جستجو
تحلیل عامل اکتشافی در SPSS حوه انجام EFA با استفاده از SPSS را نشان می دهد. آموزش تحلیل عانل اکتشافی به طور مفصل مباحث آماری مرتبط را پوشش می دهد. در ادامه مفهوم تحلیل عاملی، تفاوت بین EFA و CFA، اصطلاحات کلیدی در تحلیل عاملی اکتشافی، فرآیند انجام تحلیل عاملی اکتشافی و گزارش تحلیل عاملی اکتشافی بیان می شود.
تحلیل عاملی به عنوان تکنیک کاهش داده ها استفاده می شود. تحلیل عاملی تعداد زیادی متغیر را می گیرد و آن را کاهش می دهد یا خلاصه می کند تا آنها را در عوامل مختلف کوچکتر نشان دهد، این عوامل از مجموعه اولیه متغیرها تشکیل شده اند.
تحلیل عاملی روشی برای بررسی اینکه آیا تعدادی از متغیرهای مورد علاقه با تعداد کمتری از عوامل غیرقابل مشاهده مرتبط هستند یا خیر. این کار با گروه بندی متغیرها بر اساس همبستگی بین مجموعه ای از متغیرها انجام می شود.
آن متغیرهای اولیه، متغیرهای آشکار/متغیرهای مشاهده شده هستند، در حالی که عواملی که در فرآیند استخراج می شوند، متغیرهای پنهان هستند. استفاده رایج از تحلیل عاملی در ایجاد مقیاس/پرسشنامه برای اندازه گیری سازه هایی است که مستقیماً در زندگی واقعی قابل مشاهده نیستند.
تکنیک تحلیل عاملی در درجه اول وابستگی متقابل سیستماتیک بین مجموعه ای از متغیرهای مشاهده شده (از طریق همبستگی) را بررسی می کند و آن دسته از متغیرهایی که همبستگی بالاتری دارند با هم گروه بندی می شوند. تحلیل عاملی به محققین کمک می کند تا به این سوال پاسخ دهند که «چقدر آیتم ها با هم خوب هستند؟ در صورتی که در حال ساختن یک مقیاس جدید هستیم.
هنگامی که برای یک مسئله تحقیقاتی به کار می رود، این روش ها می توانند برای تأیید نظریه های پیشینی یا شناسایی الگوها و روابط داده ها مورد استفاده قرار گیرند. به طور خاص، آنها هنگام آزمایش فرضیه‌های نظریه‌ها و مفاهیم موجود تأییدی هستند و زمانی که الگوهای پنهان را در داده‌ها جستجو می‌کنند، در صورتی که دانش قبلی در مورد چگونگی ارتباط متغیرها وجود نداشته باشد یا فقط کمی وجود داشته باشد، اکتشافی هستند.
هنگامی که تحلیل عامل اکتشافی در SPSS در مجموعه داده اعمال می شود، روش به دنبال روابط (متغیرهای با همبستگی بالا با هم گروه بندی می شوند) بین متغیرها در تلاش برای کاهش تعداد زیادی از متغیرها به مجموعه کوچکتری از عوامل ترکیبی (یعنی ترکیبی از عوامل) می باشد. متغیرها). مجموعه نهایی عوامل ترکیبی نتیجه کاوش روابط در داده ها و گزارش روابط یافت شده (در صورت وجود) است. به عبارت ساده، تحلیل عامل اکتشافی در SPSS یک تکنیک اکتشافی است که در تحقیقات برای گروه بندی تعداد زیادی از متغیرها (متغیرهای مشاهده شده) به عوامل کوچکتر نماینده (عوامل پنهان) استفاده می شود، در حالی که CFA برای آزمایش مجموعه خاصی از روابط بر اساس برخی نظریه ها و برای آزمایش استفاده می شود. اطمینان حاصل شود که داده ها به روشی مناسب با مدل پیشنهادی مطابقت دارند.
در زیر لیستی از برخی از اصطلاحات اساسی است که اغلب در تحلیل عامل اکتشافی در SPSS استفاده می شود.
