التحليل العاملي SPSS Factor Analysis) – SPSS)
ما هو التحليل العاملي SPSS ؟
التحليل العاملي SPSS هو أسلوب إحصائي لتحديد العوامل الأساسية التي يتم قياسها من خلال عدد (أكبر عدد) من المتغيرات التي تم ملاحظتها .
غالبًا ما تكون هذه “العوامل الأساسية” متغيرات يصعب قياسها مثل معدل الذكاء أو الاكتئاب أو الانبساط. لقياس هذه العوامل نحاول غالبًا كتابة أسئلة متعددة على الاقل لتعكس مثل هذه العوامل.
الفكرة الأساسية لموضوع التحليل العاملي SPSS موضحة أدناه.
الآن ، إذا كانت الأسئلة 1 و 2 و 3 جميعها تقيس معدل الذكاء الرقمي ، فيجب أن تكون ارتباطات بيرسون بين هذه العناصر كبيرة: عادةً ما يسجل المستجيبون ذوو الذكاء الرقمي المرتفع درجة عالية في جميع الأسئلة الثلاثة وعكسها.
ينطبق نفس المنطق على الأسئلة 4 و 5 و 6: إذا كانوا يقيسون حقًا “نفس الشيء” فمن المحتمل أن يكونوا مرتبطين بشكل كبير.
ومع ذلك ، فإن السؤالين 1 و 4 – قياس السمات التي قد لا تكون ذات صلة – لن يرتبطا بالضرورة. لذلك إذا كان نموذج العوامل الخاص بي صحيحًا ، فيمكنني أن أتوقع أن تتبع الارتباطات نمطًا كما هو موضح أدناه.
التحليل العاملي SPSS التأكيدي Confirmatory Factor Analysis
بعد قياس الأسئلة من 1 إلى 9 على عينة عشوائية بسيطة من المستجيبين ، قم بحساب مصفوفة الارتباط هذه. يمكنك الآن أن تسأل عما إذا كانت هذه الارتباطات محتملة ، بالنظر إلى نموذج العامل النظري الخاص بك. في هذه الحالة ، حاول تأكيد النموذج من خلال ملاءمته مع بياناتك. يُعرف هذا باسم “التحليل العامل التأكيدي”.
لا يتضمن SPSS التحليل العامل التأكيدي ولكن يمكن للمهتمين إلقاء نظرة على AMOS.
التحليل العاملي SPSS الاستكشافي Exploratory Factor Analysis
ماذا لو لم يكن لدي دليل على أي – أو حتى كم عدد – العوامل التي تمثلها بياناتي؟
في هذه الحالة ، سأطلب من برنامجي اقتراح بعض النماذج وفقًا لمصفوفة الارتباط الخاصة بي , أي سأستكشف البيانات , ومن ثم ، ساقوم ب “التحليل العاملي الاستكشافي”.
أبسط تفسير ممكن لكيفية عمله هو أن البرنامج يحاول العثور على مجموعات من المتغيرات شديدة الترابط.
ربما تمثل كل مجموعة من هذه المجموعات عاملاً مشتركًا أساسيًا. هناك مناهج رياضية مختلفة لإنجاز هذا ولكن الأكثر شيوعًا هو تحليل المكونات الرئيسية أو PCA. سنرشدك مع مثال.
شمل الاستطلاع 16 سؤالا حول رضا العملاء. نعتقد أن هذه تقيس عددًا أقل من عوامل الرضا الأساسية ولكن ليس لدينا أدنى فكرة عن النموذج. لذا فإن أسئلة البحث الخاصة بنا لهذا التحليل هي:
- كم عدد العوامل التي يتم قياسها من خلال 16 سؤال؟
- ما هي الأسئلة التي تقيس العوامل المتشابهة؟
- ما هي جوانب الرضا التي تمثلها هذه العوامل؟
فحص سريع للبيانات Quick Data Check
دعنا نتأكد أولاً من أن لدينا فكرة عن الشكل الأساسي لبياناتنا. سوف نفحص توزيعات التكرار مع المخططات العامودية ( الشريطية ) المقابلة لمتغيراتنا الستة عشر عن طريق تشغيل انشاء الاوامر أدناه
|
ستظهر النتيجة التالية:
يمنحنا هذا الحد الأدنى من فحص البيانات لبعض الأفكار المهمة حول بياناتنا ونتائجنا :
- تبدو جميع توزيعات التتكرار معقولة و لا نرى أي شيء غريب في بياناتنا.
- في رقم 1 يتم ترميز جميع المتغيرات بشكل إيجابي: تشير القيم الأعلى دائمًا إلى مشاعر أكثر إيجابية .
- في رقم 2 جميع المتغيرات لها قيمة 8 (“لا إجابة”) والتي نحتاج إلى تعيينها كقيمة مفقودة للمستخدم.
- في رقم 3 تحتوي جميع المتغيرات على بعض القيم التي يفتقدها النظام أيضًا ولكن مدى النقص ليس سيئًا للغاية.
هناك عيب مزعج إلى حد ما هنا وهو أننا لا نرى أسماء المتغيرات للمخططات العامودية في مخطط النتائج والمخرجات .
إذا رأينا شيئًا غير عادي في الرسم البياني ، فلن نرى بسهولة أي متغير يجب معالجته. لكن في هذا المثال – لسوء الحظ – تبدو جميع مخططاتنا جيدة.
لنقم الآن بتعيين القيم المفقودة وتشغيل بعض الإحصائيات الوصفية السريعة باستخدام الصيغة أدناه.
|
النتيجة:
149 فقط من 388 من المجيبين لدينا صفر في القيم المفقودة .
تشغيل التحليل العاملي SPSS
دعنا الآن ننتقل إلى تحليل Analyze ثم تقليل الأبعاد Dimension Reduction ثم العامل Factor كما هو موضح أدناه.
(Analyze SPSS then Dimension Reduction SPSS then Factor )
في مربع الحوار الذي يفتح ، لدينا الكثير من الخيارات. بالنسبة إلى “التحليل العاملي SPSS القياسي” ، سنختار ما هو موضح أدناه. إذا كنت لا ترغب في استعراض جميع مربعات الحوار ، فيمكنك أيضًا تكرار تحليلنا من انشاء الأوامر أدناه.
تجنب “استبعاد الحالات حسب القوائم” هنا حيث إنها ستشمل فقط 149 مشاركًا “كاملًا” في تحليل العوامل لدينا. يؤدي النقر فوق لصق في انشاء الاوامر أدناه.
تركيب التحليل العاملي SPSS
|
الآن و مع وجود 16 متغيرًا من متغيرات الإدخال ، تستخرج PCA مبدئيًا 16 عاملاً (أو “مكونات”). كل مكون له درجة جودة تسمى قيمة ايجن Eigenvalue او القيمة الذاتية من المرجح أن تمثل المكونات ذات القيم الذاتية العالية عاملاً أساسيًا حقيقيًا.
إذن ما هي القيمة الذاتية العالية؟ القاعدة العامة هي اختيار المكونات التي تكون قيمتها الذاتية ( قيمة ايجن ) 1 على الأقل.
تطبيق هذه القاعدة البسيطة على الجدول السابق يجيب على سؤالنا البحثي الأول: يبدو أن متغيراتنا الستة عشر تقيس 4 عوامل أساسية.
هذا لأن مكوناتنا الأربعة الأولى فقط لها قيمة ذاتية لا تقل عن 1. لا يُفترض أن تمثل المكونات الأخرى – التي لها درجات جودة منخفضة – سمات حقيقية تقوم عليها أسئلتنا الستة عشر. تعتبر هذه المكونات “حصيلة” كما هو موضح في الرسم البياني الخطي أدناه.
ملاحظة اضافية : القيمة الخاصة او الذاتية والمتجه الخاص والفضاء الخاص ويقال أيضا الذاتي في الرياضيات هي اصطلاحات متعلقة بالجبر الخطي. البادئة eigen مشتقة من الألمانية وتعني الخاص يهتم الجبر الخطي بدراسة التحويلات الخطية، والتي تمثلها مصفوفات مؤثرة على متجهات. تعد القيم الذاتية والمتجهات الذاتية والفراغات الذاتية خواص المصفوفة.
ناتج التحليل العاملي SPSS الثاني (الرسم البياني للحصى ) Factor Analysis Output II – Scree Plot
في الإحصائيات متعددة المتغيرات ، فإن الرسم البياني للحصى هو مخطط خطي للقيم الذاتية للعوامل أو المكونات الرئيسية في التحليل. يتم استخدام مخطط الحصى لتحديد عدد العوامل التي يجب الاحتفاظ بها في تحليل العوامل الاستكشافية أو المكونات الرئيسية للاحتفاظ بها في تحليل المكونات الرئيسية.
يصور الرسم البياني للنتيجة scree plot القيم الذاتية قيمة ايجي Eigenvalues (درجات الجودة quality scores ) التي رأيناها للتو. مرة أخرى ، نرى أن المكونات الأربعة الأولى لها قيم ذاتية تزيد عن 1. نحن نعتبر هذه “العوامل القوية”. بعد ذلك – المكون 5 وما بعده – تنخفض قيم Eigenvalues بشكل كبير. يشير الانخفاض الحاد بين المكونات 1-4 والمكونات 5-16 بقوة إلى أن 4 عوامل تكمن وراء أسئلتنا
-
ناتج التحليل العاملي SPSS الثالث – المجتمعات المحلية Factor Analysis Output III – Communalities
إذن إلى أي مدى تمثل العوامل الأساسية الأربعة لدينا التباين في متغيرات الإدخال الـ 16 الخاصة بنا؟ يتم الرد على هذا من خلال قيم r التربيعية – بالنسبة لبعض الأسباب الغبية حقًا – تسمى المجتمعات او الطوائف communalities في التحليل العاملي SPSS.
استخدمنا سابقا وسوف نستخدم المصطلحات باللغة الانجليزية بغض النظر عن المعنى الحرفي او المعنى الحقيقي لهذه المصطلحات لان اغلب مستخدمي SPSS واغلب الشروحات والمواضيع المتعلقة به ستكون باللغة الانجليزية , وهذا فعلا سكون اسهل وافضل طريقة للتعامل مع SPSS بكل احترافية وكفاءة .
لذلك إذا توقعنا v1 من 4 مكونات من خلال الانحدار المتعدد multiple regression ، فسنجد r مربع = 0.596 – وهو مجتمع v1. المتغيرات التي لها طوائف منخفضة – تقول أقل من 0.40 – لا تسهم كثيرًا في قياس العوامل الأساسية.
يمكنك التفكير في إزالة هذه المتغيرات من التحليل. لكن ضع في اعتبارك أن القيام بذلك يغير كل النتائج. لذلك ستحتاج إلى إعادة تشغيل التحليل بأكمله مع حذف متغير واحد. ثم ربما أعد تشغيله مرة أخرى مع استبعاد متغير آخر.
إذا كانت مؤامرة الحصاة تبرر ذلك ، فيمكنك أيضًا التفكير في تحديد مكون إضافي. لكن لا تفعل هذا إذا كان يجعل مصفوفة التحليل العاملي SPSS (المستدير) أقل قابلية للتفسير.
عودة إلى فهرس دليل استخدام SPSS
