تحلیل عاملی چیست؟ آموزش کامل تحلیل عاملی در پژوهش

تحلیل عاملی چیست و چگونه برای شناسایی ساختار پنهان متغیرها در پژوهش استفاده می‌شود؟
تحلیل عاملی یکی از مهم‌ترین روش‌های آماری چندمتغیره برای کاهش تعداد متغیرها، شناسایی ابعاد پنهان و بررسی ساختار روابط میان مجموعه‌ای از متغیرهای مشاهده‌شده است. این روش در پژوهش‌های علوم انسانی، مدیریت، روان‌شناسی، علوم تربیتی، علوم اجتماعی و حوزه‌های مختلفی که با پرسشنامه و مقیاس‌های اندازه‌گیری سروکار دارند، کاربرد گسترده‌ای دارد.

در تحلیل عاملی، پژوهشگر بررسی می‌کند آیا تعداد زیادی از گویه‌ها یا متغیرهای مشاهده‌شده را می‌توان بر اساس چند عامل یا سازه زیربنایی توضیح داد. برای مثال، ممکن است 20 گویه یک پرسشنامه در نهایت به چهار عامل مانند «رضایت»، «اعتماد»، «کیفیت ادراک‌شده» و «وفاداری» مربوط باشند.

در این راهنمای جامع آکادمی ساپتز، با مفهوم تحلیل عاملی، انواع آن، تفاوت تحلیل عاملی اکتشافی و تأییدی، پیش‌نیازها، KMO، آزمون بارتلت، استخراج عوامل، چرخش، بار عاملی، تفسیر خروجی و خطاهای رایج آشنا می‌شوید.

تحلیل عاملی چیست؟

تحلیل عاملی (Factor Analysis) یک روش آماری چندمتغیره است که برای بررسی الگوی همبستگی میان مجموعه‌ای از متغیرهای مشاهده‌شده و شناسایی تعداد محدودی عامل یا سازه زیربنایی به کار می‌رود.

ایده اصلی این است که ممکن است چندین متغیر مشاهده‌شده، ویژگی مشترکی داشته باشند و بتوان آن‌ها را تحت یک عامل مشترک قرار داد.

برای مثال، فرض کنید یک پرسشنامه 25 گویه دارد. پژوهشگر می‌تواند بررسی کند آیا این 25 گویه واقعاً چند سازه اصلی را اندازه‌گیری می‌کنند یا خیر.

اگر تحلیل نشان دهد گویه‌های خاصی روی یک عامل مشترک بار بالایی دارند، می‌توان با اتکا به مبانی نظری و محتوای گویه‌ها، آن عامل را نام‌گذاری کرد.

هدف تحلیل عاملی در پژوهش چیست؟

تحلیل عاملی معمولاً برای دو هدف اصلی استفاده می‌شود:

کاهش ابعاد داده‌ها

گاهی تعداد متغیرها بسیار زیاد است. تحلیل عاملی می‌تواند متغیرهای مرتبط را در گروه‌های کوچک‌تری سازمان‌دهی کند.

برای مثال، به جای تحلیل جداگانه 30 گویه، ممکن است ساختار داده‌ها به 5 عامل خلاصه شود.

شناسایی سازه‌های زیربنایی

هدف دیگر، شناسایی ساختار پنهان پشت متغیرهای مشاهده‌شده است.

برای مثال، چندین گویه درباره ارتباط با مدیر، مشارکت در تصمیم‌گیری و حمایت سرپرست ممکن است در یک عامل کلی با عنوان «حمایت مدیریتی» قرار گیرند.

تحلیل عاملی اکتشافی چیست؟

تحلیل عاملی اکتشافی (Exploratory Factor Analysis یا EFA) زمانی استفاده می‌شود که ساختار عاملی به‌طور کامل از قبل مشخص نیست و پژوهشگر می‌خواهد الگوی عوامل موجود در داده‌ها را کشف کند.

در EFA پژوهشگر معمولاً از قبل نمی‌داند:

• چند عامل وجود دارد؛
• هر گویه دقیقاً به کدام عامل تعلق دارد؛
• کدام گویه‌ها باید حذف شوند؛
• ساختار نهایی سازه‌ها چگونه است.

