النمذجة بالمعادلات البنائية: متى تستخدم AMOS أو SmartPLS؟
مقارنة عملية بين CB-SEM في AMOS و PLS-SEM في SmartPLS: متى تناسب كل طريقة، وما مؤشرات المطابقة ومعايير القياس التي يسأل عنها المناقش، ومصادر حدودها.
انتشرت النمذجة بالمعادلات البنائية في رسائل الإدارة والتربية وعلم النفس، خاصة حين يتضمن نموذج الدراسة متغيرات كامنة ووسيطة. ويواجه الباحث سؤالًا مبكرًا: هل أستخدم AMOS أم SmartPLS؟ وكثيرًا ما يُتخذ القرار بناءً على سهولة البرنامج أو نصيحة زميل، لا على طبيعة سؤال البحث، فيقع الباحث في حرج أمام المناقش حين يُسأل عن مبرر اختياره.
في هذا المقال ستتعرّف إلى فكرة النمذجة البنائية، والفرق بين النهج القائم على التغاير والنهج القائم على المربعات الصغرى الجزئية، ومتى يناسب كل منهما، ثم إلى مؤشرات المطابقة في AMOS ومعايير التقييم في SmartPLS، مع مصادر كل حد.
ما النمذجة بالمعادلات البنائية؟
النمذجة بالمعادلات البنائية (SEM) مجموعة أساليب تسمح باختبار شبكة من العلاقات بين متغيرات في وقت واحد، بما فيها المتغيرات الكامنة التي لا تُقاس مباشرة بل عبر مجموعة من المؤشرات، مثل «الرضا الوظيفي» الذي تقيسه عدة فقرات. ويتكون النموذج من جزأين:
- نموذج القياس: يربط كل متغير كامن بمؤشراته، ويُقيَّم فيه الثبات والصدق.
- النموذج البنائي: يحدد العلاقات بين المتغيرات الكامنة، كالتأثيرات المباشرة وغير المباشرة.
وميزة النمذجة البنائية مقارنة بالانحدار التقليدي أنها تأخذ خطأ القياس في الحسبان، وتختبر علاقات متعددة ووسيطة في نموذج واحد. ويُستحسن تقييم نموذج القياس أولًا ثم النموذج البنائي، لأن تفسير المسارات لا معنى له إذا كانت المقاييس نفسها ضعيفة.
ما الفرق بين CB-SEM و PLS-SEM؟
| وجه المقارنة | CB-SEM (مثل AMOS) | PLS-SEM (مثل SmartPLS) |
|---|---|---|
| فكرة التقدير | إعادة إنتاج مصفوفة التغاير المشاهدة بأقرب ما يمكن | تعظيم التباين المفسَّر في المتغيرات التابعة |
| الهدف الأنسب | اختبار نظرية قائمة وتأكيدها | التنبؤ وتفسير المتغيرات المستهدفة، وتطوير النظرية |
| تقييم النموذج | مؤشرات جودة المطابقة | معايير نموذج القياس والقدرة التفسيرية والتنبؤية |
| التوزيع | طريقة الأرجحية العظمى الشائعة تفترض الاعتدالية المتعددة | لا تفترض توزيعًا معينًا، وتُختبر الدلالة بالمعاينة المتكررة Bootstrapping |
| المقاييس التكوينية | ممكنة لكنها معقدة التحديد | يتعامل معها بسهولة أكبر |
| حجم العينة | يحتاج عادة إلى عينات أكبر | يعمل مع عينات أصغر، دون أن يكون علاجًا للعينات الصغيرة جدًّا |
ولا يعني هذا أن إحدى الطريقتين أفضل مطلقًا؛ فهما أداتان مختلفتان لأهداف مختلفة.
متى تختار AMOS ومتى تختار SmartPLS؟
اختر CB-SEM (AMOS) غالبًا عندما:
- يكون هدفك اختبار نظرية راسخة أو مقارنة نماذج بديلة.
- تحتاج إلى التحليل العاملي التوكيدي لمقياس، وتقييم مطابقة النموذج للبيانات.
- تكون مقاييسك انعكاسية وعينتك كافية والبيانات قريبة من الاعتدالية.
اختر PLS-SEM (SmartPLS) غالبًا عندما:
يعرض Hair وزملاؤه (2022) عدة مبررات، أبرزها:
- أن يكون الهدف التنبؤ بالمتغيرات المستهدفة أو تفسير تباينها، أو أن يكون البحث استكشافيًّا لتطوير نظرية.
- أن يتضمن النموذج مقاييس تكوينية.
- أن يكون النموذج معقدًا بعدد كبير من المتغيرات والمسارات.
- أن تكون العينة صغيرة نسبيًّا أو البيانات بعيدة عن الاعتدالية، مع مراعاة أن ذلك لا يبرر عينة غير ممثلة.
ما مؤشرات جودة المطابقة في AMOS وما حدودها؟
تقيس مؤشرات المطابقة مدى اتساق النموذج المقترح مع البيانات. وأكثرها تداولًا:
| المؤشر | الحد المتعارف عليه | ملاحظة |
|---|---|---|
| مربع كاي (χ²) | عدم الدلالة يدل على مطابقة جيدة | شديد الحساسية لحجم العينة، فيكون دالًّا غالبًا في العينات الكبيرة |
| CFI و TLI | قيمة قريبة من .95 فأعلى | Hu و Bentler (1999) |
| RMSEA | قيمة قريبة من .06 فأقل | Hu و Bentler (1999)، ويُذكر معه فاصل الثقة 90% |
| SRMR | قيمة قريبة من .08 فأقل | Hu و Bentler (1999) |
وتجد في رسائل كثيرة مؤشر النسبة بين مربع كاي ودرجات حريته (χ²/df)، لكن الحدود المقترحة له تتفاوت بين المؤلفين ولا يوجد اتفاق عليها، فلا تجعله معيارك الوحيد.
ويقترح AMOS «مؤشرات التعديل» لتحسين المطابقة، والتعديل غير المستند إلى مبرر نظري يحول التحليل التوكيدي إلى استكشاف قائم على البيانات، فاذكر أي تعديل ومبرره بشفافية.
معايير تقييم نموذج القياس في SmartPLS
لا تعتمد PLS-SEM على مؤشرات المطابقة بالطريقة نفسها، بل على معايير يعرضها Hair وزملاؤه (2022) للمقاييس الانعكاسية:
| المعيار | الحد الموصى به |
|---|---|
| تشبعات المؤشرات (Outer Loadings) | .708 فأعلى، لأن مربع هذه القيمة يقارب .50، أي أن المتغير الكامن يفسر نحو نصف تباين المؤشر |
| الاتساق الداخلي (ألفا كرونباخ، و rho_A، والثبات المركب CR) | من .60 إلى .70 مقبول في البحوث الاستكشافية، ومن .70 إلى .90 مُرضٍ إلى جيد، وما فوق .90، وبخاصة .95 فأعلى، إشكالي لأنه يدل على تكرار المؤشرات |
| الصدق التقاربي (AVE) | .50 فأعلى |
| الصدق التمييزي (HTMT) | أقل من .90 للمفاهيم المتقاربة نظريًّا، وأقل من .85 للمفاهيم المتمايزة |
والمؤشرات التي تقع تشبعاتها بين .40 و .708 لا تُحذف آليًّا؛ إذ يوصي Hair وزملاؤه بحذفها فقط إذا أدى ذلك إلى رفع الثبات المركب أو AVE فوق الحد الموصى به، مع مراعاة أثر الحذف في صدق المحتوى. ومعيار HTMT اقترحه Henseler و Ringle و Sarstedt (2015) بديلًا عن معيار Fornell-Larcker الذي تبين ضعفه في كشف مشكلات الصدق التمييزي. أما المقاييس التكوينية فلها معايير مختلفة، منها فحص التداخل الخطي بين المؤشرات ودلالة أوزانها.
معايير تقييم النموذج البنائي في SmartPLS
- التداخل الخطي: يذكر Hair وزملاؤه (2022) أن قيم VIF التي تبلغ 5 فأكثر تدل على تداخل خطي حرج بين المتغيرات المنبئة، وأن المشكلة قد تظهر أيضًا عند قيم بين 3 و5، لذلك الأفضل أن تكون قريبة من 3 أو أقل.
- دلالة المسارات: تُختبر بالمعاينة المتكررة، ويوصي المصدر نفسه بعدد كبير من العينات الفرعية، مثل 10,000، مع ذكر فاصل الثقة.
- معامل التحديد R²: يُذكر عادة أن القيم .75 و .50 و .25 تُعد قوية ومتوسطة وضعيفة على الترتيب، مع تنبيه Hair وزملائه إلى أن الحكم يعتمد على المجال وطبيعة الدراسة.
- حجم الأثر f²: القيم .02 و .15 و .35 تمثل أثرًا صغيرًا ومتوسطًا وكبيرًا.
- القدرة التنبؤية: تُقيَّم بإجراء PLSpredict.
