تحلیل عاملی اکتشافی یا EFA زمانی به کار می رود که پژوهشگر می خواهد ساختار نهفته میان مجموعه ای از متغیرهای مشاهده شده را بررسی کند و هنوز ساختار عاملی را به صورت قطعی از پیش تثبیت نکرده است. کیفیت EFA فقط به چند کلیک در SPSS وابسته نیست؛ انتخاب متغیرها، کیفیت ماتریس همبستگی، روش استخراج، تعداد عامل ها، نوع چرخش و نحوه تفسیر بارهای عاملی همگی باید با سؤال پژوهش و ویژگی داده ها هماهنگ باشند.
اگر EFA بخشی از تحلیل پایان نامه شماست، ابتدا جایگاه تحلیل را در انجام فصل چهارم و منطق انتخاب روش را در تحلیل آماری پایان نامه مشخص کنید.
برای اینکه انتخاب EFA یا هر تحلیل دیگر فقط به گزینه های نرم افزار محدود نشود، می توانید از دستیار پژوهشی هوش مصنوعی برای صورت بندی سؤال، نوع داده، مفروضات و مسیر تحلیل استفاده کنید و بعد تصمیم آماری را با منطق پژوهش تطبیق دهید.
EFA چه مسئله ای را حل می کند؟
EFA به دنبال الگوهای مشترک میان متغیرهاست. برای مثال، اگر یک پرسشنامه ۲۰ گویه داشته باشد، ممکن است چند گروه از گویه ها با یک سازه نهفته مشترک هم راستا باشند. EFA کمک می کند این ساختار احتمالی بررسی شود. این روش با تحلیل عاملی تأییدی (CFA) تفاوت دارد؛ CFA معمولاً زمانی استفاده می شود که پژوهشگر ساختار مشخصی را از نظریه یا شواهد قبلی فرض کرده و می خواهد برازش آن ساختار را ارزیابی کند.
قبل از اجرای EFA چه چیزهایی را بررسی کنیم؟
- ماهیت متغیرها: نوع مقیاس و توزیع داده بر انتخاب ماتریس و روش تحلیل اثر می گذارد.
- همبستگی قابل تحلیل: اگر متغیرها تقریباً هیچ ارتباطی با هم نداشته باشند، انتظار یک ساختار عاملی معنادار منطقی نیست.
- کفایت نمونه: یک نسبت ثابت «تعداد پاسخ دهنده به تعداد گویه» قانون جهان شمول نیست. کفایت نمونه به تعداد متغیرها، اندازه بارها، اشتراک ها، تعداد عامل ها و کیفیت داده وابسته است؛ بنابراین بهتر است به جای یک عدد جادویی، شواهد و پایداری راه حل را بررسی کنید.
- داده مفقود و پرت: روش مدیریت آن ها را پیش از تحلیل تعیین و مستند کنید.
برای ابزارهای پرسشنامه ای، کیفیت و منبع ابزار را نیز جداگانه بررسی کنید. صفحه پایگاه های معتبر پرسشنامه و ابزار پژوهش نقطه شروع مناسبی برای یافتن منبع اصلی و شرایط استفاده است.
اجرای EFA در SPSS؛ مسیر کلی
- از مسیر
Analyze > Dimension Reduction > Factorوارد تحلیل عامل شوید. - متغیرهای مرتبط را انتخاب کنید و در بخش
Descriptivesشاخص های موردنیاز برای بررسی ماتریس، از جمله KMO و آزمون Bartlett را درخواست کنید. - در بخش
Extractionروش استخراج و معیار تصمیم گیری درباره تعداد عامل ها را مشخص کنید. - در بخش
Rotationنوع چرخش را بر اساس فرض شما درباره ارتباط عامل ها انتخاب کنید. - خروجی را فقط بر اساس یک آستانه عددی تفسیر نکنید؛ ساختار نظری، الگوی بارها، بارهای متقاطع و قابلیت نام گذاری عامل ها را هم بررسی کنید.
استخراج عامل با PCA یکی نیست
SPSS چند روش استخراج در اختیار می گذارد. Principal Components Analysis یا PCA نیز در همان محیط در دسترس است، اما از نظر هدف مفهومی با مدل عامل مشترک یکسان نیست. اگر هدف شما شناسایی سازه های نهفته است، باید دلیل انتخاب روش استخراج را توضیح دهید و صرفاً گزینه پیش فرض نرم افزار را به عنوان تصمیم روش شناختی تلقی نکنید.
برای پروژه هایی که هدفشان کاهش بُعد داده است، PCA می تواند مناسب باشد؛ برای استنباط درباره عوامل نهفته، روش های عامل مشترک مانند Principal Axis Factoring یا Maximum Likelihood ممکن است با سؤال پژوهش سازگارتر باشند. انتخاب نهایی به مفروضات و هدف تحلیل بستگی دارد.
تعداد عامل ها را چگونه انتخاب کنیم؟
قاعده مقدار ویژه بزرگ تر از ۱ می تواند یکی از نشانه ها باشد، اما نباید تنها معیار تصمیم باشد. نمودار scree، منطق نظری، قابلیت تفسیر عامل ها و در صورت امکان روش هایی مانند تحلیل موازی می توانند تصویر کامل تری بدهند. اگر چند معیار نتایج متفاوتی می دهند، این اختلاف باید بررسی و مستند شود.
چرخش Varimax، Oblimin و Promax
چرخش برای خواناتر شدن ساختار بارهای عاملی استفاده می شود. در چرخش متعامد مانند Varimax، عامل ها نامرتبط نگه داشته می شوند. در چرخش مایل مانند Direct Oblimin یا Promax، عامل ها می توانند با هم همبستگی داشته باشند. اگر از نظر نظری انتظار دارید سازه ها به هم مرتبط باشند، مجبور کردن آن ها به استقلال ممکن است تصویر نامناسبی ایجاد کند.
KMO و Bartlett را چگونه تفسیر کنیم؟
KMO و آزمون Bartlett ابزارهای تشخیصی برای بررسی مناسب بودن ساختار همبستگی هستند، اما هیچ کدام به تنهایی کیفیت مدل نهایی را تضمین نمی کنند. مقدار KMO باید همراه با سایر شواهد بررسی شود و معناداری Bartlett فقط نشان می دهد ماتریس همبستگی با ماتریس همانی تفاوت دارد؛ این نتیجه به تنهایی تعیین نمی کند چند عامل وجود دارد یا ساختار نهایی چگونه است.
بار عاملی و بار متقاطع
یک آستانه ثابت برای همه رشته ها، حجم نمونه ها و طراحی ها مناسب نیست. هنگام تفسیر بارها علاوه بر اندازه بار، به فاصله بار اصلی از بارهای متقاطع، تعداد گویه های هر عامل، همخوانی محتوایی گویه ها و پایداری راه حل توجه کنید. حذف گویه فقط برای «زیباتر شدن» خروجی می تواند روایی محتوایی ابزار را آسیب بزند.
بعد از EFA چه گزارش کنیم؟
- دلیل استفاده از EFA و متغیرهای واردشده به تحلیل.
- روش استخراج و دلیل انتخاب آن.
- روش تعیین تعداد عامل ها و شواهد تصمیم.
- نوع چرخش و دلیل متعامد یا مایل بودن آن.
- شاخص های کفایت ماتریس و تصمیم های مربوط به حذف یا نگهداشت گویه ها.
- جدول بارهای عامل، بارهای متقاطع مهم و نام گذاری عامل ها.
- محدودیت های تحلیل و هر تصمیم حساس که می تواند نتیجه را تغییر دهد.
پایایی بعد از ساختار عاملی
پس از مشخص شدن ساختار، پایایی زیرمقیاس ها را با روشی متناسب با نوع داده و مدل اندازه گیری بررسی کنید. اگر از آلفای کرونباخ استفاده می کنید، محاسبه گر آلفای کرونباخ برای کنترل محاسبه در دسترس است؛ اما ضریب پایایی را جایگزین بررسی ساختار و روایی نکنید.
چک لیست EFA برای پایان نامه
- هدف تحلیل (کشف عامل نهفته یا کاهش بُعد) روشن است.
- روش استخراج با هدف تحلیل هم خوان است.
- تعداد عامل ها با بیش از یک شاهد ارزیابی شده است.
- نوع چرخش بر اساس انتظار نظری درباره همبستگی عامل ها انتخاب شده است.
- بارهای متقاطع و سازگاری محتوایی گویه ها بررسی شده اند.
- تصمیم حذف گویه فقط بر اساس یک عدد انجام نشده است.
- گزارش فصل چهارم امکان بازسازی تصمیم های اصلی تحلیل را به خواننده می دهد.
اگر EFA تنها بخشی از یک مسئله بزرگ تر در پژوهش شماست، صفحه انجام پایان نامه مسیر ارتباط روش، ابزار، تحلیل و فصل های پژوهش را یکجا نشان می دهد.
برای پرسش پژوهشی یا درخواست راهنمایی، فرم ثبت درخواست را ارسال کنید.