برای آشنایی با تحلیل عاملی اکتشافی و تاییدی در spss به زبان ساده با این مقاله همراه باشید.

تحلیل عاملی یکی از فنون آماری چندمتغیره بسیار پر کاربرد در پژوهش های امروز است.

هدف تحلیل عاملی شناخت ساختارهای پنهان بین متغیرهای مشاهده شده متعدد است.

 به عبارت دیگر آیا می توان مجموعه ای به ظاهر نامرتبط از متغیرها را در قالب متغیرهای کلان (عامل) تلخیص و طبقه بندی کرد.

تحلیل عاملی دو نوع دارد: تأییدی و اکتشافی. در تحلیل عاملی تأیید ساختار و چارچوب از قبل مشخص است؛ اما در تحلیل عاملی اکتشافی این ساختار براساس داده های جمع آوری شده و ارتباطات بین آنها کشف می شود و از قبل به داده ها تحميل نمی شود، قبل از اشاره به این دو نوع تحلیل عاملی لازم است تا به برخی از اصطلاحات این روش اشاره شود.

- بار عاملی:

بار عاملی معادل ضریب رگرسیون است.

به عبارت دیگر توان دوم بار عاملی نشان می دهد که چند درصد از تغییرات متغیر مشاهده شده ناشی از عامل / متغیر مکنون است.

بار عاملی معمولا با نماد لاندا (۸) نشان داده می شود. بار عاملی بین 1+ 2 4 12- قرار دارد.

متغیر مشاهده شده دارای بار عاملی متضاد با بقیه باید از نظر مفهومی با آنها متضاد باشد.

برای مثال تعداد بالای مهمانی ها نشان دهنده اجتماعی بودن فرد است؛ اما پایین بودن تعداد درگیری های وی همان متغیر را نشان می دهد.

هر چقدر بار عاملی بیشتر باشد، بهتر است.

براساس قاعده تجربی بار عاملی زیر ۱۰ / ۳۰ قابل توضیح نیست و باید حذف شود. تا با چنیک و فیدل (۲۰۰۷) بار عاملی بیشتر از ۰ / ۷۱ را عالی، بالاتر از ۰ / ۶۳ تا ۰ / ۷۱ خیلی خوب، بیشتر از ۰ / ۵۵ تا ۰ / ۶۳ خوب، بیش از ۰ / ۴۵ تا ۰ / ۵۵ متوسط و زیر ۳۲/ ۰ ضعیف می دانند.

هر چقدر حجم نمونه کمتر باشد بارهای عاملی باید بزرگتر باشند. 

خطای اندازه گیری تفاوت بین مقدار واقعی متغیر و مقدار اندازه گیری شده است که معمولا عددی غیر صفر است.

- ارزش ویژه: مجموع توان های دوم بارهای عاملی برای هر عامل.

. كل واریانس تبیین شده: سهمی از واریانس متغیر مکنون که توسط متغیرهای مشاهده شده تبیین می شود.

هر چقدر این عدد به ۱۰۰ نزدیک تر باشد بهتر است.

- روش چرخش: روشی برای درک بهتر عامل های شناسایی شده است و در تحلیل عاملی اکتشافی استفاده می شود.

رایج ترین روش چرخش، واریماکس است؟

- روش استخراج: نشان می دهد که بارهای عاملی چگونه تخمین زده می شوند.

رایج ترین روش استخراج روش بیشینه احتمال است.

این روش مشابه روش کمترین مربعات معمولی (OLS) در رگرسیون خطی است.

اگر حجم نمونه بزرگ، داده ها نرمال و سطح اندازه گیری فاصله ای و نسبتی باشد این روش قابل استفاده است.

حتی در صورت نقض پیش فرض های مذکور در حد متوسط باز هم روش ML قابل اتکاست که معمولا روش بیشینه احتمال برای تحلیل عاملی تأییدی استفاده می شود.

روش رایج دوم روش عامل یابی محور اصلی است که برای حالت اکتشافی به کار می رود.

تحلیل عاملی چه تأییدی و چه اکتشافی بر مبنای مدل عامل مشترک قرار دارد.

