تحليل عاملي اكتشافي و تحليل عاملي تاييدي
تحليل آماري با ليزرل مي‌تواند دو صورت اكتشافي و تاييدي داشته باشد. اينكه كدام يك از اين دو روش بايد در تحليل عاملي به كار رود مبتني بر هدف تحليل داده هاست.
در تحليل اكتشافي پژوهشگر به دنبال بررسي داده‌هاي تجربي به منظور كشف و شناسايي شاخص‌ها و نيز روابط بين آنهاست و اين كار را بدون تحميل هر گونه مدل معيني انجام مي‌دهد. به بيان ديگر تحليل اكتشافي علاوه بر آنكه ارزش تجسسي يا پيشنهادي دارد مي‌تواند ساختارساز، مدل ساز يا فرضيه ساز باشد.
تحليل اكتشافي وقتي به كار مي‌رود كه پژوهشگر شواهد كافي قبلي و پيش تجربي براي تشكيل فرضيه درباره تعداد عامل‌هاي زيربنايي داده‌ها نداشته و به واقع مايل باشد درباره تعيين تعداد يا ماهيت عامل‌هايي كه همپراشي بين متغيرها را توجيه مي‌كنند داده‌ها را بكاود. بنابر اين تحليل آماري اكتشافي بيشتر به عنوان يك روش تدوين و توليد تئوري و نه يك روش آزمون تئوري در نظر گرفته مي‌شود.
تحليل آماري با ليزرل
تحليل عاملي اكتشافي روشي است كه اغلب براي كشف و اندازه گيري منابع مكنون پراش و همپراش در اندازه گيري‌هاي مشاهده شده به كار مي‌رود. پژوهشگران به اين واقعيت پي برده اند كه تحليل عاملي اكتشافي مي‌تواند در مراحل اوليه تجربه يا پرورش تستها كاملا مفيد باشد. توانشهاي ذهني نخستين ترستون ، ساختار هوش گيلفورد نمونه‌هاي خوبي براي اين مطلب مي‌باشد. اما هر چه دانش بيشتري درباره طبيعت اندازه گيري‌هاي رواني و اجتماعي به دست آيد ممكن است كمتر به عنوان يك ابزار مفيد به كار رود و حتي ممكن است بازدارنده نيز باشد.
از سوي ديگر بيشتر مطالعات ممكن است تا حدي هم اكتشافي و هم تاييدي باشند زيرا شامل متغير معلوم و تعدادي متغير مجهول‌اند. متغيرهاي معلوم را بايد با دقت زيادي انتخاب كرد تا حتي الامكان درباره متغيرهاي نامعلومي كه استخراج مي‌شود اطلاعات بيشتري فراهم‌ايد. مطلوب آن است كه فرضيه اي كه از طريق روش‌هاي تحليل اكتشافي تدوين مي‌شود از طريق قرار گرفتن در معرض روش‌هاي آماري دقيق‌تر تاييد يا رد شود. تحليل اكتشافي نيازمند نمونه‌هايي با حجم بسيار زياد مي‌باشد.
در تحليل عاملي تاييدي ، پژوهشگر به دنبال تهيه مدلي است كه فرض مي‌شود داده‌هاي تجربي را بر پايه چند پارامتر نسبتا اندك، توصيف تبيين يا توجيه مي‌كند. اين مدل مبتني بر اطلاعات پيش تجربي درباره ساختار داده هاست كه مي‌تواند به شكل: ۱) يك تئوري يا فرضيه ۲) يك طرح طبقه بندي كننده معين براي گويه‌ها يا پاره تستها در انطباق با ويژگي‌هاي عيني شكل و محتوا ، ۳)شرايط معلوم تجربي و يا ۴) دانش حاصل از مطالعات قبلي درباره داده‌هاي وسيع باشد.
تمايز مهم روش‌هاي تحليل اكتشافي و تاييدي در اين است كه روش اكتشافي با صرفه‌ترين روش تبيين واريانس مشترك زيربنايي يك ماتريس همبستگي را مشخص مي‌كند. در حالي كه روش‌هاي تاييدي (آزمون فرضيه) تعيين مي‌كنند كه داده‌ها با يك ساختار عاملي معين (كه در فرضيه آمده) هماهنگ اند يا نه.
آزمون‌هاي برازندگي مدل كلي
با آنكه انواع گوناگون آزمون‌ها كه به گونه كلي شاخص‌هاي برازندگي ناميده مي‌شوند پيوسته در حال مقايسه، توسعه و تكامل مي‌باشند اما هنوز درباره حتي يك آزمون بهينه نيز توافق همگاني وجود ندارد. نتيجه آن است كه مقاله‌هاي مختلف، شاخص‌هاي مختلفي را ارائه كرده اند و حتي نگارش‌هاي مشهور برنامه‌هاي SEM مانند نرم افزار هاي ليزرل و ايموس نيز تعداد زيادي از شاخص‌هاي برازندگي به دست مي‌دهند.
اين شاخص‌ها به شيوه‌هاي مختلفي طبقه بندي شده اند كه يكي از عمده‌ترين آنها طبقه بندي به صورت مطلق، نسبي و تعديل يافته مي‌باشد. برخي از اين شاخص ها عبارتند از:
شاخص‌هاي GFI و AGFI
شاخص GFI – Goodness of fit index مقدار نسبي واريانس‌ها و كوواريانس‌ها را به گونه مشترك از طريق مدل ارزيابي مي‌كند. دامنه تغييرات GFI بين صفر و يك مي‌باشد. مقدار GFI بايد برابر يا بزرگتر از ۹۰/۰باشد.
شاخص برازندگي ديگر Adjusted Goodness of Fit Index – AGFI يا همان مقدار تعديل يافته شاخص GFI براي درجه آزادي مي‌باشد. اين مشخصه معادل با كاربرد ميانگين مجذورات به جاي مجموع مجذورات در صورت و مخرج (۱- GFI) است. مقدار اين شاخص نيز بين صفر و يك مي‌باشد. شاخص‌هاي GFI و AGFI را كه جارزكاگ و سوربوم (۱۹۸۹) پيشنهاد كرده اند بستگي به حجم نمونه ندارد.
شاخص RMSEA
اين شاخص , ريشه ميانگين مجذورات تقريب مي‌باشد.
شاخص Root Mean Square Error of Approximation – RMSEA براي مدلهاي خوب برابر ۰٫۰۵ يا كمتر است. مدلهايي كه RMSEA آنها ۰٫۱ باشد برازش ضعيفي دارند.
مجذور كاي تحليل آماري با ليزرل
آزمون مجذور كاي (خي دو) اين فرضيه را مدل مورد نظر هماهنگ با الگوي همپراشي بين متغيرهاي مشاهده شده است را مي‌آزمايد، كميت خي دو بسيار به حجم نمونه وابسته مي‌باشد و نمونه بزرگ كميت خي دو را بيش از آنچه كه بتوان آن را به غلط بودن مدل نسبت داد, افزايش مي‌دهد. (هومن.۱۳۸۴٫ ۴۲۲).
شاخصNFI و CFI
شاخصNFI (كه شاخص بنتلر-بونت هم ناميده مي‌شود) براي مقادير بالاي ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگي مدل است. اين شاخص از طريق مقايسه يك مدل به اصطلاح مستقل كه در آن بين متغيرها هيچ رابطه اي نيست با مدل پيشنهادي مورد نظر، مقدار بهبود را نيز مي‌آزمايد. شاخص CFIاز لحاظ معنا مانند NFI است با اين تفاوت كه براي حجم گروه نمونه جريمه مي‌دهد.
شاخص‌هاي ديگري نيز در خروجي نرم افزار ليزرل ديده مي‌شوند كه برخي مثلAIC, CAIC ECVA , براي تعيين برازنده‌ترين مدل از ميان چند مدل مورد توجه قرار مي‌گيرند براي مثال مدلي كه داراي كوچكترين AIC,CAIC,ECVA باشد برازنده‌تر است.(هومن۱۳۸۴ ،۲۴۴-۲۳۵) برخي از شاخص‌ها نيز به شدت وابسته حجم نمونه اند و در حجم نمونه‌هاي بالا مي‌توانند معنا داشته باشند.
- شاخص حد مطلوب
- ميانگين مجذور پس‌ماندها RMR نزديك به صفر
- ميانگين مجذور پس‌ماندها استاندارد شده SRMR تزديك به صفر
- شاخص برازندگي GFI در حدود ۹/۰
- شاخص نرم‌شده برازندگي (NFI) در حدود ۹/۰
- شاخص نرم‌نشده برازندگي (NNFI) در حدود ۹/۰
- شاخص برازندگي فزاينده (IFI) در حدود ۹/۰
- شاخص برازندگي تطبيقي (CFI) در حدود ۹/۰
- ريشه دوم برآورد واريانس خطا، RMSEA كمتر از ۱/۰