مشاوران ایران

هدف تحلیل عاملی در رشته های علوم اجتماعی، تبیین و توجیه همبستگی های مشاهده شده است. بدین معنا که عامل ها باید معین و تفسیر شوند. برای رسیدن به این مقصود، راه حل های چرخش نیافته کارایی ندارند. علت این امر آن است که شناسایی عامل هایی که دارای تعداد زیادی بار عاملی هستند، دشوار است و از طرفی ، در تحلیل عاملی یک راه حل ایده آل و کامل وجود ندارد و در حقیقت با بی نهایت مجموعه کامل مواجه هستیم که از لحاظ ریاضی معادل اند. کتل معتقد است که بدون چرخش نمی توان به نتایج تحلیل عاملی اطمینان کرد، چرا که این چرخش، اساس ساختار ساده است و تنها در صورت داشتن یک ساختار ساده است که می توانیم هم به نتایج تکرار پذیر دست یابیم و هم به نتایجی که تعیین کننده های موجود در دنیای واقعی را انعکاس دهند.

چرخش عامل ها به معنای تحول ساختار عاملی به یک ساختار ساده از بار عاملی است که به منظور سهولت بیش تر تفسیر این ساختار ساده از بار عاملی است که به منظور سهولت بیش تر تفسیر این ساختار انجام می گیرد. به عبارتی ، چرخش عامل ها به منظور بهبود معنی داری، پایایی و تکثیر پذیری آن ها انجام می گیرد. البته باید توجه داشته باشیم که چرخش ، هیچ گاه جنبه های اساسی تحلیل را بهتر نمی کند. به عنوان مثال، چرخش نمی تواند میزان واریانس استخراج شده از هر متغیر را بیش تر کند، بلکه مقدار آن در زمان قبل و بعد از چرخش تقریبا یکسان است. چرخاندن عامل ها ، بارهای عاملی و به همین ترتیب معنای آن ها را تغییر می دهد. به عبارتی، عامل های چرخش یافته، همبستگی های اولیه را دقیق تر از راه حل چرخش نیافته دوباره پدید می آورند. عامل های چرخش یافته، به خوبی راه حل اولیه، واریانس مشترک (همبستگی ها) را تبیین می کنند.

در نرم افزار Spss دو روش گرافیکی برای چرخش وجود دارد که هر کدام شامل چندین روش فرعی می باشند:

چرخش های متعامد چرخش های غیر متعامد یا متمایل

تحلیل عاملی با SPSS

انجام پایان نامه با SPSS

چرخش های متعامد

در چرخش های متعامد عامل ها طوری چرخانده می شوند که نسبت به هم همیشه یک زاویه قائمه( ۹۰ درجه) داشته باشند. این بدین معنا است که عامل ها نسبت به هم غیرهمبسته هستند و میزان همبستگی بین آن ها برابر با صفر است(cos 90=0).

روش های چرخش متعامد، طوری محورهای یک نمودار را چرخش می دهد که بردارهای ویژه در عین حال که چرخش یافته اند، متعامد باقی بمانند. این چرخش ها در تحلیل مولفه های اصلی به کار می روند و طی آن، محورها به جایی چرخش می یابند که در آن مجموع واریانس بارها، حداکثر مقدار ممکن است.

از آنجا که تفسیر نتایج در چرخش های متعامد آسان تر است و بارهای عاملی نیز نشان دهنده میزان همبستگی بین متغیرها و عامل های پنهان است، بنابراین استفاده از این چرخش ها، نسبت به چرخش های نوع دوم ( یعنی متمایل) بیش تر کاربرد دارد. البته در رشته های علوم اجتماعی، معمولا انتظار می رود بین عامل ها همبستگی وجود داشته باشد، و از طف دیگر تقسیم رفتار انسان ها به واحدهای تقریبا بسته بندی شده، که مستقل از همدیگر عمل کنند ، به ندرت اتفاق می افتد. بنابراین در چنین رشته هایی اگر عامل ها با یکدیگر همبستگی داشته باشند، استفاده از چرخش های متعامد باعث می شود که اطلاعات باارزش زیادی از بین برود. از این رو، به لحاظ نظری چرخش های متمایل می توانند راه حل دقیق تر و نمایش واقع بینانه تری از نحوه ارتباط عامل ها با همدیگر ارائه کنند. در نرم افزار Spss سه روش چرخش متعامد تعریف شده است :

چرخش واریماکس :
روش واریماکس ، رایج ترین روش چرخش متعامد در تحلیل عاملی است که توسط کیزر توسعه یافته است. هدف این چرخش، رسیدن به ساختار ساده با متعامد نگه داشتن محورهای عاملی است. روش واریماکس، پیچیدگی مولفه ها از طریق بزرگتر سازی بارهای بزرگ و کوچکتر سازی بارهای کوچک در داخل هر مولفه( ستون) به حداقل می رساند.

چرخش واریماکس، مجموع واریانس های بارهای مجذورشده بر روی ستون های یک ماتریس را به حداکثر میزان آن می رساند. یعنی ستون های ماتریس بار عاملی را ساده می کند. در این روش ، در هر عامل بارهای بزرگ افزایش و بارهای کوچک کاهش می یابند، طوریکه هر عامل تنها چند متغیر محدود با بارهای بزرگ و در مقابل، متغیرهای زیادی با بارهای کوچک( یا صفر) دارد.

ناناللی معتقد است یکی از ویژگی های ظریف روش واریماکس این است که با بارهای مجذورشده به کار می رود نه بارهای واقعی. در روش واریماکس، علامتهای منفی ستون ها حذف می شوند و آثار این علائم منفی در واریانس از بین می رود. روش واریماکس، عالی ترین روش برای رسیدن به یک ساختار ساده متعامد است و در بسیاری از موارد، راه حل های متمایل با روش واریماکس تقریبا یکسان هستند. زیرا همبستگی بین عامل ها به قدری ناچیز است که می توان از آن ها صرف نظر کرد.

روش چرخش کوآرتیماکس:
این روش در داخل هر متغیر(سطر) بارهای بزرگ را بزرگتر و بارهای کوچک را کوچک تر می سازد. این روش ، واریانس ردیف های یک ماتریس عاملی را به حداکثر میزان آن می رساند. مقدار گامای آن برابر با صفر است، واریان مجذور بار عاملی در داخل متغیرها را به حداکثر میزان افزایش می دهد. یعنی ردیف های ماتریس بارعاملی را ساده می کند. در این روش در هر متغیر بارهای بزرگ افزایش و بارهای کوچک کاهش می یابند، طوری که هر متغیر تنها بر روی چند عامل محدود بار خواهد شد.

روش چرخش اکوآماکس :
این روش، ترکیبی از دو روش واریماکس و کوآرتیماکس است که سعی می کند هم مولفه ها( ستون ها) و هم متغیرها (سطرها) در یک ماتریس عاملی را ساده سازی کند. در واقع این روش هم به ساختار ساده داخل متغیرها ( ردیف ها) و هم به ساختار ساده داخل عامل ها( ستون ها) توجه می کند.

تپ دان...