حجم العينة
في CB-SEM يوضح Kline (2016) أن الحجم المطلوب يعتمد على تعقيد النموذج، ويعرض قاعدة النسبة بين عدد الحالات وعدد المعالم المقدرة (N:q) نقلًا عن Jackson، ويذكر أن النسبة الموصى بها 20 إلى 1، مع التنبيه إلى أنها قاعدة تقريبية. وفي PLS-SEM يرى Hair وزملاؤه (2022) أن قاعدة «عشرة أضعاف» تقدير تقريبي، ويوصون بطرق أدق مثل تحليل القوة الإحصائية وطريقة الجذر التربيعي العكسي.
مثال توضيحي وأخطاء شائعة
لنفترض باحثًا في إدارة الأعمال يدرس «أثر القيادة الرقمية في الأداء الوظيفي من خلال التمكين النفسي لدى موظفي البنوك في الرياض»، وهو مثال توضيحي. إذا كان هدفه اختبار نموذج مستمد من نظرية راسخة ومقاييسه انعكاسية وعينته كبيرة، فإن AMOS خيار مناسب مع تقرير مؤشرات المطابقة. وإذا كان هدفه تفسير أكبر قدر من تباين الأداء الوظيفي والتنبؤ به، أو كان نموذجه يتضمن مقاييس تكوينية، فإن SmartPLS أنسب مع تقرير معايير Hair وزملائه.
- تقرير مؤشرات المطابقة الخاصة بـ CB-SEM بوصفها المعيار الأساسي في PLS-SEM.
- إجراء تعديلات كثيرة على النموذج حتى تتحسن المطابقة دون مبرر نظري.
- تفسير المسارات قبل التحقق من ثبات نموذج القياس وصدقه.
- الاستمرار في الاعتماد على معيار Fornell-Larcker وحده للصدق التمييزي.
- عرض الحدود دون ذكر مصادرها أو بوصفها قواعد مطلقة.
أسئلة شائعة
ما الفرق بين AMOS و SmartPLS؟
يعتمد AMOS على النمذجة القائمة على التغاير CB-SEM، وهدفها إعادة إنتاج مصفوفة التغاير واختبار نظرية قائمة، وتُقيَّم بمؤشرات المطابقة. أما SmartPLS فيعتمد على المربعات الصغرى الجزئية PLS-SEM، وهدفها تعظيم التباين المفسَّر والتنبؤ، وتتعامل بسهولة أكبر مع المقاييس التكوينية والنماذج المعقدة. والاختيار يتحدد بهدف الدراسة لا بسهولة البرنامج.
ما القيم المقبولة لمؤشرات المطابقة؟
أكثر الحدود تداولًا مأخوذة من Hu و Bentler (1999): قيمة قريبة من .95 فأعلى لمؤشري CFI و TLI، وقريبة من .06 فأقل لمؤشر RMSEA، وقريبة من .08 فأقل لمؤشر SRMR. وهذه أعراف لا قواعد مطلقة، ويوصي Kline (2016) بتقرير مجموعة من المؤشرات معًا وفحص البواقي بدل الاعتماد على حد واحد.
ما معايير صدق نموذج القياس في SmartPLS؟
وفق Hair وزملائه (2022)، يُفضل أن تبلغ تشبعات المؤشرات .708 فأعلى، وأن يقع الثبات المركب بين .70 و.90 تقريبًا، وأن يبلغ متوسط التباين المستخلص AVE قيمة .50 فأعلى للصدق التقاربي. أما الصدق التمييزي فيُقيَّم بمعيار HTMT، بحيث يقل عن .90 للمفاهيم المتقاربة نظريًّا وعن .85 للمفاهيم المتمايزة.
هل يمكن استخدام SmartPLS مع عينة صغيرة؟
يعمل PLS-SEM مع عينات أصغر من CB-SEM، لكن هذا لا يجعله علاجًا للعينات الصغيرة جدًّا أو غير الممثلة. ويرى Hair وزملاؤه (2022) أن قاعدة عشرة أضعاف تقدير تقريبي فقط، ويوصون بتحديد الحجم بطرق أدق مثل تحليل القوة الإحصائية. لذلك اربط اختيارك لـ SmartPLS بهدف الدراسة وطبيعة النموذج.
اختر AMOS لاختبار نظرية قائمة وتقييم المطابقة، و SmartPLS للتنبؤ وتفسير التباين والنماذج المعقدة أو التكوينية. قيّم نموذج القياس قبل البنائي، واعرض الحدود بوصفها أعرافًا منسوبة إلى مصادرها مثل Hu و Bentler (1999) و Hair وزملائه (2022).
المراجع
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
- Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
- Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
تحتاج من يراجع عملك؟
يقرأ ملفك متخصص من قسمك، ويرد عليك بخطة واضحة ونطاق عمل مكتوب قبل البدء.
تواصل عبر واتساب