بنيت استبانة من 20 فقرة وافترضت أنها تقيس أربعة أبعاد، فكيف تثبت للجنة أن الفقرات تتجمع فعلًا في هذه الأبعاد الأربعة؟ هذا هو سؤال الصدق البنائي، والأداة الأشهر للإجابة عنه في المرحلة الأولى هي التحليل العاملي الاستكشافي. المشكلة أن SPSS يعرض عشرات الخيارات (طرق استخلاص، وتدوير، ومعايير لعدد العوامل)، وأن جداول المخرجات طويلة، فيكتفي كثير من الباحثين بنسخ جدول التشبعات دون تبرير قراراتهم. هذا الدليل يشرح متى تستخدم التحليل العاملي الاستكشافي، وشروطه، وخطواته في SPSS، وكيف تقرأ كل جدول، ثم مثالًا رقميًا كاملًا وطريقة صياغته في الرسالة.
هذا المقال جزء من دليل كتابة رسالة الماجستير الذي يُعدّه فريق Mastermind PhD، ويرتبط بخدمة التحليل الإحصائي. آخر تحقق من المصادر: نوفمبر 2026.
ما هو التحليل العاملي الاستكشافي (EFA)؟ أسلوب إحصائي يبحث في مصفوفة الارتباطات بين عدد كبير من الفقرات عن عدد أقل من العوامل الكامنة التي تفسر هذه الارتباطات. يُستخدم حين لا تكون بنية الأداة مثبتة مسبقًا، أو حين تُبنى أداة جديدة أو تُترجم وتُكيَّف لبيئة جديدة، فيكشف كم بُعدًا تقيس الأداة وأي الفقرات تنتمي إلى أي بُعد.
متى تستخدم التحليل العاملي الاستكشافي ومتى تستخدم التوكيدي؟
القاعدة العامة: الاستكشافي يسأل «ما البنية؟»، والتوكيدي يسأل «هل تنطبق البنية التي أفترضها؟». استخدم الاستكشافي إذا بنيت أداة جديدة، أو ترجمت أداة أجنبية ولم تُختبر بنيتها في بيئة عربية، أو كانت الدراسات السابقة متضاربة في عدد الأبعاد. واستخدم التحليل العاملي التوكيدي إذا كانت الأداة مقننة ومعروفة البنية وتريد اختبار مطابقتها لبياناتك، وهذا يُجرى عادة في AMOS أو برامج النمذجة البنائية لا في SPSS.
ومن الأخطاء الشائعة إجراء الاستكشافي والتوكيدي على العينة نفسها لإثبات البنية نفسها؛ الأفضل إن سمح حجم العينة تقسيمها عشوائيًا إلى نصفين: استكشافي على الأول، وتوكيدي على الثاني.
ما شروط التحليل العاملي الاستكشافي؟
| الشرط | المعيار الشائع | المصدر |
|---|---|---|
| حجم العينة | 100 فأكثر، ونسبة 5 مشاركين لكل فقرة كحد أدنى و10 أفضل | Hair et al. (2019) |
| حجم مريح | نحو 300 حالة | Tabachnick & Fidell (2019) |
| ملاءمة العينة KMO | 0.50 حد أدنى، وما فوق 0.80 جيد جدًا | Kaiser (1974) كما يعرضه Field (2018) |
| اختبار Bartlett | دال (p < .05) أي أن المصفوفة ليست مصفوفة وحدة | Field (2018) |
| الارتباطات بين الفقرات | وجود ارتباطات متوسطة، دون ارتباطات تامة تقريبًا (تعدد خطي) | Field (2018) |
| الاشتراكيات Communalities | يُفضَّل ألا تقل عن 0.30 تقريبًا، والفقرة الأدنى تُراجع | Hair et al. (2019) |
| طبيعة البيانات | فقرات كمية أو ليكرت بخمس نقاط فأكثر، وقيم متطرفة معالجة | Tabachnick & Fidell (2019) |
انتبه إلى أن هذه معايير إرشادية لا قوانين؛ لجنة المناقشة تقبل عادة قيمة KMO قدرها 0.68 مع تبرير، لكنها لن تقبل تحليلًا عامليًا على 60 مشاركًا لاستبانة من 40 فقرة.
📱 اسأل مختصًا إحصائيًا عن بياناتك — أرسل وصف أداة الدراسة وحجم العينة على واتساب، ونرد عليك بخطة التحليل المناسبة. مع كل تحليل تستلم ملف SPSS الخام وتقرير النتائج.
كيف تجري التحليل العاملي الاستكشافي في SPSS؟
- Analyze ← Dimension Reduction ← Factor.
- انقل الفقرات (لا المحاور) إلى Variables.
- من Descriptives فعّل KMO and Bartlett’s test of sphericity، ويمكن تفعيل Anti-image لقراءة الملاءمة لكل فقرة.
