تحلیل عوامل اکتشافی را می توان به عنوان شیوه ای ساده و منظم که به دسته بندی مقیاس ها و متغیرهایی که از لحاظ درونی با هم همبسته هستند، تعریف کرد.

آموزش تحلیل عاملی اکتشافی در spss

به طور سنتی، از تحلیل عوامل اکتشافی برای جستجوی ساختار عاملی زیربنایی یک مجموعه از متغیرهای مشاهده شده، بدون اعمال یک پیش فرض بر داده ها، استفاده می شود.

در تحلیل عوامل اکتشافی، ساختار عالی زیر بنایی یک مجموعه از متغیرهای مشخص می شود.

به طور مثال، مطالعاتی که در آن از پرسش نامه که شامل ماده های زیادی هستند استفاده می شود و یا از آزمون های روانی که از چندین زیر مجموعه از قبیل آزمون های مهارتی کلامی، توانایی استدلال منطقی و غیره تشکیل شده است، ضرورت دسته بندی عاملی تعداد زیادی از آزمون ها یا ماده های یک پرسش نامه را با شیوه ی تحلیل عوامل نشان می دهد.

از طرف دیگر، تحلیل عامل اکتشافی کمک می کند تا حجم زیادی از متغیرها به تعداد مجدودی از عامل ها کاهش یابد و مهم تر از آن، هم پوشی میان عامل ها را به طرز مطلوبی کنترل می کند.

برای نمونه، اگر درصد شناسایی عوامل اضطراب در دانش آموزان باشیم، ممکن است با 100 متغیر متفاوت که در تولید اضطراب امتحان دخالت دارند و بسیاری از آن ها ماهیتاً با هم شباهت دارند مواجه شویم.

تحلیل عوامل اکتشافی ممکن است این 100 متغیر را به سه مؤلفه ی اصلی که سرچشمه ی اضطراب امتحان را تشکیل می دهند، تحت عنوان مؤلفه ی درون مدرسه ای، درون خانواده و خود دانش آموز کاهش دهد. آن چه در تحلیل عوامل اکتشافی رخ می دهد، شناسایی عوامل زیربنایی حجم زیادی از متغیرها است که اهمیت آن ها در پژوهش های پسین و در ارتباط با سازه های دیگر نمایان می شود.

بنابراین، اگر مفروض باشد که عوامل اضطراب از امتحان بر پیشرفت تحصیلی، امید به زندگی و ... اثر می گذارند، ارزیابی اهمیت مؤلفه های بنیادی اضطراب از امتحان در پوزیشن های پسین و در ارتباط با متغیرهای وابسته ی مذکور معلوم خواهند شد.

تشکیل یک ماتریس همبستگی و محاسبه ی همبستگی تمام ماده ها با یکدیگر، نقطه ی آغاز تحلیل عوامل اکتشافی است.

با بررسی دقیق همبستگی میان ماده ها، ممکن است به این نتیجه برسیم که ده ماده در این ماتریس وجود دارد که ارتباط آن ها با یکدیگر دست کم کم تر از 0.40 نیست و از طرف دیگر، همبستگی این ده ماده با ماده های دیگر، از 0.40 کمتر است.

اگر وضعیت مذکور در ماتریس همبستگی پیش آید، می توان این ده ماده را یک عامل زیر بنایی قلمداد کرد.

مجدداً باید ماتریس همبستگی میان ماده ها وارسی شود تا آن دسته از ماده هایی را که همبستگی درونی آن ها با یکدیگر از 0.40 بزرگتر و همبستگی درونی آن ها با ماده های دیگر کمتر از این حد است شناسایی شوند.

تعیین 0.40 به عنوان نقطه ی برش مناسب است.

با این حال، اگر پژوهشگر قصد تخلیص بیشتر داده ها را داشته باشد، افزایش این حد و یا حتی کاهش آن برای مقاصد دیگر، امکان پذیر است ( مشروط به این که هر ماده تنها با ماده های عامل خودش بیشترین همبستگی را داشته باشد).

مفروضه های زیربنایی تحلیل عوامل اکتشافی بدین قرار است.

- مقیاس اندازه گیری متغیرها در حد نسبی یا فاصله ای فرض شود؛

- نمونه گیری تصادفی باشد؛

- ارتباط خطی میان متغیرها برقرار باشد و

- توزیع چند متغیری و تک متغیری نرمال باشد.

تحلیل عوامل به دنبال کشف عامل های زیربنایی تعدادی از متغیرها یا ماده ها است که به دلیل داشتن یک منبع واریانس مشترک، همپراشی آن ماده ها را تبیین می کند.

فنونی که جهت استخراج عامل ها طراحی شده است، تلاش می کنند تا بیشترین واریانس مشترک را در عامل اول استخراج کنند و همچنین در عامل های بعدی تلاش می شود تا بیشترین واریانس مشترک باقیمانده استخراج گردد و این فرایند تا هنگامی که واریانسی باقی نماند ادامه پیدا می کند.

نکته ی مهم:

تحلیل مؤلفه های اصلی (Principle components Analyze) یکی از روش های متداول استخراج عامل تلقی می شود که در بسیاری از نرم افزارهای آماری به عنوان یک روش پیش گزیده در نظر گرفته شده است.

از آن جا که تحلیل مؤلفه های اصلی روش حقیقی تحلیل عاملی نمی باشد، میان نظریه پردازان آماری در کاربرد این روش اختلاف نظر های فراوانی وجود دارد.

اما آن جه مسلم و قطعی تر به نظر می رسد این که بیشتر نظریه پردازان مشهور از جمله بنتلر و کانو (1990)، فلوید و ویدمن (1995)، فورد، مککالم و تیت (1986)، مککالم و توکر (1991)، لوهلین(1990) و... روش های تحلیل عاملی واقعی را بر تحلیل مؤلفه های اصلی ترجیح می دهند.

به عقیده ی گورساچ(1990)، در دهه های پیش به دلیل سرعت پایین کامپیوترها و کاربرد گرانبار شیوه های دشوار، کاربرد روش مؤلفه های اصلی، محاسبه ها بدون توجه به ساختارهای زیربنایی که به واسطه ی متغیرهای مکنون ایجاد می شوند، دنبال می گردد، به بیان دیگر، در روش مؤلفه های اصلی، تمام واریانس میان متغیرهای مشاهده شده در راه حل تحلیلی دخالت داده می شود؛ به عبارت دیگر، علاوه بر واریانس مشترک، واریانس اختصاصی نیز در واریانس تبیین شده منعکس می شود.

اگر هدف تحلیل عوامل واقعی را یافتن یک منبع واریانس مسترک میان تعدادی متغیر اندازه گیری شده بدانیم، روش مؤلفه های اصلی به دلیل جذب همزمان واریانس مشترک و اختصاصی، از این قاعده ی اصلی فاصله می گیرد؛ به عبارت دیگر، در روش مؤلفه های اصلی، همپراشب میان ماده ها توسط تنها یک متغیر مکنون و زیربنایی تبیین نمی شود.

بنابراین، توصیه می شود در صورت تحقق مفروضه ی بهنجار بودن چند متغیری میان ماده ها، از روش استخراج عامل با روش حداکثر درست نمایی و در صورت تخطی جدی از مفروضه ی مذکور، از روش عامل یابی محورهای اصلی جهت استخراج عامل با روش حداکثر رست نمایی و در صورت تخطی جدی از مفروضه ی مذکور، از روش عامل یابی محورهای اصلی جهت استخراج عامل استفاده شود.

ناگفته نماند عامل هایی که با روش های مذکور استخراج می شوند، همپراشی میان ماده های هر عامل توسط یک عامل مکنون قابل تبیین است.

نکته ی اساسی:

وجه تمایز مهم میان کاربرد روش مؤلفه های اصلی و روش های تحلیل عوامل واقعی را در هدف پژوهش نیز می توان جویا شد؛ به عبارت دیگر، اگر پژوهشگر قصد پیش بینی و برآورد بیشینه واریانس متغیر وابسته را در نظر دارد، مؤلفه های اصلی به دلیل جذب بیشترین مقدار واریانس مشترک و اختصاصی مقدم است.

اما اگر پژوهشگر قصد تبیین یک روند عملی در مدل های میانجی گر و یا نظریه پردازی و آزمودن نظریه را در نظر دارد، به کارگیری عامل هایی که از شیوه های تحلیل عوامل واقعی حاصل می شوند، برتری دارند.

بدون شک از لحاظ نظری تحلیل عوامل با روش های حداکثر درست نمایی و عامل یابی محورهای اصلی جهت استخراج عامل نسبت به روش مؤلفه های اصلی دقیق تر است اما، هر چه تعداد متغیرهای دخیل در تحلیل و وزن بار عاملی این متغیرها بیشتر باشد تفاوت میان نتایج شیوه های استخراج عوامل کاهش پیدا می کند.

در مدل یابی معادلات ساختاری، ساختن متغیر مکنون از ماده هایی که همپراشی آن ها توسط تنها یک عامل تبیین می شود، به برازش مدل کمک شایانی می کند، هر چند که ممکن است به دلیل خاص شدن سازه ی اندازه گیری شده ( در آزمون های کوتاه چند ماده ای) پارامترهای مدل ضعیف تر برآورد شوند؛ به عبارت دیگر، کاربرد مؤلفه های اصلی در مدل یابی معادلات ساختاری به دلیل وجود واریانس مشترک و اختصاصی در مؤلفه ها منجر به افزایش اندازه ی پارامترهای مدل می شود( وقتی که متغیرها به وصرت مشاهده شده به کار گرفته می شوند)، اما به دلیل این که خطای اندازه گیری در مدل (مقیاس ها) افزایش می یابد و یا اعتبار افتراقی میان سازه ها در مدل کاهش می یابد ( به دلیل همپوشی بالا میان متغیرها) شاخص های برازش مدل از معنی داری فاصله می گیرند.

یکی دیگر از وجوه تمایز استفاده از روش عامل یابی محورهای اصلی با مؤلفه های اصلی که بسیار مهم نیز است.

به جریان علیت از سازه ی زیربنایی با ماده ها مربوط است.

اگر سازه ی زیر بنایی (عامل) علت واریانس در ماده ها باشد بدون تردید باید از روشهای تحلیل درست نمایی استفاده کرد.

تقریباً تمامی آزمون های روانشناختی مانند شخصیت، انگیزه، خلاقیت، عزت نفس و غیره واریانس ماده ها آن ها تحت تأثیر یک قابلیت یا خصیصه ی درونی معین است.

به این نوع ماده ها اصطلاحاً ماد ه های انعکاسی یا بازتابی گفته می شود.

به طور مثال، پاسخ دهی به این سؤال که " من فرد مضطربی هستم" ویا " من زود به خنده می افتم" می تواند تحت تأثیر صفت اضطراب و برون گرایی افراد باشد.

اما اگر جریان علیت از ماده ها به سمت عامل باشد با ماده های تکوینی مواجه هستیم.

به طور مثال، فرض کنید پژوهشگری قصد دارد مدیریت اخلاقی سرپرست را با این سؤالات ارزیابی نماید.

" در محیط کار سرپرست به من سلام می کند"، "برای ارزیابی پیشنهادهای کاری به اتاقم سر می زند"، "آیین نامه های شغلی را به پست الکترونیکی من ارسال می کند"، "هر وقت به دفترش زنگ می زنم، جواب می دهد"، " وقتی تقاضای مرخصی می کننم، اجابت می کند".

و یا برای ارزیابی استرس های زندگی از ماده هایی همچون طلاق، داغدیدگی، ترک شغل، تغییر محل زندگی، مورد دستبرد واقع شدن، بستری شدن در بیمارستان، حادثه دیدگی و غیره استفاده می شود و یا برای بررسی اثر خدمات رفاهی به کارکنان از ماده هایی همچون، دریافت وام، مسکن سازمانی، معاینه ی پزشکی، خدمات مشاوره ی سازشی و تحصیلی برای فرزندان، لوازم مناسب کاری، تورهای مسافرتی رایگان و غیره استفاده می نمایند.

پاسخ کارکنان به این سؤالات به صورت بله یعنی دریافت کرده ام و خیر یعنی دریافت نکرده ام، است.

توجه داشته باشید که پاسخ دهی به این ماده ها عمدتاً تحت تأثیر ارزیابی افراد از واقعیت های بیرونی است تا یک صفت درون زاد، هر چند که ممکن است اثرگذار باشد.

بنابراین، به این گونه سؤالات، ماده هی تکوینی گفته می شود، و برای دسته بندی عاملی آن ها باید از روش تحلیل عاملی مؤلفه های اصلی استفاده کرد. حال اگر از کارکنان بپرسیم " مدیر من فرد با انصافی است"، " مدیر من عدالت را برای همه رعایت می کند"، "مدیر من رفتار متواضعانه ای دارد" پاسخ دهی به این گونه سؤالات می تواند تحت نفوذ یک سازه ی درون زاد روان شناختی قرار گیرد.

هر چند ارزابی ما از مدیر در این نوع سؤالات مبتنی بر رفتار عینی مدیر است اما، بالاخره ما با یک ذهنیت شخصی به قضاوت می پردازیم؛ بنابراین، وقتی پی ذهنیت در میان است بهتر است ماده ها را انعکاسی در نظر بگیریم و در مدل یابی ساختاری جمله ی خطا را برای مهار خطای اندازه گیری لحاظ نماییم.

اما، وقتی نحوه ی اسخ دهی به گزارش کردن شبیه است بهتر است ماده ها را از نوع تکوینی در نظر بگیریم و پیکان ها را از ماده ها به سمت متغیر پنهان ترسیم کنیم و به جای تعیین واریانس خطا برای ماده ها باید با پیکان دو سویه تمام ماده ها را به هم متصل نماییم تا کوواریانس آن ها مربوط است.

همبستگی درونی میان ماده های انعکاسی لزوماً باید معنی دار و با سازه ی زیربنایی هماهنگ باشد؛ اما این الزام برای ماده های تکوینی صادق نیست؛ یعنی همبستگی درونی میان این ماده ها ممکن است مثبت، منفی یا حتی غیر معنی دار باشد.

عاملی که از این ماده ها ساخته می شود برابر با ترکیب خطی غیر معنی دار باشد. عاملی از این ماده ها ساخته می شود برابر با ترکیب خطی ماده ها است که هر کدام از ماده ها با وزن معینی در ساخت این متغیر ترکیبی مشارکت دارد.

غالباً پایین بودن همسانی درونی ماده های تکوینی باعث تضعیف روابط میان نمره ی کل این ماده ها با متغیرهای دخیل در پژوهش می شود؛ بنابراین، پژوهشگران باید قبل از انجام پژوهش در خصوص یک دست بودن ماده های پرسشنامه که با اهداف مطالعه ی خود مرتبط است، اطمینان حاصل کنند.

در نتیجه، چون همپراشی ماده های تکوینی توسط یک سازه ی زیربنایی تبیین نمی شود، باید از ساختن آن ها در معادلات ساختاری به عنوان متغیر مکنونی که خطای اندازه گیری آن کنترل شده است، اجتناب کرد؛ زیرا که ترکیب خطی این نوع ماده ها بسیار بهتر از نمره ی کانونی آن ها متغیرهای مرتبط را پیش بینی می نماید.

نکته ی دیگر اینکه، حذف یکی از ماده های انعکاسی تغییر چشم گیری بر اعتبار مقیاس و یا رابطه ی آن متغیر مکنون با متغیرهای مرتبط در پژوهش ایجاد نمیکند اما، این موضوع برای ماده های تکوینی صادق نیست.

به هر حال،نادیده انگاشتن تمایز میان مفهوم ماده های تکوینی و انعکاسی به شدت پارمتر های اندازه گیری شده در پژوهش را تحت تأثیر قرار می دهد.

به تقریب حدود 30 سال است که متخصصین روان سنجی و آماردانان کاربرد نابجا از این دو نوع ماده را به جای یکدیگر هشدار می دهند؛ هر چند که به وفور این نوع خطا در پژوهش های روان شناختی تکرار می شود.

البته، اختلاف نظر جدی میان اندیشمندان در تقسیم بندی ماده ها به دو نوع انعکاسی و تکوینی وجود دارد؛ و از طرف دیگر، مشکلات محاسباتی ماده های تکوینی و موضوع شناسا نبودن این گونه مدل ها به تردید در کاربرد این مدل ها افزوده است.

یکی دیگر از موضوعات مهم در تحلیل عوامل، بحث چرخش مؤلفه ها است.

روش های مستقیم استخراج واریانس به کمک ماتریس های همبستگی میان ماده ها و کاربرد مدل های معین ریاضی انجام می گیرد.

بسیاری از متخصصین تحلیل عوامل بر این عقیده اند که راه حل مستقیم استخراج واریانس کافی نیست. آن ها می افزایند تغییر چهار چوب های مرجع به واسطه ی روش ها چرخش عامل ها، تفسیر بارهای عاملی را امکان پذیر می نماید و موجب کاهش ابهام در نتایج مقدماتی تحلیل می گردد.

منظور از واژه ی چرخش که برای محورهای مرجع به کار می رود، به خوبی در شکل 1 نمایش داده شده است.

ساده ترین مورد چرخش هنگامی است که محور ها در یک زاویه ی 90 درجه از یکدیگر قرارداشته باشند که به آن چرخش متعامد گفته می شود.

در تصویر سمت چپ ا شکل1، نحوه ی چرخش محورهای 90 درجه ای نمایش داده شده است.

شکل سمت چپ نمایانگر چرخش متعامد شکل سمت راست چرخش مایل را نشان می دهد.

در این تصویر، ستاره ها بارهای متغیر اصلی را بر بروی عامل ها ( عامل اول و دوم به ترتیب بر روی محور افقی و عمودی قرار دارند) نمایش می دهند.

چرخش عامل ها کمک می کند تا بار واقعی هر ماده بر روی آن عامل مشخص شود؛ به عبارت دیگر، با انجام چرخش، ترتیب اهمیت هر ماده بر روی عامل خود معین می شود و از طرف دیگر، شناسایی ماهیت عامل و نام گذاری آن تسهیل می شود.


آموزش تحلیل عاملی اکتشافی در spss

معیار استخراج عامل ها

از یک مجموعه متغیر چند عامل می توان استخراج کرد؟

به طور کلی برای پاسخ دادن به این پرسش، چهار روش پیشنهاد شده است.

1- معیار کایرز:

هر عاملی که ارزش ویژه ی آن از 1 بالاتر شود، به عنوان یک عامل مشترک تلقی می شود.

ارزش ویژه از مجموع مجذورات بارهای تمام ماده ها بر یک عامل به دست می آید.

2- آزمون اسکری کتل:

بر روی نمودار اسکری، به خاطر این که هر عامل واریانس کمتری از عامل پیشین را پیش بینی می کند.

نقاط عامل های بعدی بر روی نمودار از بالا به سمت چپ نمودار، یک روند کاهشی را نشان می دهند.

نقطه ای بر روی نمودار که تمایل به ایجاد توازی بر روی محور x را نشان می دهد، محل مناسبی برای حذف عامل های پایین تر از آن تلقی می شود.

در خروجی 1 نمودار اسکری ارائه شده است.


آموزش تحلیل عاملی اکتشافی در spss

 

همان گونه که در خروجی 1 ملاحظه می شود، نسبتاً بین 4 تا 5 عامل بر روی هم عمود هستند و از عامل پنجم به بعد، نقاط مربوط به عامل ها با محور x تقریباً موازی هستند.

کتل این نمودار را به یک آرنج تشبیه کرده است که نقاط بالای آرنج به عنوان عامل های قابل قبول و نقاط پایین آرنج که بر روی ساعد قرار می گیرند، عامل های غیر قابل قبول قلمداد می شوند.

با توجه با این نمودار، به نظر می رسد تحلیل چهار و پنج عاملی متغیرها و بررسی شاخص های برازندگی مدل 4 و 5 عاملی با روش تحلیل عوامل تأییدی به بهترین شکل چاره ساز بوده و پژوهشگر را در انتخاب مدل مناسب کمک می کند.

3- مقدار واریانس پیش بینی شده:

پژوهشگر با این روش کار خود را با یک پیش فرض آغاز می کند.

به طور مثال، هر عامل که کمتر از 5 تا 10 درصد از واریانس ماده را تبیین کند، مد نظر قرار نمی گیرد.

همچنین، آن تعداد از عواملی که در حدود 70 الی 80 درصد واریانس متغیرها را پیش بینی می کنند، از جمله ملاک هایی است که برای انتخاب تعداد عوامل ذکر شده است.

4- معیار تفسیر پذیری عامل ها:

- وجود دست کم سه بار عملی معنی دار و بزرگتر از 0.30 در هر عامل.

- ماده هایی که بر روی یک عامل بار دارند واجد معانی مفهومی مشترکی باشند.

- متغیرهایی که بر روی عوامل گوناگون بار دارند، سازه های گوناگونی را اندازه بگیرند.

- الگوی عاملی چرخش یافته، نشان دهنده ی یک ساختار ساده و قابل تفسیر باشد.

بدین منظور که بارهای عاملی بالا در یک عامل و بارهای عاملی پایین در عامل دیگر همراه است.

برای مثال، اگر x1 تا x5 بر وی عامل اول بار عاملی بالایی دارند، این ماده ها بر روی عامل دوم دارای بار عاملی پایینی باشند.

5- تعداد ماده ها در هر عامل جهت نگه داشتن آن عامل از اهمیت برخوردار است.

به منظور حفظ اعتبار و پایانی عامل ها، دست کم در هر عامل باید 5 متغیر وجود داشته باشد.

بدیهی است عامل های که تعداد متغیرهای آن از پنج ماده کمتر است. ساختار زیربنایی آن ها شکننده و مشکوک خواهد بود.

نکته ی مهم:

دو چیز از لحاظ ماتریس همبستگی ماده ها حائز اهمیت است.

ماده های پرسش نامه باید در حد معینی با یکدیگر همبستگی داشته باشند.

هم خطی بودن چندگانه هنگامی رخ می دهد که همبستگی میان ماده های پرسش نامه زیاد باشد.

هم خطی بودن مانع استخراج عامل های مستقل می شود.

برای آزمون هم خطی بودن چندگانه، باید دترمینان ماتریس همبستگی آزموده شود.

اگر دترمینان ماتریس همبستگی از 0.00001 بزرگتر باشد، ماتریس همبستگی از هم خطی بودن چندگانه مبرا می شود.

از طرف دیگر، اگر همبستگی میان ماده های پرسش نامه ها از حد معینی تنزل پیدا می کند، مشکل ماتریس اتحاد رخ می دهد.

هنگامی ماتریس اتحاد رخ می دهد که همبستگی میان قطر ماتریس 1 و مابقی خانه ها صفر باشند.

آزمون کرویت بارتلت متفاوت بودن ماتریس همبستگی متغیرها را با یک ماتریس اتحاد آزمون می کند.

معنی داری آزمون بارتلت مبین آن است که در ماتریس ماده ها به اندازه کافی همبستگی وجود دارد که بتوان تحلیل عوامل را ادامه داد.

آزمون کیسرمیرالکین که به عنوان آزمون سنجش کفایت حجم نمونه معروف است، به طور کلی این مسأله را وارسی می کند که آیا متغیرهای پژوهش قابل دسته بندی به یک مجموعه ی کوچکتر از عوامل زیربنایی هستند یا خیر؟

مقادیر نزدیک به 1 این آزمون نشان دهنده ی سودمندی تحلیل عوامل بر داده ها است.

اما اگر مقدار این آزمون از 0.5 کمتر شود، سودمندی تحلیل عوامل مشکوک خواهد بود.

در تحلیل عوامل، شیوه های چرخش متفاوتی برای یافتن عامل ها به کار برده می شود.

در نرم افزار SPSS، پنج روش تحت عناوین واریماکس (Varimax)، کواریتمکس(Quartimax) اکومکس ( Equamax)، ابلیمن مستقیم (Oblimin Direct) و پرومکس(Promax) وجود دارد که سه تای اول از نوع چرخش متعامد بوده و به دو نوع دیگر، در اصطلاحاً چرخش مایل گفته می شوند.

روش بارهای عاملی در یک عامل معین و تفسیر پذیر کردن عامل ها بر دیگر روش های نسبت آزمودنی به تعداد متغیرها 2 به 1 است.

انتخاب حجم نمونه به نسبت 2 به 1 تا 5 به 1 در 25.8 درصد دیگر از پژوهش ها به کار رفته است.

توصیه های کلی درباره ی حجم نمونه در تحلیل عامل اکتشافی در حد حداقل 200 آزمودنی گزارش شده است.

تعداد 5 آزمودنی در مقابل هر متغیر، یک ملاک مطلوب برای انتخاب حجم نمونه در تحلیل عوامل اکتشافی به حساب می آید.

در جدول 1 نسبت آزمودنی ها به تعداد متغیرها با توجه به چندین شاخص تحلیل عوامل ارائه شده است.


آموزش تحلیل عاملی اکتشافی در spss

 

همان گونه که د رجدول 1 ملاحظه می شود، از 70 درصد پژوهش هایی که حجم نمونه در آن ها 20 به 1 ماده بوده است، ساختارهای عاملی صحیح استخراج شده است.

این درصد برای نسبت 2 به 1 برابر10 درصد است.

واریانس مشترک متغیرها:

برای هر متغیر در تحلیل عامل، وزنی محاسبه می شود که از ترکیب خطی تمام متغیرها به وجود می آید.

به بیان دیگر، تک تک متغیرها به نوبت به عنوان متغیر وابسته و مابقی متغیرها برای پیش ینی واریانس آن متغیر وارد معادله ی رگرسیون خطی می شوند.

هر متغیری که وزن بزرگتری برای آن پیش بینی شود در تحلیل عوامل نقش بارزتری ایفا می کند.

با توجه به ماهیت و طراحی تحلیل عوامل اکتشافی، اصولاً پژوهشگران با این روش استنباط آماری (مبتنی بر فرضیه آزمایی پیشین) به عمل نمی آورند.

این شیوه ی آماری اساساًجهت اکتشاف داده ها و یافتن الگوهای اولیه و سپس فرضیه آزمایی های بعدی طراحی شده است.

بنابراین، آزمودن نظریه و فرضیه ( به صورتی که در تحلیل عوامل تأییدی انجام می شود) از آن بر نمی آید.

البته بررسی ساختار عاملی یک پرسشنامه در گروه های مختلف ( به طور مثال مقایسه ی ساختارهای عاملی یک پرسشنامه در گروه های آموزش دیده و ندیده، دختر و پسر و ...)، تخمین عوامل زیربنایی و... به وسیله ی تحلیل عوامل اکتشافی امکان پذیر است (کونوی و هافکات،2003).

نتایج پژوهش های گوناگون نشان می دهد که تحلیل عوامل اکتشافی یک فرایند مستعد خطا است که حتی کاربرد آن در نمونه های بزرگ و داده های بهینه نیز از خطا مصون نمی باشد.

الگوی ساختار عاملی یک پرسش نامه که در یک تحلیل عوامل اکتشافی به دست می آید، ممکن است در یک پژوهش دیگر و به وسیله ی تحلیل عوامل اکتشافی حاصل نشود.

بنابراین، هنگامی که یک ابزار به وسیله تحلیل عوامل اکتشافی تهیه می شود، گام بعدی برای آزمودن ساختار عاملی آن، کاربرد تحلیل عوامل تأییدی است.

در صورتی که پژوهشگر ساختار معین و مفروشی از متغیرها در ذهن داشته باشد، بدون کاربرد اولیه تحلیل عوامل اکتشافی می تواند آن ساختار عاملی را با روش عوامل تأییدی آزمون کند؛ به عبارت دیگر، داشتن فرضیه نسبت به ساختار عاملی متغیرها، جایی برای تحلیل عوامل اکتشافی باقی نمی گذارد.

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.