خانه وبلاگ روش تحقیق علوم رفتاری درک مفهومی تحلیل عاملی و کاربرد آن

درک مفهومی تحلیل عاملی و کاربرد آن

درک مفهومی تحلیل عاملی

درک مفهومی تحلیل عاملی

بنا بر آنچه گفته شد، تحلیل عاملی تکنیکی است که کاهش تعداد زیادی از متغیرهای وابسته به هم را به صورت تعداد کوچکتری از ابعاد پنهان یا مکنون (عاملها) امکان پذیر می سازد بطوریکه در آن کمترین میزان گم شدن اطلاعات وجود داشته باشد. هدف اصلی آن، خلاصه کردن داده هاست.این روش به بررسی همبستگی درونی تعداد زیادی از متغیرها می پردازد و در نهایت آنها را در قالب عاملهای عمومی محدودی دسته بندی و تبیین میکند. بنابراین ارزش تحلیل عاملی این است که طرح سازمانی مفیدی به دست می دهد که می توان آن را برای تفسیر انبوهی از رفتار با بیشترین صرفه جویی در سازه های تبیین کننده، به کار برد.

تحلیل عاملی ،برخلاف رگرسیون چندگانه ،تحلیل تشخیصی یا همبستگی کانونی (که در آنها تعداد زیادی متغیر مستقل و یک یا چند متغیر وابسته وجود دارد)روشی هم وابسته است که در آن کلیه متغیرها به صورت همزمان مد نظر قرار میگیرند.

مفاهیم کلیدی روش تحلیل عاملی

-اشتراک:میزان واریانس مشترک ،بین یک متغیر با سایر متغیرهای به کار گرفته شده در تحلیل عاملی

-مقدار خاص:میزان واریانس تبیین شده بوسیله هر عامل

– مقدار ویژه: هرکدام از بارهای عاملی را به توان ۲ برسانیم و با هم جمع کنیم (مجموع مجذورات بارهای عاملی)

– عامل:عبارت است از ترکیب خطی متغیرهای اصلی که خلاصه شده اند.

-بار عاملی: عبارت است از همبستگی بین متغیرهای اصلی و عوامل

-ماتریس عاملی:جدولی است که بارهای عاملی کلیه متغیرها را در هر عامل، نشان میدهد.

-چرخش عاملی:فرایندی است که برای تعدیل محور عامل به منظور دستیابی به عاملهای ساده و بامعنی

-نمره عاملی: تحلیل عاملی متغیرهای اصلی را در تعداد محدودی از عاملها خلاصه میکند.

مراحل اجرای تحلیل عاملی

مرحله ۱- تولید ماتریس همبستگی برای تمامی متغیرهای نمونه آماری:

ماتریس همبستگی ماتریسی مربعی از ضرایب همبستگی متغیرها با یکدیگر است.

برای اینکار باید مشخص شود که آیا هدف، محاسبه همبستگی بین متغیرهاست یا بین پاسخگویان.به عنوان مثال ممکن است داده هایی از ۷۰ نفر را در مورد ۱۰ سوال مربوط به ازدواج گردآوری شده باشد این امکان وجود دارد که همبستگی بین هریک از ۱۰ متغیر و یا بین هرکدام از پاسخگویان محاسبه شود.

اگر هدف مطالعه، تلخیص متغیرها باشد ،در اینصورت باید همبستگی بین متغیرها محاسبه شود این روش به تحلیل عاملی نوع R معروف است.اگر تخلیل عاملی برای ماتریس همبستگی بین پاسخگویان به کار برده شود،در اینصورت روش فوق را روش تحلیل عاملی ،نوع Q میگویند.

تحلیل عاملی نوع Q به دلیل مشکل بودن کمتر،مورد توجه قرار گرفته و بیشتر از روش تحلیل خوشه ای برای طبقه بندی پاسخگویان استفاده میشود.

به عنوان مثال اگر پاسخگویان بوسیله شماره مشخص شوند نتایج تحلیل عاملی از نوع Q ممکن است نشان دهد که افراد شماره های ۲،۵،۱۰و۱۴ شباهت بیشتری به هم دارند و چون این افراد بار بیشتری بر یک عامل دارند(یعنی همبستگی بین آنها زیاد است) بنابراین افراد فوق میتوانند در یک گروه قرار گیرند.

یکی از روشهای انتخاب متغیرهای مناسب برای تحلیل عاملی استفاده از ماتریس همبستگی است.از آنجا که اساس روش تحلیل عاملی بر همبستگی بین متغیرها اما از نوع غیرعلی استوار است بنابراین در استفاده از این روش باید ماتریس همبستگی بین متغیرها نیز محاسبه گردد .توصیه میشود متغیرهایی که با هیچ متغیری همبستگی لازم را نداشته باشند از تحلیل حذف گردند .

البته آماره های دیگری نیز وجود دارند که محقق از طریق آنها نیز قادر به تعیین و تشخیص مناسب بودن داده ها برای تحلیل آماری میباشد. از جمله این روشها روش KMO میباشد.

روش KMO

مقدار آن همواره بین ۰و ۱ در نوسان است در صورتی که KMO کمتر از ۰٫۵ باشد داده ها برای تحلیل عاملی مناسب نخواهد بود و اگر مقدار آن بین ۰٫ ۵ تا ۰٫۶۹ باشد داده ها متوسط بوده و اگر مقدار این شاخص،بزرگتر از ۰٫۷ باشد همبستگی های موجود در بین داده ها برای تحلیل عاملی مناسب خواهند بود.

روش بارتلت:

یکی دیگر از روشهای تشخیص مناسب بودن داده ها میباشد آزمون بارتلت ،این فرضیه را که ماتریس همبستگی مشاهده شده متعلق به جامعه ای با متغیرهای نابسته است ، می آزماید. برای اینکه یک مدل عاملی ،مفید و دارای معنا باشد لازم است متغیرها همبسته باشند.پس فرضیه آزمون بارتلت به اینصورت است:

H0 : داده ها ناهمبسته اند.

H1:داده ها همبسته اند.

پس مطلوب آن است که فرض صفر رد شود. آگر فرض صفر رد نشود مطلوبیت تحلیل عاملی زیر سوال میرود.و باید درباره انجام آن تجدید نظر کرد.

به همین دلیل است که قبل از قبل از تحلیل عاملی بایستی به تشکیل ماتریس همبستگی بین متغیرها اقدام کرد.

مرحله ۲- انتخاب مدل تحلیل

مدلهای مختلفی برای تحلیل عاملی وجود دارد که مهمترین آنها دو روش “تحلیل مولفه های اصلی “و “تحلیل عاملی مشترک” است.

مدل تحلیل مولفه های اصلی زمانی به کار میرود که هدف محقق تلخیص متغیرها و دستیابی به تعداد محدودی عامل برای اهداف پیش بینی باشد.

مدل تحلیل عاملی مشترک ،زمانی بکار میرود که هدف، شناسایی عاملها یا ابعادی باشد که به سادگی قابل شناسایی نیستند.

سه نوع واریانس با توجه به هدفی که ما در تحلیل عاملی داریم قابل تعریف است:

۱- واریانس مشترک: آن بخش از واریانس است که با سایر متغیرهای لحاظ شده در تحلیل سهیم میباشد.

۲- واریانس خاص: واریانسی است که تنها به متغیرXi مربوط است .

۳- واریانس خطا: ناشی از بی اعتباری در داده های جمع آوری شده و یا شانس و تصادف در اندازه گیری پدیده هاست.

زمانیکه از تحلیل مولفه های اصلی استفاده میشود واریانس کل مد نظر است و سهم واریانس خطا و واریانس خاص کم است.در تحلیل مولفه های اصلی ،مقادیر قطرهای ماتریس همبستگی ۱ است.

برعکس در تحلیل عاملی مشترک،مقادیر مشترکات در قطر ماتریس قرار میگیرد و عاملها تنها بر اساس واریانس مشترک استنتاج میگردند.

مرحله ۳- روش استخراج عامل ها

برای استخراج عامل ها دو روش وجود دارد:

۱- عامل های متعامد

۲-عامل های متمایل

در روش متعامد ،عاملها به شیوه ای استخراج میشوند که محورهای عاملی در حالت ۹۰ درجه قرار گیرند و این بدین معناست که هر عامل ، مستقل از سایر عامل ها میباشد بنابراین همبستگی بین عاملها بطور قراردادی صفر تعیین میگردد.

مدل عاملی متمایل،پیچیده تر است در این روش همبستگی بین عاملها صفر نیست و عاملها دارای همبستگی میباشند.

مدل عاملی متعامد از نظر ریاضی، ساده میباشد اما مدل متمایل قابل تعدیل بوده و بیشتر واقع گراست.

