تحلیل اکتشافی یعنی چه؟ 🧐

کلمه «اکتشافی» کلید ماجراست. یعنی شما از قبل نمی‌دانید کدام سوال به کدام دسته مربوط است. شما داده‌ها را به نرم‌افزار (مثل SPSS) می‌دهید و می‌گویید: «بگرد و ببین چه الگوهای پنهانی بین این سوالات وجود دارد.»
مثال ملموس:
فرض کنید از مردم ۳۰ سوال درباره سبک زندگی می‌پرسید. تحلیل اکتشافی ممکن است نشان دهد که ۱۰ سوال مربوط به «تغذیه»، ۱۰ سوال مربوط به «ورزش» و ۱۰ سوال مربوط به «خواب» است. این سه عنوان (تغذیه، ورزش، خواب) همان «عامل‌ها» هستند که شما کشفشان کردید.

مبنای ریاضی EFA چیست؟ 📐
مبنای این تحلیل، «همبستگی» (Correlation) است.
نرم‌افزار بررسی می‌کند که کدام سوالات با هم همبستگی دارند! اگر افرادی که به سوال ۱ نمره بالا می‌دهند، به سوال ۵ و ۹ هم نمره بالا بدهند، نرم‌افزار می‌فهمد این سه سوال با هم همبستگی دارند و احتمالاً همگی دارند یک مفهوم واحد را اندازه می‌گیرند.

کجا استفاده می‌شود و به چه دردی می‌خورد؟ 🛠️
در پژوهش، EFA سه کاربرد حیاتی دارد:
• ساخت و استانداردسازی پرسشنامه: وقتی یک پرسشنامه جدید طراحی می‌کنید، باید با EFA ثابت کنید سوالات شما واقعاً دسته‌بندی منطقی دارند.
• کاهش حجم داده‌ها: به جای اینکه با ۵۰ متغیر گیج‌کننده سر و کله بزنید، آن‌ها را به ۳ یا ۴ عامل اصلی تبدیل می‌کنید تا تحلیل‌های بعدی (مثل رگرسیون) راحت‌تر شود.
• شناسایی ساختار یک پدیده: وقتی درباره یک موضوع جدید (مثلاً "اعتیاد به شبکه‌های اجتماعی") تحقیق می‌کنید، EFA به شما می‌گوید این پدیده کلاً از چه ابعادی تشکیل شده است.

خروجی EFA چه چیزی را نشان می‌دهد؟ 📊
وقتی خروجی SPSS را می‌گیرید، باید دنبال این سه مورد اصلی بگردید:
• بار عاملی (Factor Loading): عددی بین ۰ تا ۱ (یا -۱). نشان می‌دهد هر سوال چقدر به آن «عامل اصلی» چسبیده است. (معمولاً بالای ۰.۴ عالی است).
• مقدار ویژه (Eigenvalue): نشان می‌دهد هر عامل چقدر قدرت دارد و چقدر از واریانس کل را توضیح می‌دهد.
• واریانس تبیین شده: به زبان ساده می‌گوید این ۳ یا ۴ عاملی که پیدا کردید، روی هم چند درصد از واقعیتِ آن پدیده را پوشش می‌دهند (مثلاً ۶۰٪ واریانس را پوشش می‌دهند).

تفاوت با تحلیل عاملی تأییدی (CFA) چیست؟ 🥊
اینجاست که خیلی‌ها اشتباه می‌کنند:
• تحلیل EFA (اکتشافی): شما هیچ پیش‌فرضی ندارید. مثل این است که به یک اتاق شلوغ می‌روید و می‌گویید: «ببینم اینجا چه خبر است؟»
• تحلیل CFA (تأییدی): شما از قبل می‌دانید (بر اساس تئوری) که مثلاً سوالات ۱ تا ۵ مربوط به «هوش» هستند. حالا فقط می‌خواهید امتحان کنید که آیا داده‌های واقعی هم این را تایید می‌کنند یا نه. (این کار معمولاً با نرم‌افزارهایی مثل Amos یا LISREL انجام می‌شود).

نکته طلایی برای گزارش در مقاله 💡
قبل از اجرای EFA، حتماً باید دو تست را در SPSS چک کنید و در مقاله بنویسید:
• آزمون KMO: باید بالای ۰.۶ باشد تا یعنی حجم نمونه شما برای تحلیل عاملی کافی است.
• آزمون بارتلت (Bartlett's Test): باید معنی‌دار باشد (P < 0.05) تا نشان دهد همبستگی بین سوالات برای تحلیل عاملی مناسب است.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