سنجش و اندازه گیری

دیدگاه و رویکرد پژوهش بین رشته‏ ای

تحلیل عاملی 2

تحلیل عامل تاییدی بر آزمون فرض تاکید دارد و به دلیل همین ویژگی بر تحلیل عاملی اکتشافی مزیت دارند. این تحلیل عاملی نتیجه ی تلاش هایی است که باک، برگمن و جارزکاگ انجام دادند. برای تدوین فرضیه مناسب آن است که از طریق تحلیل عاملی اکتشافی به فرضیه دست یافت و سپس از طریق تحلیل عامل تاییدی آن را آزمود.

رابطه ی تحلیل عاملی با سایر فنون تحلیلی چند متغییری

مقصود فنون تحلیل عاملی چند متغییری تحلیل کوواریانس چند متغییری است. فنونی مانند تحلیل واریانس چند متغییری، رگرسیون چند متغییری، تحلیل تابع تشخیصی موقعی مناسب برای پیش بینی های چند متغیره است. در این موارد برای بررسی وضعیت آزمودنی ها اطلاعاتی از پیش بینی کننده ها در دسترس است و در ضمن متغییر ملاک یک متغییر است مانووا می تواند در زمانی که پیش بینی شونده بشتر از یک متغییر است نیز استفاده شود.

تفاوت بین تحلیل عاملی و تحلیل خوشه ای نیز به واریانس های تحلیل شده برمی گردد. واریانس در یک آزمون یا مشترک است که مربوط به چند سوال یا خرده آزمون است و یا واریانس یگانه است. این واریانس مربوط به یک سوال یا خرده آزمون می شود.تحلیل عاملی واریانس مشترک را در بر می گیرد و لی تحلیل خوشه ای شامل هر دو نوع واریانس می شود. در تحلیل عاملی واریانس یک تست یا متغییر تجریه و بین چندین عامل توزیع می شود بر عکس در تحلیل خوشه ای واریانس سوال یا متغییر به گروهی اختصاص داده می شود که بیشترین همبستگی را دارد. تحلیل عاملی را می توان برای مطالعه ی ساختار مجموعه ای از متغییرها یا تست ها بکار رد و زمانی بکار می رود که پژوهشگر قصد دارد می خواهد واریانس مشترک یک تست را به تعداد کوچکتری از متغییرها که مفهومی معنادار دارد کاهش دهد و درک کند که ساختتار هر واحد اساسی چگونه است در حالی که تحلیل خوشه ای زمانی استفاده می شود که قصد داریم متغییر ها را از طریق گروهبندی به شکل مجموعه ای طبقه بندی کنیم. تحلیل خوشه ای در توسعه ی نظام های شغلی و در تشخیص انواع مختلف مردم استفاده می شود.

مفروضه ی اساسی تحلیل عاملی این است که عامل های زیربنایی متغییرها را می توان برای تبین پدیده های پیچیده بکار برد و همبستگی های مشاهده شده بین متغییرها حاصل اشتراک آنها در این عامل ها است.

 داده های حاصل از تست ها عملا نمره هایی است که به درجات مختلف با یکدیگر همپوشی دارند. همپوشی بین متغییرها میزان موثر بودن پیش بینی کننده ها  را محدود می سازد. به کمک تحلیل عملی می توانیم ابعاد کمتر و موثرتری را بیابیم. به این امید که ابعاد کوچکتر بتوانند همه ی اطلاعات را پوشش دهند. این ابعاد توصیف ما را روشن تر، قاطع تر و واضح تر می سازد. کاربرد های تحلیل عاملی عبارتند از:

  1. رواسازی و توسعه ی ابزارهای روان سنجی
  2. کمک به تدوین فرضیه با کشف سازه های جدید
  3. تحلیل محتوا

مدل های تحلیل عاملی اکتشافی

دو نوع کاملا متمایز تحلیل را شامل می شوند: تحلیل مولفه ای و تحلیل عامل مشترک. مقدار و نوع واریانس هر متغییر که توسط عامل ها توجیه می شود مبنای تفاوت بین این دو نوع تحلیل است. در تحلیل مولفه ای مانند تحلیل خوشه ای هم واریانس مشترک و هم واریانس یگانه توجیه می شود. بنابراین از لحاظ نظری باید تعداد مولفه ها با تعداد متغییرها برابر باشند چون بنابر آن چه گفته شد باید واریانس هر متغییر توسط عامل ها توجیه شود. اما در تحلیل عامل مشترک همانطور که از اسم آن پیدا است فقط واریانس مشترک توسط عامل ها توجیه می شوند و بنابر اصل صرفه جویی تعداد عوامل می تواند کمتر از تعداد متغییرها باشد. در تحلیل مولفه ی اصلی عامل ها توجیه کننده ی واریانس هر متغییر و در تحلیل عامل مشترک عامل ها توجیه کننده ی همبستگی بین متغییر ها است. واریانس ها در تحلیل عاملی چه معنی می دهند؟ در تحلیل عاملی مشترک واریانس هر متغییر تشکیل شده از واریانس مشترک و واریانس اختصاصی. در تحلیل عاملی مولفه های اصلی عامل ها تمام واریانس ها را توجیه می کنند. اگر عامل های مشترک متعامد باشند همبستگی بین دو متغیییر برابر با مجموع حاصلضرب بارهای عاملی است.

+ نوشته شده در  شنبه 22 اسفند1388ساعت   توسط محمد حسین ضرغامی  |