برای مثال، اگر پژوهشگر یک پرسشنامه جدید طراحی کرده باشد، می‌تواند از تحلیل عاملی اکتشافی برای بررسی ساختار اولیه ابزار استفاده کند.

تحلیل عاملی تأییدی چیست؟

تحلیل عاملی تأییدی (Confirmatory Factor Analysis یا CFA) زمانی استفاده می‌شود که ساختار نظری یا عاملی از قبل مشخص شده باشد و پژوهشگر بخواهد بررسی کند آیا داده‌های تجربی با مدل مورد انتظار سازگار هستند یا خیر.

برای مثال، فرض کنید بر اساس نظریه، یک سازه دارای سه بُعد است:

1. کیفیت ادراک‌شده
2. اعتماد
3. رضایت

در CFA پژوهشگر یک مدل اندازه‌گیری مشخص را تعریف می‌کند و بررسی می‌کند داده‌ها تا چه اندازه با این ساختار سازگارند.

تحلیل عاملی تأییدی معمولاً در چارچوب مدل‌یابی معادلات ساختاری نیز استفاده می‌شود.

تفاوت تحلیل عاملی اکتشافی و تأییدی

تفاوت اصلی این دو روش در هدف و میزان مشخص بودن مدل اولیه است.

به زبان ساده:

EFA می‌پرسد: ساختار داده‌ها چیست؟

CFA می‌پرسد: آیا داده‌ها با ساختاری که انتظار داریم سازگارند؟

چه زمانی از تحلیل عاملی استفاده کنیم؟

تحلیل عاملی زمانی مناسب است که پژوهشگر با مجموعه‌ای از متغیرهای مرتبط مواجه باشد و بخواهد ساختار مشترک آن‌ها را بررسی کند.

این روش در مواردی مانند زیر بسیار کاربردی است:

طراحی پرسشنامه جدید

برای شناسایی ساختار اولیه گویه‌ها می‌توان از EFA استفاده کرد.

بررسی ساختار یک مقیاس

اگر پژوهشگر بخواهد ببیند آیا گویه‌های ابزار در ابعاد مورد انتظار قرار گرفته‌اند، تحلیل عاملی می‌تواند کمک‌کننده باشد.

کاهش تعداد متغیرها

وقتی تعداد متغیرهای مشاهده‌شده زیاد است، عوامل می‌توانند خلاصه‌ای از اطلاعات مشترک ارائه دهند.

بررسی ساختار سازه‌های پیچیده

برخی مفاهیم مانند رضایت، اعتماد، سرمایه اجتماعی یا کیفیت زندگی ابعاد مختلفی دارند که تحلیل عاملی می‌تواند ساختار آن‌ها را بررسی کند.

پیش‌نیازهای تحلیل عاملی

قبل از اجرای تحلیل عاملی باید بررسی شود که داده‌ها برای این روش مناسب هستند.

وجود همبستگی میان متغیرها

اگر متغیرها تقریباً هیچ ارتباطی با یکدیگر نداشته باشند، شناسایی عوامل مشترک دشوار خواهد بود.

در مقابل، همبستگی بسیار بالا بین برخی متغیرها نیز باید با دقت بررسی شود.

حجم نمونه

تحلیل عاملی به حجم نمونه کافی نیاز دارد. یک قانون ساده و ثابت برای همه پژوهش‌ها وجود ندارد و کفایت نمونه باید با توجه به تعداد گویه‌ها، شدت بارهای عاملی، اشتراکات، کیفیت داده‌ها و ساختار مدل ارزیابی شود.

بنابراین، صرف استفاده از یک نسبت ثابت مانند «چند نفر به ازای هر گویه» نمی‌تواند برای همه مطالعات معیار قطعی باشد.

آزمون KMO چیست؟

شاخص کفایت نمونه‌گیری KMO یکی از شاخص‌هایی است که برای بررسی مناسب بودن داده‌ها برای تحلیل عاملی استفاده می‌شود.

