تعرف على طرق التحليل العاملي بصورة شاملة وواضحة

يعد التحليل العاملي أداة قوية في فهم وتحليل البيانات والمعلومات؛ حيث يمكنك من خلال الاعتماد على طرق التحليل العاملي استخلاص المعاني والأنماط من خلال تحويل البيانات المجردة إلى معرفة قيّمة، كما تستخدم منهجية التحليل العاملي؛ لفهم علاقات الأسباب والنتائج بين المتغيرات المختلفة، وبواسطة هذا التحليل يمكن للباحثين والخبراء تحديد القوى والضغوط التي تؤثر على نظام معروف، سواء كان ذلك في مجال الأعمال أو الصناعة أو غيرها.

 

التحليل العاملي (Factor Analysis) هو أداة إحصائية تُستخدم لفهم العلاقات المعقدة بين المتغيرات وتقليل الأبعاد في البيانات، ويهدف التحليل العاملي إلى تحليل الهياكل المخفية (العوامل) التي تتسبب في الارتباط بين المتغيرات المرئية (المتغيرات الملاحظة).

 

اقرأ أيضًا: أساسيات التحليل الإحصائي ( 3 أساسيات مهمة)

 

♦التحليل العاملي الاستكشافي.(EFA)

♦التحليل العاملي التوكيدي  .(CFA)

 

أنواع استخراج العامل

يُعد تحليل المكون الرئيسي (PCA) هو طريقة مستخدمة على نطاق واسع لاستخراج العوامل وهي الخطوة الأولى في (EFA)؛ حيث يتم حساب أوزان العامل لاستخراج أقصى تباين ممكن ومع استمرار العوامل المتتالية حتى لا يبقى أي تباين، ويجب تدوير نموذج العامل للتحليل، كما يُعد تحليل عوامل العنوان الأساسي والمعروف أيضًا باسم (canonical Rao factorization) طريقة مختلفة لحساب نموذج PCA، والذي يستخدم طريقة المحور الرئيسي للبيانات العشوائية.

 

تعرف على: هل تود معرفة التحليل الإحصائي للبيانات بكافة تفاصيله؟

 

 

هناك عدة طرق لتحليل البيانات باستخدام التحليل العاملي، وفيما يلي أهم هذه الطرق:

التحليل العاملي التوكيدي (Confirmatory Factor Analysis - CFA)

يُستخدم التحليل العاملي التوكيدي لاختبار النظريات المسبقة والفرضيات الخاصة بالهياكل المخفية في البيانات، ويتم تحديد واختبار العوامل المسبقة والعلاقات بينها، وتُستخدم البيانات المتاحة لتحقيق مطابقة بين النموذج النظري والبيانات الفعلية.

 

التحليل العاملي الموضوعي (Exploratory Factor Analysis - EFA)

يُستخدم طرق التحليل العاملي الموضوعي لاكتشاف العوامل المخفية وتحديدها في البيانات بدون فرضيات مسبقة، ويتم تحليل الارتباطات المشتركة بين المتغيرات وتحديد العوامل التي تفسر هذه الارتباطات، كما يساعد التحليل العاملي الموضوعي في تحديد الأبعاد الرئيسية الموجودة في مجموعة من المتغيرات.

 

التحليل العاملي الهرمي (Hierarchical Factor Analysis)

يُستخدم التحليل العاملي الهرمي لتحليل الهياكل المتدرجة أو المتداخلة للعوامل, ويتم تحليل البيانات بشكل تدرجي لتحديد العوامل العامة والفرعية، ويُساهم التحليل العاملي الهرمي في فهم العلاقات المعقدة بين المتغيرات، وتحديد الأبعاد المتعددة الموجودة في البيانات.

 

التحليل العاملي الشامل (Exploratory Structural Equation Modeling - ESEM)

يُستخدم التحليل العاملي الشامل كتطوير للتحليل العاملي الموضوعي والتحليل العاملي التوكيدي، ويدمج التحليل العاملي، والنمذجة العاملية الهيكلية لتحليل الهياكل المخفية والعلاقات بين المتغيرات، ويهدف التحليل العاملي إلى تحليل الهياكل المخفية التي تؤثر على المتغيرات المرئية وتقديم تفسيرات منطقية للارتباطات بين المتغيرات.

 

ويمكنك الاطلاع على دراسات استخدمت التحليل العاملي بصيغة pdf جاهز للتحميل.

 

تعد طرق التحليل العاملي التوكيد (CFA) أحد الأساليب الإحصائية متعددة المتغيرات ويستخدم للتأكد من الخصائص السيكومترية والتعرف على مدى كفاءة المتغيرات التي يتم قياسها المرتبطة بعدد من الأبعاد، كما يعتبر التحليل العاملي التوكيدي والتحليل العاملي الاستكشافي (EFA) من الأساليب الإحصائية المتشابهة، ولكن يتم استكشاف البيانات بشكل مبسط من خلال  التحليل العاملي الاستكشافي.

 

حيث ترتبط جميع المتغيرات التي يتم قياسها بكل متغير كامن ولكن يتم تحديد عدد العوامل المطلوبة في البيانات والمتغير الذي يتم قياسه والمرتبط بالمتغير الكامن في التحليل العاملي التوكيدي.

 

كما يعتبر التحليل العاملي التوكيدي أداة لتأكيد أو رفض نظرية القياس, ويستخدم كذلك في تقييم البيانات الفعلية للكشف عن مدى تمثيلها لنموذج كل متغير، يُعد التحليل العاملي التوكيدي نوعًا مختلفًا من التحليل العاملي, ويعتبر الأكثر شيوعًا في الأبحاث الاجتماعية.

 

ويتم الاستعانة بالتحليل العاملي التوكيدي لاختبار ما إذا كانت قياسات بناء النموذج متوافقة مع فهم القائم على البحث لطبيعة بناء هذا النموذج، على سبيل المثال فإن مقدار ساعات العمل الإضافي لا يعتبر مقياسًا مثاليًّا للكفاءة في العمل، كما جرت العادة على معالجة أسئلة صحة وموثوقية القياس من خلال فحص صلاحية وموثوقية الدرجات على الأدوات المستخدمة في سياق معين، بالنظر إلى مستوى مقبول من صحة وموثوقية النتيجة، يتم استخدام الدرجات في التحليل الإحصائي.

 

احصل على: دليل شامل عن التحليل الإحصائي لكل الباحثين

 

مؤشرات (محكات) جودة النموذج في التحليل العاملي التوكيدي

يعتبر مؤشر الجذر التربيعي من المؤشرات الهامة لمتوسط خطأ الاقتراب (RMSEA) Mean Square Error of Approximation Root وتشير القيمة الأقل من 0.05 إلى المطابقة العليا وتشير القيمة صفر إلى أفضل مطابقة .

ويعد الجذر التربيعي لمتوسط خطأ الاقتراب (RMSEA) من أفضل المؤشرات فيما يتعلق بالأداء الجيد للجذر التربيعي لمتوسط خطأ الاقتراب (RMSEA) ويتم التركيز على خطأ الاقتراب في المجتمع Error Of Approximation, لقياس التباعد عن طريق درجات الحرية.

 

لذا يعتبر حساسًا لعدد البارامترات الحرة ويتأثر بمستوى تعقيد النموذج, وتوجد تقديرات للمطابقة في مؤشر (RMSEA) فيما يتعلق بالقيم التي تقل عن 0.05 والتي تشير إلى المطابقة الجيدة, وتدل القيم التي تتراوح من 0.05 إلى 0.08 على وجود خطأ تقارب معقول في المجتمع, وتشير القيم التي تتراوح من 0.08 إلى 0.10 إلى مطابقة غير كافية Mediocre fit ويدل تجاوز قيم المؤشر 0.10 على مطابقة غير مقبولة وتكون قيمة مؤشر (RMSEA) صفر التي تشير إلى أفضل مطابقة ممكنة, وتقل جودة المطابقة كلما ارتفعت قيمتها.

ويعتبر مؤشر المطابقة المقارنة (CFI)Comparative Fit Index  من أفضل المؤشرات المتعلقة بالمقارنة؛ حيث يقوم  على المقارنة بين مربع كاي لنموذج البحث المفترض والنموذج المستقل (Hair et al, 2014)؛ لذا فإن الدرجة المعيارية للمؤشر التي تتجاوز (0.90) تشير إلى درجة مطابقة جيدة لنموذج البحث المفترض.

 

وتشير الدرجة المعيارية للمؤشر المحصور بين الصفر والواحد، ويشير الاقتراب من الواحد إلى درجة مطابقة عالية، ويشار إليه بمؤشر المطابقة المقارن CFI(Comparative Fit Index) ومؤشر المطابقة المعياري NFI(Normative Fit Index), وتتمثل القيمة التي تشير إلى أفضل مطابقة لجميع المؤشرات السابقة في الواحد الصحيح ويقع مدى هذه المؤشرات بين (صفر وواحد صحيح).

وبناء على تفسير هذا المؤشر تشير النتائج إلى مستوى التحسين في النموذج المفترض عن نموذج العدم؛ حيث تشير كلمة العدم إلى الحالة المتطرفة المشيرة أو الدالة فيما يتعلق بعدم وجود علاقات بين المتغيرات، وتهدف مقارنة النموذج المفترض ونموذج العدم إلى تقدير مستوى تحسين المطابقة المتعلقة بالنموذج المفترض بضعف مطابقة نموذج العدم، ويشار إلى مؤشر تاكر-لويس (TLI) Tucker-Lewis Index في بعض الأحيان إلى مؤشر المطابقة غير المعيارية (NNFI)Non- Normed Fit Index .

 

التحليل العاملي الاستكشافي

يتم الاستعانة بالتحليل العاملي الاستكشافي لتحديد العلاقات المعقدة والعلاقات المتبادلة بين العناصر وعناصر المجموعة التي هي جزء من المفاهيم الموحدة في مصفوفة معاملات الارتباط، ولا يقوم الباحث بوضع افتراضات حول العلاقات بين العوامل.

 

احصل أيضًا على أحدث عناوين رسائل ماجستير ودكتوراه في التحليل التلوي.

 

 تجانس) توافق (العينة):

♦قياس توافق العينة بالنسبة لحجم العينة: يقاس ذلك من دلالة قيمة كاي تربيع لاختبار بارتليت، أي تكون دالة عند مستوى (0.000).

♦(قياس توافق العينة ككل : يمكن الحصول عليها بواسطة قيمة (اختبار كايزر- ماير- أولكن) والذي يجب أن لا يقل عن (0.5) حسب محك كايزر، (KMO) (Kaiser Meyer-Olkin).

♦قياس توافق كل متغير على حده مع متغيرات العينة: يمكن الحصول عليها من (Anti- image) والموجودة في قطر مصفوفة معاملات الارتباط الصورية(MSA) قيم؛ والتي يجب أن تكون أكبر من (0.5).

♦مصفوفة الارتباط مختلفة عن الوحدة: يمكن التأكد من ذلك عن طريق اختبار بارتليت.

 

من المواضيع المهمة لك تحليل المسار باستخدام برنامج AMos ولا تنس أن شركة سندك هي الأفضل في إجراء تحليلك.

 

 

الخطوات الإجرائية لاستخلاص العوامل

بعد التحقق من شروط طرق التحليل العاملي الاستكشافي في مصفوفة معاملات الارتباط تم إجراء التحليل العاملي الاستكشافي بطريقة المكونات الأساسية لهوتلينج (Hotelling)، كما أجرى التدوير المتعامد بطريقة الفاريماكس (Varimax roration) ذلك لافتراض استقلالية العوامل، وقد اعتمدت المحكات الآتية من أجل تحديد العوامل (electronic textbook, 2005):-

♦محك كايزر ( Kaiser,1960)، ويعتمد على كون الجذر الكامن (Eigenvalue) واحدًا صحيحًا أو أكثر.

♦محك كاتل (cattell) وهو طريقة بيانية، ويطلق عليها اسم (scree plot).

♦الاحتفاظ بالعوامل التي تشبع عليها ثلاث عبارات على الأقل.

♦بواقي معاملات الارتباط يجب ألا تزيد نسبتها عن (50%) حسب محك كايزر.

♦وقد يُراعى في انتقاء الفقرات وفي تصنيفها على العوامل المحكات الآتية:

♦أن يكون تشبع الفقرة على العامل الذي تنتمي له ( 0,3 ) أو أكثر كما اقترح جيلفورد.

♦إذا كانت الفقرة تتمتع بتشبع على أكثر من عامل، فتعد منتمية للعامل الذي يكون تشبعها عليه أعلى بفارق ( 0,01 ) على الأقل عن أي عامل آخر.

♦إذا تشبعت فقرة واحدة على عاملين وبنفس القيمة تحذف العبارة ويعاد التحليل مرة أخرى.

 

متى يستخدم تحليل العاملي؟

يوجد العديد من الباحثين الذين يتساءلون: متي يستطيعون استخدام هذا التحليل؟ هذا التحليل هو أسلوب إحصائي يتم استخدامه من أجل بيانات متعددة ترتبط فيما بينها بدرجات مختلفة من الارتباط، وهي تمثل مجموعة كبيرة من المتغيرات، وتستخدم من أجل وصف الظواهر الغربية والمشاكل المختلفة التي تواجه الباحث أو المجتمع.

ويتم استخدام هذا التحليل عن طريق التحليل الدقيق لمصفوفة الارتباط، ويتم ذلك بين المتغيرات التي يمكنها وصف الظاهرة، وتعمل على إبراز نتائج دقيقة تساعد الباحث في عملية استكشاف الظواهر المعقدة.

 

توصلنا مما سبق إلى أن التحليل العاملي هو أحد الأساليب الإحصائية التي يستخدمها معظم الباحثين في مختلف العلوم بما في ذلك العلوم الإنسانية والتعليم التحليل العالمي، بالإضافة إلى استخدامه في تحليل البيانات المتعددة التي ترتبط ببعضها البعض بدرجات متفاوتة في شكل تصنيفات نوعية مستقلة.

 

من أجل الحصول على المزيد من المعلومات وزيادة المعرفة لديك والتعرف على التحليل العاملي في الإحصاء، بإمكانك أن تقوم بالاطلاع على بعض الملفات عن طريق الضغط على بحث عن التحليل العاملي pdf.

 

اقرأ موضوعنا حول : كيفية إدخال البيانات باستخدام برنامج SPSS

 

المصادر والمراجع

بإمكانك الرجوع إلى هذه المقالة والاستفادة من طرق Factor analysis methods.

 

نقدم لك خدمة تحليل عاملي مبتكرة تعتمد على طرق التحليل العاملي المتطورة أي يمكّنك اتخاذ قرارات مدروسة وصائبة؛ فلا تضيع وقتك وجهدك في تحليل البيانات يدويًّا، ودعنا نقدم لك حلًا ذكيًّا ومبتكرًا لتحليل عملك، وانضم إلى قائمة عملائنا فنحن شركة سندك للاستشارات الأكاديمية نقدم لكم أفضل أسعار كتابة الرسائل العلمية، وكل ما عليك التواصل عبر الواتساب.