التحليل العاملي التوكيدي

طريقة اقتباس المقال الحالي:
Writer، "التحليل العاملي التوكيدي،" في المؤسسة العربية للعلوم ونشر الأبحاث، تم الاسترداد بتاريخ (03/19/2024)، من (https://blog.ajsrp.com/?p=11171).
التحليل العاملي التوكيدي

التحليل العاملي التوكيدي

 

المفاهيم الرئيسية

التحليل العاملي التوكيدي مقابل التحليل العاملي الاستكشافي

المتغيرات الكامنة (العوامل) والمتغيرات الملاحظة

التحليل العاملي التوكيدي وأخطاء القياس

العوامل المترابطة وأخطاء القياس المترابطة

 

مقدمة

يعد التحليل العاملي التوكيدي شكلاً خاصًا من أشكال التحليل العاملي، وهو الأكثر استخدامًا في البحوث الاجتماعية. يتم استخدامه لاختبار ما إذا كانت مقاييس أحد التركيبات تتوافق مع فهم الباحث لطبيعة ذلك التركيب. على سبيل المثال ، المستوى التعليمي للأب ليس مقياسًا مثاليًا لعامل الحالة الاجتماعية والاقتصادية ومقدار التمارين في الأسبوع ليس مقياسًا مثاليًا لعامل اللياقة.

تم التعامل مع قضايا الصلاحية والموثوقية في القياس تقليديًا من خلال فحص صحة وموثوقية الدرجات على الأدوات المستخدمة في سياق معين. بالنظر إلى مستوى مقبول من صحة النتيجة وموثوقيتها ، يتم استخدام الدرجات في التحليل الإحصائي.

ومع ذلك ، فإن التحليل الإحصائي التقليدي لهذه الدرجات – على سبيل المثال ، في تحليل الانحدار المتعدد والمسار – لا يتم ضبطه لخطأ القياس.

تم التحقيق في تأثير خطأ القياس ووجد أن له عواقب وخيمة – على سبيل المثال ، تقديرات المعلمات المتحيزة (كوكران ، 1968 ؛ فولر ، 1987).

لذلك تم تطوير برامج نمذجة المعادلات الهيكلية التي تفسر خطأ قياس المتغيرات – أي تحليل العوامل – الذي يخلق المتغيرات الكامنة المستخدمة في نمذجة المعادلات الهيكلية.

يحاول التحليل العاملي التوكيدي تحديد أي مجموعات من المتغيرات الملاحظة تشترك في خصائص التباين المشترك – التباين المشترك التي تحدد التركيبات النظرية أو العوامل (المتغيرات الكامنة).

يفترض التحليل العاملي التوكيدي أن بعض العوامل التي يكون عددها أصغر من عدد المتغيرات الملحوظة مسؤولة عن التباين المشترك – التباين المشترك بين المتغيرات المرصودة. في الممارسة العملية ، يقوم المرء بجمع بيانات عن المتغيرات المرصودة ويستخدم تقنيات تحليل العوامل إما لتأكيد أن مجموعة فرعية معينة من المتغيرات المرصودة تحدد كل بناء أو عامل ، أو استكشاف المتغيرات الملاحظة التي تتعلق بالعوامل.

في مناهج نموذج التحليل العاملي الاستكشافي ، نسعى لإيجاد نموذج يناسب البيانات ، لذلك نحدد نماذج بديلة مختلفة ، على أمل أن نجد في النهاية نموذجًا يناسب البيانات ويحظى بدعم نظري. هذا هو الأساس المنطقي لتحليل عامل الاستكشاف (EFA). في مناهج التحليل العاملي التوكيديد ، نسعى لإجراء اختبار إحصائي لأهمية نموذج عامل مفترض – أي ما إذا كانت بيانات العينة تؤكد هذا النموذج. تؤكد عينات إضافية من البيانات التي تتناسب مع النموذج صحة النموذج المفترض.

هذا هو الأساس المنطقي لتحليل عامل التأكيد (CFA).

في CFA ، يحدد الباحث عددًا معينًا من العوامل ، والعوامل المترابطة ، والمتغيرات الملاحظة التي تقيس كل عامل. في التعليم للجميع ، يستكشف الباحث عدد العوامل الموجودة ، وما إذا كانت العوامل مترابطة ، والمتغيرات الملحوظة التي يبدو أنها تقيس كل عامل بشكل أفضل.

في CFA ، لدى الباحث نموذج نظري محدد مسبقًا ؛ في التعليم للجميع ، لا يمتلك الباحث مثل هذا النموذج. في هذا الفصل نهتم فقط بنماذج التحليل العاملي التوكيدي لأن الكتاب يركز على اختبار النماذج النظرية. تمت تغطية تحليل عامل الاستكشاف بعمق في مكان آخر (Comrey & Lee ، 1992 ؛ Gorsuch ، 1983 ؛ و Costello & Osborne ، 2005).

يبدأ هذا الفصل بمثال كلاسيكي لنموذج عامل تأكيد ، ثم ينتقل إلى أقسام عن مواصفات النموذج ، وتحديد النموذج ، وتقدير النموذج ، واختبار النموذج ، وتعديل النموذج.

 

مثال على التحليل العاملي التوكيدي

نحن نستخدم نموذجًا كلاسيكيًا لـ التحليل العاملي التوكيدي سيتم اتباعه طوال الفصل. جمع Holzinger و Swineford (1939) بيانات عن 26 اختبارًا نفسيًا لأطفال الصفين السابع والثامن في منطقة مدرسة ضواحي شيكاغو. على مر السنين ، تم تحليل نماذج فرعية مختلفة من الأطفال ومجموعات فرعية مختلفة من متغيرات مجموعة البيانات هذه وعرضها في كتب مدرسية للإحصاءات متعددة المتغيرات – على سبيل المثال ، Harmon (1976) و Gorsuch (1983) – وأدلة برنامج SEM – على سبيل المثال Jöreskog and Sörbom (1993 ؛ المثال 5 ، ص 23 – 28).

البيانات الأولية التي تم تحليلها هنا تتعلق بالمتغيرات النفسية الستة الأولى لجميع المواضيع الـ 301 (انظر الفصل 5) ؛ يتم إعطاء مصفوفة التغاير S الناتجة في الملحق. يتكون نموذج التحليل العاملي التوكيدي من المتغيرات الستة التالية: الإدراك البصري ، المكعبات ، المعينات ، فهم الفقرة ، إكمال الجمل ، ومعنى الكلمة. تم افتراض المقاييس الثلاثة الأولى لقياس عامل القدرة المكانية والقياسات الثلاثة الثانية لقياس عامل القدرة اللفظية.

يظهر الرسم التخطيطي لمسار النموذج النظري المقترح في الشكل 1 تم وصف اصطلاحات الرسم المستخدمة في الشكل  1. المتغيرات الملحوظة محاطة بمربعات أو مستطيلات ، والعوامل (المتغيرات الكامنة) محاطة بدوائر أو علامات حذف – أي المكانية واللفظية. من الناحية المفاهيمية ، يمثل العامل الاختلاف المشترك بين مجموعة من المتغيرات الملاحظة. وهكذا ، على سبيل المثال ، يمثل عامل القدرة المكانية الاختلاف الشائع بين مهام الإدراك البصري والمكعبات والمعاينات. تشير الخطوط الموجهة من عامل إلى متغير معين إلى العلاقة بين هذا العامل وهذا المقياس. يتم تفسير هذه العلاقات على أنها عوامل تحميل مع مربع تحميل العامل يسمى تقدير القواسم المشتركة للمتغير.

يتم إحاطة أخطاء القياس بعلامات بيضاوية أصغر وتشير إلى أن جزءًا من كل متغير مرصود يقيس شيئًا آخر غير العامل المفترض. من الناحية المفاهيمية ، يمثل خطأ القياس التباين الفريد لمتغير معين مرصود يتجاوز التباين بسبب العامل ذي الصلة. على سبيل المثال ، تعد مهمة المكعبات إلى حد كبير مقياسًا للقدرة المكانية ، ولكنها قد تقوم أيضًا بتقييم خصائص أخرى مثل عامل مشترك مختلف أو عدم موثوقية. لتقييم خطأ القياس ، يتم تقدير التباين في كل خطأ قياس (يعرف باسم تباين خطأ القياس).

يشير الخط المنحني ذي الرأسين بين عاملين إلى أن لهما تباينًا مشتركًا أو مترابطان. في هذا المثال ، يتم تحديد القدرة المكانية واللفظية للتشارك أو الارتباط. الأساس المنطقي لهذا الارتباط العامل المحدد هو أن القدرة المكانية والقدرة اللفظية ترتبط بعامل قدرة أكثر عمومية وبالتالي يجب أن تكون مرتبطة نظريًا.

يشير الخط المنحني ذي الرأسين بين متغيرين لخطأ القياس إلى أن لهما أيضًا تباينًا مشتركًا أو مترابطين. على الرغم من عدم ظهوره في هذا المثال ، يمكن ربط تباينين ​​في خطأ القياس إذا كانا يشتركان في شيء مشترك مثل (أ) تباين الطريقة الشائعة حيث تكون طريقة القياس هي نفسها ، مثل نفس مقياس القياس ، أو كلا الجزأين من نفس الأداة العالمية ، أو (ب) يتم استخدام نفس المقياس في نقاط زمنية مختلفة ، أي أن مهمة المكعبات تقاس في الوقت 1 ومرة ​​أخرى في الوقت 2.

 

الشكل 1

نموذج التحليل العاملي التوكيدي. من Holzinger، K.J، & Swineford، F.A [1939]

دراسة في التحليل العاملي التوكيدي: ثبات محلول ثنائي العامل.

التحليل العاملي التوكيدي

 

مواصفات نموذج التحليل العاملي التوكيدي

تعد مواصفات النموذج خطوة أولى ضرورية في تحليل نموذج التحليل العاملي التوكيدي ، تمامًا كما كان الحال بالنسبة لنماذج الانحدار والمسار المتعددة.

يمكن افتراض العديد من العلاقات المختلفة بين مجموعة من المتغيرات مع تقدير العديد من المعلمات المختلفة. وبالتالي ، يمكن افتراض العديد من نماذج العوامل المختلفة على أساس العلاقات المفترضة المختلفة بين المتغيرات الملاحظة والعوامل.

في مثالنا ، هناك ستة متغيرات ملحوظة مع افتراضين متغيرين كامنين مختلفين (عوامل).

بالنظر إلى هذا ، يمكن استخدام العديد من نماذج التحليل العاملي التوكيدي المختلفة.

أولاً ، يمكن تحميل كل متغير تمت ملاحظته على أحد أو كلا العاملين. وبالتالي ، يمكن أن يكون هناك ما يتراوح بين 6 إلى 12 تحميلًا إجماليًا للعوامل. ثانيًا ، قد يكون العاملان مترابطان أو لا.

ثالثًا ، قد تكون هناك أو لا تكون هناك ارتباطات أو شروط تباين بين تباينات أخطاء القياس. وبالتالي ، يمكن أن يكون هناك في أي مكان من 0 إلى 15 إجمالي تباينات خطأ القياس المترابطة.

من النموذج الوارد في الشكل 1 ، يُفترض أن يقيس كل متغير تمت ملاحظته عاملًا واحدًا فقط – أي ثلاثة متغيرات ملحوظة لكل عامل مع تحميل ستة عوامل ؛ يعتقد أن العوامل مترابطة (ارتباط عامل واحد) ؛ وتفاوتات خطأ القياس غير مرتبطة (صفر أخطاء قياس مرتبطة. من الواضح أنه كان بإمكاننا افتراض عامل واحد مع ستة متغيرات ملحوظة أو ستة عوامل لكل منها متغير واحد ملحوظ.عند أخذ كل هذا في الاعتبار ، العديد من نماذج التحليل العاملي التوكيدي المختلفة النماذج ممكنة مع هذه المتغيرات الستة الملاحظة.

كيف يحدد الباحث نموذج التحليل العاملي الصحيح؟ نحن نعلم بالفعل أن مواصفات النموذج مهمة في هذه العملية وتشير إلى الدور المهم الذي تلعبه النظرية والبحث السابق في تبرير نموذج معين.

لا يخبرنا التحليل العاملي التوكيدي بكيفية تحديد النموذج ، بل يقدّر معايير النموذج بمجرد تحديد النموذج مسبقًا من قبل الباحث على أساس المعرفة النظرية والبحثية. مرة أخرى ، يعد تحديد النموذج أصعب جزء في نمذجة المعادلة الهيكلية.

بالنسبة لنموذج التحليل العاملي التوكيدي الخاص بنا ، تم تحديد مواصفات النموذج في الشكل 1 وتحتوي على ست معادلات قياس في النموذج ، واحدة لكل من المتغيرات الستة المرصودة. فيما يتعلق بأسماء المتغيرات من الشكل 1 ، تكون معادلات القياس كما يلي:

 

visperc = function of spatial + err_v

cubes = function of spatial + err_c

lozenges = function of spatial + err_l

paragrap = function of verbal + err_p

sentence = function of verbal + err_s

wordmean = function of verbal + err_w

 

تقترح النظرية الموضوعية والبحث السابق أنه يجب تضمين عمليات تحميل العوامل المعينة هذه في النموذج المحدد (الوظائف التي تمثل عامل التحميل) ، وأن عمليات تحميل العوامل الأخرى المحتملة – على سبيل المثال ، التحميل المرتبط باللفظ ، لا ينبغي تضمينها في نموذج العامل.

يشتمل نموذج عاملنا على ستة عوامل تحميل وستة تباينات في أخطاء القياس ، واحد لكل متغير مرصود ، وعلاقة ارتباط واحدة بين عوامل القدرة المكانية والقدرة اللفظية مع عدم وجود أخطاء قياس مرتبطة.

 

تعريف وتحديد نموذج التحليل العاملي التوكيدي

بمجرد تحديد نموذج التحليل العاملي التوكيدي ، فإن الخطوة التالية هي تحديد ما إذا كان النموذج محددًا أم لا. كما هو مذكور في الفصل 4 ، من الأهمية بمكان أن يقوم الباحث بحل مشكلة التحديد قبل تقدير المعلمات.

نحتاج أولاً إلى إعادة النظر في تحديد النموذج في سياق نماذج التحليل العاملي التوكيدي ومن ثم تحديدًا لمثال نموذج التحليل العاملي التوكيدي.

في تعريف النموذج (انظر الفصل 4) ، نطرح السؤال التالي: على أساس بيانات العينة الواردة في نموذج التباين – مصفوفة التغاير S ، والنموذج النظري الذي ينطوي عليه التباين السكاني – مصفوفة التباين المشترك Σ ، يمكن لمجموعة فريدة من تقديرات المعلمات يمكن العثور عليها؟ بالنسبة لنموذج التحليل العاملي التوكيدي الخاص بنا ، نود أن نعرف ما إذا كان عامل التحميل للإدراك البصري على القدرة المكانية ، والمكعبات على القدرة المكانية ، وأقراص المعينات على القدرة المكانية ، وفهم الفقرة على القدرة اللفظية ، وإكمال الجمل على القدرة اللفظية ، ومعنى الكلمة في القدرة اللفظية يتم تحديدها (يمكن تقديرها). في نموذج التحليل العاملي التوكيدي لدينا ، يتم إصلاح بعض المعلمات والبعض الآخر مجاني.

مثال على المعلمة الثابتة هو أن المكعبات لا يسمح لها بالتحميل على القدرة اللفظية. مثال على المعلمة المجانية هو أنه يُسمح للمكعبات بالتحميل على القدرة المكانية.

عند تحديد التعريف ، نقوم أولاً بتقييم حالة الطلب.

يجب أن يكون عدد المعلمات المجانية المراد تقديرها أقل من أو يساوي عدد القيم المميزة في المصفوفة S. يكون عدد المعلمات الحرة كما يلي:

 

 

6 عامل تحميل

6 تباينات خطأ القياس

0 خطأ في القياس شروط التباين أو الارتباطات 1 الارتباط بين المتغيرات الكامنة

وبالتالي ، هناك ما مجموعه 13 معلمة مجانية نرغب في تقديرها. عدد القيم المميزة في المصفوفة S يساوي

p (p + 1)/2 = 6 (6 + 1)/2 = 21,

 

حيث p هو عدد المتغيرات الملحوظة في نموذج التباين – مصفوفة التغاير. عدد القيم في S ، 21 ، أكبر من عدد المعلمات الحرة ، 13 ، مع الاختلاف هو درجات الحرية للنموذج المحدد ، df = 21-13 = 8.

ومع ذلك ، يعد هذا مجرد شرط ضروري ولا يضمن تحديد النموذج.

وفقًا لشرط الطلب ، يتم تحديد هذا النموذج بشكل مفرط نظرًا لوجود قيم أكثر في S من المعلمات المراد تقديرها – أي أن درجات الحرية لدينا موجبة وليست صفرية (تم تحديدها للتو) أو سلبية (غير محددة).

على الرغم من سهولة تقييم حالة الطلب ، إلا أن الشروط الكافية الأخرى ليست ، على سبيل المثال ، شرط الترتيب.

تتطلب الشروط الكافية أن نحدد جبريًا ما إذا كان يمكن تقدير كل معلمة في النموذج من مصفوفة التغاير S.

وفقًا لبرنامج الكمبيوتر LISREL ، الذي يتحقق من تحديد الهوية من خلال اختبار التصنيف ومصفوفة المعلومات ، يتم تحديد نموذج التحليل العاملي التوكيدي.

 

تقدير نموذج التحليل العاملي التوكيدي

بعد معالجة مشكلة التعريف ، فإن الخطوة التالية هي تقدير معلمات نموذج العامل المحدد.

في هذا القسم نأخذ في الاعتبار الموضوعات التالية: تحليل مصفوفة الارتباط (أو التباين – التباين) ، تقدير المعلمة بشكل عام ، وتقدير المعلمة لنموذج التحليل العاملي التوكيدي.

في تحليل العوامل ، الطريقة التقليدية للتفكير بشكل حدسي في التقدير هي تحليل مصفوفة الارتباط (أو التباين – التغاير).

مفهوم التحلل هو أن مصفوفة الارتباط الأصلي (أو المتغير – التباين المشترك) يمكن إعادة إنتاجها بالكامل إذا تم حساب جميع العلاقات بين المتغيرات المرصودة بواسطة العوامل في نموذج عامل محدد بشكل صحيح.

إذا لم يتم تحديد النموذج بشكل صحيح ، فلن يتم إعادة إنتاج مصفوفة الارتباط الأصلي (أو التباين – التباين) بالكامل. قد يحدث هذا إذا (أ) لم يكن عدد العوامل صحيحًا ، (ب) تم تحديد تحميلات العامل الخاطئة ، (ج) لم يتم تحديد علاقات العوامل بشكل صحيح ، و / أو (د) لم تكن فروق خطأ القياس محددة بشكل صحيح.

في الفصل 4 ، تحت تقدير النموذج ، نظرنا في الجوانب الإحصائية للتقدير.

تعلمنا ، على سبيل المثال ، أنه يمكن تقدير المعلمات من خلال إجراءات تقدير مختلفة ، مثل الحد الأقصى للإحتمال (ML) ، والمربعات الصغرى المعممة (GLS) ، والمربعات الصغرى غير الموزونة (ULS) ، والإبلاغ عنها على أنها تقديرات غير معيارية أو تقدير موحد. الاصحاب. قمنا بتحليل نموذج التحليل العاملي التوكيدي باستخدام الحد الأقصى لتقدير التشابه مع حل موحد للإبلاغ عن تقديراتنا الإحصائية للمعلمات المجانية.

لذلك ، فإننا نستخدم نموذج التحليل العاملي التوكيدي في الشكل 2 كنموذج أولي لدينا ومن خلال عملية تعديل النموذج في القسم 8.6 نأمل في اكتشاف النموذج الأنسب ليكون نموذج التحليل العاملي التوكيدي المحدد أصلاً في الشكل 1

تم تشغيل النموذج الخاطئ (الشكل 2) باستخدام LISREL (برنامج كمبيوتر في الفصل الملحق).

 

يحتوي العمود الأول في الجدول 8.2 على التقديرات المعيارية للنموذج الخاطئ (الشكل 2) ، ويحتوي العمود الثاني على التقديرات الموحدة للنموذج الأصلي (الشكل 1).

تم العثور على تقديرات المعلمات لتكون مختلفة بشكل كبير عن الصفر (p <.05).

تمت مناقشة ملاءمة النموذج في القسم 8.5. من الأهمية بمكان أن جميع عمليات تحميل العوامل تختلف اختلافًا كبيرًا من الناحية الإحصائية عن الصفر ولها العلامة المتوقعة ، أي تحميل العامل الإيجابي.

 

اختبار نموذج التحليل العاملي التوكيدي

جزء مهم من عملية التقدير في تحليل نماذج التحليل العاملي التوكيدي هو ملاءمة عينة التباين – بيانات التغاير مع النموذج المحدد. إذا كانت ملاءمة النموذج جيدة ، فإن النموذج المحدد مدعوم ببيانات العينة. إذا لم يكن ملاءمة النموذج جيدًا ، فلن يتم دعم النموذج المحدد بواسطة بيانات العينة ، ويتعين على الباحث عادةً تعديل النموذج لتحقيق ملاءمة أفضل (انظر القسم 8.6). كما تمت مناقشته سابقًا في الفصل 5 ، هناك مجموعة متنوعة من مؤشرات تناسب النماذج المتاحة للباحث عبر SEM.

 

 

بالنسبة لمثال نموذج التحليل العاملي التوكيدي الخاص بنا ، قمنا بالإبلاغ عن عدد قليل من المؤشرات الملائمة في أسفل الجدول 8.2. بالنسبة للنموذج الذي تم تحديده بشكل خاطئ ، فإن إحصاء c2 (تقنيًا مقياس لسوء الملاءمة) يساوي 80.926 ، مع ثماني درجات من الحرية ، و p <.001.

إحصاء مربع كاي مهم ، لذا فإن نموذج التحليل العاملي التوكيدي المحدد لا يدعمه بيانات التباين – التغاير في العينة.

تفسير آخر هو أنه نظرًا لأن قيمة c2 ليست قريبة من عدد درجات الحرية ، فإن ملاءمة النموذج الأولي ضعيف. تذكر أن معلمة اللامركزية (NCP) تُحسب على أنها c2 – df ، ولها قيمة متوقعة تبلغ 0 (NCP = 0 ؛ تناسب مثالي) ، وتُستخدم في حساب العديد من المؤشرات الملائمة للنموذج.

المعيار الثالث هو أن خطأ جذر متوسط ​​التربيع للتقريب (RMSEA) يساوي .174 ، أعلى من المستوى المقبول لملائمة النموذج (RMSEA <.08 أو .05). أخيرًا ، مؤشر الجودة من الملاءمة (GFI) هو 0.918 للنموذج الذي تم تحديده بشكل خاطئ ، وهو أقل من النطاق المقبول لملائمة النموذج (GFI> .95).

عبر هذه المجموعة الخاصة من مؤشرات ملاءمة النموذج ، فإن الاستنتاج هو أن ملاءمة النموذج معقول ، على الرغم من أنه لا يزال غير مقبول ، لكن بعض تعديلات النموذج قد تسمح لنا بتحقيق بيانات عينة أفضل (مصفوفة التباين – التباين) إلى التحليل العاملي التوكيدي نموذج صالح.

يتم النظر في تحديد التغيير (التغييرات) الذي يجب إجراؤه على نموذج التحليل العاملي التوكيدي لدينا لتحقيق نموذج مناسب أفضل في القسم التالي.

 

تعديل نموذج التحليل العاملي التوكيدي

تتمثل الخطوة الأخيرة في نمذجة المعادلة الهيكلية في النظر في التغييرات التي يتم إجراؤها على نموذج محدد به مؤشرات سيئة لتناسب النموذج – أي تعديل النموذج.

يحدث هذا عادة عندما يكتشف الباحث أن ملاءمة النموذج المحدد أقل من مرضية. يقوم الباحث عادةً بإجراء بحث عن المواصفات للعثور على نموذج مناسب أكثر. كما تمت مناقشته في الفصل 4 ، يمكن استخدام عدة إجراءات مختلفة للمساعدة في هذا البحث عن المواصفات.

قد يستبعد المرء المعلمات التي لا تختلف اختلافًا كبيرًا عن الصفر و / أو تتضمن معلمات إضافية للوصول إلى نموذج معدل. لإزالة المعلمات ، الإجراء الأكثر شيوعًا في LISREL هو مقارنة إحصاء t لكل معلمة بقيمة t مجدولة – على سبيل المثال t = 1.96 ، عند a = .05 ، اختبار ثنائي الطرف ؛ أو t = 2.58 عند a = .01 ، اختبار ثنائي الذيل (انظر الجدول A.2) ، لتحديد الأهمية الإحصائية.

لإدراج معلمات إضافية ، فإن التقنيات الأكثر استخدامًا في LISREL هي (أ) مؤشر التعديل (MI – القيمة المتوقعة التي ستنخفضها c2 إذا تم تضمين مثل هذه المعلمة في النموذج ؛ تشير القيم الكبيرة إلى معلمات مفيدة محتملة) ، و (ب) إحصائية تغيير المعلمة المتوقعة (EPC – القيمة التقريبية للمعامل الجديد).

بالإضافة إلى ذلك ، فإن فحص المصفوفة المتبقية ، أو المصفوفة المعيارية المتبقية الأكثر فائدة ، غالبًا ما يعطي أدلة حول شروط التوثيق الأصلية أو الارتباطات التي لم يتم تفسيرها بشكل جيد بواسطة النموذج. المصفوفة المتبقية هي الفرق بين التغاير الملاحظ أو مصفوفة العلاقة S والنموذج الضمني (المعاد إنتاجه) التباين المشترك أو مصفوفة الارتباط Σ. تشير القيم المتبقية الكبيرة إلى قيم لم يتم حسابها جيدًا بواسطة النموذج. المخلفات المعيارية تشبه درجات z بحيث تشير القيم الكبيرة (القيم الأكبر من 1.96 أو 2.58) إلى أن علاقة معينة لا يتم حسابها بشكل جيد بواسطة النموذج.

بالنسبة لنموذج عامل التأكيد الذي تم تحديده بشكل خاطئ في الشكل 2 ، يتم إعطاء مصفوفات التباين المشترك الأصلية والمتضمنة في النموذج (المعاد إنتاجها) والمتبقية والموحدة المعيارية في الجدول 8.1.

هنا ، نرى أن أكبر المتبقيين هما لمتغير Lozenges المرصود (22.830 و 12.836) والمتبقيات المعيارية (7.093 و 5.455) أكبر من t = 1.96 أو

2.58. تشير النتائج أيضًا إلى أن متغير Lozenges يجب تحميله على عامل القدرة المكانية لتقليل الخطأ (MI = 60.11) مع تغيير معلمة متوقع (EPC) يبلغ 6.30.

تشير البقايا الكبيرة لـ Lozenges ، والمخلفات المعيارية ذات الدلالة الإحصائية ، ومؤشر التعديل ، وقيمة التغيير المتوقعة إلى وجود خطأ ما في المتغير الملحوظ الذي لم يتم التقاطه بواسطة النموذج الخاطئ. على وجه التحديد ، يجب أن يكون تحميل عامل الاستحلاب على عامل القدرة المكانية بدلاً من عامل القدرة اللفظية.

هذا هو بالتحديد عامل التحميل من النموذج المحدد الأصلي في الشكل 1 الذي حذفناه عن قصد لتوضيح عملية تعديل النموذج. وبالتالي ، فإن استخدام العديد من معايير التعديل في بحثنا عن المواصفات كان ناجحًا في الحصول على النموذج الأصلي في الشكل 1.

التقديرات الموحدة والمؤشرات الملائمة للنموذج النهائي (الشكل 1) ، حيث يتم الآن تضمين التعديل في تحميل عامل الاستحلاب ، ويتم عرضها في العمود الثاني من الجدول 8.2.

تختلف جميع المعلمات المضمنة اختلافًا كبيرًا من الناحية الإحصائية عن الصفر (p <.05) ، وتشير جميع مؤشرات الملاءمة الآن إلى مستوى مقبول من الملاءمة مع عدم الإشارة إلى تعديلات نموذج إضافية.

وبالتالي ، فإننا نعتبر أن هذا هو أفضل نموذج عامل تأكيد مناسب مع بيانات عينة التباين – التغاير. يتم يوفير برنامج LISREL-SIMPLIS في نهاية الفصل لتحليل هذا النموذج.

 

 

ملخص

ناقش هذا الفصل نماذج عامل التأكيد باستخدام كتل البناء الأساسية الخمس من مواصفات النموذج حتى تعديل النموذج. لقد بدأنا بتحليل نموذج عامل التأكيد الذي تم تحديده بشكل خاطئ (الشكل 2) وفسرنا بعض معايير ملاءمة النموذج حيث تم اعتبار ملاءمة النموذج غير مقبول. استخدمنا بعد ذلك معايير تعديل النموذج لتعديل النموذج ، والذي أسفر عن نموذج عامل التأكيد في الشكل 1.

تم اعتبار التحليل العاملي التوكيدي هذا هو أفضل نموذج مناسب لدينا. يمكن التحقق من صحة هذا النموذج النهائي الأنسب بشكل أكبر عن طريق اختبار نفس نموذج عامل التأكيد مع عينات أخرى من البيانات.

 

برمجة برنامج LISREL-SIMPLIS لنموذج عامل التوكيد

Con f i rma t o r y Fac t o r Mod e l  F i gu r e 8 . 1 Ob s e r v e d Va r i a b l e s :

VI SPERC CUBES LOZENGES PARCOMP SENCOMP WORDMEAN

Cov a r i a n ce Ma t r i x

49 . 064

9 . 810   22 . 182

27 . 92814 . 48281 . 863

9 . 117   2 . 515   5 . 013   12 . 196

10 . 610 3 . 389   3 . 605   13 . 21726 . 645

19 . 166 6 . 954   13 . 716 18 . 868 28 . 502 58 . 817

Samp l e S i ze : 301

La t e n t Va r i a b l e s : Sp a ti a l Ve r b a l Re l a ti on s h i p s :

VI SPERC – LOZENGES = Sp a ti a l PARCOMP – WORDMEAN = Ve r b a l

P r i n t Re s i du a l s

Numb e r  o f  Dec ima l s  = 3  Pa t h Di a g r am

End o f p r ob l em

 

 

الاسئلة

  1. اختبر نموذج التحليل العاملي التوكيدي باستخدام برنامج الكمبيوتر LISREL:

حجم العينة: 3094 المتغيرات الملاحظة:

القدرة الأكاديمية (الأكاديمية)

مفهوم الذات (مفهوم)

تطلعات الدرجة (أسباير)

الدرجة (درجة)

الهيبة المهنية (برستيج)

الدخل (الدخل)

 

مصفوفة الارتباط:

 

نموذج CFA المفترض: يشير نموذج CFA إلى أن المتغيرات الثلاثة الأولى الملحوظة تقيس الدافع الأكاديمي المتغير الكامن (التحفيز) والمتغيرات الثلاثة الأخيرة التي تمت ملاحظتها تقيس الوضع الاجتماعي الاقتصادي المتغير الكامن (SES). التحفيز و SES مترابطان.

ثم قم بتعديل النموذج لتحقيق توافق أفضل للنموذج كما هو موضح في الأشكال:

 

 

التحليل العاملي

 

المراجع

Cochran, W. G. (1968). Errors of measurement in statistics. Technometrics, 10, 637–666.

Comrey, A. L., & Lee, H. B. (1992). The first course in factor analysis. Hillsdale, NJ: Lawrence Erlbaum.

Costello, A. B., & Osborne, J. (2005). Best practices in exploratory factor analysis: four recommendations for getting the most from your analysis. Practical Assessment Research and Evaluation, 10(7), 1–9.

Fuller, W. A. (1987). Measurement error models. New York: Wiley.

Gorsuch, R. L. (1983). Factor analysis (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum. Harmon, H. H. (1976). Modern factor analysis (3rd ed., rev.). Chicago: University of Chicago Press.

Holzinger, K. J., & Swineford, F.  A. (1939). A study in factor analysis: The stability of a bi-factor solution. (Supplementary Educational Monographs, No. 48). Chicago, IL: University of Chicago, Department of Education.

Jöreskog, K. G., & Sörbom, D. (1993). LISREL 8: Structural equation modeling with the SIMPLIS command language. Chicago, IL: Scientific Software International

 

طالع أيضاً: مقدمة في برنامج LISREL – ليزريل

 

التحليل العاملي التوكيدي

التحليل العاملي التوكيدي

التحليل العاملي التوكيدي

القائمة البريدية

اشترك في القائمة البريدية لتعرف كل جديد
الاسم الكريم