تحلیل عاملی اکتشافی و تاییدي در لیزرل

تحلیل عاملی اکتشافی و تاییدي در لیزرل

تحلیل عاملی می تواند دو صورت اکتشافی و تاییدي داشته باشد. اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده هاست . . در تحلیل اکتشافی(Exploratory factor analysis) پژوهشگر به دنبال بررسی داده هاي تجربی به منظور کشف و شناسایی شاخص ها و نیز روابط بین آنهاست و این کار را بدون تحمیل هر گونه مدل معینی انجام می دهد. به بیان دیگر تحلیل اکتشافی علاوه بر آنکه ارزش تجسسی یا پیشنهادي دارد می تواند ساختارساز، مدل ساز یا فرضیه ساز باشد. تحلیل اکتشافی وقتی به کار می رود که پژوهشگر شواهد کافی قبلی و پیش تجربی براي تشکیل فرضیه درباره تعداد عامل هاي زیربنایی داده ها نداشته و به واقع مایل باشد درباره تعیین تعداد یا ماهیت عامل هایی که همپراشی بین متغیرهارا توجیه می کنند داده ها را بکاود. بنابر این تحلیل اکتشافی بیشتر به عنوان یک روش تدوین و تولید تئوري و نه یک روش آزمون تئوري در نظر گرفته می شود.

تحلیل عاملی اکتشافی روشی است که اغلب براي کشف و اندازه گیري منابع مکنون پراش و همپراش در اندازه گیري هاي مشاهده شده به کار می رود. پژوهشگران به این واقعیت پی برده اند که تحلیل عاملی اکتشافی می تواند در مراحل اولیه تجربه یا پرورش تستها کاملا مفید باشد. توانشهاي ذهنی نخستین ترستون ، ساختار هوش گیلفورد نمونه هاي خوبی براي این مطلب می باشد. اما هر چه دانش بیشتري درباره طبیعت اندازه گیري هاي روانی و اجتماعی به دست آید ممکن است کمتر به عنوان یک ابزار مفید به کار رود و حتی ممکن است بازدارنده نیز باشد. از سوي دیگر بیشتر مطالعات ممکن است تا حدي هم اکتشافی و هم تاییدي باشند زیرا شامل متغیر معلوم و تعدادي متغیر مجهول اند. متغیرهاي معلوم را باید با دقت زیادي انتخاب کرد تا حتی الامکان درباره متغیرهاي نامعلومی که استخراج می شود اطلاعات بیشتري فراهم اید. مطلوب آن است که فرضیه اي که از طریق روش هاي تحلیل اکتشافی تدوین می شود از طریق قرار گرفتن در معرض روش هاي آماري دقیق تر تایید یا رد شود. تحلیل اکتشافی نیازمند نمونه هایی با حجم بسیار زیاد می باشد. در تحلیل عاملی (Confirmatory factor analysis) , پژوهشگر به دنبال تهیه مدلی است که فرض می شود عاملی تاییدي داده هاي تجربی را بر پایه چند پارامتر نسبتا اندك، توصیف تبیین یا توجیه می کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده هاست که می تواند به شکل: 1)یک تئوري یا فرضیه 2) یک طرح طبقه بندي کننده معین براي گویه ها یا پاره تستها در انطباق با ویژگی هاي عینی شکل و محتوا ، 3) شرایط معلوم تجربی و یا 4) دانش حاصل از مطالعات قبلی درباره داده هاي وسیع باشد. تمایز مهم روش هاي تحلیل اکتشافی و تاییدي در این است که روش اکتشافی با صرفه ترین روش تبیین واریانس مشترك زیربنایی یک ماتریس همبستگی را مشخص می کند. در حالی که روش هاي تاییدي (آزمون فرضیه) تعیین می کنند که داده ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ اند یا نه. مدل معادلات ساختاری SEM یک تحلیل چند متغیري بسیار نیرومند از خانواده رگرسیون چند متغیري و به بیان دقیق تر بسط مدل خطی کلی GLM است که به محقق امکان میدهد مجموعهاي از معادلات رگرسیون را به طور همزمان مورد آزمون قرار دهد. تحلیل مدل معادلات ساختاري را میتوان توسط دو تکنیک انجام داد: • تحلیل ساختاري کوواریانس یا روابط خطی ساختاري .( LISREL) • حداقل مربعات جزئی .( PLS) تکنیک لیزرل آمیزه دو تحلیل است: تحلیل عاملی تأییدي (مدل اندازه گیري ) تحلیل مسیر تعمیم تحلیل رگرسیون (مدل ساختاري) منظور از اندازه گیري، سنجش روابط بین متغیرهاي مشاهده شده(گویههاي پرسشنامه) و متغیرهاي مکنون(شاخصهاي اصلی مانند: سرمایه انسانی و عملکرد سازمانی و از این نوع) توسط سازههاي متغیرهاي مکنون(عوامل استخراج شده) است. به بیان دیگر این مدل مشخص میکند که متغیرهاي مکنون چگونه با متغیرهاي قابل مشاهده مرتبطاند و از طریق آنها سنجیده میشوند و هریک از شاخصها تا چه حد متضمن مفهوم ابعاد متغیر مکنون هستند. روش کلی کار در الگوي معادلات ساختاري آنچنان که آمد، معادلات ساختاري به عنوان یک الگوي آماري به بررسی روابط بین متغیرهاي پنهان و آشکار(مشاهده شده) می پردازد.در واقع الگوسازي معادله ساختاري یک رویکرد آماري جامع براي آزمون فرض هایی درباره روابط بین متغیرهاي مشاهده شده و پنهان استدر الگوي معادلات ساختاري روش کار بدین صورت است که: 1- مشخص کردن الگویی بر پایه یک نظریه: الگو یا مدل یک عبارت آماري درباره روابط بین متغیرها است. این الگوها در زمینه رویکردهاي مختلف تحلیلی، شکل هاي مختلفی به خود می گیرند. در این مرحله یک الگو یا مدل براساس ترجمان یک نظریه به معادلات ساختاري یا ریاضی تهیه میشود. یعنی ابتدا یک نمودار مسیر را ترسیم کنیم و روابط علی بین متغیرها را نشان دهیم. بعد از مشخص کردن متغیرهاي پنهان باید شاخصها یا متغیرهاي مشاهده شده مناسبی را انتخاب و به آنها وصل کنیم. بهتر است از چندین شاخص به جاي یک شاخص براي اندازه گیري متغیر پنهان استفاده شود و این کار به کمک تعریف مفهومی و عملیاتی صورت می گیرد.

2- ارزیابی حالت تعیین مدل یا الگو: براساس این که مدل باید مستلزم شرایطی براي بدست آوردن یک راه حل منحصر به فرد براي پارامترهاي بیان شده باشد.

3- ارایه تخمین براي الگوي پیشنهادي: بدست آوردن تخمین پارامترهاي آزاد از روي مجموع دادههاي مشاهده شده که شامل فرآیندهاي تکراري است که در هر تکرار یک ماتریس کوواریانس ضمنی ساخته میشود و با ماتریس کوواریانس داده هاي مشاهده شده مقایسه میگردد. مقایسه این دو ماتریس منجر به تولید یک ماتریس باقیمانده می شود و این تکرارها تا جایی ادامه مییابد که این ماتریس باقیمانده به حداقل ممکن برسد.

-4 ارزیابی تناسب یا برازش الگو یا مدل: زمانی الگو یا مدل با دادههاي مشاهده شده تناسب دارد که ماتریس کوواریانس ضمنی با ماتریس کوواریانس دادههاي مشاهده شده، معادل باشد. بدین معنی که ماتریس نزدیک صفر باشد. مهمترین گام موجود در این مرحله عبارت است از: بررسی معیار کلی تناسب مدل و قابلیت آزمونپذیري مدل ارزیابی موضوع که آیا اصلاحات مورد نیاز است یا خیر؟ هنگامی که مدلی تخمین زده میشود، برنامه نرمافزاري یکسري آمارهایی از قبیل خطاي استاندارد و غیره را درباره ارزیابی تناسب مدل با دادهها منتشر میکند.

5- اصلاح مدل: تطبیق مدل بیان شده و تخمین زده شده از طریق آزادکردن پارامترهایی که قبلا ثابت بودهاند یا ثابت کردن پارامترهایی که قبل از آن آزاد بودهاند.

6- تفسیرمدل: اگر آزمونهاي تناسب نشان دهند که مدل به طور کافی متناسب با دادهها میباشد، در این مرحله ما بر روي عوامل مشخص شده (پارامترهاي مدل) مدل متناسب شده تمرکز می نماییم. در این مرحله، معناداري پارامترهاي مدل، مورد ارزیابی قرار می گیرد.