آزمون  تحلیل عاملی اکتشافی

این آموزش توسط سایت کافه پروژه برای ارتقای سطح علمی دانشجویان و علاقه مندان به نرم افزار spss تنظیم شده و هدفش آشنایی با آزمون های موجود در  این نرم افزار و نحوه انجام این آزمون ها و کمک به دانشجویان و پژوهشگران برای حل مسائل تحقیقی با استفاده از آزمون های این نرم افزار است  لذا به جهت گستردگی مطالب  در چندین قسمت درحال برگذاری هست.و در هر قسمت بطور جداگانه آموزش های لازم داده خواهد شد

انجام تحلیل عاملی اکتشافی در اس پی اس اس

در این نوع تحلیل عاملی، محقق  هیچ اساسی  برای دسته بندی  متغیرها در عامل و یا دسته  خود ندارد. در این حالت متغیرها وارد تحلیل می شوند و سپس خود نرم افزار برای  آزمون متغیرها تصمیم می گیرد که متغیرها را در کدام عامل قرار دهد. به کار بردن  تحلیل عاملی اکتشافی بیشتر در تحقیقات جدید که نظریه ای  وجود ندارد بسیار زیاد است.

در این رابطه می خواهیم با استفاده از  پرسشنامه ای  درنرم افزار اس پی اس اس تحلیل عاملی اکتشافی انجام بدهیم. این پرسشنامه به صورت ساختگی  بوجود آمده  و عنوان آن پیشرفت تحصیلی است. سوالات پرسشنامه در یک طیف لیکرت پنج گزینه ای کاملا موافقم تا کاملا مخالفم نمره گذاری می شوند.

مشاهده این آموزش شما را در انجام پروژه دانشجویی خود یاری می دهد.لطفا تا پایان همراه ما باشید.

ابتدا فایل مربوط به داده های پرسشنامه رادر نرم افزرا اس پی اس اس  باز کرده و از مسیر زیر برای تحلیل عاملی اکتشافی استفاده می ­کنیم

. Analyze / Dimension Reduction / Factor

متغیر های r1 تا r20 را که مربوط به سوالات پرسشنامه است را انتخاب کنید و با کلیک کردن روی آن ها، به کادر متغیرها انتقال دهید. بر روی دکمه ی توصیفی کلیک کنید تا کادر مربوط به آن  باز شود.

مطابق شکل زیر تیک گزینه های نشان داده شده را فعال نمایید.

گزینه آزمون KMO و بارتلت برای کرویت مخصوص آزمون کافی بودن نمونه گیری و بارتلت است.

سپس بر روی گزینه کنتنیو کلیک کنید.

حال در پنجره تحلیل عاملی بر روی دکمه استخراج کلیک کنید تا پنجره زیر باز شود.

مطابق شکل گزینه طرح اسکری را انتخاب کنید.

سپس بر روی گزینه کنتنیو کلیک کنید.

 

در پنجره تحلیل عاملی جهت بدست آوردن ماتریس F چرخیده بر روی دکمه چرخش کلیک کنید تا پنجره زیر باز شود.

گزینه­‌ی واریمکس را انتخاب کنید.

در نهایت جهت اجرای دستور تحلیل عاملی بر روی گزینه کنتنیو کلیک کنید.

آزمون کافی بودن  نمونه گیری

قبل از انجام تحلیل عاملی ابتدا باید اطمینان پیدا کنیم که آیا تعداد داده های موجود برای تحلیل عاملی مناسب هستند یا خیر ؟ برای این منظور از شاخص‌های کامو و آزمون بارتلت استفاده می کنیم. با توجه به مقدار معناداری به این نتیجه می رسیم که داده های مورد نظر برای نمونه گیری مناسب هستند.

آزمون کامو نشان می‌دهد که آیا تعداد داده‌های نمونه برای تحلیل عاملی مناسب هستند یا خیر. میزان  این آزمون در بین محدوده صفر تا یک متغیر است. اگر میزان آزمون نزدیک به یک باشد (حداقل ۰.۶) داده ­های مورد نظر برای تحلیل عاملی مناسب هستند. در غیر این صورت (معمولا کمتر از ۰.۶) نتایج تحلیل عاملی برای داده های در نظر گرفته شده مناسب نیستند.

پیشنهاد نرم افزار مشابه  : برای انجام پروژه های تحلیل آماری نرم افزار دیگری وجود دارد که همانند spss کارایی بالایی دارد.انجام پروژه با نرم افزار لیزرل محبوبیت زیادی در بین محققین و دانشجویان دارد و بسیاری از شرکتها از این نرم افزار برای کارهای آماری خود استفاده می کنند.

توضیحات بیشتر : از این آزمون  برای کافی بودن  نمونه گیری استفاده می شود به طوری که کوچک بودن رابطه  جزئی بین متغیرها را بررسی می کند و تعیین  می سازد آیا تغییرات  متغیرهای تحقیق، تحت تاثیر تغییرات  مشترک برخی شاخص های مکنون و مخفی و اساسی است یا خیر.

آزمون بارتلت

آژمون بارتلت فرضیه “ساختار رابطه متغیرهای دیده  شده یکسان است” را مورد تحلیل قرار می‌دهد. این تحلیل تایید می‌کند که متغیرها با یکدیگر ارتباط ندارند که این امر از طریق معنی‌داری آزمون خی دو بدست می‌آید. اگر میزان  معنی‌داری در آزمون بارتلت کمتر از ۵ درصد باشد ساختار رابطه ، یکسان نخواهد بود یعنی بین متغیرها ارتباط وجود دارد و فرضیه آماری صفر رد خواهد شد. با توجه جدول میزان معناداری آزمون ۰.۰۰۰ شده است این بدان معنی است که فرضیه صفر رد می شود و میان متغیرها ارتباط معناداری وجود دارد.

ساختار رابطه

شکل زیر ساختار رابطه را نشان می دهد که سطر و ستون آن مساوی است. عناصر روی قطر اصلی همه آنها دارای مقدار یک هستند. ساختار رابطه

قرینه می باشد. بررسی ساختار رابطه نشان می دهد که تعدادی از متغیرها تا حدودی باهم رابطه‌ی خوبی دارند.

جدول شباهت ها

شکل زیر جدولی از شباهت ها را در حالت بدون چرخش نشان می­ دهد. شباهت های  یک متغیر، مربع رابطه  چندجهته برای متغیر مربوطه با استفاده از شاخص‌هاست، بنابراین نسبتی از واریانس آزمون مورد نظر است که توسط شاخص های شبیه بهم بدست آمده  در تحلیل عاملی تخمین زده می شود.

به عنوان مثال در ستون استخراج از متغیر q01 می بینیم که ۴۳ درصد از واریانس امتیازات متغیر q01، واریانس عامل مشترک است. ستون اولیه همه مشابهت ها  قبل از انتیجه گرفتن را گذارش می کند پس تمام آن یک می باشد.

جدول اصلاح شده از آماره های مربوط به چهار شاخص بدست آمده

در این جدول ردیف های ۴ به بعد به دلیل اینکه مقدار ویژه آنها کمتر از یک است حذف  شده است . قسمت  اول شامل سه ستون با برچسب مقادیر ویژه اولیه مربوط به مقدارهای ویژه ساختار همبستگی است. میزان خاص، مقداری از تغییرات  آزمون کل است که توسط یک شاخص خاص تخمین زده می شود و تغییرات  کل برای هر آزمون برابر با (%۱۰۰) است. میزان خاص برای شاخص اول برابر با ۷.۲۹۰ می باشند. سایر مقدارهای خاص برای شاخص های بعد نیز در ستون جمع کل  آمده است. ستون دوم که برچسب واریانس % را دارد درصد سهم تغییرات  آن شاخص از تغییرات کل می باشد که از تقسیم میزان خاص آن شاخص بر تعداد آزمون ها به دست می آید.

چهار شاخصی که اندازه  ویژه ی بزرگ تر از ۱ دارند تنها ۵۰.۳۷ درصد از تغییرات  کل را برآورد می کنند (ستون انباشته %). هر چه این میزان  به ۱۰۰ نزدیک تر باشد تحلیل تعداد شاخص های ما بهتر صورت می گیرد.قسمت دوم شامل سه ستون با برچسب استخراج مجموع بارهای مربعی است که مجموع ضرایب عامل چرخش داده نشده است.

قسمت سوم شامل سه ستون با برچسب مجموع چرخش بارهای مربعی است. که مربوط به حل عامل چرخیده است و تغییرات را میان شاخص ها بصورت یکسان  توزیع می کند. برخلاف چرخیده نشده که عامل اول مقدار بیشتری از تغییرات را توجیه می کند.

نمودار سنگ ­ریزه

این نمودار که نمودار صخره ای و تصویر مقدار خاص را در هریک از شاخص  های گرفته  شده نشان می دهد که چون از بزرگ‌ترین مقدار خاص شروع می شود همیشه بصورت   نزولی است. مقدار خاص با استخراج عامل های بعدی به سرعت کاهش می یابد. مقدار خاص عامل نهم کمتر از ۱ است.

ساختار شاخص های چرخیده نشده

این جدول ساختار اجرا یا عامل های چرخیده نشده را نشان می دهد که شامل نمرات عاملی هریک از متغیرها در چهار شاخص باقی مانده می باشد .تفسیر نمرات عاملی بدون چرخش ساده نیست. بنابراین شاخص ها را می چرخانیم تا توانایی تحلیل آن ها افزایش پیدا کند. این موضوع در جدول نتایج بعدی آمده است.

 

در ادامه قصد داریم آموزش نرم افزار spss و انجام پروژه با نرم افزار spss را به شما ارائه دهیم.لطفا تا پایان با ما همراه باشید و آموزش های ما را دنبال نمایید.

ساختار عناصر چرخیده شده

این خروجی ساختار چرخیده شده عناصر را نشان می دهد که شامل ضریب های عاملی هریک از متغیرها در چهار فاکتور باقی مانده پس از چرخش می باشد. این ساختار را بهتر از ساختار چرخیده نشده قبلی می توان تحلیل کرد. هر چقدر میزان قدر مطلق این ضرایب بیشتر باشد، فاکتور مربوطه نقش بیشتری در کل تغییرات (واریانس) متغیر مورد نظر دارد.

چرخش عوامل در تحلیل عاملی اکتشافی

دانشمندان آماری معتقدند که بدون چرخش نمی توان به نتایج تحلیل عاملی اطمینان  پیداکرد، چرا که این چرخش، ساختار را ساده‌تر کرده و تنها در صورت داشتن یک ساختار ساده است که می توانیم هم به نتایج تکرار پذیر دست پیدا کنیم و هم به نتایجی که تشخیص دهنده های موجود در دنیای واقعی را نشان دهند.

مفهوم چرخش فاکتورها در تحلیل عاملی اکتشافی

این جمله  به چه معنابه کار می رود ؟ اصلا تحلیل عاملی چطور کار می کند ؟ به چه صورت بهترین نسبت را بین متغیر پنهان (برای مثال عامل های پرسشنامه) و متغیرهای آشکار (برای مثال سوالات پرسشنامه) در نظر می گیرد ؟

برای پاسخ به این سوالات فرض کنید ۱۰ متغیر دارید که قصد دارید روی این ۱۰ متغیر تحلیل عاملی اکتشافی انجام دهید. برنامه ابتدا به دنبال قوی ترین همبستگی بین متغیرها و عامل پنهان می گردد و باعث تشکیل عامل اول می شود. از نظر بصری، می توان آن را به عنوان یک محور مانند شکل (۱) تصور کرد.

نحوه اجرای تحلیل عاملی اکتشافی

سپس روش تحلیل عاملی به دنبال گروه دوم رابطه ها است و آن را عامل ۲ نام گذاری می کند و این روند همچنان ادامه می یابد تا  دنبال عاملهای دیگر باشند که گاهی اوقات، متغیری پیدا می شود که با چند عامل رابطه  زیادی دارد. همچنین متغیری پیدا می شود که هیچ رابطه ای قوی با هیچ یک از فاکتورها ندارد.

به منظور بهتر شدن مکان محورها در نقاط داده بهتر، برنامه می تواند محورها را بچرخاند. در حالت ایده آل، چرخش باعث می شود عوامل راحت تر قابل تفسیر باشند. در اینجا تصویری از آنچه در طول چرخش اتفاق می افتد هنگامی که فقط دو بعد وجود دارد قابل مشاهده است :

چرخش غیر مورب عوامل در تحلیل عاملی اکتشافی

در چرخش های غیر مورب شاخص  ها طوری چرخانده می شوند که نسبت به هم همیشه یک زاویه قائمه (۹۰ درجه) داشته باشند. این بدین معنا است که شاخص ها نسبت به هم  وابستگی ندارند و میزان رابطه  بین آن ها برابر با صفر است.

 

 چرخش غیر مورب

محورهای x و y اصلی به رنگ سیاه نشان داده شده است. در حین چرخش، محورها به جایگاهی انتقال داده می شوند که برنقاط داده به طور بهتری مسلط شود. برنامه ها انواع مختلفی از چرخش ها را ارائه می دهند. تفاوت مهمی که بین آنها وجود دارد این است که آنها می توانند عواملی را ایجاد کنند که رابطه  یا عدم رابطه با یکدیگر داشته باشند.

چرخش هایی که رابطه را امکان‌پذیر می کنند چرخش های نامتعاند نامیده می شوند. چرخش هایی که در آنها این فرضیه می آید که  فرض می کنند شاخص ها، رابطه ندارند، چرخش های غیر مورب  خوانده می شوند. .

چرخش نامتعامد شاخص ها در تحلیل عاملی اکتشافی

نمایشی از چرخش نامتعاند محورها می باشد که در آن عوامل با یکدیگر در ارتباط هستند.

چرخش نامتعاند

آشکار است که زاویه بین این دو عامل در حال حاضر از ۹۰ درجه کوچکتر است، به این معنی که شاخص ها در حال حاضر وابسته هستند. در این مثال، یک چرخش نامتعاند داده ها را بهتر از یک چرخش غیر مورب در شاخص مورد نظر قرار می دهد.

در رشته های علوم اجتماعی، معمولا انتظار می رود بین عامل ها همبستگی وجود داشته باشد و از طرف دیگر تقسیم رفتار انسان ها به بخش های مختلف، که مستقل از همدیگر عمل کنند، به ندرت اتفاق می افتد. بنابراین در چنین مواقعی اگر عامل ها با یکدیگر همبستگی داشته باشند، استفاده از چرخش های متعامد باعث می شود که اطلاعات باارزش زیادی از بین برود. از این رو، به لحاظ نظری چرخش های نامتعامد یا مورب می توانند راه حل دقیق تر و نمایش واقع بینانه تری از نحوه ارتباط عامل ها با همدیگر ارائه کنند.

روش های چرخش شاخص ها در نرم‌افزار اس پی اس اس

 

شکل (۳) انتخاب روش چرخش عوامل در تحلیل عاملی اکتشافی

الف – روش های چرخش غیر مورب عوامل

۱-چرخش واریماکس

روش واریماکس، رایج ترین روش چرخش غیر مورب در تحلیل عاملی است. هدف این چرخش، رسیدن به ساختار ساده با غیر مورب نگه داشتن محورهای عاملی می باشد. روش واریماکس، پیچیدگی شاخص  ها از طریق بزرگتر سازی ضریب های بزرگ و کوچکتر سازی ضریب های کوچک در داخل هر شاخص به کمترین حد می رساند.

چرخش واریماکس، مجموع واریانس های ضریب های جذر گرفته شده بر روی ستون های یک ماتریس را به بیشترین میزان آن می رساند. یعنی ستون های ماتریس ضریب عاملی را ساده می کند. در این روش، در هر شاخص ، ضریب های بزرگ افزایش و ضریب های کوچک کم می شوند، به طوری که هر شاخص تنها چند متغیر محدود با شاخص بزرگ و در مقابل، متغیرهای زیادی با شاخص کوچک دارد.

یکی از ویژگی های لطیف روش واریماکس این است که به جای ضریب های واقعی از ضریب های به صورت جذر گرفته شده استفاده می شود. در روش واریماکس، علامت های منفی ستون ها حذف می شوند و تاثیر این علامت های منفی در واریانس از بین می روند. روش واریماکس، عالی ترین روش برای رسیدن به یک ساختار ساده غیر مورب است و در بسیاری از موارد، روش های چرخش مورب با روش واریماکس تقریبا یکسان هستند. زیرا همبستگی بین عامل ها به اندازه ای کم  است که می توانیم از آن ها صرف نظر کنیم.

نکته: یک دیگر از خدماتی که توسط سایت کافه پروژه ارائه می شود کار ریوایز مقاله است. جهت انجام پروژه ریوایز مقاله خود نیازمند آموزش کافه پروژه از ابتدا ملاحظه نمایید جهت مشاهده و آموزش های مرتبط با این پروژه  لازم است کلمه آموزش  پروژه ریوایز مقاله را در بخش جستجو وارد نمایید و اینتر بزنید.

۲-روش چرخش کوآرتیماکس

این روش در درون هر متغیر ضریب های  بزرگ را بزرگتر و ضریب های کوچک را کوچک‌تر می سازد. این روش، واریانس ردیف های یک رابطه عاملی را به بیشترین  میزان آن می رساند. این روش واریانس مجذورضریب عاملی در داخل متغیرها را به بیشترین  میزان افزایش می دهد. یعنی ردیف های ماتریس ضریب  عاملی را ساده می کند. در این روش در هر متغیر ضریب های بزرگ افزایش و ضریب های کوچک کاهش می یابند، طوری که هر متغیر تنها شامل  تعداد کمی  عامل خواهد شد.

جهت سفارش نوشتن مقاله isi نیز میتوانید در سایت ثبت نام نمایید و پروژه خود را تعریف کنید.کافه پروژه بهترین نویسندگان مقاله در سطح کشور را داراست.

۳-روش چرخش اکوآماکس

این روش، ترکیبی از دو روش واریماکس و کوآرتیماکس است که تلاش می کند هم عوامل   و هم متغیرها در یک رابطه  عاملی را ساده‌سازی کند. در واقع این روش هم به ساختار ساده درون متغیرها و هم به ساختار ساده درون مولفه ها توجه می کند.

نکته : سایت فریلنسینگ کافه پروژه یکی از بزرگترین سایتهای انجام پروژه های تحلیل آماری در ایران است که از وجود صدها فریلنسر متخصص کارهای آماری بهره می برد.جهت سفارش پروژه ثبت نام نمایید و پروژه خود را ایجاد کنید.

ب – روش های چرخش نامتعامد

۱- روش چرخش پروماکس

روش پروماکس یک روش مورب است که زمانی که عوامل وابسته  هستند استفاده می شود. این روش نسبت به روش مستقیم ابلیمین سریع تر است لذا برای داده  های بزرگ تر مفید تر است.

۲- روش چرخش مستقیم ابلیمین

روش چرخش مستقیم ابلیمین یک روش چرخش نامتعامد برای تبدیل بردارهای مرتبط با تجزیه تحلیل مولفه اصلی به ساختار ساده می باشد. چرخش مستقیم ابلیمین یک روش استاندارد مورب است یعنی روشی که در آن عوامل باید به هم  همبستگی داشته باشند

پیشنهاد لینک : اگر دنبال کارهای تحقیقاتی در این حوزه هستید و کار نرم افزاری به کارتان نمی آید میتوانید به صفحه انجام تحقیق سایت کافه پروژه مراجعه نمایید

ممنون از اینکه آموزش های ما را دنبال می کنید این بخش از آموزش نرم افزار spss  به اتمام رسید به زودی آموزش قسمت بعدی نرم افزار بر روی سایت منتشر می شود

نحوه سفارش پروژه در سایت کافه پروژه :

اگر پروژه ای دارید که میخواهید آن را برون سپاری کنید کافی است در سایت کافه پروژه ثبت نام کنید و پروژه خود را ثبت نمایید.پروژه شما هر چه که باشد حتما مجری برای آن وجود دارد.جهت ثبت نام و ثبت سفارش پروژه خود برروی دکمه زیر کلیک نمایید.