التحليل العاملي الاستكشافي

يعد التحليل العاملي الاستكشافي من أكثر التطبيقات شيوعا عند الباحثين، وذلك لما له من فوائد كثرة فى المجال البحثي. حيث يهتم بتطوير المقاييس وإعادة النظر والتحقق منها والحكم على صدق بنائها، كما أنه يهتم باستخلاص العلاقات بين المتغيرات لبناء النظريات وذلك عن طريق اختزال مجموعة المتغيرات الكثيرة إلى مجموعات أقل وأكثر قابلية للتحكم (Conway and Huffcutt, 2003). وعند استخدام هذا النوع من التحليل يواجه الباحث عددا من القرارات والاختيارات التى قد يكون فيها بعض التحيز من قبل الباحث (المومني، 2017)، ولذلك فإن القرارات التحليلية المستخدمة قد تتسم بالضعف، الأمر الذي يقود إلى تضليل فى النتائج وخاصة فيما يتعلق ببناء النظريات (Schmitt, 2011).

وقد أشار كل من (Tabachnick and Fidell, 2007) إلى أن هناك ثلاثة انتقادات اساسية خاص باستخدام التحليل العاملي الاستكشافي وهي:

1. غالبا ما يقود التحليل العاملي الاستكشافي إلى نواتج وتحليلات خاطئة، الأمر الذي يعيق تطوير النظرية وتعميمها.
2. يفتقر التحليل العاملي الاستكشافي إلى عوامل خارجية تساعد الباحث فى تقييم النتائج، حيث أن الباحث يعتمد كليا على الحكم والتفسير الشخصي.
3. بناءًا على النقطتين السابقتين، فإن كثير من القرارات المُتخذه يعد اجراء التحليل تكون تكون ضعيفة وغير جيدة.

وقد أشار (Gorsuch, 1997) أن ضعف القرارات المُتخذه عند استخدام التحليل، والتى تؤدي فى النهاية إلى حدوث مشكلات عند بناء النظرية أو تطويرها وتعميمها، تخص على سبيل المثال العوامل التالية:

• استخراج العوامل والطرق الخاصة بها، 
• عدد العوامل المستخرجه، 
• إجراء التدوير وأنواعه، 
• الطريقة التى يتم بها تقدير العامل، 
• حجم العينة المناسب،
• وكيفية التعامل مع القيم المفقودة.

وسعيا لتجنب حدوث الأخطاء عند استخدام التحليل العاملي الاستكشافي، فقد وضع عدد من الباحثين بعض النصائح والارشادات، ويمكن تلخيصها فيما يلي:

1. فقد أشار كل من (Treiblmaier and Filzmoser, 2010) أن العينات الكبيرة أفضل من العينات الأصغر حجما، حيث أنه كلما زادت حجم العينة، كلما قل احتمالية الخطأ، كما أن أيضا تقديرات المجتمع تصبح دقيقة، والنواتج أكثر تعميما. 
2. وفيما يخص العينات أيضا فقد أشار (Comrey and Lee, 1992) أيضا أن العينات التى تقل عن 50 مفردة تعتبر عينات ضعيفة، بينما العينات التى تحتوي على ما يقارب 200 مفردة تكون مقبولة، فى حين أن التى تساوي او تزيد عن 300 مفردة تعتبر عينة جيدة.
3. كما ظهر أيضا توجه أحدث فيما يخص عدد مفردات العينة بأن حجم العينة المناسب يتم تقديره باستخدام عدد المتغيرات باستخدام ما يعرف بنسبة عدد المشاركين إلى عدد المتغيرات، وبناءًا على هذ الطريق فإن النسبة الأفضل لعدد المشاركين إلى عدد المتغيرات تتراوح بين من (1:5) إلى (1:10) (Widaman, 2012).
4. وقد أفاد إخرون بأن كل من نموذج المكونات الاساسية (Principal component model) ونموذج العامل العام (Common Factor Model) قد اثبتا نجاحهما فى هذا السياق، ويندرج أيضا عدة طرق لتقدير واستخراج العوامل، من أشهرها طريقة الأرجحية العظمى (Maximum Likelihood). فالفوارق بينهما بسيطه حيث يقوم نموذج المكونات الاساية على افتراض عدم وجود خطأ فى القياس، بينما تأخذ طريقة العامل العام أخطاء القياس بعين الاعتبار (Conway and Huffcutt, 2003). كما أفاد (Gorsuch, 1997) أن نموذج المكونات الاساسية يعتبر أكثر الطرق شيوعا من حيث استخراج العوامل وذلك ضمن نموذج المكونات الاساسية عند استخدام التحليل العاملي الاستكشافي، حيث تلخص هذه الطريقة المتغيرات مع الابقاء على التباين التى تمت ملاحظته مع قليل من الاهتمام بتفسير البنية الكاملة. بينما من ناحية اخرى أشار (Mvududu and Sink, 2013) أن طريقة المحاور الاساسية العاملية (Principal Axis Factoring (PAF)) تستخدم بكثرة عند استخدام نموذج العامل العام، حيث تتمتع هذه الطريقة بإمكانية التعامل مع أخطاء القياس، كما أنها تعمل على انتاج عوامل تُظهر البناء الكامن للمتغيرات التى تتم قياسها، فهي فى الأساس تهدف إلى فهم المتغيرات الكامنة التى تؤثر على العلاقات بين المتغيرات التى تتم قياسها.

وتعد عملية اتخاذ القرار بشأن عدد العوامل هو من أهم وأصعب القرارات التى يقوم با الباحث عند استخدام طريقة التحليل العاملي الاستكشافي. وهناك وجهات نظر مختلفة ومتعددة حول الطرق المستخدمة فى تحديد العوامل. ولعل أبرز هذه القوانين هو القانون الذى وضعه كايزر عام 1956، والذي ينص على أن العوامل التى تمتلك قيم كامنة أكبر من واحد (EV> 1EV>1) تفُسر على أنها عوامل ذات قيمة. وعلى الرغم من ذلك، فقد أظهر هذا القانون عدم وجود تجانس فى نتائجه باختلاف عدد المتغيرات، كما أنه يُظهر أداء جيد فى حال كان عدد المتغيرات لا تزيد عن 30 متغيراً. كما يُعاب عليه أيضا أنه بقود فى الغالب لإنتاج عدد كبير من العوامل مما يؤدي إلى كثير من المشكلات، كما أنه يعد خيارا تلقائيا ضمن كثير من البرامج والحزم الإحصائية (Henson et al., 2004).

كما أقترح كاتل اختبار التماثل البياني لقيم الجذر الكامن فى العام 1966، والذى يقوم فى الأساس على ترتيب القيم الكامنة ترتيبا تنازليا، حيث يهتم الباحث بايجاد نقطة تحول بصري فى الرسم البياني والذى يظهر بين القيم الكامنة المرتفعة والقيم المنخفضة. وفى بعض الأحيان عندما لا يتمكن الباحث من تحديد نقطة التحول فأنه يقوم باتخاذ قرار شخصي بالحكم على عدد العوامل التى تعتبر ذات قيمة. وقد أشار (Ruscio and Roche, 2012) أنع على الرغم من أن اختبار كاتل قد يقود إلى تقديرات غير دقيقة إلا أنه يعتبر أكثر دقة من قانون كايزر. وقد توجه البعض للحكم على العوامل المختلفة بالاعتماد على قيم التشبعات على العامل (Loadings)، حيث افادوا بأن التشبعات ينبغي أن تتراوح بين (0.6 – 0.2)، كما أشار أخرون أن التبع على العامل عند (0.2) يمتلك أدلة إحصائية فى حالة كان حجم العينة كبير مع الأخذ فى الاعتبار الدلالة العملية. بينما أشار أخرون ذكر أخررون أن العامل الحقيقي هو العامل الذي يحتوي على الأقل ثلاثة متغيرات تم تشبعها تشبعات عالية تبلغ (0.3) فأكثر. كما أشار (Stevens, 1996) أنه يجب أن تبلغ قيمة التشبع (0.4) فأكثر. وقد أهتم أخرون بمصفوفة النمط (Pattern Matrix) والتى تهتم بحذف المتغيرات التى لديها تشبعات متقاطعة (Cross Ladded) على أكثرر من عامل، الأمر الذي يساعد على انتاج عوامل أكثر قابلية للتفسير (Treiblmaier and Filzmoser, 2010). كما أفاد (Stevens, 1996) بأن العوامل المستخرجة من البيانات لابد أن تفسر ما قيمته 40% من التباين الكلي على الأقل.

كما تعد طريقتي التحليل الموازي (Parallel Analysis) واختبار أقل متوسط جزئي للعالم فيليسر (Minimum Average Partial) الأحدث نسبيا من حيث تحديد عدد العوامل. وتقوم طريقة التحليل الموازي الذي اقتحها (Horn, 1965) على انتاج مجموعات عشوائية من البيانات توازي فى خصائصها البيانات التجريبية، كما أنها تقارن القيم الكامنة التى تم استخراجها من البيانات التجريبية مع نظيرتها العشوائية. بالإضافة إلى ذلك، يتم اعتبار العامل على أنه عامل ذو قيمة وذلك إذا زادت القيمة الكامنة له فى البيانات التجريبية عن نظيرتها فى العشوائية. بينما يعتمد اختبار أقل متوسط جزئي على متوسط الارتباط الجزئي بين المتغيرات بعد الاستبعاد المتتابع لأثر العوامل، والذي يقوم على افتراض تناقص قيمة مربع متوسط الارتباط الجزئي بحيث يكون أقل ما يمكن (O'Connor, 2000). 

وقد أفاد البعض بدقة بعض الطرق، فعلى سبيل المثال، أشار (Henson and Roberts, 2006) أن أفضل طريقة وأكثرها دقة هي طريقة التحليل الموازي، بينما أكد كل من (Ruscio and Roche, 2012)  بأن على الذين يسعون لاستخدام التحليل العاملي الاستكشافي استخدام ما يعرف بالتثليث (Triangulation) عند تحديد عدد العوامل، وذلك عن طريق استخدام كل من قانون كيرز (EV > 1EV >1) واختبار كاتل (Scree Test) بالاضافة إلى النظرية المدعمة للبحث أو ما يُعرف بالتحليل العامل التوكيدي إن أمكن. ونتيجة لما سبق ذكره، وحيث أن لكل طريقة من طرق تحديد العوامل عيوبها ومميزاتها والتى يكون من الصعب تحقيقها فى كثير من الأحيان، فقد اقترح (Fabrigar et al., 1999) استخدام أكثر من طريقة فى الوقت ذاته وذلك للوصول إلى نتائج أكثر دقة.

المومني، رنا ثاني ضامن. 2017. التكامل بين التحليل العاملي الاستكشافي و التوكيدي كطريقتين للتحقق من البنية العاملية لمقياس مكنزي للذكاءات المتعددة : الصورة السعودية. مجلة العلوم التربوية و النفسية،مج. 18، ع. 4، ص ص. 503-542.

Comrey, A. L., & Lee, H. B. (1992). Interpretation and application of factor analytic results. Comrey AL, Lee HB. A first course in factor analysis, 2, 1992.

Conway, J. M., & Huffcutt, A. I. (2003). A review and evaluation of exploratory factor analysis practices in organizational research. Organizational research methods, 6(2), 147-168.

Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological methods, 4(3), 272.

Gorsuch, R. L. (1997). Exploratory factor analysis: Its role in item analysis. Journal of personality assessment, 68(3), 532-560.

Henson, R. K., & Roberts, J. K. (2006). Use of exploratory factor analysis in published research: Common errors and some comment on improved practice. Educational and Psychological measurement, 66(3), 393-416.

Mvududu, N. H., & Sink, C. A. (2013). Factor analysis in counseling research and practice. Counseling Outcome Research and Evaluation, 4(2), 75-98.

O’connor, B. P. (2000). SPSS and SAS programs for determining the number of components using parallel analysis and Velicer’s MAP test. Behavior research methods, instruments, & computers, 32(3), 396-402.

Ruscio, J., & Roche, B. (2012). Determining the number of factors to retain in an exploratory factor analysis using comparison data of known factorial structure. Psychological assessment, 24(2), 282.

Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4), 304-321.

Stevens, J. (1996). Applied multivariate statistics for the behavioral sciences. Mahwah, NJ: Erlbaum.

Tabachnick, B. G., Fidell, L. S., & Ullman, J. B. (2007). Using multivariate statistics (Vol. 5, pp. 481-498). Boston, MA: Pearson.

Treiblmaier, H., & Filzmoser, P. (2010). Exploratory factor analysis revisited: How robust methods support the detection of hidden multivariate data structures in IS research. Information & management, 47(4), 197-207.

Widaman, K. F. (2012). Exploratory factor analysis and confirmatory factor analysis.