⏱ زمان مطالعه: 8 دقیقه
تحلیل عاملی یکی از بنیادین‌ترین روش‌های آماری چندمتغیره در پژوهش‌های رفتاری، علوم اجتماعی، مدیریت و روان‌شناسی است. هدف محوری این شیوه، کاهش تعداد متغیرهای آشکار و تبدیل آن‌ها به تعداد محدودتری از متغیرهای مکنون یا سازه‌ها است. با این حال، پژوهشگران هنگام تدوین فصل چهارم پایان‌نامه یا نگارش مقالات علمی، میان انتخاب تحلیل عاملی اکتشافی (EFA) و تحلیل عاملی تاییدی (CFA) دچار تردید یا خطای روش‌شناختی می‌شوند. شناخت تفاوت تحلیل عاملی اکتشافی و تاییدی مشخص می‌کند که آیا داده‌ها قرار است الگوی ناشناخته را به ما معرفی کنند یا ما در حال سنجش دقت یک نظریه تدوین‌شده هستیم.
منطق بنیادی تحلیل عاملی اکتشافی (EFA)
تحلیل عاملی اکتشافی زمانی به کار می‌رود که پژوهشگر فرضیه اولیه‌ای درباره تعداد عامل‌ها و نحوه تخصیص گویه‌ها یا سوالات به این سازه‌ها ندارد. در این موقعیت، داده‌ها مسیر کشف ساختار را روشن می‌سازند. هدف اصلی در روش اکتشافی، خوشه‌بندی گویه‌های همبسته درون عامل‌های مشترک و کمینه‌سازی همپوشانی میان عامل‌های مختلف است، بدون آنکه محدودیتی بر بارهای عاملی اعمال شود.
مکانیسم محاسباتی EFA بر پایه ماتریس همبستگی میان گویه‌ها کار می‌کند. الگوریتم‌هایی چون «تجزیه به مولفه‌های اصلی» (PCA) یا «محورهای اصلی» واریانس مشترک میان متغیرها را استخراج می‌کنند و سپس با فنون چرخش متعامد یا متمایل، ساختار عاملی شفاف‌تری به دست می‌دهند. در این حالت، هر گویه می‌تواند روی تمام عامل‌ها بار عاملی داشته باشد و هیچ باری به‌طور پیش‌فرض مساوی صفر تعیین نمی‌شود.
راهنمای جامع این موضوع: تحلیل آماری SPSS، AMOS، Smart PLS
برای نمونه، فرض کنید پژوهشگری در حال طراحی یک پرسشنامه بومی درباره انگیزش شغلی کارکنان است که ۳۰ گویه دارد. او نمی‌داند این ۳۰ پرسش در قالب چند بعد مستقل مثل ارتقای مالی، انگیزش روانی یا شرایط محیطی قرار می‌گیرند. در چنین شرایط فرضی، اجرای تحلیل اکتشافی به او کمک می‌کند تا ساختار درونی داده‌ها را کشف کرده و بارهای عاملی ضعیف را حذف یا اصلاح کند.
یک خطای متداول در اجرای این روش، متوقف شدن پس از استخراج عامل‌ها بدون بررسی شاخص کفایت حجم نمونه یعنی آزمون کایزر-مایر-اولکین (KMO) و کرویت بارتلت است. کنترل تجربی کارآمد این است که شاخص KMO بالای ۰.۷ باشد تا اطمینان حاصل شود ساختار همبستگی داده‌ها برای فاکتورگیری مناسب است.
فلسفه و عملکرد تحلیل عاملی تاییدی (CFA)
تحلیل عاملی تاییدی در نقطه مقابل اکتشاف قرار دارد و مبتنی بر نظریه پیشین است. در CFA، پژوهشگر از آغاز می‌داند که چه تعداد عامل در پرسشنامه یا مدل وجود دارد و هر گویه دقیقا معرف کدام سازه مکنون است. وظیفه این تحلیل، آزمون این فرضیه است که آیا داده‌های گردآوری‌شده با ساختار عاملی ادعاشده انطباق آماری دارند یا خیر.
