‪ X11‬وخطأ ادلؤشر ‪ X12‬يف مصفوفة التباين والتغاير ألخطاء‬ ‫‪-‬‬ .‬لكن قيم تشبعو ادلتوقع على‬ ‫العاملٌن اآلخرين منخفض جدا شلا يعزز االعتقاد أف ىذا ادلؤشر يتشبع فقط على عاملو‬ ‫(تشبعو على عاملو يساوي‬ ‫‪0.‬واجلدوؿ (‪ ) 61‬يظهر قيم التغًن ادلتوقع يف قيم البارامرتات بالدرجات غًن ادلعيارية‬ ‫وبالدرجات ادلعيارية أيضا‪ .43‬‬ ‫أنظر ادلسار التخطيطي يف الشكل‪.‬وقيم التغًن ادلتوقع غًن ادلعيارية ٓنتفظ بالوحدات األصلية لقياس‬ ‫ادلتغًنات‪ ،‬يف حٌن أف قيم التغًن ادلتوقع ادلعيارية فيتم فيها ٓنويل الدرجات إُف درجات‬ ‫معيارية لكي يتسىن احلكم على حجم قيم التغًن ادلتوقع‪ ،‬وادلقارنة فيما بينها‪.27‬وقيمة تغًنه ادلتوقع أي قيمة تشبعو على عامل دافع االستمتاع‬ ‫(…‪ )Enhancement‬يساوي (‪ )0.0.07‬يف التحليل الالحق عند افرتاض أف ىذا ادلؤشر ال يتشبع‬ ‫فقط على عاملو بل يتشبع أيضا على العاملٌن اآلخرين‪ .‬غًن أف ٓنرير البارامرت الذي يشًن إليو‬ ‫مؤشر التعديل الثاين غلب أف يقوـ أيضا على خلفية نظرية تدعمو‪.

-------.2201‬‬ ‫‪X7‬‬ ‫‪-0.0725‬‬ ‫‪-‬‬ ‫‪-0.0274‬‬ ‫‪X12‬‬ ‫التغيرات المتوقعة المعيارية لمصفوفة التشبعات‬ ‫‪Completely Standardized Expected Change for LAMBDA-X‬‬ ‫‪Enhance‬‬ ‫‪Social‬‬ ‫‪Coping‬‬ ‫‪-------.3001‬‬ ‫‪--‬‬ ‫‪X4‬‬ ‫‪-0.1267‬‬ ‫‪X6‬‬ ‫‪-0.‬‬ ‫عذ‪ٚ‬ي (‪ِ )64‬إششاد اٌزؼذ‪ٌٍّٕٛ ً٠‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌّخذساد‬ ‫التغيرات المتوقعة غير المعيارية لمصفوفة التشبعات‬ ‫‪Expected Change for LAMBDA-X‬‬ ‫‪Enhance‬‬ ‫‪Coping‬‬ ‫‪Social‬‬ ‫‪-------.1277‬‬ ‫‪0.‫ادلؤشرات‪ .0299‬‬ ‫‪X5‬‬ ‫‪0.0333‬‬ ‫‪--‬‬ ‫‪X2‬‬ ‫‪0.0390‬‬ ‫‪--‬‬ ‫‪-0.5203‬‬ ‫‪--‬‬ ‫‪X1‬‬ ‫‪0.0669‬‬ ‫‪0.1039‬‬ ‫‪1.3234‬‬ ‫‪X8‬‬ ‫‪--‬‬ ‫‪0.0193‬‬ ‫‪--‬‬ ‫‪-0.0377‬‬ ‫‪-0.0441‬‬ ‫‪X9‬‬ ‫‪--‬‬ ‫‪0.2767‬‬ ‫‪--‬‬ ‫‪X1‬‬ .0037‬‬ ‫‪-0.-------‬‬‫‪0.0926‬‬ ‫‪-0.0776‬‬ ‫‪--‬‬ ‫‪0.2668‬‬ ‫‪--‬‬ ‫‪X3‬‬ ‫‪-0.-------.1287‬‬ ‫‪X10‬‬ ‫‪--‬‬ ‫‪-0.‬وؽلكن تربير ذلك نظريا أف الفقرة ‪ X11‬والفقرة ‪ X12‬كانتا الفقرتٌن اللتٌن صيغتا‬ ‫صياغة سالبة مقارنة بالفقرات األخرى‪ ،‬وبالتاِف فاْناه الصياغة ىو ما يفسر سبب وجود‬ ‫عالقة بٌن خطأ الفقرتٌن أو ادلؤشرين‪.-------‬‬‫‪0.0453‬‬ ‫‪-0.2292‬‬ ‫‪-0.1814‬‬ ‫‪X11‬‬ ‫‪--‬‬ ‫‪0.0519‬‬ ‫‪--‬‬ ‫‪0.

0637 -- 0.7245 0.2476 X12 1.4674 1.0336 X8 -0.0481 X3 -- -0.0153 -- -0.5008 -- X4 0.0548 0.0977 -- X12 -0.0305 0.2784 -- X3 0.2080 0.0628 -0.1070 -- X5 0.0654 0.4463 0.5972 X11 4.2914 2.0525 X9 0.0630 -- X6 0.7664 0.0071 0.3384 0.1189 X5 -0.0092 2.5955 5.1412 1.6320 1.4835 0.1094 0.0707 X7 0.1688 1.5380 1.0514 0.0539 X10 0.8856 0.0221 1.5320 0.1020 0.8736 0.0605 0.0092 0.0015 -- )‫مؤشرات التعديل لمصفوفة التغاير ألخطاء المؤشرات المقاسة (الفقرات‬ Modification Indices for THETA-DELTA X1 X2 X3 X4 X5 X6 X1 -- X2 10.0799 -- X11 -0.0317 X4 -- 1.8206 1.X2 -- -0.0668 0.0243 0.9838 3.5010 0.2701 0.0156 6.6639 X7 X8 X9 X7 X10 X11 -- - X12 .1267 -- -0.4330 3.1522 0.2889 1.0101 -0.4509 1.3688 -- X7 0.5231 X8 1.0363 X6 0.0786 -- -0.2106 0.1418 0.0146 0.0137 X9 0.1235 0.3652 5.0273 -- X10 0.9547 2.0240 0.

‫‪--‬‬

‫‪--‬‬

‫‪1.4278‬‬

‫‪X8‬‬

‫‪--‬‬

‫‪1.6182‬‬

‫‪0.0319‬‬

‫‪X9‬‬

‫‪--‬‬

‫‪19.8062‬‬

‫‪1.3086‬‬

‫‪1.5176‬‬

‫‪X10‬‬

‫‪--‬‬

‫‪7.3165‬‬

‫‪2.9022‬‬

‫‪2.1395‬‬

‫‪0.2622‬‬

‫‪X11‬‬

‫‪26.8935‬‬

‫‪5.5608‬‬

‫‪7.6807‬‬

‫‪0.5896‬‬

‫‪0.6360‬‬

‫‪X12‬‬

‫التغيرات المتوقعة لمصفوفة التغاير ألخطاء المؤشرات المقاسة غير المعيارية(الفقرات)‬
‫‪Expected Change for THETA-DELTA‬‬

‫‪X6‬‬

‫‪X4‬‬

‫‪X5‬‬

‫‪X3‬‬

‫‪X2‬‬

‫‪X1‬‬
‫‪--‬‬

‫‪X1‬‬

‫‪--‬‬

‫‪0.3799‬‬

‫‪X2‬‬

‫‪--‬‬

‫‪0.2052‬‬

‫‪0.1476‬‬

‫‪X3‬‬

‫‪--‬‬

‫‪-0.0372‬‬

‫‪-0.2294‬‬

‫‪-0.0148‬‬

‫‪X4‬‬

‫‪--‬‬

‫‪-0.0159‬‬

‫‪0.0172‬‬

‫‪0.1061‬‬

‫‪-0.0805‬‬

‫‪X5‬‬

‫‪--‬‬

‫‪0.0571‬‬

‫‪0.0146‬‬

‫‪0.0477‬‬

‫‪0.0264‬‬

‫‪-0.0780‬‬

‫‪X6‬‬

‫‪-0.2150‬‬

‫‪-0.0724‬‬

‫‪0.1308‬‬

‫‪0.0146‬‬

‫‪-0.1302‬‬

‫‪-0.0889‬‬

‫‪X7‬‬

‫‪0.0286‬‬

‫‪0.0102‬‬

‫‪0.0374‬‬

‫‪-0.3103‬‬

‫‪-0.0651‬‬

‫‪-0.1809‬‬

‫‪X8‬‬

‫‪-0.1408‬‬

‫‪0.1335‬‬

‫‪-0.0914‬‬

‫‪0.0314‬‬

‫‪0.1965‬‬

‫‪0.1333‬‬

‫‪X9‬‬

‫‪0.0693‬‬

‫‪0.0561‬‬

‫‪0.0654‬‬

‫‪-0.2215‬‬

‫‪-0.0618‬‬

‫‪0.0330‬‬

‫‪X10‬‬

‫‪0.0637‬‬

‫‪-0.1458‬‬

‫‪-0.1489‬‬

‫‪0.4093‬‬

‫‪0.1690‬‬

‫‪0.3644‬‬

‫‪X11‬‬

‫‪0.1707‬‬

‫‪-0.1517‬‬

‫‪0.0390‬‬

‫‪-0.0406‬‬

‫‪X12 -0.2299 -0.1176‬‬

‫‪X12‬‬

‫‪X10‬‬

‫‪X11‬‬

‫‪X9‬‬

‫‪X8‬‬

‫‪--‬‬

‫‪-‬‬

‫‪X7‬‬
‫‪--‬‬

‫‪X7‬‬

‫‪0.2068‬‬

‫‪X8‬‬

X9

-0.0363

0.2276

--

X10

-0.1636

0.1339

0.8637

X11

-0.0970

-0.2444

-0.5186

-0.5346

X12

0.1560

-0.1325

-0.8780

-0.4850

--1.7145

--

)‫التغيرات المتوقعة لمصفوفة التغاير ألخطاء المؤشرات المقاسة المعيارية (الفقرات‬
Completely Standardized Expected Change for THETA-DELTA

X1
X1

X2

X3

X4

X5

X6

--

X2

0.1213

--

X3

0.0373

0.0703

--

X4

-0.0051

-0.1070

-0.0137

X5

-0.0226

0.0404

0.0052

-0.0065

--

X6

-0.0214

0.0098

0.0140

0.0058

0.0187

--

X7

-0.0173

-0.0344

0.0031

0.0373

-0.0168

-0.0488

X8

-0.0387

-0.0189

-0.0712

0.0117

0.0026

0.0071

X9

0.0241

0.0482

0.0061

-0.0242

0.0288

-0.0297

X10

0.0091

-0.0232

-0.0659

0.0265

0.0185

0.0224

X11

0.0688

0.0433

0.0829

-0.0411

-0.0328

0.0140

X12 -0.0420

-0.0291

-0.0079

0.0104

-0.0330

0.0363

X10

X11

X12

X7

X8

X9

--

X7

--

X8

0.0366

--

X9

-0.0054

0.0374

--

X10

-0.0375

0.0337

0.1842

--

X11

-0.0152

-0.0419

-0.0753

-0.1189

--

X12

0.0236

-0.0219

-0.1232

-0.1042

0.2508

-

--

‫‪Maximum Modification Index is 26.89 for Element (12,11) of THETA-DELTA‬‬

‫كما أف مؤشر التعديل ادلرتفع الثاين يف الرتتيب من حيث حجمو يساوي‬
‫‪18.87‬؛ ويتعلق بإضافة تشبع ادلؤشر أو الفقرة ‪ X4‬على العامل الثاين‪ :‬الدوافع االجتماعية‬
‫(…‪ ) social‬فضال عن تشبعو على عاملو األصلي‪ .‬والتغًن ادلتوقع ادلعياري الذي يناظر ىذا‬
‫التشبع ادلضاؼ يساوي ‪. 1.01‬‬
‫انخؼذّم األًل نهنًٌرس املفرتض‪:‬‬

‫دلا كاف مؤشر التعديل ادلرتفع (‪ )26.98‬يشًن إُف التغاير أو االرتباط بٌن خطأ‬
‫ادلؤشر ‪ X11‬وخطأ ادلؤشر ‪ ، X12‬فسنقوـ باإليعاز إُف حزمة ليزرؿ بأف التغاير بٌن تباين خطأ‬
‫ادلؤشر ‪ X11‬وتباين خطأ ادلؤشر ‪ X12‬الذي كاف مثبتا بصفر ( بناء على افرتاض استقالؿ‬
‫األخطاء) يف النموذج ادلفرتض السابق أو األصلي‪ ،‬سنحرره اآلف كبارامرت حر وليس كبارامرت‬
‫ثابت لكي تقوـ احلزمة بتقدير تغايره‪.‬‬
‫وعند إعادة التحليل دلصفوفة التباين والتغاير من جديد بإدخاؿ ىذا التعديل‬
‫(ارتباط اخلطأين)‪ ،‬فإف نتائج تقدير البارامرتات ادلختلفة للنموذج ادلفرتض (التشبعات‪ ،‬ارتباط‬
‫العوامل‪ ،‬تباين األخطاء‪ ،‬تغاير اخلطأين) موضحة يف الشكل (‪ )31‬الذي يظهر ادلسار‬
‫التخطيطي للنموذج العاملي الثالثي العوامل مع التقديرات ادلعيارية للبارامرتات ادلختلفة ّنا‬
‫فيها تقدير ارتباط اخلطأين‪.‬‬

‫‪-‬‬

‫شىً (‪ ) 34‬اٌم‪ ُ١‬اٌّؼ‪١‬بس‪٠‬خ ٌجبساِزشاد ّٔ‪ٛ‬رط اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪ ٞ‬اٌضالص‪ ٟ‬األثؼبد ٌذ‪ٚ‬افغ رؼبغ‪ٟ‬‬
‫اٌّخذساد‪ ،‬ثؼذ رؾش‪٠‬ش (اسرجبغ) خطأ اٌّإشش‪(X12 ، X11 :ٓ٠‬اٌزؼذ‪ ً٠‬األ‪ٚ‬ي ٌٍّٕ‪ٛ‬رط)‪.‬‬

‫لنلقي نظرة على بعض مؤشرات ادلطابقة التالية للنموذج ادلفرتض ادلعدؿ يف‬

‫اجلدوؿ (‪:)41‬‬

‫‪-‬‬

ً٠‫ٓ ثؼذ اٌزؼذ‬١‫ اٌزذخ‬ٟ‫افغ رؼبغ‬ٚ‫ ٌذ‬ٞ‫ذ‬١‫و‬ٛ‫ اٌز‬ٍِٟ‫ً اٌؼب‬١ٍ‫رط اٌزؾ‬ٌّٕٛ ‫ ) ِإششاد اٌّطبثمخ‬74( ‫ي‬ٚ‫عذ‬
.‫رط‬ٌٍّٕٛ ‫ي‬ٚ‫األ‬

Goodness of Fit Statistics

Degrees of Freedom = 50
Minimum Fit Function Chi-Square = 61.5351 (P = 0.1270)
Normal Theory Weighted Least Squares Chi-Square = 65.6913 (P = 0.06747)
Estimated Non-centrality Parameter (NCP) = 15.6913
90 Percent Confidence Interval for NCP = (0.0 ; 40.8065)

Minimum Fit Function Value = 0.1233
Population Discrepancy Function Value (F0) = 0.03145
90 Percent Confidence Interval for F0 = (0.0 ; 0.08178)
Root Mean Square Error of Approximation (RMSEA) = 0.02508
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.04044)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.9978

Expected Cross-Validation Index (ECVI) = 0.2439
90 Percent Confidence Interval for ECVI = (0.2124 ; 0.2942)
ECVI for Saturated Model = 0.3126
ECVI for Independence Model = 5.5235

Chi-Square for Independence Model with 66 Degrees of Freedom = 2732.2510
Independence AIC = 2756.2510
Model AIC = 121.6913
Saturated AIC = 156.0000
Independence CAIC = 2818.8263
Model CAIC = 267.7003
Saturated CAIC = 562.7394

-

Normed Fit Index (NFI) = 0.9775
Non-Normed Fit Index (NNFI) = 0.9943
Parsimony Normed Fit Index (PNFI) = 0.7405

Comparative Fit Index (CFI) = 0.9957
Incremental Fit Index (IFI) = 0.9957
Relative Fit Index (RFI) = 0.9703

Critical N (CN) = 618.5766

Root Mean Square Residual (RMR) = 0.1384
Standardized RMR = 0.03186
Goodness of Fit Index (GFI) = 0.9785
Adjusted Goodness of Fit Index (AGFI) = 0.9665
Parsimony Goodness of Fit Index (PGFI) = 0.6273

‫وؽلكن إعادة تنظيم مؤشرات ادلطابقة بطريقة أوضح لتمكٌن القارئ ّنقارنة‬
‫القيم التجريبية احملسوبة دلؤشرات ادلطابقة بقيمها النموذجية اليت تدؿ على وجود مطابقة‬
:])21( ‫وذلك يف اجلدوؿ اآلت [اجلدوؿ‬

-

‫عذ‪ٚ‬ي(‪ِ )84‬إششاد اٌّطبثمخ اإلعّبٌ‪١‬خ اٌّؾغ‪ٛ‬ثخ أ‪ ٚ‬اٌزغش‪٠‬ج‪١‬خ ‪ِٚ‬إششاد اٌّطبثمخ إٌّ‪ٛ‬رع‪١‬خ أ‪ٚ‬‬
‫اٌّؾى‪١‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌزذخ‪.ٓ١‬‬
‫االخخصاس انزُ‬

‫انرتمجت انؼشبْت‬

‫انقْى احملضٌبت‬

‫قْى املؤشش انذانت ػهَ ًصٌد يطابقت‬

‫ّؼشف بو املؤشش‬

‫نو‬

‫ملؤششاث املطابقت‬

‫(قْى املؤشش اننًٌرصْت)‬

‫يؤششاث املطابقت املطهقت‬
‫‪Absolute Fit indices‬‬

‫‪2‬‬

‫‪p=0.067‬‬

‫)‪(RMR‬‬

‫)‪(SRMR‬‬

‫)‪(GFI‬‬

‫‪-‬‬

(AGFI)

(PGFI)

‫يؤششاث االفخقاس نالقخصاد‬
Parsimony Correction Indices

mediocre

(RMSEA)

-

P-Value for
Close Fit

(ECVI)

(AIC)

(CAIC)

ُ‫يؤششاث املطابقت املقاسنت أً انخزاّذ‬
Comparative / incremental Fit Indices
(CFI)

-

025‬‬ ‫‪Root Mean Square Error of‬‬ ‫ومؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫‪Standardized Root Mean Square‬‬ ‫‪ (SRMR) Residual‬قيمتو يف ادلثاؿ احلاِف تساوي (‪ ) 0.03‬وىي دوف (‪.‬فقيمة اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫)‪ Approximation (RMSEA‬ازدادت اطلفاضا مقارنة بقيمتو يف النموذج األصلي السابق ُنيث‬ ‫أضحت قيمتو تساوي ‪. 0.‫)‪(NNFI‬‬ ‫)‪(TLI‬‬ ‫‪Tucker‬‬‫‪Lewis Index‬‬ ‫)‪(NFI‬‬ ‫)‪(PNFI‬‬ ‫إف أغلب مؤشرات ادلطابقة ازداد وضعها ٓنسنا عند إجراء التعديل األوؿ على‬ ‫النموذج ادلفرتض‪ . )0.1‬‬ ‫‪-‬‬ .

)0.Saturated model‬إف قيمة مؤشر الصدؽ التقاطعي ادلتوقع )‪ (ECVI‬ازدادت اطلفاضا عن‬ ‫ذي قبل‪ ،‬كما أهنا ما زالت أدىن (أفضل مطابقة من) من النموذج ادلستقل ادلتغًنات‬ ‫والنموذج ادلشبع‪ .90‬الذي يدؿ على وجود مطابقة‪ .)0.90‬ونالحظ كذلك أف مؤشر ادلطابقة‬ ‫ادلعياري االقتصادي )‪ Parsimony-adjusted Normed Fit Index (PNFI‬أكرب من (‪.001371‬أما يف‬ ‫النموذج ادلعدؿ احلاِف فاطلفضت قيمتو إُف ‪ 61.24‬للنموذج ادلفرتض احلاِف أدىن من مؤشر الصدؽ‬ ‫‪Expected Cross-Validation‬‬ ‫)‪(ECVI‬‬ ‫التقاطعي ادلتوقع لكل من ظلوذج استقالؿ ادلتغًنات ‪ Independence model‬والنموذج ادلشبع‬ ‫‪ .)0.61‬‬ ‫بدرجة‬ ‫حرية ‪ 51‬ودالة إحصائيا عند مستوى داللة واحد من األلف ( ‪ ،)P = 0.99‬‬ ‫وبالتاِف ازدادت ارتفاعا عن ذي قبل‪.5‬‬ ‫ونالحظ أيضا أف قيم مؤشرات ادلطابقة ادلقارنة أو التزايدية‪ ،‬أي مؤشر ادلطابقة‬ ‫ادلعياري أو ادلستند إُف معايًن )‪ ، Normed Fit Index (NFI‬ومؤشر ادلطابقة غًن ادلعياري ‪Non‬‬ ‫)‪ Normed Fit Index (NNFI‬كلها أعلى من (‪ .5‬‬ ‫كما أف قيمة مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫‪ ،Index‬اليت تساوي (‪ )0.‫و قيمة مؤشر ادلطابقة ادلقارف‬ ‫)‪Comparative Fit Index (CFI‬‬ ‫يف ادلثاؿ احلاِف تساوي (‪)0.‬كما أف قيمة مؤشر حسن ادلطابقة االقتصادي‬ ‫)‪ Parsimony Goodness –of-Fit Index (PGFI‬أعلى من (‪.‬‬ ‫والقيم احلالية دلؤشر حسن ادلطابقة (‪ ،Goodness-of-Fit Index )GFI‬ومؤشر‬ ‫حسن ادلطابقة ادلصحح ‪ Adjusted Goodness-of-Fit Index‬أو (‪ ،)AGFI‬كلها أعلى من‬ ‫مستوى(‪ )0.‬كما أف قيمة زلك ادلعلومات ادلتسق أليكيك‬ ‫)‪ Information Criterion (AIC‬أصغر من قيم زلك ادلعلومات ادلتسق لكل من النموذج‬ ‫ادلستقل والنموذج ادلشبع‪.‬‬ ‫‪Consistent Akaike‬‬ ‫أما مربع كاي فكانت قيمتو يف النموذج األصلي (يف السابق)‬ ‫‪86.53‬بدرجات حرية ‪ ، 50‬وأضحى فاقدا‬ ‫‪-‬‬ .

001‬‬ ‫كما أف احلكم على أعلية التعديل يقوـ أيضا على معاينة حجم البواقي من‬ ‫جهة‪ ،‬ومؤشرات التعديل من جهة أخرى‪ .‬‬ ‫لكن لنختبر اآلن ىل التحسن في المطابقة دال إحصائيا بين النموذج‬ ‫األصلي السابق والنموذج المعدل الحالي‪ .05‬؛ وأف تساوي أو أكرب من القيمة احلرجة‬ ‫لكي تكوف دالة عند مستوى ‪ 0.‬وطريقتنا إُف ذلك استعماؿ مربع كاي الختبار‬ ‫داللة الفروؽ )‪ .‫لداللتو اإلحصائية البارزة اليت كاف عليها يف السابق( ‪ .61[ 25.53‬يساوي ‪ ،] 25.‬ولكي يتسىن لنا مقارنة حجم البواقي قبل التعديل‬ ‫وبعده‪ ،‬رصدنا يف اجلدوؿ (‪ )01‬مصفوفة التباين والتغاير للبواقي للنموذج األصلي قبل‬ ‫التعديل‪ ،‬ومصفوفة التباين والتغاير للبواقي للنموذج بعد التعديل‪.01‬؛ وأف تكوف أكرب أو تساوي القيمة احلرجة ‪ 10. Chi-square difference test(2diff‬فقيمة مربع كاي بدرجة حرية واحدة‬ ‫تساوي ‪ 86.48‬لكي تكوف دالة عند مستوى ‪ 0.‬فإذا أخذنا درجة‬ ‫القطع ‪ 2.001‬مستوى الداللة دلربع كاي عند درجة حرية واحدة ينبغي أف تكوف أكرب أو تساوي‬ ‫القيمة احلرجة ‪ 3.‬‬ ‫لقد قل عدد البواقي ادلرتفعة بشكل ملحوظ بعد التعديل‪ .58‬إلحصاء عدد البواقي ادلرتفعة‪ ،‬صلد أنو توجد سبع بواقي قبل التعديل مقابل‬ ‫قيمتٌن فقط للبواقي بعد التعديل قيمها تساوي أو تتعدى ‪2.‬ومن حيث الداللة فقيمة االطلفاض دالة‬ ‫إُف ما دوف ‪[ 0.58‬؛ كما أف حجم البواقي‬ ‫‪-‬‬ .83‬لكي تكوف دالة‬ ‫‪6.07‬وفقدانو للداللة اإلحصائية‬ ‫يعزز احتماؿ جودة ادلطابقة للنموذج ادلعدؿ احلاِف‪.] 0.98‬الذي توقعو مؤشر التعديل القائم على مربع كاي‬ ‫(الذي سبق أف تطرقنا إليو عند معاجلة مؤشرات التعديل) عند ٓنرير خطأ ادلؤشر‪ X11‬وخطأ‬ ‫ادلؤشر‪ X12‬لتقدير ارتباطهما يف التحليل الالحق‪ .)P = 0.08‬طرح ‪ 61.64‬‬ ‫عند مستوى ‪.08‬وىذا االطلفاض البارز يف مربع كاي‬ ‫قريب من االطلفاض ( وقيمتو ‪ )26.

3269‬‬ ‫‪-2.6073‬‬ ‫‪0.5849 -0.0429‬‬ ‫‪0.9508‬‬ ‫‪0.9445‬‬ ‫‪-1.1859‬يف السابق‪ّ .1676‬‬ ‫‪X8‬‬ ‫‪0.1344‬‬ ‫‪X12‬‬ ‫‪X12‬‬ ‫‪X11‬‬ ‫‪X10‬‬ ‫‪X9‬‬ ‫‪X8‬‬ ‫‪--‬‬ ‫‪-‬‬ ‫‪X7‬‬ .9859‬‬ ‫‪-0.8230‬‬ ‫‪-1.‬نعىن أف إدخاؿ التغيًن على‬ ‫النموذج أدى إُف ٓنسٌن تفسًن النم وذج ادلعدؿ لقدر إضايف من التباين الذي َف يتمكن‬ ‫من تفسًنه النموذج األصلي‪ ،‬وبالتاِف أصبحت مصفوفة البيانات القائمة على العالقات‬ ‫ادلفرتضة يف النموذج ادلعدؿ أكثر قدرة على زلاكاة مصفوفة البيانات للعينة‪.2382‬‬ ‫‪0.5433‬‬ ‫‪0.6299‬‬ ‫‪0.8391‬‬ ‫‪1.0841‬‬ ‫‪-2.6055‬‬ ‫‪1.4664‬‬ ‫‪X6‬‬ ‫‪-1.1247‬‬ ‫‪X4‬‬ ‫‪--‬‬ ‫‪-0.2597‬‬ ‫‪-1.8196‬‬ ‫‪-0.‬ففي النموذج احلاِف صلد أف أعلى قيمة للبواقي‬ ‫تساوي ‪ 3.9919‬‬ ‫‪X3‬‬ ‫‪--‬‬ ‫‪-0.3402‬‬ ‫‪-0.5884‬‬ ‫‪-0.2504‬‬ ‫‪-1.0685‬‬ ‫‪-0.3010‬‬ ‫‪0.1887‬‬ ‫‪X7‬‬ ‫‪0.2060‬‬ ‫‪X2‬‬ ‫‪1.5398‬‬ ‫‪1.2206‬يف حٌن بلغت مستوى ‪ 5.3694‬‬ ‫‪1.3804‬‬ ‫‪X5‬‬ ‫‪--‬‬ ‫‪0.5292‬‬ ‫‪0.2444‬‬ ‫‪-0.3434‬‬ ‫‪-0.1089‬‬ ‫‪-0.2238‬‬ ‫‪X9‬‬ ‫‪1.7758‬‬ ‫‪-0.5026‬‬ ‫‪1.4981‬‬ ‫‪1.‬‬ ‫عذ‪ٚ‬ي (‪ِ )94‬صف‪ٛ‬فخ اٌزجب‪ٚ ٓ٠‬اٌزغب‪٠‬ش ٌٍج‪ٛ‬ال‪ٌٍّٕٛ ٟ‬رط األصٍ‪ ٟ‬لجً اٌزؼذ‪ِٚ ،ً٠‬صف‪ٛ‬فخ اٌزجب‪ٚ ٓ٠‬اٌزغب‪٠‬ش‬ ‫ٌٍج‪ٛ‬ال‪ٌٍّٕٛ ٟ‬رط ثؼذ اٌزؼذ‪.2334‬‬ ‫‪-0.3090‬‬ ‫‪0.1317‬‬ ‫‪-0.8698‬‬ ‫‪-1.ً٠‬‬ ‫مصفوفة التباين والتغاير للبواقي المعيارية للنموذج األصلي‬ ‫‪Standardized Residuals Matrix‬‬ ‫‪X6‬‬ ‫‪X4‬‬ ‫‪X5‬‬ ‫‪X3‬‬ ‫‪X2‬‬ ‫‪X1‬‬ ‫‪--‬‬ ‫‪X1‬‬ ‫‪--‬‬ ‫‪3.8710‬‬ ‫‪0.‫تقلص بكثًن عما كاف عليو يف السابق‪ .6840‬‬ ‫‪X11‬‬ ‫‪1.2379‬‬ ‫‪X10‬‬ ‫‪-0.9476‬‬ ‫‪1.6014‬‬ ‫‪-0.7760‬‬ ‫‪-2.2292‬‬ ‫‪0.0858‬‬ ‫‪0.

3633 0.1453 1.8927 X4 -0.7714 Largest Positive Standardized Residuals ‫البواقي المعيارية الموجبة العليا‬ Residual for X2 and X1 3.4504 Residual for X12 and X11 5.0108 1.7714 -2.7930 -0.2122 1.3581 5.7049 -- X12 0.1859 ‫مصفوفة التباين والتغاير للبواقي المعيارية بعد التعديل األول‬ Standardized Residuals Matrix X1 X2 X3 X4 X5 X6 X1 -- X2 3.0234 -1.0540 0.4427 0.1949 X9 -0.1859 -- Summary for largest standardized Residuals -- ‫ملخص يظهر البواقي المرتفعة المعيارية‬ Largest Negative Standardized Residuals ‫البواقي المعيارية السالبة العليا‬ Residual for X4 and X2 -2.2378 -0.2206 -- X3 1.1493 -0.2874 -0.9639 -0.6535 -0.5655 -- - .X7 -- X8 1.2060 Residual for X10 and X9 4.7990 0.4504 -- X11 -1.6049 -- X7 -1.2856 -0.1670 -2.0868 0.6113 -2.5030 4.9475 -- X10 -0.7049 Residual for X12 and X9 -2.7036 -2.5286 -1.5312 -2.2617 -- X5 -1.5849 Residual for X11 and X10 -2.1638 -0.6014 Residual for X8 and X3 -2.0843 -- X6 -1.

5130‬‬ ‫‪X12‬‬ ‫‪--‬‬ ‫‪--‬‬ ‫‪ Summary for largest standardized Residuals‬ملخص يظهر البواقي المرتفعة المعيارية‬ ‫البواقي المعيارية السالبة العليا ‪Largest Negative Standardized Residuals‬‬ ‫‪X2 -2.‬‬ ‫إف مؤشرات التعديل يف اجلدوؿ (‪ )121‬ما زلت يف الواقع تشًن إُف أعلية‬ ‫تشبع ادلؤشر ‪ X4‬على العامل الثاين‪ :‬الدوافع االجتماعية‪ .4542‬‬ ‫‪-0.0024‬‬ ‫‪0.1492‬‬ ‫‪X8‬‬ ‫‪0.0305‬‬ ‫‪-1.1971‬‬ ‫‪X8‬‬ ‫‪0.1438‬‬ ‫‪1.2096‬‬ ‫‪0.9870‬‬ ‫‪X11‬‬ ‫‪X12‬‬ ‫‪--‬‬ ‫‪X7‬‬ ‫‪--‬‬ ‫‪1.0864‬‬ ‫‪0.5994‬‬ ‫‪0.1901‬‬ ‫‪1.3919‬‬ ‫‪-1.4342‬‬ ‫‪-0.2672‬‬ ‫‪0.8794‬‬ ‫‪X10‬‬ ‫‪--‬‬ ‫‪-0.3355‬‬ ‫‪-0.2238‬‬ ‫‪0.2213‬‬ ‫‪0.2224‬‬ ‫‪-0.6444‬‬ ‫‪0.5561‬‬ ‫‪-0.8663‬‬ ‫‪1.9437‬‬ ‫‪X9‬‬ ‫‪0.‬ونرى أف ىذا التعديل لو ما يربره‬ ‫‪-‬‬ .8188‬‬ ‫‪X10‬‬ ‫‪X11‬‬ ‫‪-2.6408‬‬ ‫‪-0.8117‬‬ ‫‪0.8630‬‬ ‫‪-0.0403‬‬ ‫‪0.2883‬‬ ‫‪-0.2734‬‬ ‫‪1.3451‬‬ ‫‪1.4587‬‬ ‫‪-1.1908‬‬ ‫‪-1.6535‬‬ ‫‪X4 and‬‬ ‫‪Residual for‬‬ ‫البواقي المعيارية الموجبة العليا ‪Largest Positive Standardized Residuals‬‬ ‫‪X1 3.7526‬‬ ‫‪-2.8563‬‬ ‫‪-1.4700‬‬ ‫‪0.3557‬‬ ‫‪0.7728‬‬ ‫‪X9‬‬ ‫‪--‬‬ ‫‪0.9353‬‬ ‫‪X10‬‬ ‫‪1.2206‬‬ ‫‪X2 and‬‬ ‫‪Residual for‬‬ ‫لكن ماذا عن مؤشرات التعديل؟‬ ‫لنفحص اجلدوؿ (‪ )121‬الذي يظهر مؤشرات التعديل للنموذج العاملي الثالثي‬ ‫العوامل لدوافع تعاطي التدخٌن عقب التعديل األوؿ‪.3388‬‬ ‫‪0.‫‪0.2135‬‬ ‫‪X9‬‬ ‫‪X8‬‬ ‫‪X7‬‬ ‫‪X12‬‬ ‫‪-0.1247‬‬ ‫‪X11‬‬ ‫‪--‬‬ ‫‪-0.0696‬‬ ‫‪-0.

5348‬‬ ‫‪0.8947‬‬ ‫‪0.1849‬‬ ‫‪X10‬‬ ‫‪--‬‬ ‫‪1.0130‬‬ ‫‪--‬‬ ‫‪1.9206‬‬ ‫‪--‬‬ ‫‪X3‬‬ ‫‪18.8924‬‬ ‫‪6.0223‬‬ ‫‪1.7674‬‬ ‫‪X12‬‬ ‫‪2.0620‬‬ ‫‪--‬‬ ‫‪0.0263‬‬ ‫‪X5‬‬ ‫‪1.-------.1612‬‬ ‫مؤشرات التعديل لمصفوفة التغاير ألخطاء المؤشرات المقاسة (الفقرات)‬ ‫‪Modification Indices for THETA-DELTA‬‬ ‫‪X6‬‬ ‫‪X4‬‬ ‫‪X5‬‬ ‫‪-‬‬ ‫‪X3‬‬ ‫‪X2‬‬ ‫‪X1‬‬ .5322‬‬ ‫‪0.0380‬‬ ‫‪--‬‬ ‫‪X4‬‬ ‫‪0.1898‬‬ ‫‪--‬‬ ‫‪0.6302‬‬ ‫‪--‬‬ ‫‪X1‬‬ ‫‪0.1637‬‬ ‫‪X11‬‬ ‫‪--‬‬ ‫‪1.0299‬‬ ‫‪--‬‬ ‫‪X2‬‬ ‫‪0.3690‬‬ ‫‪--‬‬ ‫‪0.‬إذف لنقم باستقصاء أثر ىذا التعديل‬ ‫اجلديد‪ ،‬وذلك َنعل ادلؤشر الرابع يتشبع على العامل الثاين إضافة إُف تشبعو على عاملو‪.8072‬‬ ‫‪X7‬‬ ‫‪0.3531‬‬ ‫‪0.7610‬‬ ‫‪X9‬‬ ‫‪--‬‬ ‫‪0.1650‬‬ ‫‪0.‫نظريا ُنكم أف الفقرة الرابعة تركز على التكيف أو التعامل يف السياؽ االجتماعي‪ ،‬وبالتاِف‬ ‫ذلا عالقة بالبعد االجتماعي وبالتكيف يف ذات الوقت‪ .-------‬‬‫‪1.9431‬‬ ‫‪X8‬‬ ‫‪--‬‬ ‫‪0.‬‬ ‫عذ‪ٚ‬ي (‪ِ )114‬إششاد اٌزؼذ‪ٌٍّٕٛ ً٠‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼط‪ ٟ‬اٌزذخ‪ٓ١‬‬ ‫مؤشرات التعديل لمصفوفة التشبعات‬ ‫‪Modification Indices for LAMBDA-X‬‬ ‫‪Enhance‬‬ ‫‪Coping‬‬ ‫‪Social‬‬ ‫‪-------.4425‬‬ ‫‪X6‬‬ ‫‪1.

7374‬‬ ‫‪1.6840‬‬ ‫‪X12‬‬ ‫‪Maximum Modification Index is 18.2091‬‬ ‫‪0.5325‬‬ ‫‪X8‬‬ ‫‪1.2684‬‬ ‫‪2.0685‬‬ ‫‪7.0048‬‬ ‫‪0.2833‬‬ ‫‪X7‬‬ ‫‪0.2183‬‬ ‫‪0.4871‬‬ ‫‪3.5265‬‬ ‫‪0.3195‬‬ ‫‪0.4495‬‬ ‫‪X5‬‬ ‫‪--‬‬ ‫‪0.3617‬‬ ‫‪1.0440‬‬ ‫‪0.1429‬‬ ‫‪0.9818‬‬ ‫‪X11‬‬ ‫‪1.0279‬‬ ‫‪X4‬‬ ‫‪--‬‬ ‫‪0.3720‬‬ ‫‪X2‬‬ ‫‪--‬‬ ‫‪3.4508‬‬ ‫‪0.2323‬‬ ‫‪0.0217‬‬ ‫‪X3‬‬ ‫‪--‬‬ ‫‪0.0621‬‬ ‫‪4.1265‬‬ ‫‪0.1002‬‬ ‫‪0.2600‬‬ ‫‪0.4520‬‬ ‫‪0.9196‬‬ ‫‪2.3683‬‬ ‫‪5.1835‬‬ ‫‪0.1387‬‬ ‫‪5.4331‬‬ ‫‪X8‬‬ ‫‪--‬‬ ‫‪0.4506‬‬ ‫‪2. 2) of LAMBDA-X‬‬ ‫أعلى مؤشر تعديل يساوي ‪ 140.0100‬‬ ‫‪X9‬‬ ‫‪--‬‬ ‫‪0.8268‬‬ ‫‪0.0126‬‬ ‫‪1.5009‬‬ ‫‪X9‬‬ ‫‪0.04 for Element ( 4.0276‬‬ ‫‪1.3858‬‬ ‫‪0.7116‬‬ ‫‪X10‬‬ ‫‪0.2846‬‬ ‫‪0.7218‬‬ ‫‪1.1109‬‬ ‫‪0.7022‬‬ ‫‪0.0412‬‬ ‫‪0.2794‬‬ ‫‪2.0448‬‬ ‫‪X10‬‬ ‫‪0.4694‬‬ ‫‪X6‬‬ ‫‪2.‫‪--‬‬ ‫‪X1‬‬ ‫‪--‬‬ ‫‪10.5823‬‬ ‫‪1.1199‬‬ ‫‪0.0004‬‬ ‫‪--‬‬ ‫‪0.5816‬‬ ‫‪0.0970‬‬ ‫‪0.3659‬‬ ‫‪0.8740‬‬ ‫‪1.2427‬‬ ‫‪0.6829‬‬ ‫‪1.‬‬ ‫انخؼذّم انزانِ نهنًٌرس املفرتض‪:‬‬ ‫بناء على مؤشرات التعديل‪ ،‬سنقوـ اآلف بتحرير عالقة مؤشر ‪ X4‬بالعامل الثاين‬ ‫الذي ؽلثل الدوافع االجتماعية (‪ ) Social motives‬اليت كانت يف السابق غًن موجودة أي‬ ‫‪-‬‬ .8‬لتشبع المؤشر ‪ X4‬على العامل الثاني‪ :‬الدوافع االجتماعية‪.2334‬‬ ‫‪0.9280‬‬ ‫‪0.1242‬‬ ‫‪0.4056‬‬ ‫‪X11‬‬ ‫‪0.5901‬‬ ‫‪0.6677‬‬ ‫‪1.9348‬‬ ‫‪X12‬‬ ‫‪X11‬‬ ‫‪X10‬‬ ‫‪X9‬‬ ‫‪X8‬‬ ‫‪X7‬‬ ‫‪X12‬‬ ‫‪-‬‬‫‪--‬‬ ‫‪--‬‬ ‫‪X7‬‬ ‫‪--‬‬ ‫‪1.0806‬‬ ‫‪0.

‫كانت مثبت ة بقيمة الصفر‪ .ٟ‬‬ ‫‪-‬‬ .)11‬‬ ‫شىً (‪ )44‬اٌم‪ ُ١‬اٌّؼ‪١‬بس‪٠‬خ ٌجبساِزشاد ّٔ‪ٛ‬رط اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬األثؼبد ثؼذ ئظبفخ رشجغ ‪X4‬‬ ‫ػٍ‪ ٝ‬اٌؼبًِ اٌضبٔ‪( Social ٟ‬اٌذ‪ٚ‬افغ االعزّبػ‪١‬خ)‪ ،‬ػٕذ اٌزؼذ‪ ً٠‬اٌضبٔ‪.‬وٓنرير ىذا البارامرت معناه أننا نسعى يف التعديل الثاين للنموذج‬ ‫ادلفرتض إُف تقدير تشبعو على العامل الثاين عالوة على تشبعو على عاملو األصلي‪ .‬‬ ‫بعد إجراء ىذا التعديل‪ ،‬قمنا بتقدير بارامرتات النموذج بعد التعديل الثاين‬ ‫باستعماؿ حزمة ليزرؿ‪ ،‬وحصلنا على ادلسار التخطيطي للنموذج ادلوضح يف الشكل (‪‌‌.‬ولقد‬ ‫نوىنا إُف جانب ىاـ وىو أف أي تعديل ؽلارس على النموذج ادلفرتض بناء على مؤشرات‬ ‫التعديل ال بد أف يقوـ على تأصيل نظري‪ ،‬أو ينبغي أف ينطوي على مغزى نظري‪ ،‬أو يدعمو‬ ‫اإلطار النظري الذي ينطلق منو الباحث‪.

8654 (P = 0. 0.03012‬‬ ‫‪Root Mean Square Error of Approximation (RMSEA) = 0.‬‬ ‫‪Social‬‬ ‫ولالطالع على مؤشرات ادلطابقة للنموذج النظري بعد التعديل الثاين‪ ،‬ننتقل‬ ‫إُف اجلدوؿ (‪ )111‬الذي ينطوي على مؤشرات ادلطابقة اإلٗنالية للنموذج العاملي‬ ‫الثالثي العوامل لدوافع تعاطي ادلخدرات بعد التعديل الثاين‪.‬ويالحظ عموما أف مستويات التشبع للمؤشرات على عواملها مرتفعة إُف‬ ‫حد ما‪ ،‬ومتقاربة‪.ٟ‬‬ ‫‪Goodness of Fit Statistics‬‬ ‫‪Degrees of Freedom = 49‬‬ ‫)‪Minimum Fit Function Chi-Square = 44.0 .0‬‬ ‫)‪90 Percent Confidence Interval for NCP = (0.0 .0‬‬ ‫)‪90 Percent Confidence Interval for F0 = (0. 15.6414‬‬ ‫)‪Normal Theory Weighted Least Squares Chi-Square = 44.‫ويظهر الشكل (‪ )11‬السهم اجلديد (السهم ادلتقطع شدؼ ٕنييزه عن‬ ‫األسهم أو ادلسارات األخرى) الذي ينطلق من العامل الكامن‪ :‬الدوافع االجتماعية (‬ ‫… ) إُف ‪ُ X4‬نيث أف تشبع ىذا ادلؤشر على عامل الدوافع يساوي ‪ 2.08991‬‬ ‫‪Population Discrepancy Function Value (F0) = 0.02479‬‬ ‫‪-‬‬ .0‬‬ ‫)‪90 Percent Confidence Interval for RMSEA = (0.6446‬‬ ‫‪Estimated Non-centrality Parameter (NCP) = 0.‬‬ ‫عذ‪ٚ‬ي اٌشىً (‪ِ ) 114‬إششاد اٌّطبثمخ اإلعّبٌ‪١‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ٟ‬‬ ‫اٌّخذساد ثؼذ اٌزؼذ‪ ً٠‬اٌضبٔ‪. 0.7850 (P = 0.11‬وىو مستوى‬ ‫تشبع لو اعتباره‪ .0279‬‬ ‫‪Minimum Fit Function Value = 0.0 .

0000 Incremental Fit Index (IFI) = 1.2144 .2510 Model AIC = 102.0021 Parsimony Normed Fit Index (PNFI) = 0.8263 Model CAIC = 254.2445) ECVI for Saturated Model = 0.6189 - .00 Expected Cross-Validation Index (ECVI) = 0.7850 Saturated AIC = 156.7394 Normed Fit Index (NFI) = 0.P-Value for Test of Close Fit (RMSEA < 0.3126 ECVI for Independence Model = 5.7302 Comparative Fit Index (CFI) = 1.2677 Root Mean Square Residual (RMR) = 0.9836 Non-Normed Fit Index (NNFI) = 1.9779 Critical N (CN) = 834.5235 Chi-Square for Independence Model with 66 Degrees of Freedom = 2732.0000 Independence CAIC = 2818.9765 Parsimony Goodness of Fit Index (PGFI) = 0. 0.05) = 1.1107 Standardized RMR = 0.2144 90 Percent Confidence Interval for ECVI = (0.0087 Saturated CAIC = 562.0015 Relative Fit Index (RFI) = 0.02488 Goodness of Fit Index (GFI) = 0.9853 Adjusted Goodness of Fit Index (AGFI) = 0.2510 Independence AIC = 2756.

‫وحب يتسىن للقارئ مقارنة قيم مؤشرات ادلطابقة احملسوبة أو التجريبية بقيمها‬ ‫النموذجية اليت تدؿ على وجود مطابقة‪ ،‬يستحسن إعادة تنظيمها بطريقة أخرى يف اجلدوؿ‬ ‫اآلت [جدوؿ‪:])101( :‬‬ ‫عذ‪ٚ‬ي (‪ِ ) 124‬إششاد اٌّطبثمخ اإلعّبٌ‪١‬خ اٌّؾغ‪ٛ‬ثخ أ‪ ٚ‬اٌزغش‪٠‬ج‪١‬خ ‪ِٚ‬إششاد اٌّطبثمخ إٌّ‪ٛ‬رع‪١‬خ أ‪ٚ‬‬ ‫اٌّؾى‪١‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ ٟ‬اٌضالص‪ ٟ‬اٌؼ‪ٛ‬اًِ ٌذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌزذخ‪ ٓ١‬ثؼذ اٌزؼذ‪ ً٠‬اٌضبٔ‪.ٟ‬‬ ‫االخخصاس انزُ‬ ‫انرتمجت انؼشبْت‬ ‫انقْى احملضٌبت‬ ‫قْى املؤشش انذانت ػهَ ًصٌد يطابقت‬ ‫ّؼشف بو املؤشش‬ ‫نو‬ ‫ملؤششاث املطابقت‬ ‫(قْى املؤشش اننًٌرصْت)‬ ‫يؤششاث املطابقت املطهقت‬ ‫‪Absolute Fit indices‬‬ ‫‪2‬‬ ‫‪p=0.645‬‬ ‫)‪(RMR‬‬ ‫)‪(SRMR‬‬ ‫‪-‬‬ .

(GFI) (AGFI) (PGFI) ‫يؤششاث االفخقاس نالقخصاد‬ Parsimony Correction Indices mediocre (RMSEA) - .

P-Value for Close Fit (ECVI) (AIC) (CAIC) ‫يؤششاث املطابقت املقاسنت أً انخزاّذّت‬ Comparative / incremental Fit Indices (CFI) - .

64‬وفقدانو الواضح للداللة اإلحصائية يعزز احتماؿ جودة‬ ‫ادلطابقة عند التعديل الثاين للنموذج‪.)P = 0.‬‬ ‫أما قيمة اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫‪ ،Approximation‬ازدادت اطلفاضا مقارنة بقيمتو يف النموذج األصلي وعند‬ ‫‪Root Mean Square Error of‬‬ ‫)‪(RMSEA‬‬ ‫‪-‬‬ .24‬بدرجات حرية ‪ 49‬وأضحى‬ ‫غًن داؿ بوضوح ( ‪ .‫)‪(NNFI‬‬ ‫)‪(TLI‬‬ ‫‪Tucker‬‬‫‪Lewis Index‬‬ ‫)‪(NFI‬‬ ‫)‪(PNFI‬‬ ‫باستثناء مؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫)‪(SRMR‬‬ ‫‪ ،‬فإف كل‬ ‫مؤشرات ادلطابقة أظهرت أداء أكثر جودة عند التعديل الثاين للنموذج‪ .‬فمربع كاي كانت‬ ‫قيمتو عند التعديل األوؿ ‪ 61.53‬اطلفضت قيمتو إُف ‪ 11.

