تحلیل عاملی

تجزیه و تحلیل عاملی تکنیکی است که برای کاهش تعداد زیادی از متغیرها به تعداد کمتری از عوامل استفاده می شود. این تکنیک حداکثر واریانس مشترک را از همه متغیرها استخراج می کند و آنها را در یک امتیاز مشترک قرار می دهد. به عنوان شاخصی از همه متغیرها ، می توانیم از این نمره برای تجزیه و تحلیل بیشتر استفاده کنیم. تجزیه و تحلیل عاملی بخشی از مدل خطی عمومی (GLM) است و این روش نیز فرضیه های مختلفی را فرض می کند: رابطه خطی وجود دارد ، هیچ چند قطبی وجود ندارد ، این شامل متغیرهای مربوطه در تجزیه و تحلیل است و همبستگی واقعی بین متغیرها و عوامل وجود دارد. روش های مختلفی در دسترس است ، اما از تجزیه و تحلیل مؤلفه اصلی استفاده می شود.

کشف کنید که چگونه ما به ویرایش فصل های پایان نامه خود کمک می کنیم

تراز چارچوب نظری ، جمع آوری مقالات ، ترکیب شکافها ، بیان یک روش روش شناسی و برنامه داده روشن ، و نوشتن در مورد پیامدهای نظری و عملی تحقیق شما بخشی از خدمات جامع ویرایش پایان نامه ما است.

• تخصص ویرایش پایان نامه را به موقع به فصل های 1-5 بیاورید.
• همه تغییرات را پیگیری کنید ، سپس با شما همکاری کنید تا نوشتن علمی را به وجود آورید.
• پشتیبانی مداوم برای پرداختن به بازخورد کمیته ، کاهش تجدید نظر.

انواع فاکتورسازی:

انواع مختلفی از روش ها برای استخراج عامل از مجموعه داده ها وجود دارد:

1. تجزیه و تحلیل مؤلفه اصلی: این متداول ترین روش مورد استفاده محققان است. PCA شروع به استخراج حداکثر واریانس می کند و آنها را در اولین عامل قرار می دهد. پس از آن ، این واریانس را که توسط فاکتورهای اول توضیح داده شده است ، حذف می کند و سپس استخراج حداکثر واریانس برای عامل دوم را شروع می کند. این روند به آخرین عامل می رود.

2. تجزیه و تحلیل عاملی مشترک: دومین روش ارجح توسط محققان ، واریانس مشترک را استخراج می کند و آنها را به عوامل می رساند. این روش شامل واریانس منحصر به فرد همه متغیرها نیست. این روش در SEM استفاده می شود.

3. فاکتورسازی تصویر: این روش مبتنی بر ماتریس همبستگی است. از روش رگرسیون OLS برای پیش بینی عامل فاکتورسازی تصویر استفاده می شود.

4- روش حداکثر احتمال: این روش نیز بر روی متریک همبستگی کار می کند اما از روش حداکثر احتمال استفاده می کند.

5- روشهای دیگر تجزیه و تحلیل عاملی: فاکتورسازی آلفا از حداقل مربعات بالاتر است. مربع وزن یکی دیگر از روشهای مبتنی بر رگرسیون است که برای فاکتورسازی استفاده می شود.

بارگذاری فاکتور: بارگذاری فاکتور اساساً ضریب همبستگی برای متغیر و عامل است. بارگذاری فاکتور واریانس توضیح داده شده توسط متغیر در آن عامل خاص را نشان می دهد. در رویکرد SEM ، به عنوان یک قاعده انگشت شست ، بارگذاری فاکتور 0. 7 یا بالاتر نشان می دهد که این فاکتور واریانس کافی را از آن متغیر استخراج می کند. مقادیر ویژه: مقادیر ویژه نیز ریشه های مشخصه نامیده می شوند. مقادیر ویژه واریانس توضیح داده شده توسط آن عامل خاص از واریانس کل را نشان می دهد. از ستون مشترک ، می توانیم بدانیم که چقدر واریانس توسط اولین عامل از واریانس کل توضیح داده شده است. به عنوان مثال ، اگر اولین عامل ما واریانس 68 ٪ از کل را توضیح دهد ، این بدان معنی است که واریانس 32 ٪ توسط عامل دیگر توضیح داده می شود. نمره فاکتور: نمره فاکتور نیز نمره مؤلفه نامیده می شود. این نمره از تمام ردیف ها و ستون ها است که می تواند به عنوان شاخصی از همه متغیرها مورد استفاده قرار گیرد و می تواند برای تجزیه و تحلیل بیشتر استفاده شود. ما می توانیم با ضرب یک اصطلاح مشترک ، این نمره را استاندارد کنیم. با این نمره فاکتور ، هرگونه تحلیلی که انجام خواهیم داد ، فرض خواهیم کرد که همه متغیرها به عنوان نمرات عاملی رفتار می کنند و حرکت می کنند.

معیارهای تعیین تعداد عوامل: با توجه به معیار کایزر ، مقادیر ویژه معیارهای خوبی برای تعیین یک عامل است. اگر مقادیر ویژه از یک بیشتر باشد ، باید این یک عامل را در نظر بگیریم و اگر مقادیر ویژه ای کمتر از یک باشد ، پس نباید آن را یک عامل در نظر بگیریم. طبق قانون استخراج واریانس ، باید بیش از 0. 7 باشد. اگر واریانس کمتر از 0. 7 باشد ، پس نباید آن را یک عامل در نظر بگیریم.

روش چرخش: روش چرخش ، درک خروجی را قابل اطمینان تر می کند. مقادیر ویژه بر روش چرخش تأثیر نمی گذارد ، اما روش چرخش بر مقادیر ویژه یا درصد واریانس استخراج شده تأثیر می گذارد. تعدادی روش چرخش در دسترس است: (1) روش چرخش ، (2) روش چرخش Varimax ، (3) روش چرخش کوارتیماکس ، (4) روش چرخش مستقیم Oblimin و (5) روش چرخش Promax. هر یک از این موارد را می توان به راحتی در SPSS انتخاب کرد و می توانیم واریانس خود را که توسط آن روشهای خاص توضیح داده شده است مقایسه کنیم.

فرضیات:

1. هیچ چیز دیگری نیست: فرض کنید که در داده ها هیچ گونه مسافتی وجود ندارد.
2. اندازه نمونه کافی: پرونده باید بیشتر از عامل باشد.
3. هیچ چند قطبی کامل: تجزیه و تحلیل عاملی یک تکنیک وابستگی متقابل است. نباید چند قطبی کامل بین متغیرها وجود داشته باشد.
4. همسایه ای: از آنجا که تجزیه و تحلیل عاملی یک تابع خطی از متغیرهای اندازه گیری شده است ، نیازی به همجنسگرایان بین متغیرها ندارد.
5. خطی بودن: تجزیه و تحلیل عاملی نیز بر اساس فرض خطی است. از متغیرهای غیر خطی نیز می توان استفاده کرد. با این حال ، پس از انتقال ، به متغیر خطی تغییر می کند.
6. داده های بازه: داده های بازه فرض می شود.

مفاهیم و اصطلاحات کلیدی:

تجزیه و تحلیل عاملی اکتشافی: فرض کنید که هر شاخص یا متغیر ممکن است با هر عاملی همراه باشد. این رایج ترین تحلیل عاملی است که توسط محققان مورد استفاده قرار می گیرد و مبتنی بر هیچ تئوری قبلی نیست.

تجزیه و تحلیل عاملی تأیید کننده (CFA): برای تعیین فاکتور و بارگذاری عاملی متغیرهای اندازه گیری شده و برای تأیید آنچه در نظریه اساسی یا از پیش تعیین شده انتظار می رود ، استفاده می شود. CFA فرض می کند که هر عامل با یک زیر مجموعه مشخص از متغیرهای اندازه گیری شده همراه است. معمولاً از دو رویکرد استفاده می کند:

1. روش سنتی: روش فاکتور سنتی به جای تجزیه و تحلیل عاملی مشترک ، بر اساس روش تجزیه و تحلیل عاملی اصلی است. روش سنتی به محقق اجازه می دهد تا درباره بارگیری فاکتور بینش اطلاعات بیشتری کسب کند.
2. رویکرد SEM: CFA یک روش جایگزین از تجزیه و تحلیل عاملی است که می تواند در SEM انجام شود. در SEM ، ما تمام فلش های مستقیم را از متغیر نهفته حذف خواهیم کرد و فقط آن فلش را اضافه می کنیم که باید متغیر را نشان دهد که نشان دهنده کواریانس بین هر جفت مالیت است. ما همچنین خطای مستقیم فلش را به صورت رایگان و اختلال در متغیرهای مربوطه آنها قرار خواهیم داد. اگر اصطلاح خطای استاندارد در SEM کمتر از مقدار مطلق دو باشد ، برای آن عامل خوب فرض می شود ، و اگر بیش از دو باشد ، به این معنی است که هنوز هم واریانس غیر قابل توضیح وجود دارد که می تواند توسط فاکتور توضیح داده شود. مجذور کای و تعدادی از شاخص های مناسب دیگر برای آزمایش چگونگی مناسب بودن این مدل استفاده می شود.

منابع

Bryant ، F. B. ، & Yaold ، P. R. (1995). تجزیه و تحلیل مؤلفه های اصلی و تجزیه و تحلیل عاملی اکتشافی و تأیید کننده. در L. G. Grimm & P. R. Yaold (Eds.) ، خواندن و درک تجزیه و تحلیل چند متغیره. واشنگتن ، دی سی: انجمن روانشناسی آمریکا.

Dunteman ، G. H. (1989). تجزیه و تحلیل مؤلفه های اصلی. Newbury Park ، CA: انتشارات SAGE.

Fabrigar ، L. R. ، Wegener ، D. T. ، MacCallum ، R. C. ، & Strahan ، E. J. (1999). ارزیابی استفاده از تحلیل عاملی اکتشافی در تحقیقات روانشناختی. روشهای روانشناختی ، 4 (3) ، 272-299.

Gorsuch ، R. L. (1983). تجزیه و تحلیل عاملی. Hillsdale ، NJ: Lawrence Erlbaum Associates.

مو ، J. F. ، Jr. ، Anderson ، R. E. ، Tatham ، R. L. ، & Black ، W. C. (1995). تجزیه و تحلیل داده های چند متغیره با قرائت ها (ویرایش 4). رودخانه زین فوقانی ، NJ: Prentice-Hall.

هچر ، L. (1994). یک رویکرد گام به گام به استفاده از سیستم SAS برای تجزیه و تحلیل عاملی و مدل سازی معادلات ساختاری. Cary ، NC: موسسه SAS.

Hutcheson ، G. ، & Sofroniou ، N. (1999). دانشمند علوم اجتماعی چند متغیره: آمار مقدماتی با استفاده از مدلهای خطی عمومی. هزار اوکس ، کالیفرنیا: انتشارات مریم گلی.

Kim ، J. -o. ، & Mueller ، C. W. (1978a). مقدمه ای برای تجزیه و تحلیل عاملی: چیست و چگونه می توان آن را انجام داد. Newbury Park ، CA: انتشارات SAGE.

Kim ، J. -o. ، & Mueller ، C. W. (1978b). تجزیه و تحلیل عاملی: روشهای آماری و موضوعات عملی. Newbury Park ، CA: انتشارات SAGE.

Lawley ، D. N. ، & Maxwell ، A. E. (1962). تجزیه و تحلیل عاملی به عنوان یک روش آماری. آماری ، 12 (3) ، 209-229.

لوین ، م. س. (1977). تجزیه و تحلیل متعارف و مقایسه فاکتور. Newbury Park ، CA: انتشارات SAGE.

Pett ، M. A. ، LaCkey ، N. R. ، & Sullivan ، J. J. (2003). ایجاد حس تجزیه و تحلیل عاملی: استفاده از تجزیه و تحلیل عاملی برای توسعه ابزار در تحقیقات مراقبت های بهداشتی. هزار اوکس ، کالیفرنیا: انتشارات مریم گلی.

Shapiro ، S. E. ، Lasarev ، M. R. ، & McCauley ، L. (2002). تجزیه و تحلیل عاملی از بیماری جنگ خلیج فارس: چه چیزی به درک ما از اثرات احتمالی سلامتی استقرار ، مجله آمریکایی اپیدمیولوژی ، 156 ، 578-585 می افزاید.

Velicer ، W. F. ، Eaton ، C. A. ، & Fava ، J. L. (2000). توضیحات از طریق تجزیه و تحلیل عاملی یا مؤلفه: بررسی و ارزیابی روشهای جایگزین برای تعیین تعداد عوامل یا مؤلفه ها. در R. D. Goffin & E. Helmes (Eds.) ، مشکلات و راه حل ها در ارزیابی انسانی: افتخار داگلاس جکسون در هفتاد سالگی. بوستون ، MA: Kluwer.

Widaman ، K. F. (1993). تجزیه و تحلیل عاملی مشترک در مقابل تجزیه و تحلیل مؤلفه اصلی: تعصب دیفرانسیل در نشان دادن پارامترهای مدل ، تحقیقات رفتاری چند متغیره ، 28 ، 263-311.

صفحات مرتبط:

راه حل های آمار می توانند با کمک به شما در تهیه روشهای روش شناسی و نتایج خود به تجزیه و تحلیل کمی شما کمک کنند. خدماتی که ما ارائه می دهیم عبارتند از:

سؤالات تحقیق خود را ویرایش کنید و فرضیه های تهی/جایگزین

برنامه تجزیه و تحلیل داده های خود را بنویسید. آمار خاص را برای پرداختن به سؤالات تحقیق ، فرضیات آمار مشخص کنید و توجیه کنید که چرا آنها آمار مناسب هستند. منابع را ارائه دهید

تجزیه و تحلیل اندازه/قدرت نمونه خود را توجیه کنید ، منابع را ارائه دهید

برنامه تجزیه و تحلیل داده های خود را برای خود توضیح دهید تا راحت و با اعتماد به نفس داشته باشید

دو ساعت پشتیبانی اضافی با آماری خود

مجموعه داده های پاک و کد

انجام آمار توصیفی (یعنی میانگین ، انحراف استاندارد ، فرکانس و درصد ، در صورت لزوم)

تجزیه و تحلیل را برای بررسی هر یک از سؤالات تحقیق خود انجام دهید

جداول و ارقام نسخه APA 6 را ارائه دهید

یافته های فصل 4 را توضیح دهید

پشتیبانی مداوم از کل نتایج آمار فصل

لطفاً برای درخواست نقل قول بر اساس مشخصات تحقیق خود ، با شماره 727-442-4290 تماس بگیرید ، با استفاده از تقویم در این صفحه ، یا ایمیل [ایمیل محافظت شده] برنامه ریزی کنید < pan> برنامه تجزیه و تحلیل داده های خود را برای شما توضیح دهید تا راحت و با اعتماد به نفس داشته باشید