برای تحلیل عاملی یک عدد جادویی وجود ندارد. قاعدههایی مانند پنج یا ده نفر به ازای هر گویه میتوانند نقطه شروع باشند، اما جای تحلیل شرایط واقعی مدل را نمیگیرند. نوع تحلیل، تعداد عاملها، بارهای عاملی، تعداد نشانگرهای هر عامل، توزیع دادهها، روش برآورد و میزان داده مفقود همگی بر حجم نمونه لازم اثر دارند.
نکتهای که باید جدی بگیرید
در تحلیل عاملی اکتشافی، کیفیت اشتراکات و قدرت بارهای عاملی بسیار مهم است. وقتی گویهها بارهای قوی و عاملها نشانگرهای کافی دارند، ساختار با نمونه کوچکتر نیز پایدارتر است. در مقابل، بارهای ضعیف، عاملهای متعدد و گویههای دارای بار متقاطع به نمونه بزرگتری نیاز دارند. شاخص KMO و آزمون بارتلت درباره کفایت ماتریس همبستگی اطلاعات میدهند، اما مستقیماً حجم نمونه را تعیین نمیکنند.
روش درست اجرا
در تحلیل عاملی تأییدی، پیچیدگی مدل اهمیت بیشتری پیدا میکند. تعداد پارامترهای آزاد، همبستگی عاملها و روش برآورد باید در نظر گرفته شوند. اگر دادهها پیوسته و نزدیک به نرمال باشند، برآورد بیشینه درستنمایی متداول است؛ برای گویههای رتبهای ممکن است روشهای دیگری مناسبتر باشند و نیاز نمونه متفاوت شود.
کنترل کیفیت و خطاهای رایج
بهترین رویکرد، توجیه چندلایه است. پژوهشگر میتواند قواعد تجربی را همراه با شواهد مطالعات مشابه، محدودیت جامعه و در صورت امکان تحلیل توان یا شبیهسازی مونتکارلو ارائه کند. برای اعتباریابی، استفاده از نمونههای جداگانه برای EFA و CFA از نظر روششناختی مطلوبتر است؛ اگر این امکان وجود ندارد، تقسیم تصادفی نمونه باید با توجه به کفایت هر بخش انجام شود.
گزارش علمی و قابل دفاع
ریزش نمونه را از ابتدا پیشبینی کنید. پرسشنامههای ناقص، پاسخدهی بیکیفیت و موارد پرت ممکن است بخشی از داده را غیرقابل استفاده کنند. بنابراین تعداد دعوتشدگان باید از حداقل تحلیل بیشتر باشد. معیارهای حذف داده را نیز پیش از مشاهده نتایج تعیین کنید تا تصمیمها تحت تأثیر نتیجه دلخواه قرار نگیرند.
جمعبندی کاربردی
در متن پایاننامه، به جای نوشتن «حجم نمونه طبق فرمول ده برابر گویهها تعیین شد»، منطق انتخاب را توضیح دهید. تعداد گویه و عوامل، نوع تحلیل، منابع روششناختی و میزان جبران ریزش را ذکر کنید. چنین توضیحی نشان میدهد حجم نمونه بخشی از طراحی پژوهش بوده است، نه عددی که پس از گردآوری داده برای توجیه نتیجه انتخاب شده باشد.
