التحليل العاملي الاستكشافي EFA

يُعد التحليل العاملي الاستكشافي أسلوبًا إحصائيًّا يستخدم لوصف التباين بين المتغيرات المشاهدة؛ من حيث بعض المتغيرات التي يمكن ملاحظتها؛ والتي تسمى العوامل؛ حيث يكشف التحليل العاملي التوكيدي عن هذه الاختلافات الشائعة في الاستجابة للمتغيرات الكامنة غير المرصودة وغير المشاهدة.

ويتم نمذجة المتغيرات المرصودة كمجموعات خطية من العوامل المحتملة؛ حيث يتمثل الهدف الأساسي للتحليل العاملي التوكيدي في تحديد المتغيرات الكامنة المستقلة.

- التحليل العاملي الاستكشافي (EFA).

- التحليل العاملي التوكيدي (CFA).

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.

يعد التحليل العاملي التوكيدي (CFA) الذي يتم إعداده من موقع سندك أحد الأساليب متعددة المتغيرات، ويستخدم للتأكد من الخصائص السيكومترية والتعرف على مدى كفاءة المتغيرات التي يتم قياسها، والمرتبطة بعدد من الأبعاد، كما يعتبر التحليل العاملي التوكيدي و التحليل 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، ويُعد هذا التحليل نوعًا مختلفًا من التحليل العاملي، ويعتبر الأكثر شيوعًا في الأبحاث الاجتماعية، ويتم الاستعانة بهذا التحليل لاختبار ما إذا كانت قياسات بناء النموذج متوافقة مع الفهم القائم على البحث لطبيعة بناء هذا النموذج.

مثال يوضح مفهوم التحليل

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، ويتم استخدام الدرجات في التحليل الإحصائي للبيانات بصورة منتظمة.

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.

أفضل المؤشرات المتعلقة بالمقارنة

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).

إلى ماذا تُشير النتائج التي توصل إليها البرنامج؟

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 .

يتم الاستعانة بـ التحليل 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.

أهم شروط التحليل العاملي الاستكشافي ما يلي :

١- قيمة محدد المصفوفة الارتباطية يجب ألا يساوي صفرًا.

٢- تجانس( توافق ) العينة:

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

(ب) 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).

(ج) قياس توافق كل متغير على حدة 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).

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

بعد التحقق من شروط 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، بإمكانك إعداد خطة البحث PDF من خلال شركة سندك المميزة.

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

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

ب- 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.

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

مصادر و مراجع يمكنك الرجوع إليها

♦ الربيعي، فاطمة عبد الكاظم حمد؛ ارهيف، نرجس هادي. (2013). توظيف التحليل الإحصائي في بحوث العلاقات العامة. مجلة الباحث العلمي، 5(22).

♦ علي، وسام حسن عبد الحفيظ. (2020). مهارات التحليل الإحصائي وتفسير النتائج البحثية اللازمة لطلاب الدراسات العليا. مجلة البحوث في مجالات التربية النوعية، (27) 133- 152.

توصلنا مما سبق إلى أن التحليل العاملي الاستكشافي 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 والتي ترتبط ببعضها البعض بدرجات متفاوتة في شكل تصنيفات نوعية مستقلة، وإذا أردت الحصول على خدمة التحليل الإحصائي من شركة سندك فبإمكانك التواصل على الواتساب الخاص بالشركة