اگر هدف تحقیق ،تلخیص تعداد متغیرهای اصلی بدون توجه به اینکه نتایج عاملهای استخراج شده تا چه حد معنی دار خواهد بود انجام گیرد در اینصورت روش متعامد روش مناسبی خواهد بود.

زمانیکه ۳ مرحله قبل تصمیم گیری شد ،زمینه برای استخراج عاملهای اولیه چرخش نیافته فراهم میشود.با بررسی ماتریس چرخش نیافته،محقق میتواند به جستجوی روشهای تلخیص داده ها و تعیین تعداد عاملهای استخراجی بپردازد.اما تعیین نهایی تعداد عاملها پس از دستیابی به ماتریس عاملی چرخش یافته امکان پذیر میباشد.

با توجه به هدفی که محقق دارد ،در این مرحله ممکن است محقق با تفسیر عاملها به کار خود پایان دهد و یا ممکن است مقادیر عاملی را برای استفاده در تحلیل های دیگر مانند رگرسیون ،محاسبه کند.

مرحله ۴ چرخش عاملها

یکی از مفاهیم مهم در تحلیل عاملی ، چرخش عاملهاست. بسیاری از آماردانان و محققان معتقدند که در بسیاری از موارد ،عاملهای چرخش نیافته کافی نیستند زیرا چرخش عاملها از ورود برخی از متغیرها در عاملهای مختلف جلوگیری میکند و ساختار عاملی مناسب و قابل تفسیرتری ارائه میدهد.بنابراین دلیل اصلی چرخش عاملها دستیابی به ماتریس عاملی ساده و از نظر تئوریکی معنادار و قابل تفسیرتر است.

عاملها به دور مبدا ،چرخش داده میشوند تا موقعیت جدیدی کسب کنند.

دو نوع چرخش وجود دارد:

۱- چرخش متعامد

۲- چرخش متمایل

در چرخش متعامد،زاویه محورهای عمودی و افقی در حالت ۹۰ درجه باقی میماند.اما اگر در چرخش عاملها ، زاویه بین

محورها در حالت ۹۰ درجه باقی نماند این نوع چرخش ، چرخش متمایل است. از آنجا که در روش چرخش متمایل ضرورتی

ندارد که محورهای عاملها به صورت قائم باقی بمانند بنابراین این روش از انعطاف بیشتری برخوردار است.همچنین این روش

واقعیتر به نظر میرسد. آنچه که مسلم است هدف همه روشهای چرخش عاملی، ساده سازی سطرها یا ستونها یا هر

دوی آنها در ماتریس عاملی برای تسهیل در تفسیر میباشد. هدف از ساده سازی سطرها ،نزدیک کردن داده های هر سطر

در حد امکان به صفر میباشد.و هدف از ساده سازی ستونها نیز نزدیک کردن مقادیر آن در حد امکان به صفر میباشد. سه روش

عمده متعامد برای تحقق این اهداف فرموله شده است.

روشهای چرخش عاملها:

۱-کوارتیماکس

۲-وارتیماکس

۳-اکوایماکس

.

روش کوارتیماکس در ایجاد یک ساختار عاملی ساده تر موفق نمیباشد مشکل این روش در آن است که سعی میکند در

فرایند چرخش ، یک عامل عمومی به دست آورد در حالیکه هدف اصلی چرخش ماتریس عاملی ،دست یابی به یک عامل

درک مفهومی تحلیل عاملی

عمومی وسیع نمیباشد. در مقابل روش واریماکس به دنبال مختصر کردن و ساده سازی ستونهای ماتریس عاملی است.

هرچند که محاسبات جبری برای روش کوارتیماکس ساده تر از روش واریماکس میباشد اما واریماکس جداسازی عاملها را به

طور شفاف تر و واضح تر نشان میدهد. به هر حال روش واریماکس استفاده وسیعتری در بین محققان دارد.

معیارهای استخراج تعداد عاملها

به طور کلی به تعداد متغیرهایی که به تحلیل وارد میشود میتوان عامل استخراج کرد اما عاملهای آخری سهم بسیار

کمتری در تبیین موضوع خواهند داشت.

