‫التحليل العاملي‪ :‬مفهومه‪ ،‬أهدافه‪ ،‬شروطه‪،‬‬

‫انواعه‪ ،‬خطواته‪ ،‬مثال تطبيقي لكيفية استخراج‬

‫التحليل العاملي بنظام ‪SPSS‬‬

‫إعداد‪:‬‬
‫أ‪ .‬أحمد أبو فايد‬
‫جامعة األزهر‪ -‬غزة‬
‫‪Xw7@live.com‬‬

‫‪ 1437‬هـ ‪ 2016 -‬م‬

 ‫‪ -1‬مفهوم التحليل العاملي‪:‬‬

‫مع التقدم الملموس في البرامج المتخصصة للتحليل اإلحصائي‪ ،‬ونتيجة لتطور التحليل العاملي‬
‫واتساع استخدامه في العلوم االجتماعية أصبح التحليل العاملي من األمور ذات األهمية الخاصة‬
‫في البحوث التربوية‪ ،‬فالتحليل العاملي يعد منهجا إحصائيا لتحليل بيانات متعددة ارتبطت فيما‬
‫بينها بدرجات مختلفة من االرتباط في صورة تصنيفات مستقلة قائمة على أسس نوعية للتصنيف‪،‬‬
‫ويتولى الباحث فحص األسس التصنيفية واكتشاف ما بينها من خصائص مشتركة‪ ،‬وفقا لإلطار‬
‫النظري والمنطق العلمي الذي يبدأ به‪.‬‬

‫لذا إن لم يكن الباحث ملما باألسلوب اإلحصائي بشكل دقيق فإنه ال يستطيع التعرف على‬
‫المشكلة التي يصلح استخدام فيها هذا النوع من التحليل اإلحصائي‪ ،‬فستخرج له نتائج ضخمه لن‬
‫يستطيع تفسيرها واستخالص داللتها من اإلطار النظري األساسي والمنطق العلمي الذي انطلق‬
‫منه‪.‬‬

‫فالتحليل العاملي هو أسلوب إحصائي يستخدم في دراسة الظواهر بهدف إرجاعها إلى العوامل‬
‫المؤثرة فيها‪ ،‬وهو عملية رياضية تستهدف تفسير معامالت االرتباط الموجبة‪ -‬التي لها داللة‬
‫إحصائية‪ -‬بين مختلف المتغيرات‪.‬‬

‫‪-2‬ماهية العوامل؟‬

‫إن العوامل الناتجة عن عملية التحليل العاملي هي عبارة عن متغيرات مثل المتغيرات األخرى‪،‬‬
‫ولكن مع وجود فرق بسيط هو ان جل المتغيرات يمكن قياسها بشكل مباشر‪ ،‬أما العوامل فهي‬
‫متغيرات افتراضية أو متغيرات كامنة مشتقة من مجموعة من متغيرات تم قياسها قياسا مباشرا‪،‬‬
‫ومعنى ذلك أن العوامل تنبع من داخل مجموعة من العالقات بين المتغيرات‪.‬‬

‫ببساطة يقوم التحليل العاملي على دراسة عالقات بين عدد من المتغيرات ‪X1,X2,X3….Xp‬‬
‫بداللة ‪ F1,F2….FX‬تسمى عوامل مشتركة وهي التي نريدها ونعتمد عليها‪ ،‬وهذه العوامل تعتمد‬
‫في تركيبها على أسس إحصائية مثل االنحدار أو النماذج السلبية أو االرتباط ويكون عددها أقل‬
‫من عدد المتغيرات األصلية‪ ،‬وتساعدنا على فهم طبيعة العالقات بين المتغيرات األصلية‪.‬‬
 ‫‪-3‬كيفية البدء بالتحليل العاملي‪:‬‬

‫يبدا التحليل العاملي بحساب االرتباطات بين عدد من المتغيرات مثل المتغير ‪X1,X2,X3,X4‬‬
‫ونحصل على مصفوفة االرتباطات بين هذه المتغيرات لدى عينة ما‪ ،‬ثم نقوم بعد ذلك بتحليل هذه‬
‫المصفوفة االرتباطية تحليال عامليا لنصل إلى أقل عدد ممكن من العوامل تمكننا من التعبير على‬
‫عن أكبر قدر من التباين بين هذه المتغيرات‪.‬‬

‫كل عامل من معامالت االرتباط في المصفوفة له على األقل عالقة بسيطة بين متغيرين فقط‬
‫دون التنبؤ بوجود عالقة بين مشتركة بين ثالثة متغيرات معا أو بين مجموعه من المتغيرات‪ ،‬مثال‬
‫ذلك لو حصلنا على معامل ارتباط بين المتغير ‪ X1‬والمتغير ‪ X2‬قدره ‪ 0.7‬وبين المتغير ‪X2‬‬
‫والمتغير ‪ X3‬قدره ‪ 0.7‬أيضا ال يعني بالضرورة أن تكون هنالك عالقة تساوي ‪ 0.7‬بين المتغير‬
‫‪ X1‬والمتغير ‪. X3‬‬

‫وما يكون مشترك بين المتغير ‪ X1‬والمتغير ‪ X2‬غير ما هو مشترك بين المتغير ‪ X2‬والمتغير‬
‫‪ X3‬ولهذا السبب ال تصلح العالفة الثنائية بين المتغير‪ X2‬وأي من المتغيرين ‪ X2‬و‪ X3‬لتقدير‬
‫العالقة بينهما في االرتباط البسيط‪.‬‬

‫‪-4‬أهداف التحليل العاملي‪:‬‬

‫يلخص المتغيرات في عدد أقل من العوامل الرئيسية التي يمكن أن تفسر الظاهرة‪.‬‬ ‫أ‪.‬‬
‫إبراز مجموعة العناصر الكامنة التي يصعب الكشف عنها والتي يمكن أن يكون لها دور‬ ‫ب‪.‬‬
‫في تفسير العالقات بين عدد كبير من المتغيرات‪.‬‬
‫الحصول على مجموعة جديدة من المتغيرات (العوامل) وبعدد أقل لتحل جزئيا أو كليا‬ ‫ت‪.‬‬
‫محل المجموعة األصلية من المتغيرات‪.‬‬
‫التعرف على المتغيرات التي لها داللة إحصائية هامة والتي تتطلب مزيدا من عمليات‬ ‫ث‪.‬‬
‫التحليل األخرى كاالنحدار‪.‬‬
‫يعتبر أسلوبا مفيدا في خفض العالقات المعقدة بين مجموعة من المتغيرات إلى صورة‬ ‫ج‪.‬‬
‫خطية بسيطة نسبيا كما أنها تكشف عن العالقات غير المتوقعة‪.‬‬
‫يحل مشكلة المتغيرات التفسيرية مثل مشكلة االرتباطات العالية بين المتغيرات المستقلة‬ ‫ح‪.‬‬
‫التي تؤدي إلى عدم ثبات قيم معامالتها االنحدارية المعيارية في تحليل االنحدار‪.‬‬
 ‫‪ -5‬شروط استخدام التحليل العاملي‪:‬‬
‫شديدا أو‬
‫اء ً‬ ‫ملتويا الو ً‬
‫ً‬ ‫يشترط أن تكون المتغيرات موزعة توزيعا طبيعيا وأال يكون توزيعها‬ ‫أ‪.‬‬
‫متعدد المنوال‪.‬‬
‫ينبغي أال تكون العينة صغيرة الحجم او غير ممثلة للمجتمع المستهدف‪ ،‬وأال تكون متحيزة‬ ‫ب‪.‬‬
‫أيضا‪.‬‬
‫يجب أن تعتبر العوامل الناتجة من التحليل العاملي عن متغيرات واقعية يستطيع الباحث‬ ‫ت‪.‬‬
‫تفسيرها في ضوء إطار نظري أو نظرية معينه توكد وجود عوامل في الواقع‪.‬‬
‫يفضل تجنب استخدام متغيرات غير مستقلة (متداخلة) من الوجهة التجريبية والمتغيرات‬ ‫ث‪.‬‬
‫التي ال تتميز بالبساطة بالتحليل العاملي‪.‬‬
‫إحصائيا والتي يجب أن‬
‫ً‬ ‫تشبعا‬
‫تعتمد عملية تفسير العوامل على عدد المتغيرات المتشبعة ً‬ ‫ج‪.‬‬
‫ال يقل عددها على ثالثة متغيرات‪ ،‬حيث أن جميع برامج اإلحصاء تشير إلى ان التشبع الدال‬
‫إحصائيا ال يقل عن (‪.)0.6‬‬
‫ً‬
‫‪-6‬أنواع التحليل العاملي‪:‬‬

‫النوع األول‪ :‬التحليل العاملي اإلستكشافي ‪Exploratory Factor Analysis‬‬

‫يستخدم هذا النوع في الحاالت التي تكون فيها العالقات بين المتغيرات والعوامل الكامنة غير‬
‫عروفة وبالتالي فإن التحليل العاملي بهدف إلى اكتشاف العوامل التي تصف إليها المتغيرات‪.‬‬

‫النوع الثاني‪ :‬التحليل العاملي التوكيدي ‪Confirmatory Factor Analysis‬‬

‫يستخدم هذا النوع ألجل اختبار الفرضيات المتعلقة بوجود أو عدم وجود عالقة بين المتغيرات‬
‫والعوامل الكامنة كما يستخدم التحليل العاملي التوكيدي كذلك في تقييم قدرة نموذج العوامل على‬
‫التعبير عن مجموعة البيانات الفعلية وكذلك في المقارنة بين عدة نماذج للعوامل بهذا المجال‪.‬‬

