التحليل العاملي الاستكشافي برنامج -EXPLORATORY FACTOR ANALYSIS in -SPSS


السلام عليكم

مرحبا بكم. في هذا الشرح سنتحدث عن عمل

التحليل العاملي الاستكشافي EXPLORATORY FACTOR ANALYSIS in SPSS

رابط لتحميل البيانات DATASET وهي بعنوان PERSONALITY
https://people.bath.ac.uk/pssiw/stats2/page16/page16.html

ويعتبر ال EFA (EXPLORATORY FACTOR ANALYSIS) طريقة تجميع للمتغيرات او ما يسمى تخفيض الابعاد DIMENSION REDUCTION عن طريق مقارنة الارتبطات VARIABLE CORRELATION

عندما يكون لدينا بيانات فيها الكثير من المتغيرات VARIABLES لنرى في ملف البيانات على سبيل المثال ، لدي هنا 44 متغير مكون للشخصية
فهذا رقم كبير من المتغيرات ويمكن أن نقوم بعمل التحليل العاملي لتقليلها الى أبعاد أقل يمكن لنا استخدامها واختبارها

على سبيل المثال بدلا من أن لدينا هنا 44 متغير لوصف الشخصية فيمكن أن نقلل ونجمع هذه العوامل في خمسة او ستة عوامل.
ونعمل ذلك عن طريق ال FACTOR ANLAYSIS والذي سيقوم بتجميع العوامل حسب ارتباطاتها INTER CORRELATION

لعمل التحليل العاملي الاستكشافي EFA في برنامج ال SPSS
نذهب الى ANAYLZE
DIMENSION REDUCTION
FACTOR
و ساقوم هنا باختيار جميع العوامل من 1 الى 44 ثم اضيفها الى مربع المتغيرات VARIABLES
وفي هذا الفيديو لن نناقش الكثير من التفاصيل ولكن سنوضح كيف يمكن عمل ال EFA وأي الخيارات هي التي احتاجها وكيف أستطيع تقييم ال EFA الذي عملته.
وفي الفيديوهات القادمة سوف نشرح بمزيد من التفصيل عن الخيارات المختلفة في ال EFA
اذن دعونا نبدأ: أولا نذهب الى خيار الإحصاءات الوصفيه DESCRIPTIVES
نرى هنا أنه تم اختيار ال INTIAL SOLUTION بصورة افتراضية والذي سوف يعطينا حسابات ال COMMUNALITIES
حححح
وال KMO AND BARTLETT’S TEST OF SPHERICITY
لاختبار ما يسمى بالكفاءة او الكفاية ADEQUCY
هنا عدد أيضا من الخيارات الأخرى ولكن دعونا نكتفي بهذا.
سأذهب الان الى الخيارات الأخرى في EXTRACTION
نرى هنا ان الطريقة الافتراضية هي PRINCIPAL COMPONENTS ANLALYSIS
هنا أن نرى أن هناك أيضا طرق أخرى لعمل استخلاص العوامل FACTORING METHODS
والأكثر شيوعا هي ال PRINCIPAL COMPONENT
وال PRINCIPAL AXIS FACTORING
وال MAXIMUM LIKELIHOOD
سوف أتركها الان على الافتراضي وهي ال PRINCIPAL COMPONENT

السؤال عادة هو ما هي الطريقة التي استخدمها. والجواب هو أن هذا يعتمد على البيانات بشكل كبير. صحيح أن هناك بعض الارشادات التي يمكن أن نبدأ بها وان شاء الله في فيديوهات قادمة سنفصل أكثر فيها ولكن بشكل عام يمكن أن تستخدم الطريقة التي سوف تعطي أفضل النتائج.

في الأسفل هنا يمكننا أن نختار أن نعمل ال EXTRACTION بناء على
EIGENVALUE والذي هو عبارة عن مقدار مساهمة كل عامل.
او يمكن ان نعمل ال EXTRACTION بناء على رقم محدد من العوامل.
هنا سوف أترك الاختيار الافتراضي باستخدام ال EIGENVALUE أكبر من 1
ننتقل الى خيارات التدوير ROTATION

وأكثر طرق التدوير شيوعا هي VARIMAX
و لانني لست متاكد من الcorrelation بين المتغيرات ساختارها
ثم CONTINUE
في خيارات ال SCORE
لن أقوم حاليا باختيار SAVE AS VARIABLE

والذي سيقوم بحفظ العامل المكون من عدد من المتغيرات في متغير جديد وهذا يكون مفيدا في التحليلات التي عادة ما تلي تحليل ال EFA
أخيرا في زر الخيارات سوف أقوم باختيار
في اختيارات البيانات المفقودة ساقوم بعمل الاختيار الثاني ح
EXCLUDE CASES PAIRWISE
بمعنى انه سيقوم بعمل الاستبعاد CASE BY CASE
ساختار هنا SORTED BY SIZE
حتى يسهل لنا قراءة ال MATRIX
وأيضا ساقوم بعمل حظرا او إزالة SUPPRESS SMALL COEFFICIENTS
والتي قيمتها اقل من 0.3
ونختار القيمة 0.3 بسبب ان ال LOADING الأقل من 0.3 هو غير مقبول
ثم اختار CONTINUE
ثم OK

وفي شاشة النتائج تظهر لدينا الكثير من المخرجات ال OUTPUT
سنمر الان بصورة سريعة على اهم هذه ال OUTPUT
أولا ال نkaiser mayeer olkin’s AND BARTLETT’S TEST
هو اختبار لمدى كفاءة او كفاية ADEQUECY التحليل
و نرى هنا ان القيمة هي 0.840
و هي أعلى من الحد الأدنى و هو 0.7
و أيضا في اختبار Bartlett’s نريد ان نجد أن لدينا قيمة دالة احصائيا أي اقل هنا من 0.05
ننتقل الى COMMUTNALITIES
و نريد هنا في ان نحصل على قيم اعلى من 0.5 و أحيانا قد نقبل قيم اقل بقليل من 0.5
يمكن ان ارتب هذه عن طريق الضغط باليمين هنا و sort raws
Ascending
نرى هنا ان لدينا أربعة متغيرات اقل من 0.5
و قد تكون هذه العوامل مرشحة ان نحذفها بعد ان ننظر في ال pattern matrix
سابدأ أولا بالتخلص من اسوا متغير و هو 17
ثم في ال TOTAL VARIANCE EXPLAINED
نجد مقدار التباين VARIAIANCE اححح لذي يمكن شرحه عن طريق هذا التحليل للعوامل ال EFA
نرى هنا اننا حصلنا على 10عوامل بقيمة EIGNEVALUE اكبر من 1
و نرى في الأسفل انه لم يتم عمل EXTRACTION للعوامل التي لديها EIGENVALUE اقل من 1
و التباين التجميعي الذي يقوم هذه التحليل للعوامل بشرحه هو 57.634%
وأي رقم أكبر من 50 او 60 في المائة هو بشكل عام جيد
دعونا ننتقل الى
rotated component matrix
وهي اهم المخرجات والتي عادة سوف نقضي عندها معظم الوقت في التحليل
و ال rotated component matrix
او الPATTERN MATRIX هي مصفوفة تحميل العوامل FACTOR LOADING
في هذه الحالة لدينا 10عوامل FACTORS
ونريد أن نرى هنا أن المتغيرات تعلم تحميل LOADING على عامل واحد او اذا وجد CROSSLOADING
بين المتغيرات فانه يوجد فارق مناسب بينهما
نرى هنا ان لدينا بعض ال factors تعمل crossloading
بشكل عام فاننا نرغب ان نرى LOADING اكبر من 0.5
رغم ان هناك من يقول 0.3
ونريد ان يكون متوسط ال LOADING لكل عامل هو أكبر من 0.7
بالإضافة اننا نريد ان يكون هناك ثلاثة متغيرات او أكثر لكل عامل
ولذلك فان لدينا هنا مشكلة في العاملين الأخيرين كما نرى هنا.
دعونا نتخلص أولا من المتغير 17
والذي كان أسوا العوامل في ال communalities
ثم نذهب الى ال rotated matrix
ما زال لدينا الكثير من المشاكل هنا
دعونا نجرب أن نبدأ بالتخلص من العوامل التي لديها crossloading
هنا نرى
13
33
01
26
34
و39

29
37
02
05
16
ساجرب ان اتخلص منها
ثم Ok
نرى هنا ما زال لدينا
28
38
27
20
35
11
12
الان لدي مشكلة فقط في 03
ساقوم بحذفها
دعوني أيضا احذف
23
أصبحت الأمور الان افضل بكثير
و لكن لدي مشكلة في المتغيرين الأخيرين
ساذهب لارى ال total variance explained
نرى ان المتغير الأخير قيمة ال eigenvalue هي قريبة جدا من الواحد
ساحاول ان اقلل عدد العوامل الى ستة
ثم اوكي
و نذهب الى rotated matrix
أصبحت افضل بكثير
نرى هنا ان ال loading اكبر من 0.5 ,
نذهب الى ال communalities
و نرى ان لدينا رقمي 10 و 25 اقل من 0.5
لكن بسبب ان ال loading matrix هي جيد ه نوعا ما
فلا باس بها
نرى ال Adequcy
جيد في ال KMO and Barelt tes
ثم نذهب الى total variance explained
57.754
لا بأس
و الأهم من ذلك ان نعود الى ال loading matrix
و نرى فيما اذا ما كان توزيع المتغيرات هو منطقي
هنا العوامل هي
pers09 relaxed
pers14 tense
pers24 emotionally stable
pers04 depressed
pers19 worries
هذا الاول
pers21 quiet
pers06 reserved
pers31 shy
pes36 outgoing ح
الثاني

pers32 considerate
pers22 trusting
pers42 co-operative
pers07 helpful
هذا الثالث
pers18 disorganized
pers08 careless
pers43 ditractable
يبدو ان هنا يوجد مشكلة في الspelling
و ان الكلمة هي distractable
ثم
pers15 ingenious
pers40 reflective
pers10 curious
pers25 inventive

pers30 values artistic experiences
pers41 few artistic interests
pers44 sophisticated in art & music
يبدو لي التوزيع جيد بشكل عام
طبعا هنا عملت انا التحليل بسرعة .
بامكانكم المحاولة و محاوله حذف متغير او متغيرين فقط في المره الواحدة . يمكن أيضا ان نفحص ال reliability للعناصر و نرى فيما اذا امكن حذف احدها لرفع مستوى ال كرومباخ الفا
أخيرا دعوني الان احفظ هذه العوامل بصورة متغيرات عن طريق الذهاب الى الخيار save as variable
في الزر score
و نرى انه في قائمة المتغيرات تم انشاء ستة متغيرات جديدة يمكن ان استخدمها في التحليلات الأخرى.
كان هذا درسنا لهذا اليوم أتمنى ان تكونوا استفدتم منه .. خالص تحياتي و الى لقاء اخر في الفيديو القادم

أنشر المعرفة

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني.