تحليل عاملي اکتشافي و تحليل عاملي تاییدی
تحلیل آماری با لیزرل ميتواند دو صورت اکتشافي و تاییدی داشته باشد. اينکه کدام يک از اين دو روش بايد در تحليل عاملي به کار رود مبتنی بر هدف تحليل داده هاست.
در تحليل اکتشافي پژوهشگر به دنبال بررسي دادههاي تجربي به منظور کشف و شناسايي شاخصها و نيز روابط بين آنهاست و اين کار را بدون تحميل هر گونه مدل معيني انجام ميدهد. به بيان ديگر تحليل اکتشافي علاوه بر آنکه ارزش تجسسي يا پيشنهادي دارد ميتواند ساختارساز، مدل ساز يا فرضيه ساز باشد.
تحليل اکتشافي وقتي به کار ميرود که پژوهشگر شواهد کافي قبلي و پيش تجربي براي تشکيل فرضيه درباره تعداد عاملهاي زيربنايي دادهها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عاملهايي که همپراشي بين متغيرها را توجيه ميکنند دادهها را بکاود. بنابر اين تحليل آماری اکتشافي بيشتر به عنوان يک روش تدوين و توليد تئوری و نه يک روش آزمون تئوري در نظر گرفته ميشود.
تحلیل آماری با لیزرل
تحليل عاملي اکتشافي روشي است که اغلب براي کشف و اندازه گيري منابع مکنون پراش و همپراش در اندازه گيريهاي مشاهده شده به کار ميرود. پژوهشگران به اين واقعيت پي برده اند که تحليل عاملي اکتشافي ميتواند در مراحل اوليه تجربه يا پرورش تستها کاملا مفيد باشد. توانشهاي ذهني نخستين ترستون ، ساختار هوش گيلفورد نمونههاي خوبي براي اين مطلب ميباشد. اما هر چه دانش بيشتري درباره طبيعت اندازه گيريهاي رواني و اجتماعي به دست آيد ممکن است کمتر به عنوان يک ابزار مفيد به کار رود و حتي ممکن است بازدارنده نيز باشد.
از سوي ديگر بيشتر مطالعات ممکن است تا حدي هم اکتشافي و هم تاييدي باشند زيرا شامل متغير معلوم و تعدادي متغير مجهولاند. متغيرهاي معلوم را بايد با دقت زيادي انتخاب کرد تا حتي الامکان درباره متغيرهاي نامعلومي که استخراج ميشود اطلاعات بيشتري فراهمايد. مطلوب آن است که فرضيه اي که از طريق روشهاي تحليل اکتشافي تدوين ميشود از طريق قرار گرفتن در معرض روشهاي آماري دقيقتر تاييد يا رد شود. تحليل اکتشافي نيازمند نمونههايي با حجم بسيار زياد ميباشد.
در تحليل عاملي تاييدي ، پژوهشگر به دنبال تهيه مدلي است که فرض ميشود دادههاي تجربي را بر پايه چند پارامتر نسبتا اندک، توصيف تبيين يا توجيه ميکند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده هاست که ميتواند به شکل: ۱) يک تئوري يا فرضيه ۲) يک طرح طبقه بندي کننده معين براي گويهها يا پاره تستها در انطباق با ويژگيهاي عيني شکل و محتوا ، ۳)شرايط معلوم تجربي و يا ۴) دانش حاصل از مطالعات قبلي درباره دادههاي وسيع باشد.
تمايز مهم روشهاي تحليل اکتشافي و تاييدي در اين است که روش اکتشافي با صرفهترين روش تبيين واريانس مشترک زيربنايي يک ماتريس همبستگي را مشخص ميکند. در حالي که روشهاي تاييدي (آزمون فرضيه) تعيين ميکنند که دادهها با يک ساختار عاملي معين (که در فرضيه آمده) هماهنگ اند يا نه.
آزمونهای برازندگی مدل کلی
با آنکه انواع گوناگون آزمونها که به گونه کلي شاخصهاي برازندگي ناميده ميشوند پيوسته در حال مقايسه، توسعه و تکامل ميباشند اما هنوز درباره حتي يک آزمون بهينه نيز توافق همگاني وجود ندارد. نتيجه آن است که مقالههاي مختلف، شاخصهاي مختلفي را ارائه کرده اند و حتي نگارشهاي مشهور برنامههاي SEM مانند نرم افزار های لیزرل و ایموس نيز تعداد زيادي از شاخصهاي برازندگي به دست ميدهند.
اين شاخصها به شيوههاي مختلفي طبقه بندي شده اند که يکي از عمدهترين آنها طبقه بندي به صورت مطلق، نسبي و تعديل يافته ميباشد. برخي از اين شاخص ها عبارتند از:
شاخصهای GFI و AGFI
شاخص GFI – Goodness of fit index مقدار نسبي واريانسها و کوواريانسها را به گونه مشترک از طريق مدل ارزيابي ميکند. دامنه تغييرات GFI بين صفر و يک ميباشد. مقدار GFI بايد برابر يا بزرگتر از ۹۰/۰باشد.
شاخص برازندگي ديگر Adjusted Goodness of Fit Index – AGFI يا همان مقدار تعديل يافته شاخص GFI براي درجه آزادي ميباشد. اين مشخصه معادل با کاربرد ميانگين مجذورات به جاي مجموع مجذورات در صورت و مخرج (۱- GFI) است. مقدار اين شاخص نيز بين صفر و يک ميباشد. شاخصهاي GFI و AGFI را که جارزکاگ و سوربوم (۱۹۸۹) پيشنهاد کرده اند بستگي به حجم نمونه ندارد.
شاخص RMSEA
اين شاخص , ريشه ميانگين مجذورات تقريب ميباشد.
شاخص Root Mean Square Error of Approximation – RMSEA براي مدلهاي خوب برابر ۰٫۰۵ يا کمتر است. مدلهايي که RMSEA آنها ۰٫۱ باشد برازش ضعيفي دارند.
مجذور کای تحلیل آماری با لیزرل
آزمون مجذور كاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوي همپراشي بين متغيرهاي مشاهده شده است را ميآزمايد، کميت خي دو بسيار به حجم نمونه وابسته ميباشد و نمونه بزرگ کميت خي دو را بيش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزايش ميدهد. (هومن.۱۳۸۴٫ ۴۲۲).
شاخصNFI و CFI
شاخصNFI (که شاخص بنتلر-بونت هم ناميده ميشود) براي مقادير بالاي ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. اين شاخص از طريق مقايسه يک مدل به اصطلاح مستقل که در آن بين متغيرها هيچ رابطه اي نيست با مدل پيشنهادي مورد نظر، مقدار بهبود را نيز ميآزمايد. شاخص CFIاز لحاظ معنا مانند NFI است با اين تفاوت که براي حجم گروه نمونه جريمه ميدهد.
شاخصهاي ديگري نيز در خروجي نرم افزار ليزرل ديده ميشوند که برخي مثلAIC, CAIC ECVA , براي تعيين برازندهترين مدل از ميان چند مدل مورد توجه قرار ميگيرند براي مثال مدلي که داراي کوچکترين AIC,CAIC,ECVA باشد برازندهتر است.(هومن۱۳۸۴ ،۲۴۴-۲۳۵) برخي از شاخصها نيز به شدت وابسته حجم نمونه اند و در حجم نمونههاي بالا ميتوانند معنا داشته باشند.
- شاخص حد مطلوب
- ميانگين مجذور پسماندها RMR نزدیک به صفر
- ميانگين مجذور پسماندها استاندارد شده SRMR تزدیک به صفر
- شاخص برازندگي GFI در حدود ۹/۰
- شاخص نرمشده برازندگي (NFI) در حدود ۹/۰
- شاخص نرمنشده برازندگي (NNFI) در حدود ۹/۰
- شاخص برازندگي فزاينده (IFI) در حدود ۹/۰
- شاخص برازندگي تطبيقي (CFI) در حدود ۹/۰
- ريشه دوم برآورد واريانس خطا، RMSEA کمتر از ۱/۰