التحليل العاملي الاستكشافي

التحليل العاملي الاستكشافي

تحليل عامل الاستكشاف هو تقنية إحصائية تُستخدم لتقليل البيانات إلى مجموعة أصغر من المتغيرات الموجزة واستكشاف البنية النظرية الأساسية للظواهر. يتم استخدامه لتحديد هيكل العلاقة بين المتغير والمستجيب. يمكن إجراء تحليل عامل الاستكشاف باستخدام الطريقتين التاليتين:

·        تحليل عامل من النوع R: عندما يتم حساب العوامل من مصفوفة الارتباط ، يطلق عليه تحليل عامل من النوع R.

·        تحليل عامل من النوع Q: عندما يتم حساب العوامل من المستجيب الفردي ، يُقال إنه تحليل عامل من النوع Q.

عامل القيادة:

هناك طريقتان لعامل القيادة ، هاتان الطريقتان كالتالي:

1.    طريقة تحليل عامل المكون الأساسي: تُستخدم هذه الطريقة عندما نحتاج إلى دفع الحد الأدنى لعدد العوامل وشرح الحد الأقصى لجزء التباين في المتغير الأصلي.

2.    تحليل العوامل المشتركة: تستخدم هذه الطريقة عندما لا يعرف الباحثون طبيعة العامل المراد استخراجه وتباين الخطأ الشائع.

اختيار العوامل المراد استخلاصها: النظرية هي المعيار الأول لتحديد عدد العوامل المراد استخلاصها. من الناحية النظرية ، نعلم أن عدد العوامل المستخرجة منطقي. يستخدم معظم الباحثين معايير Eigenvalue لعدد العوامل المراد استخلاصها. قيمة النسبة المئوية وطريقة التباين الموضحة تستخدم أيضًا لتحليل العوامل الاستكشافية. يمكننا استخدام معايير اختبار الحصيلة لاختيار العوامل. في هذه الطريقة ، يتم رسم القيمة الذاتية على الرسم البياني ويتم تحديد العوامل.

الدوران المتعامد: في هذه الطريقة ، يتم الحفاظ على المحور عند 90 درجة ، وبالتالي فإن العوامل غير مرتبطة ببعضها البعض. في الدوران المتعامد ، تتوفر الطرق الثلاثة التالية بناءً على الدوران:

أ. QUARTIMAX: يتم تبسيط الصفوف بحيث يتم تحميل المتغير على عامل واحد.

B. VARIMAX: يستخدم لتبسيط عمود مصفوفة العوامل بحيث ترتبط مستخلصات العامل بشكل واضح ويجب أن يكون هناك بعض الفصل بين المتغيرات.

ج. EQUIMAX: مزيج من الطريقتين السابقتين. تعمل هذه الطريقة على تبسيط الصف والعمود في وقت واحد.

معايير الأهمية العملية والإحصائية لحمولات العامل : يمكن تصنيف تحميل العامل بناءً على حجمها:

أكبر من + .30 - الحد الأدنى لمستوى الاعتبار
+ .40 - أكثر أهمية
+ .50 - مهم عمليًا

مستوى القوة والدلالة: يمكن للباحث تحديد مستوى القوة والدلالة الإحصائية. على سبيل المثال ، من أجل تحقيق عامل تحميل قدره .55 بقوة .80 ، يلزم الحصول على عينة من 100.

تحليل العوامل و SPSS: يمكن إجراء تحليل العوامل في SPSS بالنقر فوق "تحليل" من القائمة ، ثم تحديد "عامل" من خيار تقليل البيانات.

الافتراضات:

1.    يجب أن تكون المتغيرات المستخدمة مترية. يمكن أيضًا مراعاة المتغيرات الوهمية ، ولكن في حالات خاصة فقط.

2.    حجم العينة : يجب أن يكون حجم العينة أكثر من 200. في بعض الحالات ، يمكن النظر في حجم العينة لـ 5 ملاحظات لكل متغير.

3.    العينة المتجانسة: يجب أن تكون العينة متجانسة. يؤدي انتهاك هذا الافتراض إلى زيادة حجم العينة مع زيادة عدد المتغيرات. يتم إجراء تحليل الموثوقية للتحقق من التجانس بين المتغيرات.

