تحليل العوامل
- قدّمه
- Louis Leon Thurstone
- السنة
- 1931
- النوع
- Method
- العائلة
- dimension-reduction
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تحليل العوامل هو تقنية إحصائية لتحديد الأبعاد الكامنة (غير المرصودة) التي تكمن وراء المتغيرات المرصودة، طورها لويس ليون ثورستون في ثلاثينيات القرن العشرين ووضعها جوريسكو (1969) في صيغة رسمية. يكشف تحليل العوامل الاستكشافي (EFA) عن بنية عوامل غير معروفة من البيانات؛ ويختبر تحليل العوامل التأكيدي (CFA) العلاقات المفترضة بين المتغيرات المرصودة والكامنة. يعد تحليل العوامل أساسيًا في القياس النفسي (تطوير الاختبارات)، والبحوث التنظيمية (قياس المفاهيم مثل أسلوب القيادة)، والطب الحيوي (تحديد الأنواع الفرعية للأمراض)، حيث يقلل من الأبعاد مع الكشف عن التنظيم المفاهيمي في البيانات متعددة المتغيرات.
الفكرة الحدسية وراء الطريقة
غالباً ما تكون المتغيرات المرصودة (بنود الاستبيان، القياسات) مظاهر لمفاهيم كامنة أساسية (الذكاء، شدة الاكتئاب، المناخ التنظيمي) لا يمكن قياسها بشكل مباشر. يفترض تحليل العوامل أن الارتباطات بين المتغيرات المرصودة تعكس عوامل كامنة مشتركة. تقوم الرياضيات بتحليل مصفوفة الارتباط إلى تباين مشترك (تفسره العوامل) وتباين فريد (خطأ وتأثيرات خاصة بالبند). يسأل تحليل العوامل الاستكشافي: ما هي البنية الكامنة التي تفسر هذه الارتباطات على أفضل وجه؟ يسأل تحليل العوامل التأكيدي: هل تتناسب البنية المقترحة نظريًا مع البيانات؟ يتيح ذلك للباحثين قياس المفاهيم المجردة، والتحقق من صحة أدوات التقييم، وفهم التنظيم البعدي في مجموعات البيانات المعقدة.
التاريخ
قدم تشارلز سبيرمان (1904) تحليل العوامل لتفسير الارتباطات الإيجابية بين القدرات العقلية (الذكاء العام 'g'). وسع لويس ليون ثورستون (1931) ليشمل عوامل متعددة وطور طرق الدوران (المركزي، المحاور الرئيسية). أحدث تحليل العوامل التأكيدي (CFA) ونمذجة المعادلات الهيكلية لكارل جوريسكو (1969) ثورة في اختبار الفرضيات في نماذج المتغيرات الكامنة. قام معيار Kaiser (Kaiser, 1960) بتوحيد استخراج العوامل القائم على القيم الذاتية. تشمل التطورات الحديثة نظرية استجابة البند (Rasch, 1960)، وطرق التقدير القوية (التقدير الخالي من التوزيع)، وتحليل العوامل متعدد المجموعات/المستويات لمقارنة الهياكل عبر المجموعات السكانية أو البيانات المتداخلة.
متى تُستخدم
استخدم تحليل العوامل الاستكشافي (EFA) عند استكشاف البنية البعدية لمفهوم قياس جديد، أو تحسين المقاييس، أو فهم العلاقات بين المتغيرات المرصودة دون نظرية مسبقة. التقييم النفسي: اختيار البنود لمقياس جديد للكشف عن الاكتئاب، مقياس تقييم القيادة. الطب الحيوي: تحديد الأنواع الفرعية للأمراض من ارتباطات الأعراض. استخدم تحليل العوامل التأكيدي (CFA) عند التحقق من صحة المقاييس المطورة سابقًا، أو اختبار نماذج القياس النظرية، أو مقارنة هياكل العوامل المتنافسة. شائع في علم النفس: تأكيد النموذج أحادي البعد مقابل متعدد الأبعاد لمفهوم ما. استخدم أيضًا CFA كجزء قياس لنماذج المعادلات الهيكلية الأكبر التي تربط المتغيرات الكامنة بالنتائج.
الحدود والاعتبارات
- نتائج تحليل العوامل الاستكشافي (EFA) تعتمد على العينة؛ قد لا تتكرر بنية العوامل في عينة جديدة. قم دائمًا بالتحقق المتقاطع من النتائج أو استخدم تحليل العوامل التأكيدي على عينة مستقلة.
- يفترض وجود علاقات خطية بين المتغيرات والعوامل؛ لا يتم اكتشاف التأثيرات غير الخطية أو التأثيرات العتبية.
- التفسير ذاتي: يمكن أن تؤدي بنية القيم الذاتية المتشابهة والدورانات المختلفة إلى تفسيرات مختلفة. قد تتناسب حلول متعددة مع البيانات بنفس القدر.
- يتطلب عينات كبيرة للحصول على تقديرات مستقرة: قاعدة عامة حجم العينة > 5 × عدد المتغيرات؛ العينات الصغيرة (حجم العينة < 100) تنتج عوامل غير مستقرة وغير قابلة للتكرار.
- يفترض CFA أن نموذج القياس صحيح مسبقًا؛ إذا اختلفت البنية الحقيقية، فقد لا تكتشف مقاييس ملاءمة النموذج عدم التحديد (الحد الأدنى المحلي، النماذج المكافئة).
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- تقليل الأبعاد: ضغط العديد من المتغيرات المرصودة إلى عوامل كامنة أقل قابلية للتفسير، مما يبسط التحليل والتواصل.
- الكشف عن المفاهيم الكامنة: يتيح قياس المفاهيم المجردة (الذكاء، الشخصية، الثقافة التنظيمية) التي لا يمكن ملاحظتها بشكل مباشر.
- أساس إحصائي لتطوير الاختبارات: يدعم أدلة الصلاحية للتقييمات النفسية والتعليمية؛ يؤكد CFA رسميًا نماذج القياس.
- مرونة: يتكيف مع البيانات الثنائية، والترتيبية، والمستمرة؛ يتعامل مع البيانات المفقودة عبر الاحتمالية القصوى لكامل المعلومات (FIML) في CFA.
- يمتد إلى نماذج معقدة: أساس لنمذجة المعادلات الهيكلية التي تربط المتغيرات الكامنة بالنتائج، مما يتيح اختبارات الوساطة والتعديل.
التطبيقات
- تطوير الاختبارات النفسية: بناء والتحقق من صحة المقاييس السريرية (الاكتئاب، القلق)، وقوائم الشخصية (العوامل الخمسة الكبرى)، واختبارات القدرات المعرفية؛ إثبات أدلة الصلاحية.
- البحث التنظيمي: قياس مفاهيم مثل الرضا الوظيفي، والالتزام التنظيمي، وأسلوب القيادة؛ تأكيد الطبيعة متعددة الأبعاد للمفاهيم المعقدة.
- تقييم جودة الحياة: تقليل العديد من بنود الصحة إلى أبعاد قابلة للتفسير (الوظائف الجسدية والعقلية والاجتماعية) لقياس النتائج.
- التقييم التربوي: تطوير تقييمات المناهج، وإثبات صلاحية امتحانات القبول الجامعي، وتقليل مجموعات البنود مع الحفاظ على التغطية المفاهيمية.
- البحث الطبي الحيوي: تحديد أنماط ظاهرية مميزة للأمراض من ارتباطات الأعراض/العلامات الوراثية (الأنماط الداخلية)، وتقليل البيانات الجينومية عالية الأبعاد إلى أبعاد كامنة قابلة للتفسير.
كيف يعمل
كيف يعمل
قم بإجراء تحليل العوامل الاستكشافي أو التأكيدي عن طريق جمع بيانات حول متغيرات مرصودة متعددة (عادةً > 5) من عينة كبيرة بما فيه الكفاية (قاعدة عامة: حجم العينة > 5 × عدد المتغيرات، أو الحد الأدنى المطلق حجم العينة ≥ 100؛ ويفضل حجم العينة > 200). بالنسبة لتحليل العوامل الاستكشافي (EFA): اجمع البيانات دون فرضية مسبقة حول بنية العوامل؛ يجب أن تكون المتغيرات مترابطة بشكل معقول (تحقق من مصفوفة الارتباط؛ تشير جميع الارتباطات < 0.3 إلى أن العوامل غير مرجحة). قم بتقييم مدى ملاءمة العينة: يقارن اختبار Kaiser-Meyer-Olkin (KMO) حجم الارتباطات بالارتباطات الجزئية؛ يعتبر KMO > 0.6 مقبولاً، و > 0.7 جيداً. يجب أن يكون اختبار Bartlett للتكور ذا دلالة إحصائية (p < 0.05)، مما يشير إلى أن الارتباطات تختلف عن مصفوفة الهوية. بالنسبة لتحليل العوامل التأكيدي (CFA): حدد بنية عوامل مفترضة مسبقًا بناءً على النظرية والبحث السابق.
بالنسبة لتحليل العوامل الاستكشافي: استخرج العوامل باستخدام تحليل المحور الرئيسي (PAF) أو الاحتمالية القصوى (ML). معيار Kaiser: احتفظ بالعوامل ذات القيم الذاتية > 1. مخطط الانحدار (Scree plot): ارسم القيم الذاتية بترتيب تنازلي؛ احتفظ بالعوامل قبل نقطة الانحناء (تناقص العوائد). التحليل المتوازي: قارن القيم الذاتية بتلك الناتجة عن بيانات عشوائية؛ احتفظ فقط بالعوامل التي تتجاوز المعيار العشوائي. قم بتدوير العوامل (varimax = متعامدة/غير مترابطة، oblimin = مائلة/مترابطة) لتحسين قابلية التفسير وتحقيق البنية البسيطة (كل متغير يرتبط بقوة بعامل واحد). قم بالإبلاغ عن تحميلات العوامل (الارتباطات بين المتغيرات والعوامل): عادةً ما يعتبر |تحميل| > 0.4 ذا أهمية؛ والتحميلات > 0.7 قوية. احسب المشتركات (communalities): نسبة تباين كل متغير يفسره العوامل؛ المشتركات المنخفضة (<0.3) تشير إلى ملاءمة ضعيفة لهذا المتغير. بالنسبة لتحليل العوامل التأكيدي: قم بملاءمة النموذج المفترض باستخدام برامج نمذجة المعادلات الهيكلية (SEM). قم بالإبلاغ عن مؤشرات ملاءمة النموذج: CFI (مؤشر الملاءمة المقارن) > 0.95، TLI (مؤشر تاكر-لويس) > 0.95، RMSEA (متوسط مربع خطأ التقريب) < 0.06، SRMR (متوسط مربع الخطأ المعياري المتبقي) < 0.08 (Hu & Bentler, 1999).
في تحليل العوامل الاستكشافي (EFA)، حدد العوامل الكامنة عن طريق فحص المتغيرات التي تحمل تحميلات عالية على كل عامل؛ فسر العامل مفاهيميًا بناءً على محتوى المتغير. على سبيل المثال، إذا كانت البنود المتعلقة بالحزن، واليأس، وفقدان المتعة تحمل تحميلات > 0.6 على عامل واحد، فقم بتسميته 'الاكتئاب'. قم بالإبلاغ عن تباين العوامل المفسر: مجموع مربعات التحميلات مقسومًا على عدد المتغيرات × 100% يعطي التباين لكل عامل؛ يشير المجموع عبر العوامل إلى الملاءمة الإجمالية. الموثوقية داخل كل عامل: احسب معامل ألفا لكرونباخ (≥0.70 مقبول، ≥0.80 جيد) على المتغيرات التي تحمل تحميلات على هذا العامل. في تحليل العوامل التأكيدي (CFA)، افحص التحميلات المعيارية للعوامل (يجب أن تكون جميعها > 0.4، ويفضل > 0.6)؛ تشير التحميلات غير ذات الدلالة الإحصائية إلى أن البنود تقيس المفهوم بشكل ضعيف. مؤشرات ملاءمة النموذج: استيفاء جميع المعايير (CFI > 0.95، RMSEA < 0.06) يدعم النموذج المقترح. تشير مؤشرات التعديل إلى مسارات بديلة؛ ومع ذلك، فإن تعديل النموذج بناءً على البيانات (بعد التحليل) يضر بصلاحية النموذج - استخدم عينات التحقق المتقاطع لاختبار النماذج المعدلة. قم بالإبلاغ عن التباين الذي يفسره المتغير الكامن لكل متغير مرصود (R²).
الأخطاء الشائعة
- تحليل العوامل الاستكشافي (EFA) القائم على البيانات مع عينات صغيرة: يستغل الصدفة؛ قابلية التكرار في عينة جديدة ضعيفة. قم دائمًا بإجراء EFA على عينة استكشافية والتحقق من صحتها في عينة منفصلة.
- استخراج العوامل بناءً على معيار Kaiser (القيمة الذاتية > 1) وحده؛ يوفر مخطط الانحدار والتحليل المتوازي إرشادات إضافية وغالبًا ما يقترح عددًا أقل من العوامل.
- الاحتفاظ بعوامل غير قابلة للتفسير: إذا لم يكن من الممكن تسمية عامل مفاهيميًا أو إذا كان يحتوي على تحميلات غير مترابطة مفاهيميًا، ففكر في إزالته بدلاً من فرض تفسير.
- أخطاء تحديد نموذج CFA: تحديد بنية العوامل بشكل غير صحيح، أو حذف مسارات ذات صلة نظريًا، أو السماح بأخطاء مترابطة دون مبرر يضر بالصلاحية.
- تفسير خاطئ لحجم تحميل العامل: التحميلات هي ارتباطات، وليست انحدارات؛ تحميل 0.5 يفسر فقط 25% من تباين المتغير (R² = 0.5²).
- استخدام دوران غير مناسب: varimax (متعامد) يفرض عوامل غير مترابطة؛ oblimin (مائل) يسمح بالارتباطات. اختر بناءً على النظرية؛ الدوران المتعامد غالبًا ما يكون غير واقعي.
الأسئلة الشائعة
ما هو الفرق بين تحليل العوامل الاستكشافي وتحليل العوامل التأكيدي؟
يكشف تحليل العوامل الاستكشافي (EFA) عن بنية كامنة من البيانات دون نظرية مسبقة؛ أنت تسمح للبيانات بتوجيه عدد العوامل والمتغيرات التي تحمل تحميلات على أي عوامل. استخدم EFA عند التحقيق في مفهوم أو مقياس جديد. يختبر تحليل العوامل التأكيدي (CFA) بنية عوامل مفترضة تم تحديدها قبل التحليل بناءً على النظرية والبحث السابق. يوفر CFA اختبارات ملاءمة رسمية وهو أكثر صرامة من الناحية الإحصائية. الممارسة القياسية: قم بإجراء EFA على عينة تدريبية لاقتراح نموذج، ثم تحقق من صحته باستخدام CFA على عينة اختبار مستقلة (أو استخدم التحقق المتقاطع). لا تقم أبدًا بإجراء EFA على نفس العينة المستخدمة للتحقق من صحة CFA.
كم عدد العوامل التي يجب أن أستخرجها؟ ماذا يخبرني مخطط الانحدار؟
ترشد معايير متعددة استخراج العوامل: (1) معيار Kaiser (القيمة الذاتية > 1) هو التقليدي ولكنه غالبًا ما يقترح عددًا كبيرًا جدًا من العوامل. (2) مخطط الانحدار (Scree plot): القيم الذاتية مرسومة بترتيب تنازلي؛ احتفظ بالعوامل قبل نقطة الانحناء (النقطة التي تبدأ فيها تناقص العوائد). 'الانحدار' هو المنحدر بعد نقطة الانحناء. (3) التحليل المتوازي: قارن القيم الذاتية التجريبية بتلك الناتجة عن تباديل عشوائية؛ احتفظ فقط بالعوامل التي تتجاوز خط الأساس العشوائي. التحليل المتوازي هو الأكثر قابلية للدفاع عنه إحصائيًا. (4) قابلية التفسير: احتفظ فقط بالعوامل التي يمكنك تسميتها وتفسيرها مفاهيميًا. غالبًا ما تؤدي المعايير المختلفة إلى أعداد مختلفة؛ استشر طرقًا متعددة والنظرية.
ماذا يعني تحميل العامل 0.6، وكيف يختلف عن معامل الموثوقية؟
تحميل العامل 0.6 هو الارتباط بين متغير مرصود وعامل كامن؛ يشير إلى أن المتغير يساهم في قياس هذا العامل. التحميل المربع (0.6² = 0.36) هو نسبة تباين المتغير التي يفسرها العامل. التحميلات > 0.4 مقبولة بشكل أدنى؛ > 0.6 قوية. يقيس معامل الموثوقية (ألفا كرونباخ، عادةً ≥0.70) الاتساق الداخلي: الدرجة التي ترتبط بها متغيرات متعددة تقيس نفس المفهوم ببعضها البعض. يوضح التحميل العلاقة بالعامل الكامن؛ يوضح ألفا ما إذا كانت المتغيرات معًا تقيس باستمرار مفهومًا واحدًا. كلاهما مهم: التحميلات العالية وألفا العالية معًا تدعم بعدًا كامنًا متجانسًا.
كيف أتعامل مع المتغيرات ذات المشتركات المنخفضة؟
المشتركة هي نسبة تباين المتغير التي تفسرها جميع العوامل (مجموع مربعات التحميلات عبر العوامل). المشتركات المنخفضة (<0.3) تشير إلى أن المتغير ممثل بشكل ضعيف بواسطة العوامل، إما لأن: (1) إنه يقيس مفهومًا فريدًا لا يلتقطه نموذج العوامل، (2) إنه غير موثوق به/ضوضائي، أو (3) حل العوامل غير صحيح. الخيارات: إزالة المتغير (تبسيط النموذج إذا كان مبررًا نظريًا)، إضافة عوامل (قد يؤدي إلى ملاءمة زائدة)، أو التحقيق فيما إذا كان المتغير ينتمي حقًا إلى المقياس. افحص دائمًا محتوى البند؛ في بعض الأحيان يعكس انخفاض المشتركة بندًا سيئ الصياغة بدلاً من عدم ملاءمة مفاهيمية.
طرق ذات صلة
المصادر
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
افتح مرجع DOIتم النسخ.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
افتح مرجع DOIتم النسخ.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
افتح مرجع DOIتم النسخ.