تحلیل عاملی اکتشافی (EFA)
تحلیل عاملی اکتشافی چیست؟
تحلیل عاملی اکتشافی (Exploratory Factor Analysis یا EFA) یک روش آماری چندمتغیره است که برای کشف ساختار زیربنایی مجموعه‌ای از متغیرهای مشاهده‌شده به کار می‌رود. به زبان ساده، این روش به شما کمک می‌کند بفهمید آیا چندین متغیر پراکنده را می‌توان به تعداد کمتری عامل پنهان نسبت داد که بخشی از هم‌تغییری آن‌ها را توضیح می‌دهند. مدل عامل مشترک، واریانس اختصاصی و خطای اندازه‌گیری را نیز از واریانس مشترک متمایز می‌کند؛ همهٔ اطلاعات اولیه الزاماً حفظ نمی‌شود.
خروجی اصلی این تحلیل، مجموعه‌ای از عامل‌هاست که هر کدام گروهی از متغیرهای همبسته را در بر می‌گیرند. مثلاً اگر پرسشنامه‌ای با ۲۵ سؤال درباره رضایت شغلی دارید، ممکن است EFA نشان دهد این ۲۵ سؤال در واقع به ۴ عامل اصلی مانند «رضایت از حقوق و مزایا»، «رضایت از روابط کاری»، «رضایت از فرصت‌های رشد» و «رضایت از تعادل کار و زندگی» قابل تقسیم هستند.
این روش چه مسئله‌ای را حل می‌کند؟
در ارزیابی‌های مدیریتی، اغلب با حجم زیادی از داده‌ها و متغیرها مواجه می‌شویم که تحلیل تک‌تک آن‌ها دشوار و کم‌بازده است. مسئله اصلی اینجاست: آیا می‌توان الگوی مشخصی در پشت این متغیرها پیدا کرد؟ آیا برخی از این متغیرها در واقع یک مفهوم واحد را اندازه‌گیری می‌کنند؟
تحلیل عاملی اکتشافی دقیقاً همین مسئله را حل می‌کند: ساختار پنهان داده‌ها را آشکار می‌سازد و به مدیر کمک می‌کند به جای سروکار داشتن با ده‌ها متغیر پراکنده، با چند عامل مفهومی واضح کار کند. برای مثال، اگر مدیر منابع انسانی شما پرسشنامه‌ای با ۴۰ گویه طراحی کرده است، EFA می‌تواند نشان دهد این ۴۰ گویه عملاً ۵ بُعد اصلی را می‌سنجند. این کار هم تفسیر نتایج را ساده‌تر می‌کند و هم مبنای علمی برای بازطراحی پرسشنامه‌های بعدی فراهم می‌آورد.
چه زمانی باید از تحلیل عاملی اکتشافی استفاده کنیم؟
تحلیل عاملی اکتشافی زمانی کاربرد دارد که می‌خواهید ساختار زیربنایی داده‌ها را کشف کنید، اما از قبل الگوی مشخصی در ذهن ندارید. این وضعیت معمولاً در مراحل اولیه طراحی ابزارهای سنجش، پژوهش‌های اکتشافی یا زمانی رخ می‌دهد که چارچوب نظری قوی برای گروه‌بندی متغیرها وجود ندارد.
شرایط مناسب برای استفاده از EFA عبارت‌اند از:
- مقیاس و روش تحلیل سازگار باشند؛ داده‌های پیوسته و گویه‌های ترتیبی را می‌توان با روش مناسب تحلیل کرد. در گویه‌های لیکرت، تعداد طبقات و توزیع پاسخ‌ها در انتخاب ماتریس همبستگی و برآوردگر مهم‌اند؛ ترتیبی بودن را نباید خودکار معادل پیوسته بودن گرفت.
- الگوی همبستگی برای مدل عامل مشترک مناسب باشد؛ وجود چند p کوچک به‌تنهایی کفایت داده را نشان نمی‌دهد. باید اندازه و الگوی همبستگی‌ها، همبستگی‌های جزئی و کیفیت گویه‌ها بررسی شود.
- حجم نمونه کافی باشد؛ حداقل ثابت یا نسبت جهان‌شمولی مانند «۱۰ نفر به ازای هر گویه یا دست‌کم ۳۰۰ نفر» وجود ندارد. اشتراک‌ها، تعداد شاخص‌های هر عامل، قدرت بارها، داده‌های مفقود و پایداری راه‌حل در برنامه‌ریزی نمونه اهمیت دارند.
- هدف، کاهش ابعاد یا کشف ساختار باشد؛ نه آزمون یک مدل از پیش تعیین‌شده.
اگر از قبل می‌دانید متغیرها باید در چه گروه‌هایی قرار بگیرند و فقط می‌خواهید آن ساختار فرضی را بیازمایید، تحلیل عاملی تأییدی (CFA) انتخاب مناسب‌تری است.
چگونه از تحلیل عاملی اکتشافی استفاده کنیم؟
اجرای EFA یک فرایند چندمرحله‌ای است که باید با دقت انجام شود:
- تعریف هدف: مشخص کنید چرا تحلیل عاملی انجام می‌دهید؛ کاهش ابعاد، شناسایی ساختار، یا توسعه شاخص‌های ترکیبی.
- انتخاب متغیرها: متغیرهای ورودی را بر اساس منطق نظری و هدف ارزیابی انتخاب کنید. ورود متغیرهای نامرتبط می‌تواند ساختار نهایی را مخدوش کند.
- جمع‌آوری داده‌ها: از یک نمونه مناسب و با حجم کافی داده جمع‌آوری کنید.
- بررسی کفایت داده‌ها: پیش از اجرا، شاخص KMO و آزمون کرویت بارتلت را بررسی کنید. KMO و همبستگی‌های جزئی، همراه با محتوای گویه‌ها و ماتریس همبستگی تفسیر شوند. بارتلت فرض ماتریس همبستگی همانی را می‌آزماید؛ معناداری آن، به‌ویژه در نمونهٔ بزرگ، و عبور KMO از یک آستانه به‌تنهایی ساختار مناسب یا معتبر را تضمین نمی‌کند.
- انتخاب روش استخراج: برای مدل عامل مشترک، روش‌هایی مانند محورهای اصلی یا حداکثر درست‌نمایی را متناسب با داده و مفروضات انتخاب کنید. تحلیل مؤلفه‌های اصلی (PCA) همان EFA نیست و برای خلاصه‌سازی واریانس کل به کار می‌رود.
- تعیین تعداد عامل‌ها: تحلیل موازی، نمودار اسکری، تفسیرپذیری و شواهد نظری را کنار هم بسنجید و تحلیل حساسیت انجام دهید. معیار مقدار ویژهٔ بالاتر از ۱ را به‌تنهایی قاعدهٔ قطعی تعداد عامل نگیرید.
- چرخش عامل‌ها: برای ساده‌سازی تفسیر، از چرخش استفاده کنید. واریماکس عامل‌ها را نامرتبط فرض می‌کند؛ چرخش‌های مایل مانند پروماکس یا ابلیمین امکان همبستگی عامل‌ها را می‌دهند. چرخش باید با انتظار نظری دربارهٔ ارتباط سازه‌ها سازگار باشد.
- تفسیر و نام‌گذاری عامل‌ها: بر اساس متغیرهایی که بیشترین بار عاملی را روی هر عامل دارند، برای هر عامل نام مفهومی انتخاب کنید.
- ارزیابی پایایی: برای هر مقیاس حاصل، پایایی و عدم‌قطعیت آن را متناسب با مدل سنجش بررسی کنید؛ آلفای بالا به‌تنهایی تک‌بُعدی بودن یا روایی را نشان نمی‌دهد.
- گزارش نتایج: بارهای عاملی، واریانس تبیین‌شده و سایر خروجی‌های کلیدی را مستند کنید.
چگونه نتیجه را تفسیر کنیم؟
خروجی اصلی تحلیل عاملی اکتشافی شامل بارهای عاملی، واریانس تبیین‌شده و ماتریس ساختار است. تفسیر باید بر چند اصل استوار باشد:
- بار عاملی: رابطهٔ گویه و عامل را در مدل نشان می‌دهد. در چرخش مایل، ضرایب ماتریس الگو با همبستگی‌های گویه و عامل در ماتریس ساختار متفاوت‌اند. آستانه‌هایی مانند قدرمطلق ۰٫۴ یا ۰٫۵ قرارداد تفسیری‌اند، نه آزمون معناداری. حذف گویه باید محتوای آن، بار متقاطع و پوشش سازه را نیز در نظر بگیرد.
- واریانس و اشتراک: مشخص کنید نرم‌افزار چه سهمی از واریانس و با چه مخرجی گزارش می‌کند. در EFA تمرکز بر ساختار واریانس مشترک است؛ درصدهای PCA را نباید بدون توجه به تفاوت مدل مقایسه کرد. مقدار بزرگ‌تر به‌تنهایی معیار مدل بهتر نیست.
- تفسیر مفهومی: هر عامل را باید بر اساس محتوای متغیرهایی که روی آن بار می‌گیرند نام‌گذاری کنید. این نام‌گذاری مهم‌ترین بخش تفسیر است و باید با دقت و بر اساس فهم موضوعی انجام شود.
یک نکته مهم: در تحلیل عاملی اکتشافی «معناداری آماری» به معنای «اهمیت مدیریتی» نیست. ممکن است یک عامل از نظر آماری معتبر باشد، اما برای تصمیم‌گیری مدیریتی ارزش چندانی نداشته باشد. همیشه نتایج آماری را در چارچوب مسئله واقعی ارزیابی کنید.
یک مثال کاربردی
در یک مثال فرضی، تصور کنید مدیر بازاریابی یک شرکت تولیدکننده لوازم خانگی هستید و می‌خواهید ابعاد اصلی تجربه مشتریان از برند را شناسایی کنید. پرسشنامه‌ای با ۲۴ گویه طراحی می‌کنید که جنبه‌های مختلفی از کیفیت محصول، قیمت، خدمات پس از فروش، طراحی و نوآوری را می‌سنجد.
در این سناریوی آموزشی، جمع‌آوری ۴۰۰ پاسخ برنامه‌ریزی شده است؛ داده، KMO، p بارتلت یا بارهای عاملی واقعی در اختیار نیست. چهار عنوان زیر صرفاً یک ساختار احتمالی برای توضیح تفسیرند و نتیجهٔ اجرای نرم‌افزار محسوب نمی‌شوند:
- عامل اول: شامل گویه‌های مربوط به کیفیت ساخت، دوام و عملکرد محصول — «کیفیت محصول»
- عامل دوم: شامل گویه‌های مربوط به قیمت، ارزش خرید و صرفه اقتصادی — «ارزش ادراک‌شده»
- عامل سوم: شامل گویه‌های مربوط به خدمات پس از فروش، پاسخگویی و پشتیبانی — «کیفیت خدمات»
- عامل چهارم: شامل گویه‌های مربوط به طراحی ظاهری، مدرن بودن و تمایز از رقبا — «تمایز برند»
فقط اگر دادهٔ واقعی از چنین ساختاری حمایت کند و کیفیت سنجش بررسی شود، می‌توان ساخت مقیاس‌های مربوط را ارزیابی کرد. برای مقایسهٔ نمره‌ها در طول زمان یا بین گروه‌ها، همسانی سنجش نیز باید بررسی شود؛ چهار بُعد مثال، یافتهٔ واقعی دربارهٔ این برند نیستند.
مزایا و کاربردها
تحلیل عاملی اکتشافی در ارزیابی‌های مدیریتی چند مزیت مشخص دارد:
- ساده‌سازی داده‌های پیچیده: به جای کار با ده‌ها متغیر، با چند عامل مفهومی سروکار خواهید داشت.
- مبنای علمی برای طراحی ابزار: نتایج EFA می‌تواند مبنای بازطراحی پرسشنامه‌ها و حذف گویه‌های کم‌بار باشد.
- کشف الگوهای پنهان: ممکن است ارتباط‌هایی بین متغیرها پیدا کنید که از قبل به آن‌ها فکر نکرده‌اید.
- توسعه شاخص‌های ترکیبی: می‌توانید از عامل‌های استخراج‌شده برای ساخت شاخص‌های کلی استفاده کنید که مقایسه و پایش را آسان‌تر می‌کنند.
محدودیت‌ها و خطاهای رایج
تحلیل عاملی اکتشافی ابزار مناسبی است، اما محدودیت‌های مهمی دارد که باید از آن‌ها آگاه باشید:
- ماهیت اکتشافی: نتایج EFA وابسته به داده‌های نمونه است و در نمونه‌های دیگر ممکن است ساختار متفاوتی آشکار شود. نتایج را نباید به عنوان حقیقت قطعی در نظر گرفت.
- حساسیت به تصمیم‌های تحلیلگر: انتخاب روش استخراج، روش چرخش و معیار تعیین تعداد عامل‌ها بر نتیجه نهایی تأثیر می‌گذارد. تحلیل‌های متفاوت می‌توانند به ساختارهای متفاوتی منجر شوند.
- نیاز به حجم نمونه کافی: نمونهٔ ناکافی می‌تواند راه‌حل را ناپایدار کند؛ کفایت آن به ویژگی‌های مدل و داده وابسته است.
- خطای تفسیر: رایج‌ترین خطا این است که عامل‌های استخراج‌شده را به عنوان «واقعیت عینی» در نظر بگیریم، در حالی که آن‌ها صرفاً ساختارهای آماری هستند که همبستگی‌های مشاهده‌شده را خلاصه می‌کنند.
- تفاوت با تحلیل عاملی تأییدی: اگر مدل نظری مشخصی دارید، استفاده از EFA برای «تأیید» آن مدل نادرست است. در این شرایط باید از CFA استفاده کنید.
تحلیل عاملی اکتشافی در مقایسه با روش‌های مشابه
برای درک جایگاه EFA، مقایسه آن با دو روش نزدیک — تحلیل عاملی تأییدی (CFA) و تحلیل مؤلفه‌های اصلی (PCA) — مفید است:
| ویژگی | تحلیل عاملی اکتشافی (EFA) | تحلیل عاملی تأییدی (CFA) | تحلیل مؤلفه‌های اصلی (PCA) |
|---|---|---|---|
| هدف | کشف ساختار زیربنایی و کاهش ابعاد | آزمون مدل نظری از پیش تعیین‌شده | کاهش ابعاد با حداکثرسازی واریانس |
| رویکرد | داده‌محور؛ ساختار از داده‌ها استخراج می‌شود | نظریه‌محور؛ مدل از قبل مشخص است | داده‌محور؛ تمرکز بر واریانس، نه ساختار مفهومی |
| تعداد عامل‌ها | در فرایند تحلیل تعیین می‌شود | از قبل بر اساس نظریه مشخص است | حداکثر برابر تعداد متغیرها و محدود به رتبهٔ داده است؛ معمولاً تعداد کمتری نگه داشته می‌شود |
| تفسیر مفهومی | عامل‌ها به عنوان مفاهیم پنهان تفسیر می‌شوند | عامل‌ها از قبل تعریف شده‌اند | مؤلفه‌ها لزوماً مفهوم نظری ندارند |
از منظر تصمیم‌گیری مدیریتی، انتخاب بین این روش‌ها به سؤال اصلی شما بستگی دارد: اگر می‌خواهید ساختار را کشف کنید، EFA مناسب است؛ اگر مدل مشخصی دارید و می‌خواهید آن را بیازمایید، CFA را انتخاب کنید؛ اگر صرفاً به کاهش حجم داده‌ها بدون نیاز به تفسیر مفهومی نیاز دارید، PCA گزینه مناسبی است.
جدول مسئله → تصمیم
| مسئله یا شرایط | چه چیزی باید بررسی شود؟ | روش مناسب | نتیجه چه تصمیمی ایجاد می‌کند؟ |
|---|---|---|---|
| پرسشنامه جدیدی طراحی کرده‌اید و نمی‌دانید گویه‌ها چه ابعادی را می‌سنجند | ساختار پنهان گویه‌ها و گروه‌بندی آن‌ها | EFA | شناسایی ابعاد اصلی و بازطراحی پرسشنامه در صورت نیاز |
| مدل نظری مشخصی دارید (مثلاً مدل سه‌بُعدی رضایت شغلی) و می‌خواهید آن را با داده‌ها بیازمایید | انطباق داده‌ها با مدل از پیش تعیین‌شده | CFA | بررسی سازگاری داده با مدل و مقایسهٔ مدل‌های موجه؛ برازش خوب اثبات یگانه بودن مدل نیست |
| تعداد زیادی متغیر همبسته دارید و فقط می‌خواهید حجم داده‌ها را کاهش دهید | تبدیل متغیرها به تعداد کمتری مؤلفهٔ نامرتبط؛ نامرتبط بودن لزوماً استقلال نیست | PCA | ایجاد شاخص‌های خلاصه برای تحلیل‌های بعدی |
| می‌خواهید بفهمید آیا چند مقیاس مختلف در واقع یک مفهوم واحد را می‌سنجند | همبستگی بین مقیاس‌ها و ساختار مشترک آن‌ها | EFA | ادغام مقیاس‌های همپوشان یا تفکیک ابعاد متمایز |
تحلیل عاملی اکتشافی یا تأییدی؛ تصمیم بر اساس مرحلهٔ پژوهش
اگر می‌خواهید الگوی همبستگی گویه‌ها را برای شناخت ساختار احتمالی بررسی کنید، تحلیل عاملی اکتشافی یا EFA مطرح است. اگر پیش از تحلیل، مدل مشخصی دربارهٔ تعداد عامل‌ها و ارتباط گویه‌ها با آن‌ها دارید، تحلیل عاملی تأییدی یا CFA برای بررسی سازگاری آن مدل با داده‌ها مناسب‌تر است. انتخاب روش را به نام نرم‌افزار یا خوب‌شدن یک شاخص محدود نکنید.
کشف ساختار با آزمون مدل چه تفاوتی دارد؟
در EFA، پژوهشگر دربارهٔ تعداد عامل‌ها، روش استخراج و چرخش تصمیم می‌گیرد و ساختار پیشنهادی را با داده و معنا بررسی می‌کند. اکتشافی‌بودن به معنی کنارگذاشتن نظریه و شناخت محتوا نیست. در CFA، مدل اندازه‌گیری پیشاپیش صورت‌بندی می‌شود؛ برای مثال مشخص می‌کنیم هر گویه با کدام عامل رابطه داشته باشد و عامل‌ها چگونه به هم مرتبط باشند. برای مستندکردن تعریف سازه‌ها و پشتوانهٔ روابط، راهنمای مدل مفهومی پژوهش را در کنار تصمیم دربارهٔ مدل اندازه‌گیری بخوانید.
برازش مناسب CFA ثابت نمی‌کند مدل یگانهٔ درست است، سازه به‌خوبی تعریف شده یا همهٔ کاربردهای نمره معتبرند. شواهد محتوا، فرایند پاسخ، روابط با متغیرهای دیگر و کیفیت داده همچنان اهمیت دارند. برای قرار دادن این بررسی در مجموعهٔ شواهد کیفیت ابزار، راهنمای روایی و پایایی پرسشنامه را ببینید.
جدول تصمیم برای انتخاب EFA و CFA
| وضعیت | مسیر قابل‌بررسی | پیش از اجرا چه چیزی روشن شود؟ | حد نتیجه |
|---|---|---|---|
| گویه‌های تازه و چند ساختار احتمالی دارید. | EFA با تصمیم‌های مستند دربارهٔ تعداد عامل و چرخش. | تعریف سازه، کیفیت محتوا، نوع داده و کفایت نمونه. | ساختار پیشنهادی برای بررسی بعدی؛ نه اثبات نهایی ابزار. |
| مدل مشخص از نظریه یا پژوهش قبلی دارید. | CFA با مدل از پیش تعریف‌شده. | مشخصات مدل، روش برآورد متناسب، داده گمشده و فرض‌ها. | شواهد سازگاری یا ناسازگاری مدل با این داده و روش. |
| ساختار را از همین داده استخراج و بارها اصلاح کرده‌اید. | نتیجه را اکتشافی گزارش کنید و برای بررسی در دادهٔ مستقل برنامه بریزید. | تغییرات انجام‌شده و دلیل هر تغییر. | اجرای بعدی CFA روی همان داده، آزمون مستقل ساختار نیست. |
| فقط می‌خواهید متغیرها را برای خلاصه‌سازی عددی ترکیب کنید. | بررسی PCA به‌عنوان روشی متفاوت از مدل عامل مشترک. | هدف کاهش داده در برابر سنجش سازهٔ پنهان. | مؤلفه، همان عاملِ مدل اندازه‌گیری نیست. |
دادهٔ مستقل و حجم نمونه را چگونه در نظر بگیریم؟
بوتنگ و همکاران، توسعهٔ مقیاس در نمونهٔ A و بررسی آن در نمونهٔ مستقل B را مسیر مطلوب می‌دانند. اگر نمونه را برای تحلیل اکتشافی و تأییدی تقسیم می‌کنید، هر بخش باید به‌تنهایی برای مدل و نوع داده کافی باشد. نصف‌کردن خودکار یک نمونهٔ کوچک، اعتبار مستقلِ مناسبی ایجاد نمی‌کند؛ محدودیت را گزارش و گردآوری دادهٔ بعدی را بررسی کنید.
هیچ نسبت ثابتِ تعداد پاسخ‌دهنده به گویه، برای همهٔ تحلیل‌های عاملی کفایت را تضمین نمی‌کند. تعداد و قدرت عامل‌ها، اشتراک‌ها، بارهای متقاطع، نوع پاسخ و پیچیدگی مدل بر نیاز داده اثر می‌گذارند. قواعد سرانگشتی را با توجیه متناسب با طرح جایگزین کنید؛ عبور از یک عدد یا KMO خاص به‌تنهایی کافی نیست.
یک مثال فرضی از تصمیم روش
فرض کنید برای «تجربهٔ دریافت پشتیبانی» گویه‌هایی تازه نوشته‌اید و مطمئن نیستید وضوح فرایند و پاسخگویی، دو بُعد متمایزند. پس از ارزیابی محتوا و پیش‌آزمون، EFA می‌تواند برای بررسی ساختار احتمالی کمک کند. اگر در مطالعه‌ای بعد، مدلی مشخص با تعریف گویه‌های هر بُعد دارید، CFA می‌تواند همان مدل را بررسی کند.
این مثال، نتیجهٔ یک اجرای آماری نیست: تعداد عامل، بار عاملی، ضریب پایایی یا شاخص برازش ساخته نشده است. برای دادهٔ ترتیبی، انتخاب همبستگی و برآوردگر نیز باید با ویژگی پاسخ‌ها و فرض‌های مدل سازگار باشد.
چه چیزهایی را گزارش کنیم؟
- هدف تحلیل، تعریف سازه و منشأ گویه‌ها؛ در CFA مشخصات مدل پیش از تحلیل.
- جامعه، روش نمونه‌گیری، تعداد موارد تحلیل‌شده و رسیدگی به پاسخ‌های گمشده.
- نوع ماتریس ورودی، روش استخراج یا برآورد، و در EFA منطق تعداد عامل و چرخش.
- بارها و بارهای متقاطع، رابطهٔ عامل‌ها و موارد ناسازگار با تفسیر نظری.
- در CFA شاخص‌های برازش مناسب همراه با محدودیت، نه حکم قطعی از یک آستانه؛ تمام اصلاح‌های پس از مشاهدهٔ داده.
- اینکه دادهٔ ارزیابی مستقل بوده یا از همان دادهٔ توسعه استفاده شده است.
آلفای بالا جای بررسی ساختار را نمی‌گیرد و PCA نیز صرفاً به دلیل حضور در منوی تحلیل عاملی، روش عامل مشترک محسوب نمی‌شود. نتیجهٔ تحلیل را همراه با کیفیت محتوا و هدف استفاده از نمره تفسیر کنید.
منابع این بخش تکمیلی
- Costello, A. B., & Osborne, J. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research, and Evaluation, 10, Article 7. DOI: 10.7275/jyj1-4868.
- Boateng, G. O., et al. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. DOI: 10.3389/fpubh.2018.00149.
- AERA, APA, & NCME. (2014). Standards for Educational and Psychological Testing.
جمع‌بندی
تحلیل عاملی اکتشافی ابزاری ارزشمند برای مدیران و تحلیلگرانی است که با داده‌های چندمتغیره سروکار دارند و می‌خواهند ساختار پنهان آن‌ها را کشف کنند. این روش به شما کمک می‌کند از حجم زیاد متغیرها به چند عامل مفهومی برسید، پرسشنامه‌های بهتری طراحی کنید و شاخص‌های ترکیبی معنادار بسازید. با این حال، EFA یک روش اکتشافی است و نتایج آن باید با احتیاط تفسیر شود. کلید استفاده درست از این روش، تشخیص دقیق مسئله است: آیا به دنبال کشف ساختار هستید، آزمون یک مدل مشخص، یا صرفاً کاهش حجم داده‌ها؟ پاسخ به این سؤال تعیین می‌کند که EFA گزینه مناسبی است یا باید به سراغ CFA یا PCA بروید.
منابع روش‌شناختی
- UCLA OARC، Principal Components (PCA) and Exploratory Factor Analysis (EFA) with SPSS؛ تفاوت PCA و مدل عامل مشترک، چرخش مایل و ماتریس‌های الگو و ساختار.
- MacCallum, Widaman, Preacher & Hong (2001)، Sample Size in Factor Analysis: The Role of Model Error. DOI: 10.1207/S15327906MBR3604_06؛ چکیده و بخش مرتبط با نقش اشتراک و تعداد شاخص‌های عامل.
- مستندات رسمی lavaan، Categorical data؛ سازگاری نوع داده و برآوردگر.