تحلیل عاملی اکتشافی (EFA)
تعریف تحلیل عاملی اکتشافی (EFA)
تحلیل عاملی اکتشافی (EFA) یک روش آماری است که برای شناسایی ساختار زیربنایی یک مجموعه از متغیرهای مشاهده شده به کار میرود. EFA تلاش میکند تا تعداد کمی عامل (Factor) پنهان را شناسایی کند که بتوانند همبستگیهای بین متغیرهای مشاهده شده را توضیح دهند. به عبارت دیگر، EFA به دنبال این است که ببیند آیا میتوان متغیرهای زیاد را به تعداد کمتری عامل کاهش داد که این عاملها بتوانند بیشترین واریانس مشترک بین متغیرها را تبیین کنند.
اهمیت تحلیل عاملی اکتشافی برای مدیران
فرض کنید شما مدیر بازاریابی یک شرکت هستید و میخواهید نگرش مشتریان نسبت به برند خود را بسنجید. برای این کار، یک پرسشنامه با 20 سوال مختلف طراحی میکنید که جنبههای مختلف نگرش (مانند کیفیت، قیمت، نوآوری، خدمات پس از فروش و …) را اندازهگیری میکنند.
در اینجا، EFA به شما کمک میکند تا:
- کاهش ابعاد: به جای تحلیل 20 متغیر جداگانه، میتوانید تعداد کمی عامل پنهان (مثلاً 3 یا 4 عامل) را شناسایی کنید که این عاملها بتوانند بیشترین اطلاعات موجود در 20 سوال را در خود خلاصه کنند. این عاملها میتوانند به عنوان “ابعاد اصلی نگرش مشتریان” در نظر گرفته شوند (مثلاً “کیفیت کلی”، “ارزش ادراک شده”، “نوآوری و تمایز”).
- شناسایی ساختار: EFA به شما کمک میکند تا بفهمید کدام سوالات با یکدیگر همبستگی بیشتری دارند و به یک عامل تعلق دارند. این به شما کمک میکند تا ساختار نگرش مشتریان را بهتر درک کنید و سوالات پرسشنامه را بهبود بخشید.
- توسعه شاخصها: میتوانید از عاملهای استخراج شده برای توسعه شاخصهای ترکیبی (Composite Scores) استفاده کنید که هر شاخص یک بعد خاص از نگرش مشتریان را نشان میدهد.
مثال دیگر: فرض کنید مدیر منابع انسانی یک شرکت هستید و میخواهید عوامل مؤثر بر رضایت شغلی کارکنان را شناسایی کنید. میتوانید یک پرسشنامه با سوالات مختلف در مورد جنبههای مختلف شغل (مانند حقوق، مزایا، روابط با همکاران، فرصتهای پیشرفت و …) طراحی کنید و با استفاده از EFA، عوامل پنهان مؤثر بر رضایت شغلی را شناسایی کنید.
مقایسه EFA با CFA و PCA
| ویژگی | تحلیل عاملی اکتشافی (EFA) | تحلیل عاملی تاییدی (CFA) | تحلیل مولفههای اصلی (PCA) |
|---|---|---|---|
| هدف | کشف ساختار زیربنایی دادهها، کاهش ابعاد، شناسایی عاملهای پنهان | آزمون یک مدل نظری از پیش تعیین شده، تایید ساختار عاملی | کاهش ابعاد، تبدیل متغیرهای همبسته به متغیرهای ناهمبسته (مولفههای اصلی) |
| رویکرد | دادهمحور (Data-Driven): ساختار عاملها از دادهها استخراج میشود و از قبل مشخص نیست. | نظریهمحور (Theory-Driven): یک مدل نظری از قبل تعیین میشود و سپس با استفاده از دادهها آزمون میشود. | دادهمحور (Data-Driven): مولفههای اصلی بر اساس واریانس دادهها استخراج میشوند و لزوماً به معنای عاملهای پنهان نیستند. |
| نوع متغیرها | معمولاً متغیرهای پیوسته یا ترتیبی (با مقیاس لیکرت) | معمولاً متغیرهای پیوسته یا ترتیبی (با مقیاس لیکرت) | متغیرهای پیوسته |
| تعداد عاملها | از قبل مشخص نیست و در فرآیند تحلیل تعیین میشود. | از قبل بر اساس مدل نظری تعیین میشود. | برابر با تعداد متغیرهای اصلی است، اما معمولاً تعداد کمی از مولفههای اصلی که بیشترین واریانس را توضیح میدهند، نگه داشته میشوند. |
| چرخش عاملها | برای سادهسازی و تفسیرپذیری عاملها، از چرخش (Rotation) استفاده میشود (مانند چرخش واریماکس، پروماکس). | ممکن است از چرخش استفاده شود، اما هدف اصلی تایید مدل است و نه لزوماً سادهسازی ساختار. | معمولاً از چرخش استفاده نمیشود، زیرا هدف PCA تبدیل متغیرها به مولفههای ناهمبسته است و نه تفسیرپذیری آنها. |
| شاخصهای برازش | شاخصهای مختلفی برای ارزیابی برازش مدل EFA وجود دارد (مانند CFI, TLI, RMSEA)، اما تفسیر آنها به اندازه CFA قطعی نیست. | شاخصهای مختلفی برای ارزیابی برازش مدل CFA وجود دارد (مانند CFI, TLI, RMSEA, SRMR) که به طور گستردهای پذیرفته شدهاند و معیارهای مشخصی برای خوب بودن برازش دارند. | برای PCA شاخص برازش به معنای مرسوم وجود ندارد، زیرا PCA یک روش استخراج مولفه است و نه یک مدل آماری. |
نکات مهم در بهکارگیری EFA در مدیریت
- اندازه نمونه: اندازه نمونه باید به اندازه کافی بزرگ باشد (معمولاً حداقل 10 برابر تعداد متغیرها یا حداقل 300 مشاهده).
- همبستگی بین متغیرها: متغیرها باید با یکدیگر همبستگی داشته باشند تا بتوان از EFA استفاده کرد.
- چرخش عاملها: برای تفسیرپذیری بهتر عاملها، از چرخش استفاده کنید.
- نامگذاری عاملها: بر اساس متغیرهایی که بیشترین بار عاملی را روی هر عامل دارند، برای عاملها نامهای معنیدار انتخاب کنید.
- روایی و پایایی: پس از استخراج عاملها، روایی و پایایی آنها را بررسی کنید.
- KMO و آزمون کرویت بارتلت: این دو پیش از اجرای تحلیل عاملی اکتشافی ، مناسب بودن داده ها را بررسی میکنند.
راهنمای گام به گام استفاده از EFA
- تعیین هدف: هدف از انجام EFA را مشخص کنید (کاهش ابعاد، شناسایی ساختار، توسعه شاخص).
- انتخاب متغیرها: متغیرهای مورد نظر را بر اساس مبانی نظری و هدف تحقیق انتخاب کنید.
- جمعآوری دادهها: دادههای مربوط به متغیرها را از یک نمونه مناسب جمعآوری کنید.
- بررسی پیشفرضها: پیشفرضهای EFA (اندازه نمونه، همبستگی بین متغیرها) را بررسی کنید.
- انتخاب روش استخراج عامل: یک روش استخراج عامل (مانند تحلیل مولفههای اصلی، تحلیل عاملهای اصلی) را انتخاب کنید.
- تعیین تعداد عاملها: با استفاده از معیارهای مختلف (مانند معیار کایزر، نمودار اسکری، تحلیل موازی)، تعداد عاملهای مناسب را تعیین کنید.
- چرخش عاملها: برای سادهسازی و تفسیرپذیری عاملها، از یک روش چرخش (مانند واریماکس، پروماکس) استفاده کنید.
- تفسیر عاملها: بر اساس متغیرهایی که بیشترین بار عاملی را روی هر عامل دارند، عاملها را تفسیر و نامگذاری کنید.
- ارزیابی روایی و پایایی: روایی و پایایی عاملهای استخراج شده را بررسی کنید.
- گزارش نتایج: نتایج EFA را به طور کامل گزارش کنید (شامل بارهای عاملی، واریانس تبیین شده، شاخصهای برازش).