- من Extraction اختر الطريقة: Principal axis factoring أو Maximum likelihood إن كان الهدف كشف عوامل كامنة، وPrincipal components إن كان الهدف تلخيص البيانات. فعّل Scree plot، واترك معيار الجذر الكامن أكبر من 1 مبدئيًا.
- من Rotation اختر Promax أو Direct Oblimin إذا توقعت ارتباط الأبعاد (وهو الغالب في العلوم الإنسانية)، أو Varimax إذا افترضت استقلالها.
- من Options اختر Sorted by size، ويمكن إخفاء التشبعات الأقل من 0.30 بخيار Suppress small coefficients لتسهيل القراءة.
- OK.
ملاحظة: في الأبحاث التربوية العربية يشيع استخدام Principal components مع Varimax لأنهما الخيار الافتراضي، لكن Field (2018) وTabachnick وFidell (2019) يميزان بين تحليل المكونات والتحليل العاملي بالمعنى الدقيق؛ اختر الطريقة عن قصد واذكر سببها.
كيف تحدد عدد العوامل؟
لا تعتمد على معيار واحد. المعايير الأربعة الأشهر:
- الجذر الكامن أكبر من 1 (معيار Kaiser): سهل لكنه يميل إلى تضخيم عدد العوامل مع كثرة الفقرات.
- منحنى Scree: تحتفظ بالعوامل التي تسبق نقطة انكسار المنحنى.
- التحليل الموازي (Horn, 1965): يقارن الجذور الكامنة لبياناتك بجذور بيانات عشوائية بالحجم نفسه، ويُعد من أدق المعايير، ويُجرى بملف Syntax أو أدوات مساعدة.
- التفسير النظري: هل يمكن تسمية كل عامل اعتمادًا على فقراته؟ عامل لا تجمعه فكرة واحدة علامة على مشكلة.
إذا اتفقت ثلاثة معايير على عدد واحد فأنت في موقف قوي، وإذا اختلفت فجرّب الحلول المتقاربة واختر الأوضح تفسيرًا مع ذكر ذلك صراحة.
كيف تقرأ جداول المخرجات؟
KMO and Bartlett’s Test: أول جدول تنظر إليه. إن كانت KMO أقل من 0.50 أو Bartlett غير دال فلا معنى لمتابعة التحليل.
Communalities: نسبة تباين كل فقرة التي تفسرها العوامل المستخلصة. الفقرة ذات الاشتراكية المنخفضة جدًا لا تشترك مع غيرها في شيء، فهي مرشحة للمراجعة.
Total Variance Explained: الجذر الكامن لكل عامل ونسبة التباين التي يفسرها والنسبة التراكمية. في العلوم الاجتماعية يُعد تفسير نحو 50% إلى 60% من التباين مقبولًا عمومًا (Hair et al., 2019).
Pattern Matrix (مع التدوير المائل) أو Rotated Component Matrix (مع Varimax): الجدول الذي تبني عليه قرارك. تنتمي كل فقرة إلى العامل الذي تتشبع عليه أعلى تشبع. ويعتبر Hair وآخرون (2019) التشبع بين 0.30 و0.40 حدًا أدنى، و0.50 فأكثر دالًا عمليًا، و0.70 فأكثر بنية واضحة. وفي التدوير المائل اقرأ أيضًا Factor Correlation Matrix لترى ارتباط العوامل ببعضها.
متى تحذف فقرة؟
| الحالة | القرار المقترح |
|---|---|
| تشبع أقل من 0.40 على كل العوامل | مرشحة للحذف بعد مراجعة صياغتها |
| تشبع متقاطع (قيمتان متقاربتان فوق 0.32 على عاملين) | مرشحة للحذف أو لإعادة النظر في معناها |
| تشبع على عامل لا تنتمي إليه نظريًا | ناقشها: قد تكون الصياغة غامضة أو البنية النظرية تحتاج مراجعة |
| اشتراكية منخفضة جدًا | راجع الفقرة وأعد التحليل دونها |
احذف فقرة واحدة في كل مرة ثم أعد التحليل، لأن حذف فقرة يغيّر التشبعات الباقية، ووثّق كل حذف وسببه في جدول.
مثال رقمي كامل: من المخرجات إلى الجملة
استبانة للاندماج الوظيفي من 20 فقرة طُبقت على 300 معلم، أي 15 مشاركًا لكل فقرة. الملاءمة: KMO = 0.87، واختبار Bartlett دال: χ²(190) = 2845.6، p < .001؛ ودرجات الحرية 190 لأن عدد الارتباطات المستقلة بين 20 فقرة يساوي 20 × 19 ÷ 2. الاستخلاص: Principal axis factoring مع تدوير Promax. أربعة عوامل جذورها الكامنة 6.12 و2.35 و1.68 و1.21، أي أن مجموعها 11.36 من أصل 20 وحدة تباين (عدد الفقرات)، فهي تفسر 56.8% من التباين الكلي قبل التدوير. ومنحنى Scree انكسر بعد العامل الرابع، والتحليل الموازي أيّد أربعة عوامل.
التشبعات: تشبعت 19 فقرة على عواملها المتوقعة بقيم بين 0.48 و0.81، بينما تشبعت الفقرة 14 بقيمتين متقاربتين (0.38 و0.35) على عاملين، فحُذفت وأعيد التحليل على 19 فقرة، وبقيت البنية رباعية مع تحسن طفيف في الوضوح. وتراوحت الارتباطات بين العوامل بين 0.31 و0.52، وهو ما يبرر التدوير المائل.
الصياغة المقترحة: «أُجري التحليل العاملي الاستكشافي بطريقة المحاور الرئيسة مع التدوير المائل Promax على عينة من 300 معلم. بلغت قيمة KMO 0.87، وكان اختبار Bartlett دالًا (χ²(190) = 2845.6، p < .001)، مما يشير إلى ملاءمة البيانات للتحليل. أسفر التحليل عن أربعة عوامل جذورها الكامنة أكبر من الواحد، فسرت مجتمعةً 56.8% من التباين، وأيد منحنى Scree والتحليل الموازي هذا العدد. حُذفت الفقرة 14 لتشبعها المتقاطع، وتراوحت تشبعات الفقرات المتبقية بين 0.48 و0.81».
أخطاء شائعة في التحليل العاملي الاستكشافي
- إدخال درجات المحاور بدل الفقرات المفردة.
- الاكتفاء بمعيار الجذر الكامن أكبر من 1 دون Scree أو تحليل موازٍ.
- استخدام Varimax آليًا رغم أن الأبعاد مرتبطة نظريًا.
- حذف عدة فقرات دفعة واحدة دون إعادة التحليل بعد كل حذف.
- الخلط بين التباين المفسر قبل التدوير وبعده، أو ادعاء نسبة تفسير للعوامل في التدوير المائل كما لو كانت مستقلة.
- تسمية العوامل بأسماء الأبعاد الأصلية حتى لو تغيّر توزيع الفقرات.
- إغفال حساب ألفا كرونباخ لكل عامل بعد استقرار البنية.
📱 استفسر الآن على واتساب — 5 سنوات خبرة في كل التخصصات و14 خدمة أكاديمية. الدفع على مرحلتين (80/20)، والتعديلات مجانية حتى اعتماد المشرف في حدود 30% من الفصل.
الأسئلة الشائعة
هل يمكن إجراء التحليل العاملي على عينة من 100 مشارك؟
ممكن إذا كانت الفقرات قليلة (نحو 10 إلى 20) والاشتراكيات مرتفعة. يقترح Hair وآخرون (2019) حدًا أدنى 100 ونسبة 5 مشاركين لكل فقرة على الأقل، لكن الحلول على عينات صغيرة أقل استقرارًا، فاذكر ذلك ضمن حدود الدراسة.
ما الفرق بين Principal Components وPrincipal Axis Factoring؟
الأول يلخص كل تباين الفقرات في مكونات، والثاني يحلل التباين المشترك فقط بحثًا عن عوامل كامنة. إذا كان هدفك إثبات صدق بنائي لمقياس نفسي فالتحليل العاملي بالمعنى الدقيق أنسب، مع جواز استخدام المكونات إذا برّرت ذلك.
ماذا أفعل إذا ظهرت ثلاثة عوامل بدل أربعة؟
لا تجبر البيانات على البنية المفترضة. افحص الفقرات: هل اندمج بعدان متقاربان نظريًا؟ جرّب حل الأربعة عوامل للمقارنة، ثم اعتمد الأوضح تفسيرًا وناقش الاختلاف في فصل المناقشة.
هل يغني التحليل العاملي عن صدق المحكمين؟
لا. صدق المحكمين يخص المحتوى والصياغة قبل التطبيق، والتحليل العاملي يخص البنية بعد جمع البيانات. الرسالة القوية تعرض الاثنين معًا مع الاتساق الداخلي والثبات.
هل أعرض جدول التشبعات كاملًا في الرسالة؟
نعم، اعرض التشبعات مرتبة حسب العامل مع الاشتراكيات والجذور الكامنة ونسب التباين، وأخفِ القيم الأقل من 0.30 مع ملاحظة أسفل الجدول، واذكر طريقة الاستخلاص والتدوير في عنوان الجدول أو ملاحظته.
المصادر
- Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.
- Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Pearson.
- Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.
- Horn, J. L. (1965). A rationale and test for the number of factors in factor analysis. Psychometrika, 30(2), 179–185.
- IBM. IBM SPSS Statistics documentation: Factor Analysis. https://www.ibm.com/docs/en/spss-statistics
آخر تحقق من المصادر: نوفمبر 2026. المقال تعليمي عام ولا يغني عن لائحة جامعتك أو توجيهات مشرفك. كيف نُعد محتوانا.