تحلیل عاملی

تحلیل عاملی (Factor Analysis) روشی آماری جهت پی بردن به متغیرهای زیر بنایی یک پدیده یا تلخیص مجموعه‌ای از داده‌ها می‌باشد. از این روش با عنوان مدل اندازه‌گیری نیز یاد می‌شود که بخشی از مدل معادلات ساختاری است. در این مقاله روش «تحلیل عاملی» و اهداف آن از منظر تاییدی و اکتشافی تشریح و آموزش داده خواهد شد.

تعریف تحلیل عاملی

تحلیل عاملی روشی برای شناسایی یا تایید گویه‌های سنجش (متغیرهای مشاهده‌پذیر) یک یا چند سازه اصلی (متغیرهای پنهان) است. با این روش می‌توان سنجش یک سازه بزرگ و انتزاعی را اعتبارسنجی کرد.

تحلیل عاملی روشی آماری برای کاهش داده‌ها و کشف ساختار پنهان میان متغیرها است. این روش بررسی می‌کند آیا مجموعه‌ای از گویه‌ها می‌توانند در قالب چند «عامل» یا «سازه» مشترک خلاصه شوند.

متغیر پنهان (Latent Variable) سازه‌ای است که به‌طور مستقیم قابل مشاهده یا اندازه‌گیری نیست، اما از طریق مجموعه‌ای از گویه‌ها یا شاخص‌های قابل مشاهده سنجیده می‌شود. این نوع متغیر معمولاً مفاهیمی مانند نگرش، رضایت، تعهد، نوآوری یا کیفیت خدمات را بازنمایی می‌کند و تحلیل عاملی به ما کمک می‌کند ساختار آن را تأیید یا کشف کنیم.

متغیر مشاهده‌پذیر (Observed Variable) همان گویه‌ها یا پرسش‌هایی هستند که به‌صورت مستقیم توسط پاسخ‌دهندگان تکمیل می‌شوند و داده واقعی برای مدل فراهم می‌کنند. این متغیرها نقش نشانگر دارند و مقدار آن‌ها حاوی اطلاعات لازم برای استنباط مقدار متغیر پنهان است.

انواع تحلیل عاملی

انواع تحلیل عاملی براساس هدف شامل دو دسته اصلی است:

• تحلیل عاملی اکتشافی (EFA)
• تحلیل عاملی تاییدی (CFA)

اگر تعداد زیادی گویه (Item) در دست باشد و هیچ دسته‌بندی پیش فرضی برای آنها وجود نداشته باشد از رویکرد اکتشافی استفاده خواهد شد. بنابراین از رویکرد اکتشافی برای شناخت سازه‌های زیربنایی گویه‌ها استفاده می‌شود.

چنانچه در یک پژوهش سازه‌های اصلی موجود باشد و برای سنجش هر سازه گویه‌ها را براساس ابعاد شناسائی کرده باشید باید از تحلیل عاملی تائیدی استفاده کنید. برای نمونه در یک پرسشنامه محقق‌ساخته می‌توان با این روش روایی سازه را به‌عمل آورد.

پیش‌فرض‌های تحلیل عاملی

تحلیل عاملی برای شناسایی ساختار پنهان میان گویه‌ها به مجموعه‌ای از پیش‌فرض‌های آماری نیاز دارد.

نخست اینکه داده‌ها باید تا حد قابل‌قبولی نرمال باشند. این شرط در CFA اهمیت بیشتری دارد، درحالی‌که EFA نسبت به انحراف از نرمالیت حساسیت کمتری دارد.

مقیاس اندازه‌گیری ترجیحاً فاصله‌ای است، اما در پژوهش‌های مدیریت، طیف لیکرت به‌طور عرفی به‌عنوان داده فاصله‌ای تقریبی پذیرفته می‌شود و مانع اجرای تحلیل نیست.

حجم نمونه باید کافی باشد و معمولاً ۵ تا ۱۰ نفر برای هر گویه یا حداقل ۱۵۰ تا ۳۰۰ مشاهده پیشنهاد می‌شود.

وجود همبستگی معنادار میان گویه‌ها ضروری است؛ شاخص KMO بالاتر از ۰٫۶ و معناداری آزمون Bartlett این شرط را تأیید می‌کند.

رویکرد اکتشافی با SPSS یا LISREL و رویکرد تأییدی با AMOS یا LISREL انجام می‌شود؛ در حالی‌که SmartPLS نسخه کلاسیک CFA را ارائه نمی‌کند. رعایت این پیش‌فرض‌ها دقت استخراج عوامل و روایی سازه‌ها را در پژوهش‌های مدیریتی تضمین می‌کند.

حجم نمونه تحلیل عاملی

براساس قوانین سرانگشتی، در تحلیل اکتشافی به ازای هر گویه (متغیر قابل مشاهده) به ۱۰ نمونه نیاز است. حداقل حجم نمونه تحلیل اکتشافی نباید از ۳۰۰ کمتر باشد. برای مثال اگر ۲۰ سوال وجود داشته باشد نمونه برابر ۲۰۰ نیست و باید حداقل ۳۰۰ نمونه داشته باشید.

در تحلیل عاملی تاییدی به ازای هر عامل (متغیر پنهان) به ۲۰ نمونه نیاز است. حداقل حجم نمونه تحلیل تاییدی نباید از ۲۰۰ کمتر باشد. برای مثال اگر ۵ عامل وجود داشته باشد نمونه برابر ۱۰۰ نیست و باید حداقل ۲۰۰ نمونه داشته باشید.

مک‌کالوم و همکاران در دو مطالعه مهم (۱۹۹۶ و ۲۰۰۱) نشان دادند که حجم نمونه مناسب در تحلیل عاملی را نمی‌توان با یک نسبت ساده مانند «مشاهده به متغیر» تعیین کرد؛ بلکه باید ویژگی‌های مدل و خطاهای آماری را هم‌زمان در نظر گرفت. یافته‌های اصلی آن‌ها چنین است: حجم نمونه تحلیل عاملی باید بر اساس بارهای عاملی، تعداد عوامل، پیچیدگی مدل و شاخص‌های برازش محاسبه شود؛ نه یک نسبت ثابت.

دانلود مقاله‌های مک‌کالوم و همکاران

تحلیل عاملی اکتشافی (EFA)

در تحلیل عاملی اکتشافی یا Exploratory factor analysis پژوهشگر به دنبال بررسی داده‌های تجربی به منظور کشف و شناسایی شاخص‌ها و نیز روابط بین آنهاست. در اینجا از پیش مدل معینی وجود ندارد. به بیان دیگر تحلیل اکتشافی علاوه بر آنکه ارزش تجسسی یا پیشنهادی دارد می‌تواند ساختارساز، مدل ساز یا فرضیه ساز باشد.

تحلیل اکتشافی وقتی به کار می‌رود که پژوهشگر شواهد کافی قبلی و پیش تجربی برای تشکیل فرضیه درباره تعداد عاملهای زیربنایی داده‌ها نداشته و به واقع مایل باشد درباره تعیین تعداد یا ماهیت عامل‌هایی که همپراشی بین متغیرها را توجیه می‌کنند داده‌ها را بکاود. بنابراین تحلیل اکتشافی بیشتر به عنوان یک روش تدوین و تولید تئوری و نه یک روش آزمون تئوری در نظر گرفته می‌شود. اگر براساس مطالعات انجام شده تعداد زیادی گویه شناسایی کرده‌اید و می‌خواهید عوامل زیربنایی آن را شناسایی کنید باید از روش اکتشافی بهره بگیرید.

تحلیل عاملی تائیدی (CFA)

در تحلیل عاملی تاییدی یا Confirmatory factor analysis پژوهشگر به دنبال تهیه مدلی است که فرض می‌شود داده‌های تجربی را بر پایه چند پارامتر نسبتاً اندک، توصیف تبیین یا توجیه می‌کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده‌ها است. این اطلاعات می‌تواند به شکل یک تئوری یا فرضیه، یک طرح طبقه‌بندی کننده معین برای گویه‌ها باشد. چنین اطلاعاتی در انطباق با ویژگی‌های عینی شکل و محتوا،شرایط معلوم تجربی و یا دانش حاصل از مطالعات قبلی درباره داده‌های وسیع باشد.

روش‌های تاییدی (آزمون فرضیه) هماهنگی داده‌ها با یک ساختار عامل معین (که در فرضیه آمده) تعیین می‌شود. در تحلیل عاملی تاییدی باید درک روشنی از تعریف متغیر پنهان و آشکار وجود داشته باشد. هدف نهایی آن است که مشخص شود آیا متغیرهای مشاهده‌پذیر به درستی متغیر پنهان را می‌سنجند یا خیر.

سخن پایانی

تحلیل عاملی یا مدل اندازه‌گیری روشی برای شناخت متغیرهای زیربنایی یک سازه بزرگتر است. اگر مجموعه وسیعی از داده‌ها را در اختیار دارید و قصد دارید الگوی زیربنایی آنها را کشف کنید باید از روش‌های اکتشافی استفاده کنید. در یک پژوهش دانشگاهی ممکن است تعدادی گویه را گردآوری کرده باشید. حال ممکن است که این سوال مطرح شود کدام گویه‌ها با هم مرتبط است. با استفاده از روش تحلیل اکتشافی می‌توانید خوشه‌هایی را شناسایی کنید. براساس گویه‌های مندرج در هر خوشه می‌توان عنوانی برای آن خوشه تعیین کرد. برعکس اگر از پیش تصمیم خود را گرفته‌اید. سازه‌هایی را شناسایی کرده و برای هر سازه تعدادی گویه در نظر گرفته‌اید. اکنون باید از روش‌های تاییدی استفاده کنید. یعنی ثابت کنید گویه‌های شما برای سازه‌های موردنظر مناسب است.

منبع: حبیبی، آرش؛ کلاهی، بهاره. (۱۴۰۱). مدل‌یابی معادلات ساختاری و تحلیل عاملی. تهران: جهاد دانشگاهی، چاپ دوم.