‬كما أف قيمة زلك ادلعلومات )‪ ،Akaike Information Criterion (AIC‬وقيمة‬ ‫زلك ادلعلومات ادلتسق أليكيك‬ ‫للنموذج النظري عند التعديل الثاين أصغر من قيم زلك ادلعلومات ادلتسق لكل من النموذج‬ ‫ادلستقل والنموذج ادلشبع‪.)0.90‬الذي يدؿ على‬ ‫وجود مطابقة‪ ،‬كما أزدادت قيم ىذه ادلؤشرات ارتفاعا (أي اقرتابا من الواحد عن ذي‬ ‫قبل)‪.90‬أما مؤشر ادلطابقة ادلعياري االقتصادي فتجاوز‬ ‫(‪.20‬‬ ‫كما نالحظ أف قيم مؤشر جذر متوسط مربعات البواقي‬ ‫‪ ،(RMR) Residual‬ومؤشر ادلطابقة ادلقارف (‪ ، Comparative Fit Index (CFI‬ومؤشر حسن‬ ‫‪Adjusted‬‬ ‫ادلطابقة (‪ ،Goodness-of-Fit Index )GFI‬ومؤشر حسن ادلطابقة ادلصحح‬ ‫‪Root Mean Square‬‬ ‫‪ Goodness-of-Fit Index‬أو (‪ ،)AGFI‬كلها أعلى من مستوى (‪ )0.Saturated model‬إف قيمة مؤشر الصدؽ التقاطعي ادلتوقع )‪ (ECVI‬ازدادت‬ ‫اطلفاضا عن ذي قبل‪ ،‬كما أهنا ما زالت أدىن (أفضل مطابقة) من النموذج ادلستقل ادلتغًنات‬ ‫والنموذج ادلشبع‪ .‬‬ ‫كما أف قيم مؤشرات ادلطابقة ادلقارنة أو التزايدية‪ ،‬أي مؤشر ادلطابقة ادلعياري‬ ‫أو ادلستند إُف معايًن )‪ ، Normed Fit Index (NFI‬ومؤشر ادلطابقة غًن ادلعياري ‪Non Normed‬‬ ‫)‪ Fit Index (NNFI‬باستثناء مؤشر ادلطابقة ادلعياري االقتصادي ‪Parsimony-adjusted Normed‬‬ ‫)‪ Fit Index (PNFI‬كلها أعلى من (‪ .60‬‬ ‫كما أف قيمة مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫)‪ ،Index (ECVI‬اليت تساوي (‪ )0.‬وحدود ثقتو عند ‪%02‬‬ ‫ترتاوح من الصفر إُف ‪.21‬للنموذج ادلفرتض عقب التعديل الثاين أدىن من مؤشر‬ ‫‪Expected Cross-Validation‬‬ ‫الصدؽ التقاطعي ادلتوقع لكل من ظلوذج استقالؿ ادلتغًنات ‪ Independence model‬والنموذج‬ ‫ادلشبع ‪ .‫التعديل األوؿ للنموذج‪ُ ،‬نيث أضحت قيمتو تساوي صفرا ‪ .)0. 2.‬‬ ‫)‪Consistent Akaike Information Criterion (CAIC‬‬ ‫‪-‬‬ .

0353‬‬ ‫‪-0.4271‬‬ ‫‪X8‬‬ ‫‪-0.4378‬‬ ‫‪0.1048‬‬ ‫‪-0.5003‬‬ ‫‪0.8‬‬ ‫‪.6561‬‬ ‫‪X6‬‬ ‫‪-1.6634‬‬ ‫‪0.‬‬ ‫عذ‪ٚ‬ي (‪ِ )134‬صف ‪ٛ‬فخ اٌزجب‪ٚ ٓ٠‬اٌزغب‪٠‬ش ٌٍج‪ٛ‬ال‪ ٟ‬اٌّؼ‪١‬بس‪٠‬خ ٌٍّٕ‪ٛ‬رط اٌؼبٍِ‪ٌ ٟ‬ذ‪ٚ‬افغ رؼبغ‪ ٟ‬اٌّخذساد‬ ‫ثؼذ اٌزؼذ‪ ً٠‬اٌضبٔ‪.5271‬‬ ‫‪-0.)131‬وعند معاينة قيم البواقي يظهر جليا بأنو ال توجد بواقي معيارية موجبة أو سالبة‬ ‫كبًنة أي تساوي أو أعلى من‬ ‫‪25.4049‬‬ ‫‪X2‬‬ ‫‪--‬‬ ‫‪-0.0869‬‬ ‫‪-0.5033‬‬ ‫‪X7‬‬ ‫‪0.3973‬‬ ‫‪X3‬‬ ‫‪--‬‬ ‫‪1.2853‬‬ ‫‪-1.7571‬‬ ‫‪-0.1562‬‬ ‫‪-1.2266‬‬ ‫‪0.0508‬‬ ‫‪-1.5708‬‬ ‫‪-0.5605‬‬ ‫‪1.3719‬‬ ‫‪0.7324‬‬ ‫‪-1.‬ولذلك فإن النموذج العاملي التوكيدي لدوافع‬ ‫تعاطي التدخين عقب التعديل الثاني (الموضح في الشكل (‪)44‬‬ ‫يعتبر أكثر‬ ‫صحة من وضع النموذج قبل التعديل‪ ،‬ووضعو عند التعديل األول‪ ،‬ويمكن بالتالي‬ ‫اعتماده‪.1728‬‬ ‫‪-0.7637‬‬ ‫‪X5‬‬ ‫‪--‬‬ ‫‪0.4248‬‬ ‫‪-0.‬‬ ‫ولالطمئناف بأنو ال توجد مشكالت مطابقة موضعية ألجزاء النموذج‪ ،‬ينبغي‬ ‫فحص البواقي اليت تعكس مدى تقارب أو تباعد أزواج عناصر مصفوفة التباين والتغاير‬ ‫للعينة ومصفوفة التباين والتغاير القائمة على النموذج ادلفرتض‪ ،‬واليت توجد يف اجلدوؿ‬ ‫(‪ .1631‬‬ ‫‪0.0099‬‬ ‫‪-1.9742‬‬ ‫‪0.5788‬‬ ‫‪1.‫والخالصة‪ ،‬أن مؤشرات المطابقة تدل على توفر النموذج النظري عند‬ ‫التعديل الثاني على مطابقة إجمالية جيدة‪.4234‬‬ ‫‪X4‬‬ ‫‪--‬‬ ‫‪-0.7045‬‬ ‫‪0.3431‬‬ ‫‪X9‬‬ ‫‪-‬‬ .0087‬‬ ‫‪-1.ٟ‬‬ ‫مصفوفة التباين والتغاير للبواقي المعيارية (التعديل الثاني)‬ ‫)‪Standardized Residuals Matrix (2nd Modification‬‬ ‫‪X6‬‬ ‫‪X5‬‬ ‫‪X4‬‬ ‫‪X3‬‬ ‫‪X2‬‬ ‫‪X1‬‬ ‫‪--‬‬ ‫‪X1‬‬ ‫‪--‬‬ ‫‪1.0803‬‬ ‫‪1.

4830 0.7580 0.3690 -0.8287 1.9117 0.4710 0.6243 0.5280 -0.2841 -0.2935 X10 -0.5212 -0.5751 0.3275 1.5930 -1.X10 0.2650 0.58 ‫ال توجد بواقي معيارية موجبة أو سالبة كبيرة أي تساوي أو أعلى من‬ - .8327 -0.1289 -1.5520 -- X11 -1.6716 -- X12 -0.3435 -1.3992 X11 1.5371 -- -- ‫ملخص يظهر البواقي المرتفعة المعيارية‬ Summary for large standardized Residuals Absence of negative nor positive Standardized Residuals 2.0701 0.0075 -- 0.4150 0.0644 -0.0856 -- X9 -0.5665 1.8103 0.6693 X8 X9 X10 X11 X12 X7 X7 -- X8 1.1946 X12 -0.4289 0.

- .

‫انفـصم اخلايش‬ ‫فصم إرشائِ‪:‬‬ ‫يؼاجلت حفصْهْت ملؤششاث املطابقت‬ ‫‪-‬‬ .

- .

‬‬ ‫ثانيا ػ إبراز الطابع اإلشكاِف لبعض مؤشرات ادلطابقة اليت ما زالت مثار اختالؼ بٌن‬ ‫الباحثٌن‪ ،‬وال سيما عندما يتعلق األمر باقرتاح نقاط القطع أو ادلستويات الدالة على‬ ‫ادلطابقة‪ ،‬أو عند ٓنديد ادلؤشرات اليت ينبغي اعتمادىا عند اختبار جودة مطابقة‬ ‫النموذج‪.‬‬ ‫‪-‬‬ .‬‬ ‫وذلذه األسباب رلتمعة‪ ،‬ارتأيت أف أتطرؽ بإسهاب إُف عينة من ىذه ادلؤشرات يف ادللحق‪،‬‬ ‫واكتفيت بوصف مقتضب ذلا يف ادلنت حب ال أثقل سياؽ ادلعاجلة‪.‫حٌظْح حفصْهِ نبؼط أنٌاع يؤششاث صٌدة املطابقت‬ ‫‪Goodness of fit indices‬‬ ‫لقد تطرقنا باختصار إُف أنواع مؤشرات ادلطابقة‪ ،‬وإُف عينة من ىذه ادلؤشرات يف‬ ‫الفصل الثالث‪ .‬‬ ‫ثالثا ػ ندرة التعرض دلؤشرات ادلطابقة يف ادلراجع العربية‪ ،‬واليت تكتفي يف الغالب ّنجرد‬ ‫ذكرىا‪ ،‬أو إعطاء وصف مقتضب جدا ذلا يف أحسن األحواؿ‪.‬وسأقدـ يف ىذا ادللحق معاجلة مفصلة لبعض مؤشرات ادلطابقة وذلك‬ ‫لألسباب التالية‪:‬‬ ‫أوال ػ شعور ادلؤلف بأف ادلعاجلة ادلقتضبة لبعض مؤشرات ادلطابقة اذلامة قد ال تفي بأغراض‬ ‫التوضيح‪ ،‬إف َف تلق بظالؿ من الغموض على بعض ادلؤشرات‪ ،‬وبالتاِف فادلعاجلة‬ ‫ادلفصلة لبعض مؤشرات ادلطابقة ػ وال سيما تلك اليت أظهرت ُنوث ادلضاىاة‬ ‫‪ simulation studies‬تفوقها وجودة أدائها يف تقييم مطابقة النماذج النظرية‬ ‫ادلقرتحة‪.

Generalized Likelihood Ratio‬‬ ‫إف مربع كاي‬ ‫)‪Chi-square (2‬‬ ‫ؽلثل االختبار أو ادلقياس اإلحصائي التقليدي‬ ‫لتقيم ادلطابقة اإلٗنالية ‪ overall fit‬للنموذج ادلفرتض‪ ،‬أي يقيّم ادلدى أو ادلسافة الفارقة أو‬ ‫مدى التفاوت بٌن مصفوفة البيانات (مصفوفة التغاير والتباين) ادلستمدة من النموذج ادلقرتح‬ ‫أو ادلتوقع وبٌن مصفوفة بيانات العينة (مصفوفة التغاير والتباين) ( ‪Hue & Bentler.‬‬ ‫‪-‬‬ .‬‬ ‫‪ ،) 1999‬وذلك لتقدير ما إذا كاف ىذا التفاوت (ادلسافة الفارقة أي نتيجة دالة التوفيق‬ ‫الفارقة) ناٗنا بالفعل عن فروؽ حقيقية بٌن بيانات عالقات النموذج وبٌن بيانات العينة‪ ،‬وَف‬ ‫تنتج ىذه الفروؽ عن عوامل أخرى تعزى لألخطاء العشوائية والصدفة‪ ،‬أو ما إذا كانت ىذه‬ ‫الفروؽ بٌن ادلصفوفتٌن (أو ادلسافة الفارقة أو نتيجة دالة التوفيق الفارقة) ضئيلة ُنيث ال‬ ‫تدؿ على فروؽ حقيقية بٌن النموذج ومعطيات العينة وإظلا تعزى إُف األخطاء العشوائية أو‬ ‫الصدفة‪.‫مربع كاي‬ ‫)‪Chi-square (2‬‬ ‫أو النسبة االحتمالية لمربع كاي ‪،The Likelihood Ratio Chi-square‬‬ ‫أو نسبة االحتمال المعمم ‪.‬‬ ‫أي أف اختبار الداللة اإلحصائية للمسافة الفارقة بٌن مصفوفة بيانات النموذج‬ ‫ومصفوفة بيانات العينة باستخداـ إحدى دواؿ التوفيق باستعماؿ توزيع االختبار اإلحصائي‬ ‫مربع كاي (ألف نتائج ضرب قيم دالة التوفيق يف حجم العينة ؼلضع لتوزيع مربع كاي‪،‬‬ ‫والسيما يف العينات الكبًنة‪ ،‬ولذلك يستعمل مربع كاي يف اختبار الداللة اإلحصائية‬ ‫للمطابقة) وبالتاِف فالداللة اإلحصائية دلربع كاي ٔنترب أحد االحتمالٌن‪ :‬احتماؿ رفض‬ ‫ينص على وجود مطابقة تامة بٌن النموذج وبيانات العينة (التماثل بٌن‬ ‫الفرض الصفري الذي ّ‬ ‫مصفوفة النموذج ادلقرتح وبٌن مصفوفة العينة)‪ ،‬يف مقابل احتماؿ عدـ رفض (قبوؿ) الفرض‬ ‫الصفري‪ ،‬وبالتاِف استنتاج وجود تطابق بٌن ادلصفوفتٌن‪ ،‬أو ادلطابقة بٌن النموذج وبٌن العينة‪.

05‬‬ ‫اليرفض الفرض الصفري‪ ،‬أي أنو توجد مطابقة بٌن النموذج وبيانات العينة‪.05‬يرفض الفرض‬ ‫الصفري‪ ،‬أي أتو ال توجد مطابقة بٌن النموذج وبيانات العينة‪ .05‬مربع كاي بدرجات حرية معينة أكرب من ‪،)0.‬‬ ‫غًن أف ٖنة مشاكل جوىرية ال تشجع على استعماؿ اختبار مربع كاي كمعيار‬ ‫وحيد للحكم على مطابقة النموذج‪ ،‬بل ال بد أف يستعمل ّنعية مؤشرات مطابقة أخرى‬ ‫للحصوؿ على تقوًن دقيق دلدى مطابقة النموذج‪ ،‬وأىم ىذه اإلشكاليات ما يلي‪:‬‬ ‫‪-‬‬ .‬وبالتاِف‪ ،‬فيما يتعلق باستعماؿ اإلحصائي مربع كاي الختبار‬ ‫الداللة اإلحصائية للفرضية الصفرية (عدـ وجود فروؽ بٌن مصفوفة النموذج‪ :‬ادلعلومات أو‬ ‫العالقات ادلتوقعة أو ادلفرتضة‪ ،‬ومصفوفة عالقات العينة‪ :‬ادلعلومات الواقعية أو الكائنة‪ ،‬أو‬ ‫بتعبًن آخر وجود مطابقة تامة بٌن مصفوفة النموذج ومصفوفة العينة)‪ ،‬فافتقارىا للداللة‬ ‫اإلحصائية تعترب النتيجة اليت ٔندـ غرض الباحث‪ ،‬خالفا دلنطق اختبار اإلحصائي جلل‬ ‫األساليب اإلحصائية حيث يعترب عدـ وجود الداللة اإلحصائية (أي قبوؿ الفرض الصفري)‬ ‫نتيجة غًن إغلابية ُنيث تؤدي إُف رفض فرضية البحث بدال من قبوذلا‪ ،‬وإُف قبوؿ فرضية‬ ‫البحث عند ما تكوف ىذه األساليب اإلحصائية ادلستعملة غًن دالة إحصائيا‪ ،‬شلا يرتتب عنو‬ ‫رفض الفرض الصفري وبالتاِف قبوؿ فرضية البحث‪.‬ويعترب النموذج ادلقرتح مفتقرا‬ ‫للمطابقة‪.‬‬ ‫نستنتج من ذلك أف االحتماؿ الثاين‪ ،‬أي عدـ رفض الفرض الصفري‪( ،‬قبولو أو‬ ‫يعزز أو يدعم توقع الباحث بأف النموذج الذي افرتضو أو اقرتحو يتوفر‬ ‫األخذ بو) ىو الذي ّ‬ ‫على مطابقة جيدة للبيانات‪ .‫فإذا كانت قيمة مربع كاي مرتفعة ُنيث تكوف دالة إحصائيا عند مستوى داللة‬ ‫‪( 0.05‬مربع كاي بدرجات حرية معينة تساوي أو أصغر من ‪ ،)0.‬‬ ‫االحتماؿ الثاين‪ :‬إذا كانت قيمة مربع كاي منخفضة ُنيث تكوف غًن دالة‬ ‫إحصائيا عند مستوى داللة ‪( 0.

‫أوال ػ تنطوي نتائج مربع كاي على ٓنيز لصاٌف النماذج ادلعقدة‪ُ ،‬نيث أنو كلما ازداد‬ ‫النموذج تعقيدا (ازدادت البارامرتات اجملهولة أو احلرة اليت ٓنتاج إُف تقدير‪ :‬ازدياد‬ ‫العالقات ادلفرتضة‪ ،‬ومسارات النموذج أو األسهم الدالة عليها‪ ،‬والتشبعات‪ ،‬وقيم تباين‬ ‫اخلطأ للمؤشرات اليت َف تقو العوامل أو ادلتغًنات الكامنة على تفسًنىا) كلما ازدادت‬ ‫حظوظ حيازة النموذج ادلفرتض على مطابقة جيدة‪ .‬فكلما‬ ‫اقرتب ظلوذج البحث من النموذج ادلشبع كلما ارتفع مستوى مطابقة النموذج إلفراطو يف‬ ‫استعماؿ البارامرتات‪.‬وىو الوضع ادلألوؼ يف النمذجة باستعماؿ ادلعادالت البنائية‬ ‫اليت تتطلب يف طبيعتها استعماؿ عينات كبًنة ( ‪Bentler & Bonnet.‬وتأويل ذلك‪ ،‬أنو ؽلكن النظر إُف‬ ‫مربع كاي بأنو ؼلترب الفرؽ بٌن ظلوذج البحث (الذي يفرتض فيو االقتصاد يف استعماؿ‬ ‫البارامرتات يف التفسًن) وبٌن النموذج الكامل التشبع الذي ينطوي على أقصى عدد‬ ‫شلكن من البارامرتات (غياب االقتصاد يف عدد البارامرتات) حيث أف ىذا األخًن ػلقق‬ ‫مطابقة تامة أو كاملة نتيجة إفراطو يف استعماؿ أكرب عدد شلكن من البارامرتات‪ . 1993‬من جهة‪ ،‬وأف دواؿ التوفيق (والسيما دالة االحتماؿ األقصى‬ ‫‪ )ML: Maximum Likelihood Function‬تتوزع على شاكلة توزيع مريع كاي‬ ‫‪ distribution‬عند ضرب نتائج دالة التوفيق(‪ )Fml‬يف حجم العينة أو درجات احلرية (‪n-‬‬ ‫‪ ،) 1‬عند اتساع العينات)‪. 1980.‬وعند اطلفاض العينة‪ ،‬يزداد افتقار مربع كاي للقوة ‪test power‬‬ ‫‪2 -‬‬ ‫‪-‬‬ .‬‬ ‫ثانياػ كلما ارتفع حجم العينة‪ ،‬ازداد احتماؿ رفض الفرض الصفري (رفض افرتاض وجود‬ ‫مطابقة)‪ ،‬وارتفع احتماؿ رفض النموذج ادلقرتح‪ ،‬وبالتاِف يزداد احتماؿ اخلطأ من النوع‬ ‫األوؿ ‪ Type-I error‬عند االختبار اإلحصائي للفرضية الصفرية (رفض النموذج رغم‬ ‫صحتو‪ :‬أناذ قرار الرفض اخلاط للفرض الصفري)‪ .‬فمربع كاي باعتباره أسلوبا إحصائيا‬ ‫تتاثر داللتو ُنجم العينة‪ ،‬ؽليل إُف رفض أغلب النماذج ادلفرتضة (حب اجليدة منها) عند‬ ‫استعماؿ عينات واسعة‪ . Joreskog‬‬ ‫‪ )& Sorbom.

‬‬ ‫رابعا ػ إف مربع كاي يقوـ على افرتاض وجود مطابقة تامة بٌن النموذج واجملتمع وىو افرتاض‬ ‫غًن واقعي‪ .‬وسيتم التطرؽ إُف ىذا النوع من ادلقاييس الواقعية‬ ‫اليت تقوـ على تقدير مدى االفتقار للمطابقة بدال من افرتاض وجود مطابقة تامة‪ .‫أو حساسيتو للرفض الصحيح (رفض الفرض الصفري رفضا صحيحا)‪ ،‬وقد ال يتمكن ػ‬ ‫( ‪Kenny‬‬ ‫بسبب ذلك ػ من التمييز بٌن النماذج اجليدة ادلطابقة والنماذج الرديئة ادلطابقة‬ ‫‪ .‬واخلالصة‪ ،‬أف من اليسًن رفض النموذج ادلقرتح رغم جودة مطابقتو عند اتساع‬ ‫العينة‪ ،‬وقبوؿ النموذج ادلقرتح رغم اطلفاض مطابقتو‪ ،‬عند اطلفاض حجم العينة‪.‬ووجود داللة إحصائية معناه‬ ‫رفض الفرضية‪ ،‬أي رفض وجود مطابقة لصاٌف عدـ وجود مطابقة‪.‬فتوزيع بيانات ادلتغًنات ادلتسم بااللتواء أو التفلطح يضخم‬ ‫من قيمة مربع كاي‪ ،‬أي يكوف يف الغالب داال إحصائيا‪ .‬ولذلك مت التفكًن يف مؤشرات ادلطابقة اليت تقوـ على افرتاض وجود‬ ‫مطابقة تقريبية وليست مطابقة كاملة‪ .‬وتوزيع‬ ‫مربع كاي الذي ؼلضع ذلذا ادلنطق‪ ،‬أو افرتاض مطابقة غًن كاملة تدعى بالتوزيع‬ ‫‪-‬‬ . 2003‬أو بتعبًن آخر عند وجود عينات صغًنة‪ ،‬ؽليل مربع كاي إُف‬ ‫اإلفراط يف قبوؿ النماذج السيئة ادلطابقة باعتبارىا ذات مطابقة جيدة‪ ،‬وبالتاِف ارتكاب‬ ‫اخلطأ من النوع الثاين ‪ Type-II error‬عند اختبار صحة النموذج ‪.‬‬ ‫ثالثا ػ يقوـ مربع كاي على مسلمة التوزيع الطبيعي ادلتعدد ‪ .‬‬ ‫فعند استعماؿ مربع كاي‪ ،‬من ادلمكن أف يكوف ظلوذج البحث الضعيف ادلطابقة‬ ‫جيد ادلطابقة بسبب صغر العينة ُنيث ال ؽلكن رفض الفرض الصفري (وجود مطابقة‬ ‫تامة)؛ كما ؽلكن أف يكوف النموذج اجليد ادلطابقة رديئا يف مطابقتو لبيانات العينة بسبب‬ ‫اتساع حجم العينة‪ ،‬حيث ؽلكن رفض الفرض الصفري يف جل األحواؿ إف َف يكن يف‬ ‫ٗنيعها‪ .multivariate normality‬غًن‬ ‫أف ابتعاد البيانات عن التوزيع الطبيعي ادلتعدد ‪ ،‬يؤدي ػ عند استعماؿ مربع كاي ػ إُف‬ ‫رفض النموذج رغم جودتو‪ .)& McCoach.‬ألف ظلاذج البحث ادلفرتضة ما ىي إال ظلاذج تقريبية اجتهادية وليست‬ ‫استنساخا للواقع‪ .

‫الالمركزي دلربع كاي‪ ،‬والذي يشكل منطق أو أساس عدد من مؤشرات تقدير ادلطابقة‬ ‫كما سنرى‪.‬فإذا كاف الفرؽ ضئيال بٌن ادلصفوفة فنستنتج من ذلك أف‬ ‫النموذج ادلفرتض ؽلثل بيانات العينة (توظيف ادلعلومات اليت تنطوي عليها العينة)‪ .)Garson.sample moments‬ويقصد بذلك مقارنة مصفوفة‬ ‫التغاير والتباين للعينة (العالقات بٌن ادلتغًنات ادلقاسة‪ ،‬بيانات العينة أو البيانات األمبًنيقية)‬ ‫ّنصفوفة التباين والتغاير ادلشتقة أو القائمة على النموذج ادلقرتح‪ ،‬مع التسليم بأف ىذا‬ ‫النموذج ادلقرتح ظلوذج صحيح‪. 2009‬‬ ‫مؤشرات المطابقة المطلقة‬ ‫‪Absolute fit indices‬‬ ‫تستهدؼ ىذه اجملموعة من ادلؤشرات زلاولة تقدير جودة مطابقة النموذج ادلقرتح‬ ‫(أو ادلتوقع أو ادلفرتض) مع عزوـ العينة ‪ .‬فالسؤاؿ يستفسر عن الطريقة الكفيلة بتقدير مدى مطابقة‬ ‫النموذج ادلقرتح لبيانات العينة‪ .‬‬ ‫واخلالصة ‪ ،‬يبدو أف التوجو الذي أضحى أكثر انتشارا‪ ،‬أف كثًنا من الباحثٌن‬ ‫الذي يستعملوف النمذجة باستعماؿ ادلعادالت البنائية يعتربوف أف وجود داللة إحصائية عند‬ ‫استعماؿ مربع كاي ؽلكن االستغناء عنها‪ ،‬أو إعلاذلا عندما يتجاوز حجم العينة ‪022‬فردا‪،‬‬ ‫وعندما تظهر مؤشرات ادلطابقة األخرى (وسنتناوؿ عددا منها بالشرح ببعض التفصيل)ٕنتع‬ ‫النموذج ّنطابقة (‪.‬‬ ‫إف السؤاؿ اجلوىري دلؤشرات ادلطابقة ىو كالتاِف‪ :‬كيف ؽلكن قياس مدى‬ ‫االختالؼ بٌن ادلصفوفتٌن‪ :‬مصفوفة التغاير والتباين اليت ٕنثل النموذج ومصفوفة التباين‬ ‫والتغاير لبيانات العينة أو الواقع‪ .‬أي يتوفر‬ ‫‪-‬‬ .

‬وحلسن احلظ توجد طرؽ إحصائية ٕنكن‬ ‫من تلخيص ادلسافة بٌن مصفوفة النموذج ومصفوفة العينة يف قيمة واحدة قابلة للتأويل‪،‬‬ ‫ولكل طريقة منهجيتها غًن ادلباشرة يف حساب الفرؽ بٌن ادلصفوفتٌن‪.‬أما إذا كاف التفاوت بٌن مصفوفة النموذج ومصفوفة‬ ‫العينة كبًنا‪ ،‬فيستنتج من ذلك أف النموذج ادلفرتض غًن متسق مع بيانات العينة‪ ،‬أي أف‬ ‫النموذج ادلقرتح يفتقر للمطابقة‪.‬‬ ‫ولتوضيح الطرؽ اإلحصائية ادلقرتحة لقياس مدى التفاوت أو التباعد بٌن‬ ‫ادلصفوفتٌن‪ ،‬من الضروري توضيح مصطلح‪ :‬تقدير ادلسافة بٌن مصفوفتٌن‪.‫النموذج ادلقرتح على جودة ادلطابقة‪ .‬‬ ‫واالحتماؿ الثاين أف ادلشكل يكمن يف بيانات العينة اليت َف تكن مناسبة‪.‬‬ ‫غًن أننا ضلتاج إُف طريقة لتقدير جودة مطابقة النموذج ادلقرتح للبيانات‪ ،‬طريقة‬ ‫تقدر كميا إُف أي حد تقرتب ادلعلومات اليت وظفها النموذج ادلقرتح (مصفوفة التغاير اليت‬ ‫ؽلكن إعادة إنتاجها بناء على العالقات ادلكونة للنموذج ادلفرتض) من ادلعلومات اليت تنطوي‬ ‫عليها البيانات األصلية ادلستمدة من الواقع أي بيانات العينة‪.‬‬ ‫إذا افرتضنا أف نتيجة ادلصفوفة األوُف قيمة واحدة معينة ونتيجة ادلصفوفة الثانية‬ ‫قيمة واحدة‪ ،‬ألمكن بكل بساطة إغلاد الفرؽ بٌن ادلصفوفتٌن بعملية طرح إحدى القيمتٌن‬ ‫من األخرى واحلصوؿ على النتيجة‪ُ ،‬نيث أف القيمة ادلطلقة للنتيجة تدؿ على ادلسافة بٌن‬ ‫ادلصفوفتٌن‪ .‬‬ ‫وؽلكن تفسًن سبب االفتقار للمطابقة إُف احتمالٌن أو مصدرين‪ :‬االحتماؿ األوؿ‬ ‫أف ادلشكل يكمن يف النموذج ادلقرتح من طرؼ الباحث الذي فشل يف توظيف جل‬ ‫ادلعلومات اليت تنطوي عليها بيانات العينة ولذلك ظهر النموذج غًن شلثل لبيانات الواقع‪.‬لكن مصفوفة التغاير والتباين للنموذج ادلفرتض وللعينة تنطوي على قيم عديدة‪،‬‬ ‫وطرح عناصر ادلصفوفتٌن بطريقة مباشرة إلغلاد ادلسافة بينهما ال يتمخض عن قيمة واحد‬ ‫للفرؽ بينهما‪ ،‬وإظلا على مصفوفة من قيم الفروؽ‪ .‬‬ ‫‪-‬‬ .

‬وعندما تكوف ىذه الدالة تساوي صفرا تكوف ىاتاف‬ ‫ادلصفوفتاف متماثلتٌن ٕناما‪.‫إحدى ىذه الطرؽ تقوـ على عملية تربيع الفروؽ بٌن القيم ادلتناظرة للمصفوفة مث‬ ‫ْنمع مربعات ىذه الفروؽ لتمثل ادلسافة أو مقدرا التباعد بٌن ادلصفوفتٌن‪ .Generalized Likelihood Ratio‬‬ ‫‪The Likelihood Ratio‬‬ ‫ػ مربع كاي ادلعياري أو النسع‬ ‫)‪Relative/Normed Chi-square (NC‬‬ ‫‪-‬‬ .‬‬ ‫وّنا أف تقدير ىذه ادلسافة الفارقة ناتج عن عملية مقارنة قيم التغاير والتباين لكل‬ ‫ادلعممة بٌن ادلصفوفة تتوقف‬ ‫من النموذج ادلقرتح والعينة ‪ ،‬فإف تقدير ىذه ادلسافة الفارقة ّ‬ ‫على ما متّ افرتاضو يف النموذج من عالقات أو بارامرتات وعلى مصفوفة بيانات العينة‪.‬وأكثر الطرؽ استعماال‬ ‫يف ٓنديد ىذه األوزاف تلك القائمة على دالة االحتماؿ األقصى ‪.‬كما توجد طرؽ‬ ‫أخرى أكثر تعقيدا تقوـ على ضرب مربعات الفروؽ يف أوزاف تنتقى بدقة وفقا دلنطق ٓنقيق‬ ‫أقصى تقارب أو تقليص شلكن بٌن مصفوفة العينة ومصفوفة النموذج‪ .) F‬وىذه الدالة تكوف دائما موجبة القيمة وال تكوف سالبة ألهنا تعكس ادلسافة ادلعممة‬ ‫بٌن مصفوفة النموذج ومصفوفة العينة‪ .‬‬ ‫ولذلك يعرب عن ىذه العالقة بٌن مصفوفة ادلسافة من جهة‪ ،‬وبارامرتات النموذج ادلفرتض‪،‬‬ ‫وبيانات العينة من جهة أخرى بدالة التوفيق‬ ‫‪Fit function‬‬ ‫واليت يرمز ذلا عادة باحلرؼ‬ ‫(‪ .‬‬ ‫ومؤشرات ادلطابقة اليت تندرج ٓنت مؤشرات ادلطابقة ادلطلقة ‪ Absolute fit indices‬ىي‪:‬‬ ‫ػ مربع كاي )‪ Chi-square (2‬أو النسبة االحتمالية دلربع كاي‬ ‫‪ ،Chi-square‬أو نسبة االحتماؿ ادلعمم ‪.maximum likelihood‬‬ ‫وأيا كانت طريقة التقدير ادلستعملة‪ ،‬فإننا ضلصل على قيمة ٕنثل مقياسا عاما دلسافة التباعد‬ ‫أو التقارب بٌن مصفوفة النموذج ومصفوفة العينة‪ُ ،‬نيث أنو كلما كانت قيمة مدى ادلسافة‬ ‫كبًنا‪ ،‬كلما كانت ادلصفوفتاف غًن متماثلتٌن‪ ،‬وكلما اطلفضت قيمة مدى ادلسافة كلما كانت‬ ‫ادلصفوفتاف متماثلتٌن‪.

1Close Fit (CFit‬‬ ‫ػ مؤشر جودة ادلطابقة )‪،Goodness-of-fit index (GFI‬‬ ‫ػ مؤشر جودة ادلطابقة التصحيحي )‪.Adjusted Goodness-of-fit Index (AGFI‬‬ ‫مؤشرات المطابقة المقارنة أو التزايدية‬ ‫‪Comparative/Incremental Fit Indices‬‬ ‫إف مؤشرات ادلطابقة ادلقارنة أو النسبية‬ ‫تقوـ على مقارنة قيمة مربع كاي احملسوبة للنموذج النظري للبحث بنموذج آخر‬ ‫‪Comparative/Incremental Fit‬‬ ‫‪Indices‬‬ ‫يدعى بالنموذج القاعدي ‪ .‫ػ البارامرت غًن ادلركزي‬ ‫)‪non-centrality parameter (NCP‬‬ ‫ػ جذر متوسط مربعات البواقي‬ ‫ػ جذر متوسط مربعات البواقي ادلعيارية‬ ‫)‪Root Mean square Residual (RMR‬‬ ‫‪. RMSE‬‬ ‫‪Discreancy per degree of freedom‬‬ ‫‪-‬‬ .baseline model‬والنموذج القاعدي يتخذ عدة أشكاؿ‪ ،‬لكن‬ ‫أكثرىا استعماال يف ادلقارنة ما يدعى بنموذج العدـ أو لنموذج الصفري ‪، Null Model‬‬ ‫ويعرؼ كذلك بالنموذج ادلستقل ‪ . Independence Model‬ومسي بالنموذج ادلستقل أو‬ ‫ظلوذج العدـ أو الصفري ألف ادلتغًنات ادلقاسة أو ادلؤشرات ادلقاسة للنموذج مستقلة ٕناما‬ ‫‪RMS.Standardized Root Mean square Residual‬‬ ‫)‪(SRMR‬‬ ‫ػ اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫)‪.(RMSEA‬‬ ‫‪Root Mean Square Error of approximation‬‬ ‫ػ ادلطابقة القريبة )‪.

‬وبعض ىذه ادلؤشرات‬ ‫معيارية ‪ normed indices‬أي أف قيمها ال تقل عن الصفر وال تتعدى الواحد الصحيح‪.‬وترتاوح‬ ‫قيم أغلب ىذه ادلؤشرات التزايدية من الصفر إُف الواحد الصحيح‪ .‬‬ ‫وادلغزى من مقارنة النموذج النظري ادلفرتض بالنموذج ادلستقل ىو معرفة إُف أي‬ ‫حد يبدي ظلوذج البحث ادلفرتض ٓنسنا مقارنة بأسوأ سيناريو شلكن لسوء ادلطابقة والذي‬ ‫يتمثل يف النموذج ادلستقل‪.‬‬ ‫وتوجد عدة مؤشرات مطابقة تنتمي إُف مؤشرات ادلطابقة ادلقارنة أو التزايدية نذكر منها ما‬ ‫يلي‪:‬‬ ‫ػ مؤشر ادلطابقة ادلعياري‬ ‫)‪Normed-Fit index (NFI‬‬ ‫ػ مؤشر ادلطابقة غًن ادلعياري )‪،Non-Normed Fit index (NNFI‬‬ ‫ػ مؤشر تاكر‪-‬لويس )‪ Tucker-Lewis Index (TLI‬وىو مرادؼ دلؤشر ادلطابقة غًن ادلعياري‬ ‫)‪Non-Normed Fit index (NNFI‬‬ ‫ػ مؤشر ادلطابقة التزايدي لػ"بولن"‬ ‫باالختصار التاِف‪ )BL89( :‬أو "دلتا إثناف" ‪2‬‬ ‫)‪Bollen's Incremental Fit Index (IFI‬‬ ‫ػ مؤشر ادلطابقة ادلقارف‬ ‫ويعرؼ أيضا‬ ‫)‪Comparative Fit index (CFI‬‬ ‫وتقوـ معادالت أغلب ىذه ادلؤشرات على إغلاد النسبة بٌن قيمة مربع كاي‬ ‫للنموذج ادلفرتض ومربع كاي للنموذج ادلستقل أخذا بعٌن االعتبار درجات حريتهما‪ .‬‬ ‫‪-‬‬ .‫(أي أف متغًنات النموذج غًن مرتبطة إطالقا)‪ ،‬وداللة استقاللية ادلتغًنات ادلقاسة أو‬ ‫ادلؤشرات أنو ال توجد متغًنات كامنة أو عوامل ٕنثل ىذه ادلؤشرات أو ادلتغًنات ادلقاسة‪.‬‬ ‫وؽلثل النموذج ادلستقل أسوأ ظلوذج شلكن من حيث ادلطابقة‪ ،‬ذلك أف مربع كاي يبلغ أقصاه‬ ‫(علما بأف ارتفاع قيمة مربع كاي ال ٔندـ جودة ادلطابقة)‪.

‬‬ ‫‪-‬‬ .‬ومعىن ذلك‪ ،‬أف ارتفاع جودة مطابقة النموذج َف تنتج عن جودة التنظًن بقدر ما‬ ‫نتجت عن اإلفراط يف استعماؿ عدد كبًن من البارامرتات يف النموذج‪ُ ،‬نيث أف ىذه الزيادة‬ ‫يف عدد البارامرتات (أي افتقار النموذج إُف االقتصاد يف عدد البارامرتات ادلستعملة) ‪ ،‬وليس‬ ‫جودة التنظًن الذي كاف سببا يف ارتفاع قدرة النموذج على ادلطابقة‪ .Comparative Fit index (CFI‬غًن أف وبعضها اآلخر غًن معيارية‬ ‫‪ ،indices‬أي قد تكوف قيمها دوف الصفر‪ ،‬أو أعلى من الواحد الصحيح‪ .‬‬ ‫مؤشرات المطابقة االقتصادية أو المقتصدة‬ ‫‪Parsimony Fit Indices‬‬ ‫إف مستوى ادلطابقة الذي ػلققها النموذج ادلقرتح قد يعزى إُف جودة التنظًن‪،‬‬ ‫وىذه صفة زلمودة يف النموذج‪ ،‬وقد تعزى أيضا إُف التضخم يف عدد البارامرتات ادلقدرة‬ ‫اليت ػلتوي عليها النموذج‪ ،‬وىذا أمر غًن مرغوب فيو‪ .0‬لكي تدؿ على توفر النموذج ادلفرتض على جودة ادلطابقة‪.‬ومن أمثلتها‬ ‫مؤشر ادلطابقة غًن ادلعياري )‪ ،Non-Normed Fit index (NNFI‬ومؤشر تاكر‪-‬لويس‬ ‫)‪ .‬وتدعى ىذه العملية بالتصحيح نتيجة‬ ‫االفتقار لالقتصاد يف البارامرتات‪.‬ذلك أنو كلما ازداد عدد البارامرتات‬ ‫ادلقدرة ارتفعت ػ نتيجة ذلك ػ مستوى مؤشرات ادلطابقة للداللة على ٓنسن كبًن يف جودة‬ ‫مطابقة النموذج للبيانات‪ ،‬على الرغم من بقاء التنظًن ثابتا‪ ،‬أو بدوف أف يرافق ذلك ٓنسن‬ ‫يف التنظًن‪ .‫ومن أمثلتها مؤشر ادلطابقة ادلعياري )‪ ،Normed-Fit index (NFI‬ومؤشر ادلطابقة ادلقارف‬ ‫)‪ .‬ولذلك فإف نتائج‬ ‫مطابقة النموذج اليت تضخمت بفعل عدد البارامرتات الكثًنة (أي تعقيد النموذج)‪ ،‬وليس‬ ‫بفعل جودة التنظًن‪ٓ ،‬نتاج إُف تصحيح بتخفيض مستوى ادلطابقة ّنا يتناسب ودرجة اإلفراط‬ ‫يف عدد البارامرتات ادلستعملة لتقدير مطابقة النموذج‪ .Tucker-Lewis Index (TLI‬وينبغي أف تتعدى قيمة مؤشرات ادلطابقة ادلقارنة أو‬ ‫‪non-normed‬‬ ‫التزايدية نقطة القطع ‪ 2.

‬فإذا افرتضنا وجود ظلوذجٌن متماثلٌن أو متكافئٌن من‬ ‫حيث ادلطابقة بناء على نتائج مؤشرات ادلطابقة األخرى‪ ،‬فيفضل النموذج الذي حقق نفس‬ ‫مستوى ادلطابقة بأقل عدد من ادلتغًنات من النموذج الذي احتوى على عدد أكرب من‬ ‫البارامرتات‪.‬‬ ‫ومؤشرات ادلطابقة اليت ٕنكن من إجراء ىذا التصحيح على نتيجة النموذج اعتمادا‬ ‫على مدى اقتصاده يف عدد البارامرتات تدعى ّنؤشرات جودة ادلطابقة االقتصادية‬ ‫‪ ،Parsimony Goodness-of-Fit Index‬أو بادلؤشرات االقتصادية اختصارا‪ .‬ومن أمثلتها‬ ‫ما يلي‪:‬‬ ‫ػ مؤشر ادلطابقة ادلعياري االقتصادي أو ادلقتصد‬ ‫‪Parsimonious Normed Fit Index‬‬ ‫)‪(PNFI‬‬ ‫ػ مؤشرات جودة ادلطابقة االقتصادية‬ ‫)‪Parsimony Goodness-of-Fit Index (PGFI‬‬ ‫ػ مؤشر ادلطابقة ادلعياري االقتصادي‬ ‫)‪Parsimony Normed-Fit Index (PNFI‬‬ ‫ػ مؤشر ادلطابقة ادلقارف االقتصادي‬ ‫)‪Parsimony Comparative Fit Index (PCFI‬‬ ‫وْندر اإلشارة إُف أنو من الصعب ٓنديد نقاط القطع اليت تفصل بٌن توفر‬ ‫النموذج على مطابقة من االفتقار إليو أو عدمو‪ ،‬ذلك أف قيم مؤشرات ادلطابقة االقتصادية‬ ‫تكوف عادة منخفضة ‪ ،‬وأحيانا منخفضة بدرجة كبًنة مقارنة بادلؤشرات ادلناظرة ذلا اليت ال‬ ‫( ‪Mulaik. et al..0‬ولذلك‬ ‫‪-‬‬ .2.32‬يف حٌن صلد أف نتائج مؤشرات ادلطابقة األخرى تفوؽ درجة القطع ‪ .‫ويعترب زلك االقتصاد يف عدد البارامرتات يف النموذج من ضمن احملكات اليت‬ ‫تعتمد للمفاضلة بٌن جودة النماذج‪ .‬ولذلك الحظ مولييك وآخروف‬ ‫‪ )1989‬أنو ؽلكن احلصوؿ على قيم مؤشرات ادلطابقة االقتصادية ُنيث ٓنوـ حواِف القيمة‬ ‫‪ 2.‬‬ ‫عالقة ذلا باالقتصاد يف عدد البارمرتات‪ .

6‬للداللة على توفر النموذج على مطابقة (‪.‫يكتفى أحيانا بأف تكوف قيمة مؤشرات ادلطابقة تساوي أو أعلى من ‪( 2.)Garson.)Kline.)Garson. 2009.3‬واألفضل أف‬ ‫تكوف أكرب من ‪ )2.theory based fit indices‬‬ ‫مؤشرات ادلطابقة القائمة على نظرية ادلعلومات ‪ Information theory‬تنتمي يف‬ ‫الواقع إُف مؤشرات ادلطابقة ادلطلقة أو التنبؤية ‪.(absolute fit indeces‬‬ ‫وقد تصنف أيضا باعتبارىا تنتمي إُف مؤشرات ادلطابقة االقتصادية ‪Parsimonious Fit‬‬ ‫‪ ،)Schaumacker & Lomax. 2005(fit indices‬وتستهدؼ تقدير ادلطابقة ادلتوقعة للنموذج ادلقرتح عند افرتاض‬ ‫إعادة تطبيق النموذج على عينات أخرى من نفس احلجم‪ ،‬سحبت عشوائيا من نفس‬ ‫اجملتمع اليت سحبت منو عينة الباحث بطريقة عشوائية‪. 2009‬‬ ‫مؤشرات المطابقة القائمة على نظرية المعلومات‬ ‫‪Information.Criterion (BIC‬‬ ‫ػ زلك براوف كاديك‬ ‫)‪Browne.Cudeck Criterion (BCC‬‬ ‫وتتسم أغلب مؤشرات ادلطابقة القائمة على نظرية ادلعلومات بالسمات التالية‪:‬‬ ‫‪-‬‬ .‬‬ ‫ومن مؤشرات ادلطابقة اليت تندرج ٓنت ىذا الصنف مايلي‪:‬‬ ‫ػ مؤشر الصدؽ التقاطعي ادلتوقع‬ ‫ػ زلك ادلعلومات أليكيك‬ ‫)‪Expected Cross-Validation Index (ECVI‬‬ ‫)‪Akaike Information Criterion (AIC‬‬ ‫ػ زلك ادلعلومات ادلتسق أليكيك )‪ ،(CAIC‬زلك ادلعلومات لباييس‬ ‫‪Bayes Information‬‬ ‫)‪. 2004( Indices‬أو مؤشرات ادلطابقة التنبؤية ‪Predctive‬‬ ‫‪ .

‬‬ ‫ثالثا ػ النماذج اليت يتم مقارنتها بالنموذج ادلقرتح ينبغي أف تقوـ على بيانات نفس العينة‪،‬‬ ‫اليت غلب أال ٔنتلف من ظلوذج آلخر‪.‬‬ ‫خامسا ػ تطبق ىذه ادلؤشرات يف الغالب عند استعماؿ طريقة التقدير ادلعروفة بدالة‬ ‫االحتماؿ األقصى ‪ maximum likelihood estimation method‬دوف غًنىا من‬ ‫الطرؽ األخرى‪ ،‬وذلك لتقدير البارامرتات اجملهولة للنموذج ادلقرتح‪.‬‬ ‫ثانيا ػ تقوـ ىذه الطريقة على افرتاض أف النموذج الصحيح أو القريب من الصحة ينبغى أف‬ ‫يكوف أحد النماذج البحثية ادلفرتضة ادلعتمدة يف ادلقارنة‪ .‫أوال ػ إف ادلؤشرات أو االختبارات القائمة على نظرية ادلعلومات تفرتض أف النموذج الذي‬ ‫يقرتحو الباحث قائم على تأصيل نظري‪ُ ،‬نيث يتم مقارنتو بنماذج أخرى بديلة‪ ،‬بدال‬ ‫من مقارنتو بالنموذج القاعدي ادلتمثل يف النموذج ادلستقل أو الصفري حيث أف مؤشرات‬ ‫ادلطابقة ادلقارنة أو التزايدية ‪ Comparative/Incremental Fit Indices‬تعتمد على ىذه‬ ‫ادلقارنة األخًنة‪.‬‬ ‫رابعا ػ ينبغي أف تكوف قيم مؤشرات ادلطابقة ادلستعملة القائمة على نظرية ادلعلومات‬ ‫للنموذج ادلقرتح أصغر من قيم مؤشرات ادلطابقة النظًنة ذلا اخلاصة بالنماذج البديلة‬ ‫األخرى ادلستعملة يف ادلقارنة‪.‬وعند افرتاض غياب النموذج‬ ‫القريب من الصحة من ضمن ظلاذج ادلقارنة فإف ذلك يؤدي إُف نتائج مضللة‪.‬‬ ‫حفصْم يؤششاث املطابقت‬ ‫مربع كاي المعياري أو النسبي‬ ‫)‪Relative/Normed Chi-square (NC‬‬ ‫‪-‬‬ .

