تحلیل عامل تاییدی

تحلیل عامل تاییدی Confirmatory factor analysis (CFA) یک تکنیک آماری است که برای بررسی ساختار عاملی مجموعه ای از متغیرهای مشاهده شده استفاده می شود. این روش برای تائید سازه های مدل (گویه های پرسشنامه) و ارتباط آن با متغیر مرتبط استفاده می شود. این روش نوعی روایی سازه است. CFA به محقق اجازه می دهد تا این فرضیه را آزمایش کند که یک رابطه بین متغیرهای مشاهده شده و ساختارهای پنهان زیربنایی آنها وجود دارد. معمولا تحلیل عامل تاییدی پیش از معادلات ساختاری انجام می شود.

تحلیل عامل تاییدی به محقق اجازه می دهد تا این فرضیه را آزمایش کند که رابطه ای بین متغیرهای مشاهده شده و ساختار(های) نهفته زیربنایی آنها وجود دارد. محقق با استفاده از دانش تئوری، تحقیقات تجربی یا هر دو، الگوی رابطه را به طور پیشین فرض می کند و سپس فرضیه را به صورت آماری آزمایش می کند.

معرفی تحلیل عامل تاییدی

تعریف ساختاری

ابتدا باید تک تک سازه ها را تعریف کنیم. مرحله اول شامل رویه ای است که سازه ها را به صورت نظری تعریف می کند. این شامل یک پیش آزمون برای ارزیابی موارد سازه و یک آزمون تاییدی مدل اندازه گیری است که با استفاده از تحلیل عاملی تاییدی (CFA) و غیره انجام می شود.

توسعه نظریه مدل اندازه گیری کلی

در CFA، باید مفهوم تک بعدی بودن بین واریانس خطای سازه و واریانس خطای سازه را در نظر بگیریم. حداقل چهار سازه و سه مورد در هر سازه باید در تحقیق وجود داشته باشد.

طراحی مدل برای تولید نتایج تجربی

مدل اندازه گیری باید مشخص شود. معمولاً، ارزش یک تخمین بارگذاری باید یک در هر سازه باشد. دو روش برای شناسایی موجود است. اولی شرط رتبه و دومی شرط نظم است. اگر بارهای عاملی بالاتر از ۰.۳ باشند گویه ها در مدل مهم هستند در غیر این صورت از مدل حذف می شوند.

ارزیابی اعتبار مدل اندازه گیری

ارزیابی اعتبار مدل اندازه‌گیری همان برازش مدل است زمانی اتفاق می‌افتد که مدل اندازه‌گیری نظری با مدل واقعیت مقایسه شود تا ببینیم داده‌ها چقدر برازش دارند. برای بررسی اعتبار مدل اندازه گیری، تعداد اندیکاتور به ما کمک می کند. به عنوان مثال، متغیر پنهان بار عاملی باید بیشتر از ۰.۷ باشد. آزمون مجذور کای و سایر آمارهای برازش مانند RMR، GFI، NFI، RMSEA، SIC، BIC و غیره، برخی از شاخص‌های کلیدی هستند که به اندازه‌گیری اعتبار مدل کمک می‌کنند. در ادامه شاخص های مرتبط مشخص شدند

شاخص های برازش مطلق

شاخص های برازش مطلق شاخص هایی هستند که بر مبنای تفاوت واریانس ها و کوواریانس های مشاهده شده از یک طرف و واریانس ها و کواریانس های برآورد شده بر مبنای پارامترهای مدل تدوین شده از طرف دیگر قرار دارند و با نزدیک شدن این مقادیر به یکدیگر این شاخص ها بهبود خواهند یافت. شاخص نیکویی برازش (GFI)، شاخص نیکویی برازش اصلاح شده (AGFI)، نسبت مجذور خی دو به درجه ی آزادی از این قبیل شاخص ها می باشند.

شاخص های برازش تطبیقی

شاخص های تطبیقی در واقع گامی در جهت تکمیل شاخص های برازش مطلق محسوب می شوند. به این ترتیب که با مبنا قراردادن یک یا چند مدل، مدل نظری تدوین شده تحت آزمون را با آن مقایسه و نشان می دهد که آیا به لحاظ آماری قابل قبولتر تلقی می شود، ضعیف تر است و یا اینکه تفاوتی با آن ندارد.