اندازه گیری کفایت نمونه گیری Kaiser-Meyer-Olkin (KMO): اندازه گیری کفایت نمونه گیری Kaiser-Meyer-Olkin (KMO) آماری است که برای بررسی مناسب بودن تحلیل عاملی بر اساس نمونه مورد مطالعه استفاده می شود. مقدار بالای آماره (از ۰.۵ تا ۱) نشان دهنده مناسب بودن تحلیل عاملی برای داده های موجود است، در حالی که مقدار پایین آمار (زیر ۰.۵) نشان دهنده نامناسب بودن تحلیل عاملی است. این به این معنی است که نمونه برای تحلیل عامل اکتشافی در SPSS کافی نیست.
آزمون کرویت بارتلت: آزمون کرویت بارتلت یک آمار آزمون است که برای بررسی این فرضیه که متغیرها در جامعه همبستگی ندارند استفاده می شود. به عبارت دیگر، ماتریس همبستگی جمعیت یک ماتریس هویت است. هر متغیر کاملاً با خودش همبستگی دارد (r = 1) اما با متغیرهای دیگر همبستگی ندارد (r = 0).
مقدار کمتر از ۰.۰۵ نشان می دهد که داده های در دست ماتریس هویت تولید نمی کنند، زیرا با ماتریس شناسایی، تحلیل عاملی بی معنی است. به این معنی که بین متغیرها رابطه معناداری وجود دارد. یک نتیجه قابل توجه (Sig. < 0.05) نشان می دهد که ماتریس یک ماتریس هویت نیست. به عنوان مثال، متغیرها به اندازه کافی با یکدیگر مرتبط هستند تا یک تحلیل عامل اکتشافی در SPSS معنادار را اجرا کنند.
اشتراک: میزان واریانسی است که یک متغیر با همه متغیرهای دیگر در نظر گرفته می شود. مقادیر کوچک، متغیرهایی را نشان می‌دهند که به خوبی با راه‌حل عامل تناسب ندارند و احتمالاً باید از تحلیل حذف شوند. به طور معمول مقادیر کمتر از ۰.۵۰ حذف می شوند.
درصد واریانس: درصد واریانسی را که می توان به هر عامل خاص نسبت داد نسبت به کل واریانس در همه عوامل نشان می دهد.
ارزش ویژه: مقدار ویژه نشان دهنده کل واریانس توضیح داده شده توسط هر عامل است. عواملی که دارای مقادیر ویژه بیش از یک (۱) هستند برای مطالعه بیشتر انتخاب می شوند.
Scree Plot: نموداری از مقادیر ویژه و عدد عامل بر اساس ترتیب استخراج است. این نمودار برای تعیین تعداد بهینه عواملی که باید در حل نهایی حفظ شوند استفاده می شود.
بارگذاری عاملی: به آن همبستگی عامل-متغیر نیز گفته می شود. بارهای عاملی همبستگی ساده ای بین متغیرها و عوامل هستند. بارهای عاملی نشان می دهد که آیتم ها تا چه اندازه عامل اصلی را نشان می دهند.
ماتریس عاملی: یک ماتریس عاملی حاوی بارهای عاملی همه متغیرها بر روی همه عوامل استخراج شده در تحلیل عامل اکتشافی در SPSS است.
تکنیک های چرخش در تحلیل عامل اکتشافی در SPSS درک الگوهای بارگیری را آسان می کند
تعداد متغیرها را با بارگذاری شدید (زیاد یا کم) روی یک عامل به حداقل می رساند. همبستگی بین عوامل را به حداقل می رساند. شناسایی یک متغیر با یک عامل را ممکن می کند. اجزاء همیشه متعامد هستند – هر جزء اطلاعات غیر اضافی را توضیح می دهد.
عوامل مجاز به همبستگی هستند. چرخش هایی که امکان همبستگی را فراهم می کنند، چرخش های مایل نامیده می شوند. چرخش هایی که فرض می کنند عوامل همبستگی ندارند، چرخش های متعامد نامیده می شوند.
Varimax فاکتورهایی را برمی گرداند که متعامد هستند. Oblimin اجازه می دهد تا عوامل متعامد نباشند.
انجام تحلیل عامل اکتشافی در SPSS شامل ۷مرحله است:
مرحله ۱: فرمول مسئله
مرحله ۲: الزامات EFA
مرحله ۳: تکنیک فاکتورسازی مناسب
مرحله ۴: تصمیم گیری در مورد تعداد عوامل
مرحله ۵: چرخش عاملی
مرحله ۶: مدل مناسب
مرحله ۷:تفسیر و گزارش
اولین گام در انجام تحلیل عامل اکتشافی در SPSS، تدوین مسئله تحلیل عامل اکتشافی است. همانطور که قبلاً بحث شد، تمرکز اصلی تحلیل عاملی کاهش داده ها است.
برای این منظور، محقق باید فهرستی از متغیرها را انتخاب کند که بر اساس جوهر مشترک موجود در هر یک از متغیرها به مجموعه جدیدی از عوامل تبدیل شوند. برای انتخاب متغیرها، محقق می تواند از ادبیات، تحقیقات گذشته و یا استفاده از تجربیات سایر محققین یا مدیران اجرایی استفاده کند.
توجه به این نکته ضروری است که متغیرها باید در مقیاس فاصله ای یا نسبتی قابل اندازه گیری باشند. یکی دیگر از جنبه های مهم تحلیل عامل اکتشافی تعیین حجم نمونه است که برای تحلیل عاملی استفاده می شود. به عنوان یک قانون سرانگشتی، حجم نمونه باید چهار یا پنج برابر متغیر موجود در تحلیل عاملی باشد.
همبستگی بین متغیرها را در تحلیل عامل اکتشافی در SPSS تجزیه و تحلیل کنید. در صورتی که بین متغیرها همبستگی وجود نداشته باشد یا میزان همبستگی بین متغیرها بسیار پایین باشد، مناسب بودن تحلیل عاملی مورد تردید جدی قرار خواهد گرفت. در تحلیل عاملی، محقق انتظار دارد که برخی از متغیرها با یکدیگر همبستگی بالایی داشته باشند تا یک عامل را تشکیل دهند.
کایزر محدوده را به شرح زیر ارائه کرده است: آمار > 0.9 شگفت انگیز، > 0.8 شایسته، > 0.7 متوسط، > 0.6 متوسط، > 0.5 بد، و <0.5 غیر قابل قبول است.
آزمون کروی بودن بارتلت این فرضیه را آزمایش می کند که آیا ماتریس همبستگی جمعیت یک ماتریس هویت است یا خیر. وجود ماتریس هویت، درستی تحلیل عاملی را زیر ظن قرار می دهد. مقادیر P کمتر از ۰.۰۵ نشان می دهد که ماتریس همبستگی جمعیت یک ماتریس هویتی نیست.
اجتماعات میزان واریانسی را که یک متغیر با سایر متغیرهای مورد مطالعه به اشتراک می‌گذارد را توصیف می‌کند. مقدار نسبتاً کوچک اشتراک نشان می دهد که متغیر مربوطه برای راه حل عامل ناسازگار است و باید از تحلیل عاملی حذف شود.
روش مؤلفه اصلی متداول ترین روش تحلیل داده ها در مدل تحلیل عاملی است. زمانی که هدف تحلیل عاملی خلاصه کردن اطلاعات موجود در مجموعه ای بزرگتر از متغیرها به عوامل کمتر باشد، از تحلیل مؤلفه اصلی استفاده می شود.
تمرکز اصلی روش مؤلفه اصلی تبدیل مجموعه ای از متغیرهای مرتبط به هم به مجموعه ای از ترکیبات خطی نامرتبط از این متغیرها است. این روش زمانی اعمال می شود که تمرکز اصلی تحلیل عاملی تعیین حداقل تعداد عواملی باشد که حداکثر واریانس را در داده ها نسبت می دهد. عوامل به دست آمده اغلب به عنوان اجزای اصلی نامیده می شوند.
مقدار ویژه: مقدار ویژه مقدار واریانس متغیری است که برای مطالعه در نظر گرفته شده است که با یک عامل مرتبط است. بر اساس معیارهای ارزش ویژه، عواملی که بیش از یک مقدار ویژه دارند در مدل گنجانده شده است.
Scree Plot: نمودار Scree نموداری از مقادیر ویژه و عدد مؤلفه (عامل) با توجه به ترتیب استخراج است. شکل نمودار برای تعیین تعداد بهینه عواملی که باید در راه حل نهایی حفظ شوند استفاده می شود. هدف از طرح Scree جداسازی بصری یک زانو است که می‌تواند به عنوان نقطه‌ای تعریف شود که مقادیر ویژه یک روند نزولی خطی را تشکیل می‌دهند.
معیارهای درصد واریانس: درصد واریانسی را که می توان به هر عامل خاص نسبت داد نسبت به کل واریانس در همه عوامل نشان می دهد. این رویکرد مبتنی بر مفهوم درصد واریانس تجمعی است.
تعداد عواملی باید در مدل گنجانده شود که درصد واریانس تجمعی آنها به سطح رضایت بخشی می رسد. توصیه کلی این است که عواملی که ۶۰ تا ۷۰ درصد واریانس را توضیح می دهند باید در مدل حفظ شوند.
پس از انتخاب عوامل در تحلیل عامل اکتشافی در SPSS، گام بعدی چرخاندن عوامل است. راه‌حل‌های ساختار ساده چرخشی اغلب به راحتی قابل تفسیر هستند، در حالی که تفسیر عوامل استخراج نشده (چرخش نشده) اولیه اغلب دشوار است.
چرخش مورد نیاز است زیرا مدل عامل اصلی ممکن است از نظر ریاضی صحیح باشد اما ممکن است از نظر تفسیر دشوار باشد. اگر عوامل مختلف بارگذاری بالایی بر روی یک متغیر داشته باشند، تفسیر بسیار دشوار خواهد بود. چرخش این نوع دشواری تفسیر را حل می کند. هدف اصلی چرخش تولید یک ساختار نسبتاً ساده است که در آن ممکن است بار عاملی بالا بر روی یک عامل و بار عاملی کم بر روی همه عوامل دیگر وجود داشته باشد.
روش پرکاربرد چرخش در تحلیل عامل اکتشافی در SPSS «رویه واریماکس» است. اگرچه تعدادی از روش‌های چرخش توسعه داده شده است، واریمکس به طور کلی به عنوان بهترین چرخش متعامد در نظر گرفته می‌شود و عمدتاً پرکاربردترین چرخش متعامد در تحقیقات روان‌شناسی است.
آخرین مرحله در تحلیل عاملی، تعیین برازش مدل تحلیل عاملی است. در تحلیل عاملی، عوامل بر اساس همبستگی مشاهده شده بین متغیرها تولید می شوند.
میزان همبستگی بین متغیرها قابل بازتولید است. برای یک راه حل تحلیل عاملی مناسب، تفاوت بین همبستگی بازتولید شده و مشاهده شده باید کوچک باشد (کمتر از ۰.۰۵).
به عنوان یک قاعده کلی، «مدلی که تناسب خوبی دارد، کمتر از ۵۰ درصد باقیمانده‌های غیر زائد با مقادیر مطلق بزرگتر از ۰.۰۵ را خواهد داشت».
EFA با استفاده از تجزیه و تحلیل مؤلفه اصلی و چرخش واریماکس انجام شد. حداقل معیار بار عاملی ۰.۵۰ تعیین شد. اشتراک مقیاس که میزان واریانس در هر بعد را نشان می دهد نیز برای اطمینان از سطوح قابل قبول توضیح ارزیابی شد. نتایج نشان می دهد که همه جوامع بیش از ۰.۵۰ بودند.
یک مرحله مهم شامل سنجش اهمیت کلی ماتریس همبستگی از طریق آزمون کرویت بارتلت است که اندازه‌گیری احتمال آماری را ارائه می‌دهد که ماتریس همبستگی دارای همبستگی قابل توجهی بین برخی از اجزای آن است.
Gaur, A. S., & Gaur, S. S. (2006). Statistical methods for practice and research: A guide to data analysis using SPSS. Sage
