الصدق التمييزي في SmartPLS: جدول فورنل ولاركر ومؤشر HTMT

عندما يبني الباحث نموذجه في SmartPLS، يمر تقييم نموذج القياس بثلاث محطات: الثبات، ثم الصدق التقاربي، ثم الصدق التمييزي. والمحطة الأخيرة هي التي يتوقف عندها كثير من طلاب الماجستير والدكتوراه، لأن الجدول قد يظهر بقيم لا يعرف الطالب كيف يقرؤها، أو قد يأتي بنتيجة غير متحققة فلا يعرف ماذا يفعل بعدها.

في هذا المقال نشرح الصدق التمييزي في SmartPLS 4 خطوة بخطوة: معيار فورنل ولاركر، ومؤشر HTMT، والتحميلات المتقاطعة. ونعرض أمثلة من دراسات حقيقية حللناها في الأكاديمية، واحدة تحقق فيها الصدق التمييزي وأخرى لم يتحقق، ثم نوضح ما الذي تفعله في الحالة الثانية وكيف تكتب النتيجة في الفصل الرابع. وإذا كنت تقارن بين البرامج قبل البدء، فاقرأ أولًا الفرق بين SPSS وAMOS وSmartPLS.

ما هو الصدق التمييزي؟

الصدق التمييزي (Discriminant Validity) يعني أن كل متغير كامن في النموذج يقيس مفهومًا مختلفًا فعلًا عن المتغيرات الأخرى. فإذا كان لديك متغيران مثل “الرضا الوظيفي” و”الالتزام التنظيمي”، فلا بد أن تثبت البيانات أن عبارات كل منهما تقيس شيئًا مستقلًا، لا المفهوم نفسه باسمين مختلفين.

لماذا يهم ذلك؟ لأن العلاقة بين متغيرين لا يتمايزان تصبح بلا معنى. فإذا وجدت أن المتغير (أ) يؤثر في المتغير (ب) بمعامل مرتفع، وكانا في الحقيقة يقيسان الشيء نفسه، فأنت لم تكتشف علاقة، بل قست المفهوم مرتين. ولهذا يطلب المحكمون والمشرفون إثبات الصدق التمييزي قبل الانتقال إلى النموذج البنائي واختبار الفرضيات.

والفرق بينه وبين الصدق التقاربي بسيط: الصدق التقاربي يسأل “هل عبارات المتغير الواحد تتجمع معًا؟” ويُقاس بمتوسط التباين المستخرج (AVE) الذي يجب أن يكون 0.50 أو أكثر. أما الصدق التمييزي فيسأل “هل هذا المتغير منفصل عن غيره؟”. ولمراجعة الثبات والصدق في SPSS قبل الانتقال إلى SmartPLS، راجع مقال اختبار الثبات والصدق في SPSS.

أين تجد الصدق التمييزي في SmartPLS 4؟

  1. بعد رسم النموذج، اختر من قائمة Calculate الأمر PLS-SEM algorithm وشغّله بالإعدادات الافتراضية.
  2. في تقرير النتائج، افتح قسم Quality criteria ثم Discriminant validity.
  3. ستجد فيه ثلاثة جداول: Heterotrait-monotrait ratio (HTMT)، وFornell-Larcker criterion، وCross loadings.
  4. للحصول على فترات الثقة الخاصة بـ HTMT، شغّل Bootstrapping (يُنصح بـ 5000 عينة فرعية)، ثم افتح من نتائجه Discriminant validity وبعدها Heterotrait-monotrait ratio (HTMT) لترى عمودي 2.5% و97.5%.

قبل قراءة هذه الجداول، تأكد أن التحميلات الخارجية (Outer loadings) مقبولة (0.708 أو أكثر في الغالب)، وأن الثبات المركب وAVE ضمن الحدود، لأن الصدق التمييزي يأتي بعدها في الترتيب.

مثال حقيقي تحقق فيه الصدق التمييزي

سنستخدم في الشرح نتائج دراسة حقيقية حللناها في الأكاديمية في القطاع الصحي، شارك فيها 403 ممرضًا وممرضة، وتضمن نموذجها أربعة متغيرات: القيادة التحويلية، والكفاءة الذاتية، والعمل الجماعي التعاوني، وتحسين الممارسة التمريضية. الأرقام كما خرجت من SmartPLS 4، وحذفنا أي بيانات تدل على صاحب الدراسة.

