تحليل المسار: الفرق بينه وبين SEM والانحدار والتأثيرات غير المباشرة

عندما يفترض إطارك النظري أن متغيرًا يؤثر في آخر من خلال متغير ثالث، مثل أن القيادة التحويلية ترفع الرضا الوظيفي، والرضا بدوره يعزز الالتزام التنظيمي، فإن الانحدار المنفرد لا يكفي لاختبار هذه السلسلة كاملة. هنا يأتي تحليل المسار (Path Analysis) الذي يختبر شبكة من العلاقات في نموذج واحد، ويفصل التأثير المباشر عن غير المباشر.

في هذا المقال ستعرف ما تحليل المسار، وكيف يختلف عن الانحدار وعن نمذجة المعادلات البنائية SEM، وما شروطه، وكيف تنفذه في AMOS وتقرأ مخرجاته، ثم تتابع مثالًا محلولًا تتحقق فيه بنفسك من أن التأثير الكلي يساوي مجموع المباشر وغير المباشر.

ما تحليل المسار؟

تحليل المسار أسلوب إحصائي يقدر مجموعة من معادلات الانحدار في وقت واحد، ليختبر نموذجًا نظريًّا يحدد مسبقًا اتجاهات العلاقات بين متغيرات مقيسة (Observed Variables)، أي درجات كلية أو متوسطات أبعاد، لا متغيرات كامنة. ويعد حالة خاصة من نمذجة المعادلات البنائية، كما يوضح Kline (2016).

مفاهيم أساسية

• المتغير الخارجي (Exogenous): لا يتجه إليه أي سهم داخل النموذج، كالقيادة التحويلية في مثالنا.
• المتغير الداخلي (Endogenous): يتجه إليه سهم واحد على الأقل، ويرافقه حد خطأ يمثل التباين غير المفسر.
• معامل المسار: معامل انحدار، ويعرض غالبًا بصورته المعيارية β.
• التأثير المباشر: سهم مباشر من متغير إلى آخر.
• التأثير غير المباشر: تأثير يمر عبر متغير وسيط، ويساوي حاصل ضرب معاملات المسارات التي يمر بها.
• التأثير الكلي: مجموع التأثير المباشر وغير المباشر.

ما الفرق بين تحليل المسار والانحدار و SEM؟

فإذا كانت أدواتك استبانات متعددة العبارات وأردت ضبط خطأ القياس فالأنسب SEM مع تحليل عاملي توكيدي. وإذا كانت لديك درجات كلية موثوقة وأردت اختبار سلسلة علاقات فتحليل المسار خيار مناسب وأبسط.

شروط تحليل المسار ومتطلباته

1. نموذج مبني على نظرية: اتجاه كل سهم يجب أن يبرره الإطار النظري والدراسات السابقة قبل التحليل.
2. متغيرات كمية على مستوى فتري أو قريب منه، مع ثبات مرتفع للأدوات؛ لأن تحليل المسار يفترض أن المتغيرات مقيسة دون خطأ.
3. العلاقات خطية والبيانات قريبة من الاعتدالية المتعددة عند استخدام طريقة الإمكان الأقصى (Maximum Likelihood).
4. غياب التداخل الخطي الشديد بين المتغيرات المتنبئة بالمتغير نفسه.
5. حجم عينة كافٍ: يعرض Kline (2016) قاعدة تقريبية تربط حجم العينة بعدد المعالم المقدرة: والنسبة المثالية فيها 20 حالة لكل معلمة مقدرة، وهي قاعدة إرشادية لا حد قاطع.
6. تحديد النموذج (Identification): يجب ألا يزيد عدد المعالم المقدرة على عدد عناصر مصفوفة التباين والتغاير المعروفة، وهو p(p + 1) ÷ 2 حيث p عدد المتغيرات المقيسة. وهذا شرط ضروري للتحديد لكنه ليس كافيًا وحده.

النموذج المشبع والنموذج المحدد بزيادة

في نموذج من ثلاثة متغيرات توجد 6 عناصر معروفة. فإذا رسمت كل الأسهم الممكنة (ثلاثة مسارات) مع تباين المتغير الخارجي وتبايني الخطأين فلديك 6 معالم، ودرجات الحرية صفر؛ وهذا نموذج مشبع يطابق البيانات تمامًا، فلا معنى لمؤشرات المطابقة فيه. أما إذا حذفت مسارًا لأسباب نظرية فتصبح درجات الحرية موجبة، وتصبح المطابقة قابلة للاختبار.

