تحلیل عاملی با JASP

تحلیل عاملی روشی است که هدف آن کشف ساختارها در مجموعه های متغیر بزرگ است. اگر مجموعه داده ای با متغیرهای زیادی دارید، ممکن است برخی از آن ها به هم مرتبط باشند، یعنی با یکدیگر مرتبط باشند. این همبستگی ها اساس تحلیل عاملی هستند. در این مقاله قصد دارم به آموزش تحلیل عاملی با JASP بپردازم. تا انتهای این مقاله همراه کیارا آکادمی باشید تا آموزش نرم افزار JASP را به صورت کاربردی دریافت نمایید.

تحلیل عاملی اکتشافی با نرم افزار جسپ

هدف از تحلیل عاملی، تقسیم یا تقلیل متغیرها به گروه هاست. هدف جداسازی متغیرهایی است که همبستگی بالایی دارند از متغیرهایی که همبستگی کمتری دارند. در تحلیل عاملی، عامل را می توان به عنوان یک متغیر پنهان در نظر گرفت که بر چندین متغیر واقعی مشاهده شده تأثیر می گذارد. یا به عبارت دیگر، چندین متغیر پدیده‌های قابل مشاهده با عوامل زمینه‌ای کمتر هستند.

بنابراین در تحلیل عاملی متغیرهایی که همبستگی بالایی با یکدیگر دارند ترکیب می شوند. فرض بر این است که این همبستگی ناشی از یک متغیر غیر قابل اندازه گیری است که به آن عامل می گویند.

نمونه تحلیل عاملی

برای پاسخ به سوالات زیر می توان از تحلیل عاملی استفاده کرد:

• چه ساختاری را می توان در داده ها تشخیص داد؟
• چگونه می توان داده ها را به برخی عوامل کاهش داد؟

سوالات تحقیق تحلیل عاملی

یک سوال احتمالی تحقیقاتی ممکن است این باشد: آیا می‌توان ویژگی‌های شخصیتی مختلف مانند برون‌گرا، کنجکاو، اجتماعی یا مفید را در تیپ‌های شخصیتی مانند وظیفه‌شناس، برون‌گرا یا موافق دسته‌بندی کرد؟ مثلا می‌خواهید بفهمید که آیا برخی از ویژگی‌های اجتماعی، اجتماعی، سخت‌کوش، وظیفه‌شناس، خونگرم یا کمک‌کننده با یکدیگر مرتبط هستند و می‌توانند با یک عامل اساسی توصیف شوند.

تحلیل عاملی اکتشافی در JASP

برای شروع باید روی گزینه تحلیل عاملی اکتشافی در نرم افزار جسپ کلیک کنید:

در گام بعدی باید آیتم ها را وارد تحلیل کنید:

از جمله اقداماتی که باید برای بررسی تحلیل عاملی اکتشافی انجام بدید این است که باید مفروضه های تحلیل عاملی را بررسی کنید. برای این کار تیک های مفروضه ها را فعال کنید:

خروجی های مفروضه ها قابل مشاهده می شود. باید بارتلت تست شما معنی دار باید و شاخص kmo باید بالای 0.6 باشد:

همین طور باید بارهای عاملی هر سوال را بر روی هر عامل بررسی کنید. ایا بارها بالای 0.4 هستند؟

یکی از امکانات بسیار عالی جسپ برای تحلیل عاملی داشتن دیاگرام های گرافیکی جذاب است که می توانید ان را به راحتی ترسیم کنید:

برای تفسیر باید این مفاهیم را مد نظر قرار بدید:

• بار عاملی : همبستگی بین متغیر و عامل و بارگذاری یک متغیر روی یک عامل
• مقدار خاص : واریانس توضیح داده شده توسط یک عامل و مجموع بارهای عامل مجذور
• ماتریس همبستگی : اولین مرحله در تحلیل عاملی محاسبه ماتریس همبستگی است. با شروع از ماتریس همبستگی، مسئله به اصطلاح مقدار ویژه حل می شود که برای محاسبه عوامل استفاده می شود.
• معیار ارزش ویژه : برای تعیین ابعاد، یعنی تعداد عوامل، با کمک معیار ارزش ویژه یا معیار قیصر، به مقادیر ویژه هر عامل نیاز است. اگر اینها محاسبه شوند، از همه عوامل با مقادیر ویژه بیشتر از 1 استفاده می شود.
• Scree-Test : به منظور تعیین تعداد فاکتورها به کمک تست اسکری یا طرح اسکری، مقادیر ویژه بر اساس اندازه مرتب شده و با نمودار خطی نشان داده می شوند. در جایی که در نمودار یک خم وجود دارد، تعداد عوامل را می توان خواند.
• علاوه بر این، در جدول “واریانس کل توضیح داده شده” واریانس قابل خواندن است که هر عامل جداگانه و واریانس تجمعی را توضیح می دهد.
• ماتریس مولفه : ماتریس مؤلفه بار عاملی عوامل روی متغیرها را نشان می دهد. از آنجایی که عامل اول بیشتر واریانس را توضیح می دهد، مقادیر اولین جزء یا عامل بزرگترین هستند. با این شکل از نمایش، اظهار نظر در مورد عوامل دشوار است، بنابراین این ماتریس همچنان در حال چرخش است.ماتریس چرخش : محاسبه ماتریس مؤلفه این نتیجه را دارد که بر روی عامل اول بسیاری از متغیرها بار زیادی دارند. این به این واقعیت منجر می شود که معمولاً ماتریس مؤلفه را نمی توان معنی دار تفسیر کرد. بنابراین چرخش این ماتریس صورت می گیرد. برای این چرخش روش های مختلفی وجود دارد، اما رایج ترین آن چرخش تحلیلی Varimax است.
• چرخش Varimax : با کمک چرخش Varimax باید به طور تحلیلی اطمینان حاصل شود که در هر فاکتور متغیرهای خاصی تا حد ممکن بارگذاری می کنند و متغیرهای دیگر تا حد امکان بار کمتری دارند. این زمانی به دست می آید که واریانس بارهای عامل در هر فاکتور باید تا حد امکان بالا باشد.
• ماتریس چرخش (Varimax) : در اینجا باید تشخیص داد که «برون‌گرا» و «اجتماع‌پذیر» بر برون‌گرایی، «سخت‌آمیز» و «وظیفه‌انگیز» بر وظیفه‌شناسی و «صمیمانه» و «کمک‌آمیز» بر سازگاری است.

تحلیل مولفه های اصلی در JASP

تجزیه و تحلیل مؤلفه اصلی می تواند برای کاهش ابعاد و در نتیجه مقابله با مشکل نفرین ابعاد استفاده شود. برای ارائه یک مثال واقعی، از PCA برای شناسایی و تشخیص ناهنجاری ها در ترافیک اینترنت استفاده شد. هدف از تجزیه و تحلیل مؤلفه های اصلی، خلاصه کردن همبستگی های بین مجموعه ای از متغیرهای مشاهده شده در مجموعه کوچکتری از ترکیبات خطی است. مؤلفه های اصلی ترکیب خطی متغیرهای پیش بینی کننده هستند (فقط برای داده های عددی!) آنها برای به حداقل رساندن همبستگی بین مؤلفه ها و کاهش افزونگی محاسبه می شوند. به این ترتیب، تعداد محدودی از مؤلفه‌ها معمولاً بیشتر واریانس متغیر وابسته را توضیح می‌دهند.

بنابراین هدف در اینجا ایجاد یک ماتریس همبستگی یا کوواریانس برای این متغیرها یا عوامل و پایه گذاری هر چیز دیگری بر آن است. هنگامی که می گوییم راه حلی با دو عامل داریم، در واقع می گوییم که دو عامل اول واریانس کافی را برای استفاده در کل مجموعه متغیرها ثبت می کنند. برای شروع باید روی گزینه تحلیل مولفه های اصلی در نرم افزار جسپ کلیک کنید:

در گام بعدی باید ایتم ها را وارد تحلیل کنید:

نوع چرخش را نیز انتخاب کنید. خروجی ها قابل مشاهده است:

شما همین طور می توانید اسکتر پلات را نیز برای مولفه های اصلی خودتان ترسیم کنید:

• هر چه مقدار Communality بالاتر باشد، بهتر است (از 0 تا 1). اگر اشتراک مشترک برای یک متغیر خاص کم باشد (بین 0.0-0.4)، آن متغیر ممکن است به طور قابل توجهی در بارگذاری بر روی هر عاملی مشکل داشته باشد.
• اگر مقدار ویژه بزرگتر از صفر باشد، نشانه خوبی است. از آنجایی که واریانس نمی تواند منفی باشد، یک مقدار ویژه منفی نشان می دهد که مدل شرطی نشده است. مقدار ویژه نزدیک به صفر نشان می دهد که آیتم چند خطی است، زیرا همه واریانس ها را می توان با مولفه اول گرفت.
• عناصر ماتریس مؤلفه، همبستگی آیتم با هر مؤلفه است. یک همبستگی – شباهت R2 بین ماتریس مؤلفه و واریانس کل وجود دارد. این شامل همبستگی بین متغیر و مؤلفه است. کسانی که ضرایب بالایی در بین مولفه ها دارند، وزن بیشتری در تعریف واریانس دارند.

تحلیل عاملی تاییدی در JASP

برای شروع باید روی گزینه تحلیل عاملی تاییدی در نرم افزار جسپ کلیک کنید:

یکی از مهم ترین اقداماتی که باید انجام بدید این است که به راحتی فاکتور ها را اضافه کنید و اگر مایل هستید اسم آن ها را تغییر بدید. سپس به راحتی باید ایتم های هر عامل را وارد تحلیل کنید:

بلافاصه خروجی های تحلیل عاملی تاییدی را می توانید مشاهده کنید:

شما همین طور باید روایی و پایایی مدل تان را بررسی کنید:

خروجی های روایی مدل و پایایی مدل را می توانید گزارش بدید:

همین طور شما می توانید به راحتی با فعال کردن گزینه دیاگرام، برای تحلیل عاملی خودتان دیاگرام های گرافیکی ترسیم کنید:

تصاویر دیاگرام ها را نیز حتما در گزارش خود ذکر کنید. قبل از هر چیزی پیشنهاد می دهم در دوره آموزش تحلیل آماری با نرم افزار جسپ (JASP) شرکت کنید. برای مشاهده دوره کافی است روی لینک زیر کلیک فرمایید:

مطالعه منابع بیشتر:

Principal Component Analysis