Skip to content
بازگشت به نتایج جست‌وجو

تحلیل عاملی

معرفی‌شده توسط
Louis Leon Thurstone
سال
1931
نوع
Method
خانواده
dimension-reduction

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل عاملی یک تکنیک آماری برای شناسایی ابعاد پنهان (مشاهده‌نشده) زیربنای متغیرهای مشاهده‌شده است که توسط لوئیس لئون تورستون در دهه ۱۹۳۰ توسعه یافته و توسط یورسکوگ (۱۹۶۹) صورت‌بندی شده است. تحلیل عاملی اکتشافی (EFA) ساختار عاملی ناشناخته را از داده‌ها کشف می‌کند؛ تحلیل عاملی تأییدی (CFA) روابط فرضی بین متغیرهای مشاهده‌شده و پنهان را آزمون می‌کند. تحلیل عاملی که در روان‌سنجی (توسعه آزمون)، تحقیقات سازمانی (اندازه‌گیری مفاهیم انتزاعی مانند سبک رهبری) و پزشکی زیستی (شناسایی زیرگروه‌های بیماری) ضروری است، ابعاد را کاهش داده و سازماندهی مفهومی را در داده‌های چندمتغیره آشکار می‌سازد.

شهود پشت روش

متغیرهای مشاهده‌شده (گویه‌های پرسشنامه، اندازه‌گیری‌ها) اغلب تجلی مفاهیم پنهان زیربنایی (هوش، شدت افسردگی، جو سازمانی) هستند که مستقیماً قابل اندازه‌گیری نیستند. تحلیل عاملی فرض می‌کند که همبستگی‌های بین متغیرهای مشاهده‌شده منعکس‌کننده عوامل پنهان مشترک است. ریاضیات ماتریس همبستگی را به واریانس مشترک (توضیح‌داده‌شده توسط عوامل) و واریانس منحصربه‌فرد (خطا و اثرات خاص گویه) تجزیه می‌کند. تحلیل عاملی اکتشافی می‌پرسد: کدام ساختار پنهان بهترین توضیح‌دهنده این همبستگی‌هاست؟ تحلیل عاملی تأییدی می‌پرسد: آیا ساختار پیشنهادی نظری با داده‌ها مطابقت دارد؟ این امر پژوهشگران را قادر می‌سازد تا مفاهیم انتزاعی را اندازه‌گیری کنند، ابزارهای سنجش را اعتبارسنجی کنند و سازماندهی ابعادی را در مجموعه داده‌های پیچیده درک کنند.

تاریخ

چارلز اسپیرمن (۱۹۰۴) تحلیل عاملی را برای توضیح همبستگی‌های مثبت بین توانایی‌های ذهنی (هوش عمومی «g») معرفی کرد. لوئیس لئون تورستون (۱۹۳۱) آن را به عوامل متعدد گسترش داد و روش‌های چرخش (مرکزی، محورهای اصلی) را توسعه داد. تحلیل عاملی تأییدی (۱۹۶۹) کارل یورسکوگ و مدل‌سازی معادلات ساختاری، آزمون فرضیه در مدل‌های متغیر پنهان را متحول کرد. معیار کایزر (کایزر، ۱۹۶۰) استخراج عامل مبتنی بر مقدار ویژه را استاندارد کرد. تحولات مدرن شامل نظریه پاسخ به گویه (راش، ۱۹۶۰)، روش‌های تخمین قوی (تخمین بدون توزیع) و تحلیل عاملی چندگروهی/چندسطحی برای مقایسه ساختارها در بین جمعیت‌ها یا داده‌های تو در تو است.

چه زمانی استفاده شود

هنگامی که ساختار ابعادی یک مفهوم اندازه‌گیری جدید را بررسی می‌کنید، مقیاس‌ها را اصلاح می‌کنید، یا روابط بین متغیرهای مشاهده‌شده را بدون نظریه قبلی درک می‌کنید، از EFA استفاده کنید. سنجش روان‌شناختی: انتخاب گویه برای غربالگری جدید افسردگی، مقیاس سنجش رهبری. پزشکی زیستی: شناسایی زیرگروه‌های بیماری از همبستگی علائم. هنگامی که مقیاس‌های توسعه‌یافته قبلی را اعتبارسنجی می‌کنید، مدل‌های اندازه‌گیری نظری را آزمون می‌کنید، یا ساختارهای عاملی رقیب را مقایسه می‌کنید، از CFA استفاده کنید. رایج در روان‌شناسی: تأیید مدل تک‌بعدی در مقابل چندبعدی یک مفهوم. همچنین از CFA به عنوان بخش اندازه‌گیری مدل‌های بزرگ‌تر معادلات ساختاری که متغیرهای پنهان را به پیامدها مرتبط می‌کنند، استفاده کنید و آزمون‌های میانجی‌گری و تعدیل‌گری را امکان‌پذیر می‌سازد.

محدودیت‌ها و ملاحظات

  • نتایج EFA وابسته به نمونه است؛ ساختار عاملی ممکن است در نمونه جدید تکرار نشود. همیشه یافته‌ها را اعتبارسنجی متقابل کنید یا از تحلیل عاملی تأییدی بر روی نمونه مستقل استفاده کنید.
  • روابط خطی بین متغیرها و عوامل را فرض می‌کند؛ اثرات غیرخطی یا آستانه‌ای شناسایی نمی‌شوند.
  • تفسیر ذهنی است: ساختار مقادیر ویژه و چرخش‌های مشابه می‌تواند تفاسیر متفاوتی ایجاد کند. چندین راه‌حل ممکن است به طور مساوی با داده‌ها برازش داشته باشند.
  • به نمونه‌های بزرگ برای تخمین‌های پایدار نیاز دارد: قاعده کلی تعداد نمونه > ۵ برابر متغیرها؛ نمونه‌های کوچک (تعداد نمونه < ۱۰۰) عوامل ناپایدار و غیرقابل تکرار تولید می‌کنند.
  • CFA فرض می‌کند مدل اندازه‌گیری از پیش درست است؛ اگر ساختار واقعی متفاوت باشد، معیارهای برازش مدل ممکن است عدم برازش را تشخیص ندهند (حداقل‌های محلی، مدل‌های معادل).

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • کاهش ابعاد: بسیاری از متغیرهای مشاهده‌شده به عوامل پنهان کمتر و قابل تفسیر فشرده می‌شوند و تحلیل و ارتباطات را ساده می‌کنند.
  • آشکارسازی مفاهیم پنهان: امکان اندازه‌گیری مفاهیم انتزاعی (هوش، شخصیت، فرهنگ سازمانی) را که مستقیماً قابل مشاهده نیستند، فراهم می‌کند.
  • مبنای آماری برای توسعه آزمون: از شواهد روایی برای سنجش‌های روان‌شناختی و آموزشی پشتیبانی می‌کند؛ CFA مدل‌های اندازه‌گیری را به طور رسمی اعتبارسنجی می‌کند.
  • انعطاف‌پذیر: داده‌های دودویی، ترتیبی و پیوسته را در بر می‌گیرد؛ داده‌های گمشده را از طریق حداکثر درست‌نمایی با اطلاعات کامل (FIML) در CFA مدیریت می‌کند.
  • به مدل‌های پیچیده تعمیم می‌یابد: پایه‌ای برای مدل‌سازی معادلات ساختاری که متغیرهای پنهان را به پیامدها مرتبط می‌کند و آزمون‌های میانجی‌گری و تعدیل‌گری را امکان‌پذیر می‌سازد.

کاربردها

  • توسعه آزمون روان‌شناختی: ساخت و اعتبارسنجی مقیاس‌های بالینی (افسردگی، اضطراب)، پرسشنامه‌های شخصیت (پنج بزرگ)، و آزمون‌های توانایی شناختی؛ ایجاد شواهد روایی.
  • تحقیقات سازمانی: اندازه‌گیری مفاهیم انتزاعی مانند رضایت شغلی، تعهد سازمانی، سبک رهبری؛ تأیید ماهیت چندبعدی مفاهیم پیچیده.
  • سنجش کیفیت زندگی: کاهش بسیاری از گویه‌های مرتبط با سلامت به ابعاد قابل تفسیر (عملکرد جسمی، روانی، اجتماعی) برای سنجش پیامد.
  • سنجش آموزشی: توسعه سنجش‌های برنامه درسی، ایجاد روایی آزمون‌های ورودی دانشگاه، کاهش مجموعه‌های گویه ضمن حفظ پوشش مفهومی.
  • پژوهش پزشکی زیستی: شناسایی فنوتیپ‌های متمایز بیماری از همبستگی علائم/نشانگرهای ژنتیکی (اندوتیپ‌ها)، کاهش داده‌های ژنومی با ابعاد بالا به ابعاد پنهان قابل تفسیر.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیل عاملی اکتشافی یا تأییدی را با جمع‌آوری داده‌ها بر روی چندین متغیر مشاهده‌شده (معمولاً بیش از ۵) از یک نمونه به اندازه کافی بزرگ (قاعده کلی: تعداد نمونه > ۵ برابر تعداد متغیرها، یا حداقل مطلق تعداد نمونه ≥ ۱۰۰؛ ایده‌آل تعداد نمونه > ۲۰۰) اجرا کنید. برای EFA: داده‌ها را بدون فرضیه قبلی در مورد ساختار عاملی جمع‌آوری کنید؛ متغیرها باید تا حد معقولی با هم همبسته باشند (ماتریس همبستگی را بررسی کنید؛ همبستگی‌های کمتر از ۰.۳ نشان‌دهنده احتمال کم وجود عوامل است). کفایت نمونه‌گیری را ارزیابی کنید: آزمون کایزر-مایر-اولکین (KMO) بزرگی همبستگی‌ها را با همبستگی‌های جزئی مقایسه می‌کند؛ KMO > ۰.۶ قابل قبول، > ۰.۷ خوب است. آزمون کرویت بارتلت باید معنی‌دار باشد (p < ۰.۰۵)، که نشان‌دهنده تفاوت همبستگی‌ها با ماتریس همانی است. برای CFA: یک ساختار عاملی فرضی را بر اساس نظریه و تحقیقات قبلی از پیش مشخص کنید.

2

برای تحلیل عاملی اکتشافی: عوامل را با استفاده از عامل‌یابی محور اصلی (PAF) یا حداکثر درست‌نمایی (ML) استخراج کنید. معیار کایزر: عواملی با مقادیر ویژه (eigenvalues) > ۱ را حفظ کنید. نمودار اسکری (Scree plot): مقادیر ویژه را به ترتیب نزولی رسم کنید؛ عوامل قبل از نقطه خمیدگی (کاهش بازده) را حفظ کنید. تحلیل موازی: مقادیر ویژه را با مقادیر ویژه داده‌های تصادفی مقایسه کنید؛ عواملی را که از معیار تصادفی فراتر می‌روند حفظ کنید. عوامل را چرخش دهید (varimax = متعامد/نامرتبط، oblimin = مایل/مرتبط) تا تفسیرپذیری بهبود یابد و ساختار ساده (هر متغیر به شدت بر یک عامل بار می‌گیرد) حاصل شود. بارهای عاملی (همبستگی بین متغیرها و عوامل) را گزارش کنید: معمولاً |بار عاملی| > ۰.۴ قابل توجه در نظر گرفته می‌شود؛ بارهای عاملیی > ۰.۷ قوی هستند. اشتراکی‌ها (communalities) را محاسبه کنید: نسبت واریانس هر متغیر که توسط عوامل توضیح داده می‌شود؛ اشتراکی‌های پایین (<۰.۳) نشان‌دهنده برازش ضعیف برای آن متغیر است. برای تحلیل عاملی تأییدی: مدل فرضی را با استفاده از نرم‌افزار مدل‌سازی معادلات ساختاری (SEM) برازش دهید. شاخص‌های برازش مدل را گزارش کنید: CFI (شاخص برازش مقایسه‌ای) > ۰.۹۵، TLI (شاخص تاکر-لوئیس) > ۰.۹۵، RMSEA (خطای میانگین مربعات ریشه تقریب) < ۰.۰۶، SRMR (باقیمانده میانگین مربعات استاندارد) < ۰.۰۸ (Hu & Bentler, 1999).

3

در EFA، عوامل پنهان را با بررسی اینکه کدام متغیرها بر هر عامل بار عاملی بالایی دارند، شناسایی کنید؛ عامل را بر اساس محتوای متغیر به صورت مفهومی تفسیر کنید. به عنوان مثال، اگر گویه‌های مربوط به غم، ناامیدی و بی‌لذتی همگی بر یک عامل با بار عاملی > ۰.۶ قرار گیرند، آن را «افسردگی» نام‌گذاری کنید. واریانس‌های توضیح‌داده‌شده توسط عوامل را گزارش کنید: مجموع مربعات بارهای عاملی تقسیم بر تعداد متغیرها × ۱۰۰٪ واریانس را به ازای هر عامل نشان می‌دهد؛ مجموع عوامل نشان‌دهنده برازش کلی است. پایایی در هر عامل: ضریب آلفای کرونباخ (≥۰.۷۰ قابل قبول، ≥۰.۸۰ خوب) را بر روی متغیرهایی که بر آن عامل بار دارند، محاسبه کنید. در CFA، بارهای عاملی استاندارد شده را بررسی کنید (همه باید > ۰.۴، ایده‌آل > ۰.۶ باشند)؛ بارهای عاملیی غیرمعنی‌دار نشان‌دهنده این است که گویه‌ها به خوبی مفهوم را اندازه‌گیری نمی‌کنند. شاخص‌های برازش مدل: برآورده کردن تمام معیارها (CFI > ۰.۹۵، RMSEA < ۰.۰۶) از مدل پیشنهادی پشتیبانی می‌کند. شاخص‌های اصلاح پیشنهاددهنده مسیرهای جایگزین هستند؛ با این حال، دستکاری مدل مبتنی بر داده (پس از وقوع) اعتبار مدل را به خطر می‌اندازد - از نمونه‌های اعتبارسنجی متقابل برای آزمون مدل‌های اصلاح‌شده استفاده کنید. واریانس توضیح‌داده‌شده توسط متغیر پنهان برای هر متغیر مشاهده‌شده (R²) را گزارش کنید.

دام‌های رایج

  • EFA مبتنی بر داده با نمونه‌های کوچک: بر اساس شانس عمل می‌کند؛ تکرارپذیری در نمونه جدید ضعیف است. همیشه EFA را بر روی نمونه اکتشافی انجام دهید و در نمونه نگه‌داشته‌شده اعتبارسنجی کنید.
  • استخراج عوامل صرفاً بر اساس معیار کایزر (مقدار ویژه > ۱)؛ نمودار اسکری و تحلیل موازی راهنمایی اضافی ارائه می‌دهند و اغلب عوامل کمتری را پیشنهاد می‌کنند.
  • حفظ عوامل غیرقابل تفسیر: اگر عاملی را نتوان از نظر مفهومی برچسب‌گذاری کرد یا شامل بارهای عاملیی نامرتبط مفهومی بود، به جای اجبار تفسیر، آن را حذف کنید.
  • خطاهای مشخصه‌سازی مدل CFA: مشخص کردن نادرست ساختار عاملی، حذف مسیرهای مرتبط نظری، یا اجازه دادن به خطاهای همبسته بدون توجیه، روایی را به خطر می‌اندازد.
  • تفسیر نادرست بزرگی بار عاملی عاملی: بارهای عاملی همبستگی‌اند، نه رگرسیون؛ بار عاملی ۰.۵ تنها ۲۵٪ از واریانس متغیر را توضیح می‌دهد (R² = ۰.۵²).
  • استفاده از چرخش نامناسب: varimax (متعامد) عوامل نامرتبط را تحمیل می‌کند؛ oblimin (مایل) اجازه همبستگی را می‌دهد. بر اساس نظریه انتخاب کنید؛ چرخش متعامد اغلب غیرواقعی است.

پرسش‌های متداول

تفاوت بین تحلیل عاملی اکتشافی و تأییدی چیست؟

تحلیل عاملی اکتشافی (EFA) ساختار پنهان را از داده‌ها بدون نظریه قبلی کشف می‌کند؛ شما اجازه می‌دهید داده‌ها تعیین کنند که چند عامل و کدام متغیرها بر کدام عوامل بار عاملی می‌شوند. از EFA هنگام بررسی یک مفهوم یا مقیاس جدید استفاده کنید. تحلیل عاملی تأییدی (CFA) ساختار عاملی فرضی را که قبل از تحلیل بر اساس نظریه و تحقیقات قبلی مشخص شده است، آزمون می‌کند. CFA آزمون‌های برازش رسمی ارائه می‌دهد و از نظر آماری دقیق‌تر است. رویه استاندارد: EFA را بر روی نمونه آموزشی انجام دهید تا مدل پیشنهاد شود، سپس با CFA بر روی نمونه آزمایشی مستقل اعتبارسنجی کنید (یا از اعتبارسنجی متقابل استفاده کنید). هرگز EFA را بر روی همان نمونه‌ای که برای اعتبارسنجی CFA استفاده شده است، انجام ندهید.

چند عامل باید استخراج کنم؟ نمودار اسکری چه چیزی را به من می‌گوید؟

معیارهای متعددی استخراج عامل را هدایت می‌کنند: (۱) معیار کایزر (مقدار ویژه > ۱) سنتی است اما اغلب عوامل زیادی را پیشنهاد می‌کند. (۲) نمودار اسکری: مقادیر ویژه به ترتیب نزولی رسم می‌شوند؛ عوامل قبل از نقطه خمیدگی (نقطه‌ای که بازده کاهشی شروع می‌شود) را حفظ کنید. «اسکری» شیب بعد از نقطه خمیدگی است. (۳) تحلیل موازی: مقادیر ویژه تجربی را با مقادیر ویژه جایگشت‌های تصادفی مقایسه کنید؛ فقط عواملی را حفظ کنید که از خط پایه تصادفی فراتر می‌روند. تحلیل موازی از نظر آماری قابل دفاع‌ترین است. (۴) تفسیرپذیری: فقط عواملی را حفظ کنید که می‌توانید از نظر مفهومی برچسب‌گذاری و توضیح دهید. معیارهای مختلف اغلب تعداد متفاوتی را نتیجه می‌دهند؛ چندین روش و نظریه را مشورت کنید.

بار عاملی ۰.۶ به چه معناست و چه تفاوتی با ضریب پایایی دارد؟

بار عاملی ۰.۶ همبستگی بین یک متغیر مشاهده‌شده و یک عامل پنهان است؛ نشان می‌دهد که متغیر به اندازه‌گیری آن عامل کمک می‌کند. مربع بار عاملی (۰.۶² = ۰.۳۶) نسبت واریانس متغیر است که توسط عامل توضیح داده می‌شود. بارهای عاملیی > ۰.۴ حداقل قابل قبول هستند؛ > ۰.۶ قوی است. ضریب پایایی (آلفای کرونباخ، معمولاً ≥۰.۷۰) سازگاری داخلی را اندازه‌گیری می‌کند: درجه‌ای که چندین متغیر اندازه‌گیری‌کننده یک مفهوم مشابه با یکدیگر همبستگی دارند. بار عاملی رابطه با عامل پنهان را نشان می‌دهد؛ آلفا نشان می‌دهد که آیا متغیرها با هم به طور مداوم یک مفهوم را اندازه‌گیری می‌کنند. هر دو مهم هستند: بارهای عاملیی بالا و آلفای بالا با هم از یک بعد پنهان همگن پشتیبانی می‌کنند.

چگونه متغیرهایی با اشتراکی‌های پایین را مدیریت کنم؟

اشتراکی، نسبت واریانس یک متغیر است که توسط همه عوامل توضیح داده می‌شود (مجموع مربعات بارهای عاملی در بین عوامل). اشتراکی‌های پایین (<۰.۳) نشان می‌دهد که متغیر به خوبی توسط عوامل نشان داده نمی‌شود، به این دلیل که: (۱) یک مفهوم منحصربه‌فرد را اندازه‌گیری می‌کند که توسط مدل عاملی گرفته نشده است، (۲) ناپایا/پرنوفه است، یا (۳) راه‌حل عاملی نادرست است. گزینه‌ها: متغیر را حذف کنید (مدل را در صورت توجیه نظری ساده کنید)، عوامل را اضافه کنید (ممکن است بیش از حد برازش شود)، یا بررسی کنید که آیا متغیر واقعاً به مقیاس تعلق دارد. همیشه محتوای گویه را بررسی کنید؛ گاهی اوقات اشتراکی پایین نشان‌دهنده یک گویه بد نوشته شده است تا عدم برازش مفهومی.

روش‌های مرتبط

منابع

  1. Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.

    باز کردن مرجع DOI
    کپی شد.
  2. Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.

    باز کردن مرجع DOI
    کپی شد.
  3. Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.

    باز کردن مرجع DOI
    کپی شد.