كيف تقرأ مؤشرات المطابقة؟

في النماذج المحددة بزيادة يعرض البرنامج مؤشرات تقيس مدى اتساق النموذج مع البيانات. واقترح Hu و Bentler (1999) محكات أصبحت شائعة:

ويعرض البرنامج أيضًا مربع كاي ودلالته، وهو حساس لحجم العينة؛ لذلك لا يُعتمد عليه وحده. وهذه المحكات إرشادية لا حدود قاطعة، ويؤكد Kline (2016) ضرورة فحص البواقي ومقارنة النماذج المنافسة نظريًّا، لا الاكتفاء بالمؤشرات.

خطوات تحليل المسار في AMOS

1. من قائمة File اختر Data Files ثم File Name، وافتح ملف SPSS الذي يحتوي الدرجات الكلية.
2. ارسم كل متغير مقيس مستطيلًا، واربطه باسم المتغير من View ثم Variables in Dataset.
3. ارسم الأسهم أحادية الاتجاه وفق نموذجك، وأضف حد خطأ لكل متغير داخلي، وثبت معامل مسار الخطأ عند 1.
4. من View اختر Analysis Properties، وفي تبويب Output فعّل Standardized estimates و Squared multiple correlations و Indirect, direct & total effects.
5. في تبويب Bootstrap فعّل Perform bootstrap، واكتب عدد العينات، مثل 5000، وفعّل Percentile confidence intervals أو Bias-corrected confidence intervals.
6. من Analyze اختر Calculate Estimates، ثم افتح Text Output من قائمة View، واقرأ Estimates و Model Fit، وجداول Direct Effects و Indirect Effects و Total Effects داخل Matrices.

مثال محلول: القيادة التحويلية والرضا والالتزام

مثال توضيحي افتراضي وليس دراسة منشورة: باحث في أبوظبي افترض أن القيادة التحويلية (X) تؤثر في الالتزام التنظيمي (Y) تأثيرًا مباشرًا، وتأثيرًا غير مباشر عبر الرضا الوظيفي (M)، وطبق مقاييس الثلاثة على 250 موظفًا. والنموذج مشبع، فدرجات الحرية صفر ولا تُقرأ فيه مؤشرات المطابقة.

معاملات الارتباط بين المتغيرات: X و M = .521، و X و Y = .456، و M و Y = .507.

حساب التأثيرات

• التأثير غير المباشر = a × b = .521 × .370 ≈ .193، وفترة ثقة البوتستراب 95% (5000 عينة) [.121, .274]، ولا تتضمن الصفر، فالتأثير غير المباشر دال.
• التأثير المباشر = .263، وفترة ثقته [.139, .381].
• التأثير الكلي = .263 + .193 = .456، وهو يساوي معامل الارتباط بين X و Y في هذا النموذج البسيط.
• نسبة الوساطة ≈ .193 ÷ .456 ≈ 42%، وبما أن التأثير المباشر بقي دالًّا فالوساطة جزئية.
• فسر النموذج 27% من تباين الرضا (R² = .27)، و 31% من تباين الالتزام (R² = .31).

تحقق من الأرقام بنفسك

في النموذج المعياري: β(b) = (.507 − .521 × .456) ÷ (1 − .521²) ≈ .370، و β(c') = (.456 − .521 × .507) ÷ (1 − .521²) ≈ .263. أما حدود فترات البوتستراب فتعتمد على البيانات الخام وعلى العينات المسحوبة، فلا تُحسب من معاملات الارتباط وحدها، وتختلف قليلًا من تشغيل إلى آخر.

أخطاء شائعة في تحليل المسار

• رسم الأسهم بعد رؤية الارتباطات بدل اشتقاقها من الإطار النظري.
• تفسير المسارات تفسيرًا سببيًّا قاطعًا في بيانات مقطعية.
• عرض مؤشرات مطابقة لنموذج مشبع: قيمها المثالية في هذه الحالة لا تدل على شيء.
• الاعتماد على اختبار Sobel وحده مع أن فترات البوتستراب أدق للتأثير غير المباشر.
• تعديل النموذج بمؤشرات التعديل دون مبرر نظري حتى تتحسن المطابقة.
• استخدام أدوات ضعيفة الثبات: لأن تحليل المسار لا يصحح خطأ القياس، فتضعف تقديرات المسارات.
• الخلط بين β المعيارية و B غير المعيارية عند المقارنة أو الكتابة.

أسئلة شائعة

المراجع

1. Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
2. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
3. Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.
4. Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.