مقدار KMO معمولاً بین 0 و 1 قرار دارد. مقادیر بالاتر معمولاً نشان‌دهنده مناسب‌تر بودن الگوی همبستگی برای تحلیل عاملی هستند.

با این حال، مقدار KMO باید در کنار ساختار داده‌ها و سایر شواهد بررسی شود و نباید به تنهایی مبنای تصمیم‌گیری قرار گیرد.

آزمون بارتلت چیست؟

آزمون کرویت بارتلت (Bartlett’s Test of Sphericity) بررسی می‌کند که آیا ماتریس همبستگی متغیرها با ماتریس واحد تفاوت معناداری دارد یا خیر.

اگر آزمون نشان دهد همبستگی‌های موجود به اندازه کافی از صفر متفاوت هستند، شواهدی فراهم می‌شود که اجرای تحلیل عاملی می‌تواند منطقی باشد.

البته معناداری بارتلت به تنهایی کافی نیست و باید شاخص‌هایی مانند KMO و کیفیت کلی داده‌ها نیز بررسی شوند.

استخراج عوامل در تحلیل عاملی

یکی از تصمیم‌های مهم در تحلیل عاملی، تعیین تعداد عوامل است.

برای این کار روش‌های مختلفی وجود دارد.

معیار مقدار ویژه

در برخی خروجی‌ها از مقدار ویژه یا Eigenvalue برای بررسی عوامل استفاده می‌شود.

یکی از قواعد معروف، نگه‌داشتن عواملی با مقدار ویژه بیشتر از یک است؛ اما این قاعده به تنهایی می‌تواند گاهی تعداد عوامل را بیش از حد یا کمتر از مقدار مناسب برآورد کند.

نمودار اسکری

Scree Plot مقدار ویژه عوامل را نمایش می‌دهد و پژوهشگر می‌تواند نقطه‌ای را که کاهش مقدار ویژه به حالت تقریباً پایدار می‌رسد، بررسی کند.

تحلیل موازی

Parallel Analysis یکی از روش‌های قوی‌تر برای تصمیم‌گیری درباره تعداد عوامل است و در پژوهش‌های جدید معمولاً ارزشمندتر از تکیه صرف بر قاعده مقدار ویژه بزرگ‌تر از یک تلقی می‌شود.

بنابراین، بهتر است تعیین تعداد عوامل بر اساس چند شواهد مکمل و با توجه به نظریه انجام شود.

روش‌های استخراج عامل

در تحلیل عاملی روش‌های مختلفی برای استخراج عوامل وجود دارد.

یکی از روش‌های شناخته‌شده، Principal Axis Factoring است که در تحلیل عاملی مشترک کاربرد دارد.

روش Maximum Likelihood نیز در شرایطی که مفروضات مربوط به آن برقرار باشد، می‌تواند برای استخراج عوامل مورد استفاده قرار گیرد و امکان انجام برخی آزمون‌ها و مقایسه مدل‌ها را فراهم کند.

نکته مهم این است که تحلیل مؤلفه‌های اصلی (PCA) از نظر هدف و مدل آماری دقیقاً معادل تحلیل عاملی مشترک نیست.

تفاوت تحلیل عاملی و تحلیل مؤلفه‌های اصلی

این دو روش گاهی به اشتباه یکسان در نظر گرفته می‌شوند.

تحلیل عاملی به دنبال مدل‌سازی و کشف عوامل پنهان مشترک است.

PCA بیشتر یک روش تبدیل و کاهش بُعد است که واریانس کل متغیرهای مشاهده‌شده را در مؤلفه‌ها خلاصه می‌کند.

بنابراین، انتخاب بین PCA و روش‌های تحلیل عاملی باید بر اساس هدف پژوهش و مدل مفهومی انجام شود.

اگر هدف شما شناسایی سازه‌های نهفته باشد، نباید صرفاً به دلیل رایج بودن PCA آن را جایگزین خودکار تحلیل عاملی کنید.

چرخش عوامل چیست؟

پس از استخراج عوامل، ممکن است تفسیر ساختار عاملی دشوار باشد. چرخش عامل (Factor Rotation) برای ساده‌تر کردن الگوی بارهای عاملی استفاده می‌شود.

دو خانواده مهم چرخش عبارت‌اند از:

چرخش متعامد

در چرخش متعامد، عوامل از نظر ریاضی مستقل فرض می‌شوند.

Varimax یکی از روش‌های شناخته‌شده این گروه است.

چرخش مایل

در چرخش مایل، عوامل می‌توانند با یکدیگر همبستگی داشته باشند.

روش‌هایی مانند Promax و Oblimin از چرخش‌های مایل هستند.

در بسیاری از پژوهش‌های علوم رفتاری، انتظار وجود ارتباط بین سازه‌ها طبیعی است؛ بنابراین انتخاب چرخش مایل ممکن است از نظر مفهومی مناسب‌تر باشد.

بار عاملی چیست؟

بار عاملی (Factor Loading) نشان می‌دهد یک متغیر مشاهده‌شده تا چه اندازه با یک عامل مرتبط است.

برای مثال:

در این مثال، گویه‌های 1 و 2 با عامل اول و گویه 3 با عامل دوم ارتباط بیشتری دارند.

هرچه قدر مطلق بار عاملی بیشتر باشد، ارتباط گویه با عامل قوی‌تر است.

اما برای تعیین آستانه مناسب بار عاملی، باید به اندازه نمونه، کیفیت ابزار، مبانی نظری و ساختار مدل توجه شود و نباید یک عدد ثابت را در همه پژوهش‌ها قانون قطعی دانست.

اشتراکات یا Communality چیست؟

Communality نشان می‌دهد چه مقدار از واریانس یک متغیر مشاهده‌شده توسط عوامل استخراج‌شده توضیح داده می‌شود.

اگر اشتراک یک گویه بسیار پایین باشد، ممکن است گویه به خوبی با ساختار عاملی مشترک ارتباط نداشته باشد.

این موضوع می‌تواند یکی از مواردی باشد که پژوهشگر هنگام ارزیابی گویه‌ها بررسی می‌کند؛ اما حذف گویه نباید صرفاً براساس یک عدد انجام شود و محتوای نظری گویه نیز اهمیت دارد.

بار عاملی متقاطع چیست؟

گاهی یک گویه روی بیش از یک عامل بار نسبتاً بالایی دارد.

به این وضعیت Cross-Loading گفته می‌شود.

برای مثال:

در چنین شرایطی، گویه به شکل واضح فقط متعلق به یک عامل نیست و ممکن است تفسیر ساختار را دشوار کند.

پژوهشگر باید ابتدا مفهوم گویه و مبانی نظری آن را بررسی کند و سپس درباره نگه‌داشتن، بازنگری یا حذف گویه تصمیم بگیرد.

مراحل انجام تحلیل عاملی اکتشافی

یک فرایند استاندارد برای EFA می‌تواند شامل مراحل زیر باشد:

مرحله اول: تعریف سازه‌ها و گویه‌ها

پیش از تحلیل آماری باید مشخص شود هر گویه برای سنجش چه مفهومی طراحی شده است.

مرحله دوم: بررسی کیفیت داده‌ها

داده‌های ناقص، پرت و مشکلات ورود اطلاعات بررسی شوند.

مرحله سوم: بررسی کفایت داده‌ها

KMO، آزمون بارتلت و ماتریس همبستگی بررسی شوند.

مرحله چهارم: تعیین تعداد عوامل

از Scree Plot، تحلیل موازی، مقدار ویژه و نظریه پژوهش به صورت ترکیبی استفاده شود.

مرحله پنجم: انتخاب روش استخراج

روش استخراج متناسب با هدف و مفروضات پژوهش انتخاب شود.

مرحله ششم: انتخاب روش چرخش

اگر عوامل مستقل فرض شوند، روش متعامد می‌تواند مناسب باشد و اگر انتظار رابطه بین عوامل وجود دارد، چرخش مایل قابل بررسی است.

مرحله هفتم: بررسی بارهای عاملی

بارهای عامل، اشتراکات و بارهای متقاطع ارزیابی شوند.

مرحله هشتم: نام‌گذاری عوامل

عوامل باید بر اساس محتوای گویه‌های مربوطه و چارچوب نظری نام‌گذاری شوند.

تحلیل عاملی تأییدی و شاخص‌های برازش

در CFA، برخلاف EFA، پژوهشگر یک مدل اندازه‌گیری مشخص را آزمون می‌کند.

برای ارزیابی مدل می‌توان از مجموعه‌ای از شاخص‌های برازش استفاده کرد؛ از جمله:

• χ²
• CFI
• TLI
• RMSEA
• SRMR

هیچ شاخص واحدی به تنهایی تعیین نمی‌کند که مدل «قطعاً خوب» یا «قطعاً بد» است. تفسیر باید با توجه به اندازه نمونه، پیچیدگی مدل، کیفیت داده‌ها و شواهد نظری انجام شود.

بنابراین بهتر است به جای حفظ کردن چند عدد آستانه‌ای، مجموعه‌ای از شاخص‌های برازش و شواهد نظری را در کنار هم ارزیابی کنیم.

تحلیل عاملی در SPSS چگونه انجام می‌شود؟

در SPSS برای اجرای تحلیل عاملی اکتشافی معمولاً از مسیر زیر استفاده می‌شود:

Analyze → Dimension Reduction → Factor

پس از انتخاب متغیرها، پژوهشگر می‌تواند بخش‌های مختلفی مانند:

Descriptives، Extraction، Rotation و Options

را تنظیم کند.

در بخش Extraction می‌توان روش استخراج و گزینه‌های مربوط به تعداد عوامل را مشخص کرد.

در بخش Rotation نیز روش‌هایی مانند Varimax، Promax یا Oblimin قابل انتخاب هستند.

با این حال، تنظیمات نرم‌افزار نباید بدون پشتوانه روش‌شناختی انتخاب شوند. هر گزینه باید با هدف پژوهش و ویژگی داده‌ها سازگار باشد.

تفسیر خروجی تحلیل عاملی در SPSS

برای تفسیر خروجی، چند جدول و نمودار معمولاً اهمیت زیادی دارند.

جدول KMO و Bartlett

این بخش برای بررسی اولیه کفایت داده‌ها و وجود ساختار همبستگی مناسب است.

جدول Total Variance Explained

اطلاعاتی درباره واریانس توضیح‌داده‌شده توسط عوامل ارائه می‌کند؛ اما در تحلیل عاملی مشترک، تفسیر آن باید با روش استخراج انتخاب‌شده هماهنگ باشد.

Scree Plot

برای بررسی تعداد عوامل قابل توجه است.

Rotated Factor Matrix

این جدول برای بررسی بارهای عاملی پس از چرخش استفاده می‌شود.

در چرخش مایل ممکن است به جای آن، جدول‌هایی مانند Pattern Matrix و Structure Matrix نیز مشاهده شود که تفسیر آن‌ها یکسان نیست.

چه زمانی یک گویه را از پرسشنامه حذف کنیم؟

حذف گویه از تحلیل عاملی تصمیمی صرفاً آماری نیست.

برخی دلایل احتمالی برای بازنگری گویه عبارت‌اند از:

• بار عاملی پایین؛
• بارگذاری روی چند عامل؛
• اشتراک پایین؛
• مشکل مفهومی یا زبانی؛
• نبود تناسب با عامل؛
• عملکرد نامناسب در کنار سایر شواهد روان‌سنجی.

اما حذف مکرر گویه‌ها صرفاً برای رسیدن به خروجی «زیباتر» می‌تواند اعتبار پژوهش را کاهش دهد.

بهتر است هر تصمیم درباره حذف گویه با منطق نظری، شواهد آماری و گزارش شفاف فرایند همراه باشد.

تحلیل عاملی در اعتبارسنجی پرسشنامه

یکی از مهم‌ترین کاربردهای تحلیل عاملی، بررسی ساختار ابزار اندازه‌گیری است.

برای مثال، اگر یک پرسشنامه 30 گویه داشته باشد و نظریه پیش‌بینی کند که این گویه‌ها سه بُعد را اندازه می‌گیرند، تحلیل عاملی می‌تواند شواهدی درباره این ساختار ارائه کند.

در طراحی یا بومی‌سازی ابزار، گاهی EFA در یک مرحله برای کشف ساختار و CFA در نمونه‌ای مستقل برای ارزیابی ساختار پیشنهادی استفاده می‌شود.

این رویکرد از تکیه بیش از حد بر یک نمونه برای هم کشف و هم تأیید مدل جلوگیری می‌کند.

اشتباهات رایج در تحلیل عاملی

اشتباه اول: استفاده از PCA به جای تحلیل عاملی بدون توجه به هدف

PCA و تحلیل عاملی دقیقاً یک روش نیستند و هدف آماری متفاوتی دارند.

اشتباه دوم: تعیین تعداد عوامل فقط با Eigenvalue > 1

این قاعده به تنهایی می‌تواند تصمیم نامناسبی ایجاد کند. Scree Plot، تحلیل موازی و نظریه باید در کنار هم بررسی شوند.

اشتباه سوم: انتخاب Varimax به صورت پیش‌فرض

اگر عوامل از نظر نظری می‌توانند با هم مرتبط باشند، استفاده خودکار از چرخش متعامد ممکن است مناسب نباشد.

اشتباه چهارم: حذف گویه فقط بر اساس بار عاملی

تصمیم درباره حذف گویه باید علاوه بر آمار، محتوای نظری و کیفیت اندازه‌گیری را نیز در نظر بگیرد.

اشتباه پنجم: نام‌گذاری عامل فقط بر اساس یک گویه

نام عامل باید نمایانگر محتوای مجموعه گویه‌هایی باشد که بار اصلی را روی آن عامل دارند.

اشتباه ششم: اجرای EFA و CFA روی همان نمونه بدون توجه به خطر بیش‌برازش

وقتی ساختار بر اساس همان داده‌ای که برای تأیید آن استفاده می‌شود بارها اصلاح شود، خطر بیش‌برازش افزایش می‌یابد. استفاده از نمونه مستقل یا رویکرد مناسب اعتبارسنجی می‌تواند این مشکل را کاهش دهد.

گزارش تحلیل عاملی در پایان‌نامه و مقاله

گزارش حرفه‌ای باید مشخص کند:

1. چرا تحلیل عاملی انجام شده است؛
2. حجم و ویژگی نمونه چه بوده است؛
3. KMO و نتیجه آزمون بارتلت چگونه بوده است؛
4. روش استخراج چه بوده است؛
5. تعداد عوامل چگونه تعیین شده است؛
6. روش چرخش چه بوده است؛
7. بارهای عاملی چگونه بوده‌اند؛
8. عوامل چگونه نام‌گذاری شده‌اند؛
9. چه گویه‌هایی حذف یا نگه داشته شده‌اند و چرا.

برای مثال:

نتایج تحلیل عاملی اکتشافی نشان داد داده‌ها از نظر ساختار همبستگی برای تحلیل عاملی مناسب بودند. با بررسی شاخص‌های کفایت نمونه، نمودار اسکری، تحلیل موازی و مبانی نظری، ساختار چندعاملی مورد بررسی قرار گرفت. پس از چرخش مناسب، گویه‌ها بر اساس الگوی بارهای عاملی در عوامل مربوطه قرار گرفتند.

در گزارش نهایی بهتر است مقادیر واقعی شاخص‌ها و جزئیات تصمیم‌های تحلیلی ارائه شوند.

جمع‌بندی

تحلیل عاملی یکی از روش‌های کلیدی تحلیل چندمتغیره برای کشف یا آزمون ساختار زیربنایی متغیرهای مشاهده‌شده است. این روش به ویژه در پژوهش‌هایی که با پرسشنامه، مقیاس‌های روان‌سنجی و سازه‌های چندبعدی سروکار دارند، اهمیت زیادی دارد.

تحلیل عاملی اکتشافی (EFA) برای کشف ساختار و تحلیل عاملی تأییدی (CFA) برای آزمون یک ساختار مشخص استفاده می‌شوند. شاخص‌هایی مانند KMO، آزمون بارتلت، بار عاملی، اشتراکات، Scree Plot و تحلیل موازی در فرایند EFA اهمیت دارند و در CFA نیز شاخص‌هایی مانند CFI، TLI، RMSEA و SRMR برای ارزیابی مدل به کار می‌روند.

مهم‌ترین اصل این است که تحلیل عاملی نباید صرفاً با اجرای چند گزینه در SPSS خلاصه شود. هدف نظری، کیفیت ابزار، روش نمونه‌گیری، تعداد عوامل، روش استخراج، روش چرخش و منطق حذف یا نگه‌داشتن گویه‌ها همگی در اعتبار نتیجه نقش دارند.

یک تحلیل عاملی باکیفیت، پلی میان نظریه، ابزار اندازه‌گیری و شواهد آماری ایجاد می‌کند و می‌تواند به پژوهشگر نشان دهد آیا ساختار تجربی داده‌ها با سازه‌هایی که در پژوهش تعریف شده‌اند سازگار است یا خیر.

سوالات متداول

تحلیل عاملی چیست؟

تحلیل عاملی یک روش آماری چندمتغیره برای شناسایی ساختار مشترک میان مجموعه‌ای از متغیرهای مشاهده‌شده و خلاصه‌سازی آن‌ها در قالب تعداد محدودی عامل است.

تفاوت EFA و CFA چیست؟

EFA برای کشف ساختار عاملی زمانی استفاده می‌شود که ساختار کاملاً مشخص نیست، در حالی که CFA یک مدل عاملی از پیش تعریف‌شده را با داده‌های تجربی آزمون می‌کند.

KMO در تحلیل عاملی چه کاربردی دارد؟

KMO برای ارزیابی کفایت نمونه‌گیری و مناسب بودن الگوی همبستگی داده‌ها برای تحلیل عاملی به کار می‌رود.

آزمون بارتلت در تحلیل عاملی چیست؟

آزمون کرویت بارتلت بررسی می‌کند که آیا ماتریس همبستگی متغیرها با ماتریس واحد تفاوت معناداری دارد یا خیر و می‌تواند شواهدی درباره مناسب بودن داده‌ها برای تحلیل عاملی ارائه کند.

بار عاملی چیست؟

بار عاملی میزان ارتباط یک متغیر مشاهده‌شده با یک عامل را نشان می‌دهد. مقدار مطلق بزرگ‌تر معمولاً بیانگر ارتباط قوی‌تر گویه با عامل است.

Varimax و Promax چه تفاوتی دارند؟

Varimax یک چرخش متعامد است که عوامل را مستقل در نظر می‌گیرد، در حالی که Promax یک چرخش مایل است و اجازه می‌دهد عوامل با یکدیگر همبستگی داشته باشند.

آیا تحلیل عاملی برای اعتبارسنجی پرسشنامه مناسب است؟

بله. تحلیل عاملی می‌تواند شواهد مهمی درباره ساختار سازه‌ای پرسشنامه ارائه کند. بسته به هدف و مرحله پژوهش، EFA یا CFA می‌تواند مناسب باشد.

آیا تحلیل عاملی همان تحلیل مؤلفه‌های اصلی است؟

خیر. PCA و تحلیل عاملی اهداف و مدل‌های آماری متفاوتی دارند. PCA بیشتر برای کاهش بُعد و خلاصه‌سازی واریانس کل داده‌ها استفاده می‌شود، در حالی که تحلیل عاملی به شناسایی عوامل یا سازه‌های مشترک زیربنایی می‌پردازد.

برای تحلیل عاملی چند نفر نمونه لازم است؟

عدد ثابتی برای همه پژوهش‌ها وجود ندارد. کفایت نمونه به تعداد متغیرها، شدت بارهای عاملی، اشتراکات، کیفیت داده‌ها، ساختار مدل و سایر ویژگی‌های پژوهش وابسته است؛ بنابراین حجم نمونه باید با منطق روش‌شناختی مناسب تعیین شود.