‬‬ ‫‪ )2001‬معيار ادلطابقة بالقيم اليت ال تتعدى (‪ .‬وػلدد آخروف احلد األقصى الذي غلب أال يتجاوزه ادلؤشر بالقيمة (‪. 2004‬‬ ‫ويثًن بولن (‪ )Bollen.‬وجلعل مربع كاي أقل حساسية‬ ‫حلجم العينة مت تقسيم مربع كاي على درجات احلرية كما يتجلى يف ادلعادلة التالية‪:‬‬ ‫ولقد اختلف الباحثوف يف ٓنديد درجات القطع الدالة على توفر ادلطابقة‪ .‬كما يالحظ أف ىذا ادلؤشر يبقى‬ ‫حساسا حلجم العينة على الرغم من أف اذلدؼ من اقرتاحو أف يوفر ىذا ادلؤشر البديل دلربع‬ ‫كاي ُنيث أف ىذا البديل يقدر ادلطابقة اإلٗنالية للنموذج بدوف التأثر ُنجم العينة‪ .)2‬ويذكر كالين (‪ )Kline.)5‬‬ ‫فأي قيمة أعلى من ‪ 5‬تدؿ على سوء ادلطابقة (‪. 2006‬‬ ‫‪-‬‬ .)Schumacker & Lomax.‬فكارمن‬ ‫وزميلو ماؾ أيفر (‪ )Carmines & McIver. 1989‬مشكلة ىذا التعدد يف درجات القطع حيث‬ ‫اقرتحت درجات قطع متفاوتة‪ :‬القيمة ‪ ،0‬والقيمة ‪ ، 3‬كما اقرتحت درجات قطع أعلى من‬ ‫ذلك كالقيمة ‪ 3‬للداللة على توفر النموذج على مطابقة‪ .‬ويف ىذا السياؽ‪ ،‬ػلدد أدلاف ( ‪Ullman. 1998‬القيمة (‪ )3‬اليت ينبغي أال يتعداىا ادلؤشر للداللة‬ ‫على توفر ادلطابقة‪ .‫لقد اقرتح "جوريزكوؾ" (‪ )Joreskog. 1969‬ىذا ادلؤشر للتخفيف من اعتماد‬ ‫مؤشر ادلطابقة األساسي‪ :‬مربع كاي على حجم العينة‪ .)2‬فنتائج مؤشر (‪ )NC‬غلب أال تتعدى‬ ‫القيمة (‪ . 1981‬يقرتحاف أف يكوف ادلؤشر مساويا للنسبة‬ ‫‪ 2‬إُف ‪ ، 1‬أو ‪ 3‬إُف ‪ 1‬للداللة على وجود مطابقة‪ .‬وعلى‬ ‫الرغم من أف ىذا ادلؤشر استعمل استعماال واسعا يف البحوث إال أف بعض الباحثٌن ال‬ ‫ينصح باستعمالو (‪.)Brown.

‫البارامتر غير المركزي‬ ‫)‪non-centrality parameter (NCP‬‬ ‫لقد سبق أف أشرنا إُف أف مربع كاي ) ‪ Chi square ( 2‬يستهدؼ اختبار‬ ‫الداللة اإلحصائية للفرضية الصفرية ( ‪ ) H0‬اليت مفادىا أنو ال يوجد فرؽ بٌن النموذج‬ ‫ادلفرتض أو ادلتوقع (‪ )‬والنموذج احلقيقي ادلناظر لو يف اجملتمع (‪،)‬أي أف ظلوذج البحث‬ ‫ادلفرتض أو ادلتوقع قيد االختبار يطابق ٕناما ظلوذج اجملتمع ])‪.‬‬ ‫فبدال من اإلصرار على اختبار وجود مطابقة تامة أي أف النموذج ادلفرتض صحيح‪ ،‬ويتطابق‬ ‫ٕناما مع البيانات‪ ،‬دلاذا ال نغًن طريقة الطرح وطلترب درجة افتقار ظلوذج البحث ادلفرتض‬ ‫للمطابقة بدال من اختبار توفره أو عدـ توفره على مطابقة تامة‪.‬‬ ‫إذف‪ ،‬إف الفرضية الصفرية اليت يتصدى إُف اختبار صحتها أسلوب مربع كاي‪،‬‬ ‫واليت تتخذ عادة الشكل التاِف‪ ،) = ) :‬أي اختبار صحة وجود أو عدـ وجود مطابقة‬ ‫تامة بٌن ظلوذج البحث ادلفرتض أو ادلتوقع (‪ )‬وظلوذج اجملتمع (‪ ،)‬يفتقر إُف الواقعية‬ ‫ويتسم بالتقييد الشديد‪ ،‬حيث يالحظ براوف وكاديك (‪ )Brown & Cudeck. 1993‬بأنو‬ ‫إذا كنا نتوقع سلفا بأف الفرضية الصفرية اليت تقضي بوجود مطابقة تامة بٌن النموذج ادلفرتض‬ ‫واجملتمع فرضية زائفة أصال‪ ،‬فال جدوى أو طائل من زلاولة اختبارىا للربىنة على صحتها‪.‬ذلك أف النماذج البحثية ادلفرتضة ظلاذج تقريبية‬ ‫لنماذج اجملتمع (أي ظلاذج تقريبية للواقع وال تطابقو ٕناما)‪ ،‬وليست ظلاذج تتسم بالضرورة‬ ‫بصحة مطلقة ُنيث تطابق ٕناما ظلاذج اجملتمع‪.[=(‬‬ ‫إف االفرتاض الذي يقوـ عليو اختبار مربع كاي ‪ ،‬أي افرتاض ادلطابقة التامة بٌن‬ ‫النموذج ادلفرتض الذي يراد اختباره وظلوذج اجملتمع‪ ،‬افرتاض غًن واقعي ال يعكس طبيعة‬ ‫النماذج البحثية ادلفرتضة اليت يراد اختبارىا‪ .‬‬ ‫‪-‬‬ .

[ ≠()] :‬ويف ىذه احلالة‪ ،‬أي عند اختبار الفرضية القائمة على درجة‬ ‫االفتقار للمطابقة عوضا عن الفرضية القائمة على وجود أو عدـ وجود مطابقة تامة‪ ،‬فإف‬ ‫التوزيع الذي يقوـ عليو االختبار اإلحصائي سوؼ ال يكوف توزيع مربع كاي ادلعهودة‪ ،‬وإظلا‬ ‫ىم توزيع من نوع سلتلف يدعى بتوزيع مربع كاي غًن ادلركزي ‪non central 2 -‬‬ ‫‪ .‫إذف‪ ،‬دلا كانت النماذج ادلفرتضة يف البحوث ىي ظلاذج تقريبية (تقرتب من‬ ‫الصحة) وليست صحيحة بالضرورة‪ ،‬فإف الفرضية اليت غلدر اختبارىا ليست الفرضية الصفرية‬ ‫السابقة اليت تقوـ على ادلطابقة التامة ])‪ ،[ =(‬وإظلا الفرضية اليت تقوـ على مسلمة‬ ‫ادلطابقة النسبية أو التقريبية‪ ،‬أي اليت ٔنترب مدى افتقار النموذج للمطابقة واليت يعرب عنها‬ ‫بالرموز كما يلي‪ .)2-df‬فإذا كانت مطابقة النموذج ادلفرتض تامة (وحدة البارامرت‬ ‫دلتا ‪ ‬اليت تدؿ على وحدات مدى االفتقار دلطابقة تساوي صفرا) ‪ ،‬فإف البارامرت‬ ‫الالمركزي (‪ )NCP‬يساوي صفرا‪ . ‬‬ ‫‪non-centrality‬‬ ‫وؽلكن تقدير الربامرت الالمركزي (‪)NCP‬بطرح درجات حلرية(‪ )df‬من مربع كاي‬ ‫(‪ )2‬للنموذج ادلفرتض (‪ .distribution‬وػلتوي ىذا التوزيع على بارامرت يدعى بالبارامرت الالمركزي‬ ‫‪( parameter‬ويعرؼ اختصارا ‪ NCP‬أو يرمز لو عادة بالرمز دلتا ‪ ‬أو أحيانا بالرمز المبدا ‪‬‬ ‫) الذي يدؿ على درجة االفتقار للمطابقة‪ ،‬أي االبتعاد عن مركز التوزيع بوحدات يرمز ذلا‬ ‫عادة بالرمز دلتا ‪.‬‬ ‫‪-‬‬ .‬وإذا كانت نتيجة ادلعادلة سالبة (وحدة البارامرت دلتا ‪ ‬تساوي قيمة‬ ‫سالبة) فإف نتيجة البارامرت الالمركزي (‪ )NCP‬تغًن لتساوي صفرا‪ .‬ويكوف التوزيع الالمركزي يف ىذه احلالة فقط شلاثال لتوزيع‬ ‫مربع كاي ادلركزية ‪ central 2 -distribution‬القائمة على مسلمة التطابق التاـ بٌن النموذج‬ ‫ادلفرتض وظلوذج اجملتمع‪ .‬أما إذا كانت مطابقة‬ ‫النموذج ادلفرتض غًن تامة ػ وىو الوضع ادلعتاد ػ فإف قيم البارامرت الالمركزي (‪ )NCP‬تكوف‬ ‫أكرب من الصفر‪.

‬‬ ‫جذر متوسط مربعات البواقي‬ ‫)‪Root Mean square Residual (RMR‬‬ ‫وجذر متوسط مربعات البواقي المعيارية‬ ‫‪.Standardized Root Mean square‬‬ ‫)‪Residual (SRMR‬‬ ‫من مؤشرات ادلطابقة اليت تقوـ على فكرة البواقي‪ ،‬أي مدى التفاوت بٌن بيانات‬ ‫العينة والبيانات ادلشتقة من النموذج‪ ،‬مؤشر جذر متوسط مربعات البواقي ‪Root Mean‬‬ ‫)‪ ، square Residual (RMR‬ومؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫)‪ .‬وعلى النقيض من ذلك‪ ،‬أنو كلما‬ ‫اطلفضت قيمتو‪ ،‬واقرتبت من الصفر‪ ،‬كلما ازدادت مطابقة النموذج جودة‪.‬‬ ‫‪-‬‬ .Standardized Root Mean square Residual (SRMR‬فمؤشر جذر متوسط مربعات‬ ‫البواقي )‪ (RMR‬ىو مقياس متوسط القيم ادلطلقة للبواقي‪ .‫طللص من ذلك بأف البارامرت الالمركزي (‪ )NCP‬يعترب مؤشرا يدؿ على درجة‬ ‫افتقار النموذج للمطابقة‪ُ ،‬نيث كلما ارتفعت قيمتو اطلفضت قدرة النموذج على ادلطابقة‬ ‫وازدادت سوءا‪ .‬وكلما اطلفضت قيمتو‪ ،‬ازدادت جودة مطابقة النموذج للبيانات ارتفاعا‪.‬أي اجلذر الرتبيعي دلتوسط‬ ‫مربعات البواقي‪ ،‬حيث تدؿ البواقي على مقدار التباعد (التفاوت) أو التقارب (التشابو) بٌن‬ ‫قيم مصفوفة التغاير والتباين للعينة وقيم مصفوفة التغاير والتباين ادلشتقة من النموذج ادلقرتح‬ ‫بافرتاض أنو النموذج الصحيح‪ .‬إف احلد األدىن للمدى النظري لقيم مؤشر جذر متوسط‬ ‫مربعات البواقي )‪ (RMR‬ىو الصفر‪ ،‬ولكن ليس لو حد أقص‪ّ ،‬نعىن أف احلد األقصى‬ ‫يتجاوز الواحد الصحيح‪.‬‬ ‫فإذا كاف ادلؤشر يساوي صفرا دؿ ذلك على توفر النموذج على مطابقة تامة‪،‬‬ ‫ويستنتج من ذلك أنو مؤشر لتقدير مدى سوء ادلطابقة ‪ ،badness of fit index‬ألنو كلما‬ ‫ارتفعت قيمة ادلؤشر كلما ازدادت مطابقتو سوءا وتدىورا‪ .

‬فمثال‪ ،‬إذا كانت ادلؤشرات أو ادلقاييس ادلستعملة لقياس إحدى‬ ‫مفاىيم النموذج عبارة عن فقرات موضوعية لكن ٔنتلف يف عدد بدائلها‪ ،‬فبعض الفقرات‬ ‫ٓنتوي على ‪ 3‬بدائل‪ ،‬واألخرى ٓنتوي على ‪ 3‬بدائل‪ ،‬وعدد منها ػلتوي على ‪ 4‬بدائل‪ ،‬فمع‬ ‫اختالؼ وحدات القياس ذلذه ادلتغًنات (الفقرات) فإف ذلك يولد صعوبة كربى يف تأويل‬ ‫نتائج مؤشر جذر متوسط مربعات البواقي )‪.‬وعند استعماؿ مؤشر جذر متوسط مربعات البواقي )‪(RMR‬‬ ‫بتوظيف مصفوفة االرتباطات للعينة ومصفوفة االرتباطات للنموذج‪ ،‬اليت تقوـ على وحدات‬ ‫معيارية بدال من استعماؿ مصفوفيت التغاير والتباين للعينة والنموذج‪ ،‬فإف تسمية مؤشر جذر‬ ‫متوسط مربعات البواقي )‪ (RMR‬ستختلف ُنيث يسمى ّنؤشر جذر متوسط مربعات‬ ‫البواقي ادلعيارية )‪ . 2005( (RMR‬‬ ‫ولتجاوز ىذه العقبة‪ ،‬يلجأ عادة إُف ٓنويل القيم اخلاـ للمتغًنات إُف قيم معيارية‬ ‫(أي توحيدىا وٓنويلها إُف وحدة قياس متوسطها صفر واضلرافها ادلعياري الواحد الصحيح)‪.Standardized Root Mean square Residual (SRMR‬إذف‪ ،‬إف‬ ‫مؤشر متوسط مربعات البواقي ادلعيارية )‪ (SRMR‬يقيس متوسط قيم البواقي ادلطلقة‬ ‫دلعامالت االرتباط‪ .‫غًن أف إحدى مشكالت مؤشر جذر متوسط مربعات البواقي )‪ (RMR‬أنو نظرا‬ ‫ٓنوؿ إُف وحدات معيارية‬ ‫لقيامو على بيانات ادلتغًنات ادلقاسة بوحداهتا األصلية اليت َف ّ‬ ‫موحدة بٌن ادلتغًنات‪ ،‬فإف مداه ال يرتاوح من الصفر إُف الواحد الصحيح‪ ،‬وإظلا مداه األقصى‬ ‫غًن زلدد حيث يتوقف على طبيعة وحدات القياس دلتغًنات النموذج‪ ،‬شلا غلعل عملية‬ ‫التأويل عملية مستعصية‪ .‬‬ ‫‪-‬‬ .‬أي ؽلثل الفرؽ العاـ بٌن ارتباطات مصفوفة العينة وارتباطات مصفوفة‬ ‫النموذج‪.‬‬ ‫وعند إغلاد العالقات بٌن ادلؤشرات ادلقاسة أو ادلتغًنات ادلقاسة تصبح مصفوفة التغاير‬ ‫والتباين مصفوفة ارتباطات‪ ،‬وبالتاِف توجد مصفوفة ارتباطات للعينة ومصفوفة ارتباطات‬ ‫قائمة على النموذج ادلقرتح‪ .)Kline.

‬‬ ‫ومع ذلك لوحظ أف مؤشر متوسط مربعات البواقي ادلعيارية‬ ‫متوسط مربعات البواقي ‪ RMR‬ينطوياف على إشكالٌن وعلا‪:‬‬ ‫‪SRMR‬‬ ‫و مؤشر‬ ‫ػ اإلشكاؿ األوؿ أف قيمتهما ٕنيل إُف االرتفاع عند احتواء النموذج على بارامرتات عديدة‪،‬‬ ‫أي تنحو قيمتها إُف االطلفاض أو التقلص عند ارتفاع مستوى تعقيد النموذج ادلفرتض‪،‬‬ ‫ويقصد ّنستوى تعقيد النموذج كثرة بارامرتات النموذج اجملهولة اليت ٓنتاج إُف تقدير‪.‬‬ ‫ػ اإلشكاؿ الثاين يتلخص يف أف قيم ادلؤشرين ٕنيل إُف االطلفاض أيضا عند اتساع حجم‬ ‫العينة ادلستعملة (‪.)Hooper.08‬تبدو مناسبة حيث تدؿ على مطابقة مقبولة‪ .‬ويرى‬ ‫كالين (‪ )Kline. 1999‬أف درجة القطع ‪ 0.‫إف ادلدى النظري لقيم‬ ‫مؤشر جذر متوسط مربعات البواقي ادلعيارية‬ ‫)‪(SRMR‬يرتا وح من الصفر (الذي يدؿ على مطابقة تامة) إُف الواحد الصحيح الذي يدؿ‬ ‫على غياب ادلطابقة أو مطابقة رديئة جدا‪. 2005‬أف قيم مؤشر متوسط مربعات البواقي ادلعيارية ‪ SRMR‬اليت تقل‬ ‫& ‪Hu‬‬ ‫عن ‪ 1‬تدؿ على توفر النموذج على مطابقة مقبولة‪. Diamantopoulos & Siguaw. and Mullen. coughlan. 2008.‬‬ ‫وإذا كانت قيمة مؤشر متوسط مربعات البواقي ادلعيارية ‪ SRMR‬و مؤشر متوسط‬ ‫مربعات البواقي ‪ RMR‬أقل من ‪ ،0. 2000‬ويرى ىيو وبنتلر (‬ ‫‪ )Bentler. 2009‬‬ ‫‪-‬‬ .)Byrne. Garson.05‬دؿ ذلك على توفر النموذج على مطابقة شلتازة‬ ‫(‪ . 1998.

‫الجذر التربيعي لمتوسط خطأ االقتراب‬ ‫)‪.‬‬ ‫إف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ ، (RMSEA‬شأنو شأف مؤشر‬ ‫البارامرت الالمركزي (‪ ،)NCP‬يقيس متوسط مدى االفتقار للمطابقة لكل وحدة من وحدات‬ ‫درجات احلرية‪ .5Close Fit (CFit‬‬ ‫إف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫‪Root Mean Square Error of‬‬ ‫)‪ approximation (RMSEA‬من أىم ادلؤشرات احلديثة‪ ،‬إذ غلمع بٌن ثالث وظائف ىامة‬ ‫وىي‪:‬‬ ‫أوال ػ تقدير دقة ادلطابقة‪،‬‬ ‫ثانيا ػ تصحيح نتيجة ادلطابقة عند افتقار النموذج لالقتصاد يف البارامرتات ومن ٖنة يصنف‬ ‫أحيانا من مؤشرات ادلطابقة االقتصادية ‪،Parsimonious Fit Indices‬‬ ‫ثالثا ػ يصحح أثر حجم العينة ُنيث ال تتأثر نتيجتو باتساع أو اطلفاض حجمها‪ ،‬وبتعبًن‬ ‫آخر يعمل على ٓنييد أثر حجم العينة على جودة ادلطابقة‪.‬وبتعبًن آخر يركز على مدى التفاوت بٌن مصفوفة التباين والتغاير للنموذج‬ ‫ادلفرتض (‪ ∑)‬وبٌن مصفوفة التغاير والتباين للمجتمع ∑‪ ،‬ولكن لكل درجة حرية (مقدار‬ ‫االفتقار إُف التطابق لكل درجة حرية)‪ ،‬وبالتاِف يأخذ مدى تعقيد النموذج ادلفرتض بعٌن‬ ‫االعتبار‪ُ ،‬نيث يفضل النموذج الذي يضطلع بعملية التفسًن ولكن بأقل عدد من ادلتغًنات‬ ‫‪RMS. RMSE‬‬ ‫‪Discreancy per degree of freedom‬‬ ‫‪-‬‬ .Root Mean Square Error of approximation (RMSEA‬‬ ‫والمطابقة القريبة )‪.

‫أو البارامرتات‪ .‬‬ ‫ومعادلة البارامرت الالمركزي ىي كالتاِف‪:‬‬ ‫‪-‬‬ .‬غًن أف توزيعو ؼلتلف عن توزيع مربع كاي ادلركزية ادلعتادة‬ ‫ادلستعملة يف تقوًن ادلطابقة ليت تقوـ على افرتاض وجود مطابقة تامة‬ ‫‪ distribution‬بٌن النموذج وبيانات اجملتمع ( وادلطابقة التامة معناىا أف الفرضية الصفرية‬ ‫تنص صراحة بأف النموذج ادلقرتح يطابق ٕناما اجملتمع)‪ ،‬ويتبع ػ بدؿ ذلك ػ توزيع مربع كاي‬ ‫‪central 2 -‬‬ ‫غًن ادلركزية ‪ non central 2 -distribution‬اليت تقوـ على افرتاض واقعي أف النماذج‬ ‫ادلختربة ال تستنسخ الواقع بل تقاربو‪ ،‬وبالتاِف فهي ليست ظلاذج تامة الصحة بل ظلاذج‬ ‫تقريبية‪ .‬‬ ‫ويتم تقدير ىذا البارامرت (‪ NCP‬أو‪ ) ‬اذلاـ ػ الذي سيشكل لبنة معادلة مؤشر اجلذر‬ ‫الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬ػ بالفرؽ بٌن مربع كاي للنموذج ادلقرتح‬ ‫‪ ،‬أو بكوف ىذا الفرؽ يساوي صفرا يف حالة‬ ‫ودرجات حريتو‬ ‫ما إذا كاف ىذا الفرؽ سالبا (درجات احلرية أكرب من قيمة مربع كاي)‪.‬فالتوزيع يقوـ على الفرضية البديلة للفرضية الصفرية السابقة وىي أف النموذج ال‬ ‫يطابق اجملتمع‪ .‬‬ ‫ويتوفر مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬ػ خالفا جلل‬ ‫مؤشرات ادلطابقة ػ على توزيع‪ .‬أي أف ىذا التوزيع الالمركزي دلربع كاي يعكس مدى خطأ الفرض الصفري‪،‬‬ ‫أي خطأ افرتاض وجود مطابقة تامة بٌن النموذج واجملتمع‪ .‬ويقاس مدى االفتقار للمطابقة‬ ‫ببارامرت يدعى بالبارامرت الالمركزي ‪( non-centrality parameter‬ويعرؼ اختصارا ‪NCP‬‬ ‫ويرمز لو عادة بالرمز دلتا ‪ ‬أو أحيانا بالرمز المبدا ‪ ) ‬الذي يدؿ على درجة افتقار‬ ‫النموذج ادلقرتح للمطابقة أي االبتعاد عن مركز التوزيع بوحدات يدؿ عليها الرمز دلتا ‪.‬ويعترب من ادلؤشرات اليت تقيم مطابقة النموذج على مستوى اجملتمع وليس‬ ‫على مستوى العينة‪.‬وتوفرىا على توزيع يسمح برسم حدود الثقة لتوفًن مزيد من‬ ‫الدقة يف عملية تقدير ادلطابقة‪ .

‫على األخذ بأقصى قيمة اليت يبلغها أحد‬ ‫حيث يدؿ ادلصطلح‬ ‫أو احلد الثاين الذي ىو الصفر‪ .‬‬ ‫ودلا كاف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬يقوـ على‬ ‫منطق بأف النماذج ادلقرتحة ليست استنساخا للواقع أو صورة مطابقة لألصل‪ ،‬بل اجتهادات‬ ‫نظرية اختزالية ٓناوؿ جاىدة االقرتاب من الواقع‬ ‫أبعاده األساسية بدوف االستغراؽ يف تفاصيلو اجلزئية (‬ ‫‪approximation of reality‬‬ ‫لتعكس‬ ‫‪Raykov & Marcoulides.)2000‬ولذلك يشكل البارامرت الالمركزي ( ) لبنة أساسية لتكوين معادلتو‪:‬‬ ‫تربز ادلعادلة بأف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫)‪(RMSEA‬‬ ‫ػلاوؿ تقدير مقدار خطأ االقرتاب (متوسط مدى افتقار النموذج للمطابقة) لكل درجة حرية‬ ‫(الحظ وجود درجات احلرية يف مقاـ ادلعادلة)‪ .‬وتوظيف درجات احلرية يف ادلعادلة تفيد يف‬ ‫تصحيح نتيجة ادلطابقة يف ضوء درجة تعقيد النموذج ُنيث يتم تعديل النتيجة يف اْناه‬ ‫االطلفاض كلما ازداد النموذج تعقيدا (ازدادت بارامرتاتو اجملهولة اليت ٓنتاج إُف تقدير‪ ،‬حيث‬ ‫‪-‬‬ .‬‬ ‫‪.‬معىن‬ ‫احلدين‪ :‬إما احلد األوؿ‬ ‫ذلك إذا كاف احلد األوؿ أعلى من الصفر فيأخذ بو‪ ،‬أما إذا كاف دوف الصفر (أي قيمتو‬ ‫سالبة) فيهمل‪ ،‬ويؤخذ ػ عوض ذلك ػ باحلد اآلخر الذي ىو صفر‪ .‬فقيمة البارامرت الالمركزي‬ ‫( ) تكوف إما صفر أو أية قيمة موجبة‪ ،‬لكن ال تكوف قيمة سالبة‪.

05‬إُف ‪ 0.‬‬ ‫)‪(RMSEA‬‬ ‫ُنجم العينة‪ُ ،‬نيث ال تتأثر نتيجتو باطلفاض‬ ‫ويعترب مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬من مؤشرات سوء‬ ‫ادلطابقة ُنيث أنو كلما ارتفعت قيمتو اطلفضت جودة ادلطابقة‪ ،‬وكلما اطلفضت قيمتو مقرتبة‬ ‫من الصفر كلما دؿ ذلك على ٓنسن ادلطابقة‪.‬‬ ‫كما أف ادلعادلة توظف أيضا حجم العينة يف مقامها‪ ،‬وداللة مراعاة حجم العينة‬ ‫بإدماجها يف بناء معادلة ادلؤشر التخفيف ػ إف َف يكن استقالؿ ػ من تأثر أداء مؤشر اجلذر‬ ‫الرتبيعي دلتوسط خطأ االقرتاب‬ ‫أو ارتفاع حجمها‪.05‬‬ .10‬للداللة على توفر مطابقة‬ ‫معقولة‪ُ ،‬نيث أف قيم ادلؤشر اليت تتعدى الواحد الصحيح تدؿ على رداءة ادلطابقة‬ ‫(‪ ،)MacCallum et al.08‬تدؿ على وجود مطابقة معقولة‪،‬‬ ‫ػ وقيم ادلتغًن اليت ترتاوح من ‪ 0.05‬تدؿ على مطابقة شلتازة‪،‬‬ ‫اليت تساوي أو أقل من‬ ‫ػ وقيم ادلؤشر اليت ترتاوح من ‪ 0.08‬إُف ‪ 1‬تدؿ على مطابقة ال بأس شا ‪،mediocre‬‬ ‫‪-‬‬ ‫‪0. 1996‬مث اقرتحت بعد ذلك مستويات أكثر تفصيال وصرامة ُنيث‬ ‫جرت كالتاِف‪:‬‬ ‫االقرتاب)‪(RMSEA‬‬ ‫ػ قيم مؤشر اجلذر الرتبيعي دلتوسط خطأ‬ ‫)‪ (RMSEA≤0.05‬إُف ‪ 0.‫بازدياد عدد البارامرتات تقل درجات احلرية‪ ،‬وعند اطلفاض عدد البارامرتات احلرة أو اجملهولة‬ ‫تزداد درجات احلرية)‪ ،‬أي عند افتقار النموذج لالقتصاد يف استعماؿ البارامرتات أو تقدير‬ ‫ادلتغًنات اجملهولة للنموذج‪.‬ففي البداية (أوائل‬ ‫التسعينيات) اقرتح ادلدى الذي يرتاوح من ‪ 0.‬‬ ‫لكن ماذا عن درجات القطع أو القيم الدالة على مستويات ادلطابقة؟‬ ‫يف الواقع‪ ،‬يف العقدين األخًنين مت اقرتاح مستويات سلتلفة من درجات القطع‪،‬‬ ‫ُنيث ماؿ ىذا التغيًن إُف توخي الصرامة يف درجات القطع بتخفيضها‪ .

Hooper. 2006.08‬‬ ‫‪ ،)1998. 2008.05‬لكن القيمة النموذجية للحد األدىن ىي الصفر‪ ،‬ومع ذلك‪،‬‬ ‫فإنو نادرا ما يساوي احلد األدىن دلؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب ‪RMSEA‬‬ ‫الصفر يف الواقع)‪ْ .‬وإف كانت غًن تامة يف اجملتمع‪.06‬‬ ‫غًن أف التوجو احلديث ؽليل إُف األخذ بقيم قطع أكثر صرامة منها‬ ‫‪ )Bentler. Byrne.‬‬ ‫لقد سبق اف نوىنا بإحدى مزايا مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫)‪ ،(RMSEA‬وادلتمثلة يف انطوائو على توزيع‪ ،‬شلا ؽل ّكن من حساب حدود الثقة لنتائجو‬ ‫األمر الذي يضيف دقة على ىذا التقدير‪ .‫ػ وأخًنا‪ ،‬فإف قيم ادلؤشر اليت تتعدى الواحد تدؿ على مطابقة رديئة (‬ ‫& ‪Browne‬‬ ‫. at al. 1998.2005‬‬ ‫‪2)MacCallum et al. 1993.‬‬ ‫وينبغي أف يكوف الطرؼ أو احلد األعلى يساوي أو أدىن من ‪( 0.‪Kudeck. 1996‬‬ ‫‪Hu & ( 0. Kline. 200‬أما إذا ْناوز قيمة مؤشر اجلذر الرتبيعي دلتوسط خطأ‬ ‫االقرتاب)‪ (RMSEA‬احلد األعلى جملاؿ الثقة (كأف يتجاوز ‪ 0. 2006.08‬أو الواحد يتوقف األمر‬ ‫‪-‬‬ . 1999‬أو القيمة ‪ 0.05‬فداللة ذلك أنو ال ؽلكن رفض الفرض الصفري ادلتجو‬ ‫‪ directional null hypothes‬الذي ينص على أف ظلوذج ادلقرتح من طرؼ الباحث يتوفر‬ ‫على مطابقة قريبة جدا أو شلتازة ‪.)kline.‬ينبغي أف يكوف الطرؼ أو احلدى األدىن حلدود‬ ‫الثقة يساوي أو أدىن من ‪( 0.%02‬فإذا كاف احلد األدىن جملاؿ الثقة لقيمة مؤشر )‪ (RMSEA‬أقل‬ ‫أو يساوي احلد األدىن (‪ ،) 0. Hooper et al.‬ندر اإلشارة إنو لكل قيمة مطابقة اليت يتمخض عنها استعماؿ مؤشر‬ ‫اجلذر الرتبيعي دلتوسط خطأ االقرتاب)‪ (RMSEA‬ؽلكن حساب حد ثقتو السفلي وحد ثقتو‬ ‫األعلى ّنستوى ثقة ‪ .‬‬ ‫‪2008‬‬ ‫الصحيح (‪ .‬ويف بعض ادلراجع يساوي أو أدىن من الواحد‬ ‫‪Byrne.07‬كحد أقصى مسموح بو ُنيث غلب أال تتعدى قيمة‬ ‫مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب)‪ (RMSEA‬ىذه القيمة للداللة على توفر‬ ‫مطابقة‪.

‬فالنماذج يكفي‬ ‫أف تكوف مقاربة للحقيقة وليس بالضرورة أف تكوف ظلاذج مطابقة ٕناما للواقع‪ ،‬أو أف تكوف‬ ‫‪-‬‬ .08‬بل وأعلى من (‪ .04‬وأف حدود الثقة عند مستوى ‪ %02‬ذلذه القيمة ترتاوح من ‪ 1‬إُف ‪ .‬‬ ‫االقرتاب‪RMSEA‬‬ ‫ويرتبط باستعماؿ مؤشر ‪ RMSEA‬مؤشر آخر يدعى اختبار ادلطابقة التقاربية‬ ‫‪ ،close fit test‬ويعرؼ اختصارا ب (‪ )CFit‬أو (‪ .‬وىذه النتائج غًن ادلتسقة اليت يفصح عنها استعماؿ حدود‬ ‫الثقة يكثر ظهورىا عندما تكوف العينة صغًنة‪ ،‬وبالتاِف يتطلب األمر توسيع العينة للحصوؿ‬ ‫على نتائج دقيقة لتقدير دقة مطابقة النموذج‪.‬‬ ‫االقرتاب)‪(RMSEA‬‬ ‫فبافرتاض أف قيمة مؤشر اجلذر الرتبيعي دلتوسط خطأ‬ ‫يساوي ‪ ، 0.)1‬وىكذا صلد أف نتيجة ىذا ادلؤشر )‪ 0.‫على درجة القطع للحد األعلى للثقة ادلتبناة) فيرتتب عن ذلك أننا ال نستطيع رفض فرضية‬ ‫وجود مطابقة رديئة للنموذج يف اجملتمع‪.04 = (RMSEA‬تأثرت‬ ‫بأخطاء ادلعاينة ألهنا انسجمت مع فرضيتٌن نقيضتٌن‪ :‬فرضية ادلطابقة التقريبية اجليدة‪،‬‬ ‫وفرضية ادلطابقة التقريبية الرديئة‪ .‬‬ ‫وْندر اإلشارة أف كل احلزـ اإلحصائية ادلتخصصة ونذكر منها على سبيل ادلثاؿ‬ ‫حزمة ليزرؿ ‪ ،Lisrel‬وحزمة إيكيوز ‪ ، EQS‬وحزمة آموس ‪ Amos‬توفر نتائج مؤشر اجلذر‬ ‫الرتبيعي دلتوسط خطأ‬ ‫مع حدود الثقة‪.5‬فلما‬ ‫كاف احلد األدىن(‪ ) 1‬أقل من درجة القطع للحد األدىن حلدود الثقة (‪ ،)0. 1993‬العتقادعلا بأف مربع كاي يقوـ على مسلمة وجوب حيازة‬ ‫النموذج ادلقرتح على مطابقة تامة يف اجملتمع‪ ،‬فهذا افرتاض يتناىف وطبيعة النماذج ادلفرتضة‬ ‫اليت تقرتب من الواقع بغية تفسًن أبعاده اجلوىرية بدوف أف تستنسخو كلية‪ .)PClose‬ولقد اقرتحو براوف و كاديك‬ ‫(‪ )Brown & Cudek. 1.5‬أعلى من‬ ‫(‪ )0.05‬فالفرض‬ ‫الصفري بالنسبة للحد األدىن الذي ينص على وجود مطابقة قريبة جدا يف اجملتمع ال ؽلكن‬ ‫رفضها‪ ،‬أما بالنسبة للفرضية الصفرية للحد األعلى اليت تنص على وجود مطابقة تقريبية‬ ‫رديئة ‪ ،‬فال ؽلكن رفضها ُنكم أف احلد األعلى حلدود الثقة للمثاؿ احلاِف (‪)1.

‬‬ ‫مؤشر جودة المطابقة‬ ‫)‪،Goodness-of-fit index (GFI‬‬ ‫ومؤشر جودة المطابقة التصحيحي‬ ‫)‪.‬‬ ‫ولذلك مت توظيف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫الختبار الفرضية التالية‪ :‬بأف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬ال‬ ‫تتعدى ‪ .05( 0.05( 0.05‬شلا يدؿ على افتقار النموذج‬ ‫للمطابقة القريبة أو التقاربية‪ .Adjusted Goodness-of-fit Index (AGFI‬‬ ‫‪-‬‬ .0.‫صحيحة ٕناما أو خاطئة ٕناما‪ .‬أما إذا كانت النسبة احلرجة الختبار ادلطابقة التقاربية (‪)CFit‬‬ ‫أكرب من ‪ ،)p≥0.05( 0.05‬‬ ‫ونستخلص من ذلك أف قيمة مؤشر ‪ RMSEA‬أعلى من ‪ 0.05‬فال ؽلكن رفض الفرض الصفري‪ ،‬وبالتاِف يتم قبولو على أساس‬ ‫أف مؤشر اجلذر الرتبيعي دلتوسط خطأ االقرتاب )‪ (RMSEA‬قيمتو بالفعل ىي دوف السقف‬ ‫‪ ،0.‬ونظرا ألف مؤشر‬ ‫اجلذر الرتبيعي دلتوسط خطأ االقرتاب‬ ‫)‪ (RMSEA‬يقوـ على افرتاض ادلطابقة االقرتابية وليس على مسلمة ادلطابقة التامة‪ ،‬فهو‬ ‫يعكس بناء على ذلك متوسط مقدار النموذج للمطابقة آخذا بعٌن االعتبار درجات احلرية‬ ‫لتصحيح أثر تعقيد النموذج (االفتقار إُف االقتصاد يف البارامرتات اجملهولة)‪ ،‬وأثر حجم‬ ‫العينة‪ ،‬ليتحرر نسبيا من أثر اتساع أو اطلفاض العينة‪. )RMSEA≥0.05‬شلا يدؿ على توفر النموذج على مطابقة تقريبية جيدة‪.05‬فإذا أظهرت الداللة اإلحصائية الختبار ادلطابقة‬ ‫‪RMSEA‬‬ ‫التقاربية (‪ )CFit‬أف النسبة احلرجة أو ‪ p‬ىي دوف ‪ ،)p≤0.05‬فمعىن ذلك أف مستوى‬ ‫الداللة اإلحصائية دالة‪ ،‬وبالتاِف نرفض الفرض الصفري الذي ينص على أف مؤشر اجلذر‬ ‫الرتبيعي دلتوسط خطأ االقرتاب‪ RMSEA‬يساوي أو أقل من درجة القطع ‪.

‬فبقدر ما يستطيع النموذج إعادة استنساخ بيانات‬ ‫العينة بقدر ما ؽلثل ىذا النموذج ادلقرتح مصفوفة التغاير والتباين للعينة‪.‬ويقدر نسبة التباين يف بيانات العينة (مصفوفة التغاير‬ ‫والتب اين للعينة) اليت يفسرىا النموذج ادلقرتح‪ ،‬أي اليت تفسرىا قيم النموذج ادلقرتح ( مصفوفة‬ ‫‪Joreskog-Sorbom GFI‬‬ ‫التغاير والتباين القائمة على النموذج ادلقرتح)‪ .03‬فمعىن ذلك أف ‪ %03‬من التغاير أو التباين ادلالحظ للعينة ؽلثلو أو‬ ‫يفسره تباين والتغاير للنموذج ادلقرتح‪.‬‬ ‫ؽلثل مؤشر جودة ادلطابقة (‪ )GFI‬إذف مقدار التباين والتغاير للعينة(مقدار‬ ‫ادلعلومات يف بيانات العينة) اليت ؽلكن التنبؤ شا أو تفسًنىا من طرؼ مصفوفة التباين‬ ‫والتغاير ادلنبثقة عن النموذج ادلقرتح أو ادلفرتض‪ .‬وىو من ادلؤشرات العملية أو الوصفية ادلبكرة اليت اقرتحها "جوريزكوؾ" و "سوربوـ" كبديل‬ ‫لألسلوب اإلحصائي مربع كاي‪ .‬‬ ‫ومعادلة مؤشر جودة ادلطابقة (‪ )GFI‬بداللة مربع كاي تبدو كما يلي‪:‬‬ ‫‪-‬‬ .‬وبتعبًن آخر إُف أي حد يستطيع النموذج‬ ‫إعادة إنتاج بيانات (مصفوفة التغاير والتباين القائمة على النموذج ادلقرتح) شلاثلة لبيانات‬ ‫العينة (مصفوفة التغاير والتباين للعينة)‪ .‫ويسمى مؤشر جودة ادلطابقة )‪ Goodness-of-fit index (GFI‬أيضا‬ ‫‪Gamma-‬‬ ‫‪ hat‬أو مؤشر جودة ادلطابقة لكل من "جوريزكوؾ" و "سوربوـ"‬ ‫‪ .‬‬ ‫وؽلكن تعريف مؤشر جودة ادلطابقة (‪ )GFI‬إجرائيا بأنو نسبة رلموع مربعات‬ ‫البواقي (الناجم عن طرح عناصر مصفوفة تباين وتغاير النموذج من عناصر مصفوفة التباين‬ ‫والتغاير للعينة) إُف مصفوفة التباين والتغاير للعينة‪ ،‬أو نسبة مربعات بواقي التوقع إُف بيانات‬ ‫العينة‪.‬فإذا كاف مؤشر جودة ادلطابقة (‪)GFI‬‬ ‫يساوي مثال ‪ 2.

‫= ‪GFI‬‬ ‫يدؿ الكسر على مقارنة مطابقة النموذج ادلقرتح بداللة مقدار التباين الذي يتم‬ ‫تقديره لبارامرتات النموذج باستعماؿ إحدى طرؽ التقدير اليت تطرقنا إليها (طريقة أو دالة‬ ‫االحتماؿ األقصى ‪ ، maximum likelihood‬طريقة أو دالة ادلربعات الصغرى ادلعممة‬ ‫‪Unweighted least‬‬ ‫‪ ،generalized least square‬طريقة أو دالة ادلربعات غًن ادلوزونة‬ ‫‪ ) square‬بتباين بيانات العينة وفقا لطريقة التقدير ادلستعملة‪ .‬‬ ‫وباستعماؿ البواقي اليت تربز فكرة تقييم مدى التباعد (ادلقارنة) بٌن بيانات‬ ‫النموذج ادلقرتح وبيانات الواقع ادلتمثلة يف بيانات العينة‪ ،‬حيث أف البواقي تتمثل إجرائيا يف‬ ‫الفرؽ بٌن مربعات قيم التغاير والتباين للنموذج ( ) ومربعات قيم التغاير والتباين للعينة‬ ‫(‪ ،)S‬تتخذ معادلة مؤشر جودة ادلطابقة (‪ )GFI‬الشكل التاِف‪:‬‬ ‫= ‪GFI‬‬ ‫لنالحظ أف ادلقارنة َف تتم بٌن النموذج ادلقرتح بنموذج آخر يتمثل يف الغالب يف‬ ‫النموذج ادلستقل ‪ independence model‬كما ىو الشأف بالنسبة جلل مؤشرات ادلطابقة‬ ‫ادلقارنة أو التزايدية‪ .‬ويقصد بادلوزونة أف بيانات‬ ‫النموذج ادلقرتح وبيانات العينة ؼلتلف ٓنديدىا باختالؼ طريقة تقدير بارامرتات النموذج‬ ‫ادلستعملة‪.‬فمؤشر ادلطابقة ادلعياري )‪ Normed Fit Index (NFI‬مثال يقوـ على‬ ‫مقارنة ادلطابقة بٌن النموذج ادلقرتح بالنموذج ادلستقل‪ ،‬أي مدى افتقار النموذج ادلقرتح‬ ‫‪-‬‬ .

‬ولقد مت استعماؿ طريقة أو دالة ادلربعات الصغرى غًن‬ ‫ادلوزونة ‪ Unweighted least square‬بدال من طريقة أو دالة االحتماؿ األقصى‬ ‫‪ maximum likelihood‬األكثر استعماال وذلك لتبسيط الشرح‪ ،‬وإبراز ادلقارنة بٌن بيانات‬ ‫النموذج ادلقرتح وبيانات العينة‪.‬وبتعبًن آخر مدى التحسن يف‬ ‫ادلطابقة الذي أحرزه مؤشر ادلطابقة ادلعياري بادلقارنة بالنموذج ادلستقل السي ادلطابقة ابتداء‬ ‫‪ .577 ، 0.‫للمطابقة مقارنة ّندى افتقار النموذج ادلستقل للمطابقة‪ .224 ،‬والتباين (قيم اخلاليا القطرية‪ )0.275 ، 0.‬فمؤشر جودة‬ ‫ادلطابقة (‪ )GFI‬يعىن أساسا ّنقدار التغاير والتباين ادلفسر من طرؼ النموذج ادلقرتح من‬ ‫رلمل التغاير والتباين الكلي لبيانات العينة‪.‬‬ ‫‪-‬‬ .062 ، 0.507 :‬‬ ‫‪ ) 0.‬‬ ‫ولتوضيح منطق مؤشر جودة ادلطابقة (‪ ،)GFI‬لنأخذ ادلثاؿ التاِف‪ٕ :‬نثل ادلصفوفة‬ ‫التالية (‪ )S‬بيانات العينة اليت تتخذ عادة شكل مصفوفة التغاير (اخلاليا غًن القطرية‪0.480:‬لنموذج‬ ‫عاملي مفرتض ػلتوي على عامل واحد تقيسو أو تتشبع عليو ثالثة مؤشرات‪:‬‬ ‫والبيانات القائمة على النموذج ادلقرتح (ظلوذج عاملي وحيد العامل )‪ ،‬أي مصفوفة التغاير‬ ‫والتباين ( ) ال يت أعيد إنتاجها بعد تقدير بارامرتات النموذج ادلقرتح أو ادلتوقع باستعماؿ‬ ‫إحدى طرؽ تقدير البارامرتات‪ .‬فادلقارنة بٌن ظلوذجٌن ظلوذج البحث وظلوذج قاعدي آخر غًن موجودة بالنسبة دلؤشر جودة‬ ‫ادلطابقة (‪ )GFI‬وغًنىا من مؤشرات ادلطابقة ادلطلقة‪ ،‬وإظلا تتم مقارنة أو مضاىاة البيانات‬ ‫الناٗنة عن النموذج ادلقرتح (مصفوفة التغاير والتباين لنموذج البحث ادلفرتض أو ادلتوقع)‬ ‫ّنعطيات الواقع ادلتمثلة يف بيانات العينة (مصفوفة التغاير والتباين للعينة)‪ .

308 :‬تدؿ على أثر ‪( trace‬رلموع‬ ‫عناصر أو قيم اخلاليا القطرية‪ ) 0.427 + 0.5 [(1.308 – 1.019)2‬‬ ‫علما بأف القيمة األوُف داخل القوس‪ 1.062 + 0.019‬‬ ‫على أثر‬ ‫‪trace‬‬ ‫(رلموع عناصر أو قيم اخلاليا القطرية‪:‬‬ ‫‪ ) 0.275 + 0.321 + 0.480 :‬دلصفوفة التغاير والتباين للعينة‬ ‫( )‪ ،‬وتدؿ القيمة الثانية‪:‬‬ ‫‪1.271‬دلصفوفة التغاير والتباين للنموذج ادلتوقع أو ادلقرتح ( ) ‪.‫وباستعماؿ طريقة ادلربعات الصغرى غًن ادلوزونة يف التقدير‪ ،‬فإف معادلة مؤشر جودة ادلطابقة‬ ‫(‪ )GFI‬تكوف كالتاِف‪:‬‬ ‫]يدؿ على معادلة طريقة أو دالة التقدير‬ ‫علما بأف احلد [‬ ‫السالفة الذكر (دالة ادلربعات الصغرى غًن ادلوزونة اليت تعرؼ اختصارا باحلروؼ التالية‪:‬‬ ‫‪ ،)ULS‬وؼلتلف ىذا احلد باختالؼ طريقة تقدير بارامرتات النموذج ادلقرتح‪ ،‬وأف الرمز (‪)S‬‬ ‫يدؿ على مصفوفة التغاير والتباين للعينة‪ ،‬ويدؿ الرمز ( ) على مصفوفة التباين والتغاير‬ ‫للنموذج ادلقرتح أو ادلتوقع‪ ،‬ويدؿ مصطلح (‪ )trace‬على رلموع قيم تباين اخلاليا القطرية‬ ‫لكل من مصفوفة (‪ )S‬ومصفوفة( ) ‪ .0.‬وبالتطبيق باستعماؿ مصفوفيت بيانات العينة وبيانات‬ ‫النموذج على النحو التاِف‪:‬‬ ‫] ‪GFI= 1.‬‬ ‫وال يبقى بعد ىذا التعويض إال عمليات حسابية روتينية ومباشرة‪ ،‬وصلد أف مؤشر‬ ‫جودة ادلطابقة (‪ )GFI‬عند مواصلة العمليات احلسابية البسيطة ذلذا ادلثاؿ‪ ،‬يساوي‬ ‫‪-‬‬ .