أولًا: معيار فورنل ولاركر (Fornell-Larcker)

القاعدة: الجذر التربيعي لـ AVE لكل متغير (القيمة الموجودة على القطر) يجب أن يكون أكبر من ارتباطاته بكل المتغيرات الأخرى في الصف والعمود نفسيهما. والمعنى أن المتغير يشترك مع عباراته في تباين أكثر مما يشترك مع أي متغير آخر.

المتغيرالعمل الجماعيالكفاءة الذاتيةتحسين الممارسةالقيادة التحويلية
العمل الجماعي0.810
الكفاءة الذاتية0.2250.804
تحسين الممارسة0.3650.5320.765
القيادة التحويلية0.2650.5320.4060.824

كيف تقرأ الجدول: خذ متغير “تحسين الممارسة”. قيمته على القطر 0.765، وأعلى ارتباط له هو 0.532 مع الكفاءة الذاتية. وبما أن 0.765 أكبر من 0.532 فالمعيار متحقق لهذا المتغير. وبالطريقة نفسها تجد أن كل قيمة على القطر في هذا الجدول أكبر من كل القيم التي تحتها وفي صفها، فالصدق التمييزي متحقق وفق هذا المعيار.

تنبيه مهم: أظهرت دراسة Henseler وزملائه (2015) أن معيار فورنل ولاركر ضعيف في كشف مشكلات الصدق التمييزي في PLS-SEM، خاصة عندما تكون التحميلات متقاربة. لذلك لا يكفي وحده اليوم، ويُعرض مع HTMT الذي أصبح المعيار الأساسي.

ثانيًا: مؤشر HTMT

HTMT هو نسبة متوسط الارتباطات بين عبارات متغيرين مختلفين، إلى متوسط الارتباطات بين عبارات المتغير الواحد. كلما اقتربت النسبة من 1 كان المتغيران أقرب إلى أن يكونا مفهومًا واحدًا.

حدود القبول:

  • أقل من 0.85: الحد الصارم، ويُستخدم عندما تكون المتغيرات مختلفة مفاهيميًا بوضوح.
  • أقل من 0.90: مقبول عندما تكون المتغيرات متقاربة نظريًا (مثل أبعاد الرضا الوظيفي).
  • فترة الثقة من Bootstrapping: الأدق أن يكون الحد الأعلى لفترة الثقة (عمود 97.5%) أقل من 0.85 أو 0.90 حسب الحد الذي اخترته، كما يوصي Franke وSarstedt (2019). أما الشرط الأقدم “ألا تشمل الفترة القيمة 1” فهو متساهل أكثر من اللازم.

وهذه قيم HTMT في الدراسة نفسها:

المتغيرالعمل الجماعيالكفاءة الذاتيةتحسين الممارسة
الكفاءة الذاتية0.308
تحسين الممارسة0.5190.776
القيادة التحويلية0.3440.7100.566

أعلى قيمة هي 0.776 بين الكفاءة الذاتية وتحسين الممارسة، وهي أقل من الحد الصارم 0.85، فالصدق التمييزي متحقق بالمعيارين. لاحظ أن قيم HTMT أعلى من معاملات الارتباط في جدول فورنل ولاركر (0.776 مقابل 0.532)، وهذا طبيعي لأن HTMT يصحح أثر خطأ القياس، ولهذا السبب بالذات هو أحساس في كشف التداخل.

ثالثًا: التحميلات المتقاطعة (Cross loadings)

هذا الجدول يعرض تحميل كل عبارة على كل المتغيرات. الشرط أن يكون تحميل العبارة على متغيرها الأصلي أعلى من تحميلها على أي متغير آخر. هو أضعف المعايير الثلاثة في الحكم على الصدق التمييزي، لكنه أفيدها في التشخيص: عندما يفشل HTMT بين متغيرين، فهذا الجدول هو الذي يريك أي العبارات تحمل بقوة على المتغير الآخر وتسبب التداخل.

مثال حقيقي لم يتحقق فيه الصدق التمييزي

في دراسة أخرى من مجال السلوك التنظيمي، قاس الباحث عدة متغيرات على مستوى الموظف، منها اليقظة الذهنية والشخصية الاستباقية ونية ترك العمل وأداء الموظف. وهذه قيم HTMT كما ظهرت:

المتغيراليقظة الذهنيةالشخصية الاستباقيةنية ترك العمل
الشخصية الاستباقية0.930
نية ترك العمل0.7420.410
أداء الموظف0.8630.9220.450

ثلاث قيم تجاوزت 0.85، واثنتان منها تجاوزتا 0.90 أيضًا. المعنى أن البيانات لا تفرّق بوضوح بين الشخصية الاستباقية واليقظة الذهنية وأداء الموظف، رغم أنها مفاهيم مختلفة نظريًا. وهذا يحدث كثيرًا عندما يجيب الموظف نفسه عن عبارات إيجابية عن ذاته وعن أدائه في الاستبيان نفسه.

كثير من الباحثين يكتفون هنا بجملة “التقارب بين المتغيرات متوقع نظريًا” ثم ينتقلون إلى الفرضيات. هذا التبرير وحده لا يكفي، وغالبًا ما يلتقطه المحكم في المناقشة أو في مراجعة المجلة.

ماذا تفعل إذا لم يتحقق الصدق التمييزي؟

امش على هذه الخطوات بالترتيب:

  1. راجع النظرية أولًا: هل المتغيران مختلفان فعلًا في الأدبيات؟ إذا كانا متقاربين نظريًا فقد يكون الحد 0.90 هو المناسب بدل 0.85، بشرط أن تذكر ذلك صراحة مع مرجعه. في المثال السابق حتى هذا لا يكفي، لأن قيمتين تجاوزتا 0.90.
  2. افحص التحميلات المتقاطعة: ابحث عن العبارات التي يقترب تحميلها على المتغير الآخر من تحميلها على متغيرها الأصلي. غالبًا ستجد عبارة أو اثنتين صياغتهما قريبة من المفهوم الآخر.
  3. احذف العبارات المسببة للتداخل بحذر: عبارة واحدة في كل مرة، ثم أعد التشغيل وراجع HTMT وAVE والثبات. لا تحذف عبارة يضعف غيابها محتوى المفهوم، واذكر أي حذف في الفصل الرابع مع سببه.
  4. شغّل Bootstrapping وراجع فترات الثقة: إذا كانت القيمة قريبة من الحد، فالحد الأعلى لفترة الثقة هو الذي يحسم الأمر.
  5. إذا استمر التداخل: قد يكون الأنسب دمج المتغيرين في متغير واحد، أو بناء متغير من الدرجة الثانية إذا كانت النظرية تسمح بذلك. وهذا قرار نظري يجب مناقشته مع المشرف لأنه يغيّر الفرضيات.
  6. في الدراسات القادمة: اجمع بيانات الأداء من مصدر آخر (مثل المدير المباشر) بدل التقييم الذاتي، لتقليل أثر تحيز الطريقة المشتركة.

عندما تتجاوز HTMT القيمة 1: المشكلة في العينة

في دراسة ثالثة قيست بعض المتغيرات على مستوى المنظمة بعينة من 15 مديرًا فقط، وظهرت قيم HTMT مثل 1.01 و1.15، وظهرت في جدول فورنل ولاركر قيم على القطر أكبر من 1. الجذر التربيعي لـ AVE لا يمكن أن يتجاوز 1 منطقيًا، فهذه القيم ليست “صدقًا ضعيفًا” بل علامة على أن تقدير النموذج نفسه غير مستقر.

الدرس هنا: لا تحاول تفسير هذه الأرقام أو تبريرها. بل راجع حجم العينة مقابل عدد المتغيرات والعبارات، والقيم المفقودة، وطريقة تجميع البيانات إذا كانت الدراسة متعددة المستويات. والأفضل أن تحسب حجم العينة المناسب قبل جمع البيانات، لا بعده.

كيف تكتب الصدق التمييزي في الفصل الرابع؟

اعرض جدولين (فورنل ولاركر ثم HTMT)، واذكر الحد الذي اعتمدته ومرجعه، وأعلى قيمة ظهرت. وهذه فقرة نموذجية بأرقام المثال الأول:

تم التحقق من الصدق التمييزي باستخدام معيار فورنل ولاركر ومؤشر HTMT. يوضح الجدول (9) أن الجذر التربيعي لمتوسط التباين المستخرج لكل متغير (من 0.765 إلى 0.824) أكبر من ارتباطاته بباقي المتغيرات، وهو ما يحقق معيار Fornell وLarcker (1981). كما يوضح الجدول (10) أن جميع قيم HTMT جاءت أقل من الحد الصارم 0.85 الذي اقترحه Henseler وآخرون (2015)، وكانت أعلاها 0.776 بين الكفاءة الذاتية وتحسين الممارسة التمريضية. وبذلك يتحقق الصدق التمييزي لجميع متغيرات الدراسة.

وبعد إثبات صلاحية نموذج القياس تنتقل إلى النموذج البنائي واختبار الفرضيات. ولقراءة معاملات المسار وقيم p بشكل صحيح، راجع تفسير نتائج التحليل الإحصائي خطوة بخطوة.

جرّب معمل تشخيص نموذج SmartPLS وAMOS المجاني

ادخل نتائج نموذجك كما ظهرت في البرنامج، واعرف أي المؤشرات مقبول وأيها يحتاج معالجة: التشبعات وAVE وCR وHTMT وفورنل-لاركر ومؤشرات المطابقة، مع فقرة مختصرة لنموذج القياس بالعربي والإنجليزي.

افتح المعمل المجاني

الأسئلة الشائعة

ما الفرق بين الصدق التمييزي والصدق التقاربي؟

الصدق التقاربي يتحقق من أن عبارات المتغير الواحد تقيس الشيء نفسه (AVE أكبر من 0.50)، أما الصدق التمييزي فيتحقق من أن كل متغير منفصل عن باقي المتغيرات.

أيهما أعتمد: فورنل ولاركر أم HTMT؟

اعتمد HTMT كمعيار أساسي لأنه أدق في كشف التداخل، واعرض فورنل ولاركر معه لأن كثيرًا من المشرفين والمجلات ما زالوا يطلبونه.

هل الحد 0.85 أم 0.90؟

0.85 هو الأكثر أمانًا. يُقبل 0.90 عندما تكون المتغيرات متقاربة نظريًا، بشرط أن تذكر ذلك ومرجعه في الرسالة.

لماذا لا يظهر عندي جدول HTMT في SmartPLS؟

تأكد أنك شغّلت PLS-SEM algorithm وليس فقط رسمت النموذج، وأن لكل متغير عبارتين على الأقل. ولا يُحسب HTMT للمتغيرات ذات العبارة الواحدة.

هل ينطبق الصدق التمييزي بهذه الطريقة على المتغيرات التكوينية (Formative)؟

لا. هذه المعايير مصممة للمتغيرات الانعكاسية (Reflective). أما المتغيرات التكوينية فتُقيّم بمعايير أخرى مثل VIF ومعنوية الأوزان.

الخلاصة

  • الصدق التمييزي يثبت أن كل متغير في نموذجك يقيس مفهومًا مستقلًا.
  • في SmartPLS 4 تجده في Quality criteria ثم Discriminant validity.
  • HTMT أقل من 0.85 (أو 0.90 للمتغيرات المتقاربة) هو المعيار الأساسي، وفورنل ولاركر يُعرض معه.
  • إذا لم يتحقق، لا تكتفِ بالتبرير النظري، بل راجع التحميلات المتقاطعة والعبارات وفترات الثقة.
  • قيمة HTMT أكبر من 1 علامة على مشكلة في النموذج أو العينة، ولا تُفسّر.

إذا كان نموذجك لا يحقق الصدق التمييزي، أو تريد مراجعة نتائج SmartPLS قبل تسليم الفصل الرابع، يمكن لفريق أكاديمية النادي العلمي مراجعة النموذج والعبارات معك، والاستشارة الأولى مجانية.

هل تحتاج مساعدة في تحليل بيانات بحثك؟

يساعدك فريق أكاديمية النادي العلمي في تجهيز البيانات وتحليلها وتفسير النتائج لرسائل الماجستير والدكتوراه والأبحاث العلمية. تعرّف على خدمة التحليل الإحصائي المتكاملة، والاستشارة مجانية.

أرسل تفاصيل بياناتك عبر واتساب

المراجع

  • Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
  • 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.
  • Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447.
  • Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.

أ. محمد عبد الفتاحمؤلف

Avatar for أ. محمد عبد الفتاح

أ. محمد عبد الفتاح حاصل على درجة الماجستير في الإحصاء من معهد الإحصاء، ويكتب في أكاديمية النادي العلمي عن الاختبارات الإحصائية وبرنامج SPSS وتطبيقاتها في رسائل الماجستير والدكتوراه.

لا يوجد تعليق

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *