تحلیل عاملی اکتشافی و تحلیل عاملی تاییدی
تحلیل آماری با لیزرل می‌تواند دو صورت اکتشافی و تاییدی داشته باشد. اینکه کدام یک از این دو روش باید در تحلیل عاملی به کار رود مبتنی بر هدف تحلیل داده هاست.
در تحلیل اکتشافی پژوهشگر به دنبال بررسی داده‌های تجربی به منظور کشف و شناسایی شاخص‌ها و نیز روابط بین آنهاست و این کار را بدون تحمیل هر گونه مدل معینی انجام می‌دهد. به بیان دیگر تحلیل اکتشافی علاوه بر آنکه ارزش تجسسی یا پیشنهادی دارد می‌تواند ساختارساز، مدل ساز یا فرضیه ساز باشد.
تحلیل اکتشافی وقتی به کار می‌رود که پژوهشگر شواهد کافی قبلی و پیش تجربی برای تشکیل فرضیه درباره تعداد عامل‌های زیربنایی داده‌ها نداشته و به واقع مایل باشد درباره تعیین تعداد یا ماهیت عامل‌هایی که همپراشی بین متغیرها را توجیه می‌کنند داده‌ها را بکاود. بنابر این تحلیل آماری اکتشافی بیشتر به عنوان یک روش تدوین و تولید تئوری و نه یک روش آزمون تئوری در نظر گرفته می‌شود.
تحلیل آماری با لیزرل
تحلیل عاملی اکتشافی روشی است که اغلب برای کشف و اندازه گیری منابع مکنون پراش و همپراش در اندازه گیری‌های مشاهده شده به کار می‌رود. پژوهشگران به این واقعیت پی برده اند که تحلیل عاملی اکتشافی می‌تواند در مراحل اولیه تجربه یا پرورش تستها کاملا مفید باشد. توانشهای ذهنی نخستین ترستون ، ساختار هوش گیلفورد نمونه‌های خوبی برای این مطلب می‌باشد. اما هر چه دانش بیشتری درباره طبیعت اندازه گیری‌های روانی و اجتماعی به دست آید ممکن است کمتر به عنوان یک ابزار مفید به کار رود و حتی ممکن است بازدارنده نیز باشد.
از سوی دیگر بیشتر مطالعات ممکن است تا حدی هم اکتشافی و هم تاییدی باشند زیرا شامل متغیر معلوم و تعدادی متغیر مجهول‌اند. متغیرهای معلوم را باید با دقت زیادی انتخاب کرد تا حتی الامکان درباره متغیرهای نامعلومی که استخراج می‌شود اطلاعات بیشتری فراهم‌اید. مطلوب آن است که فرضیه ای که از طریق روش‌های تحلیل اکتشافی تدوین می‌شود از طریق قرار گرفتن در معرض روش‌های آماری دقیق‌تر تایید یا رد شود. تحلیل اکتشافی نیازمند نمونه‌هایی با حجم بسیار زیاد می‌باشد.
در تحلیل عاملی تاییدی ، پژوهشگر به دنبال تهیه مدلی است که فرض می‌شود داده‌های تجربی را بر پایه چند پارامتر نسبتا اندک، توصیف تبیین یا توجیه می‌کند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار داده هاست که می‌تواند به شکل: ۱) یک تئوری یا فرضیه ۲) یک طرح طبقه بندی کننده معین برای گویه‌ها یا پاره تستها در انطباق با ویژگی‌های عینی شکل و محتوا ، ۳)شرایط معلوم تجربی و یا ۴) دانش حاصل از مطالعات قبلی درباره داده‌های وسیع باشد.
تمایز مهم روش‌های تحلیل اکتشافی و تاییدی در این است که روش اکتشافی با صرفه‌ترین روش تبیین واریانس مشترک زیربنایی یک ماتریس همبستگی را مشخص می‌کند. در حالی که روش‌های تاییدی (آزمون فرضیه) تعیین می‌کنند که داده‌ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ اند یا نه.
آزمون‌های برازندگی مدل کلی
با آنکه انواع گوناگون آزمون‌ها که به گونه کلی شاخص‌های برازندگی نامیده می‌شوند پیوسته در حال مقایسه، توسعه و تکامل می‌باشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله‌های مختلف، شاخص‌های مختلفی را ارائه کرده اند و حتی نگارش‌های مشهور برنامه‌های SEM مانند نرم افزار های لیزرل و ایموس نیز تعداد زیادی از شاخص‌های برازندگی به دست می‌دهند.
این شاخص‌ها به شیوه‌های مختلفی طبقه بندی شده اند که یکی از عمده‌ترین آنها طبقه بندی به صورت مطلق، نسبی و تعدیل یافته می‌باشد. برخی از این شاخص ها عبارتند از:
شاخص‌های GFI و AGFI
شاخص GFI – Goodness of fit index مقدار نسبی واریانس‌ها و کوواریانس‌ها را به گونه مشترک از طریق مدل ارزیابی می‌کند. دامنه تغییرات GFI بین صفر و یک می‌باشد. مقدار GFI باید برابر یا بزرگتر از ۹۰/۰باشد.
شاخص برازندگی دیگر Adjusted Goodness of Fit Index – AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی می‌باشد. این مشخصه معادل با کاربرد میانگین مجذورات به جای مجموع مجذورات در صورت و مخرج (۱- GFI) است. مقدار این شاخص نیز بین صفر و یک می‌باشد. شاخص‌های GFI و AGFI را که جارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده اند بستگی به حجم نمونه ندارد.
شاخص RMSEA
این شاخص , ریشه میانگین مجذورات تقریب می‌باشد.
شاخص Root Mean Square Error of Approximation – RMSEA برای مدلهای خوب
برابر ۰٫۰۵ یا کمتر است. مدلهایی که RMSEA آنها ۰٫۱ باشد برازش ضعیفی
دارند.
مجذور کای تحلیل آماری با لیزرل
آزمون مجذور کای (خی دو) این فرضیه را مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است را می‌آزماید، کمیت خی دو بسیار به حجم نمونه وابسته می‌باشد و نمونه بزرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد, افزایش می‌دهد. (هومن.۱۳۸۴٫ ۴۲۲).
شاخصNFI و CFI
شاخصNFI (که شاخص بنتلر-بونت هم نامیده می‌شود) برای مقادیر بالای ۹۰/۰ قابل قبول و نشانه برازندگی مدل است. شاخص CFIبزرگتر از ۹۰/۰ قابل قبول و نشانه برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطه ای نیست با مدل پیشنهادی مورد نظر، مقدار بهبود را نیز می‌آزماید. شاخص CFIاز لحاظ معنا مانند NFI است با این تفاوت که برای حجم گروه نمونه جریمه می‌دهد.
شاخص‌های دیگری نیز در خروجی نرم افزار لیزرل دیده می‌شوند که برخی مثلAIC, CAIC ECVA , برای تعیین برازنده‌ترین مدل از میان چند مدل مورد توجه قرار می‌گیرند برای مثال مدلی که دارای کوچکترین AIC,CAIC,ECVA باشد برازنده‌تر است.(هومن۱۳۸۴ ،۲۴۴-۲۳۵) برخی از شاخص‌ها نیز به شدت وابسته حجم نمونه اند و در حجم نمونه‌های بالا می‌توانند معنا داشته باشند.
- شاخص حد مطلوب
- میانگین مجذور پس‌ماندها RMR نزدیک به صفر
- میانگین مجذور پس‌ماندها استاندارد شده SRMR تزدیک به صفر
- شاخص برازندگی GFI در حدود ۹/۰
- شاخص نرم‌شده برازندگی (NFI) در حدود ۹/۰
- شاخص نرم‌نشده برازندگی (NNFI) در حدود ۹/۰
- شاخص برازندگی فزاینده (IFI) در حدود ۹/۰
- شاخص برازندگی تطبیقی (CFI) در حدود ۹/۰
- ریشه دوم برآورد واریانس خطا، RMSEA کمتر از ۱/۰