شاخص های برازش مقتصد

شاخص های برازش مقتصد در تحلیل عامل تاییدی، شاخص هایی هستند که به وسیله آن ها سعی می شود تا مهمترین نقطه ضعف شاخص های برازش مطلق یعنی بهبود مقدار شاخص برازش با افزایش پارامتر به مدل جبران شود. مبنای اصلی در این گروه از شاخص های برازش آن است که به ازای هر پارامتری که به مدل افزوده می شود این شاخص ها جریمه می شوند.

شاخص های برازش مانند شاخص توکر ولیوایس (TLI)، شاخص برازش اینکریمنتال (IFI)، شاخص تطبیقی برازش (CFI) و ریشه ی میانگین مجذور برآورد خطای تقریب (RMSEA)، کمتر تحت تاثیر عوامل مزاحم و بیرونی قرار می گیرند و نتیجه به دست آمده بیشتر مبین نقص در برازش مدل است؛ یعنی اگر یعنی، اگر در تحلیل برازش مناسبی وجود ندارد، به علت ماهیت مدل آن است و کمتر تحت تأثیر عوامل مزاحم و بیرونی است.

معیارهای نیکویی برازش در نرم افزار لیزرل (Lisrel)

پس از بررسی بارهای عاملی در تحلیل عامل تاییدی، باید نسبت به برازش مدل مفهومی تحقیق با داده های گردآوری شده نیز اطمینان حاصل نمود. به این منظور، توجه به شاخص های مندرج در زیر مدل و مقایسه آن ها با سطح قابل قبول هر یک از آن ها ضروری است. در نرم افزار معادلات ساختاری لیزرل همیشه چهار شاخص کای اسکوئر (Chi-Square)، درجه آزادی (df)، سطح معنی داری (P-Value) و جذر برآورد واریانس خطای تقریب (RMSEA)، زیر نمودار نشان داده می شود.

مفروضات تحلیل عامل تاییدی

مفروضات یک تحلیل عامل تاییدی شامل نرمال بودن چند متغیره، اندازه نمونه کافی (n>200)، مشخصات مدل پیشینی صحیح، و داده ها باید از یک نمونه تصادفی به دست آیند. بنابراین تحلیل عامل تاییدی می تواند تحت تأثیر قرار گیرد:
آزمون فرضیه تحقیق
نیاز به اندازه نمونه کافی (به عنوان مثال، ۵-۱۵مورد در هر برآورد پارامتر)
ابزار اندازه گیری
نرمال بودن چند متغیره
شناسایی پارامتر
نقاط پرت
داده های از دست رفته
تفسیر شاخص های برازش مدل

فرآیند اجرایی تحلیل عامل تاییدی

یک رویکرد پیشنهادی برای تحلیل عامل تاییدی از طریق فرآیند زیر انجام می شود:
تئوری و ادبیات تحقیق مربوطه را برای پشتیبانی از مشخصات مدل مرور کنید
یک مدل را مشخص کنید (به عنوان مثال، نمودار، معادلات)
مدل را تعیین کنید (به عنوان مثال، اگر بتوان مقادیر منحصر به فردی را برای تخمین پارامتر پیدا کرد؛ تعداد درجه آزادی، برای تست مدل مثبت است)
جمع آوری داده ها
انجام تجزیه و تحلیل آماری توصیفی اولیه (به عنوان مثال، مقیاس بندی، داده های از دست رفته، مسائل همخطی، تشخیص داده های پرت)
برآورد پارامترها در مدل
ارزیابی تناسب مدل
ارائه و تفسیر نتایج.

نرم افزارهای تحلیل عامل تاییدی

معمولاً از نرم افزارهای آماری مانند AMOS، LISREL، EQS و SAS برای تحلیل عاملی تاییدی استفاده می شود. در AMOS مسیرهای بصری به صورت دستی بر روی پنجره گرافیکی ترسیم شده و آنالیز انجام می شود. در LISREL، تحلیل عاملی تاییدی را می توان به صورت گرافیکی و همچنین از منو انجام داد. در SAS، تحلیل عاملی تاییدی را می توان با استفاده از زبان های برنامه نویسی انجام داد. در نرم افزار SMARTPLS به صورت مستقیم تحلیل عامل تاییدی انجام نمی شود. اما در مدل حداقل مربعات جزیی، مدل بیرونی بیانگر تحلیل عامل تاییدی است.