مقایسه‌ی مرتبط: تفاوت ایموس و اسمارت پی ال اس
مکانیسم CFA بخشی از رویکرد مدلسازی معادلات ساختاری (SEM) محسوب می‌شود. در این چارچوب، قیود نظری مشخصی بر مدل تحمیل می‌شود؛ به این معنا که بار عاملی یک گویه روی سازه اختصاصی خودش آزاد گذاشته می‌شود، در حالی که بار عاملی همان گویه بر روی سایر عامل‌ها اجباراً صفر در نظر گرفته می‌شود. همچنین، واریانس خطای هر سوال به‌صورت مستقل اندازه‌گیری و مدلسازی می‌شود.
به‌عنوان یک موقعیت فرضی، تصور کنید از پرسشنامه استاندارد رضایت زناشویی انریچ که طبق پیشینه معتبر علمی دارای سه بعد سازگاری، حل تعارض و ارتباطات است استفاده می‌کنید. شما مدل را طراحی می‌کنید و بررسی می‌کنید که داده‌های نمونه با مدل ۳ عاملی نظری همخوانی دارد یا خیر. هدف در اینجا بازطراحی یا جابجایی سلیقه‌ای گویه‌ها نیست، بلکه اثبات روایی سازه است.
مقایسه‌ی مرتبط: کدام نرم افزار برای حجم نمونه کم بهتر است
اشتباه معمول در تحلیل تاییدی، تغییر دادن مسیرها بر اساس شاخص‌های تعدیل بدون داشتن توجیه نظری و صرفا برای ارتقای شاخص‌های برازش است. سنجش استاندارد ایجاب می‌کند که پارامترها و برازش مدل بر مبنای منطق موضوعی گزارش شوند، نه اصلاحات تصادفی در نرم‌افزارهای مدلسازی ساختاری.
تفاوت‌های بنیادین EFA و CFA در متغیرها، مفروضات و خروجی‌ها
بررسی تفاوت تحلیل عاملی اکتشافی و تاییدی نیازمند تحلیل دقیق شیوه برخورد هر روش با بارهای عاملی، خطای اندازه‌گیری و شاخص‌های آماری است. هر یک از این روش‌ها با نرم‌افزارهای متفاوتی پردازش می‌شوند و خروجی‌های متفاوتی را در گزارش فصل چهارم دانشگاهی ایجاد می‌کنند.
| شاخص مقایسه | تحلیل عاملی اکتشافی (EFA) | تحلیل عاملی تاییدی (CFA) |
|---|---|---|
| پشتوانه نظری | ضعیف، مبهم یا نوپا | مستحکم، مبتنی بر نظریه و ادبیات پیشین |
| فرضیه‌پردازی اولیه | تعداد عامل‌ها از پیش تعیین نمی‌شود | تعداد عامل‌ها و جایگاه گویه‌ها قطعی است |
| وضعیت بارهای عاملی | تمام گویه‌ها روی تمام عامل‌ها بار دارند | گویه‌ها فقط روی عامل تخصصی بار دارند (سایر صفرند) |
| خطای اندازه‌گیری | در سطح خطای مشترک باقی می‌ماند | خطای هر نشانگر به‌صورت مجزا برآورد می‌شود |
| معیار ارزیابی نهایی | مقدار ویژه (Eigenvalue) و ماتریس چرخش | شاخص‌های برازش مدل (مانند RMSEA، CFI و کای اسکوئر) |
| ابزار رایج پردازش | معمولا در نرم‌افزار SPSS اجرا می‌شود | در نرم‌افزارهای ساختاری مثل AMOS یا LISREL یا SmartPLS |
تفاوت اساسی در بخش خروجی، توانایی CFA در ارزیابی خطای اندازه‌گیری و تعیین روایی همگرا و واگرا است. در حالی که EFA ساختارهای همپوشان را دسته‌بندی می‌کند، CFA با آزمون‌های دقیق مانند میانگین واریانس استخراج‌شده (AVE) و پایایی ترکیبی (CR) روایی مدل را تایید یا رد می‌کند.
مطلب مرتبط: نحوه خواندن گزارش همانندجو
معیارهای کلیدی برای انتخاب میان EFA و CFA در پژوهش
گزینش شیوه تحلیل عاملی مناسب تابعی از وضعیت ابزار پژوهش، ماهیت جامعه آماری و سطح توسعه ادبیات نظری است. پژوهشگر باید پیش از تحلیل آماری، چند گام تشخیصی مشخص را برای تعیین تکنیک به کار ببرد.
- اصالت و منبع پرسشنامه: اگر پرسشنامه ساخته دست خود پژوهشگر است، مصاحبه‌محور تدوین شده یا اولین بار در یک بافت فرهنگی متفاوت پیاده می‌شود، استفاده از EFA ضروری است. اگر پرسشنامه استاندارد و بارها سنجیده شده باشد، اجرای CFA اولویت دارد.
- هدف روش‌شناختی: هرگاه هدف، تقلیل داده‌های خام و ایجاد یک مقیاس جدید باشد، مسیر اکتشافی طی می‌شود. اما زمانی که هدف، راستی‌آزمایی روایی سازه در چارچوب یک فرضیه پژوهشی باشد، رویکرد تاییدی حاکم است.
- نرم‌افزار انتخابی و مدل مفهومی: اگر پژوهش در ادامه قرار است به سمت ارزیابی اثرات متغیرها و مدلسازی مسیر پیش برود، تایید ساختار عاملی با روش تاییدی در نرم‌افزارهایی نظیر ایموس یا اسمارت پی‌ال‌اس پیش‌نیاز ورود به مرحله بعد است.
یکی از نمونه‌های رایج، ترجمه یک ابزار سنجش روان‌شناختی از زبان انگلیسی به فارسی است. با وجود استاندارد بودن مقیاس اولیه، به دلیل تفاوت‌های بارز فرهنگی و زبانی، عاقلانه است که ابزار ابتدا روی نمونه‌ای کوچک‌تر با روش اکتشافی بررسی شود تا اطمینان یابیم گویه‌ها همان ساختار پیشین را بازتولید می‌کنند و سپس مدل ساختاریافته در یک جامعه مستقل دیگر با روش تاییدی سنجیده شود.
خطای ادغام EFA و CFA بر روی داده‌های یکسان
یک انحراف پرشمار در پایان‌نامه‌های دانشگاهی، اجرای EFA و CFA بر روی یک سری داده معین و یکسان است. پژوهشگر ابتدا با تحلیل عاملی اکتشافی چند عامل را استخراج می‌کند و بلافاصله بر روی همان پاسخ‌نامه‌ها، مدل عاملی تاییدی می‌زند و شاخص‌های برازش عالی به دست می‌آورد.
مطلب مرتبط: ترتیب چیدمان اسلایدهای دفاع ارشد
این رویکرد از نظر روش‌شناسی پژوهش نامعتبر است؛ زیرا داده‌ها نمی‌توانند هم‌زمان فرضیه را خلق کنند و سپس خودشان صحت همان فرضیه را اثبات کنند. این ترفند ساختگی منجر به تورم کاذب برازش مدل و ناتوانی در تعمیم‌پذیری نتایج می‌شود.
راهکار اصولی در موقعیت‌های تلفیقی، تقسیم تصادفی نمونه به دو بخش مجزا (Split-Sample) است. برای نمونه، اگر حجم کل نمونه آماری ۴۰۰ نفر باشد، پژوهشگر داده‌های ۲۰۰ نفر نخست را برای استخراج عامل‌ها با EFA استفاده می‌کند و پس از تثبیت سنجه‌ها، داده‌های ۲۰۰ نفر دوم را به عنوان گروه اعتبارسنجی وارد CFA می‌کند تا برازش واقعی مدل را بسنجد.
مطلب مرتبط: جلسه پیش دفاع با دفاع نهایی چه فرقی دارد
نقش واریانس خطا و اصلاح بارهای متقاطع
در تحلیل عاملی اکتشافی، پدیده‌ای به نام بارهای متقاطع (Cross-loadings) مشاهده می‌شود؛ یعنی وضعیتی که در آن یک پرسش با بیش از یک عامل همبستگی معنادار دارد (برای مثال بار عاملی ۰.۵۵ روی عامل اول و ۰.۴۸ روی عامل دوم). تصمیم‌گیری در این مرحله معمولا حذف گویه یا حفظ آن با تکیه بر چرخش متمایل است.
در تحلیل عاملی تاییدی، فرض پیش‌فرض این است که بار متقاطع وجود ندارد، مگر آنکه شاخص‌های اصلاحی مدل، همبستگی میان خطاهای دو گویه را پیشنهاد دهند. در این زمینه باید دقت کرد که پیوند زدن خطای گویه‌ها فقط زمانی مجاز است که تشابه محتوایی یا همپوشانی متنی معنادار میان دو پرسش وجود داشته باشد. اتصال خودسرانه خطاهای گویه‌ها به یکدیگر برای بهبود شاخص RMSEA، ماهیت علمی مدل را مخدوش می‌سازد.
پرسش‌های متداول درباره تحلیل عاملی اکتشافی و تاییدی
آیا برای یک پرسشنامه کاملا استاندارد، اجرای تحلیل عاملی اکتشافی لازم است؟
خیر؛ اگر ابزار سنجش استاندارد، دارای ادبیات پژوهشی محکم و بارها در جامعه هدف فعلی اعتبارسنجی شده باشد، اجرای EFA بی‌مورد است و پژوهشگر باید مستقیما از تحلیل عاملی تاییدی برای بررسی روایی سازه در نمونه آماری خود استفاده کند.
مطلب مرتبط: نگارش توصیه نامه استاد
حداقل حجم نمونه مورد نیاز برای EFA و CFA چقدر است؟
برای تحلیل اکتشافی، قاعده تجربی معمول وجود حداقل ۵ تا ۱۰ پاسخ‌دهنده به ازای هر گویه و حداقل حجم نمونه کل ۱۰۰ تا ۲۰۰ نفر است. در تحلیل تاییدی مبتنی بر کوواریانس، نمونه‌های کمتر از ۲۰۰ مورد عموما برازش ناپایداری ایجاد می‌کنند، گرچه در رویکردهای مبتنی بر واریانس امکان کار با نمونه‌های کوچک‌تر نیز وجود دارد.
اگر شاخص‌های برازش در تحلیل عاملی تاییدی ضعیف باشند، چه اقدامی باید انجام داد؟
ابتدا باید بارهای عاملی بررسی شوند؛ گویه‌هایی که بار عاملی ضعیف (کمتر از ۰.۴ یا ۰.۵) دارند معمولا علت افت برازش هستند و حذف آن‌ها با رعایت مبانی نظری راهگشاست. همچنین کنترل هم‌خطی میان متغیرها و بررسی ماتریس باقی‌مانده‌ها گام‌های بعدی در تصحیح مدل محسوب می‌شوند.
آیا می‌توان از هر دو تحلیل در یک رساله دانشگاهی استفاده کرد؟
بله، مشروط بر آنکه رویکرد اعتبارسنجی دونیم‌سازی (Cross-validation) رعایت شود، یا آنکه پژوهش در بخش اول به هنجاریابی و بومی‌سازی ابزار بپردازد و در بخش دوم آزمون مدل نهایی را در جامعه‌ای جدید به محک بگذارد.