4.    في تحليل العوامل الاستكشافية ، ليست الحالة الطبيعية متعددة المتغيرات مطلوبة.

5.    الارتباط: مطلوب ما لا يقل عن 0.30 ارتباط بين متغيرات البحث.

6.    يجب ألا يكون هناك قيم متطرفة في البيانات.

الصفحات ذات الصلة:

·        تحليل العامل

·        التحليل العاملي التوكيدي

تحليل العامل

تحليل العامل هو تقنية تُستخدم لتقليل عدد كبير من المتغيرات إلى عدد أقل من العوامل. تستخرج هذه التقنية الحد الأقصى من التباين المشترك من جميع المتغيرات وتضعها في درجة مشتركة. كمؤشر لجميع المتغيرات ، يمكننا استخدام هذه الدرجة لمزيد من التحليل. يعد تحليل العامل جزءًا من النموذج الخطي العام (GLM) وتفترض هذه الطريقة أيضًا عدة افتراضات: توجد علاقة خطية ، ولا توجد علاقة خطية متعددة ، وتتضمن المتغيرات ذات الصلة في التحليل ، وهناك ارتباط حقيقي بين المتغيرات والعوامل. تتوفر عدة طرق ، ولكن يتم استخدام تحليل المكونات الرئيسية بشكل شائع.

أنواع التخصيم:

هناك أنواع مختلفة من الطرق المستخدمة لاستخراج العامل من مجموعة البيانات:

1. تحليل المكون الرئيسي: هذه هي الطريقة الأكثر شيوعًا التي يستخدمها الباحثون. يبدأ PCA في استخراج الحد الأقصى من التباين ويضعهم في العامل الأول. بعد ذلك ، يزيل التباين الموضح بواسطة العوامل الأولى ثم يبدأ في استخراج أقصى تباين للعامل الثاني. هذه العملية تذهب إلى العامل الأخير.

2. تحليل العوامل المشتركة: الطريقة الثانية الأكثر تفضيلاً من قبل الباحثين ، فهي تستخلص التباين المشترك ويضعها في عوامل. لا تتضمن هذه الطريقة التباين الفريد لجميع المتغيرات. تستخدم هذه الطريقة في SEM.

3. تحليل الصورة: تعتمد هذه الطريقة على مصفوفة الارتباط. تُستخدم طريقة انحدار OLS للتنبؤ بعامل تحليل الصورة.

4. طريقة الاحتمالية القصوى: تعمل هذه الطريقة أيضًا على مقياس الارتباط ولكنها تستخدم أسلوب الاحتمال الأقصى في التحليل.

5. طرق أخرى لتحليل العوامل: تفوق عوامل التخصيم على المربعات الصغرى. الوزن المربع هو طريقة أخرى تعتمد على الانحدار تستخدم للتخصيم.

تحميل العامل: تحميل

العامل هو أساسًا معامل الارتباط للمتغير والعامل. يُظهر تحميل العامل التباين الذي يفسره المتغير على هذا العامل المحدد. في نهج SEM ، كقاعدة عامة ، يمثل 0.7 أو تحميل عامل أعلى أن العامل يستخرج تباينًا كافيًا من هذا المتغير.

القيم الذاتية: تسمى القيم الذاتية أيضًا بالجذور المميزة. تُظهر القيم الذاتية التباين الذي يفسره هذا العامل المعين من التباين الكلي. من عمود القواسم المشتركة ، يمكننا معرفة مقدار التباين الذي يتم تفسيره بواسطة العامل الأول من إجمالي التباين. على سبيل المثال ، إذا كان العامل الأول يفسر تباينًا بنسبة 68٪ من الإجمالي ، فهذا يعني أنه سيتم تفسير التباين بنسبة 32٪ من خلال العامل الآخر.

درجة العامل:تسمى درجة العامل أيضًا درجة المكون. هذه النتيجة هي لجميع الصفوف والأعمدة ، والتي يمكن استخدامها كفهرس لجميع المتغيرات ويمكن استخدامها لمزيد من التحليل. يمكننا توحيد هذه الدرجة بضرب مصطلح مشترك. مع درجة العامل هذه ، أيا كان التحليل الذي سنفعله ، سنفترض أن جميع المتغيرات سوف تتصرف كدرجات عامل وستتحرك.