اگرچه مبنای کمی دقیقی برای تصمیم گیری در مورد تعداد عاملهای استخراجی ارائه نشده است اما ضوابطی وجود دارد

که از آنها در تصمیم گیری برای تعیین تعداد عاملهای استخراجی استفاده میشود.که این معیارها به شرح زیر هستند:

۱- معیار مقدار ویژه: این معیار ساده ترین روش برای تعیین تعداد عاملهاست.در تحلیل مولفه های اصلی تنها عاملهایی

که مقدار ویژه آنها بیشتر از یک باشد به عنوان عاملهای معنی دار در نظر گرفته میشود و کلیه عاملهایی که مقدار ویژه

آنها کمتر از یک است از تحلیل کنار گذاشته میشوند.

بسیاری از محققان از جمله کیسر ،مقدار ویژه ۱ را مبنای تعیین تعداد عاملها قرار میدهند اما زمانی که تحلیل عاملی

مشترک به عنوان مدل تحلیل انتخاب میگردد معیار مقدار ویژه ۱ باید قدری تعدیل شود.

رهیافت مقدار ویژه زمانی که تعداد متغیرها بین ۲۰ تا ۵۰ باشد قابل اعتماد به نظر میرسد.اگر تعداد متغیرها کمتر

از ۲۰ باشد ممکن است به دلیل کوچک بودن مقدار ویژه حتی یک عامل هم استخراج نشود.اگر تعداد متغیرها بالای

۵۰ باشد در اینصورت عوامل زیادی استخراج میشود که غیر معمول است.

۲- معیار مقدار پیش بین:

در این روش محقق از قبل تعداد عاملها را مشخص میکند.

۳- معیار درصد واریانس:

معیار درصد واریانس تبیین شده توسط عاملها نیز ضابطه دیگری برای تعیین تعداد عاملهاست.در این روش درصد

تجمعی واریانس مبنای تصمیمگیری است.فرایند استخراج عوامل تا زمانی ادامه می یابد که این عامل ها بتوانند

حداقل ۹۵ درصد واریانس داده ها را تبیین کنند.

معیار تعیین سطح معنی داری بارهای عاملی

برای تفسیر عاملها باید مشخص شود که کدامیک از بارهای عاملی باید به عنوان مقادیر معنی دار لحاظ گردند برای

اتخاذ این تصمیم به اینصورت عمل میکنیم:

هرچه میزان بار عاملی بیشتر باشد سطح معنی داری آنها در تفسیر ماتریس عاملی افزایش می یابد.استفاده از

درک مفهومی تحلیل عاملی

این معیار زمانی مناسب است که تعداد نمونه ها بیش از ۵۰ مورد باشد.

بارهای عاملی که بزرگتر از +-۰٫۳ باشند معنی دار

بارهای عاملی که بزرگتر از +-۰٫۴ باشند دارای سطح معنی داری بالا و

بارهای عاملی که بزرگتر از +-۰٫۵ باشند بسیار معنی دار

تلقی میشوند.

محاسبه تحلیل عاملی با برنامه SPSS

ابتدا متغیرهای مورد نظر را در ستونهای مختلف SPSS وارد کرده و عناوین متغیرها را تعریف میکنیم سپس دستور

Analyse à Data Reduction à Factor

را اجرا میکنیم در جدول ظاهر شده ابتدا متغیرها را انتخاب کرده و وارد میکنیم.

در این جدول دکمه های گوناگونی وجود دارد که به شرح زیر است:

دکمه Descriptives : در این قسمت روش kmo & Bartletts را برای تشخیص مناسب بودن داده ها انتخاب میکنیم.

دکمه Extraction: با زدن این کلید پنجره ای باز میشود که در قسمت method میتوان روشهای مختلف

تحلیل عاملی مانند تحلیل مولفه های اصلی یا تحلیل عاملی مشترک را انتخاب کرد.در پایین این جدول معیار

انتخاب تعداد عاملها نوشته شده است. در قسمت Extract بطور پیش گزیده ،معیار مقدار ویژه و همچنین

اندازه ۱ برای آن نوشته شده است.یعنی تعدادی عامل استخراج میشود که اندازه ویژه آنها بزرگتر از یک باشد.

.

همچنین در قسمت بعدی میتوان تعداد عاملها را از قبل تعیین کرد.

دکمه Rotation: در این قسمت میتوان نوع چرخش عاملی را مشخص کرد که از قبل واریماکس انتخاب شده است.

دکمه Scores: چنانچه بخواهید مقادیر عاملی را محاسبه و در تحلیل های بعدی نظیر رگرسیون استفاده کنید

این دکمه را فشار دهید.نتایج این قسمت در output نمی آید بلکه در قسمت Data Editor ظاهر میشود.

