المتغير الوسيط والمتغير المعدل: الفرق بينهما وطرق اختبارهما وكتابة النتائج

تزداد في رسائل الإدارة والتربية النماذج التي تتضمن المتغير الوسيط والمتغير المعدل، مثل: «الرضا الوظيفي متغيرًا وسيطًا بين القيادة التحويلية والالتزام التنظيمي». لكن الخلط بين المفهومين شائع، وكثير من الباحثين ما زالوا يختبرون الوساطة بخطوات قديمة يعدها المتخصصون اليوم غير كافية، فيواجهون أسئلة صعبة في المناقشة.

في هذا المقال ستتعرف على الفرق المفاهيمي بين المتغيرين، وطريقة Baron و Kenny وحدودها، واختبار الأثر غير المباشر بالمعاينة المتكررة (Bootstrap) عبر ملحق PROCESS، واختبار التعديل بحد التفاعل، مع مثالين محلولين بالأرقام ونماذج لكتابة النتائج وأخطاء شائعة تتجنبها.

ما الفرق بين المتغير الوسيط والمتغير المعدل؟

ميز Baron و Kenny (1986) بين المفهومين تمييزًا صار مرجعًا في هذا الباب:

القاعدة المختصرة: الوسيط آلية تنقل الأثر، والمعدل شرط يغير حجمه. ويحدد الإطار النظري أيهما تختبر، لا نتائج التحليل.

كيف تختبر الوساطة بطريقة Baron و Kenny؟

اقترح Baron و Kenny (1986) سلسلة من معادلات الانحدار تُفحص فيها أربعة شروط:

1. أن يؤثر المستقل X في التابع Y تأثيرًا دالًّا، ويسمى الأثر الكلي c.
2. أن يؤثر المستقل X في الوسيط M تأثيرًا دالًّا، وهو المسار a.
3. أن يؤثر الوسيط M في التابع Y بعد ضبط المستقل، وهو المسار b.
4. أن ينخفض أثر X في Y عند إدخال الوسيط، ويسمى الأثر المباشر c′. فإذا صار غير دال سُميت الوساطة «كلية»، وإذا انخفض وبقي دالًّا سُميت «جزئية».

وكان يُضاف إليها غالبًا اختبار Sobel لدلالة حاصل الضرب a × b. وفي الانحدار الخطي بمتغيرات متصلة تتحقق العلاقة: c = c′ + a × b، أي أن الأثر الكلي يساوي الأثر المباشر مضافًا إليه الأثر غير المباشر.

لماذا يُفضَّل اليوم اختبار الأثر غير المباشر بالـ Bootstrap؟

انتقد Zhao وزملاؤه (2010) و Hayes (2022) منطق الخطوات المتتابعة لأسباب أهمها:

• شرط دلالة الأثر الكلي ليس ضروريًّا: فقد توجد وساطة حقيقية مع أثر كلي غير دال، كأن تتعاكس إشارتا الأثرين المباشر وغير المباشر.
• الحكم يقوم على عدة اختبارات منفصلة: بدل اختبار واحد مباشر للكمية التي تعنينا، وهي الأثر غير المباشر a × b.
• اختبار Sobel يفترض توزيعًا اعتداليًّا لحاصل الضرب: وهذا التوزيع يكون ملتويًا في الغالب، فتضعف قوة الاختبار.
• تصنيف «كلية» و«جزئية» مضلل: لأنه يتأثر بحجم العينة، وقد يوحي بأنه لا حاجة للبحث عن وسطاء آخرين.

والبديل المعتمد هو تقدير الأثر غير المباشر وبناء فترة ثقة له بالمعاينة المتكررة: يسحب البرنامج آلاف العينات من بياناتك مع الإرجاع، ويحسب a × b في كل منها، ثم يحدد فترة الثقة 95% من توزيع هذه القيم. إذا لم تتضمن الفترة الصفر، فالأثر غير المباشر دال.

التنفيذ في SPSS عبر PROCESS

PROCESS ملحق مجاني أعده Andrew F. Hayes، ويُشرح استخدامه في كتابه (Hayes, 2022) الذي صدرت طبعته الثالثة مع إصدار من الملحق يعمل في SPSS و SAS و R. وبعد تثبيته يظهر في قائمة Analyze ثم Regression. ثم:

1. ضع المتغير التابع في Y، والمستقل في X، والوسيط في Mediator(s).
2. اختر Model 4 للوساطة البسيطة، و Model 1 للتعديل البسيط.
3. حدد عدد عينات Bootstrap، والقيمة الافتراضية 5000.

مثال محلول: الرضا الوظيفي وسيطًا بين القيادة التحويلية والالتزام التنظيمي

مثال توضيحي ببيانات مولدة وليس دراسة منشورة: باحث في جدة طبق استبانة على 240 معلمًا لقياس القيادة التحويلية لمديريهم (X)، والرضا الوظيفي (M)، والالتزام التنظيمي (Y)، ونفذ Model 4 بـ 5000 عينة Bootstrap. وهذه المعاملات غير المعيارية الناتجة:

لاحظ أن 0.35 = 0.18 + 0.17. وبما أن فترة الثقة للأثر غير المباشر لا تتضمن الصفر، فالأثر غير المباشر دال. ويبقى الأثر المباشر دالًّا أيضًا، أي أن الرضا يفسر جزءًا من العلاقة لا كلها.

كيف تختبر أثر المتغير المعدل؟

يُختبر التعديل بإضافة حد التفاعل إلى معادلة الانحدار: Y = b0 + b1X + b2W + b3(X × W). والمعامل الذي يهمك هو b3؛ فإذا كان دالًّا فأثر X في Y يختلف باختلاف قيم W. ويمكنك تنفيذه بـ Model 1 في PROCESS، أو يدويًّا في الانحدار الهرمي بإدخال X و W في الخطوة الأولى، ثم حاصل ضربهما في الخطوة الثانية، وقراءة التغير في R².

هل يجب توسيط المتغيرات؟

توسيط المتغيرين، أي طرح متوسط كل منهما من قيمه، لا يغير معامل التفاعل b3 ولا دلالته، لكنه يجعل b1 و b2 قابلين للتفسير بوصفهما أثرين شرطيين عند متوسط المتغير الآخر.

تحليل المنحدرات البسيطة

بعد ثبوت التفاعل لا تكتفِ بقولك «التفاعل دال»، بل بيّن شكله بحساب أثر X عند قيم مختارة من W، والشائع: المتوسط، وانحراف معياري فوقه، وانحراف معياري دونه. ويعرض PROCESS أيضًا طريقة Johnson-Neyman التي تحدد مدى قيم W الذي يكون فيه أثر X دالًّا.

مثال توضيحي ببيانات مولدة: في عينة من 240 معلمة في الدوحة، كان معامل التفاعل بين ضغوط العمل ودعم الزملاء في التنبؤ بالاحتراق الوظيفي b3 = −0.36، t(236) = −4.99، p < .001، وأضاف التفاعل ΔR² = .07. وكان أثر الضغوط في الاحتراق 0.80 عند الدعم المنخفض، و 0.53 عند متوسط الدعم، و 0.26 عند الدعم المرتفع، وجميعها دالة. أي أن الدعم يخفف أثر الضغوط ولا يلغيه.

كيف تكتب نتائج الوساطة والتعديل؟

واحرص في عرض النتائج على ما يلي:

• اذكر رقم النموذج وعدد عينات Bootstrap ونوع فترة الثقة.
• اعرض المسارات a و b و c′ والأثر غير المباشر في جدول واحد، أو في شكل يوضح النموذج بمعاملاته.
• في التعديل: اذكر b3 ودلالته و ΔR²، ثم المنحدرات البسيطة، ويفضل رسم التفاعل بخطوط تمثل مستويات W.
• استخدم لغة حذرة في التفسير: «يرتبط عبر» أو «يُسهم الرضا في تفسير العلاقة»، لا «يسبب».

أخطاء شائعة في تحليل المتغير الوسيط والمتغير المعدل

• ادعاء السببية من بيانات مقطعية: الوساطة نموذج سببي في جوهره، وبيانات الاستبانة الواحدة لا تثبت ترتيب المتغيرات زمنيًّا، فاذكر ذلك ضمن حدود الدراسة.
• اختيار الوسيط أو المعدل بعد رؤية النتائج: يجب أن يُبنى النموذج على الإطار النظري والدراسات السابقة قبل التحليل.
• جعل المتغيرات الديموغرافية وسيطة: الجنس أو سنوات الخبرة لا تتأثر بالمستقل، فلا تصلح وسيطًا، وإن صلح بعضها معدلًا.
• تقسيم المعدل عند قيمة الوسيط الإحصائي (Median): تحويل متغير متصل إلى مجموعتين يهدر المعلومات ويضعف قوة الاختبار.
• مقارنة الدلالة بين مجموعتين منفصلتين: كون العلاقة دالة عند الذكور وغير دالة عند الإناث لا يثبت التعديل، فالمطلوب اختبار الفرق نفسه بحد التفاعل.
• تفسير b1 في نموذج التفاعل أثرًا رئيسًا عامًّا: هو أثر شرطي عند W = 0، أو عند متوسط W إذا وسّطت المتغيرات.
• تجاهل خطأ القياس: إذا كانت المتغيرات كامنة متعددة المؤشرات، ففكر في النمذجة بالمعادلات البنائية.

أسئلة شائعة

المراجع

1. Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
2. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
3. Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257
4. Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.