تحلیل عاملی اکتشافی

تحلیل عاملی اکتشافی (EFA) یک روش آماری است که برای شناسایی مقوله‌های زیربنایی یک مجموعه گویه استفاده می‌شود. در برخی مطالعات پژوهشگران ابتدا تعداد زیادی گویه برای سنجش پدیده اصلی مورد مطالعه تهیه می‌کنند. سپس لازم است تا این گویه‌ها به صورتی منظم دسته‌بندی شوند.

روش EFA کمک می‌کند تا با توجه به همبستگی درونی میان گویه‌ها، خوشه‌های مختلفی پدیدار شود. در هر خوشه تعدادی از عناصر قرار می‌گیرند که باهم همبستگی معنایی دارند. به هر خوشه یک عامل Factor گفته می‌شود. به این ترتیب می‌توان از یک مجموعه بزرگ و پراکنده از گویه‌ها به خوشه‌های محدود و مشخصی دست پیدا کرد. پژوهشگر می‌تواند براساس گویه‌هایی که در هر خوشه قرار گرفته است یک عنوان مناسب برای آن خوشه انتخاب کند.

اصولاً تحلیل عاملی (FA) جهت پی بردن به متغیرهای زیر بنایی یک پدیده یا تلخیص مجموعه‌ای از داده‌ها استفاده می‌شود. داده‌های اولیه برای تحلیل عاملی، ماتریس همبستگی بین متغیرها است. تحلیل عاملی، متغیرهای وابسته از قبل تعیین شده‌ای ندارد. موارد استفاده تحلیل عاملی را به دو دسته کلی می‌توان تقسیم کرد:

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

بنابراین فاکتور آنلایز می‌تواند با هدف اکتشافی یا تاییدی انجام شود. در این مقاله بر روش فاکتور آنلایز اکتشافی تمرکز شده است.

کاربرد تحلیل عاملی اکتشافی

تحلیل عاملی اکتشافی (Explaratory Factor Analysis) یکی از روش‌های خوشه‌بندی داده‌ها است که در حوزه داده‌کاوی قرار دارد. در مطالعات مدیریت از این تکنیک برای شناسایی عوامل زیربنایی یک مجموعه سوال استفاده می‌شود. اگر تعداد زیادی سوال براساس ادبیات پژوهش یا مصاحبه شناسایی کرده اید و هیچ ایده‌ای برای دسته بندی آنها ندارید میتوانید از تحلیل عاملی اکتشافی استفاده کنید.

تحلیل عاملی اکتشافی

در توسعه نظریه رگرسیون، اسپیرمن در سال ۱۹۲۷ در نظریه هوش خود اصطلاح تحلیل عاملی را برای نخستیم بار بکار برد. برای تهیه یک مقیاس معتبر می‌توان از روش تحلیل عامل برای غربال آیتم‌ها و انتخاب آیتم‌های اصلی استفاده نمود. پس از ایجاد مجموعه متغیرهای مقدماتی در تحلیل عامل به وسیله چرخش مجموعه نهائی متغیرها جهت ساخت مقیاس استخراج می‌گردد.

تحلیل عامل با ایجاد ماتریس همبستگی، نشان می‌دهد که متغیرها به صورت خوشه‌هائی گرد هم آمده‌اند بطوریکه متغیرهای هر خوشه با هم همبسته بوده و با خوشه‌های دیگر همبسته نمی‌باشند. این خوشه‌ها همان ابعاد موضوع مورد بررسی هستند. متغیرهای هر خوشه نیز آیتم‌های سنجش آن بعد است. متغیرهائی که هیچ همبستگی با متغیرهای دیگر ندارند باید حذف شوند زیرا متغیرهای مورد تحلیل باید همبستگی معقولی با برخی متغیرهای دیگر تحلیل داشته باشند.

تعیین حجم نمونه در تحلیل عاملی اکتشافی

همانطور که گفته شد تحلیل عاملی اکتشافی مبتنی بر داده‌کاوی است بنابراین به حجم نمونه بسیار زیادی نیاز دارد. برای اطمینان از کافی بودن حجم نمونه از آزمون بارتلت و شاخص KMO استفاده می‌شود. حجم نمونه در روش تحلیل عاملی برای هر متغیر ۵ تا ۱۰ نمونه و بطور کلی در مجموع نهایتاً ۳۰۰ نمونه توصیه شده است. دو روش سنجش تناسب حجم نمونه جهت تحلیل عاملی اکتشافی با نرم‌افزار SPSS عباتند از:

• محاسبه آماره KMO : Kaiser-Mayer-Olkin
• آزمون کروی بودن بارتلت: Bartlett’s Test of Sphericity

شاخص کفایت نمونه Kaiser-Mayer-Olkin یا به اختصار آزمون KMO ویژه تحلیل عاملی اکتشافی است و نشان می‌دهد آیا داده‌ها برای انجام محاسبات تحلیل عاملی اکتشافی کافی است یا خیر. مقدار KMO باید از ۰.۵ بزرگتر باشد؛ برخی معتقدند مقدار KMO باید از ۰.۹ بزرگتر باشد. در برخی متون آمده اگر مقدار KMO‌از ۰.۹ بیشتر باشد بسیار عالی است و اگر از ۰.۵ کوچکتر باشد قابل قبول نیست. برخی دیگر نیز معتقدند مقدار این آماره بیش از ۰.۷ باشد همبستگی‌های موجود برای تحلیل عامل بسیار مناسب است. چنانچه بین ۰.۵ و ۰.۶۹ باشد باید دقت زیادی بخرج داد و اگر کمتر از ۰.۵ باشد برای تحلیل عاملی مناسب نیست.

تحلیل عاملی اکتشافی با SPSS

دقت کنید با استفاده از نرم‌افزار SPSS تنها می‌توان تحلیل عامل اکتشافی را اجرا کرد. فاکتور آنالیز اکتشافی آن است که پژوهشگر تعداد زیادی گویه (متغیر قابل مشاهده) گردآوری کرده است و حال می‌خواهد این گویه‌ها در قالب چندین خوشه مشابه دسته‌بندی کند. هر خوشه یا عامل شامل مجموعه گویه‌هائی خواهد بود که باهم همبستگی بالائی داشته و با سایر خوشه‌ها همبستگی پائین دارند. خوشه‌هایی با یک یا دو عنصر نیز می‌توانند حذف شوند.

از منوی Analyze فرمان Dimention reduction گزینه factor را انتخاب کنید:

کادر تحلیل عاملی باز خواهد شد. متغیرهای مدنظر را به کادر Variables منتقل کنید.

دکمه Descriptive را بزنید و گزینه KMO And Bartlett’s Test of Sphericity را فعال کنید.

دکمه Extraction را فشار دهید. در کادر ظاهر شده از قسمت Method روش Principal components یا همان مولفه‌های اصلی را انتخاب کنید که به صورت پیش فرض انتخاب شده است.

برای Egienvalue (واریانس مقدار ویژه) عدد ۱ را وارد کنید و چون از روش همبستگی استفاده می‌شود گزینه Correlation Matrix را فعال بگذارید.

جهت انتخاب روش چرخش دکمه Rotation را فشار دهید. برای گزینه suppress absolute value less than از مقدار۰.۳ تا ۰.۲ استفاده می‌شود.

برای مشاهده یک نمونه حل شده کتاب SPSS حبیبی را بنگرید.

ویدیوی آموزش تحلیل عاملی اکتشافی

فهرست منابع

منبع: حبیبی، آرش؛ سرآبادانی، مونا. (۱۴۰۱). آموزش کاربردی SPSS. تهران: نارون.

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