دکمه options: در صورتی که بخواهید بارهای عاملی استخراج کنید که مقدار آن بزرگتر از عدد خاصی مانند

۰٫۵ باشد این دکمه را فشار دهید.

در پنجره به طور پیش گزیده عدد ۰٫۱ نوشته شده است.با انتخاب ۰٫۵ به جای آن ،تنها بارهای عاملی

بزرگتر از ۰٫۵ در نتایج ظاهر میشوند.و این کار تحلیل کردن را راحت تر میکند.

در آخر هم دکمه okرا میزنیم.

تحلیل عاملی چیست؟

در برخی تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبرو هستیم. برای تحلیل دقیق تر و رسیدن

درک مفهومی تحلیل عاملی

به نتایج علمی تر و در عین حال عملیاتی تر، پژوهشگر به دنبال کاهش حجم متغیرها و تشکیل ساختار

جدیدی برای آنها است و به این منظور از روش تحلیل عاملی استفاده می کند. نخستین کار درباره تحلیل

عاملی توسط چارلز اسپیرمن (۱۹۰۴) صورت گرفت، به گونه ای که وی را « پدر» این روش شناخته اند.

بعد از او  کارل پیرسن (۱۹۱۰)، روش «محورهای اصلی» را پیشنهاد کرد و هُتلینگ (۱۹۳۳) آن را به گونه

کاملتری توسعه داد در حقیقت، هدف تشخیص این عامل های مشاهده ناپذیر بر پایه مجموعه ای از

متغیرهای مشاهده پذیر است. عامل، متغیر جدیدی است که از طریق ترکیب خطی نمره های اصلی

متغیرهای مشاهده شده بر پایه فرمول زیر برآورد می شود:

Fj=∑WjiXi=Wj1X1+Wj2X2+…+WjpXp

که در آن W ها بیانگر ضرایب نمره عاملی و P معرف تعداد متغیرها است.

امید این است که با تعداد کمی از این عاملها (یعنی ترکیبهای خطی نمره های اصلی متغیرهای

مشاهده شده)، بتوان تقریباً همه اطلاعاتی را که توسط مجموعه بزرگتری از متغیرها به دست می آید،

در برگرفته و در نتیجه توصیف ویژگی های هر مشاهده را ساده ساخت.

انواع تحلیل عاملی

۱) تحلیل عاملی اکتشافی (Exploratory Factor Analysis) :

محقق درصدد کشف ساختار زیربنایی مجموعه نسبتاً بزرگی از متغیرها است بدون وجود هیچ تئوری

اولیه ای.  هر متغیری ممکن است با هر عاملی  ارتباط داشته باشد.

کاربردها: کاهش داده ها (Data Reduction) یا شناسایی ساختارها (Structure Detection)

۲) تحلیل عامل تأییدی (Confirmatory Factor Analysis):

پیش فرض اساسی محقق، آن است که هر عاملی با زیرمجموعه خاصی از متغیرها ارتباط دارد.

حداقل شرط لازم این است که محقق در مورد تعداد عاملهای مدل قبل از انجام تحقیق، پیش فرض

معینی داشته باشد.

درک مفهومی تحلیل عاملی

در هر روش استخراجی که مد نظر باشد، یک راه حل مناسب و خوب باید پاسخ مناسبی به این

دو سئوال ارائه کند:

۱- چه تعداد عامل برای معرفی متغیرها لازم است؟

۲- عاملها چه معنا و مفهومی دارند؟

مراحل انجام تحلیل عاملی

۱٫      تشکیل ماتریسی از ضرایب همبستگی متغیرها،

۲٫      استخراج عاملها از ماتریس ضریب همبستگی،

۳٫      چرخش عاملها به منظور به حداکثر رساندن رابطه بین متغیرها و عاملها

۴٫      محاسبه بار عاملی (نمره عاملها)  برای تعیین عاملهای مورد نظر

نکته ۱: معمولاً عاملهایی انتخاب می شوند که بار عاملی آنها بیشتر از ۴/۰ باشد.

نکته ۲: برخی از صاحبنظران معتقدند در تحلیل عاملی، تعداد مشاهدات (Cases) حداقل باید ۱۰ برابر تعداد

متغیرها باشد. برخی حتی اعتقاد به حداقل ۲۰ برابر تعداد متغیرها دارند.