معايير تحديد عدد العوامل: وفقًا لمعيار Kaiser ، تعد القيم الذاتية معايير جيدة لتحديد العامل. إذا كانت قيم Eigenvalues ​​أكبر من واحد ، فيجب أن نعتبر ذلك عاملاً وإذا كانت القيم الذاتية أقل من واحد ، فلا ينبغي أن نعتبر ذلك عاملاً. وفقًا لقاعدة استخراج التباين ، يجب أن يكون أكثر من 0.7. إذا كان التباين أقل من 0.7 ، فلا ينبغي اعتبار ذلك عاملاً.

طريقة الدوران: طريقة الدوران تجعل فهم المخرجات أكثر موثوقية. لا تؤثر القيم الذاتية على طريقة الدوران ، لكن طريقة الدوران تؤثر على القيم الذاتية أو النسبة المئوية للتباين المستخرج. هناك عدد من طرق الدوران المتاحة: (1) لا توجد طريقة دوران ، (2) طريقة دوران فاريماكس ، (3) طريقة دوران كوارتيماكس ، (4) طريقة دوران أوبليمين المباشر ، (5) طريقة دوران بروماكس. يمكن تحديد كل منها بسهولة في SPSS ، ويمكننا مقارنة التباين الذي نوضحه بواسطة تلك الطرق المحددة.

الافتراضات:

لا شاذة: افترض أنه لا توجد قيم متطرفة في البيانات.

حجم العينة المناسب: يجب أن تكون الحالة أكبر من العامل.

لا يوجد علاقة خطية متعددة مثالية: تحليل العامل هو أسلوب الاعتماد المتبادل. لا ينبغي أن يكون هناك علاقة خطية متعددة مثالية بين المتغيرات.

المثلية الجنسية: نظرًا لأن تحليل العامل هو دالة خطية للمتغيرات المقاسة ، فإنه لا يتطلب التشابه بين المتغيرات.

الخطية: يعتمد تحليل العامل أيضًا على افتراض الخطي. يمكن أيضًا استخدام المتغيرات غير الخطية. بعد النقل ، ومع ذلك ، فإنه يتغير إلى متغير خطي.

بيانات الفاصل الزمني: يتم افتراض بيانات الفاصل الزمني.

المفاهيم والمصطلحات الأساسية:

تحليل عامل الاستكشاف: يفترض أن أي مؤشر أو متغير قد يرتبط بأي عامل. هذا هو تحليل العوامل الأكثر شيوعًا الذي يستخدمه الباحثون ولا يعتمد على أي نظرية سابقة.

تحليل العامل التأكيدي (CFA): يستخدم لتحديد عامل التحميل وعامل المتغيرات المقاسة ، ولتأكيد ما هو متوقع في النظرية الأساسية أو السابقة. يفترض CFA أن كل عامل يرتبط بمجموعة فرعية محددة من المتغيرات المقاسة. يستخدم عادة طريقتين:

الطريقة التقليدية : تعتمد طريقة العوامل التقليدية على طريقة تحليل العوامل الرئيسية بدلاً من تحليل العامل المشترك. تسمح الطريقة التقليدية للباحث بمعرفة المزيد عن تحميل عامل البصيرة.

نهج SEM: CFA هو نهج بديل لتحليل العوامل التي يمكن إجراؤها في SEM . في SEM ، سنزيل جميع الأسهم المستقيمة من المتغير الكامن ، ونضيف فقط ذلك السهم الذي يجب أن يلاحظ المتغير الذي يمثل التباين المشترك بين كل زوج من الكمون. سنترك أيضًا الأسهم المستقيمة خالية من الأخطاء وشروط الإزعاج للمتغيرات الخاصة بها. إذا كان مصطلح الخطأ المعياري في SEM أقل من القيمة المطلقة 2 ، فمن المفترض أنه جيد لهذا العامل ، وإذا كان أكثر من اثنين ، فهذا يعني أنه لا يزال هناك بعض التباين غير المبرر والذي يمكن تفسيره بالعامل.  يتم استخدام مربع كاي وعدد من فهارس جودة التوافق الأخرى لاختبار مدى ملاءمة النموذج.

لطلب تحليل احصائي التواصل عبر الواتسب اضغط هنا