‫(‪ .)0.958‬ومعناه أف‬

‫‪96%‬‬

‫من التباين والتغاير يف مصفوفة العينة (ادلعومات اليت تنطوي‬

‫عليها العينة) أمكن تفسًنىا أو التنبؤ شا من طرؼ مصفوفة التباين والتغاير ادلشتقة من‬
‫النموذج ادلقرتح األحادي العامل‪ .‬أي‪ ،‬أف بيانات النموذج أعادت إنتاج البيانات الواقعية‬
‫األصلية للعينة وَف هتدر منها إال نسبة قليلة َف تتجاوز ‪.%1‬‬
‫يرتاوح ادلدى النظري لقيم مؤشر جودة ادلطابقة (‪ )GFI‬من الصفر إُف الواحد‪،‬‬
‫كلما اقرتبت قيمتو من الواحد كلما دؿ ذلك على ازدياد جودة ادلطابقة‪ .‬ولقد اقرتحت يف‬
‫البداية القيمة ‪ 0.90‬كدرجة قطع ٕنيز بٌن توفر ادلطابقة عندما يكوف ادلؤشر يساوي أو‬
‫يتعد ى ىذه القيمة‪ ،‬يف حٌن يدؿ على افتقار النموذج للمطابقة إذا كانت قيمة ادلؤشر دوف‬
‫ىذه القيمة‪ .‬غًن أف الدراسات التقوؽلية احلديثة القائمة على ادلضاىاة‬
‫أبانت بأنو عندما تكوف العينة صغًنة‪ ،‬وتشبعات ادلؤشرات على عواملها منخفضة‪ ،‬ينصح‬
‫استعماؿ درجة قطع أكثر صرامة تتمثل يف ‪ 0.95‬بدال من درجة القطع السابقة (‪)0.90‬‬
‫‪simulation studies‬‬

‫(‪.)Miles & Chevlin, 1998‬‬

‫إف مؤشر جودة ادلطابقة (‪ )GFI‬يتأثر ّندى تعقد النموذجن ُنيث تزداد قيمتو‬
‫بازدياد عدد البارامرتات ادلفرتضة احلرة يف النموذج (‪ .)MacCallum & Hong, 1997‬أي‬
‫أف النموذج الذي ال يقتصد يف عدد البارامرتات احلرة ادلستعملة لتفسًن البيانات أكثر حظا‬
‫يف ٓنقيق مطابقة مرتفعة مقارنة بنموذج مكاف يف قدرتو يف التفسًن أو التنظًنف لكن يقتصد‬
‫يف عدد البارامرتات اليت يوظفها يف عملية التفسًن أو التنظًن‪.‬‬
‫الرفع من قيمة ادلطابقة عندما تكوف العينات‬
‫كما ينطوي على ٓنيز يف اْناه ّ‬
‫كبًنة‪ .‬وبتعبًن آخر‪ ،‬إف مستوى ىذا ادلؤشر ينحو ضلو االزدياد أو االرتفاع عند ازدياد حجم‬
‫العينة‪ ،‬وينحو ضلو االطلفاض عند اطلفاض حجمها(‬
‫‪ ،)1998‬وىذه احلساسية حلجم العينات تعترب من عيوب بعض مؤشرات ادلطابقة حيث أف‬
‫‪Bollen, 1990; Miles & Chevlin,‬‬

‫‪-‬‬

‫التحسن يف ادلطابقة أو تدىورىا اليرجع إُف دقة التنظًن للنموذج ادلقرتح أو عدـ دقتو بقدر‬
‫ما يرجع إُف أثر اتساع أو اطلفاض حجم العينة‪.‬‬
‫(‪Adjusted Goodness of AGFI‬‬

‫ولقد مت اقرتاح مؤشر جودة ادلطابقة ادلصحح‬
‫( ‪ fit Index‬حيث أف ىذا األخًن يعمل على تصحيح ٓنيز مؤشر جودة ادلطابقة (‪)GFI‬‬
‫لصاٌف النموذج ادلعقد اليت تكثر بارامرتاتو احلرة بتضخيم قيمة مطابقتو وذلك ّنراعاة نسبة‬
‫عدد البيانات غًن ادلتكررة (عدد قيم التباين والتغاير) يف مصفوفة بيانات العينة إُف درجات‬
‫احلرية كما ىو واضح يف ادلعادلة التالية‪:‬‬

‫) يدؿ على عدد القيم غًن ادلتكررة (قيم‬

‫حيث أف (‬
‫التغاير والتباين) يف مصفوفة العينة‪ ،‬وأف احلد (‬

‫) يدؿ على درجات‬

‫احلرية للنموذج دلفرتض أو ادلقرتح‪ .‬وادلعادلة ّنا أهنا تصحح قيمة مؤشر جودة ادلطابقة ّنراعاة‬
‫درجات احلرية اليت تزداد كلما قلت البارامرتات احلرة للنموذج ادلفرتض‪ ،‬وتنخفض كلما قل‬
‫عدد البارامرتات احلرة‪ ،‬ولذلك صلد أف ادلعادالت اليت تصحح نتيجة ادلطابقة باستعماؿ معيار‬
‫االقتصاد يف عدد البارامرتات احلرة ادلستعمل يف النموذج ادلفرتض غالبا ما توظف معيار‬
‫درجات احلرية يف تكوين معادؿ مؤشر ادلطابقة‪.‬‬
‫إف مؤش ر جودة ادلطابقة ادلصحح يعدؿ من نتيجة مؤشر جودة ادلطابقة‬
‫(يصححها) بتخفيضها كلما ازداد النموذج ادلفرتض تعقيدا‪ ،‬أي كلما ازدادت عدد بارامرتاتو‬
‫احلرة‪ ،‬عقابا على عدـ اقتصاد النموذج ادلفرتض يف عدد البارامرتات‪ .‬كما أنو يؤدي أيضا إُف‬

‫‪-‬‬

‫تعديل قيمة مؤشر (‪ )GFI‬برفعها ّنقدار اقتصاد النموذج ادلقرتح يف عدد البارامرتات‬
‫ادلستعملة‪.‬‬
‫إف ادلدى النظري دلؤشر (‪ ،)AGFI‬شأنو شأف مؤشر جودة ادلطابقة (‪،)GFI‬‬
‫يرتاوح من الصفر إُف الواحد الصحيح‪ُ ،‬نيث كلما اقرتبت قيمتو من الواحد كلما دؿ ذلك‬
‫على ازدياد مطابقة النموذج ادلقرتح ٓنسنا‪ .‬ينبغي أال تق ل درجة القطع ذلذا ادلؤشر عن ‪0.90‬‬
‫للداللة على توفر مطابقة‪ ،‬وإال دؿ على افتقار النموذج للمطابقة‪ .‬ويقرتح بعض ادلنهجيٌن‬
‫مستوى أكثر صرامة من ذلك والذي يتمثل يف درجة القطع ‪ُ 0.95‬نيث غلب أف يساوي‬
‫مؤشر جودة ادلطابقة ادلصحح (‪ )AGFI‬أويتعداىا للداللة على توفر النموذج ادلقرتح على‬
‫مطابقة(‪.)Schumacker & Lomax, 2004‬‬
‫على الرغم من إف ادلؤشرين احلاليٌن‪ :‬مؤشر جودة ادلطابقة ادلصحح ومؤشر جودة‬
‫ادلطابقة استحدثا يف وقت مبكر كبديل عملي لألسلوب اإلحصائي "مربع كاي" الذي يتػأثر‬
‫ُنجم العينة‪ ،‬أي اقرتحا كمؤشرات مستقلة عن حجم العينة؛ غًن أهنما يتأثراف ُنجم العينة‬
‫ُنيث تزداد قيمتهما ارتفاعا باتساع حجم العينة‪ ،‬وبالتاِف يقلصاف من مستوى مطابقة‬
‫النموذج عندما يقل حجم العينة (‪ .)Bollen, 1990‬ولذلك ينبغي استعماذلما ّنعية مؤشرات‬
‫ادلطابقة األخرى اليت ال تتأثر ُنجم العينة‪ .‬ونظرا لألداء ادلتواضع ذلذين ادلؤشرين بناء على‬
‫الدراسات التقوؽلية القائمة على ادلضاىاة‪ ،‬فإف بعض احلزـ الشهًنة كحزمة "آموس" حذفت‬
‫ىذين ادلؤشرين من قائمة مؤشرات ادلطابقة العديدة (اليت تتجاوز ‪ 03‬مؤشرا) اليت تقوـ‬
‫ُنساشا وتضمينها يف نتائجها اإلحصائية تلقائيا‪.‬‬

‫‪-‬‬

‫مؤشر المطابقة المعياري‬

‫)‪Normed-Fit index (NFI‬‬

‫ومؤشر المطابقة غير المعياري )‪،Non-Normed Fit index (NNFI‬‬
‫أومؤشر تاكر‪-‬لويس )‪.Tucker-Lewis Index (TLI‬‬
‫ويعرؼ أيضا باسم مؤشر ادلطابقة ادلعياري لكل من ينتلر‪ ،‬وبونيت‬

‫‪Bentler-‬‬

‫‪ ،Bonnett normed fit index‬أو يعرؼ أيضا اختصارا بدلتا رقم واحد ‪ .Delta1‬ويعترب من‬
‫مؤشرات التزايدية أو ادلقارنة ‪ ،‬ألنو وعلى غرار مؤشرات ادلقارنة األخرى ‪ ،‬ػلدد موقع ظلوذج‬
‫البحث ادلفرتض على متصل ينطلق من أحد طرفيو من النموذج الذي يفتقر ٕناما إُف ادلطابقة‬
‫والذي يتمثل يف النموذج ادلستقل أو ظلوذج العدـ‪ ،‬إُف النموذج التاـ ادلطابقة الذي يتمثل يف‬
‫النموذج ادلشبع ‪ ،saturated(full or perfect) model‬وبالتاِف يعكس مؤشر ادلطابقة‬
‫ادلعياري )‪ (NFI‬نسبة التحسن يف جودة الطابقة اليت أصلزىا ظلوذج البحث ادلفرتض بادلقارنة‬
‫بادلطابقة الرديئة للنموذج ادلستقل‪ .‬فإذا كاف مؤشر ادلطابقة ادلعياري )‪ (NFI‬يساوي على‬
‫سبيل ادلثاؿ ‪ 0.90‬فمعىن ذلك أف ظلوذج البحث ادلفرتض حسن من مستوى ادلطابقة بنسبة‬
‫مئوية ‪ 90%‬بادلقارنة بالنموذج ادلستقل‪ .‬وبتعبًن آخر‪ ،‬فإف موقع النموذج ادلفرتض على‬
‫ادلتصل الذي يرتاوح من غياب ادلطابقة (النموذج ادلستقل) إُف ادلطابقة التامة (النموذج‬
‫ادلشبع) يوجد على منآى من النموذج ادلستقل ب‪ %02‬وقريبا من النموذج ادلشبع‬
‫ب‪.%12‬‬
‫إف مؤشر ادلطابقة ادلعياري )‪ (NFI‬يقدر مطابقة النموذج ادلفرتض ّنقارنة مطابقة‬
‫النموذج ادلقرتح أو ادلفرتض ّنطابقة النموذج القاعدي ‪ baseline model‬الذي يتجلى عادة‬
‫يف ظلوذج العدـ أو النموذج ادلستقل ‪ ،null/independence model‬وسنسوؽ ادلعادلة التالية‬
‫لتبياف منطق ىذه ادلقارنة‪:‬‬

‫‪-‬‬

‫= ‪NFI‬‬

‫لنالحظ أنو عندما تكوف دالة التوفيق التقليصية (اليت تقدر الفرؽ بٌن مصفوفة‬
‫التغاير للعينة ومصفوفة التغاير القائمة على ظلوذج البحث ادلقرتح) لنموذج البحث ادلقرتح‬
‫) فإهنا تقرتب من الصفر أو تساوي‬
‫ضئيلة (‬
‫صفرا إذا كانت بيانات النموذج ادلقرتح متطابقة مع بيانات العينة أي أف النموذج ادلقرتح‬
‫يتوفر على مطابقة تامة‪ ،‬فإف الكسر الذي يوجد بٌن قوسٌن سيساوي صفرا‪ ،‬وبالتاِف فإف‬
‫مؤشر ادلطابقة ادلعياري )‪ (NFI‬يساوي الواحد الصحيح‪ .‬أي أنو كلما اقرتبت قيمة مؤشر‬
‫ادلطابقة ادلعياري )‪ (NFI‬من الواحد كلما ازدادت مطابقة النموذج ادلقرتح ارتفاعا‪ ،‬وتكوف‬
‫ىذه ادلطابقة تامة عندما يساوي ادلؤشر الواحد الصحيح‪ .‬أما إذا كانت مطابقة النموذج‬
‫ادلقرتح سيئة ُنيث ال ٔنتلف عن درجة ادلطابقة السيئة للنموذج ادلستقل (النموذج الذي‬
‫ػلتوي فقط على تباين ادلؤشرات ادلقاس وحدىا بدوف وجود متغًنات كامنة ترتبط شا والذي‬
‫ؼللو ٕناما من العالقات ادلفرتضة بٌن ادلتغًنات والذي ؽلثل أسوأ "سيناريو" للمطابقة الرديئة)‬
‫‪ ،‬فإف دالة ادلطابقة التقليصية للنموذج ادلقرتح‬
‫تكوف كبًنة وتكوف مساوية تقريبا الدالة التوفيقية التقليضية للنموذج ادلستقل‬
‫‪ ،‬ويرتتب عن ذلك أف نتيجة الكسر داخل‬
‫القوسن ادلتوسطٌن يساوي الواحد‪ ،‬وتصبح قيمة مؤشر ادلطابقة ادلعياري )‪ (NFI‬ػ نتيجة‬
‫ذلك ػ تساوي صفرا‪ .‬شلا يدؿ على أف مطابقة النموذج ادلقرتح رديئة أو منعدمة‪.‬‬
‫وؽلكن إعادة صياغة ادلعادلة السابقة بتوظيف مربع كاي لكل من ظلوذج البحث‬
‫ادلفرتض (‬

‫) و والنموذج ادلستقل‬

‫النحو التاِف‪:‬‬
‫‪-‬‬

‫‪ ،‬على‬

‫= ‪NFI‬‬

‫وقد تتخذ الشكل ادلرادؼ التاِف‪:‬‬
‫= ‪NFI‬‬

‫وترتاوح القيم الناْنة عن استعماؿ ىذه ادلعادلة من الصفر إُف الواحد الصحيح‪.‬‬
‫أما من حيث درجات القطع اليت تفصل بٌن جودة ادلطابقة من اطلفاضها‪ .‬ويوصي بنتلر‪،‬‬
‫وبونيت (‪ )Bentler & Bonnet, 1980‬باستعماؿ درجة القطع ‪ُ 0.90‬نيث ينبغي أف‬
‫تكوف قيم مؤشر ادلطابقة ادلعياري )‪ (NFI‬أكرب من ىذه القيمة للداللة على توفر النموذج‬
‫ادلخترب على جودة ادلطابقة ‪ .‬غًن أف التقوؽلية احلديثة توصى باستعماؿ درجة قطع أكثر‬
‫صرامة من درجة القطع السابق ُنيث غلب أف تكوف قيمة مؤشر ادلطابقة ادلعياري تساوي‬
‫أو أكرب من ‪ ] NFI ≥ 0.95 [ 2,03‬للداللة على توفر النموذج ادلفرتض على جودة‬
‫ادلطابقة (‪ .)Hu & Bentler, 1999‬وعموما‪ ،‬فإف قيمة مؤشر ادلطابقة ادلعياري )‪(NFI‬‬
‫إذا كانت أكرب من ‪ 2,03‬دلت على مطابقة جيدة‪ ،‬وإذا تراوحت قيمتو من ‪ 2,02‬إُف‬
‫‪ 2,03‬دؿ على مطابقة مقبولة أو ال بأس شا‪ ،‬وإذا كانت اٌؿ من ‪ 2,02‬دلت على مطابقة‬
‫منخفضة أو رديئة (‪.)Garson, 2009‬‬
‫ويؤخذ على مؤشر ادلطابقة ادلعياري )‪ (NFI‬افتقاره لدقة تقدير مطابقة النموذج‬
‫ادلفرتض عندما يكوف حجم العينة صغًنا ُنيث يقلص من حظوظ جودة مطابقة النموذج‬
‫عندما يكوف حجم العينة أقل من ‪ 022‬فردا (‪.)Mulaik et al., 1989; Bentler, 1990‬‬
‫كما أف ىذا ادلؤشر ال يراعي اقتصاد النموذج ادلفرتض يف عدد الربامرتات اليت يستعملها يف‬

‫‪-‬‬

‫التفسًن‪ .‬فإذا تكافأ ظلوذجاف يف مستوى ادلطابقة فيفضل عادة النموذج الذي ػلقق ىذه‬
‫ادلطابقة بأقل بارامرتات (النموذج األبسط) من النموذج الذي ػلقق ذات ادلطابقة بأقصى‬
‫عدد من البارامرتات (النموذج األكثر تعقيدا)‪ ،‬ألف األوؿ حقق ذات الفعالية مقتصدا يف‬
‫عدد الكتغًنات اليت ٓنتاج إُف تقدير‪ ،‬أي زلققا مبدأ االقتصاد يف ادلتغًنات أو الباردلرتات‪.‬‬
‫غًن أف مؤشر ادلطابقة ادلعياري )‪ (NFI‬يفضل النموذج غًن االقتصادي (ادلعقد) عن‬
‫النموذج االقتصادي‪ُ ،‬نيث تبدو مطابقة النموذج ادلعقد غًن االقتصادي أفضل من مطابقة‬
‫النموذج غًن ادلعقد االقتصادي على الرغم من تكافئهما يف مستوى ادلطابقة‪ .‬فكلما ازدادت‬
‫برامرتات النموذج‪ ،‬ارتفعت قيمة مؤشر ادلطابقة ادلعياري )‪ ،(NFI‬وبالتاِف يبدوا النموذج ذا‬
‫مطابقة جيدة‪ .‬لكن إذا روعي مبدأ االقتصاد يف عدد الربامرتات ادلستعملة يف النموذج فقد ال‬
‫يرقى ىذا النموذج إُف مستوى مقبوؿ من ادلطابقة‪.‬‬
‫ولقد مت تصحيح ىذا القصور باستحداث مؤشر ادلطابقة غًن ادلعياري‬
‫‪ (NNFI) Bonnet) Non-Normed Fit Index‬وىي التسمية ادلستعملة يف احلزمة اإلحصائية‬
‫‪(Bentler-‬‬

‫ادلعروفة بليزرؿ ‪ ،Lisrel‬واحلزمة اإلحصائية ادلعروفة بإيكيوز ‪ ،EQS‬ويعرؼ أيضا بؤشر تاكر‪-‬‬
‫لويس )‪ Tuker-Lewis Index (TLI‬وىي التسمية اليت اعتمتها احلزمة اإلحصائية ادلعروفة‬
‫باسم آموس ‪( Amos‬واحلزـ الثالث ذات شهرة واستعماؿ واسعٌن)‪ .‬كما يعرؼ أيضا ّنؤشر‬
‫"رو" لتاكر‪ ،‬ولويس )‪.Tuker-Lewis rho index (RHO2‬‬
‫إف مؤشر ‪ NNFI‬أو مؤشر يؤخذاف درجات احلرية بعٌن االعتبار كما تدؿ على‬
‫ذلك معادلة مؤشر ‪ NNFI‬التالية‪:‬‬

‫‪-‬‬

‫كما أف صيغة موشر ‪ TLI‬ىي كالتاِف‪:‬‬

‫والسبب يف توظي ؼ درجات احلرية للنموذج ادلفرتض وذلك ألخذ تعقيد‬
‫النموذج بعٌن االعتبار ػليث يصحح درجة افتقار النموذج للالقتصاد يف ادلتغًنات أو‬
‫الربامرتات وذلك عن طريق مراعاة درجات احلرية‪ .‬ذلك أنو كلما ازداد النموذج ادلفرتض‬
‫تعقيدا اطلفضت درجات حريتو‪ ،‬وذلك لكثرة عدد البارامرتات اليت ٓنتاج إُف تقدير‪ ،‬وكلما‬
‫قل تعقيد النموذج ارتفعت درجات حرتو وذلك لقلة الربامرتات اليت ٓنتاج إُف تقدير‪ .‬ولذلك‬
‫أخذت درجات احلرية للنموذج ادلفرتض بعٌن االعتبار يف ادلعادلة لكوهنا قرينة على مدى‬
‫تعقيد أوبساطة النموذج‪ .‬إف ادلؤشرين ادلرتادفٌن‪ NNFI :‬و‪ TLI‬ينطوياف يف معادلتهما‬
‫اليت تأخ عٌن االعتبار يف مقارمنتها بٌن النمذج ادلفرتض بالنموذج ادلستقل درجات احلرية‬

‫‪-‬‬

‫ذلما عملية تصحيح نتيجة ادلطابقة بناء على مدى اقتصادىا أو إفراطها يف الربامرتات‬
‫ادلستعملة يف النموذج ادلفرتض‪.‬‬
‫أما بالنسبة لدرجة القطع‪ ،‬فعلٍن الرغم من أف درجة القطع ‪ 2,2‬استعملت‪ ،‬ألف‬
‫قيم ادلؤشرين ‪ NNFI‬و‪ TLI‬تكوف غالبا أقل من بعض مؤشرات ادلطابقة األخرى ( أقل من‬
‫قيمة مؤشر ‪ GFI‬مثال)‪ ،‬غًن أف التوصية اليت حازت على قبوؿ واسع انبثقت من دراسة‬
‫"ىيو" و "بينتلر" (‪ )Hu & Bentler, 1999‬اليت تفيد بأف درجة القطع ينبغي أف تكوف‬
‫‪( 2,03‬أي ‪ .) TLI/NNFI≥0.95‬ومع ذلك ما زاف درجة القطع اليت تفصل بٌن ادلطابقة‬
‫ادلقبولة وادلطابقة ادلنخفضة واليت ما زات دراجة االستعماؿ ىي ‪ُ .2,0‬نيث إذا كانت فيمة‬
‫ادلؤشر تسوي أو أكرب من ‪ 2,0‬تعترب مطابقة النموذج معقولة‪ ،‬وإذا كانت ساوات أو تعدت‬
‫‪ 2,03‬تعترب درجة مطابقة النموذج جيدة‪ ،‬وإذا اطلفضت عن درجة القطع ‪ 2,02‬فإف‬
‫النموذج يعتًن مفتقرا للمطابقة وػلتاج إُف إعادة بنائو أو تعديلو‪.‬‬
‫ومع ذلك لوحظ أف استعماؿ ادلؤشرين‬

‫‪NNFI‬‬

‫و‪ TLI‬يؤدي إُف تقدير مطابقة‬

‫النموذج ادلقرتح باعتباره منخفض ادلطابقة يف حٌن أف مؤشرات ادلطابة األخرى تشًن إُف أف‬
‫النموذج جيد ادلطابقة× وذلك يف حالة استعماؿ عينات صغًنة ( ‪Bentler, 1990; Kline,‬‬
‫‪ .)2005; Tabachnick & Fidell, 2007‬كما توجد صعوبة أخرى ارتبط باستعماؿ ىذين‬
‫ادلؤشرين وتتجلى يف أف حدعلا األقصى ال ينتهي عند الواحد الصحيح بل يتعداه أحيانا‪ ،‬شلا‬
‫يصعب من عملية تأويلو (‪.)Byrne, 1998‬‬

‫‪-‬‬

‫مؤشر المطابقة المقارن‬ ‫)‪Comparative Fit index (CFI‬‬ ‫مؤشر ادلطابقة ادلقارف )‪ ،the Comparative Fit index (CFI‬ويعرؼ أيضا‬ ‫باسم مؤشر ادلطابقة ادلقارف لبنتلر ‪ .‬مث يقارف بٌن مدى مطابقة ظلوذج البحث ادلفرتض ّنطابقة النموذج ادلستقل‬ ‫لبيانا ت العينة‪ ،‬وذلك لقياس نسبة مدى االفتقار جلودة ادلطابقة كلما اقرتب من النموذج‬ ‫ادلستقل‪ .‬وينبغي أف تكوف جودة مطابقتو أفضل من جودة مطابقة النموذج ادلستقل باعتباره‬ ‫النموذج الضعيف يف ٓنديد العالقات بٌن ادلتغًنات ما داـ ال ينطوي أصال على عالقات بٌن‬ ‫ادلتغًنات‪ ،‬إذا يفرتض أهنا كلها عالقات معدومة‪.‬أي يدرس مدى تطابق (اقرتابو أو ابتعاده) بيانات النموذج ادلفرتضة اليت‬ ‫ىي بشكل مصفوفة التباين والتغاير ببيانات العينة اليت تتخذ أيضا شكل مصفوفة التباين‬ ‫والتغاير‪ ،‬كما يدرس يف ذات الوقت مدى التطابق بٌن البيانات ادلشتقة من النموذج الصفري‬ ‫أو ادلستقل (مصفوفة التغاير والتباين للنموذج ادلستقل) وبيانات العينة‪ ،‬أي مصفوفة التباين‬ ‫والتغاير للعينة‪ .‬‬ ‫ويقوـ ىذا ادلؤشر على التوزيع الالمركزي‬ ‫‪central 2 -distribution‬‬ ‫الذي‬ ‫ؼلتلف عن توزيع مربع كاي الذي يفرتض وجود مطابقة تامة يف حٌن أف التوزيع الالمركزي‬ ‫‪ non-central 2 -distribution‬فيقوـ على بيانات االفتقار للمطابقة أو ادلطابقة التقريبية‬ ‫وليست التامة‪ ،‬باعتبار أف النماذج ادلفرتضة ىي بناءات نظرية تقريبية وليست صحيحة‬ ‫صحة تامة‪ ،‬وبالتاِف فادلؤشرات القائمة على التوزيع غًن ادلركزي دلربع كاي أكثر واقعية من‬ ‫‪-‬‬ .the Bentler Comparative Fit index‬ويقوـ منطقو‬ ‫على مقارنة مطابقة ظلوذج البحث ادلفرتض ّنطابقة النموذج الصفري أو ادلستقل الذي‬ ‫يفرتض أف متغًناتو (ادلؤشرات أو ادلؤشرات ادلقاسة والعوامل أو ادلتغًنات الكامنة مستقلة‬ ‫فيما أو غًن مرتبطة‪ .

)NCP‬‬ ‫= ‪CFI‬‬ ‫ويدؿ الكسر على نسبة "دلتا" لنموذج البحث ادلفرتض إُف "دلتا" للنموذج‬ ‫ادلستقل اخلاِف من العالقات بٌن متغًناتو‪ .‫التوزيع ادلركزي دلربع كاي حيث أف ىذا األخًن يقوـ على مسلمة قدرة النموذج ادلفرتض على‬ ‫ادلطابقة التامة وليست النسبية‪.‬‬ ‫ودلا كاف ىذا ادلؤشر يقوـ على التوزيع غًن ادلركزي الذي يقيس مدى افتقار‬ ‫النموذج للمطابقة‪ ،‬ولذلك تقوـ معادلتو على البارامرت الالمركزي الذي يرمز لو عادة بدلتا‬ ‫‪ ‬الذي سبق التطرؽ إليو عند شرح البارامرت الالمركزي (‪.‬أي نسبة وحدات مدى افتقار النموذج ادلفرتض‬ ‫للمطابقة إُف وحدات مدى افتقار النموذج ادلستقل للمطابقة‪ .‬وبالتاِف فكلما اطلفضت قيمة‬ ‫البارامرت الالمركزي‪" :‬دلتا" للنموذج ادلفرتض بالنسبة لقيمة البارامرت الالمركزي للنموذج‬ ‫ادلستقل‪ ،‬كلما ارتفعت قيمة مؤشر ادلطابقة ادلقارف ‪ ،CFI‬وبالتاِف يتحسن مستوى جودة‬ ‫ادلطابقة للنموذج ادلفرتض‪ .‬وؽلكن تقدير البارامرت الالمركزي دلتا للنموذج ادلفرتض والنموذج‬ ‫ادلستقل بتوظيف قيمة مربع كاي ودرجات احلرية ذلما كما يلي‪:‬‬ ‫إف مؤشر ادلطابقة ادلقارف‬ ‫‪CFI‬‬ ‫ػ شأنو شأف مؤشرات ادلطابقة التزايدية‬ ‫‪ incremental fit indices‬أو مؤشرات ادلطابقة ادلقارنة ‪ comparative fit indices‬ػ يقدر‬ ‫‪-‬‬ .

Bentler.‫مدى التحسن النسع يف جودة مطابقة ظلوذج البحث ادلفرتض مقارنة بالنموذج القاعدي أو‬ ‫ادلرجعي ‪ baseline model‬الذي يتمثل عادة يف النموذج ادلستقل‬ ‫أو ظلوذج العدـ ‪ ،null model‬الذي يعترب أسوء ظلوذج من حيث جودة ادلطابقة خللوه من‬ ‫العالقات بٌن متغًناتو‪ ،‬وقيامو على مسلمة غياب العالقات بٌن ادلتغًنات ادلقاسة على‬ ‫مستوى اجملتمع‪ . 1989.‬‬ ‫إف مؤشر ادلطابقة ادلقارف‬ ‫‪CFI‬‬ ‫‪ ،‬يعترب مؤشرا منقحا دلؤشر ادلطابقة ادلعياري‬ ‫)‪ ،nomed fit index (NFI‬ألف ىذا األخًن يتأثر ُنجم العينة‪ ،‬ويقلّص من حظوظ جودة‬ ‫مطابقة النموذج عندما يكوف حجم العينة صغًنا‪ ،‬أي يكوف حجمها أقل من ‪ 022‬فردا‬ ‫(‪ ،)Mulaik et al.90‬نيث أف‬ ‫مؤشر ادلطابقة ادلقارف ‪ CFI‬إذا كاف يساوي أو أعلى من ‪ 0.90‬دؿ ذلك على أف النموذج‬ ‫يتوفر على مطابقة‪ ،‬أما إذا كانت قيمتو دوف ذلك ( دوف ‪ )0..‬غًن أف درجة القطع أو‬ ‫القيمة اليت تفصل بٌن وجود مطابقة من عدمها حددت يف السابق بالقيمة ‪ُ ،0.90‬فمطابقة النموذج تعترب‬ ‫رديئة‪ .‬ودلا كاف النموذج ادلستقل أو ظلوذج العدـ يقوـ على افرتاض استقالؿ‬ ‫‪independence model‬‬ ‫ادلتغًنات‪ ،‬وغياب أية عالقة فيما بينها‪ ،‬فإف قيمة مربع كاي ذلذا النموذج‬ ‫تكوف مرتفعة جدا مقارنة بقيمة مربع كاي لنموذج البحث ادلفرتض‬ ‫‪ ،‬إذ كلما كانت قيمة مربع كاي لنموذج البحث أصغر من قيمة مربع‬ ‫كاي للنموذج ادلستقل الرديء ادلطابقة‪ ،‬كلما دؿ ذلك على حيازة النموذج ادلفرتض على‬ ‫ٓنسن يف جودة ادلطابقة مقارنة بالنموذج ادلستقل الردي ء ادلطابقة‪. 1990‬يف حٌن أف مؤشر ادلطابقة ادلقارف ‪ CFI‬ػلافظ‬ ‫على دقتو يف تقدير مطابقة النموذج سواء أكانت العينات كبًنة أـ صغًنة‪.‬‬ ‫إف قيمة مؤشر ادلطابقة ادلقارف ‪ CFI‬ترتاوح من الصفر إُف الواحد الصحيح‪ُ ،‬نيث‬ ‫أف القيمة القريبة من الواحد تدؿ على أف مطابقة النموذج جيدة‪ .‬غًن أف الدراسات احلديثة أظهرت ضرورة الرفع من درجة القطع ( أف تكوف أعلى من‬ ‫‪-‬‬ .

()CFI ≥ 0.‬‬ ‫‪-‬‬ .‬وبتعبًن آخر قبوؿ ظلوذج البحث باعتباره صحيحا (مطابقة‬ ‫كافية) على الرغم من عدـ كفاية أو اطلفاض مطابقتو‪ .‬ودرجة القطع اليت أصبحت‬ ‫الدراسات ٕنيل إُف تبنيها ىي ‪ 0.90‬لتاليف الوقوع يف اخلطأ من النوع الثاين يف اختبار الفرضية الصفرية‪ ،‬أي اعتبار الفرضية‬ ‫صحيحة وىي يف احلقيقة خاطئة‪ .)1999‬أي غلب أف يكوف مؤشر‪ CFI‬مساويا أو أعلى من ‪ 0.95‬أو أعلى منها (‪Hu & Bentler.‫‪ )0.95‬‬ ‫‪ .95‬لكي تقبل مطابقة‬ ‫النموذج‪ ،‬أي يعترب النموذج حائزا على جودة ادلطابقة‪.

‫انفـصم انضادس‬ ‫فصم إرشائِ‪:‬‬ ‫حهخْص خطٌاث انخحهْم انؼايهِ‬ ‫االصخكشايف‪ً ،‬حطبْقو ػهَ يزال حفصْهِ‬ ‫‪-‬‬ .

- .

‬‬ ‫وبالتاِف فاستعماؿ ادلصطلح أو ادلتغًن بدوف االلتفات إُف مكوناتو ال ْنعلنا نقف على‬ ‫حقيقة ادلفهوـ من جهة‪ ،‬وال تزودنا بصورة دقيقة وتفصيلية عن عالقتو بادلتغًنات األخرى‬ ‫ما أوجو االستعمال العملية للتحليل العاملي؟‬ ‫‪1‬ػ اسرتاتيجية لتقليص عدد ادلتغًنات أو ادلؤشرات اليت تستعمل جلمع البيانات مثل‬ ‫االستبياف‪ .‬‬ ‫‪0‬ػ الكشف عن ادلساحة ادلشرتكة من الداللة أو ادلعىن (العالقة) اليت تشرتؾ فيها (القاسم‬ ‫ادلشرتؾ) بٌن عدد من الفقرات أو ادلتغًنات‪ .‬‬ ‫فادلفاىيم يف العلوـ االجتماعية والنفسية واإلدارية وغًنىا تبقى‬ ‫مصطلحات مكثفة لعدد من ادلكونات‪ .‬‬ ‫ما ىو التحليل العاملي؟‬ ‫• التحليل العاملي طريقة إحصائية لتحليل ادلفاىيم وادلتغًنات إُف مكوناهتا أو أبعادىا‬ ‫أو عواملها‪.‬فالتحصيل مثال تعبًن مكثف لعدد من ادلكونات‬ ‫اليت تؤلف التحصيل كادلعرفة أو التذكر‪ ،‬والفهم‪ ،‬والتطبيق‪ ،‬والتحليل‪ ،‬والرتكيب والتقوًن‪.‬فاستبياف الرضا الوظيفي الذي الذي‬ ‫‪-‬‬ .‬وبالتاِف فدراسة الرضا الوظيفي يتم باستعماؿ ادلتغًنات أو األبعاد اخلمسة ما‬ ‫دامت ٕنثل جل ادلعلومات اليت تنطوي عليها الفقرات األربعٌن على اختالفها‪.‫ػشض حهخْصِ خلطٌاث ًإصشاءاث انخحهْم انؼايهِ‬ ‫االصخكشايف‪.‬فاستبياف الرضا الوظيفي مثال ينطوي على عديد من الفقرات‪ ،‬وىذه‬ ‫الفقرات العديدة (‪ 12‬فقرة مثال) ٔنتزؿ إُف عدد زلدود (‪ 3‬متغًنات مثال) ٕنثل كافة‬ ‫الفقرات‪ .

‬‬ ‫ما أنواع التحليل العاملي؟‬ ‫• التحليل العاملي االستكشافي‬ ‫‪EFA: Explorative Factor Analysis‬‬ ‫– طريقة ادلكونات األساسية‬ ‫– الطرؽ القائمة على التباين ادلشرتؾ ومن أعلها ‪:‬‬ ‫‪PCA: Principal Component Analysis‬‬ ‫• طريقة احملاور األساسية‬ ‫• طريقة االحتماؿ األقصى ‪Maximum Likelihood‬‬ ‫‪PAF: Principal Axis Factoring‬‬ ‫• التحليل العاملي التوكيدي‬ ‫‪CFA: Confirmative Factor Analysis‬‬ ‫ويتطلب أف ػلدد الباحث سلفا ظلوذجو النظري العاملي (طبيعة العوامل‪،‬‬ ‫ادلؤشرات اليت تتشبع على عامل معٌن والعالقات بٌن العوامل ذاهتا للتأكد من مدى مطابقتو‬ ‫‪-‬‬ .‬ومن أنواع الصدؽ صدؽ ادلفهوـ‪ .‫ػلتوي على ‪ 12‬فقرة فقد يكوف القاسم ادلشرتؾ يف الداللة ؿ‪ 10‬فقرة ظروؼ العمل‪،‬‬ ‫وادلساحة ادلشرتكة ؿ‪ 12‬فقرات أخرى العالقات ‪ ،‬وادلساحة ادلشرتكة ؿ‪ 2‬فقرات‬ ‫أخرى احلوافز ادلادية وادلعنوية‪ ،‬وأخًنا ادلساحة ادلشرتكة بٌن ‪ 12‬فقرات أخرى طبيعة‬ ‫العمل يف حد ذاتو‪ .‬ومن إجراءات قياس صدؽ ادلفهوـ‬ ‫استعماؿ الصدؽ العاملي للكشف عن البنية العاملية (عدد العوامل وظلط تشبعات‬ ‫الفقرات عليها) للمقياس ادلستعمل‪.‬ومعىن ذلك أف الفقرات األربعوف تشرتؾ يف أربع مساحات من‬ ‫الداللة (ادلعلومات أو العالقات) وكل مساحة ٕنثل عامال أو بعدا كامنا للرضا‬ ‫الوظيفي‪ :‬بعد أو عامل ظروؼ العمل‪ ،‬عامل العالقات‪ ،‬عامل احلوافز‪ ،‬عامل طبيعة‬ ‫العمل‪.‬‬ ‫‪ 3‬ػ الصدؽ العاملي‪ :‬إف أي أداة ُنث غلب أف تتوفر على مستوى كاؼ من الثبات‬ ‫والصدؽ‪ .

3‬‬ ‫‪-‬‬ .‫للبيانات‪ ،‬بعكس التحليل العاملي االستكشايف الذي يتم فيو التعرؼ على العوامل‬ ‫(استكشافها) والفقرات اليت تتشبع عليها بعد إجراء التحليل العاملي‪.‬‬ ‫رابعا ػ حساب الدرجات العاملية لكل فرد‪ ،‬أي درجة كل فرد على كل عامل من العوامل‬ ‫ادلستخرجة‪.‬‬ ‫ثانيا ػ اختيار طريقة من طرؽ التحليل العاملي وتطبيقها‪.‬‬ ‫الخطوة أو المرحلة األولى‪ :‬فحص ما إذا كانت العينة كافية‪ ،‬وما إذا كانت مصفوفة‬ ‫االرتباطات قابلة للتحليل العاملي أم ال ‪.‬‬ ‫ما ىي خطوات التحليل العاملي االستكشافي؟‬ ‫أوال ػ فحص ما إذا كانت عينة الدراسة كافية‪ ،‬وما إذا كانت مصفوفة االرتباطات قابلة‬ ‫للتحليل العاملي أـ ال ‪.) 2.‬‬ ‫السؤاؿ الرئيس‪ :‬ىل العينة اليت أجريت عليها الدراسة كافية‪ ،‬وىل مصفوفة‬ ‫االرتباطات اليت ينطلق منها التحليل العاملي االستكشايف تتوفر على حد أدىن من العالقات‬ ‫بٌن ادلتغًنات؟‬ ‫أوالػ توفر حزمة ‪ SPSS‬طريقة مناسبة للتأكد من كفاية حجم العينة تتمثل يف اختبار كيزر‪-‬‬ ‫ميًن_اولكٌن لكفاية العينة‬ ‫‪Kaiser-Meyer-Olkin of sampling adequacy‬‬ ‫)‪(KMO-test‬‬ ‫وتعترب العينة مناسبة حجما إذا كانت قيمة اختبار ‪ KMO-test‬أكرب من (‬ ‫‪.‬‬ ‫ثالثا ػ إجراء التدوير ادلتعامد أو ادلائل شدؼ احلصوؿ على عوامل ذات معىن‪.

Multicollinearity‬‬ ‫إذا كاف احملدد يساوي صفرا أو أقل من القيمة أعاله دؿ ذلك على أف‬ ‫ادلصفوفة ىي من النوع ادلنفرد ‪ .‬‬ ‫ومصفوفة الوحدة ىي ادلصفوفة اليت تكوف فيها قيم عناصر اخلاليا القطرية الرئيسية‬ ‫مساوية للواحد الصحيح‪ ،‬يف حٌن أف قيم اخلاليا غًن القطرية لكافة ادلصفوفة‬ ‫تساوي صفرا‪.‬ومن أمثلة‬ ‫ادلصفوفة اليت تنطوي على اعتماد خطي أف تدؿ بعض أعمدة ادلصفوفة على فقرات‬ ‫ادلقياس وبعضها اآلخر على رلموع درجات فقرات زلاور ادلقاييس وأف يدؿ زلور‬ ‫آخر على رلموع الدرجات على مستوى ادلقياس‪ .‫ثانيا ػ غلب أف تكوف القيمة ادلطلقة حملدد مصفوفة االرتباطات أكرب من (‪ )0.‬أما إذا ٕنكنا من رفض الفرضية الصفرية باستعماؿ اختبار بارتليت‪ ،‬فمعىن‬ ‫‪-‬‬ .00001‬وإال‬ ‫دؿ ذلك على وجود اعتماد خطي ‪ linear dependency‬بٌن الصفوؼ أو بٌن‬ ‫األعمدة‪ ،‬أو وجود ارتباطات مرتفعة غًن حقيقية بٌن بعض ادلتغًنات‬ ‫‪.‬‬ ‫ثالثاػ ينبغي أف تكوف مصفوفة معامالت االرتباط سلتلفة عن مصفوفة الوحدة‪ ،‬باستعماؿ‬ ‫اختبار برتليت ‪ Bartlett’s test of Sphericity‬الذي غلب أف يكوف داال إحصائيا‪.‬ومن العوامل اليت تسبب ىذا‬ ‫االعتماد تداخل فقرات ادلقياس وتشاشها الكبًن‪ ،‬أو اشتقاؽ مقاييس فرعية (أعمدة‬ ‫يف ادلصفوفة ) من نفس ادلفردات أو األسئلة أو العبارات‪.singular matrix‬وتدؿ ىذه ادلصفوفة على وجود‬ ‫مشكلة االعتماد اخلطي لبعض ادلتغًنات‪ .‬أي أف عمود أو أعمدة يف مصفوفة‬ ‫االرتباطات ؽلكن اشتقاقها من األعمدة األخرى (مثال ضرب عمود بعدد ثابت) أو‬ ‫عن طريق الدمج اخلطي لبعض األعمدة (عن طريق اإلضافة أو الطرح)‪ .‬فإذا فشلنا يف رفض الفرضية الصفرية بأف ادلصفوفة االرتباطية ىي‬ ‫مصفوفة وحدة‪ ،‬فيجب التوقف عن متابعة تطبيق التحليل العاملي على ادلصفوفة‬ ‫االرتباطية‪ .

‬‬ ‫إف ادلتغًنات اليت ضلللها (كأف تكوف فقرات استبياف مثال) تنطوي على قدر من‬ ‫التباين وأقصى التباين الذي يؤلف ادلتغًن أو فقرة يساوي الواحد الصحيح‪.‬‬ ‫‪‬‬ ‫التباين الفريد ‪ Unique Variance‬وىو التباين الذي ال يشرتؾ فيو ادلتغًن أو الفقرة‬ ‫مع ادلتغًنات أو الفقرات األخرى وينقسم بدوره إُف نوعٌن‪:‬‬ ‫‪Common Variance‬‬ ‫وؽلثل ادلساحة ادلشرتكة أو القاسم ادلشرتؾ‬ ‫• التباين اخلاص ‪( Specific Variance‬بالفقرة أو ادلتغًن) وىو‬ ‫التباين الذي تنفرد بو الفقرة (أو ادلتغًن) ويشكل ىويتها وؽليزىا‬ ‫عن باقي الفقرات أو ادلتغًنات‪.‬‬ ‫الخطوة أو المرحلة الثانية‪ :‬اختيار طريقة الستخراج العوامل من الطرق العديدة التي‬ ‫يتيحها ‪ ،SPSS‬وطريقة تحديد عدد العوامل المستخرجة‪:‬‬ ‫السؤاؿ الرئيس‪ :‬كيف طلتار الطريقة ادلناسبة لالستخراج العوامل من ضمن طرؽ‬ ‫االستخراج العديدة ادلتاحة؟‬ ‫ي مصطلحات أساسية تفيد في اختيار طريقة استخراج العوامل‬ ‫ادلادة اخلاـ اليت ػلللها اإلحصاء لقياس العالقات اختالؼ الدرجات وتفاوهتا‬ ‫(وبتعبًن فين تباين الدرجات)‪.‫ذلك أف ادلصفوفة االرتباطية تتوفر على احلد األدىن من االرتباطات اليت ْنعلها قابلة‬ ‫للتحليل العاملي‪.‬‬ ‫‪-‬‬ .‬‬ ‫ويقسم ىذا التباين العاـ الذي يؤلف ادلتغًنات اليت ندرسها إُف نوعٌن‪:‬‬ ‫‪‬‬ ‫التباين ادلشرتؾ‬ ‫بٌن الفقرات أو ادلتغًنات‪.

‬‬ ‫ي ما ىي محكات تحديد عدد العوامل المستخرجة؟‬ ‫‪-‬‬ ‫‪Unweighted‬‬ .consistency‬‬ ‫‪Cronbach’s Alpha for internal‬‬ ‫ي ما عالقة المصطلحات السابقة بطرق استخراج العوامل؟‬ ‫ؽليز عادة بٌن طرؽ استخراج (حساب) العوامل على أساس نوع التباين ادلستعمل‬ ‫يف ادلتغًنات أو الفقرات‪ :‬ىل يستعمل التباين الكلي للمتغًن أـ يستعمل التباين ادلشرتؾ‪،‬‬ ‫ويهمل التباين الفريد (التباين اخلاص وتباين اخلطأ)‪ .‬وبالتاِف يوجد صنفاف‪:‬‬ ‫‪‬‬ ‫طريقة ادلكونات األساسية أو الرئيسية‬ ‫)‪ Analysis(PCA‬وتستعمل التباين الكلي ّنا يف ذلك التباين اخلاص‬ ‫وتباين اخلطأ‪.‬ومن أمثلتها‪:‬‬ ‫‪o‬‬ ‫‪o‬‬ ‫‪o‬‬ ‫طريقة احملاور األساسية‬ ‫‪Principal Axis Factoring‬‬ ‫األقصى‪Maximum Likelihood‬‬ ‫طريقة االحتماؿ‬ ‫طريقة الربعات الصغرى غًن ادلوزونة‬ ‫‪ Least Squares‬وغًنىا‪.‬‬ ‫‪‬‬ ‫طرؽ ٓنليل التباين ادلشرتؾ‬ ‫‪Principal Components‬‬ ‫)‪Common Factor Analysis(CFA‬‬ ‫وتستعمل التباين ادلشرتؾ يف التحليل أي تصفي الفقرات أو ادلتغًنات من‬ ‫تباين اخلطأ والتباين اخلاص‪ .‫• تباين اخلطأ‬ ‫‪Error Variance‬‬ ‫أو خطأ القياس ويقدر حجمو‬ ‫‪Reliability‬‬ ‫والسيما معامل ألفا‬ ‫باستعماؿ الثبات‬ ‫لالتساؽ الداخلي‬ ‫‪.

‬‬ ‫‪ .3‬نسبة التباين الرتاكمي ادلفسر بعد كل عدد مستخرج من العوامل الذي‬ ‫ينبغي أف يتعدى ‪ 32‬بادلائة من التباين اإلٗناِف‪.1‬قيم الشيوع أو االشرتاكيات للفقرات أو ادلتغًنات ينبغي أف تكوف كافية‪.‬ولكي يتسىن تاويل العوامل يلجا إُف استعماؿ‬ ‫عملية تدوير الذي يتم وفقا لفلسفتٌن أو مبدأين‪ :‬التدوير ادلتعامد ‪Orthogonal rotation‬‬ ‫الذي ػلتفظ على استقاللية العوامل‪ ،‬والتدوير ادلائل ‪ Oblique rotation‬الذي يأخذ بعٌن‬ ‫االعتبار ارتباط العوامل‪.‬‬ ‫‪ .‬‬ ‫‪ .‬‬ ‫عند استخراج العوامل‪ ،‬وٓنديد عددىا‪ ،‬غالبا ما تفتقر العوامل إُف معىن وداللة‬ ‫نظرية ألف العوامل مت استخراجها وفقا حملكات رياضية زلضة وليس على أساس داللة‬ ‫ادلتغًنات او الفقرات اليت تتشبع على العوامل‪ .‫‪ .0‬منحىن ادلنحدر‬ ‫‪Scree Plot‬‬ ‫‪ .1‬زلك كايزر_جتماف‬ ‫‪Kaiser-Guttman Rule‬‬ ‫‪ :‬غلب أف يكوف اجلذر‬ ‫الكامن ‪ Eigenvalue‬أكرب من الواحد الصحيح‪.3‬قابلية عدد العوامل ادلستخرجة للتفسًن وإضفاء داللة نظرية عليها‬ ‫الخطوة أو المرحلة الثالثة‪ :‬إجراء التدوير المتعامد أو المائل بهدف الحصول على‬ ‫عوامل ذات معنى‪.‬‬ ‫‪-‬‬ .

2009‬‬ ‫عذ‪ٚ‬ي (‪ )15‬اعزج‪١‬بْ لٍك اإلؽصبء ػٕذ اعزخذاَ ؽضِخ ‪.SPSS‬‬ ‫غ‪١‬ش‬ ‫ِ‪ٛ‬افك‬ ‫ئغاللب‬ ‫فمشاد االعزج‪١‬بْ‬ ‫‪1‬ـ ػٍُ اإلؽصبء ‪٠‬جى‪ٟٕ١‬‬ ‫‪ 2‬ـ ع‪١‬ؼزمذ أصذلبئ‪ ٟ‬إٔٔ‪ ٟ‬غج‪ٌ ٟ‬ؼذَ لذسر‪ ٟ‬ػٍ‪ٝ‬‬ ‫إٌغبػ ف‪ ٟ‬اٌزؼبًِ ِغ ‪SPSS‬‬ ‫‪ 3‬ـ االٔؾشافبد اٌّؼ‪١‬بس‪٠‬خ رضػغٕ‪.‬‬ ‫‪ 6‬ـ خجشر‪ ٟ‬لٍ‪ٍ١‬خ ف‪ ٟ‬اٌزؼبًِ ِغ ع‪ٙ‬بص اٌؾبعت‪.ٟ‬‬ ‫‪ 4‬ـ أؽٍُ ثأْ اٌؼبٌُ "ث‪١‬شع‪ٙ٠ "ْٛ‬بعّٕ‪ ٟ‬ثّؼبِالد‬ ‫اسرجبغ‪.‬‬ ‫‪ 7‬ـ عّ‪١‬غ اٌؾ‪ٛ‬اعت رىشٕ٘‪.‬‬ ‫‪ 11‬ـ دساعبر‪ ٟ‬ف‪ ٟ‬اٌش‪٠‬بظ‪١‬بد ف‪ ٟ‬اٌّذسعخ ع‪١‬ئخ عذا‪.‬‬ ‫‪ 11‬ـ اٌؾ‪ٛ‬اعت ِف‪١‬ذح ِٓ أعً األٌؼبة فمػ‪.‫حطبْق إصشاءاث انخحهْم انؼايهِ االصخكشايف ػهَ يزال ػًهِ باصخؼًال حزيت‬ ‫‪SPSS‬‬ ‫أراد الباحث أف يتعرؼ على البنية العاملية اليت ٕنثل مفهوـ قلق اإلحصاء عند‬ ‫استعماؿ حزمة ‪ ،SPSS‬أي الكشف عن العوامل الكامنة اليت ٕنثل أشكاؿ القلق عند تعلم‬ ‫كيفية استخداـ بررلية ‪ .ٟ‬‬ ‫‪ 8‬ـ ٌُ أوٓ ع‪١‬ذا أثذا ف‪ ٟ‬اٌش‪٠‬بظ‪١‬بد‬ ‫‪ 9‬ـ أصذلبئ‪ ٟ‬أفعً ِٕ‪ ٟ‬ف‪ ٟ‬اإلؽصبء‪.‬‬ ‫‪ 5‬ـ أٔب ال أف‪ ُٙ‬اإلؽصبء‪.‬‬ ‫‪ 12‬ـ ‪٠‬ؾب‪ٚ‬ي إٌبط ئلٕبػ‪ ٟ‬أْ ‪٠ SPSS‬غؼً اإلؽصبء‬ ‫‪-‬‬ ‫غ‪١‬ش‬ ‫ِ‪ٛ‬افك‬ ‫غ‪١‬ش‬ ‫ِزأوذ‬ ‫ِ‪ٛ‬افك‬ ‫ِ‪ٛ‬افك‬ ‫رّبِب‬ .)Field.SPSS‬وصمم االستبياف ادلبٌن يف اجلدوؿ (‪ )13‬وطبقو على عينة‬ ‫كبًنة قوامها ‪ 034‬طالبا وطالبة (‪.

ٟ‬‬ ‫‪ 14‬ـ ٌٍؾ‪ٛ‬اعت أدِغز‪ٙ‬ب اٌخبصخ‪ٚ ،‬رٕفز ػٍّ‪١‬بد خبغئخ‬ ‫ثشىً ِمص‪ٛ‬د ػٕذِب أعزخذِ‪ٙ‬ب‪.sagepub.‬‬ ‫‪ 17‬ـ أصبثخ ثغ‪١‬ج‪ٛ‬ثخ ػٕذ سؤ‪٠‬خ ِؼبدٌخ ِب‪.‫أع‪ ًٙ‬ف‪ّٙ‬ب‪ٌ ،‬ىٕٗ ٌ‪١‬ظ وزٌه‪. SPSS‬‬ ‫‪ 23‬ـ ئرا وٕذ ع‪١‬ذا ف‪ ٟ‬اإلؽصبء فاْ إٌبط عجؼزمذ‪ْٚ‬‬ ‫إٔٔ‪ ٟ‬ػجمش‪.ِٟٕ ً١‬‬ ‫‪ 16‬ـ أثى‪ ٟ‬أِبَ اٌّأل ػٕذ روش إٌضػخ اٌّشوض‪٠‬خ‪. SPSS‬‬ ‫‪ 21‬ـ ال أعزط‪١‬غ إٌ‪ َٛ‬ػٕذ اٌزفى‪١‬ش ثبألشؼخ أ‪ٚ‬‬ ‫اٌّز‪ٛ‬ع‪ٙ‬بد اٌخبصخ‪.ٟ‬‬ ‫‪ 22‬ـ أصذلبئ‪ ٟ‬أفعً ِٕ‪ ٟ‬ف‪ ٟ‬اعزخذاَ ‪.‬‬ ‫‪ 18‬ـ ‪ٕٙ٠‬بس ثشٔبِظ ‪ SPSS‬ػٕذِب أؽب‪ٚ‬ي اعزخذاِٗ‪.‬‬ ‫‪ 15‬ـ رؾب‪ٚ‬ي اٌؾ‪ٛ‬اعت عب٘ذح إٌ‪.‬‬ ‫‪ 19‬ـ ‪ٕ٠‬ظش ئٌ‪ ٟ‬اٌغّ‪١‬غ ػٕذِب أعزخذَ ‪.ٞ‬‬ ‫ومت ٓنويل اإلجابات إُف كم ّننح الوزف أو الدرجة ‪ 1‬عند اختيار فئة "غًن موافق‬ ‫إطالقا"؛ والوزف أو الدرجة ‪ 0‬عند اختيار فئة "غًن موافق"؛ والوزف أو الدرجة ‪ 3‬عند اختيار‬ ‫فئة "غًن متأكد"؛ والوزف أو الدرجة ‪ 1‬عند اختيار فئة "موافق"؛ والوزف أو الدرجة ‪ 3‬عند‬ ‫اختيار فئة "موافق ٕناما"‪ .http://www.com/field3e‬‬ ‫عند استعماؿ الرابط السابق طلتار ملف ‪ ALL SPSS Data files‬من قائمة ادللفات‬ ‫األخرى‪ .‬حيث أف بيانات ادلثاؿ احلاِف متاحة على ادلوقع اإللكرتوين التاِف‪:‬‬ ‫‪.‬‬ ‫‪ 13‬ـ أخبف أْ أعجت أظشاسا ٌٍؾ‪ٛ‬اعت غ‪١‬ش لبثٍخ ٌإلصالػ‬ ‫ثغجت ػذَ وفبءر‪.uk.‬‬ ‫‪ 21‬ـ أعز‪١‬مع رؾذ اٌٍؾبف ‪ٚ‬أػزمذ إٔٔ‪ِ ٟ‬ؾج‪ٛ‬ط رؾذ‬ ‫ر‪ٛ‬ص‪٠‬غ غج‪١‬ؼ‪.‬وعند فتحو يظهر ملف عاـ مضغوط ػلتوي على عديد من ملفات البيانات‪:‬‬ ‫‪-‬‬ .

‫‪DSUS3 SPSS Files‬‬ ‫‪ ،‬نقوـ بفتح ىذا ادللف العاـ بعد فك ضغطو فتظهر قائمة بكافة‬ ‫ادللفات ادلختلفة للبيانات‪ .sav :‬الذي ػلتوي على بيانات ادلثاؿ احلاِف‪،‬‬ ‫وعند فتحو تظهر نافذة البيانات شبيهة بالنافذة التالية‪:‬‬ ‫نشرع اآلن في تطبيق التحليل العاملي االستكشافي خطوة خطوة لتحليل ىذه‬ ‫البيانات‪.‬طلتار ملف‪ SAQ.‬‬ ‫‪-‬‬ .

‫باستعماؿ حزمة ‪ ، SPSS‬وانطالقا من جدوؿ البيانات ‪ ،data view‬طلتار األسلوب‬ ‫اإلحصائي الذي سنطبقو وىو التحليل العاملي االستكشايف ‪ Exploratory factor analysis‬كما‬ ‫مث ‪Analyse  Data ( Factor‬‬ ‫‪Data reduction‬‬ ‫يلي‪ :‬نضغط على ‪ Analyse‬مث‬ ‫‪ )Reduction  Factor‬كما ىو مبٌن يف النافذة اآلتية‪:‬‬ ‫وعقب الضغط على "عامل" ‪ Factor‬تنفتح النافذة ادلعنونة بالتحليل العاملي‬ ‫‪Factor Analysis‬‬ ‫واليت تتيح اختيارات وتفاصيل ‪ .‬وتصميمها يتخذ ادلظهر ادلبٌن يف النافذة التالية‪:‬‬ ‫‪-‬‬ .

‫ولالستعماؿ ىذه النافذة ننقل ادلتغًنات (يف مثالنا الفقرات) ادلعنية بالتحليل من‬ ‫ادلساحة اليسرى إُف ادلساحة اليمىن النشطة لكي ٔنضع للتحليل كما تظهره النافذة التالية‪:‬‬ ‫‪-‬‬ .

‫لقد ذكرنا أف أوؿ خطوة يف التحليل العاملي تتمثل يف التأكد من قابلية البيانات‬ ‫(مصفوفة االرتباطات ) للتحليل العاملي‪ ،‬وللقياـ بذلك ننقر على …‪ Disriptives‬لتنفتح‬ ‫نافذة حوارية صغًنة كما ىو موضح يف الشكل التاِف‪:‬‬ ‫‪-‬‬ .

32‬ودالة وإف كانت الداللة اإلحصائية‬ ‫يعوؿ عليها كثًنا‪.22221‬فإذا‬ ‫دؿ ذلك على عدـ وجود ارتباطات مرتفعة جدا أو عدـ وجود‬ ‫كانت أكرب من ىذه القيمة ّ‬ ‫اعتماد خطي بٌن ادلتغًنات (تكرار واستنساخ للمعلومات اليت يشارؾ شا كل متغًن)‬ ‫‪-‬‬ .‬‬ ‫ال ّ‬ ‫‪ 0‬ػ غلب أف تكوف القيمة ادلطلقة حملدد مصفوفة االرتباطات أكرب من (‪ ،)2.‫نؤشر على اإلحصاءات اليت نرغب فيها للحكم على أف مصفوفة االرتباطات قابلة للتحليل‬ ‫العاملي وفقا للمح ّكات اإلرشادية التالية‪:‬‬ ‫‪1‬ػ أغلب معامالت االرتباطات ينبغي أف تتعدى ‪ 2.

23‬أف مصفوفة االرتباطات ليست مصفوفة‬ ‫الوحدة (خالية من العالقات) وإظلا تتوفر على احلد األدىن من العالقات‪ .32‬‬ ‫وفقا حملكات كيزر‪ .‬ويعىن‬ ‫عندما يكوف داال إحصائيا (ألفا دوف ‪ )2.‬وغلب أيضا أف يكوف مقياس )‪ Measures of Sampling Adequacy (MSA‬لكل‬ ‫متغًن (أو فقرة إذا كانت ادلتغًنات فقرات) أعلى من ‪ 2.‬‬ ‫وكل ىذه االختبارات اإلحصائية تتيحها نافذة‬ ‫‪Factor Analysis: Descriptive‬‬ ‫ثم تأتي المرحلة الثانية ذات العالقة بطرق استخراج العوامل وىذا ما تبينو النافذة‬ ‫التالية ‪ :‬وتربز النافذة اآلتية الطريقة األوُف اليت ال تقوـ على التباين ادلشرتؾ ‪ :‬طريقة ادلكونات‬ ‫األساسية ‪: Principal Components‬‬ ‫‪-‬‬ .‬‬ ‫‪ 1‬ػ غلب أف يكوف اختبار )‪ Kaiser-Mayer-Olkin (KMO‬لكافة ادلصفوفة أعلى من ‪2.‬وىو مقياس عاـ لكفاءة التعيٌن‪ ،‬ويدؿ أيضا بأف االرتباطات عموما يف‬ ‫ادلستوى‪ .3‬شلا يدؿ على أف مستوى‬ ‫االرتباط بٌن كل متغًن بادلتغًنات األخرى يف مصفوفة االرتباطات كاؼ إلجراء التحليل‬ ‫العاملي‪.‬لكن غلب التنبيو‬ ‫إُف أمر ىاـ وىو إذا كاف ىذا االختبار داال فال يعين أف كافة االرتباطات مالئمة من حيث‬ ‫شدهتا أو مستواىا‪ ،‬بل يدؿ فقط على توفر احلد األدىن من االرتباطات بٌن ادلتغًنات‪،‬‬ ‫ولذلك غلب أف يعزز باختبارات أخرى‪.‫‪ 3‬ػ ينبغي أف يكوف اختبار برتليت‬ ‫‪Bartlett's test of sphericity‬‬ ‫داال إحصائيا‪ .

‬ولعل‬ ‫أكثرىا استعماال طريقة احملاور األساسية ‪:Principal Axis‬‬ ‫‪-‬‬ .‫وتظهر النافذة التالية الطرؽ األخرى الستخراج العوامل والقائمة على التباين ادلشرتؾ‪ .

‬ويف ىذا السياؽ توضح النافذة التالية أنواع‬ ‫التدوير ادلتعامد (والطريقة االفرتاضية واألكثر استعماال طريقة الفارؽلكس يف التدوير‬ ‫‪:)rotation‬‬ ‫‪-‬‬ ‫‪Varimax‬‬ .‫والمرحلة الثالثة تتعلق بالبحث عن معنى العوامل أي تأويل العوامل عن طريق‬ ‫تدوير العوامل أو المحاور‬ ‫‪Factor rotation‬‬ ‫‪ .

‫كما ؽلكن أف يكوف التدوير مائال عند افرتاض ارتباط العوامل بدال من استقالذلا‪ .‬وتظهر‬ ‫النافذة التالية طرؽ التدوير ادلائل والطريقة االفرتاضية ىي ‪: Direct Oblimin‬‬ ‫‪-‬‬ .

‫كما ؽلكن استخراج درجة كل فرد على كل عامل‪ ،‬وتوجد عدة طرؽ حلساب درجات‬ ‫العوامل كما ىو موضح يف النافذة التالية‪:‬‬ ‫‪-‬‬ .

‫وتتعلق النافذة األخًنة باالختيارات ‪ ،Options‬وٓنتوي على التعليمات اليت تتعلق بإخراج قيم‬ ‫التشبعات ليسهل قراءهتا وتسميتها‪:‬‬ ‫‪-‬‬ .

32‬وذلك لتحديد ادلتغًنات‬ ‫اليت ترتبط ارتباطا ضعيفا بباقي ادلتغًنات أي أف ارتباطها ّنعظم ادلتغًنات األخرى دوف ‪2.‬‬ ‫املشحهت األًىل‪ :‬فحص يذٍ قابهْت يصفٌفت االسحباطاث نهخحهْم انؼايهِ‬ ‫يبٌن اجلدوؿ التاِف مصفوفة االرتباطات يف النصف العلوي للجدوؿ‪ ،‬والداللة‬ ‫اإلحصائية دلعامالت االرتباط يف النصف السفلي‪ ،‬وينبغي أف تفحص كما يلي‪:‬‬ ‫أوالػ نفحص مصفوفة االرتباطات اليت تساوي أو تفوؽ ‪ ، 2.3‬‬ ‫‪-‬‬ .‫إلى ىذا الحد نكون قد انتهينا من تجهيز التعليمات‪ ،‬وننتقل اآلن إلى قراءة‬ ‫المخرجات‪.

32‬‬ ‫ونالحظ أف ادلصفوفة ٔنلو من معامالت االرتباط ادلرتفعة اليت تتعدى (‪. 2.‬واالرتفاع ادلبالغ فيو بٌن‬ ‫ادلتغًنات ػلجب ادلساعلة اخلاصة لكل متغًن يف ٓنديد العوامل‪.‬ينبغي أف تكوف جل معامالت االرتباط دالة‬ ‫إحصائيا‪ ،‬وىذا ما يظهر بالفعل يف مصفوفة االرتباطات‪.22‬بادلتغًنات األخرى‪.‬ولذلك نفحص شدة معامالت االرتباط‪.‫ثانيا ػ البحث عن معامالت االرتباط ادلرتفعة اليت تفوؽ ‪ .)2.‬‬ ‫ثالثا ػ نفحص زلدد ادلصفوفة الذي ينبغي أال يساوي صفرا‪ ،‬أي يكوف أكرب من‬ ‫(‪ ،)2.22221‬وإال دؿ ذلك على وجود مشكلة ‪ ،Multicollinearity‬فنلجأ حينئذ إُف‬ ‫حذؼ ادلتغًنات ذات االرتباطات العالية (‪ )2.‬‬ ‫وينبغي أف تكوف نسبة كبًنة من ىذه االرتباطات تساوي أو أعلى من مستوى (‪.02‬وإذا وجدت معامالت‬ ‫ارتباط مرتفعة فثمة مشكلة تدعى ‪ Multicollinearity‬يف البيانات‪ .)2.‬‬ ‫لنفحص أوال مدى ٓنقق الشرط األوؿ؟‬ ‫إف النافذة أدناه ٕنثل مصفوفة االرتباطات يف نصفها العلوي‪ ،‬والداللة اإلحصائية‬ ‫دلعامالت االرتباط يف نصفها السفلي‪ .‬‬ ‫غًن أف الداللة اإلحصائية لوحدىا ال تكفي‪ ،‬ألف كرب حجم العينة غلعل جل‬ ‫معامالت االرتباط دالة وإف كانت منخفضة جدا‪ .22‬‬ ‫‪-‬‬ .

‫لكن ماذا عن الشرط الثاين؟‬ ‫‪-‬‬ .

‬ويدؿ عند داللتو أف مصفوفة االرتباطات ليست مصفوفة‬ ‫الوحدة ‪( Identity matrix‬خالية من العالقات) وإظلا تتوفر على احلد األدىن من العالقات‪.‫لقد ذكرنا آنفا أف الشرط الثاين يتطلب أف تكوف القيمة ادلطلقة حملدد مصفوفة‬ ‫االرتباطات أكرب من (‪ ،)2.‬‬ ‫ويظهر أف زلدد ادلصفوفة الذي يظهر أسفل اجلدوؿ السابق يساوي (‪)2.‬‬ ‫(لكن غلب التنبيو أنو إذا كاف ىذا االختبار داال فال يعين أف كافة االرتباطات مالئمة من‬ ‫حيث شدهتا أو مستواىا‪ ،‬بل يتوفر فقط على احلد األدىن من االرتباطات بٌن ادلتغًنات‪،‬‬ ‫ولذلك غلب أف يعزز باختبارات أخرى)‪ ،‬فإف اجلدوؿ التاِف يظهر اختبار برتليت ‪Bartlett's‬‬ ‫‪ test of sphericity‬داال إحصائيا‪ ،‬وبالتاِف تتوفر مصفوفة االرتباطات على احلد األدىن من‬ ‫معامالت االرتباط‪.)2.22221‬ولذلك ال يبدو أف مصفوفة االرتباطات مصفوفة منفردة‬ ‫(‪ )Singular matrix‬اليت تنطوي على اعتماد خطي تاـ (وجود ارتباط قوي ‪)Multicollinearity‬‬ ‫بٌن ادلتغًنات‪ .221‬‬ ‫وىو أعلى من (‪ .‬أي‪ ،‬أف ادلصفوفة ال تنطوي على مشكلة ارتفاع االرتباط ادلبالغ فيو بٌن‬ ‫ادلتغًنات‪.22221‬فإذا كانت أكرب من ىذه القيمة دؿ ذلك على عدـ‬ ‫وجود ارت باطات مرتفعة جدا‪ ،‬أو عدـ وجود اعتماد خطي بٌن ادلتغًنات (تكرار واستنساخ‬ ‫للمعلومات اليت يشارؾ شا كل متغًن)‪.‬‬ ‫وفيما يتعلق بالشرط الثالث الذي يتطلب أف يكوف اختبار برتليت‬ ‫‪Bartlett's test‬‬ ‫‪ of sphericity‬داال إحصائيا‪ .‬‬ ‫‪-‬‬ .

930‬‬ ‫‪19334.2‬جيدة ‪Good‬؛ والقيم اليت ترتاوح من ‪ 2.4‬إُف ‪ 2.‬‬ ‫وعند معاينة مدى ٓنقق الشرط الرابع الذي يتطلب أف يكوف اختبار‬ ‫)‪ Mayer-Olkin (KMO‬لكافة ادلصفوفة أعلى من ‪ 2.‬‬ ‫‪Bartlett's‬‬ ‫‪Approx.000‬‬ ‫‪Sig.32‬وفقا حملكات كيزر [كايزر يعترب أف‬ ‫قيم ىذا ادلؤشر اليت ترتاوح من ‪ 2.‫‪.‬ومعىن ذلك فإف ىذه النتيجة تعزز ثقتنا بأف حجم العينة‬ ‫كافية إلجراء التحليل العاملي‪.‬‬ ‫‪.000‬‬ ‫‪KMO and Bartlett's Test‬‬ ‫‪Kaiser-Meyer-Olkin Measure of‬‬ ‫‪Sampling Adequacy.930‬‬ ‫‪19334.4‬ال بأس شا ‪ ،mediocre‬والقيم اليت ترتاوح من‬ ‫‪Kaiser-‬‬ ‫‪ 2. Chi-Square‬‬ ‫‪253‬‬ ‫‪df‬‬ ‫‪.‬‬ ‫‪-‬‬ ‫‪Bartlett's‬‬ ‫‪Test of‬‬ ‫‪Sphericity‬‬ .492‬‬ ‫‪Approx.‬‬ ‫‪KMO and Bartlett's Test‬‬ ‫‪Kaiser-Meyer-Olkin Measure of‬‬ ‫‪Sampling Adequacy.2‬إُف ‪ 2. Chi-Square‬‬ ‫‪Test of‬‬ ‫‪df‬‬ ‫‪Sphericity‬‬ ‫‪Sig.03‬وتعترب شلتازة‬ ‫أو رائعة باستعماؿ زلك كيزر‪ .0‬شلتازة أو رائعة ‪ ، ]Superb‬صلد أف قيمة ‪ KMO‬تساوي ‪ 2.0‬جيدة جدا ‪Great‬؛ والقيم‬ ‫اليت تتعدى ‪ 2.492‬‬ ‫‪253‬‬ ‫‪.3‬إُف ‪ 2.

‬ويبدو أف كلها تتجاوز القيمة احلرجة (‪ .4‬إُف ‪ 2.‬‬ ‫وتظهر قيم ‪ MSA‬يف اخلاليا القطرية معامالت االرتباط يف ادلستطيل السفلي‬ ‫(النصف السفلي) للجدوؿ‪ .3‬إُف ‪ 2.‫وتقتضي اخلاصية أو الشرط الرابع أيضا بأف يكوف مقياس‬ ‫‪Measures of Sampling‬‬ ‫)‪ Adequacy(MSA‬لكل متغًن (أو فقرة إذا كانت ادلتغًنات فقرات) أعلى من ‪ 2.3‬وفقا‬ ‫حملكات كيزر [كايزر يعترب أف قيم ىذا ادلؤشر اليت ترتاوح من ‪ 2.2‬‬ ‫إُف ‪ 2.)2.4‬ال بأس شا‬ ‫‪ ،mediocre‬والقيم اليت ترتاوح من ‪ 2.3‬فيحذؼ ويعاد التحليل من جديد‪.‬وإذا وجد متغًن قيمة ‪ MSA‬لو أدىن من‬ ‫ىذا احلد األدىن(‪ )2.0‬جيدة جدا ‪Great‬؛ والقيم اليت تتعدى ‪ 2.0‬شلتازة أو رائعة ‪ ]Superb‬شلا يدؿ على‬ ‫أف مستوى االرتباط بٌن كل متغًن بادلتغًنات األخرى يف مصفوفة االرتباطات كاؼ إلجراء‬ ‫التحليل العاملي‪.3‬ولالطالع على‬ ‫اجلدوؿ بالكامل يرجع إُف النتائج الكاملة للمثاؿ‪ .2‬جيدة ‪Good‬؛ والقيم اليت ترتاوح من ‪2.‬‬ ‫‪-‬‬ .

‫املشحهت انزانْت‪ :‬االصخخشاس‪ً،‬انخذًّش‪ً،‬حضًْت انؼٌايم‬ ‫تستعمل طريقة ادلكونات األساسية أو الرئيسية‬ ‫‪Principal Component Analysis‬‬ ‫دوف غًنىا من الطرؽ األخرى عند افرتاض أف ادلتغًنات أو الفقرات موضوع التحليل ال‬ ‫‪-‬‬ .

‬‬ ‫يظهر اجلدوؿ التاِف اجلذور الكامنة للمكونات (العوامل) يف العمود ادلعنوف‬ ‫‪ .606‬‬ ‫ويالحظ أف التدوير يوزع نسب التباين ادلوزع بٌن العوامل بشكل متوازف نسبيا وال‬ ‫غلعلو يتمركز يف العامل أو العاملٌن األولٌن‪ .‬‬ ‫يظهر من اجلدوؿ التاِف أف عدد العوامل اليت ؽلكن استخراجها باستعماؿ زلك‬ ‫كايزر القائم على اجلذر الكامن الذي غلب أف يتعدى الواحد الصحيح أربعة عوامل‪.‬ووظيفتها اختزاؿ عدد ادلتغًنات ادلقاسة‬ ‫إُف عدد زلدود من ادلتغًنات (ادلكونات) الكامنة اليت ستحل زلل ادلتغًنات ادلقاسة يف‬ ‫االستعماالت الالحقة أو التحليالت الالحقة‪.‬ويدؿ على حجم التباين ادلستخرج أو‬ ‫ادلفسر من قبل كل مكوف أو عامل‪ .‫ٓنتوي على أخطاء قياس‪ ،‬أي أف كل التباين الذي تنطوي عليو ادلتغًنات موضوع التحليل‬ ‫تباين مشرتؾ خاؿ من التباين اخلاص أو تباين اخلطأ‪ .‬مثال صلد أف اجلذر الكامن للعامل األوؿ يفسر (‪ ، )4.‬وتوجد ‪ 1‬جذور كامنة أعلى من الواحد الصحيح‪ .‬‬ ‫‪-‬‬ .002‬ويفسر نسبة‬ ‫مئوية من التباين الكلي قدرىا (‪.)31.‬كما يظهر اجلدوؿ ىذا القدر من التباين ادلفسر للجذر‬ ‫‪Total‬‬ ‫الكامن بشكل نسب مئوية من التباين ادلفسر لكل مكوف (عامل) والنسب ادلئوية من التباين‬ ‫ادلفسر الرتاكمي‪ .‬ويظهر ذلك جليا عند مقارنة العمود السادس‬ ‫والعمود التاسع‪.

340 14.410 9 .549 2.765 12 .523 2.849 15 .893 58.476 50.290 31.504 7 .227 5.Total Variance Explained Co Initial Eigenvalues Extraction Sums of Squared Rotation Sums of Squared Loadings Loadings mpo nent Total % of Cumulative Variance % Total % of Cumulative Variance % Total % of Cumulative Variance % 1 7.508 2.007 8 .512 82.219 2 1.696 31.972 74.265 68.751 3.684 2.988 4.227 5.676 13 .739 7.982 91.552 23 .670 2.275 87.336 50.696 31.388 85.783 3.981 1.583 98.317 5 .704 19 .290 31.661 80.696 3.448 100.742 3 1.319 21 .317 5.806 3.650 96.721 18 .773 95.950 8.895 3.841 4 1.317 5.336 50.546 20 .256 1.317 1.730 16.511 17 .696 7.210 89.404 65.256 3.843 93.000 Extraction Method: Principal Component Analysis.317 1.295 54.099 41.523 30.236 16 .981 2.553 11.560 39.42 ‫ بعد االستخراج أكرب من‬communalities ‫وقيم الشيوع أو االشرتاكيات‬ - .578 2.911 77.717 3.725 44.364 1.969 22 .676 10 .739 7.612 6 .793 11 .408 1.117 71.560 39.502 62.424 1.219 16.612 2.456 1.337 14 . 32 ‫غًن أف زلك اجلذر الكامن يكوف دقيقا عندما يكوف عدد ادلتغًنات أقل من‬ ‫؛ أو يكفى أف‬2.333 1.725 44.379 1.

6‬وبالتاِف ال تتوفر احلالتاف السابقتاف اللتاف تدالف على‬ ‫دقة استعماؿ زلك كايزر‪.378‬‬ ‫‪1.000‬‬ ‫‪Question_14‬‬ ‫‪.487‬‬ ‫‪1.000‬‬ ‫‪Question_06‬‬ ‫‪.484‬‬ ‫‪1.4‬باستثناء قيمة واحدة‪ ،‬باإلضافة إُف ذلك فإف متوسط قيم الشيوع‬ ‫(‪ )11.545‬‬ ‫‪1. 032‬‬ ‫بالرجوع إُف مثالنا صلد أف قيم الشيوع بعد االستخراج اليت يظهرىا اجلدوؿ التاِف‬ ‫ال تتعدى ‪ 2.469‬‬ ‫‪1.000‬‬ ‫‪Question_16‬‬ ‫‪.000‬‬ ‫‪Question_04‬‬ ‫‪.503‬أقل من ‪ .000‬‬ ‫‪Question_05‬‬ ‫‪.000‬‬ ‫‪Question_10‬‬ ‫‪.654‬‬ ‫‪1.000‬‬ ‫‪Question_12‬‬ ‫‪.435‬‬ ‫‪1.000‬‬ ‫‪Question_08‬‬ ‫‪.597‬‬ ‫‪1.690‬‬ ‫‪1.‬‬ ‫‪Communalities‬‬ ‫‪Initial‬‬ ‫‪Extraction‬‬ ‫‪.000‬‬ ‫‪Question_03‬‬ ‫‪.6‬عندما يكوف حجم العينة أكرب من‬ ‫‪.000‬‬ ‫‪Question_13‬‬ ‫‪.343‬‬ ‫‪1.513‬‬ ‫‪1.335‬‬ ‫‪1.000‬‬ ‫‪Question_15‬‬ ‫‪.343‬‬ ‫‪1.536‬‬ ‫‪1.530‬‬ ‫‪1.739‬‬ ‫‪1.000‬‬ ‫‪Question_02‬‬ ‫‪.683‬‬ ‫‪1.2.000‬‬ ‫‪Question_11‬‬ ‫‪.414‬‬ ‫‪1.000‬‬ ‫‪Question_19‬‬ ‫‪-‬‬ .000‬‬ ‫‪Question_07‬‬ ‫‪.000‬‬ ‫‪Question_18‬‬ ‫‪.‫يكوف متوسط قيم الشيوع بعد االستخراج أكرب ‪ 2.488‬‬ ‫‪1.000‬‬ ‫‪Question_17‬‬ ‫‪.000‬‬ ‫‪Question_09‬‬ ‫‪.000‬‬ ‫‪Question_01‬‬ ‫‪.573/23=0.

Scree plot‬وْندر اإلشارة أنو إذا كاف‬ ‫حجم العينة ‪ 022‬أو أكثر فإف طريقة ادلنحدر تعترب دقيقة‪ ،‬أي أف عدد العوامل‬ ‫ادلستخرجة تتسم باالستقرار‪.000‬‬ ‫‪Question_21‬‬ ‫‪.‬‬ ‫ولذلك سنستعٌن بطريقة منحىن ادلنحدر ‪ .000‬‬ ‫‪Question_20‬‬ ‫‪.‫‪.550‬‬ ‫‪1.464‬‬ ‫‪1.‬‬ ‫إذف لنالحظ النافذة التالية‪:‬‬ ‫‪-‬‬ .000‬‬ ‫‪Question_23‬‬ ‫‪Extraction Method: Principal Component Analysis.484‬‬ ‫‪1.412‬‬ ‫‪1.000‬‬ ‫‪Question_22‬‬ ‫‪.

1‬أو القيمة ‪ 2.‬وأف التشبع الذي مقداره ‪ 2.3‬يدؿ على‬ ‫القيمة الفاصلة بٌن التشبع اذلاـ (شدتو مناسبة) والتشبع غًن اذلاـ (شدتو منخفضة وغًن‬ ‫‪-‬‬ .1‬يساوي‬ ‫‪ )2.3‬يدؿ على أف نسب ‪03‬‬ ‫بادلائة (تربيع ‪ 2.03‬من تباين الفقرة يفسره عامل معٌن‪.‬‬ ‫إذف‪ ،‬ما نقطة القطع اليت تفصل بٌن تشبع مهم وتشبع غًن مهم؟‬ ‫كثًن من البحوث استعملت القاعدة ادلألوفة اليت تعترب أف التشبع ‪ 2.3‬معناه أف العامل يفسر‬ ‫نسبة تسعة بادلائة فقط (تربيع ‪ 2.0‬أو القيمة ‪ 2.3‬يساوي ‪ )2.‬‬ ‫والتشبع الذي مقداره ‪ 2.‬وتظهر النافذتاف تشبعات الفقرات على العوامل األربعة قبل‬ ‫التدوير وبعده‪:‬‬ ‫لكن ما ىو احلد األدىن ادلقبوؿ (شدة ارتباط ادلتغًن أو الفقرة بالعامل ذات الفائدة‬ ‫العملية) لتشبع ادلتغًنات (الفقرات) على العامل؟ ىل القيمة ‪ 2.‬وباإلضافة‬ ‫إُف استعماؿ زلك ادلعىن أو الداللة النظرية لتشكلة العوامل‪ ،‬واستعماؿ نسبة التباين ادلفسر‪،‬‬ ‫سيقع اختيارنا على ‪ 1‬عوامل‪ .3‬يساوي ‪ )2.16‬من تباين الفقرة أو ادلتغًن‪ .‬وعليو فإف تشبع فقرة معينة على عامل معٌن ّنقدار ‪ 2.1‬معناه أف العامل يفسر نسبة ‪( %16‬تربيع ‪ 2.20‬من تباين الفقرة أو ادلتغًن ادلقاس‪.‬لكن‬ ‫نظرا حلجم العينة الكبًن فيمكن استعماؿ الطريقة األوُف القائمة على زلك كايزر‪ .3‬أو‬ ‫القيمة ‪ 2.‬أي أف العامل ؽلثل الفقرة أو ادلتغًن ادلقاس ّنقدار تلك‬ ‫النسبة‪ .3‬؛ أو ما ىو احلد األدىن الذي ينبغي أال تقل عنو التشبعات‬ ‫اليت تفيد يف ٓنديد الفقرات أو ادلتغًنات اليت تكوف العامل؟‬ ‫يقرأ التشبع بأنو ارتباط ادلتغًن (الفقرة) بالعامل‪ ،‬ودلعرفة قوة شدة التشبع أو‬ ‫مستواه يفضل تربيعو‪ ،‬ويقرأ التشبع بعد تربيعو باعتباره يدؿ على نسبة التباين يف الفقرة أو‬ ‫ادلتغًن اليت يفسرىا عامل معٌن‪ .‫نالحظ أف منحىن ادلنحدر‬ ‫‪scree plot‬‬ ‫السابق يظهر تباطؤا بعد العاملٌن األولٌن‬ ‫(أنظر السهم ادلتقطع األوؿ)‪ ،‬مث تباطؤا ثانيا بعد العامل الرابع (عاين السهم ادلتقطع)‪ .

)Stevens.‬‬ ‫وتعرض النافذتاف التاليتاف تشبعات الفقرات على العوامل األربعة قبل التدوير وبعد‬ ‫التدوير على التتاِف‪ .634‬‬ ‫‪-.‬غًن أف ىذا التشبع ال يفسر إال مقدارا ضئيال من التباين‪ .‬‬ ‫لنقارف بٌن مصفوفة ادلكونات (العوامل) أو التشبعات التالية قبل التدوير‬ ‫‪Component Matrixa‬‬ ‫‪4‬‬ ‫‪Component‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪.701‬‬ ‫‪.652‬‬ ‫‪.669‬‬ ‫‪.‬والتدوير يساعد على تأويل العوامل وعلى بروز أظلاط واضحة لتشبعات‬ ‫الفقرات على العوامل األربعة‪.593‬‬ ‫‪-.679‬‬ ‫‪.685‬‬ ‫‪.643‬‬ ‫‪.1‬كحد أدىن لكونو يدؿ على شدة ال بأس شا (‪ .656‬‬ ‫‪.1‬كحد أدىن فاصل بٌن‬ ‫التشبعات اليت تعتمد والتشبعات اليت هتمل‪.‬ولذلك تفضل بعض‬ ‫ادلراجع التشبع ‪ 2.‫كافية)‪ .629‬‬‫‪.673‬‬ ‫‪. 2002‬وؽلكن‬ ‫أف تكوف القيمة الفاصلة للتشبعات اليت تعتمد يف التفسًن والتشبعات اليت ال تعتمد يف‬ ‫التفسًن أعلى من ذلك (كأف تكوف ‪ 2.3‬مثال) ال سيما كلما صغرت العينة أو كاف عدد‬ ‫ادلتغًنات (الفقرات) قليال‪ .‬ولذلك سنأخذ قيمة التشبع ‪ 2.658‬‬ ‫‪.400-‬‬ ‫‪-‬‬ ‫‪Question_18‬‬ ‫‪Question_07‬‬ ‫‪Question_16‬‬ ‫‪Question_13‬‬ ‫‪Question_12‬‬ ‫‪Question_21‬‬ ‫‪Question_14‬‬ ‫‪Question_11‬‬ ‫‪Question_17‬‬ ‫‪Question_04‬‬ ‫‪Question_03‬‬ ‫‪Question_15‬‬ .

556 .677 .507 Extraction Method: Principal Component Analysis.436 -.571 .549 .437 .562 .661 - .638 .550 .627 .465 .684 .427- .401 -. varimax ‫ومصفوفة ادلكونات التالية بعد التدوير ادلتعامد بطريقة الفارؽللكس‬ :rotation Rotated Component Matrixa 1 Question_06 Question_18 Question_13 Question_07 Question_14 Question_10 Question_15 Question_20 Question_21 Component 3 4 2 .800 .459 .417-.404- . 4 components extracted. a.586 .579 .647 .548 .Question_01 Question_05 Question_08 Question_10 Question_20 Question_19 Question_09 Question_02 Question_22 Question_06 Question_23 .

648‬‬ ‫‪.‬‬ ‫فباإلضافة إُف غياب بعض التوازف يف توزع التشبعات على العوامل ادلستخرجة‪ ،‬تظهر صعوبة‬ ‫تأويل العوامل (صعوبة تبٌن معىن كل عامل يف ضوء التشبعات) وذلك الفتقاد التشبعات إُف‬ ‫خاصية البنية البسيطة‪.586‬‬ ‫‪.514‬‬ ‫‪.428‬‬ ‫‪.‬‬ ‫‪a.645‬‬ ‫‪.747‬‬ ‫‪.‬‬ ‫‪Rotation Method: Varimax with Kaiser Normalization.‬‬ ‫نالحظ أف جل الفقرات يف مصفوفة ادلكونات قبل التدوير (‪)component matrix‬‬ ‫تشبعت على العامل األوؿ (‪ 10‬فقرة من ‪ 00‬فقرة) وَف يتشبع على العامل الثاين إال ‪1‬‬ ‫فقرات (من بينها يوجد تشبع مشرتؾ‪ ،‬أي أف الفقرة الثامنة تتشبع على كال العاملٌن األوؿ‬ ‫والثاين)‪ ،‬وَف يتشبع على العامل الثالث إال فقرتاف ( واللتاف تشبعتا أيضا على العامل األوؿ)‪،‬‬ ‫وَف يتشبع على العامل األخًن إال ‪ 3‬فقرات (فقرتاف منها تشبعت أيضا على العامل األوؿ)‪.543‬‬ ‫‪.473‬‬ ‫‪Question_03‬‬ ‫‪Question_12‬‬ ‫‪Question_04‬‬ ‫‪Question_16‬‬ ‫‪Question_01‬‬ ‫‪Question_05‬‬ ‫‪Question_08‬‬ ‫‪Question_17‬‬ ‫‪Question_11‬‬ ‫‪Question_09‬‬ ‫‪Question_22‬‬ ‫‪Question_23‬‬ ‫‪Question_02‬‬ ‫‪Question_19‬‬ ‫‪Extraction Method: Principal Component Analysis.516‬‬ ‫‪.‬‬ ‫‪-‬‬ .747‬‬ ‫‪.523‬‬ ‫‪.833‬‬ ‫‪.‫‪-. Rotation converged in 8 iterations.567‬‬‫‪.429‬‬ ‫‪.496‬‬ ‫‪.

‬معىن ذلك أف التباين الكلي الذي تفسر العوامل ادلستخرجة يبقى ذاتو‬ ‫(بدوف تغًن) أو كما كاف عليو قبل التدوير‪ .‬وأف قيم الشيوع (رلموع مربعات الفقرة على العوامل ادلستخرجة) ال تتغًن‬ ‫أيضا‪ .‬‬ ‫وعند مقارنة ادلصفوفتٌن أعاله‪ ،‬ادلصفوفة قبل التدوير (‬ ‫‪matrix‬‬ ‫‪)component‬‬ ‫وادلصفوفة بعد التدوير(‪ )rotated component matrix‬يالحظ أف التدوير يعيد توزيع التباين‬ ‫الذي يفسره كل عامل‪ ،‬لكن ىذا التوزيع يتم يف إطار النسبة الكلية أو الرتاكمية للتباين‬ ‫ادلفسر وال يتعداىا‪ .‫ويقصد بالبنية البسيطة‪ :‬أوالػ أف يتشبع ادلتغًن تشبعا مرتفعا على عامل واحد فقط‬ ‫وتشبعا منخفضا على بقية العوامل‪ ،‬وثانياػ غلب أف ػلتوي كل عامل على تشبعٌن مرتفعٌن‬ ‫على األقل (وٓنددىا بعض ادلراجع بثالثة تشبعات)‪ ،‬وثالثاػ أف تكوف معظم التشبعات على‬ ‫العوامل إما مرتفعة أو منخفضة مع وجود عدد قليل منها بٌن ادلرتفع وادلنخفض‪ .‬غًن أنو من سلبيات التدوير ادلائل أف ادلتغًنات تنحوا معظمها إُف التشبع تشبعا‬ ‫‪-‬‬ .‬األمر ادلهم الثاين أف االرتباطات بٌن ادلتغًنات‬ ‫تبقى بدوف تعديل‪ .‬األشياء اليت تتغًن تتمثل يف ظلط التشبعات (ارتفاعها واطلفاضها على كل مكوف أو‬ ‫عامل) ونسب التباين ادلفسر الفردية‪ ،‬أي التباين الذي يفسره كل عامل‪.‬ويتميز التدوير ادلائل بكونو األقرب إُف ٕنثيل طبيعة‬ ‫‪Orthogonal‬‬ ‫عالقات ادلتغًنات يف الواقع اليت غالبا ما تكوف مرتبطة وغًن مستقلة‪ .‬يضاؼ إُف ذلك أف‬ ‫التدوير ادلائل غلعل ارتباطات ادلتغًنات بعواملها (أي تشبعاهتا) أقوى نسبيا من التدوير‬ ‫ادلتعامد‪ .‬وتتضح‬ ‫خصائص البنية البسيطة َنالء يف ادلصفوفة بعد التدوير وتكاد تغيب خصائص البنية‬ ‫البسيطةعن مصفوفة التشبعات قبل التدوير‪.‬‬ ‫غًن أف التدوير قد يتم وفقا لفلسفتٌن أو مبدأين‪ :‬التدوير ادلتعامد‬ ‫‪ rotation‬الذي ػلتفظ على استقاللية العوامل‪ ،‬والتدوير ادلائل ‪ Oblique rotation‬الذي‬ ‫يأخذ بعٌن االعتبار ارتباط العوامل‪ .

‬والتدوير بطريقة الكوارتيماكس قليل االستعماؿ ويستعمل‬ ‫يف حالة ميل الباحث إُف االعتقاد بوجود عامل عاـ واحد بدال من وجود عدد من العوامل‪.‬وينتج عن تبسيط تأويل ادلتغًن وليس العامل‬ ‫أف ترتاكم تشبعات ادلتغًنات على عامل واحد يف الغالب شلا يعقد من تأويل العامل من‬ ‫جهة‪ ،‬ويوحي بوجود عامل عاـ واحد رغم أنو قد توجد عوامل أخرى َنانبو عند استعماؿ‬ ‫بدلو التدوير بطريقة الفارؽلاكس‪ .Pattern matrix‬‬ ‫ومصفوفة البنية الذي يدؿ على مدى ارتباط ادلتغًن بالعامل الذي يتشبع عليو‪ .‬ويالحظ وجود مصفوفتاف بدال من مصفوفة واحدة‬ ‫مقارنة بالتدوير السابق‪ .‬أي أف نسبة التباين (بعد تربيع التشبع)‬ ‫‪-‬‬ .‬‬ ‫عودة إذف إُف التدوير ادلتعامد‪ .‬وسنرجع بعد قليل إُف التدوير ادلائل‪.‬يف حٌن أف‬ ‫الكوارتيماكس فيقوـ على جعل ادلتغًن يتشبع تشبعا مرتفعا على عامل واحد ومنخفضا على‬ ‫بقية العوامل مؤديا بذل ك إُف تسهيل تأويل ادلتغًن (تسهيل تبٌن العامل الذي ػلدد ىذا‬ ‫ادلتغًن أو يفسره أكثر من غًنىا من العوامل)‪ .‬غًن أف‬ ‫ادلعضلة أف العامل غًن مستقل عن العوامل األخرى‪ .‬‬ ‫وْندر اإلشارة إُف أف التدوير بطريقة الفارؽلاكس ىي طريقة التدوير التلقائية حلزمة ‪.‬مصفوفة البنية ‪ Structure matrix‬ومصفوفة النمط ‪.‬توجد طرؽ للتدوير ادلتعامد لعل أعلها التدوير‬ ‫بطريقة الفارؽلاكس ‪ ،Varimax rotation‬والتدوير بطريقة كوارتيماكس ‪Quartimax‬‬ ‫‪ .SPSS‬‬ ‫إذا كانت النافذة السابقة تظهر نتائج التدوير ادلتعامد بطريقة الفارؽلاكس‪ ،‬فإف‬ ‫النافذة التالية تظهر التدوير ادلائل ‪ .‫مرتفعا على العوامل ادلستخرجة شلا يضعف من خاصية البنية البسيطة اليت تعٌن على تأويل‬ ‫العوامل ‪ .rotation‬ويكمن الفرؽ بينهما يف أف الفارؽلاكس يؤدي إُف إبراز التشبعات ادلرتفعة‬ ‫والتشبعات الضعيفة على نفس العامل حب يتسىن سهولة تأويل العامل ألنو يؤدي إُف‬ ‫التقليل من عدد ادلتغًنات اليت تتشبع تشبعا مرتفعا على عامل معٌن‪ ،‬ومؤديا أيضا إُف ٓنقيق‬ ‫نوع من التوزيع ادلتكاف لنسب التباين ادلفسر عل العوامل ادلستخرجة‪ .

‫اليت يفسرىا العامل يف ادلتغًن ال تعزى إُف العامل وحده وإظلا تعزى أيضا إُف النسبة اليت‬ ‫يشرتؾ فيها ىذا العامل مع العوامل ادلستخرجة األخرى‪ .‬‬ ‫إف مصفوفة النمط ٓنقق البنية البسيطة مقارنة ّنصفوفة البنية‪ .Pattern matrix‬‬ ‫‪-‬‬ .‬وتدعى‬ ‫معامالت االضلدار اجلزئية بالتشبعات النمطية ‪ ،pattern loadings‬ومصفوفة التشبعات‬ ‫ّنصفوفة النمط‪.‬فبالنظر إُف اجلدولٌن‬ ‫التاليٌن صلد يف مصفوفة البنية ‪ structure matrix‬أف عدد التشبعات ادلتقاطعة ادلعتدلة‬ ‫وادلرتفعة كثًنة (الفقرات ذات األرقاـ التالية‪ 14 ،13 ،4 ،12 ،1 ،1 ،3 ،16 :‬ذلا ثالث‬ ‫تشبعات تقاطعية‪ ،‬والفقرات ذات األرقاـ التالية‪ 11 ،13 ،11 ،3 ،10 ،01 :‬ذلا تشبعاف‬ ‫تقاطعياف‪ ،‬أي أف كل فقرة من ىذه الفقرات تتشبع تشبعا داال على عاملٌن)‪ ،‬يف حٌن صلد‬ ‫أف ىذه التشبعات ادلتقاطعة قد اختفت ٕناما من مصفوفة النمط ‪.‬وىذا ما يعقد تفسًن العوامل ‪ ،‬إذ‬ ‫يالحظ أف مصفوفة البنية ٓنتوي على تشبعات معتدلة و مرتفعة ونادرا ما ٓنتوي على‬ ‫تشبعات منخفضة‪ ،‬ويكثر فيها أيضا التشبعات ادلتقاطعة (أي تشبع ادلتغًن أو الفقرة على‬ ‫أكثر من عامل واحد) ادلعتدلة وادلرتفعة‪.‬‬ ‫وللحصوؿ على ارتباط ادلتغًن بالعامل مع حذؼ ارتباط ىذا العامل بعامل آخر‬ ‫(لكوهنما مرتبطٌن) نتبع اسرتاتيجية ٓنليل االضلدار ادلتعدد ُنيث أف ادلتغًن التابع ؽلثل ادلتغًن‬ ‫أو الفقرة‪ ،‬وادلتغًنات ادلستقلة ٕنثل العوامل ادلستخرجة‪ ،‬أما معامالت االضلدار ادلعيارية‬ ‫(معامالت بيتا) فتمثل مدى التباين الذي يفسره عامل معٌن من رلمل التباين لفقرة معينة‬ ‫عند تثبيت تباين (عالقة) العوامل األخرى (أي عند عزؿ العوامل األخرى)‪ .

572 Question_02 .407 -.475 Question_16 .492 .486 Question_22 .425 Question_23 Question_06 .476 -.458- Question_01 .552 .472 -.564 Question_04 .478 -.657 4 .415- Question_13 .457- Question_14 .673 -.676 -.586 .486 . Rotation Method: Oblimin with Kaiser Normalization.493 Question_12 .489 .720 -.414 .798- Question_11 Question_17 -.449- Question_20 .510 Question_10 .437 Question_08 -.593 .409- .486 -.484 Question_19 .428- .613 Question_15 .479 .422 Question_09 .404 Extraction Method: Principal Axis Factoring.621 Question_03 -.750- .746 Question_18 .496 Question_05 .783- . - .‫يصفىفت انبٍُت‬ Structure Matrix Factor 1 Question_21 2 3 .469- -.596- .407- Question_07 .

432 Question_12 .441 Question_03 -. - .449 Question_04 .558 Question_14 .851- Question_11 -.559 Question_22 .465 Question_02 . Rotation Method: Oblimin with Kaiser Normalization.862 Question_18 .473 Question_10 Question_15 Question_08 -.635 Question_07 .734- Question_17 -.435- Question_01 .‫يصفىفت انًُط‬ Pattern Matrixa Factor 1 2 Question_21 .675- Extraction Method: Principal Axis Factoring.453 Question_23 Question_19 Question_06 .470 Question_16 .412 3 4 Question_05 Question_09 .562 Question_13 .536 Question_20 .

‬‬ ‫‪-‬‬ .21‬وحدة‬ ‫معيارية ‪ ،‬عند تثبيت العوامل الثالث ادلتبقية؛ وأف ارتفاع العامل الثالث يوحدة معيارية‬ ‫واحدة يصاحبو ارتفاع يف الفقرة‪ّ 01‬نقدار ‪ 2.21 -‬العامل الثاين ‪ 2.31‬درجة معيارية عند تثبيت العوامل الثالث ادلتبقية؛ وأف ارتفاع العامل الثاين‬ ‫يوحدة معيارية واحدة يصاحبو اطلفاض يف الفقرة‪ّ 01‬نقدار ضئيل ال يتجاوز ‪ 2.‫لو احتفظنا بكافة التشبعات الصغًنة والكبًنة كما ىو الشأف يف مصفوفة النمط‬ ‫التالية ألمكن التعبًن عن التشبعات النمطية بشكل معادالت اضلدار لكل فقرة كما يلي‪:‬‬ ‫بالنسبة للفقرة ‪ 21‬كمتغًن تابع والعوامل األربعة كمتغًنات مستقلة‪ ،‬تكتب ادلعادلة كما يلي‪:‬‬ ‫الفقرة‪ 2.31 =01‬العامل األوؿ ‪ 2.14 +‬العامل الثالث ‪-‬‬ ‫‪ 2.14‬وحدة معيارية‪ ،‬عند عزؿ عالقة العوامل‬ ‫األخرى بنفس الفقرة؛ وأف ارتفاع العامل الرابع يوحدة معيارية واحدة يصاحبو اطلفاض يف‬ ‫الفقرة‪ّ 01‬نقدار ضئيل ال يتجاوز ‪ 2.26‬وحدة معيارية عند عزؿ عالقة العوامل‬ ‫األخرى بنفس الفقرة‪.26‬العامل الرابع‪.‬‬ ‫وتقرأ كما يلي‪ ،‬أف ازدياد العامل األوؿ بدرجة معيارية واحدة يؤدي إُف ازدياد الفقرة‪01‬‬ ‫ّنقدار ‪ 2.

470‬‬ ‫‪Question_20‬‬ ‫‪-.851‬‬‫‪-.047‬‬‫‪.082‬‬ ‫‪-.048‬‬ ‫‪.‬‬ ‫‪-‬‬ .318‬‬ ‫‪Question_08‬‬ ‫‪.441‬‬ ‫‪Question_04‬‬ ‫‪.011‬‬‫‪.558‬‬ ‫‪Question_13‬‬ ‫‪.064‬‬‫‪-.008‬‬‫‪.048‬‬ ‫‪-.465‬‬ ‫‪Question_22‬‬ ‫‪.075‬‬‫‪.107‬‬‫‪.022‬‬‫‪.049‬‬‫‪-.035‬‬ ‫‪-.‬‬ ‫أما مصفوفة العالقات االرتباطية بٌن العوامل فتدؿ على مدى ارتباط العوامل‪ ،‬وىي يف جلها‬ ‫مرتبطة ارتباطا معتدال‪ .080‬‬ ‫‪.061‬‬‫‪.000‬‬ ‫‪-.125‬‬‫‪-.536‬‬ ‫‪Question_21‬‬ ‫‪-.‫‪a‬‬ ‫‪Pattern Matrix‬‬ ‫‪Factor‬‬ ‫‪4‬‬ ‫‪-.112‬‬‫‪.026‬‬ ‫‪.170‬‬ ‫‪.009‬‬ ‫‪-.039‬‬‫‪.184‬‬‫‪.862‬‬ ‫‪Question_06‬‬ ‫‪-.057‬‬ ‫‪Question_17‬‬ ‫‪.165‬‬ ‫‪.019‬‬‫‪.336‬‬ ‫‪-.412‬‬ ‫‪Question_12‬‬ ‫‪-.005‬‬ ‫‪.473‬‬ ‫‪Question_14‬‬ ‫‪.095‬‬ ‫‪.112‬‬‫‪.453‬‬ ‫‪Question_02‬‬ ‫‪-.004‬‬ ‫‪Question_19‬‬ ‫‪-.386‬‬ ‫‪Question_15‬‬ ‫‪.188‬‬ ‫‪-.050‬‬‫‪.222‬‬‫‪.559‬‬ ‫‪Question_09‬‬ ‫‪-.357‬‬ ‫‪.184‬‬ ‫‪-.073‬‬ ‫‪.32‬وإال اعتربت اقرب إُف‬ ‫العوامل ادلستقلة وبالتاِف يستعمل التدوير ادلتعامد‪ ،‬وغلب أال تكوف ارتباطات العوامل مرتفعة‬ ‫(أكرب من ‪ )2.432‬‬ ‫‪Question_01‬‬ ‫‪.179‬‬‫‪-.021‬‬ ‫‪.090‬‬‫‪-.734‬‬‫‪-.100‬‬ ‫‪.562‬‬ ‫‪Question_07‬‬ ‫‪.052‬‬‫‪.358‬‬ ‫‪Question_05‬‬ ‫‪.114‬‬ ‫‪-.088‬‬‫‪Question_11‬‬ ‫‪-.107‬‬ ‫‪.022‬‬‫‪Question_10‬‬ ‫‪.435‬‬‫‪Question_03‬‬ ‫‪.077‬‬‫‪.006‬‬‫‪-.635‬‬ ‫‪Question_18‬‬ ‫‪.198‬‬ ‫‪.22‬وإال اعترب ذلك دليال على عدـ ٕنايز العوامل وبأهنا تذوب كلها يف عامل‬ ‫عاـ واحد بدال من أف تتمايز إُف أربعة عوامل‪.043‬‬ ‫‪Question_23‬‬ ‫‪.225‬‬‫‪.125‬‬‫‪.240‬‬ ‫‪-.043‬‬‫‪.345‬‬ ‫‪.085‬‬ ‫‪Extraction Method: Principal Axis Factoring.180‬‬ ‫‪-.‬وينبغي أال تكوف جل االرتباطات دوف ‪ 2.216‬‬‫‪-.187‬‬‫‪-.032‬‬‫‪-.‬‬ ‫‪Rotation Method: Oblimin with Kaiser Normalization.117‬‬‫‪-.039‬‬‫‪.061‬‬‫‪-.008‬‬ ‫‪-.096‬‬ ‫‪-.082‬‬ ‫‪.142‬‬‫‪-.031‬‬‫‪-.675-‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪.186‬‬‫‪.006‬‬ ‫‪.070‬‬ ‫‪-.449‬‬ ‫‪Question_16‬‬ ‫‪-.324‬‬ ‫‪-.

‬‬ ‫العامل الثالث‪ :‬اخلوؼ من الرياضيات ‪( Fear of Mathematics‬ألف الداللة النظرية اليت‬ ‫تشكل القاس م ادلشرتؾ بٌن الفقرات أو ادلتغًنات الثالثة اليت تتشبع على العامل الثالث‬ ‫تتجلى يف اخلوؼ من الرياضيات)‪.‬‬ ‫‪-‬‬ .302-‬‬ ‫‪.000‬‬ ‫‪1‬‬ ‫‪1.000‬‬ ‫‪-.532-‬‬ ‫‪.186‬‬ ‫‪-.000‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪Factor‬‬ ‫‪1.483‬‬ ‫‪3‬‬ ‫‪-.‬‬ ‫أما فيما يتعلق بتسمية العوامل بناء على ادلغزى ادلشرتؾ بٌن ادلتغًنات اليت تتشبع‬ ‫تشبعا مرتفعا على العامل‪ ،‬فبالرجوع إُف مصفوفة التشبعات اليت مت احلصوؿ عليها بعد‬ ‫التدوير ا دلتعامد بطريقة الفارؽلاكس‪ ،‬وعند االطالع على زلتوى الفقرات اليت تتشبع على‬ ‫العامل من االستبياف‪ ،‬فيمكن تسمية العوامل األربعة ادلستخرجة كما يلي‪:‬‬ ‫العامل األوؿ‪ :‬اخلوؼ من احلواسب ‪( Fear of computers‬ألف زلتوى الفقرات أو ادلتغًنات‬ ‫اليت تتشبع على العامل األوؿ يدور حوؿ اخلوؼ من احلواسب)‪.296-‬‬ ‫‪2‬‬ ‫‪1.429-‬‬ ‫‪4‬‬ ‫‪Extraction Method: Principal Axis Factoring.000‬‬ ‫‪-.‬‬ ‫العامل الثاين‪ :‬اخلوؼ من اإلحصاء ‪( Fear of Statistics‬ألف زلتوى الفقرات أو ادلتغًنات اليت‬ ‫تتشبع على العامل الثاين تتمحور حوؿ اخلوؼ من اإلحصاء)‪.‫مصفوفة االرتباطات بين العوامل‬ ‫‪Factor Correlation Matrix‬‬ ‫‪4‬‬ ‫‪1.‬‬ ‫‪Rotation Method: Oblimin with Kaiser Normalization.

‬‬ ‫أما فيما ؼلص تسمية العوامل باعتماد مصفوفة النمط عقب التدوير ادلائل‪ ،‬فربزت‬ ‫نفس العوامل األربعة مع اختالؼ يف الرتتيب‪:‬‬ ‫العامل األوؿ‪ :‬اخلوؼ من اإلحصاء‬ ‫العامل الثاين‪ :‬تقوًن األقراف‬ ‫‪Fear of Statistics‬‬ ‫‪Peer Evaluation‬‬ ‫العامل الثالث‪ :‬اخلوؼ من احلواسب‬ ‫‪.‬‬ ‫اإلحصائية ال ّ‬ ‫‪ 0‬ػ القيمة ادلطلقة حملدد مصفوفة االرتباطات أكرب من (‪،)2.‬‬ ‫‪.Bartlett's test of sphericity‬‬ ‫‪-‬‬ . Fear of Mathematics‬‬ ‫يؼهٌياث انخحهْم انؼايهِ االصخكشايف انخِ ّنبغِ ركشىا ػنذ حتشّش حقشّش انبحذ‬ ‫ينبغي أف ػلتوي تقرير البحث يف فصل الطريقة أو ادلنهج إذا كاف رسالة‪ ،‬أو قسم‬ ‫الطريقة إذا كاف مقاال يف رللة‪ ،‬عند تناوؿ التحليل العاملي االستكشايف‪ ،‬على ادلعلومات‬ ‫الضرورية التالية‪:‬‬ ‫أوالػ مقاييس أو محكات الحكم على قابلية المصفوفة للتحليل العاملي االستكشافي‪:‬‬ ‫‪1‬ػ أغلب معامالت االرتباطات ينبغي أف تتعدى ‪ 2.‬‬ ‫‪Fear of computers‬‬ ‫العامل الرابع‪ :‬اخلوؼ من الرياضيات ‪.‫العامل الرابع‪ :‬تقوًن األقراف‬ ‫‪Peer Evaluation‬‬ ‫(ألف زلتوى الفقرات أو ادلتغًنات اليت تتشبع‬ ‫على العامل الرابع تتعلق ببعض مكونات التقييم االجتماعي من قبل األقراف)‪.32‬ودالة‪ ،‬وإف كانت الداللة‬ ‫يعوؿ عليها كثًنا‪.22221‬‬ ‫‪ 3‬ػ اختبار برتليت ‪.

‬‬ ‫ثالثا ػ ذكر المحكات التي اعتمدت في تحديد عدد العوامل المستخرجة‪ :‬زلك كايزر‬ ‫(القيمة ادلميزة أكرب من الواحد)‪ ،‬طريقة منحىن ادلنحدر ‪ ، Scree Plot‬زلك نسبة‬ ‫التباين ادلفسر الكلي‪ ،‬زلك قيم الشيوع‪ ،‬زلك ادلعىن أو الداللة النظرية للعوامل‪.‬‬ ‫ومصفوفة العوامل ادلستخرجة ؽلكن أف تعرض بكافة تشبعاهتا (الصغًنة منها وادلرتفعة) على‬ ‫غرار اجلدوؿ (‪ )03‬التاِف‪:‬‬ ‫‪-‬‬ .‬أما إذا كاف التدوير مائال فتدرج‬ ‫ثالث مصفوفات‪ :‬مصفوفة النمط ومصفوفة البنية‪ ،‬ومصفوفة االرتباطات بٌن‬ ‫العوامل ادلستخرجة‪ .‬وإذا استعمل التدوير ادلتعامد تذكر‬ ‫الطريقة‪ ،‬وإذا استعمل التدوير ادلائل تذكر طريقة التدوير ادلائل أيضا‪. Measures of Sampling Adequacy(MSA‬‬ ‫ثانيا ػ ذكر طريقة استخراج العوامل‪ :‬ادلكونات األساسية‪ ،‬أو احملاور األساسية أو أي طريقة‬ ‫أخرى مع التعليل (ذكر دلاذا انتقيت طريقة معينة يف االستخراج دوف غًنىا؟)‪.‬‬ ‫خامسا ػ إدراج مصفوفة التشبعات عند التدوير المتعامد‪ .‫‪ 1‬ػ اختبار كايزر‪-‬ماير‪-‬أولكٌن‬ ‫)‪Kaiser-Mayer-Olkin (KMO‬‬ ‫‪ 3‬ػ مقياس كفاية التعيٌن أو العينة )‪.‬ذلك أف مصفوفة النمط تفيد يف تفسًن العوامل‪ ،‬ومصفوفة‬ ‫البنية قد تعتمد أيضا يف التفسًن‪ ،‬أما مصفوفة االرتباطات بٌن العوامل فلتبياف‬ ‫مدى االرتباطات بٌن العوامل‪.‬‬ ‫رابعا ػ ذكر طريقة التدوير ىل استعمل التدوير ادلتعامد أو التدوير ادلائل مع التعليل‪ ،‬أي‬ ‫ذكر لماذا اختير أحدىما دون اآلخر‪ .

343‬‬ ‫‪.206‬‬ ‫‪.097‬‬ ‫‪-.136‬‬ ‫‪.‬‬ ‫العْاهل الوستخشجت‬ ‫ل٘ن الشْ٘ع‬ ‫أّ االشتشاك٘اث‬ ‫تقويم‬ ‫الخوف من‬ ‫الخوف من‬ ‫الخوف من‬ ‫‪Communalities‬‬ ‫األقران‬ ‫الرياضيات‬ ‫اإلحصاء‬ ‫الحواسب‬ ‫واألصدقاء‬ ‫‪‌ .180-‬‬ ‫‪-.222‬‬ ‫‪.084-‬‬ ‫‪.228‬‬ ‫‪.648‬‬ ‫‪.080-‬‬ ‫‪.160‬‬ ‫‪.513‬‬ ‫‪.684‬‬ ‫‪Question_18‬‬ ‫‪.523‬‬ ‫‪.335‬‬ ‫‪.516‬‬ ‫‪.638‬‬ ‫‪Question_07‬‬ ‫‪.190-‬‬ ‫‪Question_22‬‬ ‫‪-‬‬ .488‬‬ ‫‪.067‬‬ ‫‪.579‬‬ ‫‪Question_14‬‬ ‫‪.034‬‬ ‫‪-.099-‬‬ ‫‪.833‬‬ ‫‪.118‬‬ ‫‪-.123-‬‬ ‫‪.143-‬‬ ‫‪.360‬‬ ‫‪.116-‬‬ ‫‪.327‬‬ ‫‪.473‬‬ ‫‪Question_12‬‬ ‫‪.010-‬‬ ‫‪.747‬‬ ‫‪.459‬‬ ‫‪Question_15‬‬ ‫‪.130‬‬ ‫‪.469‬‬ ‫‪-.094-‬‬ ‫‪Question_09‬‬ ‫‪.001‬‬ ‫‪.319‬‬ ‫‪Question_05‬‬ ‫‪.645‬‬ ‫‪-.241‬‬ ‫‪Question_01‬‬ ‫‪.131‬‬ ‫‪Question_08‬‬ ‫‪.271‬‬ ‫‪Question_17‬‬ ‫‪.536‬‬ ‫‪-.378‬‬ ‫‪.545‬‬ ‫‪-.155‬‬ ‫‪.074-‬‬ ‫‪.188-‬‬ ‫‪.095‬‬ ‫‪.015‬‬ ‫‪.072-‬‬ ‫‪.334‬‬ ‫‪Question_16‬‬ ‫‪.061‬‬ ‫‪.530‬‬ ‫‪-.747‬‬ ‫‪.082-‬‬ ‫‪.550‬‬ ‫‪Question_10‬‬ ‫‪.141-‬‬ ‫‪.204-‬‬ ‫‪-.313‬‬ ‫‪.647‬‬ ‫‪Question_13‬‬ ‫‪.739‬‬ ‫‪-.514‬‬ ‫‪.496‬‬ ‫‪.343‬‬ ‫‪-.435‬‬ ‫‪-.074-‬‬ ‫‪.677‬‬ ‫‪-.414‬‬ ‫‪-.429‬‬ ‫‪.038-‬‬ ‫‪Question_20‬‬ ‫‪.314‬‬ ‫‪.‫عذ‪ٚ‬ي (‪ )25‬مصفوفة تشبعات فقرات استبيان القلق اإلحصاء عند استعمال حزمة (‪ )SPSS‬على عواملها‬ ‫باستعمال التحليل العاملي االستكشافي وبعد التدوير باستعمال طريقة الفاريماكس‬ ‫‪(varimax‬ن=‪.203-‬‬ ‫‪Question_03‬‬ ‫‪.)1752‬‬ ‫انطوت المصفوفة على كافة التشبعات المرتفعة والمتوسطة والمنخفضة‪ ،‬سواء تلك التي اعتمدت في تحديد‬ ‫العوامل أو التي لم تعتمد‪.238‬‬ ‫‪.263‬‬ ‫‪Question_11‬‬ ‫‪.217‬‬ ‫‪.356‬‬ ‫‪.292‬‬ ‫‪.567-‬‬ ‫‪-.368‬‬ ‫‪-.039‬‬ ‫‪.100-‬‬ ‫‪.234‬‬ ‫‪.127‬‬ ‫‪.661‬‬ ‫‪.487‬‬ ‫‪.005‬‬ ‫‪.683‬‬ ‫‪-.327‬‬ ‫‪.287‬‬ ‫‪Question_21‬‬ ‫‪.690‬‬ ‫‪-.484‬‬ ‫‪.168‬‬ ‫‪.800‬‬ ‫‪Question_06‬‬ ‫‪.484‬‬ ‫‪-.042-‬‬ ‫‪.654‬‬ ‫‪-.320‬‬ ‫‪Question_04‬‬ ‫‪.597‬‬ ‫‪-.

459‬‬ ‫‪Question_15‬‬ ‫‪.586‬‬ ‫‪-.550‬‬ ‫‪Question_10‬‬ ‫‪.372-‬‬ ‫‪-.428‬‬ ‫‪-.‬‬ ‫اٌؼ‪ٛ‬اًِ اٌّغزخشعخ‬ ‫ل‪ ُ١‬اٌش‪ٛ١‬ع‬ ‫أ‪ ٚ‬االشزشاو‪١‬بد‬ ‫تقويم‬ ‫الخوف من‬ ‫الخوف من‬ ‫الخوف من‬ ‫‪Communalities‬‬ ‫األقران‬ ‫الرياضيات‬ ‫اإلحصاء‬ ‫الحواسب‬ ‫واألصدقاء‬ ‫‌‬ ‫‪‌ .654‬‬ ‫‪.579‬‬ ‫‪Question_14‬‬ ‫‪.338-‬‬ ‫‪-.70‬‬ ‫ًسبت التباٗي‬ ‫الوفسش‬ ‫كما ؽلكن أف تعرض جداوؿ العوامل زلتوية فقط التشبعات اليت ال تقل عن نقطة القطع أو‬ ‫مستوى التشبع ادلعتمد‪ .‫‪.73‬‬ ‫‪7.34‬‬ ‫‌‪50.14‬‬ ‫‪5.172‬‬ ‫‪-.56‬‬ ‫‪31.40‬لتيسير عملية تأويل العوامل وعرضها‪.‬‬ ‫‪.412‬‬ ‫‪.684‬‬ ‫‪Question_18‬‬ ‫‪.414‬‬ ‫‪.)1752‬حذفت‬ ‫التشبعات التي تقل عن‬ ‫‪ 0.435‬‬ ‫‌‬ ‫‪.543‬‬ ‫‪.800‬‬ ‫‪Question_06‬‬ ‫‪.146-‬‬ ‫‪Question_19‬‬ ‫‪1.029-‬‬ ‫‪-.74‬‬ ‫‪7.32‬‬ ‫‪1.23‬‬ ‫‪1.023-‬‬ ‫‪Question_23‬‬ ‫‪.469‬‬ ‫‪-‬‬ .647‬‬ ‫‪Question_13‬‬ ‫‪.29‬‬ ‫اٌغزس اٌىبِٓ‬ ‫ًسبت التباٗي‬ ‫الوفسش الكلٖ‬ ‫‪5.‬فإف كانت درجة القطع اليت تفصل بٌن التشبعات ادلعتمدة‬ ‫والتشبعات غًن ادلعتمدة يف تفسًن العوامل (‪ٓ ، )2.530‬‬ ‫‪.464‬‬ ‫‪.12‬نذؼ من ادلصفوفة كل التشبعات‬ ‫اليت تقل عن ىذه القيمة‪ ،‬وذلك تيسًنا لعملية تأويل العوامل (تسميتها)‪ ،‬وإلضفاء وضوح‬ ‫على تصميم مصفوفة العوامل أو التشبعات ليسهل قراءهتا [انظر اجلدوؿ‪.343‬‬ ‫‪.550‬‬ ‫‪.068‬‬ ‫‪-.]33 :‬‬ ‫عذ‪ٚ‬ي (‪ )35‬مصفوفة تشبعات فقرات استبيان القلق اإلحصاء عند استعمال حزمة (‪ )SPSS‬على عواملها‬ ‫باستعمال التحليل العاملي االستكشافي وبعد التدوير باستعمال طريقة الفاريماكس ‪(varimax‬ن=‪ .005-‬‬ ‫‪Question_02‬‬ ‫‪.638‬‬ ‫‪Question_07‬‬ ‫‪.198-‬‬ ‫‪.545‬‬ ‫‪.

536‬‬ ‫‪.412‬‬ ‫‪.677‬‬ ‫‪Question_20‬‬ ‫‪.648‬‬ ‫‪Question_09‬‬ ‫‪.747‬‬ ‫‪Question_17‬‬ ‫‪.429‬‬ ‫‪Question_05‬‬ ‫‪.428‬‬ ‫‪Question_19‬‬ ‫‪1.543‬‬ ‫‪Question_02‬‬ ‫‪.335‬‬ ‫‪-.464‬‬ ‫‪.683‬‬ ‫‪.34‬‬ ‫‪7.378‬‬ ‫‪.645‬‬ ‫‪Question_22‬‬ ‫‪.484‬‬ ‫‪.70‬‬ ‫الجزس الكاهي‬ ‫ًسبت التباٗي‬ ‫الوفسش‬ ‫وينبغي أف ٓنتوي مصفوفة التشبعات كما ىو مبٌن يف ادلصفوفتٌن السابقتٌن على ادلعلومات‬ ‫اآلتية‪:‬‬ ‫‪‬‬ ‫‪‬‬ ‫الفقرات أو ادلتغًنات وأحيانا تذكر الفقرات يف العمود األوؿ‪.56‬‬ ‫‪31.‬‬ ‫‪-‬‬ .586‬‬ ‫‪Question_23‬‬ ‫‪.496‬‬ ‫‪Question_01‬‬ ‫‪.‬‬ ‫تذكر مسميات العوامل ادلستخرجة كعناوين لألعمدة اليت تلي العمود األوؿ‪.‫‪.567-‬‬ ‫‪Question_03‬‬ ‫‪.487‬‬ ‫‪.516‬‬ ‫‪Question_04‬‬ ‫‪.513‬‬ ‫‪.343‬‬ ‫‪.739‬‬ ‫‪.14‬‬ ‫‪5.690‬‬ ‫‪.550‬‬ ‫‪.661‬‬ ‫‪Question_21‬‬ ‫‪.747‬‬ ‫‪Question_11‬‬ ‫‪.514‬‬ ‫‪Question_16‬‬ ‫‪.523‬‬ ‫‪Question_12‬‬ ‫‪.597‬‬ ‫‪.488‬‬ ‫‪.484‬‬ ‫‪.32‬‬ ‫‪1.23‬‬ ‫‪1.833‬‬ ‫‪Question_08‬‬ ‫‪.73‬‬ ‫‪5.29‬‬ ‫ًسبت التباٗي‬ ‫الوفسش الكلٖ‬ ‫‌‪50.74‬‬ ‫‪7.

‬‬ ‫يفضل أف ؼلصص العمود األخًن لذكر قيم الشيوع أو االشرتاكيات‪.‬وتوضع أيضا يف قاعدة اجلدوؿ‪.12‬‬ ‫تذكر اجلذور الكامنة للعامل يف قاعدة ادلصفوفة أو اجلدوؿ‪.‬‬ ‫‪-‬‬ .‬ففي ادلصفوفة الثانية‬ ‫التالية [جدوؿ‪]33 :‬حذفت التشبعات اليت تقل عن ‪2.‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫تذكر يف خاليا أعمدة العوامل التشبعات‪ .‬‬ ‫وتذكر أيضا نسب التباين ادلفسر من طرؼ كل عامل‪ ،‬ويذكر معها أيضا نسبة‬ ‫التباين ادلفسر الكلي‪ .‬وقد تذكر ٗنيع التشبعات وقد يكتفى‬ ‫بذكر التشبعات ادلعتدلة وادلرتفعة وٓنذؼ التشبعات ادلنخفضة‪ .

- .

In C. (1984). H. Anderson. American Sociological Review. A New Look at the Statistical Model Identification. pp. improper solutions. C.‫املـشاصـغ‬ ‫) اإلحصاء المتقدم للعلوم النفسية والتربوية‬0222( ‫عزت عبد احلميد زلمد حسن‬ .J. 2. Publication manual of the American Psychological Association. (1984).D. Psychometrika. Washington. 411-423.. J. Allison. 716-23. Amsterdam: North-Holland. A. (1987) Estimation of linear models with incomplete data. American Psychological Association (2002).. 155–173. 3.W. San Francisco: Jossey-Bass. DC: APA. Clogg [Ed. T. 103(3). (1974).. Structural Equation modeling in practice : A review and recommended two-step approach. 71-103). Intriligator (Eds. R.). and goodness of fit indices for maximum likelihood confirmatory factor analysis.. 40.‫ دار زاىد القدسي للطباعة والنشر‬:‫ القاىرة‬. P. D. An evaluation of the Satorra-Bentler distributional misspecification correction applied to McDonald fit index. The decomposition of effects in path analysis. - . (1996). Structural Equation Modeling. 1321-1393). In Z.] Sociological Methodology (pp.& Gerbing..C.. Handbook of Econometrics (Vol. J. Griliches & M. 19 (6). Anderson. F. Alwin. Kapteyn. Akaike. Includes guidelines for writing up SEM analyses.‫واالجتماعية‬ Aigner. 49. R. D. Hsiao. (1975). D. The effect of sampling error on convergence. IEE Transactions on Automatic Control. C. Anderson. W. Psychological Bulletin. & Hauser. M. 203–227. D. & Wansbeek. (1988). 37-47.D. C. & Gerbing. Latent variable models in econometrics. D.

L. Mahwah. (1986). D. Annual Review of Psychology. C. Chicago. NJ: Lawrence Erlbaum Associates..M. Arbuckle.. P. & Sobel. Handbook of statistical modeling for the social and behavioral sciences. Structural Equation Modelling: Adjudging Model Fit. Kenneth P. vol. The observation to variable ratio in factor analysis..W. 1. (1991). Theoretical and technical contributions to structural equation modeling: An updated annotated biliography. Schumacker [Eds.. James L.M. Chicago. (2003). 36 (3). J. (1991). Y. Personality Study and Group Behavior.0 update to the AMOS user’s guide. Psychometrika. Marcoulides and R. Arminger. Adminstrative Science Quarterly.] Advanced structural equation modeling: Issues and Techniques.0 user’s guide. and Knott. Barrett.L. R. Structural Equation Modeling. (1995-99). Amos 7. M (1999) Latent Variable Models and Factor Analysis Kendall's Library of Statistics. P.. IL: SmallWaters Corp.Anderson. Arbuckle. 11-21. (1980).A. Austin. 815-24. J. Arbuckle. Arbuckle. Yi. Clogg. & Wothke. E. (1995).. & Wolfle. Bentler. In G. P. P. D.. Bagozzi. Avoiding pitfalls when using information-theoretic methods. NY: Plenum Press. 42 (5). J. eds. (2006). W. AMOS 5. Barrett. Bentler. IL: SPSS Inc. (1996) Full information estimation in the presence of incomplete data. R. J. D J. L. and Phillips.. 105-175. - . Mutivariate analysis with latent variables: Causal modeling. Arnold publishers. (2007). Chicago. AMOS 4. C.E. 35-51. 23-33. 31. 7. & Kline. (1981). IL: SmallWaters Corp. G. Assessing Construct Validity in Organizational Research. 421-58. (2002). M.T.0 User's Guide. L. & Burnham. Structural equation modeling and Psychometrika: An historical perspective on growth and achievements. T. P. 3. Journal of Wildlife Management 66(3): 912-918. Personality and Individual Differences. Bartholomew. 31.P.

51.M. P. Child Development. (1977). (1985). & Bonett. Psychological Bulletin. W.. M. (1988). Bollen. Psychometrika. Bentler. R. B.). K. & Yuan. In C. (1999). Structural equation models. 161-192). Structural equations with latent variables. M. Bentler. K. P. 588–606. Krishnaiah (Ed.. - .: American Sociological Association Bollen. and structural equation modeling. Beverly Hills. R.M. Annual Review of Sociology.. Bollen. P. 303-3.). Causality.. Los Angles: BMDP Statistical Software Bentler.M. P. confirmation. (1989a).Bentler. & Marlin. Efficient estimation via linearization in structural models. P. and indirect effects in structural equation models. Washington. 17. CA: Sage.A.C. credulity. 238-246. A new incremental fit index for general structural model. 4-17 Bielby. (1987).. 107. Sample size and Bentler and Bonett’s nonnormed fit index. Clogg (Ed.. D.M. M. & Chou.C. Significance tests and goodness of fit in the analysis of covariance structures. (1992). C.A. Sociological Methods and Research. EQS structural equations program manual. 37-69). Practical issues in structural modeling. (1987). P. 181–197. 34. Psychological Bulletin. 3. Biddle. G. Common problems/proper solutions (pp.T. In J. 88. C. K. direct. K. 137-161. Comparative fit indexes in structural models. Structural equation modeling with small samples: Test statistics. K. In P. Bentler. Bentler. M. Total. 375–377. T.. (1980). Long (Ed. & Hauser. D. (1990). K. 16.J. (1987). (1989b). & Chou. Practical issues in structural modeling. Multivariate Behavioral Research. A. (1986). 58. Bentler. Multivariate analysis VI (pp.S. New York: John Wiley & Sons.-P. Bollen.-H. P. 78-117.). M. Amsterdam: NorthHolland. & Dijkstra. 9–42). Sociological Methods and Research. Sociological methodology 1987 (pp.A. M.

A.). S. Psychological Bulletin. R. CA: Sage.Bollen. (1991). Asymptotic distribution-free methods for the analysis of covariance structures.). A. Alternative ways of assessing model fit.. Newbury Park. K. (2000). & Lennox. Bollen & J. 110(2). (1990). A. 111–135). M. New York: The Guilford Press. 7.. A. Long (Eds. Bollen. 107.A.W. New York: Springer-Verlag. Psychological Bulletin. A. (1993). (Eds.). S. Boomsma. Part 1 (pp. P.A. Reporting analysis of covariance structures. Amsterdam: North-Holland. (2006) Confirmatory Factor Analysis for Applied Research. (1982). Model selection and inference: A practical information-theoretic approach. British Journal of Mathematical and Statistical Psychology. Testing structural equation models (pp. Long (Eds. K. Systems under indirect observation. 37. R. (1998). Applications of covariance structure modeling in psychology: Cause for Concern? Psychological Bulletin. Structural Equation Modeling. & Long. 107. J. 256-259. Testing structural equation models (pp. S. G. M. T. Brown. (1988). R. CA: Sage. Testing Structural Equation Models. Bootstrapping goodness of fit measures in structural equation models. R. (1993). 149173). - . In K. Wold (Eds. & Stine. (1984). 41. A. Browne. Burnham. The robustness of LISREL against small sample size in factor analysis models. D. Bollen & J. A. 62–83. Conventional Wisdom on Measurement: A structural equation perspective. 461-483. (1990) Overall fit in covariance structure models: Two types of sample size effects. J. 305-314. & Anderson. Newbury Park. Browne.. Robustness of normal theory methods in the analysis of linear latent variate models. 193–208.W. Bollen. K. Breckler. British Journal of Mathematical and Statistical Psychology. (1993). K.).& Shapiro. Newbury Park CA: Sage Bollen. M.. Boomsma. In K. Browne. K. & Cudeck. 260-273. Jöreskog & H.S. 136–162).W. In K.

C. B. (1995. New York: Springer-Verlag. eds.. and programming. B. Factor Analysis Models: viewing the structure of an assessment instrument from three perspectives. (1998). Edward G. B. - . Publishers.M. Campbell. 1.A. & Thompson. B. Mahwah. (ERIC Document Reproduction Service No. 1. New Jersey: Lawrence Erlbaum Associates. B. R. Chan. B. (1989). ED 380 491) Carmines. M. 65-115 in George W. The factor structure of the Bem Sex-Role Inventory (BSRI): A confirmatory factor analysis. and Programming (2nd Edition). January). D.M. PRELIS and SIMPLIS : Basic Concepts. T. Byrne. Bohmstedt and Edward F. The scree test for the number of factors. Analyzing models with unobserved variables: Analysis of covariance structures. (1966). M. Dallas. Multivariate Behavioral Research.. Paper presented at the annual meeting of the Southwest Educational research Association. Applications. 245-276. Structural Equation Modeling with LISREL. Publishers. Journal of Personality Assessment. CA: Sage Publications.. applications. The conceptualization and analysis of change over time: An integrative approach incorporating longitudinal mean and covariance structures analysis (LMACS) and multiple indicator latent growth modeling (MLGM). Publishers. Byrne. (2001). Byrne. and Programming.M.Social Measurement. Gillaspy.Byrne. (1998). B. Organizational Research Methods. (2006). and John P. Structural equation modeling with AMOS: Basic concepts. Byrne. 17-32. (2005).421-483. 85(1). A primer of LISREL: Basic applications and programming for confirmatory factor analysis models. New Jersey: Lawrence Erlbaum Associates. NJ: Lawrence Erlbaum Associates. J. Pp. Thousand Oaks. Borgatta. Applications. Structural Equation Modeling with EQS : Basic Concepts. Cattell. McIver (1981).

B. Collins.J. Stice. F. (1991).A. Scaled test statistics and robust standard errors for nonnormal data in covariance structure analysis: A Monte Carlo study. Teresi. & Chassin. (1997). R. and Velez (1990). K.W. Multivariate Behavioral Research. 317-327. Structural Equation Modeling: Basic Concepts and Applications in Personality Assessment Research.. Journal of Personality Assessment. & Satorra. & Fan.C: American Psychological Association. Cohen. Cudek. 18. 2. N. Bollen. X.L. The relation between adolescent alcohol use and peer alcohol use: A longitudinal - . P. 44. H. R. B. P. & Horn.(2).. Chou.-P.W. NJ: Lawrence Erlbaum. Analysis of correlation matrices using covariance structure models. A.M. Research & Evaluation. Costello. J.. Marchi. Some cautions concerning the application of causal modeling methods. Cohen. (2002). Structural Equation Modeling. & Chen. vol 14. The noncentral chi-square distribution in misspecified structural equation models: Finite sample results from a Monte Carlo simulation. E. 9.Cheung G. Osborne. A first course in factor analysis. Applied Psychological Measurement. Multivariate Behavioral Research. (1992). 81-105.. Comrey..asp?v=10&n=7 Crowley. Bentler. J. L.. Practical Assessment. Kirby. L. J.. Rensvold.233–255.. (1989). Curran. (1991).. Best Methods for the Analysis of Change . 10(7). P. 68 (3). & Lee. Curran. L. S.net/getvn. Paxton. Psychological Bulletin. P. Hillsdale.. (1997).L. A. 1–36. C. 347–357. Problems in the measurement of latent variables in structural equations casual models.B. Evaluating goodness-of-fit indexes for testing measurement invariance. British Journal of Mathematical and Statistical Psychology. Best Practices in Exploratory Factor Analysis: Four Recommendations for Getting the Most From Your Analysis . http://pareonline. Washington. 50831. (2005). J. (2002). M. A. (1983). 37. 183-196.. Cliff. D..

American Journal of Sociology. Paper presented at the annual meeting of the Southwest Educational Research Association. 8. S. (1989. C. (2001). Duncan. (2000). & Siguaw. C. (1998). Li. 18(4). November). 219-316. 3. Duncan. & Duncan.. and applications. A. Journal of Consulting and Clinical Psychology. Psychological Methods.A. T. Duncan. E. O. S. Applied Psychological Measurement. Diamantopoulos. A primer on maximum likelihood algorithms available for use with missing data. 72. 130-140. (ERIC Document Reproduction Service No. & Alpert. (1975). L. A..E.. Path analysis: Sociological examples. T. A cautionary note on measurement error corrections in structural equation models.(1994). Diamantopoulos. C. 10. (2001). Comparisons of exploratory and confirmatory factor analysis.K. Duncan. Thousand Oaks. Duncan. (1996). CA: Sage Publications. Enders. 128-141. T. Structural Equation Modeling. 343-354. New York: Academic Press. S. 105136. R.65. Introduction to structural equation models. (1999). A. Mahwah. & Duncan.C. (1994) Modeling developmental processes using latent growth structural equation methodology. An introduction to latent variable growth curve modeling: Concepts. A multivariate growth curve analysis of adolescent substance use. issues. 'Modeling with LISREL: A guide for the uninitiated'..G.K. Daniel. J.. Journal of Marketing Management..P. O. F.D. L.D. Strycker.. 3. Duncan.E. 412-423. Little Rock. (1966). ED 314 447) DeShon. Enders. Structural Equation Modeling. 323-347.C. The impact of nonnormality on full information maximum-likelihood estimation for structural equation - . Introducing LISREL. NJ: Erlbaum.random coefficients model.

- . 620-641. Enders. R. 6.. S. Wegener. (2005). G.. Feild. Structural equation modeling: A second course. L.). J. C. 1-19.). T. E. CT: . Structural Equation Modeling.L. Psychological Methods. A.. K. P.. Discovering statistics using SPSS(2nd Ed. Evaluating the use of exploratory factor analysis in psychological research. C. Structural Equation Modeling: A Multidisciplinary Journal. J. & Wang. J. 12(4). Greenwich. Effects of sample size and nonnormality on the estimation of mediated effects in latent variable models. 11..Information Age.R. C. A SAS macro for implementing the modified BollenStine bootstrap for missing data: Implementing the bootstrap using existing structural equation modeling software.& Sttrahan. (1999).. K. 352370. (2004).models with missing data. B. Feild.O. D.. London: sage publications. & MacKinnon. 4(2). Discovering statistics using SPSS(3rd Ed. Feild. Enders. estimation methods. Thompson. (2005). 56-83. F. Discovering statistics using SPSS. (2009). (2006). MacCallum. Finch. A.R. Fabrigar. Peugh. A. Using an EM covariance matrix to estimate structural equation models with missing data: Choosing an adjusted sample size to improve the accuracy of inferences. Fan. Hancock & R.). (2000). and model specification on structural equation modeling fit indexes. London: sage publications.. West. Psychological Methods. (1997).. L. Enders. K. (1999). Structural Equation Modeling. London: sage publications. C. Analyzing structural equation models with missing data. 87-107. Structural Equation Modeling: A Multidisciplinary Journal. 6. D. X. In G.272– 299. 4(3). Effects of sample size. Mueller (Eds.

(2002). 80-100.. (2006). (2009)Structural Equation Modelling: Statnotes. Journal of Consumer Research. J.C. Structural Equation Modeling. D. 325-366).ncsu.P. (ERIC Document Reproduction Service No. 31(4).W. (1997). Graham.S. 572-80. Windle. MacKinnon. Gerbing. 930-944. (1983).L. S. NJ. Hofer. (1993). Journal of Educational Statistics. & S. W. J. Adding missing-data relevant variables to FIMLbased structural equation models. As others see us: A case study in path analysis. J. http://faculty. A primer on confirmatory factor analysis. 12. J.: American Psychological Association.A. D.C. Gillaspy.W. M. R.chass. Hillslade. Garson. - . CA: Sage. 10. Bryant.). Factor Analysis (2nd ed. D. Bollen. & Schafer.: Lawrence Erlbaum. M.M. W. 573-578. D. January). D.edu/PA765/structur.estimates of score reliability: What they are and how to use them: Educational and Psychological Measurement 66. D. Analysis with missing data in prevention research..A. S. Congeneric and (essentially) tau-equivalent. West (Eds. Structural Equation Modeling Texts: A primer for the beginner. & J. & Anderson. Monte Carlo evaluations of goodness-of-fit indices for structural equation models. J. Testing structural equation models. J. & Anderson. On the Meaning of Within-Factor Correlated Measurement Errors. 101-128. Journal of Clinical Child Psychology. Gorsuch.Freedman.). Last updated: 8/10/2009.I.. The science of prevention: methodological advances from alcohol and substance abuse research. J.). L.htm Gerbing. Graham. (1984). Paper presented at the annual meeting of the Southwest Educational Research Association. (pp. Long (eds.. ED 395 040) Glaser. (1996.A. Graham..C. 11 (June). Donaldson.from North Carolina State University. (1987). Newbury Park. D. Washington. In K. In K. New Orleans. (2003).

F. L. Tatham. NC: SAS Institute. Boadu. Psychometrika. Englewood Cliffs. W. W.. New Jersey: Prentice Hall. R. G. R. W. Guattman. Hancock & R.. R. Multivariate Behavioral Research. Multivariate Data Analysis with readings(Fifth Edition). An illustration of second-order latent growth models. & Black. O. Guadagnoli. F. Hancock. K. CT: Information Age Publishing.). (1988). & Velicer. Chapter 6 covers SEM. H. CT: Information Age Publishing. Inc. Pazderka-Robinson. & Lawrence. 197-218. & Lawrence. NJ: Prentice Hall. Structural Equation Modeling: A Second Course. Mueller (Eds. G. (1994)..G. L. G. Power analysis in covariance structure models. C.. 103(2). (1953). Using latent growth models to evaluate longitudinal change. (2006).Graham. Jr. M. Hancock.. Hancock & R. Image theory for the structure of quantitative variables. O. P. S. F. D. & MacKinnon. In G.. Greenwood. (1995). Greenwood.. J. Jr. 470-489. Two Three – - . C. E. Psychological Bulletin. Hatcher. Hayduk. Cary. L. Tatham. and Boulianne. 8. W. (2006).-L.). Inc.. R. Hancock... Multivariate Data Analysis with readings(Fourth Edition). R. R. A step-by-step approach to using the SAS system for factor analysis and atructural equation modeling. Hair. Anderson. Structural equation modeling with LISREL: Essentials and advances. W. (2001). (1998). Hayduk. Hofer. F.. L. Kuo. & Black. R.R. J. Focuses on CALIS under SAS.. Testing! Testing! One. (2007)..265-275. R. Maximizing the usefulness of data obtained with planned missing value patterns: An application of maximum likelihood procedures. Hair. Structural Equation Modeling. Cummings. L. G. (1996). Mueller (Eds. 18. E. Baltimore: Johns Hopkins University Press. In G. F. R. 31. L. Anderson. (1987).. 277-296. Relation of sample size to the stability of component patterns. E.R. Structural Equation Modeling: A Second Course...A. J. S.

Testing the theory in structural equation models!, Personality
and Individual Differences, 42 (2), 841-50.
Hayton, J. C., Allen, D. G. & Scrpello, V. (2004). Factor retention decisions
in exploratory factor analysis. A tutorial on parallel analysis.
Organizational Research Methods, 7, 191-205.
hen, F., K. A. Bollen, P. Paxton, P. Curran, and J. Kirby (2001). Improper
solutions in structural equation models: Causes,
consequences, and strategies. Sociological Methods and
Research 29: 468-508. Covers causes and handlin of
negative error variances.
Hershberger, S. L. (1994). The specification of equivalent models before the
collection of data. Pp. 68-105 in A. von Eye and C. C. clogg,
eds., Latent variables analysis. Thousand Oaks, CA: Sage
Publications.
Hocking, R.R. (1984), The Analysis of Linear Models. Monterey, CA:
Brooks-Cole Publishing Co.
Hoelter, J. W. (1983). The analysis of covariance structures: Goodness-of-fit
indices. Sociological Methods & Research, 11, 325–344.
Holland, P. W. (1988). Causal inference, path analysis, and recursive
structural equations models. Sociological Methodology, 18,
449-493.
Hooper,D., Coughlan, J. & Mullen, M. R.(2008) Structural Equation
modeling: Guidelines for determining model fit. The
Electronic Journal of Business Research Methods. 6(issue
1), 53-60.
Horn, J. L. (1965). A rationale and test for the number of factors in factor
analysis. Psychometrika, 30, 179-185.
Hoshino, T. (2001). Bayesian inference for finite mixtures in confirmatory
factor analysis. Behaviormetrika 28:1, 37–63.
Hoyle, R. H. (Ed.). (1995). Structural Equation Modeling: Concepts,
Issues and Applications. Thousand Oaks, CA: Sage
Publications.

-

Hoyle, R H & Panter, A. T. (1995) Writing about structural equation
models. In R. H.
Hoyle (ed)
Structural Equation
Modeling: Concepts, Issues, and Applications. SAGE,
Hu, L.-T., & Bentler, P. (1995). Evaluating model fit. In R. H. Hoyle (Ed.),
Structural Equation Modeling. Concepts, Issues, and
Applications (pp. 76-99). London: Sage.
Hu, L.-T., & Bentler, P. (1998). Fit indices in covariance structure
modeling: sensitivity to under parameterized model
misspecificaton. Psychological Methods, 3, 424-453.
Hu, L.-T., & Bentler, P. (1999). Cutoff criteria for fit indexes in covariance
structure analysis: Conventional criteria versus new
alternatives. Structural Equation Modeling, 6, 1-55.
Hu, L., Bentler, P. M., & Kano, Y. (1992). Can test statistics in covariance
structure analysis be trusted? Psychological Bulletin, 112,
351–362.
Huba, G. J., & Harlow, L. L. (1987). Robust structural equation models:
Implications for developmental psychology. Child
Development, 58, 147–66.
Jaccard, J. & Choi K. W. (1996). LISREL approaches to interaction effects
in multiple regression. Thousand Oaks, CA: Sage
Publications. In spite of the title, this monograph deals
directly with SEM using LISREL.
Jackson, D. L. (2001). Sample size and number of parameter estimates in
maximum likelihood confirmatory factor analysis: A Monte
Carlo investigation. Structural Equation Modeling, 8(2),
205-223.
Jonsson, F. (1998). Modeling interaction and non-linear effects: A step-bystep LISREL example. Pp. 17-42 in R. E. Schumacker & G.
A. Marcoulides, eds., Interaction and nonlinear effects in
structural equation modeling. Mahwahm ?NJ: Lawrence
Erlbaum Associates.
Joreskog, K.G. (1969). A general approach to confirmatory maximum
likelihood factor analysis. Psychometrica, 34, 183-202.
Jöreskog, K. G. (1973). "A general method for estimating a linear structural
equation system," in Arthur S. Goldberger and Otis Dudley

-

Duncan, eds., Structural equation models in the social
sciences.New York: Seminar Press/Harcourt Brace, 1973.
Joreskog, K.G. (1977). Factor analysis by least-squares and maximum
likelihood for digital computers. In K. Enslein, A. Ralston, &
H. S. Wilf (eds) Statistical methods for digital computers.
New York: John Wiley.
Jöreskog, K. and Long, J.S. (1993), "Introduction," in Testing Structural
Equation Models, Kenneth A. Bollen and J. Scott Long, Eds.
Newbury Park, CA: Sage.
Joreskog, K.G., & Sorbom, D. (1986). LISREL VI: Analysis of linear
structural relationships by maximum likelihood,
instrumental variables, and least squares methods (4th ed.).
Uppsula, Sweden: University of Uppsula Department of
Statistics.
Jöreskog, K. G. & Sörbom, D. (1988). PRELIS. A program for
multivariate data screening and data summarization. User’s
Guide (2nd Ed.). Chicago: Scientific Software International.
Joreskog, K.G., & Sorbom, D. (1989). LISREL 7: A guide to the program
and applications (2nd ed.). Chicago: SPSS.
Jöreskog, K. and Sörbom, D. (1993), LISREL 8: Structural Equation
Modeling with the SIMPLIS Command Language. Chicago,
IL: Scientific Software International Inc.
Jöreskog, K. G. & Sörbom, D. (1996a). LISREL 8: Structural Equation
Modeling with the SIMPLIS Command Language.
Chicago: Scientific Software Internaltional, Inc.
Jöreskog, K. G. & Sörbom, D. (1996b). LISREL 8: User’s reference guide.
Chicago: Scientific Software Internaltional, Inc.
Jöreskog, K. G. & Sörbom, D. (1997). LISREL 8: A guide to the program
and applications. Chicago, IL: PASW/SPSS Inc.
Jöreskog, K. G., Sörbom, Dag, Stephen Du Toit, and Mathilda du
Toit.(2001). LISREL 8: New Statistical Features.
Lincolnwood, Ill.: Scientific Software International.
Joreskog, K. and F. Yang (1996). Non-linear structural equation models:
The Kenny-Judd model with interaction effects. Pp. 57-88 in

-

G. Marcoulides and R. Schumacker, eds., Advanced
structural equation modeling: Concepts, issues, and
applications. Thousand Oaks, CA: Sage Publications.
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39,
32-36.
Kano, Y. (1992). Robust statistics for test-of-independence and related
structural models. Statistics & Probability Letters, 15, 21–26.
Kaplan, D. (1995). Statistical power in structural equation modeling. In R.
Hoyle (Ed). Structural Equation Modeling: Concepts,
Issues, and Applications. pp. 100-117. Thousand Oaks, CA:
Sage.
Kaplan, D (2000) Structural Equation Modeling: Foundations and
Extensions. SAGE, Advanced Quantitative Techniques in the
Social Sciences series, vol. 10.
Kaplan, D., & Wenger, R. N. (1993). Asymptotic independence and
separability in covariance structure models: Implications for
specification error, power, and model modification.
Multivariate Behavioral Research, 28, 483-498.
Kelloway, E. K. (1998) Using LISREL for Structural Equation Modeling. A
researcher's Guide. Thousand Oaks: Sage Publication.
Kelm, L. (2000a). Structural equation modeling. In L. G. Grimm & P. R.
Yarnold (Eds.) Reading and understanding more
multivariate statistics (pp.227-260). Washington, DC:
American Psychological Association.
Kelm, L. (2000). Path Analysis. In L. G. Grimm & P. R. Yarnold (Eds.)
Reading and understanding multivariate statistics (pp. 6597). Washington, DC: American Psychological Association.
Kenny, D. A. & Judd, C. M. (1984). Estimating the non-linear and
interactive effects of latent variables. Psychological
Bulletin 96, 201-210.
Kenny, D.A. & Kashy, D.A. (1992). The analysis of the multitraitmultimethod matrix by confirmatory factor analysis.
Psychological Bulletin, 112, 165-172.

-

Kenny, D.A. & McCoach, D.B. (2003), Effect of the Number of Variables
on Measures of Fit in Structural Equation Modeling,
Structural Equation Modeling, 10 (3), 333-51.
Kim, K. (2003). The relationship among fit indices, power, and sample
size in structural equation modeling. Unpublished doctoral
dissertation, UCLA.
Kline, R. B. (1998). Principles and practice of structural equation
modeling. NJ: Guilford Press
Kline, R. B. (2005). Principles and practice of structural equation
modeling (Second Edition). New York: Guilford Press.
Kline, R. B. (2011). Principles and practice of structural equation
modeling (Third Edition). New York: Guilford Press.
La Du, T. J., & Tanaka, J. S. (1989). The influence of sample size,
estimation method, and model specification on goodness-offit assessments in structural equation models. Journal of
Applied Psychology, 74, 625–636.
La Du, T. J., & Tanaka, J. S. (1995). Incremental fit index changes for
nested structural equation models. Multivariate Behavior
Research, 30, 289–316.
Lance, C. E., Butts, M. M., & Michels, L. C. (2006). The sources of four
common reported cutoff criteria: What did they really say?
Organizational Research methods, 9(2), 202-220.
Lawrence, F. R., & Hancock, G. R. (1998). Assessing change over time
using latent growth modeling. Measurement and Evaluation
in Counseling and Development, 30, 211-224.
Lawrence, F. R., & Hancock, G. R. (1998). Methods, plainly speaking.
Assessing change over time using latent growth modeling.
Measurement and Evaluation in Counseling and
Development, 30, 211-224.
Lee, S. Y. (2007). Structural equation modeling: A Bayesian approach.
Chichester, UK: John Wiley & Sons.
Lee, S. & Hershberger S. (1990). A simple rule for generating equivalent
models in covariance structure modeling. Multivariate
Behavioral Research, 25: 313-334.

-

Little, R. J. A., & Rubin, d.B. (1989). The analysis of social science data
with missing values, Sociological Methods and Research,
18, 292-326.
Little, R. J. A. & Rubin, D (1987). Statistical analysis with missing data.
Wiley.
Little, T.D., Schnabel, K.U. & Baumert, J. [Eds.] (2000) Modeling
longitudinal and multilevel data: Practical issues, applied
approaches, and specific examples. Mahwah, NJ: Lawrence
Erlbaum Associates
Loehlin, J. C. (1998). Latent Variable Models: An Introduction to Factor,
Path, and Structural Equation Analysis.( 3rd ed. ). Mahwah,
N.J.: Lawrence Erlbaum Associates.
Loehlin, J. C. (2004). Latent Variable Models: An Introduction to Factor,
Path, and Structural Equation Analysis.( 4rd ed. ). Mahwah,
N.J.: Lawrence Erlbaum Associates.
Long, J. S. (1997). Regression models for categorical and limied
dependent variables. Thousand Oaks, CA: Sage Publications.
Maassen, G. H., & Bakker, A. B. (2001). Suppressor variables in path
models:
Definitions and interpretations. Sociological
Methods and Research, 30, 241-270.
MacCallum, R. (1986). Specification searches in covariance structure
modeling. Psychological Bulletin, 100, 107-120.
MacCallum, R. C., Browne, M. W., & Cai, L. (2006). Testing differences
between nested covariance structure models: Power analysis
and null hypotheses. Psychological Methods, 11, 19-35.
MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power
analysis and determination of sample size for covariance
structure modeling. Psychological Methods, 1, 130–149.
MacCallum, R. C., & Hong, S. (1997). Power analysis in covariance
structure modeling using GFI and AGFI. Multivariate
Behavioral Research, 32, 193–210.
MacCallum, R. C., Roznowski, M., & Necowitz, L. B. (1992). Model
modifications in covariance structure analysis: The problem

-

of capitalization on chance. Psychological Bulletin. 111,
490-504
MacCallum, R. C., Wegener, D. T., Uchino, B. N., & Fabrigar, L. R.(1993).
The problem of equivalent models in applications of
covariance structure analysis. Psychological Bulletin, 114,
185-199.
MacCallum, R.C., Widaman, K.F., Zhang, S., & Hong, S. (1999). ``Sample
Size in Factor Analysis.'' Psychological Methods 4:84-99
Marcoulides, G & Schumacker, R. (1996). Advanced Structural Equation
Modeling: Issues and Techniques. Mahwah, NJ: Lawrence
Erlbaum Publishers.
Marcoulides, G & Schumacker, R. (2001). New Developments and
Techniques in Structural Equation Modeling. Mahwah, NJ:
Lawrence Erlbaum Publishers.
Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with
applications. Biometrika, 57, 519–530.
Marsh, H. W. (1989). Confirmatory factor analysis of multitraitmultimethod data: Many problems and a few solutions.
Applied Psychological Measurement, 13, 335-361.
Marsh, H. W. (1993). Multitrait-multimethod analyses: Inferring each
trait/method combination with multiple indicators. Applied
Measurement in Education, 6, 49-81.
Marsh, H.W. (1998). Pairwise deletion for missing data in structural
equation models with missing data: Nonpositive definite
matrices, parameter estimates, goodness of fit, and adjusted
sample sizes. Structural Equation Modeling, 5, 22-36.
Marsh, H. W., & Bailey, M. (1991). Confirmatory factor analysis of
multitrait-multimethod data: A comparison of alternative
models. Applied Psychological Measurement, 15, 47-70.
Marsh, H. W., Balla, J. R., & Hau, K. T. (1996). An evaluation of
incremental fit indexes: A clarification of mathematical and
empirical properties. Pp. 315-353 in G. A. Marcoulides & R.
E. Schumacker, eds, Advanced structural equation modeling
techniques. Mahwah , NJ : Lawrence Erlbaum.

-

Marsh, H. W., Balla, J. R., & McDonald, R. P. (1988). Goodness-of-fit
indexes in confirmatory factor analysis: The effect of sample
size. Psychological Bulletin, 103, 391–410.
Marsh, H. W., Byrne, B. M., & Craven, R. (1992). Overcoming problems in
confirmatory factor analyses of MTMM data: The correlated
uniqueness model and factorial invariance. Multivariate
Behavioral Research, 27, 489-507.
Marsh, H. W., & Grayson, D. (1994). Longitudinal stability of latent means
and individual differences: A unified approach. Structural
Equation Modeling, 1, 317-359.
Marsh, H. W., & Grayson, D. (1995). Latent-variable models of multitraitmultimethod data. In R. H. Hoyle (Ed.), Structural equation
modeling: Issues and applications (pp. 177-198). Newbury,
CA,. Sage.
Marsh, H.W., Hau, K.-T., &Wen, Z. (2004). In search of golden rules:
Comment on hypothesis-testing approaches to setting cutoff
values for fit indexes and dangers in over-generalizing Hu
and Bentler’s (1999) findings. Structural Equation
Modeling, 11, 320–341.
Marsh, H. W., & Hocevar, D. (1988). A new, more powerful approach to
multitrait-multimethod analyses: Application of second order
confirmatory factor analysis. Journal of Applied Psychology,
73, 107-117.
Maruyama, G. M. (1998). Basics of Structural Equation Modeling.
Newbury Park CA: Sage Publications.
McArdle, J.J.

(1986). Dynamic but structural equation modeling of
repeated measures data. In Nesselroade, J.R., and Cattel,
R.B. (eds.), Handbook of Multivariate Experimental
Psychology (2nd ed.). New York: Plenum Press.

McArdle, J.J. (1996). Current directions in structural factor analysis.
Current Directions, 5, 11-18.
McDonald, R. P. (1989). An index of goodness-of-fit based on
noncentrality. Journal of Classification, 6, 97–103.
McDonald, R.P. (1996). Path analysis with composite variables.
Multivariate Behavioral Research, 31, 239-270.

-

McDonald, R.P. & Ho, M. H. R. (2002). Principles and practice in reporting
structural equation analysises. Psychological Methods, 7,
64-82.
McDonald, R. P., & Marsh, H.W. (1990). Choosing a multivariate model:
Noncentrality and goodness of fit. Psychological Bulletin,
107, 247–255. 144 YUAN
McIntosh, C. (2006), Rethinking fit assessment in structural equation
modelling: A commentary and elaboration on Barrett (2007),
Personality and Individual Differences, 42 (5), 859-67.
McQuitty, S. (2004), Statistical power and structural equation models in
business research, Journal of Business Research, 57 (2),
175-83.
Miles, J. & Shevlin, M. (1998), Effects of sample size, model specification
and factor loadings on the GFI in confirmatory factor
analysis, Personality and Individual Differences, 25, 85-90.
Miles, J. & Shevlin, M. (2007), A time and a place for incremental fit
indices, Personality and Individual Differences, 42 (5),
869-74. www.ejbrm.com ISSN 1477-7029 57 Electronic
Journal of Business Research Methods Volume 6 Issue 1
2008 (53-60)
Miller, M. B. (1995). Coefficient alpha: A basic introduction from the
perspectives of classical test theory and structural equation
modeling. Structural Equation Modeling, 2(3), 255-273.
Mooijaart, A., & Bentler, P. M. (1991). Robustness of normal theory
statistics in structural equation models. Statistica
Neerlandica, 45, 159–171.
Mueller, R.O. (1996). Basic Principles of Structural Equation Modeling:
An Introduction to LISREL and EQS. New York: SpringerVerlag
Mueller, R. (1997). Structural equation modeling: Back to basics. Structural
Equation Modeling, 4, 353-369.
Mueller, R. O., & Hancock, G. R. (2008). Best practices in structural
equation modeling. Pp. 488-508 in J. W. Osborne, ed. Best
practices in quantitative methods. Thousand Oaks, CA: Sage
Publications.

-

(1987). R. Mulaik. 599–620. CA: Muthén & Muthén. 51. 8. Testing structural equation models (pp. Structural Equation Modeling: A Multidisciplinary Journal.A. H. Nunnally. Muthén. & Stilwell. Measurement. (2002). Bollen & J. On structural equation modeling with data that are not missing completely at random. 267-305. Structural Equation Modeling. & Hollis.. Lind. S. Psychometrika. S. Mulaik.A. E. & Breivik. and Analysis for Marketing. B. (1993). & Enders. Linda K. S. Mplus User’s Guide: Version 3.). & Bernstein.. C. L. Muthén.. Psychometric Theory (3rd ed.. (2000). Two equivalent discrepancy functions for maximum likelihood estimation: Do their test statistics follow a non-central chi-square distribution under model misspecification? Sociological Methods & Research. & Millsap.A.. Olsson. M. Okleshen-Peters.431-462. Newbury Park. J. T. (2001). U. 22. D. A. (2004). CA: Sage. In K.Mulaik.. Journal of Targeting. J. Foss. I.. 556–574. S. Multivariate Behavioral Research. (2002). (1994). van Alstie. and Bengt O. Evaluation of goodness-of-fit indices for structural equation models. New york: McGraw-Hill. L... 36-73. - . A brief history of the philosophical foundations of exploratory factor analysis. H. 32. Bennett. D.R. K.. H.). 430455. Psychological Bulletin. Doing the four-step right. C. 81-95.S. Muthén. Long (Eds. Los Angeles. & Muthén. N. Muthen. James. 205-234). Kaplan.(2004). B. Muthen. A primer for the estimation of structural equation models in the presence of missing data: Maximum likelihood algorithms. 9. 105. How to use a Monte Carlo study to decide on sample size and determine power. (1987).. B. E. C. K. Ogasawara.. Goodness of fit with categorical and other nonnormal variables. 453–500. Approximations to the distributions of fit indexes for misspecified structural equation models. 11. (1989).C. Structural Equation Modeling 7.

J. & Sullivan. (1999). - . variance.27.. 431–441. Thousand Oaks: Sage Publications. N.4(4). Maximal reliability and power in covariance structure models. 485–587. Foss. (2000). (2003) Making Sense of Factor Analysis. (1997). Raykov. & Roy D. 315-323. British Journal of Mathematical and Statistical Psychology. (1995). Raykov. Causality: Models. J. T. Structural Equation Modeling. and mean squared error of the conventional noncentrality parameter estimator of covariance structure models. V. Raftery. T. 2nd edition. J. M. S. T. 54.H. Pedhazur. The Performance of ML. Hillslade.E. Quintana. Lackey. Oxford: Blackwell. Design. Adraian E. L. ed. Measurement. Structural Equation Modeling. Multiple regression in behavioral research. Pearl. R. S. 75-87. T. (1991). S. 111164. & Schmelkin. Pett. J (2000). and Analysis: An integrated approach. & Raykov. 7. GLS and WLS Estimation in Structural Equation Modeling Under Conditions of Misspecification and Nonnormality. Cambridge University Press. . pp. Estimation of congeneric scale reliability using covariance structure analysis with nonlinear constraints. E. Sociological Methodology.. & Maxell. Raykov. Penev. Raftery. 557-595. 283-319. T. In Adrian E. The Counseling Psychologist. E.. Howell (2000). NJ: Lawrence Erlbaum. British Journal of Mathematical & Statistical Psychology. P. Bayesian model selection in social research. and Inference. 59. 7 (4).. Implications of recent developments in structural equation modeling for counseling psychology.. On the large-sample bias. A. U. J. Structural Equation Modeling.Olsson. (2001). Growth curve analysis of ability means and variances in measures of fluid intelligence of older adults. M. NY: Holt. (2006). Troye. Reasoning. (1982).. Pedhazur. S.

Rensvold. Y. 3-66) Hillsdale. (2006). & Marcoulides.(2nd Edition) Mahwah. Psychology and Aging.E. G. G. Journal of Travel and Tourism Marketing. NJ: Lawrence Erlbaum Associates Publishers.. 21-27. Rogosa. Estimation of maximal reliability: A note on a covariance structure modelling approach. Identification of influential cases in structural equation models using the jackknife method. M. 12. Casual models do not support scientific conclusions: A comment in support of Freedman. - . & Gustafsson. Raykov. 491-497. G. (1992). A. and Ferguson. 6(4). Reuterberg. 185-195. 41-71. R. & Marcoulides.E.). Myths and methods: "Myths about longitudinal research. R. British Journal of Mathematical & Statistical Psychology. Confirmatory factor analysis and reliability: Testing measurement model assumptions. & Marcoulides. Journal of Marketing Research. (2006). In J. Can there be infinitely many models equivalent to a given covariance structure model? Structural Equation Modeling. Raykov.E. 28. J R (1991). G.Raykov. F. New Jersey: Lawrence Erlbaum Associates.. Jr. A first course in structural equation modeling. 292–300. T. 57. 6. Reporting structural equation modeling results in Psychology and Aging: Some proposed guidelines. (1991). Reisinger. Rogosa. 293-308. R. C. (2001).. (1999). T.E. 2(3). (2004). & Cheung. (1995). T. D. Gottman. Organizational Research Methods. Structural Equation Modeling: Critical Issues and New Developments. Tomer. The Performance of the Polychoric Correlation Coefficient and Selected Fitting Functions in Confirmatory Factor Analysis with Ordinal Data. W. & Nesselroade. 8. Journal of Educational Statistics. 52. 142–149. (Ed. Educational and Psychological Measurement. B.. 21 (4). Structural Equation Modeling. D. (1987). E. (1999). & Mavondo. T. 499-503. The analysis of change (pp. J." plus supplemental questions. T. Raykov. On desirability of parsimony in structural equation model selection. S. 795-811 Rigdon. Raykov.

G. G. Missing data: Our view of the state of the art. Schafer. 1. (2005). Schumacker. J. Cumsille. 7. 40–54. E. R. Decade of behavior. 147-177. New J: Lawrence Erlbaum Associates Publishers. Missing data in multiple item scales: A monte carlo analysis of missing data techniques. (2002). S. 537-560.M. 179-200). Structural Equation Modeling. Kumar. S. C. Methodology: European Journl of Research Methods for the Behavioral and Social Sciences. Schafer. D. & Lomax. R. & Graham. Latent variable interaction modeling. Chapman & Hall. Schumacker. B. P. Multiple imputation for nonresponse in surveys. P. Schmukle. (1994). 9. J (1997).. (1987). P. New Jersey: Lawrence Erlbaum Associates Publishers. Roth. Washington. W. (1996) A Biginner's Guide to Structural Equation Modeling. 2(3). S. A. F. R. Psychological Methods. L. E. J.L.Roth. New methods for the analysis of change.& A. & Lomax. E. A simulation study to investigate the use of cutoff values for assessing model fit in covariance structure models. (1999). 935-43. J. Personnel Psychology. R. Sayer. Research in Social & Administrative Pharmacy 4(2):83-97. 211232.. Sharma. 81-85. S. In L.W. 58 (1). DC: American Psychological Association. (2005). Schreiber. Journal of Business Research. Wiley. J. A. A cautionary note on incremental fit indices reported by LISREL. (2001). Collins. E. Analysis of incomplete multivariate data. Missing data: A conceptual review for applied psychologists. . G. Rubin. (2008). (2002). & Switzer. & Dillon..R. (2004) A Biginner's Guide to Structural Equation Modeling (2nd Edition). (pp.G. Mukherjee. D. Schumacker... R. Core reporting practices in structural equation modeling. Organizational Research Methods. Switzer. 47.. Second-order latent growth models. Sayer (Eds). & Hardt. - .

and Clark Glymour (1998).M. A. The Journal of Educational Research. B.. Structural model evaluation and modification. J. (1990).. J. Understanding the limitations of global fit assessment in structural equation modeling. J. 323-337.H. (1985). Psychometrika. A. (1990). 235–249. Peter. Journal of Consumer Research 25: 78-90. Alexandria. A. M. & Bentler.Satorra. Some factors affecting the success of specification searches in covariance structure modeling.H. C. & Barlow. Scaling corrections for chi-square statistics in covariance structure analysis. Multivariate Behavioral Research. Model conditions for asymptotic robustness in the analysis of linear relations. 308–313). 99(6).. A. Baumgartner (1998). 131–151. Mutlivariate Behavioral Research 23: 297-326. S. Personality and Individual Differences. Richard Scheines. A. King. B. E. Stage. Sociological Methods & Research. P. and H. 50. F. (1988). American Statistical Association 1988 Proceedings of Business and Economics Sections (pp. M. Using path diagrams as a structural equation modeling tool. Alternative test criteria in covariance structure analysis: A unified approach. Nora. A. Silvia. - . Satorra. 10. Assessing measurement invariance in cross-national consumer research.. Steiger. J. and R.& Bentler. 54. MacCallum (1988). Steiger. Schreiber. Asymptotic robust inferences in the analysis of mean and covariance structures. Spirtes. 214-12. 893-98.VA: American Statistical Association.M.. A. (2007). Christopher Meek. 22. Steenkamp. 249–278. P. Psychometrika. Sociological Methodology. W. Satorra. 25. Computational Statistics & Data Analysis. 42 (5). (1989). Satorra. 83–90. & Saris. (2): 182-225. Satorra. 27.. (2006) Reporting Structural Equation Modeling and Confirmatory Factor Analysis Results: A Review. (1992). Power of the likelihood ratio test in covariance structure analysis. K. J-B E. Thomas Richardson.

(1990). J. November). Newbury Park. S. ED 379 329) - . B. Multifaceted conceptions of fit in structural equation models. (1993). June). J. Boston: Allyn & Bacon. Testing structural equation models. NJ: Lawrence Erlbaum Associates. Theory testing in personality and social psychology with structural equation models: A primer in 20 questions. R. W.C. Review of personality and social psychology (Vol 11.T. L. (1993). & MacCallum. Hillsdale. CA: Sage. (1980.A. CA: Sage.. (2007). NJ: Lawrence Erlbaum Associates. & Fidell. Nashville. M. Stevens. M. J.). Paper presented at the annual meeting of the MidSouth Educational Research Association. J..). In K. Iowa City. 365–377. Applied Psychological Measurement. Paper presented at the annual meeting of the Psychometric Society. C. Applied Multivariate Statistics for the Social Sciences (2th ed. "How big is big enough?": Sample size and goodness of fit in structural equation models with latent variables.S. & Fidell. G. Tanaka.). Long (eds.). J. & Huba. Using Multivariate Statistics (4th ed. 17. (ERIC Document Reproduction Service No. (2001).S. Using Multivariate Statistics (5th ed. B. Panter. (1994. Stevens.). & M. In C. Tabachnick. Tabachnick. 197–201. & Thompson.. Boston: Pearson education. Tanaka. & Huba. L. H.. G. J.S. (1992). H. Applied Multivariate Statistics for the Social Sciences (4th ed. Clark (Eds. Statistically based tests for the number of common factors. & J. Mahwah.S. 217-241). Winborne. J.Steiger. Inc.. Hendrick. pp. (1987). TN. Perceptions of control over health: A confirmatory LISREL construct validity study.. Thomas. Child Development.S.. 134-146. Tanaka. L. & Lind. G. Newbury Park.). B. A.. (2002). British Journal of Mathematical and Statistical Psychology. G. Tanaka. (1985).. J.J. A fit index for covariance structure models under arbitrary GLS estimation. 58. Bollen. J. 38. S. S. IA. Sugawara. Effect of estimation method on incremental fit indexes for covariance structure models.

Needham Heights. & Borrello. J. 1–10. A confirmatory factor analysis of data from the Myers-Briggs Type Indicator. Tucker. 112 (4). & Jackson.). Paper presented at the annual meeting of the Southwest Educational Research Association. 139158.C. (2001). 261-284 in L. R. On the growth of structural equation modeling in psychological journals. Psychometrika. L. Pp. Grimm & P. Tremblay. Velicer. B.G. & Lewis. Ten commandments of structural equation modeling. W.. Yarnell. (1990). In Tabachnick. 4-70. Houston. & Gardner. B. Organizational Research Methods. Tucker.. R. D. & Linn. ED 303 489) Tomarken. Journal of Abnormal Psychology. (2003). practices. (2000). P. (1973).J. A review and synthesis of the measurement invariance literature: Suggestions. Koopman. 93-104. & Fidell. Multivariate Behavioral Research. Vandenberg (2002).. A reliability coefficient for maximum likelihood factor analysis. I.Thompson. C. B. & Waller.M. Vandenberg & Lance (2000)... B. Ma: Allyn & Bacon. S. (1989. 578-98. A. Toward a further understanding of and improvement in measurement invariance methods and procedures. 653-771.F. 38. L. G. Component Analysis Versus Common Factor Analysis: Some Further Obsrevations. R. 3. 5(2). L.. (1996).. January). 3(1). Structural equation modeling. Psychometrika. F. Using Multivariate Statistics (4th ed. Structural Equation Modeling. N. (1973).F. Organizational Research Methods. N. 97-114. G. R. eds. and recommendations for organizational research . 25(1). 421–459. 34. Potential Problems With ''Well Fitting'' Models. Thompson. DC: American Psychological Association. R. Reading and understanding more multivariate statistics. Ullman. Evaluation of factor analytic research procedures by means of simulated correlation matrices.(2001). - . Washington. (ERIC Document Reproduction Service No.

CA: Sage Publications.. 8 (1). A. (pp. D. & Willson. Fan. Structural equation models: Mixture models. Thousand Oaks. Howell. Sociological Methodology. A. K. J. J. Hoyle (Ed). Magidson. D. Latent variables analysis. Willett. & Sayer. (1996). Structural equation modeling: Concepts. In R.. V. L. Alwin. & Clogg. F.. Wang.F. Robinson. issues. Lorenz. G. 84-136.. O. 3. 116. (1995). Everitt & D. Marcoulides & R.Vermunt. Wickrama. D. Journal of Health and Social Behavior. Structural equation models with nonnormal variables: Problems and remedies. Willett. R. Psychological Bulletin. West. F. 228–247 Wheaton. G. J. Cross-domain analysis of change overtime: Combining growth modeling and covariance structure analysis. Advanced Structural Equation Modeling. Encyclopedia of statistics in behavioral science. Assessing Reliability and Stability in Panel Models. P. Chichester. 56-75). (1995). G. Using covariance structure analysis to detect correlates and predictors of individual change over time. NJ: Lawrence Erlbaum.. B. (1977). J.J. and applications. Mahwah. Thousand Oaks.125-157). (1996).. & Summers. A. & Conger.. Wiggins. Parental support and adolescent physical health status: A latent growth-curve analysis. CC. E. S. JB. B.. A. B. 363-381. 149-163.. C. C. G.. New York: Guildford Press. Issues and Techniques (pp. Effects of non-normal data on parameter estimates in covariance structure analysis: An empirical study. & Curran..). &. Willett. Structural Equation Modeling. (1997). 38. Editors). CA: Sage Publications. In G. von Eye. S. Muthen. B. (2005). (1995. Finch. L. 1922–1927 in B. S. (1994). eds. UK: John Wiley and Sons. Schumacker (Eds.H. J.. & Sayer. (1991). A. K. X. J. using growth modelling to examine systematic differences in growth: An example of change in the functioning of families at risk of maladaptive - . (1996) The five factor models of personality: Theoretical perspectives.. Ayoub. Pp.

Marcoulides & R.-H. In G. 5: 161-215. K. Mahwah.M. P. L. L. Wothke.. The method of path coefficients. 280-291. Schumacker (Eds.. NJ: Erlbaum. W. In T. Structural Equation Modeling. Xie. (1996). 63–88. Yu (1989) Structural equation models for ordinal variables. (1997b).parenting. 767–774. 6. (2005). K.279-314)..H. (1997a).. applied approaches and specific examples. K.com/whitepapers) Wright. Mean and covariance structure analysis: Theoretical and practical improvements. M. (also available at http://www. & Bentler. child abuse or neglect. Wothke. Yuan.M. P. Computational Statistics & Data Analysis. E.] Modeling longitudinal and multiple group data: Practical issues. H. K. Improving parameter tests in covariance structure analysis. Inference problems with equivalent models. E. A. P. Yuan. Sociological Methods & Research. Mahwah. 38-47. (1934). Multivariate Yuan. Annals of Mathematical Statistics.M. 26.. NJ: Erlbaum. A.-H. Marcoulides & R. and J. 17. & Bentler. 325-352.) Advanced Structural Equation Modelling. Journal of Consulting & Clinical Psychology. Mahwah. (1996). NJ: Lawrence Erlbaum Associates. Fit Indices Versus Test Statistics. British Journal of Mathematical and Statistical Psychology. - .smallwaters. Wolfe. Sewall Wright on the method of path coefficients: An annotated bibliography. (1999) Longitudinal and multi-group modeling with missing data. L.).-H. Behavioral Research. Robust mean and covariance structure analysis. J. Models for multitrait-multimethod matrix analysis. Schnabel. Little. Baumert [Eds. & Bentler.D. Advanced structural equation modeling: Issues and techniques (pp. 59. (1999). 40 (1). W. K.U. & Aiman-Smith. Schumacher (Eds. Yuan. Williams. Journal of the American Statistical Association. S. 92. Bozdogan. In G. (1998a). 115-48. 51. 177-198.

Chan. Yuan.. (2003)..-H. 53.-H.-H. & Bentler. Psychometrika. K. (2000). P. Yuan. On normal theory and associated test statistics in covariance structure analysis under two classes of nonnormal distributions. K. K. 24. & Marshall. K. K. K. 21–436. Marshall.-H.-H. A new measure of misfit for covariance structure models. L.&Bentler. & Bentler. (2004).-H.. Sociological Methodology.-H. K. Yuan. Psychometrika. Structural equation modeling with heavy tailed distributions. & Bentler. (2002).. Structural equation modeling with robust covariances..-H. P. K. 831– 853. Journal of Educational and Behavioral Statistics. K. Bootstrap approach to inference and power analysis based on three statistics for covariance structure models. Psychometrika. L. W.-H.. 67–90. Mean comparison: Manifest variable versus latent variable. (2004). (1998c). 363–396. W.-H.. K.M. M. 43–58.. Robust mean and covariance structure analysis through iteratively reweighted least squares.. 225–243. M.&Bentler.. P. Normal theory based test statistics in structural equation modeling. & Bentler.. M. & Chan. Psychometrika.M. On nonequivalence of several procedures of structural equation modeling. Yuan. 65. (1999a). P. P. (1998b). Yuan. M. Robust transformation with applications to structural equation modeling.. (1999b).W. Yuan.. P. K. British Journal of Mathematical and Statistical Psychology. Yuan. 51. 56. Yuan. K. Statistica Sinica. L. & Bentler. (in press). 31. M. & Hayashi. K. (2000). Yuan. 69. British Journal of Mathematical and Statistical Psychology. & Bentler. Bentler. P. P. Yuan. P.M. 31–50. L. nonnormal - . 93–110. British Journal of Mathematical and Statistical Psychology. Behaviormetrika.-H. F-tests for mean and covariance structure analysis. 289–309..-H. (in press). Yuan. M. 28. & Chan. A unified approach to exploratory factor analysis with missing data. 9..Yuan.

W. Comparing RMSEA and chi-square/df ratio. and in the presence of outliers. E. Bootstrapping techniques in analysis of mean and covariance structures. - . Schumacker (Eds.). In G. F. P. Inc. Psychologica Bulletin. 432-442. Zhang. Y. W. & Bentler. (1996). Mahwah. M. Zwick. Yung. R.data. (2004). & Velicer. 95– 122. A. Comparison of five rules for determining the number of components to retain. Unpublished manuscript. Psychometrika.. W. 99. F. NJ: Lawrence Erlbaum Associates. Advanced structural equation modeling: Techniques and issues (pp. Marcoulides & R. 195–226). (1986). 67.

Jöreskog & D. Internet: software@sas. Sörbom - .sas.com  LISREL8-SIMPLIS . G. Inc. LISREL8 & PRELIS.com www. Internet: sales@mvsoft. Distributed by SAS Institute Inc.com www.‫بعض الحزم اإلحصائية الخاصة بالنمذجة بالمعادالت البنائية‬ Software Applications  AMOS/AMOS DRAW (SPSS interface) Developed by:James Arbuckle : Distributed by SmallWaters Corporation Internet: info@smallwaters.mvsoft.com  EQS6 Developed by: Peter Bentle Distributed by Multivariate Software.com  CALIS Developed by:SAS Institute Inc. Interactive LISREL Developed by: K.

views. B. O. Internet: www.com  LISCOMP Developed by: Bengt O Muthen Distributed by Scientific Software International. Inc.vcu.ssicentral.vcu. Neale (‫)يمكن انزال الحزمة مجانا‬ Internet: neale@psycho.com - . Internet: info@ssicentral.psy.com  Mx: Statistical Modeling Developed by: Mickael C.Distributed by Scientific Software International Internet: info@ssicentral. & Muthen. K.edu/mx/ www. Neale Distributed by Mickael C.edu/mx/  Mplus Developed by: Muthen.com www. L.com www. statmodel.ssicentral.

University of Virginia) STREAMS (Multivariate Ware) CFA Over the Web (Sort Of) (Jeremy Miles & Mark Shevlin. University of Illinois at Chicago) RAMpath (Jack McArdle. University of Derby) The TETRAD Project (Carnegie Mellon University) - .com Other Packages       ‫حزم أخرى أقل انتشارا‬ lvpls (Jack McArdle. SEPATH Developed by: James H. D. Hedeker & R. Gibbons.com www. University of Virginia) (PLS for the PC) MIXOR/MIXREG/MIXGSUR (D. Steiger Distributed by Statsoft Internet: info@statsoftinc.statsoftinc.

- .

‫املالحق‬ ‫‪-‬‬ .

- .

‫املهحق سقى (‪)2‬‬ ‫ِخشعبد اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪ ٞ‬ثبعزؼّبي ؽضِخ ٌ‪١‬ضسي‪ ،‬اٌخبصخ‬ ‫ثبٌّضبي األ‪ٚ‬ي‪ّٛٔ :‬رط اٌؼبٍِ‪( ٓ١‬اٌؼصبث‪١‬خ ‪ٚ‬اإلٔط‪ٛ‬ائ‪١‬خ) ٌٍشخص‪١‬خ‪،‬‬ ‫‪ٚ‬اٌز‪ ٞ‬رطشلٕب ئٌ‪ ٗ١‬ػجش اٌفصً اٌضبٔ‪ٚ ٟ‬اٌضبٌش ‪ٚ‬اٌشاثغ‪.‬‬ ‫‪-‬‬ .

- .

000 -0.4 5.302 -0.80 BY Karl G. Suite 100 Lincolnwood.289 -0.245 0.351 -0.300 -0.297 -0.6 6.675 1.767 1.316 -0. J¤reskog & Dag S¤rbom This program is published exclusively by Scientific Software International.709 1.7 6. Inc.000 0.A.ssicentral.S.282 -0.280 -0.0 6.634 0. Lincoln Avenue. Fax: (847)675-2140 Copyright by Scientific Software International.254 -0.566 1.731 0..593 0. 19812006 Use of this program is subject to the terms specified in the Universal Copyright Convention.com The following lines were read from file C:\Program Files\LISREL88\EX1_research_center book.000 -0.000 -0. Phone: (800)247-6113. (847)675-0720.7 5.318 1.778 0.000 0.762 1.738 0.292 -0.6 SAMPLE SIZE=250 LATENT VARIABLES NEROTICI EXTRAVER RELATIONSHIPS !or one can write EQUATIONS or PATH - . 7383 N.spl: TITLE testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION OBSERVED VARIABLES N1 N2 N3 N4 EX1 EX2 EX3 EX4 CORRELATION MATRIX 1.267 0. Website: www. U.7 5. IL 60712.L I S R E L 8. Inc.534 0.651 1.356 -0.296 -0.000 -0.2 5.000 0.000 STANDARD DEVIATIONS 5.296 0.

4400 EX3 -9.8346 -9.0667 EX4 -------31.0063 EX4 -9.6170 21.1674 25.6828 23.8204 EX1 Covariance Matrix EX3 EX4 EX3 -------32.9600 27.1100 38.4900 18.5570 -10.9040 -9.7978 -13.1472 40.2772 EX1 -12.4653 -7.4900 N2 24.7216 -11.6669 N4 25.5890 N2 N3 N4 -------- -------- -------- 31.6170 -7.4358 -9.0042 36.0014 17.0000 EX2 -11.6704 32.8756 -9.4900 -10.9424 20.2249 -10.4826 N3 26.N1=1* NEROTICI N2= NEROTICI N3= NEROTICI N4= NEROTICI N2= NEROTICI EX1=1* EXTRAVER EX2= EXTRAVER EX3= EXTRAVER EX4= EXTRAVER LISREL OUTPUT RS MI SC PATH DIAGRAM END OF PROBLEM ND=4 testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Covariance Matrix N1 EX2 ----------------N1 32.3600 - ----- .4106 23.3600 25.9654 -10.

testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Parameter Specifications LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------0 1 2 3 0 0 0 0 EXTRAVER -------0 0 0 0 0 4 5 6 NEROTICI -------7 8 EXTRAVER -------- PHI NEROTICI EXTRAVER 9 THETA-DELTA EX1 --14 N1 EX2 --------------10 15 N2 N3 N4 -------- -------- -------- 11 12 13 THETA-DELTA EX3 -------16 EX4 -------17 - ----- .

9353 (0.8137 (0.0706 (0.testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Number of Iterations = 4 LISREL Estimates (Maximum Likelihood) LAMBDA-X NEROTICI -------1.2737 .9421 (0.0525) 17.6089 0.0000 1.9452 1.4367 (2.0745 (0.- .0000 0..9175) EXTRAVER -------- - ..2246 PHI NEROTICI NEROTICI -------25.- N1 N2 N3 N4 EX1 EX2 EX3 .0725) 11.0725) 12.- EXTRAVER -------.0603) 17.9968 (0.9011 0.0790) 13.- 1.0517) 19.7554 0.- EX4 .- .

8374 7.9217) 8.8299 EX1 ----- THETA-DELTA EX3 -------12.4670) 8.2068) 7.3361) (0.7182 (0.7186 -10.7779 EX1 Squared Multiple Correlations for X .Variables EX3 -------0.4887 - ----- .9123) (1.2411 (1.0837 7.0359 (1.5678 Squared Multiple Correlations for X .2702 N2 N3 N4 -------- -------- -------- 8.3441 EX4 -------16.5900) (1.7816 11.9313) -5.8074 7.8534 11.0533 12.2179 THETA-DELTA N1 EX2 ----------------7.EXTRAVER 8.2168 (1.7117 0.6760) 9.5542 (1.7309 8.6232 EX4 -------0.Variables N1 EX2 ----------------0.6952 N2 N3 N4 -------- -------- -------- 0.7829 0.0050) (1.6118) 7.1466 (3.6430 0.7376 8.7200 0.4647 23.

0 90 Percent Confidence Interval for RMSEA = (0.1242 Independence AIC = 1762. 4.9924 Expected Cross-Validation Index (ECVI) = 0.6610 (P = 0.Goodness of Fit Statistics Degrees of Freedom = 19 Minimum Fit Function Chi-Square = 13.6610 Saturated AIC = 72.0501 - .9924 Non-Normed Fit Index (NNFI) = 1.9888 Critical N (CN) = 682. 0.05) = 0.2959 Model CAIC = 123.0 = 0.7726 Normed Fit Index (NFI) = 0.2892 ECVI for Independence Model = 7.0000 Incremental Fit Index (IFI) = 1.0768 Chi-Square for Independence Model with 28 Degrees of Freedom = 1746.0 90 Percent Confidence Interval for F0 = (0. 0.0033 Relative Fit Index (RFI) = 0.0049 Parsimony Normed Fit Index (PNFI) = 0.03092) P-Value for Test of Close Fit (RMSEA < 0.0 . 0.0000 Independence CAIC = 1798.5259 Saturated CAIC = 234.2129 .1242 Model AIC = 46.2129 90 Percent Confidence Interval for ECVI = (0.2318 (P Normal Theory Weighted Least Squares Chi-Square = 0.0 .8265) = 12.8555) Estimated Non-centrality Parameter (NCP) 90 Percent Confidence Interval for NCP = (0.0 .2310) ECVI for Saturated Model = 0.5222) Minimum Fit Function Value = 0.6734 Comparative Fit Index (CFI) = 1.01816) Root Mean Square Error of Approximation (RMSEA) = 0.05314 Population Discrepancy Function Value (F0) = 0.

9874 Adjusted Goodness of Fit Index (AGFI) = 0.3400 24.1401 -11.4900 17.5599 EX1 Fitted Covariance Matrix EX3 EX4 EX3 -------32.5542 36.2314 N4 25.9650 N3 27.8335 20.6558 23.4900 N2 23.3035 -9.2988 32.9762 Parsimony Goodness of Fit Index (PGFI) = 0.8397 -8.2613 EX4 -8.8700 38.3600 - ----- .4900 -10.8715 21.4400 EX3 -9.3548 EX1 -10.Root Mean Square Residual (RMR) = 0.6839 -12.3003 -10.6493 23.3600 25.6947 Standardized RMR = 0.01944 Goodness of Fit Index (GFI) = 0.0000 EX2 -11.9600 27.0907 -9.2358 N2 N3 N4 -------- -------- -------- 31.1934 -8.5876 18.9436 40.1437 -11.5202 -10.5680 -9.8878 -9.5212 testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Fitted Covariance Matrix N1 EX2 ----------------N1 32.6153 EX4 -------31.

2227 0.0000 N2 0.9623 0.0335 -0.8678 Stemleaf Plot - 2|4 1| 1|43 0|96 0|44333221000000000 0|11222234 0|5577 - - .0755 -0.6541 -2.3716 0.0776 EX1 -1.8678 0.0000 0.Fitted Residuals N1 EX2 --------------N1 0.7395 ----- 0.0000 EX3 0.0000 Summary Statistics for Fitted Residuals Smallest Fitted Residual = Median Fitted Residual = Largest Fitted Residual = -2.3716 0.2666 0.1253 -1.2036 0.0000 -0.2452 -0.2545 0.3309 -0.2718 0.3554 0.8911 0.1726 0.2361 1.5177 N3 -0.0000 -0.3531 0.2400 Fitted Residuals EX3 EX4 EX3 -------0.0000 1.2550 EX4 -0.5645 N4 -0.0000 EX2 0.4515 EX4 -------0.4139 0.4500 EX1 --- N2 N3 N4 -------- -------- -------- 0.0000 0.

0000 1.3476 EX1 -1.EX3 0.2194 0.5566 ----- - EX2 0.8157 0.6788 EX4 -0.1624 .6530 Standardized Residuals EX3 EX4 EX3 -------.8689 Stemleaf Plot - 1|76 1|421 0|876 0|3332200000000 - - .6542 N4 -0.0754 -0.0620 -0.N2 1.6542 0.-0.1|0 1|9 Standardized Residuals N1 EX1 EX2 --------------N1 .1.6409 .5570 -1.3126 1.7927 N3 -1.7896 0.6279 0.4052 0.2970 0.0.1678 1.1901 0.1515 .0923 -0.- Summary Statistics for Standardized Residuals Smallest Standardized Residual = Median Standardized Residual = Largest Standardized Residual = -1.1909 0.7080 EX4 -------.8689 -1.1170 -0.6405 0.2191 --- N2 N3 N4 -------- -------- -------- .-0.

. .... ... x. .. . . ... . u ... i ... . xx . .. . .. . a .. - . x .. . a . . ... .0|1112222 0|66778 1| 1|689 testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Qplot of Standardized Residuals 3.x . .. .. e ... . . . .. l . . . . r . ... ... .* ... . . . . x x .. .. . n . t .... ..x ... . . s . . .. . .. x . . x. . . ..... .. * ...5. . . . x.. x...x . . .. . . o . . xx . . ... .. x .... . .. .. ... x. x .x . x . l .... N . x. ... . .. . . * .. x. . . ...... . .. . . . m .. Q . ..

. ... .....2723 0.0072 EXTRAVER --------0. .0623 ....5.........0125 EXTRAVER -------0.3228 1..... -3..... ..- Standardized Expected Change for LAMBDA-X N1 NEROTICI -------........0532 . .........1424 0.0268 0..5 Standardized Residuals testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Modification Indices and Expected Change Modification Indices for LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------....-0.1167 0........0203 -0......0679 0. .. -3...0731 0.......- Expected Change for LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------..0143 0..9001 1..- EXTRAVER --------0..1289 - ....0590 0.....1.....0073 -0....5 3... .

3.0368 -0.0065 EXTRAVER --------0.6555 .0057 EX4 1.3425 0.-0.5849 0.0.0.1208 EX1 0.0065 -0.4976 .7363 N4 0.4783 EX2 0.0175 -0.N2 N3 N4 EX1 EX2 EX3 EX4 .0614 0.0000 0.4608 0.4929 1..9158 0..0021 0.2477 0.1069 1.0.0552 0.2708 0..2541 N2 N3 N4 -------- -------- -------- ..2559 .0449 .4102 - ----- - .0979 -0.- Completely Standardized Expected Change for LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------.0443 0.2137 N3 2..2208 0..N2 3.9747 0.0965 .- No Non-Zero Modification Indices for PHI Modification Indices for THETA-DELTA N1 EX1 --- EX2 --------------N1 ..0162 0..0226 0.0043 0..3102 1.8349 0.-0.3686 0.2837 0.2526 0.0366 0..4264 EX3 0..

0.EX3 0.8767 1.-0.0559 0.6914 .-0.0050 -0.1072 1.0320 .3207 0.1072 -1.N2 1.8275 -1.7433 0.9597 0.7140 0.7884 0.0413 EX4 -0.9095 -0.0749 - Expected Change for THETA-DELTA EX3 EX4 EX3 -------.4061 N2 N3 N4 -------- -------- -------- .- Expected Change for THETA-DELTA EX1 --- N1 EX2 --------------N1 .8753 EX4 -------.5268 -0.0409 -0.5861 ----- - EX2 -0.8343 0.1.- Completely Standardized Expected Change for THETADELTA EX1 --- N1 EX2 --------------- N2 N3 N4 -------- -------- -------- - ----- .5013 EX4 -------.3869 0.Modification Indices for THETA-DELTA EX3 EX4 EX3 -------.5443 N3 -1.4776 -0.0.5657 .6213 N4 -0.3182 EX1 -0.

0.0220 0.0016 0.0546 0.1693 4.0121 0.8111 5.0001 -0..0444 -0.0257 -0.-0.0435 4.0013 -0.0272 ..0484 -0.0252 0..4.4999 3.0220 0.0081 0.- EXTRAVER -------.0301 0.0289 - Completely Standardized Expected Change for THETADELTA EX3 EX4 EX3 -------.7517 5.0031 -0.0.- Maximum Modification Index is THETA-DELTA 3.0119 .0147 -0.0295 EX4 -0. 3) of testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Standardized Solution LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------5.9146 - .3993 5.0269 .0098 -0.0131 -0.49 for Element ( 4.N1 N2 N3 N4 EX1 .0206 .0229 0.0274 EX4 -------...0501 -0.0160 .EX3 0.0.-0..0034 0.0184 - EX2 -0.

0..8436 0.0000 -0.3048 N2 N3 N4 -------- -------- -------- 0.7895 0.6990 NEROTICI -------1.4350 EXTRAVER -------- PHI NEROTICI EXTRAVER 1.2800 0.8820 ...0000 -0.PHI NEROTICI -------1.8485 0.4350 NEROTICI EXTRAVER EXTRAVER -------1.- EXTRAVER -------...3570 0.2221 EX1 - ----- ..0000 THETA-DELTA N1 EX2 ----------------0.8338 0.2883 0.8018 0.0000 testing the factorial model comprising 2Factors NEUROTICISM AND EXTRAVERSION Completely Standardized Solution LAMBDA-X N1 N2 N3 N4 EX1 EX2 EX3 EX4 NEROTICI -------0.2171 0.8848 0.

5113 _______________________ - .THETA-DELTA EX3 -------0.3768 EX4 -------0.

‬‬ ‫‪-‬‬ .‫املهحق سقى (‪)3‬‬ ‫ِخشعبد اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪ ٞ‬ثبعزؼّبي ؽضِخ ٌ‪١‬ضسي‪،‬‬ ‫اٌخبصخ ثبٌّضبي اٌضبٔ‪( ٟ‬رؼبغ‪ ٟ‬اٌزذخ‪)ٓ١‬اٌز‪ٞ‬‬ ‫رطشلٕب ئٌ‪ ٗ١‬ف‪ ٟ‬اٌفصً اٌشاثغ ‪.

- .

188 0.218 0.146 0.426 0.229 0.000 0.252 0.214 0.000 0. 19812006 Use of this program is subject to the terms specified in the Universal Copyright Convention.108 0.579 0.108 0.133 0.ssicentral.411 0.com The following lines were read from file C:\Documents and Settings\user\Desktop\3f brown drinking lisrel.268 0.484 1.000 0.134 0.543 0.223 0.S.131 0.185 0.463 0. Inc.151 1.300 1.122 0. Suite 100 Lincolnwood. IL 60712.548 0.492 1. Inc.448 1.267 0.261 1. Fax: (847)675-2140 Copyright by Scientific Software International.481 1.000 0.000 0.406 0.099 0.200 0. Lincoln Avenue.214 0.105 0.134 0.061 0. Phone: (800)247-6113. J¤reskog & Dag S¤rbom This program is published exclusively by Scientific Software International. (847)675-0720.429 1. Website: www.186 0.185 0.230 0.522 1.80 (STUDENT EDITION) BY Karl G.LISREL 8.000 0.000 0. U..000 0.170 0.172 0.241 0.000 0.spl: TITLE THREE FACTOR MODEL FOR SMOKING MOTIVES DA NI=12 NO=500 MA=CM LA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 KM 1.A.545 0. 7383 N.000 - .

73 1.087 0.3) PA TD 1 0 1 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 !no correlated residual PA PH 1 1 1 1 1 1 PD - .359 0.101 0.FR LX=FU.0.158 0.49 2.088 0.FR TD=SY.000 SD 2.356 0.160 0.77 2.124 0.0 LX(1.507 1.000 0.52 1.57 2.66 MO NX=12 NK=3 PH=SY.92 1.131 0.112 0.077 0.066 0.128 0.177 0.75 2.1) LX(5.198 0.41 1.044 0.06 1.68 1.161 0.FR LK Coping Social Enhance PA LX 0 0 0 1 0 0 1 0 0 1 0 0 !no double loading item 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 1 VA 1.061 0.370 0.27 2.350 1.2) LX(9.

4767 0.7617 0.5823 0.9394 X3 0.4831 0.7803 3.OU ME=ML RS MI SC AD=OFF IT=100 ND=4 THREE FACTOR MODEL FOR SMOKING MOTIVES Number Number Number Number Number Number THREE FACTOR MODEL FOR SMOKING of of of of of of Input Variables 12 Y .5503 0.1733 0.6627 3.8351 X8 1.5641 0.1329 1.1684 0.2436 X2 0.8063 1.8471 0.7241 1.8651 2.Variables 3 Observations 500 MOTIVES Covariance Matrix X5 --- X1 X6 --------------X1 4.8182 X9 0.9057 X4 1.5834 0.8701 0.3104 0.5947 0.7796 0.4821 X7 1.2050 0.6864 1.1938 X5 0.1522 1.9881 1.9929 X6 1.1614 0.7426 2.5557 0.9074 1.4450 0.Variables 12 ETA .Variables 0 X .Variables 0 KSI .7398 0.1956 X12 0.5158 0.8099 1.2018 0.5656 X10 0.7210 0.0259 2.4027 X11 0.9064 0.2633 0.7029 0.6130 X2 X3 X4 -------- -------- -------- 2.7936 0.3543 0.7444 0.8334 Covariance Matrix - ----- .5117 0.3558 0.6214 0.

6753 0.7207 X10 0.0756 THREE FACTOR MODEL FOR SMOKING MOTIVES Parameter Specifications LAMBDA-X X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Coping -------0 1 2 3 0 0 0 0 0 0 0 0 Social -------0 0 0 0 0 4 5 6 0 0 0 0 Enhance -------0 0 0 0 0 0 0 0 0 7 8 9 Coping -------10 Social -------- Enhance -------- PHI Coping - ----- .9505 X9 0.3559 7.9186 0.5484 3.6763 2.1011 2.2001 X8 2.5379 1.5741 0.1529 0.8478 7.X7 X11 X12 --------------X7 6.6049 X12 3.4575 X11 0.0625 1.4224 --- X8 X9 X10 -------- -------- -------- 5.6711 6.4660 0.1824 2.

0000 0.7449 (0.5116 Social -------.- - ----- .9744 (0.2873 0.1309) 7.- .Social Enhance 11 13 12 14 15 X2 X3 X4 -------- -------- -------- 17 18 19 X8 X9 X10 -------- -------- -------- 23 24 25 THETA-DELTA X1 X5 --20 X6 --------------16 21 ----- THETA-DELTA X11 --26 X7 X12 --------------22 27 THREE FACTOR MODEL FOR SMOKING MOTIVES Number of Iterations = 12 LISREL Estimates (Maximum Likelihood) LAMBDA-X X1 X2 X3 X4 Coping -------1..- ..- .4415 1.1022) 7.- Enhance -------.- .

0000 0.1644) 7.- .1109) 9.4167) 6.- X7 .8894 PHI Coping Social Enhance Coping -------0.2082 (0.- X8 .1136) 4.8385 .2466 X2 X3 THETA-DELTA X1 X5 X6 - X4 ..3664 1.(0.0925) 13.7906 (0.- .- .- X12 .1633) 9.0967 (0.2001 (0.0692) 9.- X9 X10 .2589 .0996) 4.- X11 .0626 1.1067) 9.9966 0.4618 (0.6356 Social -------- Enhance -------- 1.5682 (0.6029 (0.1649) 4.1176) 12.1635 2.1270) 12.7959 0.- .5100 (0.7780 (0.4730 (0..2998 0.6480 (0.0525 (0.- .8631 1.- X5 X6 1.- 1.1112) 6.0000 1.3492 1...

Variables X1 X6 ----------------0.4530 1.3624 0.7939 11.3675 12.3569 X11 - ----- .9463 -------- -------- -------- 1.0604 11.0922) 15.4647 12.3540 13.2162 11.3552) 13.1570) 12.1921) (0.7215 3.1816 (0.1863 0.9696 (0.1300) (0.2851 1.7928 1.3674) (0.5592 X2 X3 X4 -------- -------- -------- 0.1052 X11 ----- Squared Multiple Correlations for X .2249) (0.4425 X8 X9 X10 -------- -------- -------- 0.1156) 15.5466 ----- --- THETA-DELTA X7 X12 ----------------3.1899 0.4365 0.3403 15.1220) (0.--------------3.2487 3.3318) (0.4760 0.4165 4.9086 X5 ----- Squared Multiple Correlations for X .5310 0.9692 X8 X9 X10 -------- -------- -------- 2.4010 0.2487) (0.9450 (0.8717 2.3810 (0.2036 0.9358 0.5795 1.1954) (0.Variables X7 X12 ----------------0.

1447) Root Mean Square Error of Approximation (RMSEA) = 0.05) = 0.7482 Comparative Fit Index (CFI) = 0.3059 Saturated AIC = 156.0003541) Estimated Non-centrality Parameter (NCP) = 41.2510 Independence AIC = 2756. 0.1004 Saturated CAIC = 562.2470 .05326) P-Value for Test of Close Fit (RMSEA < 0. 0.0000 Independence CAIC = 2818.08278 90 Percent Confidence Interval for F0 = (0.9590 Critical N (CN) = 446.1910) Minimum Fit Function Value = 0.9867 Relative Fit Index (RFI) = 0.3551) ECVI for Saturated Model = 0. 72.001371) Normal Theory Weighted Least Squares Chi-Square = 92.3059 90 Percent Confidence Interval for NCP = (18.02678 .Goodness of Fit Statistics Degrees of Freedom = 51 Minimum Fit Function Chi-Square = 86.9084 - .3126 ECVI for Independence Model = 5.8863 Expected Cross-Validation Index (ECVI) = 0.8263 Model CAIC = 287.2932 90 Percent Confidence Interval for ECVI = (0.2510 Model AIC = 146.7394 Normed Fit Index (NFI) = 0.04029 90 Percent Confidence Interval for RMSEA = (0.1736 Population Discrepancy Function Value (F0) = 0.9827 Parsimony Normed Fit Index (PNFI) = 0. 0.5235 Chi-Square for Independence Model with 66 Degrees of Freedom = 2732.9866 Incremental Fit Index (IFI) = 0.6054 (P = 0.2557 .03658 .3059 (P = 0.9683 Non-Normed Fit Index (NNFI) = 0.

5796 3.9701 Adjusted Goodness of Fit Index (AGFI) = 0.2201 2.9543 Parsimony Goodness of Fit Index (PGFI) = 0.8443 0.Root Mean Square Residual (RMR) = 0.1761 0.6864 1.7758 0.2739 1.8902 0.4861 0.4736 0.9089 1.7348 0.1329 1.03694 Goodness of Fit Index (GFI) = 0.5188 0.8751 1.4209 0.9159 1.1895 0.3773 0.5715 0.7780 X2 X3 X4 -------- -------- -------- 2.1447 1.5065 0.6268 Fitted Covariance Matrix X7 X11 X8 X12 - ----- .7704 X4 1.9400 3.1687 Standardized RMR = 0.1951 X5 0.4979 X12 0.3104 0.7581 1.9881 1.7656 X9 X10 2.1645 0.7002 0.1748 2.4618 0.4524 0.4935 0.4730 X10 0.6015 0.5738 0.2916 0.1888 1.8821 X8 1.2436 X2 0.3065 X11 0.4500 X7 1.6343 THREE FACTOR MODEL FOR SMOKING MOTIVES Fitted Covariance Matrix X5 --- X1 X6 --------------X1 4.5889 X3 0.2993 0.3703 0.6981 0.4500 0.2229 0.8122 X9 0.3440 0.3621 0.9929 X6 1.

0123 0.7808 -------- -------- -------- ----- 5.1942 -0.4628 0.0044 0.0047 0.0060 X9 0.0340 0.0404 -0.0298 0.0961 X11 0.0000 -0.8419 X9 0.1057 0.1513 - -0.0086 0.1529 0.7752 0.2066 Fitted Residuals - - .0621 -0.0989 -0.7518 7.0499 0.3504 X3 0.0223 -0.1824 1.1496 0.3060 -0.8497 X2 X3 X4 -------- -------- -------- 0.0000 -0.0979 0.0000 -0.2120 0.0241 -0.0831 0.0866 0.1597 0.3384 -0.0230 - 6.0201 0.7143 0.0208 -0.8136 7.2001 X8 2.3610 -0.0366 0.1644 -0.7395 3.7418 X10 0.0320 X7 0.1055 -0.0315 0.0375 -0.2507 0.1838 0.3097 0.0756 Fitted Residuals X1 X5 --- X6 --------------X1 0.2779 0.0625 1.0926 X10 0.0013 X5 -0.3022 X12 0.4807 X11 0.0000 X2 0.6866 2.0027 0.8546 1.--- --------------X7 6.1651 ----- 0.1354 X4 -0.0000 0.0000 X6 0.0815 -0.0470 X8 0.1879 -0.6049 X12 3.7834 2.0215 0.0031 -0.

0231 X11 -0.2043 0.0000 X8 0.3167 -0.1086 X9 -0.0000 0.X7 X12 --------------X7 0.4615 Stemleaf Plot - 4|0 3|64210 2|0 1|9987665110 0|985443332222210000000000000000 0|112223345689 1|00114589 2|011158 3|156 4|16 Standardized Residuals X5 --- X1 X6 --------------X1 .0000 X12 0.2010 -0.1071 -0.1.- - ----- .1911 0.0342 0.3959 0.1785 ----- 0.0211 X10 -0.2125 -0.3584 X11 --- X8 X9 X10 -------- -------- -------- 0.4615 0.9919 X2 X3 X4 -------- -------- -------- .4145 -0.8710 .0000 Summary Statistics for Fitted Residuals Smallest Fitted Residual = Median Fitted Residual = Largest Fitted Residual = -0.3959 0.0000 0.X2 3.2060 X3 0.0000 -0.0000 0.

5292 X10 0.2379 1.-1.1859 0.3694 -0.1344 1.7036 .7760 -2.9859 - Standardized Residuals X11 --- X7 X12 --------------X7 .2334 -0.7758 1.9476 1.9508 1.3581 - 0.5026 0.5030 -2.0234 .1453 X11 -1.7049 -0.0868 X10 -0.4.2238 0.6299 1.4664 .2292 1.6840 -0.1859 Stemleaf Plot - ----- - .0000 5.3010 1.0.1317 0.3269 -0.8230 -0.0429 0.3402 0.1089 -0.X4 X5 -0.5884 -2.- Summary Statistics for Standardized Residuals Smallest Standardized Residual = Median Standardized Residual = Largest Standardized Residual = -2.3090 .6055 - -0.4504 -1.0858 0.2444 1.5398 X8 0.9475 1.-2.5312 -2.2504 -0.2382 - X8 X9 X10 -------- -------- -------- .5433 -1.0685 X6 -1.-0.1887 -1.1247 -1.8698 X12 0.0841 X9 0.1949 X9 -0.3804 -2.9445 -0.6014 0.8391 X11 1.X8 1.6113 X12 5.4981 0.2597 -0.8196 -0.3434 0.7714 0.7714 -2.6073 X7 0.1676 0.1493 .5849 -0.

7049 Residual for X12 and X9 -2..7714 Largest Positive Standardized Residuals Residual for X2 and X1 3.1859 THREE FACTOR MODEL FOR DRINKING MOTIVES - .1|976665420 .2|8766420 .5849 Residual for X11 and X10 -2.0|8886553332211111110000000000000 0|111233455688999 1|022223355579 2|0 3|2 4|5 5|2 Largest Negative Standardized Residuals Residual for X4 and X2 -2.4504 Residual for X12 and X11 5.2060 Residual for X10 and X9 4.6014 Residual for X8 and X3 -2.

. . .5... ** ........*x .5 Standardized Residuals THREE FACTOR MODEL FOR DRINKING MOTIVES - . .. .Qplot of Standardized Residuals 3. .... x .... .. .. n . . .. ... . .. . .. ... x xx . N ... x . .... ...... .. .. .. x . x . .. i . . l .. .... .. o . x . ... .. . xx ... l . . . .. . .. ..5.... . ....... x*x .. ..... . x .... .. . .. .. .. . . xx .... . ......... e . . xx . . x* .. u .. a . .. xxx . .. ** ....... ..5 3. t . .. x . . -3.. x... *x x . xx ..... Q .... a .. .. .. r . m .. .. ... ..... *x . ... . . . .. ........ . x. x ... .. .. xxx .. .. .... .. ... x*x . -3...*x . .. x x *. . .. .. x . ..... s .

0377 -0.Modification Indices and Expected Change Modification Indices for LAMBDA-X X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Coping -------.0441 0..8663 0.7781 1.-0.8778 4..3790 3.0954 0..0299 0.0121 1.0397 Social -------6..8784 .4826 0.9502 0.2292 0.3376 2..0776 -0.0453 0.9583 0.2668 1.0274 Social --------0.- Expected Change for LAMBDA-X X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Coping -------..- Standardized Expected Change for LAMBDA-X Coping -------- Social -------- Enhance -------- - .3487 0.0520 2..9127 0..1277 -0.5376 0.0926 0...0519 -0.1287 -0.0929 .1814 -0..0193 ..0390 0.0.5946 2..0299 0.3001 .0544 18.3234 0.0037 Enhance -------0.1009 2..1267 0.0..0.1039 -0...0011 Enhance -------1.2201 -0..8609 0.4903 0.5203 -0.0333 -0.0669 0.

0977 0.4242 .2767 -0.-0...0336 -0...0392 0.0731 0.2876 0.0266 0.0363 0.1493 0.0273 0.0365 -0.-0.0786 -0.0137 ....0101 ..0.0799 -0..0146 0.0725 0.2923 1.9838 X2 X3 X4 -------- -------- -------- ...0041 0.2784 X3 0.0481 0.0312 .1127 0.0628 -0.0317 -0.0.0244 -0.0240 -0.1677 -0..- - ----- .1144 -0.1522 1.0092 Social --------0.1267 0.5700 -0.1252 -0.X2 10.5008 ..0837 -0.3.1399 -0.1957 -0...0733 0.0629 0.- Completely Standardized Expected Change for LAMBDA-X X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Coping -------..0637 0.0654 -0.0707 -0.2511 0.X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 .0608 -0.1189 -0.0153 0.1613 -0..0015 Enhance -------0.- No Non-Zero Modification Indices for PHI Modification Indices for THETA-DELTA X5 --- X1 X6 --------------X1 ..

5896 7.0630 X6 0.4463 0.1412 Modification Indices for THETA-DELTA X11 --- X7 X12 --------------X7 .0548 0.- Expected Change for THETA-DELTA X5 --- X1 X6 --------------X1 .3652 5.5231 1.0525 0.3688 X7 0.0539 0.0.- - ----- .2080 1.0605 1.3086 2.0.X4 X5 0.X8 1.4674 1.8935 0.0156 0.9547 2.5955 5.1020 0.1070 0.19.3799 X2 X3 X4 -------- -------- -------- .7.6182 1.4330 3.1.1395 .4509 6.2889 2.5010 1.6320 0.0305 0.1235 X12 1.5608 ----- - X12 26.8856 0.4278 X9 0.8206 X10 0.6639 0.8062 2.2476 1.1094 0.8736 0.1418 0.4835 .5972 4.0092 2.7664 1.2106 0.2622 X8 X9 X10 -------- -------- -------- .1688 - 0.0071 X9 0.0319 X10 1.7245 0.2701 0.9022 .0243 .0514 1.3165 0.6807 5.X2 0.5176 X11 0.5320 0.0668 0.3384 X11 1.2914 X8 0.5380 1.6360 .0221 0.

1308 -0.0330 0.0651 -0.- Completely Standardized Expected Change for THETADELTA X5 --- X1 X6 --------------- X2 X3 X4 -------- -------- -------- - ----- .0314 -0.5346 -0.4850 ----- - X12 1.0406 0.0390 - - 0.1176 -0.0724 X8 0.0914 -0.0637 -0.1690 0.1517 - Expected Change for THETA-DELTA X7 X11 --- X12 --------------X7 .X3 X4 X5 0.0970 X8 X9 X10 -------- -------- -------- .3103 0.0286 0.5186 .1325 -0.0363 X10 -0.0172 .0780 .0693 0.0805 0.1965 0.0571 X7 0.0.4093 -0.8637 -0.1302 0.0264 0.1335 X10 0.1636 X11 -0.1061 .2068 X9 -0.-0.1339 -0.0146 -0.0148 -0.1333 -0.2150 -0.0618 -0.1707 0.0374 0.0654 0.2444 .8780 -0.0102 X9 0.0.-0.0561 X11 0.-0.2294 0.1408 0.X8 0.1809 0.1476 -0.2276 0.3644 0.2215 0.0372 0.0159 X6 -0.1560 .2299 0.0477 0.0146 0.-0.0889 -0.2052 -0.7145 0.1489 - -0.1458 X12 0.

0051 -0.0374 0.- Maximum Modification Index is THETA-DELTA 26.0065 0.0187 X7 0.0152 X8 X9 X10 -------- -------- -------- .1232 -0.0291 -0.0297 0.0214 .0061 -0.0288 X10 0.1042 ----- - X12 0.0052 .0688 0.0173 -0.0411 - -0.0344 0.0373 -0.0185 X11 0.0659 0.0712 0.0189 -0.0117 0.0328 X12 0.0488 -0.1070 0.0232 -0.0433 0.0031 0.0703 -0.1842 -0.-0.0219 -0.0.0079 0.0242 -0.0419 .0091 0.0829 -0.0224 0.0330 - Completely Standardized Expected Change for THETADELTA X11 --- X7 X12 --------------X7 .0026 X9 0.0265 0.0420 0.0168 X8 0.0373 -0.0753 .X1 X2 X3 X4 X5 .0071 0.-0.1213 0.-0.1189 -0.0058 -0.0363 .0236 .2508 0.0241 -0.0140 -0.0.0337 -0.0.0.0054 X10 -0.X8 0.0137 0.-0.0104 - - 0.0366 X9 -0.0482 0.0404 .0140 0.0375 X11 -0.0098 0.0226 X6 -0.89 for Element (12.0387 0.11) of THREE FACTOR MODEL FOR DRINKING MOTIVES - .

3236 1.4512 0...1....2676 1.....- - ....6623 0.- Enhance -------.8892 0..0000 PHI Coping Social Enhance THREE FACTOR MODEL FOR DRINKING MOTIVES Completely Standardized Solution LAMBDA-X X1 X2 X3 X4 X5 Coping -------0.6332 Enhance -------.Standardized Solution LAMBDA-X X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Coping -------0.....- Social -------......6542 .8664 1.0454 1.3441 .4358 0.7180 1.0000 0.7694 Coping -------1.4316 0.1.- Social -------..6133 1.0000 0.0...0955 1..6980 1.3219 Social -------- Enhance -------- 1.7987 0.9532 ..

0914 X8 X9 X10 -------- -------- -------- 0.X6 X7 X8 X9 X10 X11 X12 - - 0.6607 0.7964 0..0000 0..0.4408 X5 ----- THETA-DELTA X7 X12 ----------------0.5635 0.3219 THETA-DELTA X1 X6 ----------------0.047 Seconds ----- .- .0000 0.6652 Social -------- Enhance -------- 1.8137 0..5240 0..2676 1.6020 0.7987 0.0000 X2 X3 X4 -------- -------- -------- 0.5974 0..6899 0.5990 0.4690 0.8101 0.7287 .6431 PHI Coping Social Enhance Coping -------1.6376 0.7478 0.5575 X11 Time used: - 0.

- .

‬‬ ‫‪-‬‬ .‫املهحق سقى (‪)4‬‬ ‫ِخشعبد اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪ ٞ‬ثبعزؼّبي ؽضِخ ئ‪٠‬ىظ ‪،EQS‬‬ ‫اٌخبصخ ثبٌّضبي األ‪ٚ‬ي‪ّٛٔ :‬رط اٌؼبٍِ‪( ٓ١‬اٌؼصبث‪١‬خ ‪ٚ‬اإلٔط‪ٛ‬ائ‪١‬خ)‬ ‫ٌٍشخص‪١‬خ‪ٚ ،‬اٌز‪ ٞ‬رطشلٕب ئٌ‪ ٗ١‬ف‪ ٟ‬اٌفصً اٌضبٔ‪ٟ‬‬ ‫‪ٚ‬اٌضبٌش ‪ٚ‬اٌشاثغ‪.

- .

351 -0.M. 7 MATRIX=COR. V6=EX2. 9 /LABELS 10 V1=N1. 24 E1 TO E8 = * .302 -0. 11 F1=neurotic.4 5. COPYRIGHT BY P.651 1. 19 V6 = *F2 + E6. A STRUCTURAL EQUATION PROGRAM MULTIVARIATE SOFTWARE.245 0. BENTLER VERSION 6.356 -0. 20 V7 = *F2 + E7.675 1. 22 /VARIANCES 23 F1 TO F2 = * . 12 13 /EQUATIONS 14 V1 = F1 + E1. V3=N3.EQS.778 0.300 -0. V4=N4.316 -0.000 34 -0.2008 (B94) PROGRAM CONTROL INFORMATION 1 /TITLE Testing two-factor model of neuroticism and extraversion using EQS 2 3 /SPECIFICATIONS 4 CASES=250.000 29 0.000 35 -0.280 -0. 18 V5 = F2 + E5.2 5.767 1. 17 V4 = *F1 + E4. 5 VARIABLES=8.282 -0.709 1.6 38 39 /PRINT 40 FIT ALL 41 /WTEST 42 /LMTST 44 /END - .254 -0.289 -0.634 0.1 (C) 1985 .534 0. V7=EX3.731 0. V2=N2.6 6.566 1.000 32 -0. 21 V8 = *F2 + E8. 27 /MATRIX 28 1.292 -0.593 0. F2=extrav.000 36 /STANDARDS DEVIATIONS 37 5. 16 V3 = *F1 + E3. V8=EX4. 8 ANALYSIS=COV. 15 V2 = *F1 + E2.000 31 0.297 -0.762 1.318 1. INC. 25 /COVARIANCES 26 F1 TO F2 = * .7 5.296 -0.000 30 0.267 0.000 33 -0. V5=EX1.7 5.738 0.0 6.7 6.296 0. 6 METHODS=ML.

067 31.557 27.798 32.820 17.277 23.490 N2 V2 24.490 EX4 V8 20.965 -10.001 -7.683 EX4 V8 -9.411 40.960 N4 V4 25.110 EX3 V7 -9.360 N3 V3 26.617 21.722 -11.167 -9.000 EX2 V6 -11.147 -13.904 -9.942 EX2 EX3 EX4 V6 V7 V8 EX2 V6 38.___________________________________________________________ COVARIANCE MATRIX TO BE ANALYZED: 8 VARIABLES (SELECTED FROM 8 VARIABLES) BASED ON 250 CASES.667 25.440 EX3 V7 23.465 -7.006 32.835 -9.876 36.004 -10.483 31.670 -10.490 EX1 V5 -12.617 -9.589 18.436 25. N1 N2 N3 N4 EX1 V1 V2 V3 V4 V5 N1 V1 32.360 BENTLER-WEEKS STRUCTURAL REPRESENTATION: NUMBER OF DEPENDENT VARIABLES = DEPENDENT V'S : 1 2 7 8 3 4 NUMBER OF INDEPENDENT VARIABLES = 10 INDEPENDENT F'S : 1 2 INDEPENDENT E'S : 1 2 3 7 5 6 8 4 8 NUMBER OF FREE PARAMETERS = 17 NUMBER OF FIXED NONZERO PARAMETERS = - 10 5 6 .225 -10.

008 -.372 . REFER TO INDEPENDENCE MODEL.042 .000 .075 .868 .000 .018 -.007 .000 -.006 .004 .891 EX4 V8 . NO SPECIAL PROBLEMS WERE ENCOUNTERED DURING OPTIMIZATION.518 -. *** WARNING MESSAGES ABOVE.007 -. CALCULATIONS FOR USER'S MODEL NOW BEGIN.000 .006 -.739 .245 -.565 -.006 .450 .255 .223 .000 .005 .002 -.000 -.267 -1.4334 AVERAGE OFF-DIAGONAL ABSOLUTE RESIDUAL = .236 -.078 -1.010 .962 .272 EX3 V7 EX1 V5 . RESIDUAL COVARIANCE MATRIX N1 N2 N3 N4 EX1 EX2 EX3 EX4 EX2 EX3 EX4 V1 V2 V3 V4 V5 V6 V7 V8 V6 V7 V8 N1 V1 .035 . IF ANY.654 -2.015 -.451 .331 -.002 .033 -.12688D+11 PARAMETER ESTIMATES APPEAR IN ORDER.000 .000 -.007 -.5572 STANDARDIZED RESIDUAL MATRIX: N1 N2 N3 N4 EX1 EX2 EX3 EX4 V1 V2 V3 V4 V5 V6 V7 V8 N1 V1 .023 - EX1 V5 .000 -.028 .010 -.000 .053 . IF ANY.000 .355 1.204 .013 N2 V2 N3 V3 N4 V4 . REFER TO THE MODEL PROVIDED.001 -.414 EX2 V6 . . 3RD STAGE OF COMPUTATION REQUIRED PROGRAM ALLOCATED 200000000 WORDS DETERMINANT OF INPUT MATRIX IS 5706 WORDS OF MEMORY.*** WARNING MESSAGES ABOVE.125 N4 V4 .000 -. CALCULATIONS FOR INDEPENDENCE MODEL NOW BEGIN.000 AVERAGE ABSOLUTE RESIDUAL = .027 .240 .254 -.353 (S-SIGMA) : N2 V2 N3 V3 .172 .016 -.062 .

018 .232 BASED ON 19 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS . V3 V6.768 = 1248.015 NO.007 MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) GOODNESS OF FIT SUMMARY FOR METHOD = ML INDEPENDENCE MODEL CHI-SQUARE DEGREES OF FREEDOM INDEPENDENCE AIC = MODEL AIC = 1192.035 .010 EX3 V7 EX4 V8 .000 . V4 V4. V4 V4. V4 V3.0160 MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) LARGEST STANDARDIZED RESIDUALS: NO.776 -24. V5 V8.027 . V1 V8. V6 V7.062 . V6 V7.82649 THE NORMAL THEORY RLS CHI-SQUARE FOR THIS ML SOLUTION IS 12. V4 V5.007 -.028 -.042 -.000 -. --1 2 3 4 5 6 7 8 9 10 PARAMETER --------V5.000 AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = . V1 V7. V2 V8.013 -. V2 ESTIMATE -------.014 -.776 ON INDEPENDENCE CAIC = MODEL CAIC = 28 1066. V2 V8.676 CHI-SQUARE = 13. V3 V6.007 .023 .010 . FIT INDICES ----------- - . V7 V8.661.007 . --11 12 13 14 15 16 17 18 19 20 PARAMETER --------V8. V3 V7. V1 ESTIMATE --------.010 .016 -. V1 V3.053 -.EX2 EX3 EX4 V6 V7 V8 EX2 V6 . V1 V5.175 -110. V3 V2.007 -.010 -.0124 AVERAGE OFF-DIAGONAL ABSOLUTE STANDARDIZED RESIDUAL = .014 .008 -.

259476 1.00000 .389 EX3 EX4 .524 .00000 .368 .326 ITERATIVE SUMMARY ITERATION PARAMETER ABS CHANGE ALPHA 1 8.00000 .828 STANDARDIZED FACTOR LOADINGS FOR THE FACTOR THAT GENERATES MAXIMAL RELIABILITY FOR THE UNIT-WEIGHT COMPOSITE BASED ON THE MODEL (RHO): N1 N2 N3 N4 EX1 EX2 .523 .501 .000 = = .525 .BENTLER-BONETT NORMED FIT INDEX = BENTLER-BONETT NON-NORMED FIT INDEX = COMPARATIVE FIT INDEX (CFI) = RELIABILITY COEFFICIENTS -----------------------CRONBACH'S ALPHA RELIABILITY COEFFICIENT RHO .05318 4 .989 1.05314 - FUNCTION .504 .05314 6 .515234 1.000426 1.00000 .027800 1.00000 .007 1.003423 1.05676 3 .456642 1.56638 2 1.374 .00000 .05314 5 .

901@ + 1.942*F1 .071*F1 .072 11.074*F2 .997*F1 .000 F1 + 1.945@ + 1.060 17.079 13.814*F2 .000 E4 EX1 =V5 = 1.000 E6 EX3 =V7 = .052 19.935*F2 .225@ + 1.MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) MEASUREMENT EQUATIONS WITH STANDARD ERRORS AND TEST STATISTICS STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.609@ + 1.072 12.000 E5 EX2 =V6 = 1.755@ + 1.000 E8 - .000 E7 EX4 =V8 = .000 E2 N3 =V3 = 1.000 E1 N2 =V2 = .053 17.000 E3 N4 =V4 = . N1 =V1 = 1.274@ + 1.000 F2 + 1.

MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.590 I 8.336 I 8. E --- D --- E1 - N1 7.853*I 1.218@I I -EXTRAV MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.217*I .782*I 1.207 I 7.467 I I I - .147*I 3.241*I 1.005 I 8.807*I 1.084@I I I I E6 - EX2 11.270@I I I I E7 - EX3 12.731@I I I I E2 - N2 8.612 I 7.830@I I I I E5 - EX1 12.718*I 1.918 I 8.437*I 2.837@I I I I E4 - N4 7. V --- F --I F1 I I I I F2 I I I -NEUROTIC 25.719@I I 23.922 I 7.738@I I I I E3 - N3 11.053*I .912 I 7.

676 I 9.844*F1 + .931 I -5.435*I I I .712 N4 =V4 = .834*F2 + .598 E5 .465@I I MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) STANDARDIZED SOLUTION: R-SQUARED N1 =V1 = .849*F1 + .489 MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) CORRELATIONS AMONG INDEPENDENT VARIABLES --------------------------------------V --- F --I F2 I F1 I -EXTRAV -NEUROTIC - -.554*I 1.643 EX2 =V6 = .789*F2 + .885 F1 + .552 E6 .568@I I I I MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) COVARIANCES AMONG INDEPENDENT VARIABLES --------------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.699*F2 + .715 E8 .802 F2 + .720 N3 =V3 = .778 EX1 =V5 = .614 E7 .783 N2 =V2 = .036*I 1.623 EX4 =V8 = .537 E3 .471 E4 .529 E2 . V --- F --I F2 I F1 I I -EXTRAV -NEUROTIC -10.E8 - EX4 8.882*F1 + .466 E1 .344@I I 16.695 EX3 =V7 = .

053 .117 .000 .000 ***** NONE OF THE UNIVARIATE LAGRANGE MULTIPLIERS IS SIGNIFICANT.062 .F1 1.000 .007 .000 8 2 12 V8.250 1.000 -.007 . - .F2 .000 .000 .000 1. MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) LAGRANGE MULTIPLIER TEST (FOR ADDING PARAMETERS) ORDERED UNIVARIATE TEST STATISTICS: HANCOCK STANDARPARAMETER DIZED NO CODE PARAMETER CHANGE CHISQUARE PROB. CHANGE 1 2 12 V5.002 4 2 12 V3.905 1.000 -.F2 .323 .001 7 2 12 V7.000 1.291 1.012 .F2 .001 6 2 12 V2.073 -.F2 .F1 .303 1.020 . ***** THE MULTIVARIATE TEST PROCEDURE WILL NOT BE EXECUTED. UNIVARIATE PROBABILITY CHI-SQUARE ************ NONE OF THE FREE PARAMETERS IS DROPPED IN THIS PROCESS.602 1.000 1.002 2 2 12 V6.068 .706 1.000 .000 1.000 . 19 DF PROB.MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WALD TEST (FOR DROPPING PARAMETERS) MULTIVARIATE WALD TEST BY SIMULTANEOUS PROCESS CUMULATIVE MULTIVARIATE STATISTICS INCREMENT STEP PARAMETER PROBABILITY CHI-SQUARE D.911 1.000 -.900 .000 .059 -.000 .000 9 2 0 V5.002 5 2 12 V1.F1 .002 3 2 12 V4.F.F1 1.014 .000 -.027 -.000 10 2 0 V1.142 .272 .343 1.F1 .F2 1.

- .

‬‬ ‫‪-‬‬ .‫املهحق سقى (‪)5‬‬ ‫ِخشعبد اٌزؾٍ‪ ً١‬اٌؼبٍِ‪ ٟ‬اٌز‪ٛ‬و‪١‬ذ‪ ٞ‬ثبعزؼّبي ؽضِخ ٌ‪١‬ضسي‪ ،‬اٌخبصخ‬ ‫ثبٌّضبي اٌضبٔ‪( ٟ‬د‪ٚ‬افغ رؼبغ‪ ٟ‬اٌزذخ‪)ٓ١‬اٌز‪ٞ‬‬ ‫رطشلٕب ئٌ‪ ٗ١‬ف‪ ٟ‬اٌفصً اٌشاثغ ‪.

- .

V8=X11. V9 = F3 + E9. F1=ENHANC.146 0.548 0. INC.000 0. V5=X5.158 0. V12 = *F3 + E12.1 (C) 1985 .268 0. A STRUCTURAL EQUATION PROGRAM COPYRIGHT BY P.406 0.177 0. /MATRIX 1. MATRIX=COR.122 0.448 1. VARIABLES=12. V7 = *F2 + E7.543 0.134 0.350 1.151 1.000 0.000 0.160 0.112 0.131 0.229 0.426 0.198 0. V4=X4.000 45 /TITLE Testing three-factor model of smoking motives using EQS /SPECIFICATIONS CASES=500.261 1.522 1.214 0.545 0.429 1.214 0.061 0. V8=X9.108 0. V3 = *F1 + E3. V2 = *F1 + E2.411 0.101 0.108 0.170 0. F2=SOCIAL.185 0.188 0.134 0. VERSION 6.066 0.133 0. F1=COPING. V6 = *F2 + E6.044 0.481 1.252 0.579 0. V11 = *F3 + E11.241 0.000 0.EQS.200 0.124 0. METHODS=ML.105 0.356 0.000 0. V6=X6.128 0.185 0. V10 = *F3 + E10.161 0.218 0. /COVARIANCES F1 TO F3 = * . /VARIANCES F1 TO F3 = * .M. V8=X10.131 0.000 0.186 0.099 0.077 0.061 0. V5 = F2 + E5.172 0. V8 = *F2 + E8.087 0.267 0.2008 (B94) PROGRAM CONTROL INFORMATION 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 1. V7=X7.000 0. V4 = *F1 + E4.370 0.000 0.300 1. V8=X12.484 1.463 0. V2=X2. /EQUATIONS V1 = F1 + E1. /LABELS V1=X1.000 0.359 0.000 0. ANALYSIS=COV. BENTLER MULTIVARIATE SOFTWARE. V8=X8.230 0. E1 TO E12 = * .492 1.000 0.088 0.507 - .223 0. V3=X3.

907 1.161 .993 1.482 1.205 .076 BENTLER-WEEKS STRUCTURAL REPRESENTATION: 10 11 NUMBER OF DEPENDENT VARIABLES = 12 DEPENDENT V'S : 1 2 3 12 NUMBER OF INDEPENDENT VARIABLES = 15 - 4 5 6 7 8 9 .870 .182 2.865 .740 .512 .663 .574 1.582 .703 .951 .263 .73 1.196 .676 7.743 2.92 1.57 2.550 .762 .566 .556 .818 .724 .848 5.68 1.202 .200 2.595 .445 1.422 .810 .564 .780 1.605 3.675 .721 .356 .477 V6 V7 V8 V9 V10 V11 V12 X6 V6 3.403 .671 V12 V12 7.538 12 3.833 V11 V12 V11 V11 6.835 1.168 2.026 .548 2.686 1.101 2.66 /PRINT FIT ALL /WTEST /LMTST /END ____________________________________________________________________________ COVARIANCE MATRIX TO BE ANALYZED: VARIABLES) BASED ON 500 CASES.354 X7 V7 X12 V8 V9 V9 V10 V10 6.77 2.847 .27 2.744 .46 47 48 49 50 51 53 /STANDARDS DEVIATIONS 2.906 1.49 2.466 12 VARIABLES (SELECTED FROM X2 V2 X3 V3 X4 V4 X5 V5 2.906 1.483 .194 .133 2.063 1.721 .780 .794 .939 .153 .806 .41 1.152 .173 1.919 .06 1.621 .613 . X1 X2 X3 X4 X5 X6 X7 X12 V9 V10 V11 V12 X6 X7 X12 V9 V10 V11 V12 V11 V12 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 X1 V1 4.583 .458 .244 .310 .52 1.988 1.356 3.75 2.516 1.

021 -.165 -.1161 AVERAGE OFF-DIAGONAL ABSOLUTE RESIDUAL = - .106 .047 .023 -.000 .021 .164 V10 V10 .179 .006 .000 .001 -.083 -.096 -.150 .024 -. RESIDUAL COVARIANCE MATRIX X1 X2 X3 X4 X5 X6 X7 X12 V9 V10 V11 V12 X6 X7 X12 V9 V10 V11 V12 V11 V12 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V6 V7 V8 V9 V10 V11 V12 V11 V12 (S-SIGMA) : X1 V1 .188 .310 .302 -.338 -.414 -.109 -.005 .034 -.000 AVERAGE ABSOLUTE RESIDUAL = .361 -.151 -.000 .160 -.317 V12 V12 .012 .000 .037 .032 -.212 -.021 -.106 .031 .251 .000 -.INDEPENDENT F'S : INDEPENDENT E'S : 1 1 2 2 3 3 4 5 6 7 8 9 10 INDEPENDENT E'S : 11 12 NUMBER OF FREE PARAMETERS = 27 NUMBER OF FIXED NONZERO PARAMETERS = 3RD STAGE OF COMPUTATION REQUIRED PROGRAM ALLOCATED 200000000 WORDS DETERMINANT OF INPUT MATRIX IS 15 13614 WORDS OF MEMORY.000 .000 -.020 -.79355D+06 PARAMETER ESTIMATES APPEAR IN ORDER.194 -.009 .099 -.191 -.037 .092 .062 -.098 .358 .000 .204 . .184 .030 X6 V6 . NO SPECIAL PROBLEMS WERE ENCOUNTERED DURING OPTIMIZATION.040 -.1372 X5 V5 .463 X2 V2 X3 V3 X4 V4 .396 -.003 .000 .306 -.350 .107 V9 V9 .212 -.087 .201 -.003 .278 .050 .207 V11 V11 .023 X7 V7 X12 V8 .000 -.034 .022 -.082 -.135 -.000 .

044 .051 .000 MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) PARAMETER .046 -.000 .005 -.050 1 V2.000 . V3 4 V10.024 .112 .008 -.068 16 V9.051 V11.005 X6 V6 X7 V7 V6 V7 V8 V9 V10 V11 V12 .008 -.040 -. V2 .064 -.088 -.038 -.068 -.044 -. V1 2 V10.005 .056 .068 15 V10.000 -.021 -.005 V11 V12 V11 V11 .044 --- --------- -------- NO. V3 .045 -.062 -. V5 -.018 V9 V9 .062 .038 -.000 -.000 .019 -.062 . V1 .003 .006 X12 V8 .053 V11.000 .009 .004 X4 V4 . PARAMETER ESTIMATE -------- --- --------- .010 .088 12 V9.011 .000 -.010 .003 -.026 .000 -.050 . V6 5 6 .028 -.068 -.056 .068 14 V10.000 .000 .036 V12 V12 AVERAGE ABSOLUTE STANDARDIZED RESIDUAL = AVERAGE OFF-DIAGONAL ABSOLUTE STANDARDIZED RESIDUAL = NO.010 .001 .000 .032 .068 V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 X2 V2 X3 V3 .034 .068 -.034 .078 13 V11.015 .062 .066 .018 -.000 -.010 -.002 . V7 -.001 . . V8 .042 -.0262 .053 -.026 -.008 .020 .001 -.038 .032 -. V9 3 V8.024 .112 11 V11.STANDARDIZED RESIDUAL MATRIX: X1 X2 X3 X4 X5 X6 X7 X12 V9 V10 V11 V12 X6 X7 X12 V9 V10 V11 V12 V11 V12 X1 V1 .003 -.078 .068 -. X5 V5 - V1 .010 -. V1 .0310 LARGEST STANDARDIZED RESIDUALS: ESTIMATE V10 V10 .

0 .3 0 .4 0.045 9 V8.-0.5 0 .00% ! * * ! 6 0. V6 . V1 -.1 .00% ! * * ! -----------------------------! * * ! TOTAL 78 100.2 0. V10 V1 -.-0 . V9 -.046 -.5 0.7 V11.00% 15* * A 0.-0.3 0 .5 .-0.00% ! * * ! B 0.4 0 .1 0.00% ! * * ! C ++ 0. V2 .2 0 . 8 V12.2 .56% ! * * ! 8 0.3 .00% ! * * ! 3 -0.-0.1 36 46.4 0 . V11 .0 41 52.044 DISTRIBUTION OF STANDARDIZED RESIDUALS ---------------------------------------! ! 60! ! ! ! ! ! ! ! RANGE FREQ PERCENT 45! * ! 1 -0.2 0 .00% ---------------------------------------1 2 3 4 5 6 7 8 9 A B C EACH "*" REPRESENTS 3 RESIDUALS - .00% ! * ! 2 -0.5 0 . V8 -.1 1 1.4 .066 19 V12.044 10 V3.068 17 V5.068 18 V11.28% ! * * ! 9 0.064 20 V12.3 0.15% ! * * ! 7 0.00% ! * * ! 4 -0.00% 30* * 5 -0.-0.

001008 1.698 ON INDEPENDENCE CAIC = MODEL CAIC = 66 DEGREES OF 1184.000382 1.50000 .00000 .377 . STANDARDIZED FACTOR LOADINGS FOR THE FACTOR THAT GENERATES MAXIMAL RELIABILITY FOR THE UNIT-WEIGHT COMPOSITE BASED ON THE MODEL (RHO): X1 X2 X3 X4 X5 X6 .17356 9 .473 .777 .00000 .MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) GOODNESS OF FIT SUMMARY FOR METHOD = ML INDEPENDENCE MODEL CHI-SQUARE FREEDOM INDEPENDENCE AIC = MODEL AIC = 1528.796 .698 -15.605 BASED ON 51 DEGREES OF FREEDOM PROBABILITY VALUE FOR THE CHI-SQUARE STATISTIC IS .00000 .948 .364 .058037 1.17356 - .629 X7 X12 V9 V10 V11 V12 .971 .252833 1.828896 .00000 .17357 7 .00000 .17859 5 .008525 1.830 = = 92.002374 1.00000 .340 CHI-SQUARE = 86.978 RELIABILITY COEFFICIENTS -----------------------CRONBACH'S ALPHA RELIABILITY COEFFICIENT RHO .306.580 .17372 6 .431153 .00137 THE NORMAL THEORY RLS CHI-SQUARE FOR THIS ML SOLUTION IS FIT INDICES ----------BENTLER-BONETT NORMED FIT INDEX = BENTLER-BONETT NON-NORMED FIT INDEX = COMPARATIVE FIT INDEX (CFI) = .00000 .44249 3 .533 -281.533 .24259 4 .428 .17356 8 .021192 1.613 .395 = 1660.477 ITERATIVE SUMMARY PARAMETER ITERATION ABS CHANGE ALPHA FUNCTION 1 .81649 2 .431 .361 .50000 .

369@ + 1.349@ + 1. X1 =V1 = 1.000 E11 V12 =V12 = 1.511*F1 .000 E8 V9 =V9 = 1.000 E10 V11 =V11 = 1.000 E7 X12 =V8 = 1.648*F3 .000 E4 X5 =V5 = 1.063@ + 1.000 E5 X6 =V6 = 1.000 E12 - .000 E2 X3 =V3 = .568*F2 .127 12.096*F3 .000 F1 + 1.069 9.745*F1 .MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) MEASUREMENT EQUATIONS WITH STANDARD ERRORS AND TEST STATISTICS STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.287@ + 1.111 9.000 F2 + 1.163 9.863@ + 1.000 E6 X7 =V7 = 1.442@ + 1.000 E9 V10 =V10 = .052*F3 .000 F3 + 1.974*F1 .259@ + 1.000 E1 X2 =V2 = .107 9.118 12.208*F2 .000 E3 X4 =V4 = 1.131 7.102 7.510*F2 .890@ + 1.839@ + 1.092 13.

285@I E4 - X4 .200*I .092 I 1.061@I I I I I I I I I I I I I I I I I I I I I I I I I I I I - .794@I E6 - X6 1.793*I .225 I 15.249 I 13.417 I 6.354@I E2 - X2 1.248@I I MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.970@I E5 - X5 1.936*I .164 I 7.300@I I 2.872*I .165 I 4.116 I 11.122 I 15.340@I E3 - X3 2. V --I F1 -ENHANC I I I I F2 -SOCIAL I I I I F3 F3 I I I F --.946@I E7 - X7 3. E --- D --- E1 - X1 3.249*I .381*I .796@I I 1.182*I .453*I .192 I 15.MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) VARIANCES OF INDEPENDENT VARIABLES ---------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.604*I .130 I 13.791*I .

367 I 12.462*I .157 I 12.355 I 11.778*I .544@I E10 - V10 E11 - V11 3. V --- F --I I I I I I I I I I I I F2 F1 -SOCIAL -ENHANC F3 F1 F3 -ENHANC F3 F2 F3 -SOCIAL - .578*I .997@I I .367@I E9 - V9 4.164@I I .723*I .969*I .114 I 4.416*I .108@I I I I I I I I I I I I I I I I I I I I MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) COVARIANCES AMONG INDEPENDENT VARIABLES --------------------------------------STATISTICS SIGNIFICANT AT THE 5% LEVEL ARE MARKED WITH @.946*I .219@I E12 - V12 3.100 I 4.111 I 6.332 I 11.636@I I .473*I .E8 - X12 2.195 I 12.462@I I 1.

747 E12 .----------- CHI-SQUARE ---------- D. ---- PROBABILITY ----------- - CHI-SQUARE PROBABILITY ---------.748*F2 + .322*I I I .F.531 V9 = .476 X12 =V8 = .690*F2 + .436*F1 + .451*F1 + .357 V11 =V11 = .729*F2 + .436 V12 =V12 = .892 E3 .-------- .900 E2 .665*F3 + .633 F2 + .798 E9 .751 E11 .799*I I I .598*F3 + .724 E7 .186 X2 =V2 = .559 X7 =V7 = .442 MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) CORRELATIONS AMONG INDEPENDENT VARIABLES --------------------------------------V --- F --I I I I I I I I I F2 F1 -SOCIAL -ENHANC F3 F1 F3 -ENHANC F3 F2 F3 -SOCIAL .MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) STANDARDIZED SOLUTION: R-SQUARED X1 =V1 = .268*I I I MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) WALD TEST (FOR DROPPING PARAMETERS) MULTIVARIATE WALD TEST BY SIMULTANEOUS PROCESS CUMULATIVE MULTIVARIATE STATISTICS ---------------------------------- UNIVARIATE INCREMENT ------------------- STEP PARAMETER ---.664 E6 .802 E10 .661*F3 + .401 X6 =V6 = .774 E5 .685 E8 .953*F1 + .190 X3 =V3 = .602 F3 + .363 V10 =V10 = =V9 .204 X4 =V4 = .432 F1 + .302 E4 .909 X5 =V5 = .902 E1 .

000 -.F2 V9.127 .F3 V6.000 MULTIVARIATE LAGRANGE MULTIPLIER TEST BY SIMULTANEOUS PROCESS IN STAGE PARAMETER SETS (SUBMATRICES) ACTIVE AT THIS STAGE ARE: PVV PFV PFF PDD GVV GVF GFV GFF BVF BFF - 1 .004 1.463 .950 1.128 1.751 .000 ----.012 .019 1.160 .046 .520 1.023 .337 .019 .F1 V3.000 1.913 4.027 1. MAXIMUM LIKELIHOOD SOLUTION (NORMAL DISTRIBUTION THEORY) LAGRANGE MULTIPLIER TEST (FOR ADDING PARAMETERS) ORDERED UNIVARIATE TEST STATISTICS: HANCOCK STANDARCHIDIZED NO CODE PARAMETER 51 DF SQUARE PROB.347 3.F3 V7.000 -.--------1.594 .861 .778 .231 -.045 1.F1 V8.F1 V5.865 .F1 V2.000 1.028 -.000 -.000 1.F2 V1.000 .030 .F2 V4.876 2.093 1.104 1.F1 -----18.378 .000 -.040 .F3 V10.000 .093 .095 2.483 .000 .083 -.038 1.F3 V3.538 .F3 V2.152 .156 .000 -.018 .000 .129 1.081 -.054 2.267 1.013 .000 -.000 .005 -.220 1.F2 V11.000 .959 1.001 .039 1.162 .014 -.000 -.000 .000 -.079 .000 1.F1 V1.172 .000 .078 1.F2 V10.000 .489 2.115 .323 1.441 .000 .000 1.F3 V5. PARAMETER PROB.067 .012 -.081 .090 .878 6.000 ----.000 .F2 V12.863 .000 .001 .NONE OF THE FREE PARAMETERS IS DROPPED IN THIS PROCESS.974 1.562 .000 -.842 .009 .163 .F3 V11.044 1.F1 V8.000 .353 .F1 V12.000 .F2 V6.010 1.F1 V5.487 .000 .538 .000 .000 -.000 -.229 1.037 .F3 V9.100 .052 .033 1.300 1.052 1.127 1.018 -.761 .842 -.181 1.030 1.067 1.F2 V9.378 .F3 V7.000 .000 -------.F2 V1.000 -.000 . CHANGE CHANGE -1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 -----2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 12 2 0 2 0 2 0 --------V4.027 -.099 -.000 .079 .820 .020 -.

878 23.F2 CHI-SQUARE ---------- 18. PROB.-------- 18. ----- .000 .F2 V11.000 1.347 - .F.037 51 50 1. -------------.000 .CUMULATIVE MULTIVARIATE STATISTICS ---------------------------------STEP ---- PARAMETER ----------- 1 2 V4.878 4.F.225 D.000 . ---- 1 2 PROB.000 UNIVARIATE INCREMENT ------------------------HANCOCK'S SEQUENTIAL CHI-SQUARE PROB. D.

Sign up to vote on this title
UsefulNot useful