تحلیل عاملی اکتشافی

از این روش برای بررسی اعتبار سازه پرسشنامه ها استفاده می شود.

برای انجام تحلیل عاملی اکتشافی پس از باز نمودن داده ها، از منوی analyze گزینه dimension reduction را انتخاب کنید. سپس گزینه factor را انتخاب کنید. تا کادر زیر باز شود.

در این کادر تمامی سوالات به جز ID را به قسمت variables انتقال دهید.

درک مفهومی تحلیل عاملی

روی دکمه descriptives کلیک کنید. تا کادر زیر باز شود. در این کادر گزینه KMO and bartlet test of sphericity را انتخاب کنید.

سپس روی continue کلیک کنید تا کادر بسته شود. روی دکمه Rotation کلیک کنید. تا کادر زیر باز شود.

در این کادر گزینه varimax را انتخاب نموده و روی continue کلیک کنید. روی دکمه option کلیک کنید. تا کادر زیر باز شود. در این کادر روی دکمه suppress small coefficients را تیک زده و عدده .40 را در قسمت absolute value below وارد کنید. و در نهایت روی continue کلیک کنید.

در نهایت روی ok کلیک کنید.

KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy..786
Bartlett’s Test of SphericityApprox. Chi-Square1543.504
df66
Sig..000

نتایج آزمون KMO برای کفایت حجم نمونه (باید بیشتر از 70/0) باشد. در اینجا 79/0 است که نشان می دهد حجم نمونه برای تحلیل عاملی کافی است. نتایج آزمون بارتلت برای بررسی کرویت (معنی داری همبستگی بین گویه ها)، معنی دار است و کرویت برقرار است.

Total Variance Explained
ComponentInitial EigenvaluesExtraction Sums of Squared LoadingsRotation Sums of Squared Loadings
Total% of VarianceCumulative %Total% of VarianceCumulative %Total% of VarianceCumulative %
13.83231.92931.9293.83231.92931.9293.14826.23126.231
22.76123.00854.9372.76123.00854.9372.88124.00650.237
31.66813.90168.8381.66813.90168.8382.23218.60168.838
4.7536.27575.113      
5.5874.89580.008      
6.5304.41484.422      
7.4623.84788.269      
8.4043.36691.635      
9.3312.76094.394      
10.2832.35896.753      
11.2301.92098.672      
12.1591.328100.000      
Extraction Method: Principal Component Analysis.

با توجه به جدول بالا سه عامل استخراج می شود که در مجموع 83/68 درصد از تغییرات را تبیین می کنند. عامل اول 92/31 درصد، دوم 01/23 درصد و عامل سوم 90/13 درصد از تغییرات را تبیین می کننند. (عموما مقدار ویژه یک به بالا را برای چرخش انتخاب می کنند). مقدار ویژه عامل اول 83/3، دوم 76/2 و سوم 66/1 است. بقیه کمتر از یک هستند. پس ما سه عامل در پرسشنامه داریم.

درک مفهومی تحلیل عاملی

Rotated Component Matrixa
 Component
123
M1  .802
M2  .669
M3  .821
M4  .616
P1.835  
P2.838  
P3.895  
P4.889  
A1 .827 
A2 .901 
A3 .796 
A4 .812 
Extraction Method: Principal Component Analysis.  Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 4 iterations.

بارهای عاملی چرخش یافته نهایی از طریق روش واریماکس. M1 تا M4 روی عامل سوم بار شده اند. که نشانگر سازه اهداف تبحری هستند. P1 تا P4 روی عامل اول بار شده اند که نشانگر اهداف عملکردی هستند و A1 تا A4 روی عامل دوم بار شده اند که نشانگر اهداف اجتنابی هستند.

انجام تحلیل های آماری با استفاده از نرم افزار

های  Pls,  Lisrel, Amos, Spss توسط تیم تحلیلی یونی تحلیل.

شبکه تحلیلی یونی تحلیل در هفت روز هفته و 24 ساعت شبانه روز با تیم پشتیبانی خود از طریق راه های ارتباطی زیر پذیرای نظرات سازنده شما می باشد.

Site:www.unitahlil.ir

Phone number: 09199551777

Instagram:unitahlil

Email: unitahlil@gmail.com

درک مفهومی تحلیل عاملی

اشتراک گذاری:

همچنین ممکن است دوست داشته باشید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *