تحلیل عاملی اکتشافی و تحلیل مولفه های اصلی

تحلیل عاملی یک روش آماری چند متغیره برای دسته بندی و شناسایی ساختار های موجود در بین داده های تحقیق است که عمدتا اکثر بسته های آنالیز چند متغیره این آزمون را محاسبه می کنند. نرم افزار R با توجه به وجود بسته های متنوع دارای قابلیت های زیادی در برآورد و چرخش های متنوع می باشد.

حتما بخوانید: محاسبه رگرسیون پروبیت

در این مقاله قصد داریم از بسته های معروف موجود برای برآورد تحلیل مولفه های اصلی و تحلیل عاملی استفاده کنیم. بسته princomp تحلیل مولفه های اصلی یا PCA را به روش بدون چرخش ارائه می دهد. بدین منظور از داده آزمایشی موجود در بسته استفاده شده است. به منظور معرفی داده خود می توانید از دستورات ورود داده در خط اول به جای خط اول دستور موجود استفاده نمود تا پلات های مرتبط را مشاهده نمود.

fit <- princomp(mydata, cor=TRUE)
summary(fit)
loadings(fit)
plot(fit,type=”lines”)
fit$scores
biplot(fit)

برای مشاهده خروجی مبتنی بر روش های چرخش باید از دستور زیر استفاده نمود. این دستور مقادیر بار عاملی را برای هر یک از سوالات به تفکیک عامل های استخراج شده به دو صورت قبل و بعد از چرخش نشان می دهد.

library(psych)
fit <- principal(mydata, nfactors=5, rotate=”varimax”)
fit

به منظور چرخش می توان مقادیر را وارد نمود:

“None”, “varimax”, “quatimax”, “promax”, “oblimin”, “simplimax”, or “cluster” .

اگر هدف تحلیل عاملی اکتشافی به روش بیشینه درستنمایی باشد باید از دستور factanal( ) استفاده نمود.

fit <- factanal(mydata, 3, rotation=”varimax”)
print(fit, digits=2, cutoff=.3, sort=TRUE)
load <- fit$loadings[,1:2]
plot(load, type=”n”)
text(load, labels=names(mydata),cex=.7)

استفاده از دستورات زیر امکانات بیشتری را برای محاسبه تحلیل عاملی اکتشافی به کار گرفت. به جای چرخش “none”, “varimax”, “promax”, را می توان وارد نمود.

library(psych)
fit <- factor.pa(mydata, nfactors=3, rotation=”varimax”)
fit

کتابخانه nFactor به منظور تعداد عوامل تعیین شده برای چرخش به کار می رود.

library(nFactors)
ev <- eigen(cor(mydata))
ap <- parallel(subject=nrow(mydata),var=ncol(mydata),
rep=100,cent=.05)
nS <- nScree(ev$values, ap$eigen$qevpea)
plotnScree(nS)

مشکل اصلی به کار گیری تحلیل عاملی اکتشافی تعداد عوامل استخراج شده است که بر اساس این بسته می توان به روش های مختلف تعداد عوامل استخراج شده را مشخص نمود. اصلی ترین شاخص برای مشاهده تعداد عوامل شاخص کیسر است که از روی مقدار ویژه قضاوت می کند.

با وجود آنکه روش تحلیل عاملی یک روش کمی است لیکن امروزه توسعه قابل توجهی از آن روی متغیر های کیفی نیز مشاهده می شود که بسته FactoMineR به این منظور طراحی شده است.

library(FactoMineR)
result <- PCA(mydata)

در این مقاله هدف ارائه و معرفی توابعی بود که در تحلیل عاملی اکتشافی مورد استفاده قرار می گیرند. در مورد مباحث تحلیل عاملی اکتشافی کتاب آمار پیشرفته دکتر منصور فر از انتشارات دانشگاه تهران توصیه می شود.

با دریافت « مشاوره برنامه‌نویسی، وب و سئو » از کارشناسان جوان حرفه‌ای و باتجربه ساکوراد؛ موفقیت کسب و کار، رونق فروش و افزایش درآمد خود را تضمین کنید!

 

تحلیل عاملی اکتشافی و تحلیل مؤلفه‌های اصلی هر دو ابزارهای مفیدی برای تحلیل داده‌ها هستند، اما بسته به هدف تحقیق، یکی ممکن است مناسب‌تر از دیگری باشد. EFA بیشتر بر روی شناسایی ساختارهای پنهان تمرکز دارد، در حالی که PCA بر حفظ اطلاعات در کاهش ابعاد تأکید دارد.