نمایش ترسیمی مدل عامل مشترک به صورت زیر است

تحلیل عاملی اکتشافی و تاییدی در spss به زبان ساده

 

براساس این مدل هر متغیر مشاهده شده تحت تأثیر دو موضوع قرار دارد 1) عامل مشترک (اتا: ,(n) و ۲) عوامل منحصر به فرد (اپسیلون: ۱ تا دع).

بر این اساس می توان متغیر مکنون را به صورت یک ترکیب خطی مانند زیر نوشت:

تحلیل عاملی اکتشافی و تاییدی در spss به زبان ساده

تحلیل عاملی بر مبنای نحوه ارتباط متغیرهای مشاهده شده با متغیر مکنون دو نوع است: بازتابی و شکل دهنده .

روشی که در این بخش بحث می شود روش بازتابی است. در روش شکل دهنده به جای بار عاملی، وزن عاملی" مطرح می شود.

تحلیل عاملی تأییدی:

در تحلیل عاملی تأییدی انتساب متغیرهای مشاهده شده به متغير پنهان / عامل از قبل مشخص شده و محقق صرفا در پی ارزیابی میزان تطابق و ارتباط این دو با یکدیگر است.

اگر پژوهشگر برای سنجش یک متغیر از مقیاس استاندارد (مجموعه سؤال های استاندارد) استفاده کند، توصیه می شود به منظور سنجش و ارزیابی میزان تناسب مقیاس با داده های پژوهش تحلیل عاملی تأیدی انجام شود.

قبل از تحلیل عاملی تأییدی لازم است تا ۱) داده های گمشده اصلاح شود و ۲) ضریب آلفای کرونباخ با حذف سؤال های مشکل دار به حداکثر برسد.

گاهی اوقات رابطه بین متغیرهای مشاهده شده با مکنون سلسله مراتبی است.

به عبارت دیگر چند متغیر مشاهده شده یک متغیر مکنون و چند متغیر مکنون یک متغیر مکنون سطح بالاتر را تشکیل می دهند.

اگر ساختار متغیرهای مشاهده شده به گونه ای باشد که فقط یک سطح متغیر مکنون وجود داشته باشد، آن را تحلیل عاملی مرتبه اول می نامند.

اگر ساختار متغیرهای مشاهده شده به گونه ای باشد که چند متغیر مکنون وجود داشته باشد و یک متغیر سطح بالاتر قابل شناسایی باشد آن را تحلیل عاملی مرتبه دوم" می نامند.

یکی از رایج ترین تحلیل های عاملی مرتبه دوم در موضوع کیفیت خدمات (SERVQUAL) قابل مشاهده است.

در این مبحث کیفیت خدمات به ۵ عامل و هر عامل به چند متغیر مشاهده شده تفکیک شده است.

سطوح بالاتر نیز از لحاظ نظری قابل تصور است. موضوع مهم دیگر حجم نمونه است.

در تحلیل عاملی تأییدی حجم نمونه زیر ۱۰۰ کوچک، ۱۰۰-۲۰۰ متوسط و بیش از ۲۰۰ بزرگ تلقی می شود (2005 ,Kline).

نبود داده های گمشده و نرمال بودن توزیع متغیرها در تعیین حجم نمونه مؤثر است.

در عمل بیشتر مطالعات تحلیل عاملی تأییدی دارای بیش از ۳۰۰ نمونه هستند.

برای انجام تحلیل عاملی تأییدی می توان از نرم افزار رایج SPSS و همچنین نرم افزارهای قابلیت اتکای نتایج و شاخص های برازش بیشتر، پاسخ های بسیار مناسب تری ارائه |می کند و اکیدا توصیه می شود. 

و تحلیل عاملی اکتشافی:

ارزش علمی تحلیل عاملی اکتشافی بیشتر از تحلیل عاملی تأییدی است؛ زیرا سازه ها و مقیاس های اندازه گیری جدیدی را تولید می کند.

این سازه های جدید مبنایی برای مطالعات بیشتر قرار می گیرند.

برخلاف تحلیل عاملی تأییدی، تحلیل اکتشافی تأییدی نیازمند دانش پیشین قوی در مورد نوعی هنر و خلاقیت در تخصیص متغیرهای مشاهده شده به متغیرهای مکنون/ عامل ها و نام گذاری آنهاست.

