يُعد التحليل العاملي في علم الإحصاء (Factor Analysis) أحد أكثر الأساليب الإحصائية شيوعاً في البحوث النفسية والاجتماعية والتربوية والاقتصادية، لما يتمتع به من قدرة على اكتشاف البنية الكامنة خلف مجموعة كبيرة من المتغيرات المترابطة. فبدلاً من التعامل مع عشرات المتغيرات الفردية، يساعد التحليل العاملي الباحث على اختزال البيانات واستخلاص العوامل الأساسية التي تفسر التباين المشترك بينها.
يُستخدم التحليل العاملي إذن كأداة استكشافية أو تأكيدية لفهم العلاقات الداخلية بين المتغيرات، والتعرف على الأبعاد الخفية التي تفسر الظواهر الإحصائية المعقدة.
أولاً: مفهوم التحليل العاملي في علم الإحصاء
التحليل العاملي هو طريقة إحصائية متعددة المتغيرات تهدف إلى تحديد عدد صغير من العوامل (Factors) الكامنة التي تفسر التباين المشترك بين عدد كبير من المتغيرات المرصودة.
وبعبارة أخرى، فهو يسعى إلى تمثيل المتغيرات الأصلية على صورة مجموعة من العوامل غير المترابطة نسبياً، بحيث يعبّر كل عامل عن بُعد معين أو سمة خفية في الظاهرة المدروسة.
على سبيل المثال، في مقياس لقياس “الشخصية”، قد تتجمع مجموعة من الأسئلة المتعلقة بالانفتاح، والمثابرة، والانضباط، في عامل واحد يمكن تسميته بـ “الضمير الحي”، بينما تتجمع أسئلة أخرى في عامل آخر مثل “الانبساطية” أو “الاستقرار العاطفي”.
ثانياً: أهداف التحليل العاملي
- تبسيط البيانات (Data Reduction): من خلال اختزال عدد كبير من المتغيرات إلى عدد محدود من العوامل.
- الكشف عن البنية الكامنة (Structure Detection): أي فهم العلاقات الداخلية بين المتغيرات.
- إنشاء مقاييس مركبة: تستخدم العوامل كمؤشرات مختصرة لأبعاد نفسية أو اجتماعية أو اقتصادية.
- التحقق من صدق المقاييس (Construct Validity): خاصة في التحليل العاملي التأكيدي (Confirmatory Factor Analysis).
- إزالة التعدد الخطي (Multicollinearity): عند استخدامها في نماذج الانحدار المتعدد.
ثالثاً: أنواع التحليل العاملي في علم الإحصاء
- التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA)
يُستخدم عندما لا يكون الباحث متأكداً من عدد العوامل أو طبيعتها، ويهدف إلى استكشاف البنية الكامنة بين المتغيرات.
يتضمن عادةً:
- استخراج العوامل بناءً على التباين المشترك.
- تحديد عدد العوامل بناءً على القيم الذاتية (Eigenvalues) أو اختبار كايزر (Kaiser Criterion).
- تدوير العوامل (Rotation) لتحسين التفسير.
- التحليل العاملي التأكيدي (Confirmatory Factor Analysis – CFA)
يُستخدم عندما يكون لدى الباحث افتراضات نظرية مسبقة حول عدد العوامل وعلاقاتها بالمتغيرات المرصودة.
يتم التحقق من مدى ملاءمة النموذج النظري للبيانات باستخدام مؤشرات جودة المطابقة (Goodness of Fit Indices)، مثل:
- CFI (Comparative Fit Index)
- RMSEA (Root Mean Square Error of Approximation)
- SRMR (Standardized Root Mean Square Residual)
رابعاً: الفروض الأساسية للتحليل العاملي
- وجود ارتباطات جوهرية بين المتغيرات (قيم معاملات الارتباط يجب أن تكون ذات دلالة).
- حجم عينة كافٍ (يفضل ألا يقل عن 5-10 حالات لكل متغير).
- تحقق اختبار كايزر-ماير-أولكين (KMO) بقيمة أعلى من 0.6 على الأقل.
- دلالة اختبار Bartlett’s Test of Sphericity (p < 0.05) مما يشير إلى ملاءمة البيانات للتحليل العاملي.
- أن تكون البيانات تقريباً طبيعية التوزيع في التحليل التأكيدي.
خامساً: خطوات إجراء التحليل العاملي
- فحص مصفوفة الارتباط (Correlation Matrix)
يُستخدم لفحص ما إذا كانت المتغيرات مترابطة بدرجة تسمح بإجراء التحليل العاملي.
- تحديد عدد العوامل (Number of Factors)
من خلال:
- قاعدة كايزر (Eigenvalue > 1).
- تحليل الرسم المائل (Scree Plot) لتحديد النقطة التي يبدأ عندها الانحدار في القيم الذاتية.
- تحليل موازٍ (Parallel Analysis) في النماذج الحديثة.
- استخراج العوامل (Factor Extraction)
الطرق الشائعة:
- Principal Component Analysis (PCA)
- Principal Axis Factoring (PAF)
- Maximum Likelihood Method
- تدوير العوامل (Factor Rotation)
لتحسين تفسير النتائج وتبسيط البنية العاملية.
أنواع التدوير:
- تدوير متعامد (Orthogonal): مثل Varimax، يفترض أن العوامل غير مترابطة.
- تدوير مائل (Oblique): مثل Oblimin، يسمح بوجود ارتباط بين العوامل.
- تفسير العوامل وتسميتها (Interpretation and Labeling)
يتم تفسير كل عامل وفقاً لمتغيراته ذات التحميلات العالية (Loadings ≥ 0.40 عادةً).
سادساً: تحميلات العوامل (Factor Loadings)
التحميل العاملي يمثل معامل الارتباط بين المتغير والعامل.
قيم التحميل تتراوح بين -1 و +1:
- قيم مرتفعة (موجبة أو سالبة) → ارتباط قوي.
- قيم منخفضة → ارتباط ضعيف.
وهي تشبه في جوهرها معاملات الارتباط، لكنها تعبّر عن علاقة المتغير بالعامل وليس بمتغير آخر.
سابعاً: التفسير الإحصائي للعوامل
بعد استخراج العوامل، يمكن استخدام:
- الدرجات العاملية (Factor Scores) في التحليل الإحصائي اللاحق.
- نسب التباين المفسَّر (Explained Variance) لتقييم مدى قدرة العوامل على تفسير الظاهرة.
العامل الذي يفسر نسبة كبيرة من التباين يُعتبر أكثر أهمية من غيره.
ثامناً: تطبيقات التحليل العاملي
- العلوم النفسية: تحليل مقاييس السمات والشخصية.
- العلوم الاجتماعية: تحديد الأبعاد الكامنة للقيم أو الاتجاهات.
- الاقتصاد والإدارة: تحليل مؤشرات الأداء أو مؤشرات السوق.
- التربية: بناء واختبار صدق الأدوات التربوية.
- تحليل البيانات التسويقية: كشف الأبعاد الكامنة لسلوك المستهلك أو الولاء للعلامة التجارية.
تاسعاً: الفرق بين التحليل العاملي وتحليل المكونات الرئيسية
| البند | التحليل العاملي (FA) | تحليل المكونات الرئيسية (PCA) |
| الهدف | اكتشاف العوامل الكامنة | تبسيط البيانات إلى مكونات |
| مصدر التباين | التباين المشترك فقط | التباين الكلي |
| النمذجة | نموذج إحصائي نظري | إجراء رياضي بحت |
| الاستخدام | التحليل البنيوي والتفسيري | الاختزال الكمي للبيانات |
اقرأ ايضا :
اترك تعليقاً