از نظر حجم نمونه تحلیل عاملی اکتشافی نمونه بزرگ تری نیاز دارد.

توصیه شده است که به ازای هر متغیر مشاهده شده حداقل ۱۰ | تا ۱۵ نمونه گرفته شود.

از نظر تجربی بازه های زیر برای تحلیل عاملی اکتشافی ارائه شده است: حجم نمونه ۵۰ قابلیت اتکا به نتایج خیلی ضعیف ۱۰۰ ضعیف ۲۰۰ متوسط ۳۰۰ خوب ۵۰۰ بسیار خوب ۱۰۰۰ < عالی قبل از اجرای آزمون اکتشافی لازم است تا وضعیت داده های گمشده بر اساس راهکارهایی که قبلا ارائه شد، اصلاح شود.

بیشتر پژوهش های مدیریتی معتبر در زمینه تحلیل عاملی اکتشافی از حجم نمونه بین ۳۰۰ تا ۵۰۰ استفاده کرده اند.

در تحلیل عاملی اکتشافی هر عامل باید حاوی حداقل ۲ متغیر مشاهده شده باشد.

نام گذاری عامل ها یک کار تخصصی و خلاقانه است.

نام گذاری باید جامع و مانع باشد؛ به نحوی که محتوای متغیرهای مشاهده شده را نشان دهد.

رویه های آماری کلیه متغیرهای مشاهده شده را به کلیه عوامل تخصیص می دهد و ضریب بار عاملی هر متغیر مشاهده شده در هر عامل را ارائه می کند.

این پژوهشگر است که باید تصمیم بگیرد هر متغیر مشاهده شده باید در کدام عامل قرار بگیرد.

برای این تخصیص دو اصل آماری و اصل مفهومی باید رعایت شوند.

اصل آماری می گوید بار عاملی یک متغیر مشاهده شده معین در هر عاملی که حداکثر باشد، اولویت تخصیص به آن عامل را دارد.

اما این اصل به تنهایی کافی نیست، بلکه متغیرهای مشاهده شده تحت یک عامل باید از منظر مفهوم و محتوای متغیر با یکدیگر هم خانواده باشند یا اگر متضاد هستند بارهای عاملی متضاد داشته باشند.

رعایت هم زمان این دو اصل بسیار دشوار و زمان بر است.

حتی ممکن است پژوهشگر پس از تلاش های متعدد به این نتیجه برسد که یک یا چند متغیر مشاهده را حذف و فرایند تحلیل عاملی را از نو تکرار کند.

رعایت اصل مفهومی مستلزم دانش عمیق محقق از موضوع مورد بررسی و حتی بافت صنعت تحت مطالعه است.

یکی از کاربردهای بسیار مهم تحلیل عاملی اکتشافی تولید مقیاس های استاندارد برای اندازه گیری سازه های جدید علمی است.

برای دریافت متن کامل این مقاله آموزشی بسته آموزش تحلیل آماری با spss را تهیه کنید:

شما با این بسته می توانید تحلیل آماری با spss و amos را کامل و آسان بیاموزید

و قطعا قادر می شوید کارهای آماری را حودتان انجام دهید

چگونه؟

بسته آموزشی تجزیه تحلیل آماری با SPSS و AMOS

از صفر تا صد آموزش  spss

آموزش مباحث اساسی AMOS

آموزش به زبان ساده ، موضوعی و گام به گام همراه با تصویر

33 پکیج (1378 صفحه تصویری)+ به همراه همه مقالات آموزشی این سایت درباره spss

لطفا و خواهشا برای سوال های آماری و رفع اشکال تماس نگیرید

هر آنچه لازم باشد در این بسته آموزشی آمده است.

 


انتخاب جدیدترین موضوعات پایان نامه روانشناسی، مشاوره و علوم تربیتی و انجام تخصصی پروپوزال(دانلود نمونه کار پروپوزال)::

شماره تماس: 09011853901
جهت ارسال سریع پیام در پیام رسان های زیر نام هر یک را لمس کنید.