‫‪-7‬طرق التحليل العاملي‪:‬‬

‫‪ ‬طريقة المكونات األساسية ‪:Principal component's‬‬

‫نظر لدقة نتائجها بالمقارنة ببقية‬ ‫هي من أكثر طرق التحليل العاملي دقة وشيوعا و‬
‫استخداما؛ ا‬
‫ً‬
‫الطرق‪ .‬ولهذه الطريقة مزايا عدة منها أنها تؤدي إلى تشبعات دقيقة‪ ،‬وكل عامل يستخرج أقصى‬
‫كمية من التباين‪ ،‬وانها تؤدى إلى أقل قدر ممكن من البواقي‪ ،‬كما أن المصفوفة االرتباطية تختزل‬
‫إلى أقل عدد من العوامل المتعامدة غير المرتبطة‪.‬‬
 ‫وتهدف طريقة المركبات األساسية إلى‪:‬‬

‫هندسيا انطالقا من جدول البيانات‪.‬‬

‫ً‬ ‫‪ )1‬تمثيل المتغيرات الكمية للمفردات‬
‫‪ )2‬تحديد العوامل (المكونات) التي تفسر على أفضل نحو تشتت المتغيرات‬
‫‪ )3‬تقديم المعلومات التي يحتوي عليها االستبيان في شكل مبسط‬
‫‪ )4‬تفسير أكبر نسبة ممكنة من التباين للمتغيرات األصلية‪.‬‬
‫‪ ‬الطريقة القطرية ‪: Diagonal method‬‬

‫وتعد الطريقة القطرية من الطرق المباشرة والسهلة في التحليل العاملي‪ ،‬ويمكن استخدامها‬
‫إذا كان لدينا عدد قليل من المتغيرات وتؤدى إلى استخالص أكبر عدد ممكن من العوامل وتتطلب‬
‫هذه الطريقة معرفة سابقة ودقيقة بقيم شيوع المتغيرات‪ ،‬وبدون هذه المعرفة ال يمكن استخدامها‪.‬‬
‫وتستمد الطريقة القطرية اسمها من كونها تقوم على استخدام القيم القطرية في المصفوفة االرتباطية‬
‫مباشرة‪ .‬وتبدأ الطريقة القطرية باستخالص هذه القيمة بكاملها في العامل األول‪ ،‬وبذلك يكون جذر‬
‫هذه القيمة هو تشبع المتغير األول على العامل األول‪ ،‬ويطلق عليه اسم التشبع القطري وهكذا‪.‬‬

‫‪ ‬الطريقة المركزية ‪: Centroid method‬‬

‫تعد هذه الطريقة من أكثر طرق التحليل العاملي استخداماً وشيوعاً إلى وقت قريب ا‬
‫نظرً‬
‫لسهولة حسابها فضالً عن استخالص عدد قليل من العوامل العامة‪ ،‬إال أن الطريقة لثرستون تفتقر‬
‫قدرً محدوداً من التباين االرتباطي‬
‫إلى عدد من المزايا الهامة والتي من أهمها أنها ال تستخلص إال ا‬
‫وتتحدد قيم الشيوع في المصفوفة االرتباطية وفق تقديرات غير دقيقة حيث تستخدم أقصى ارتباط‬
‫بين المتغير وأي متغير في المصفوفة وهو إجراء يؤدى إلى خفض رتبة المصفوفة‪.‬‬

‫‪ ‬الطريقة المركزية باستخدام متوسط االرتباطات ‪: Averoid method‬‬

‫تختلف هذه الطريقة عن الطريقة المركزية السابقة بكونها تستخدم تقدير الشيوع الذي هو‬
‫عبارة عن متوسط ارتباطات المتغير ببقية المتغيرات في المصفوفة ثم حساب العوامل بعد وضع‬
‫المتوسط الخاص بارتباطات كل متغير في خليته القطرية ولهذا السبب يطلق على هذا االسلوب‬
‫اسم الطريقة المركزية باستخدام المتوسطات‪ ،‬إال أن هذه الطريقة ال توفر نفس الدقة التي نحصل‬
‫عليها في الطريقة المركزية السابقة‪ ،‬إال أنها مناسبة عند وجود عدد كبير من المتغيرات وفي حالة‬
‫عدم توفر برنامج إلجراء المعالجات اإلحصائية‪.‬‬
 ‫‪ -8‬محكات تحديد عدد العوامل المستخرجة‪:‬‬

‫تعد مشكلة تقدير عدد العوامل التي يتعين إنتاجها في الدراسة العاملية من المشكالت التي‬
‫تؤرق الباحثين‪ ،‬ذلك أن إمكان استخالص عوامل من المصفوفة االرتباطية إلى الحد الذي تصبح‬
‫فيه آخر مصفوفة بواقى صفرية من األمور الممكنة وحيث يمكن استخالص عدد من العوامل‬
‫يساوى عدد المتغيرات التي بدأنا بها‪ ،‬ومن أشهر المحكات التي يمكن استخدامها لهذا الغرض‪:‬‬

‫محك كايزر ‪: Kaiser Criterion‬‬

‫وهو محك رياضي في طبيعته واقترحه ( جوتمان ‪ ) Guttman‬عام ‪1954‬م ‪ ،‬وفكرته‬

‫يعتمد على حجم التباين الذى يعبر عنه العامل ومن أجل أن يكون العامل بمثابة فئة تصنيفية‬
‫ٍ‬
‫مساو على األقل لحجم التباين األصلي للمتغير ‪،‬‬ ‫فالبد أن يكون تباينه أو جذره الكامن أكبر أو‬
‫وبما أننا ال نستطيع نظرًيا استخالص كل تباين المتغير في عامل واحد فإن حصولنا على عامل‬
‫جذره الكامن ال يقل عن واحد صحيح البد أن يكون مصدر تباينه أكثر من متغير وبالتالي يكون‬
‫عامالً معب ارً عن تباين مشترك بين متغيرات متعددة ‪.‬‬

‫وعلى ذلك فان هذا المحك يتطلب مراجعة الجذر الكامن للعوامل الناتجة وعلى أن تقبل‬
‫العوامل التي يزيد جذرها الكامن عن الواحد الصحيح وتعد عوامل عامة‪.‬‬

‫لذا فإن العوامل الدالة في هذه الطريقة هي العوامل التي يساوى أو يزيد جذرها الكامن على‬
‫واحد صحيح بشرط أن يكون قد وضع في الخاليا القطرية واحد صحيح‪.‬‬

‫‪ -9‬تدوير العوامل‬

‫عند استخدام التحليل العاملي لمصفوفة ارتباطية على سبيل المثال وبأية طريقة من الطرق‬
‫العاملية فإنه سيتم التوصل إلى استخالص عوامل معينة وهذه العوامل هي عبارة عن محاور‬
‫دائما الحصول على عوامل يمكن‬
‫متعامدة تمثل تشبعات المتغيرات واحداثياتها‪ ،‬ولكن ال يضمن لنا ً‬
‫تفسيرها بسهولة من خالل ارتباطاتها مع المتغيرات‪ ،‬ذلك ألن تحديد العوامل على هذا األساس يتم‬
‫بطريقة عشوائية‪ ،‬وهذا التحديد للمحاور يختلف من طريقة عاملية ألخرى‪ ،‬لذا يجب اجراء تعديل‬
‫على هذه المحاور وذلك باستخدام طريقة تدوير العوامل‪.‬‬

‫تبعا للزاوية التي تفصل بين المحاور المرجعية وهما التدوير‬

‫هناك نوعان من التدوير ً‬
‫المتعامد ‪ Orthogonat Rotation‬والتدوير المائل ‪ Oblique Rotation‬ففي التدوير‬
‫معا (اثنين منها مثال) مع االحتفاظ بالتعامد بينها‪ .‬أما التدوير المائل ففيه‬
‫المتعامد تدار العوامل ً‬
‫تدار المحاور دون احتفاظ بالتعامد وتترك لتتخذ الميل المالئم لها‪.‬‬
 ‫معا هي معامالت االرتباط التي قيمها تساوى ًا‬
‫صفر‪ ،‬أما‬ ‫والعوامل المتعامدة غير المرتبطة ً‬
‫العوامل المائلة فهي عوامل بينها ارتباط أي أنها عوامل متداخلة‪ ،‬لذا فإن الهدف الرئيسي من تدوير‬
‫المحاور هو لتحقيق البناء البسيط‪.‬‬

‫وتتعدد الطرق العملية للتدوير في محاولة لتقديم حل رياضي للبناء البسيط ثم تناولت بعد‬
‫ذلك عدة طرق رياضية لعل أشهرها طريقة الفاريماكس ‪ Varimax‬لكايزر ‪ Kaiser‬والتي تتقبل‬
‫فكرة البناء البسيط مع االحتفاظ بالتعامد بين العوامل‪ ،‬ويميل أغلب الباحثون في مجال التربية إلى‬
‫استخدام طريقة الفاريماكس لكايزر والتي تؤدى إلى أفضل الحلول التي تستوفى خصائص البناء‬
‫البسيط‪.‬‬

‫وتكمن أهمية التدوير فيما يلي‪:‬‬

‫‪ .1‬يسمح تدوير المحاور باالبتعاد عن الطريق العشوائية في تحديد العوامل‪.‬‬

‫‪ .2‬يساهم في إعادة توزيع التباين بين العوامل‪.‬‬
‫‪ .3‬تساعد عملية تدوير المحاور على التفسير المنطقي للعوامل‪.‬‬
‫‪ .4‬الحصول على عوامل جديدة تكون ارتباطاتها مع المتغيرات األصلية موزعة بطريقة يسهل‬
‫تفسيرها‪.‬‬
‫‪ .5‬تتيح عملية التدوير تجميع المتغيرات المتشابهة في عامل واحد‪.‬‬

‫مفاهيم عامة‪:‬‬

‫أ‪ .‬الجذر الكامن‪Eigenvalue :‬‬

‫يقيس حجم التباينات في كل المتغيرات التي تحسب على عامل واحد‪ ،‬فقيمة الجذر الكامن‬
‫ليست نسبة لتفسير التباين ولكنها قياس حجم التباين المستخدم ألهداف المقارنة‪ ،‬وفًقا لمحك كايزر‬
‫‪ Kaiser‬يتم قبول العامل الذي تكون فيه قيمة ‪ Eigen‬أكبر من واحد صحيح‪ ،‬أما إذا كانت قيمة‬
‫‪ Eigen‬أقل من واحد صحيح فيتم رفض العامل‪.‬‬

‫ب‪ .‬االشتراكيات‪Communalities :‬‬

‫هي مجموع مربع تحميالت العامل على المتغيرات المختلفة والتي استخلصت في المصفوفة‬
‫العاملية‪ ،‬إن كل متغير يساهم بأحجام مختلفة في كل عامل من العوامل‪ ،‬ومجموع مربعات هذه‬
‫االشتركيات‪.‬‬
‫ا‬ ‫اإلسهامات أو التشبعات في العوامل هي قيمة‬
 ‫ح‪ .‬استخالص العوامل‪Extraction :‬‬

‫تتعلق عملية استخالص العوامل باختيار مجموعة تتعمق المتغيرات التي تفسر أكبر قدر‬
‫المتغيرت‬
‫ا‬ ‫ممكن من التباين الكلي‪ ،‬وهذا ما يشكل العامل األول‪ ،‬ثم يقوم البرنامج باختيار مجموعة‬
‫التي تفسر أكبر قدر ممكن من التباين المتبقي بعد استخالص العامل األول‪ ،‬وهذا ما يشكل العامل‬
‫الثاني وهكذا‪.‬‬

‫خ‪ .‬تشبعات العوامل‪:‬‬

‫مهما‬
‫تشبع العامل هو درجة ارتباط كل متغير مع عامل معين‪ ،‬ويعتبر مفهوم تشبع العامل ً‬
‫كثير من الحسابات يتم معالجتها من جدول تشبعات العوامل‪ ،‬فإذا كان تشبع عامل‬
‫جدا‪ ،‬حيث أن ًا‬
‫ً‬
‫جيدا‪ ،‬أما تشبعات العوامل‬
‫معين أكبر من ‪ 0.3‬فإن المتغير الذي له عالقة به يساعد في وصفه ً‬
‫التي تكون أقل من ‪ 0.3‬فيمكن اهمالها وعدم األخذ بها‪.‬‬

‫‪ ‬خطوات التحليل العاملي‪:‬‬

‫‪ -1‬عمل مصفوفة ارتباطية نقوم من خاللها بعمل معامالت ارتباط لكل المتغيرات‪.‬‬
‫‪ -2‬نجمع االرتباطات لكل عمود‪.‬‬
‫‪ -3‬نجمع مجموع ارتباطات االعمدة‪.‬‬
‫‪ -4‬نخرج الجذر التربيعي لمجموع ارتباطات األعمدة‪.‬‬
‫‪ -5‬نقسم ناتج كل عمود على الجذر التربيعي ونوجد تشبع العمود األول‪ ،‬ثم تشبع العمود الثاني‪،‬‬
‫ثم تشبع العمود الثالث ‪ .......‬وهكذا‪.‬‬
‫‪ -‬التشبعات ‪ :‬أي ارتباطات المتغير في العامل‪.‬‬
‫‪ -6‬نضرب تشبع االختبار األول في نفسة ونضع النتيجة في الخلية القطرية ( ‪ )1 ،1‬ثم نضرب‬
‫تشبع االختبار الثاني في نفسه ونضع النتيجة في الخلية القطرية ( ‪ ......) 2 ، 2‬وهكذا ‪.‬‬
‫مالحظة‪ :‬الخاليا القطرية تشير الى االرتباط بين المتغير ونفسه‪.‬‬
‫‪ -7‬نقوم بطرح المصفوفة االرتباطية الناتجة من المصفوفة األصلية ويخرج لنا مصفوفة جديدة‪.‬‬
‫‪ -8‬نوجد الجذر الكامن‪ ،‬ونسبة التباين‪.‬‬
‫‪ -‬الجذر الكامن‪ :‬هو مجموع مربعات التشبعات على العامل‪.‬‬
‫‪ -‬نسبة التباين‪ :‬أي كم أخذت المصفوفة من التباين‪.‬‬
‫‪ -9‬نقوم بعمل التدوير‪ :‬إما تدوير مائل‪ :‬يستخدم للظواهر المتداخلة (الغير مستقلة) أو تدوير‬
‫متعامد‪ :‬للظواهر غير المتداخلة (المستقلة)‪.‬‬
‫فائدة التدوير‪ :‬يؤدي إلى إعادة توزيع الجذر الكامن والتباين أو التشبعات ‪.‬‬
 ‫مثاالً تطبيقي في كيفية استخراج التحليل العاملي بنظام ‪SPSS‬‬
‫أمامك بيانات لخمس وعشرون أسرة تتضمن ستة متغيرات‪ ،‬الراتب‪ ،‬عدد بطاقات االئتمان‪،‬‬
‫العمر‪ ،‬عدد األطفال‪ ،‬عدد سنوات الزواج‪ ،‬عدد الغرف‪ .‬وأراد الباحث تلخيص هذه المتغيرات الستة‬
‫إلى عوامل أقل‪.‬‬

‫وبذلك أدخلت البيانات في نافذة البرنامج وكما يلي‪:‬‬

‫وألجل استخراج التحليل العاملي نتبع الخطوات التالية‪:‬‬

‫‪ .1‬من القائمة الرئيسية ‪ Analayze‬اختر ‪ Data Reduction‬ثم ‪ Factor‬فيظهر‬

‫صندوق الحوار ‪. Factor Anaiysis‬‬
‫‪ .2‬انقل المتغيرات إلى داخل المستطيل ‪ ، Varibales‬ويالحظ في صندوق الحوار هنالك‬
‫خمسة مفاتيح رئيسية ‪.‬‬
‫‪ .3‬انقر المفتاح ‪ Descriptives‬فيظهر لك صندوق الحوار التالي والذي يمكنك اختيار‬
‫إحدى اإلحصائيتين التاليتين أو كالهما ‪:‬‬

‫أ ‪. Univariate descriptives -‬‬

‫ب‪. Initial solution -‬‬

‫ويالحظ من صندوق الحوار السابق ما يلي‪:‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Univariate Descriptive‬نحصل على المتوسط‬

‫الحسابي واالنحراف المعياري وعدد الحاالت‪.‬‬
‫‪ -‬من خالل التأشير على الحقل ‪ Initial Solution‬نحصل على الحل المبدئي والذي‬
‫يتضمن‬
‫‪ ‬عرض األشتراكيات ‪. Communalities‬‬
‫‪ ‬قيم الجذور الكامنة ‪. Eigenvalues‬‬
‫‪Percentage and‬‬ ‫‪ ‬النسب المئوية الفردية والمتراكمة للتباين المفسر‬
‫‪. Cumulative percentage of Variance‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Significance level coefficients‬نحصل على‬

‫مصفوفة العالقات من أجل االطالع عليها والتأكد من شرط عدم وجود ارتباط عالي أي‬
‫‪ % 90‬بين أي متغيرين حيث يتم استبعاد تلك المتغيرات التي بينها هذه‬ ‫أعلى من‬
‫النسبة العالية من االرتباط‪.‬‬
‫‪ -‬من خالل التأشير على الحقل ‪ Determinant‬وهو محدد المصفوفة وذلك لقياس مشكلة‬
‫االرتباط الذاتي إذ يجب أال تقل قيمة المحدد عن (‪ ، ) .0001‬فإذا كانت قيمته أقل من‬
‫ذلك ننظر إلى المتغيرات المرتبطة عالياً أكثر من (‪ )0.80‬وتحذف أحدهما ‪.‬‬
‫‪ -‬من خالل التأشير على الحقل ‪ KMO and Bartiletts test of sphericity‬نحصل‬
‫من خالل قياس ‪ KMO‬على مدى كفاية عدد أفراد العينة ويجب أن تكون قيمته أكبر من‬
‫(‪ )0.50‬حتى تكون العينة كافية وهذا شرط أساسي يجب تحقيقه‪ ،‬أما فيما يتعلق‬
‫بأختبار‪ Bartilett‬للدائرية ‪ sphericity‬فهو مؤشر للعالقة بين المتغيرات إذ يجب أن‬
‫يكون مستوى الداللة لهذه العالقة أقل من (‪ )0.05‬وذلك حتى نستطيع التأكيد على أن‬
‫هذه العالقة دالة إحصائياً ‪.‬‬
‫‪ .4‬اضغط ‪ Continue‬لتعود إلى الشاشة الرئيسية التالي‪:‬‬
 ‫‪ .5‬أضغط المفتاح ‪ Extraction‬فيظهر لك صندوق الحوار التالي‪:‬‬

‫ويالحظ إن صندوق الحوار يحتوي على ما يلي‪:‬‬

‫أ‪ Method .‬وهي طريقة استخالص العوامل ويالحظ بوجود سبعة طرق وبإمكان الباحث اختيار‬
‫أحداها إلجراء عملية استخالص العوامل ‪ ،‬وفي مثالنا هذا سنستخدم طريقة (المكونات‬
‫األساسية) أما هذه الطرق فهي ‪:‬‬

‫‪ Principal Components -‬طريقة المكونات األساسية‪.‬‬

‫‪ Principal axis factoring -‬طريقة عوامل المحور الرئيسية‪.‬‬

‫‪ Unweighied least squares -‬طريقة المربعات الصغرى غير المرجحة‪.‬‬

‫‪ Generalized least squares -‬طريقة المربعات العمومية‪.‬‬

‫‪ Maximum likelihood -‬طريقة التشابه األعلى‪.‬‬

‫‪ Alpha Factoring -‬طريقة ألفا‪.‬‬

‫‪ Image Factoring -‬طريقة الصورة الذهنية‪.‬‬

 ‫‪ Analyze‬تعني المصفوفة المراد تحليلها وتتضمن‪:‬‬ ‫ب‪.‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Correlation Matrix‬نحصل على مصفوفة العالقة‪.‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Covariance Matrix‬نحصل على مصفوفة التباين‬
‫المشترك‪.‬‬

‫‪ Extract‬تعني استخالص العوامل وتتضمن‪:‬‬ ‫جـ‪.‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Eigenvalues over‬نحصل على قيمة الجذر الكامن ‪،‬‬
‫والبرنامج يحدد قيمة الجذر الكامن لتكون أكبر من (‪. )1‬‬
‫‪ -‬من خالل التأشير على الحقل ‪ Number of Factors‬يتم استخراج عدد من العوامل بعد‬
‫أن يتم تحديدها من قبل الباحث ‪ ،‬والباحث إن استخدم هذا الخيار فإنه سيلغي الخيار األول‬
‫والمتعلق بقيمة الجذر الكامن ‪.‬‬
‫د‪ Display .‬تعني عرض نتائج التحليل وتتضمن‪:‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Unrotated factor solution‬نحصل على حل‬
‫العوامل قبل التدوير ‪.‬‬

‫‪ -‬من خالل التأشير على الحقل ‪ Scree plot‬والذي يعني الرسم البياني (سكري) وذلك من‬
‫أجل مقارنة نتائج هذا الحقل مع نتائج الحقل ‪ Unrotated factor solution‬فإذا كانت‬
‫متفقة مع بعضها من حيث عدد العوامل تكون النتائج دقيقة ‪ ،‬أما إذا اختلفت النتيجتان فإننا‬
‫نقوم بفحص االشتراكيات ‪ Communalities‬لنقرر عدد العوامل ‪ ،‬وعادة يستخدم هذا‬
‫الخيار عندما يكون عدد المتغيرات كبي ارً أي أكثر من (‪ )200‬متغير ‪ ،‬وفي مثالنا هذا‬
‫حددنا هذا الحقل ليطلع القارئ ماذا نعني بالرسم البياني سكري ‪.‬‬

‫‪ -‬يوجد في أسفل صندوق الحوار خيا اًر لتحديد الحد األعلى لعدد خطوات الخوارزمية الضرورية‬
‫للوصول للحل المناسب ‪ Maximum iterations for Convergence 25‬وبإمكان‬
‫الباحث أن يغير هذا الرقم المحدد مسبقاً من قبل البرنامج وبما يتناسب مع أهداف وطبيعة‬
‫البحث ‪.‬‬
 ‫هـ‪ .‬أضغط على ‪ Continue‬لتعود إلى الشاشة الرئيسية‪.‬‬

‫‪ .6‬أضغط المفتاح ‪ Rotation‬فيظهر لك صندوق الحوار التالي ‪:‬‬

‫ويالحظ بأن صندوق الحوار يتضمن ستة خيارات لطرق التدوير من الخيار ‪ Method‬وهي‪:‬‬

‫أوالً ‪ : None /‬وتعني عدم إجراء عملية التدوير ‪.‬‬

‫ثانياً ‪ : Varimax /‬وتعني طريقة للتدوير المتعامد والتي تؤدي إلى زيادة تباين مربع تشبعات‬
‫العوامل على كافة المتغيرات ‪.‬‬
‫ثالثاً ‪ : Direct Oblimin /‬وتعني طريقة للتدوير المائل والتي يؤدي إلى قيم أعلى للجذور‬
‫الكامنة‪.‬‬

‫رابعاً ‪ : Quartimax /‬وتعني طريقة أخرى للتدوير المتعامد والتي تؤدي إلى تخفيض عدد‬
‫العوامل التي تحتاجها لتفسير كل متغير ‪.‬‬

‫خامساً ‪ : Equamax /‬وتعني طريقة أخرى للتدوير وهي تقع في الوسط بين طريقتي‬
‫‪ Varimax‬و ‪. Quartimax‬‬

‫سادساً ‪ : Promax /‬وتعني طريقة أخرى للتدوير المائل وهي أسرع في العمليات الحسابية‬
‫من طريقة ‪ Direct Oblimin‬لذلك فهي تستخدم فـي بعض األحيان فـي العينات الكبيرة‬
‫العدد ‪.‬‬

‫كما يتضمن صندوق الحوار خياران للعرض ‪: Display‬‬

‫أوالً ‪ /‬العوامل بعد التدوير ‪ Rotated Solution‬وهذا الحقل محدد سلفاً من قبل البرنامج‪.‬‬

‫ثانياً ‪ /‬الرسوم البيانية للتشبعات )‪ Loading Plot(s‬باإلمكان تحديد هذا الحقل واضافته‬
‫للحقل األول ‪.‬‬

‫شيوعا في‬
‫ً‬ ‫وفي مثالنا هذا تم تحديد طريقة ‪ Varimax‬ألنها الطريقة األكثر استخداماً واألكثر‬
‫بحوث التربية‪.‬‬

‫‪ -‬أضغط على الحقل ‪ Continue‬لتعود إلى الشاشة الرئيسية مرة أخرى ‪.‬‬

‫‪ .7‬أضغط على الحقل ‪ Scores‬فيظهر صندوق الحوار التالي ‪:‬‬

 ‫تتضمن شاشة هذا الصندوق ما يلي ‪:‬‬

‫‪ -‬حفظ العوامل كمتغيرات ‪ Save as variabies‬والتي تعني حساب درجات العوامل‬

‫وحفظها كمتغيرات وعند تحديد هذا الحقل فإنه سيتم تفعيل طرق حساب الدرجات والتي‬
‫يمكن استخدامها في إجراء عمليات إحصائية إضافية وفقاً الحتياجات البحث وكما يلي‪:‬‬
‫‪ -‬اإلنحدار ‪. Regression‬‬
‫‪ -‬طريقة بارليت ‪. Bartlett‬‬
‫‪ -‬طريقة أندرسون – روبن ‪. Anderson Rubin‬‬
‫وفي أسفل شاشة الصندوق هنالك أختيار لعرض مصفوفة معامالت الدرجات‬
‫‪. Display factor score coefficient Matrix‬‬

‫‪ -‬أضغط على الحقل ‪ Continue‬لتعود إلى الشاشة الرئيسية مرة أخرى ‪.‬‬

‫‪ .8‬أضغط على الحقل ‪ Options‬فيظهر صندوق الحوار التالي ‪:‬‬

‫يالحظ بأن صندوق الحوار يحتوي على الخيارات المتعلقة بالقيم المفقودة‪ ،‬كما يوجد في أسفل‬
‫شاشة صندوق الحوار خياران يتعلقان بشكل عرض معامالت ‪Coefficient Display‬‬
‫‪ Format‬وهما‪:‬‬

‫‪ -‬ترتيب التشيعات على العوامل وفقاً لمقدارها ‪. Sorted by size‬‬

‫‪ -‬إخفاء عرض القيم المطلقة للتشبعات التي تقل عن قيمة معينة ‪Suppress absolute‬‬
‫‪ values less than‬وبالتأشير على المربع الصغير أمام هذا الخيار يتم تفعيل القيم‬
‫التي يرغب الباحث بوضعها إلخفاء المعلومات المتعلقة بالقيم األقل علماً بأن هذه القيمة‬
‫محددة سلفاً في البرنامج (‪.)0.10‬‬
‫‪ -‬أضغط على الحقل ‪ Continue‬لتعود إلى الشاشة الرئيسية ‪.‬‬
‫‪ -‬وأخي ارً أضغط على ‪ Ok‬فتظر مخرجات التحليل العاملي والتي تعد هي النتائج النهائية‬
‫لعمل الباحث باستخدام التحليل العاملي‪ ،‬وفي مثالنا هذا وعند تتبعنا للخطوات السابقة فإننا‬
‫نحصل على النتائج التالية والتي على ضوئها يقوم الباحث بتفسير النتائج وكما يلي‪:‬‬

‫يتضح من الجدول اإلحصاءات الوصفية (المتوسط الحسابي واالنحراف المعياري وعدد‬

‫أفراد العينة)‪.‬‬

‫يتضح من الجدول بأننا حصلنا على مصفوفة معامالت االرتباطات البينية والتي هي تعد الحل‬
‫األولي للعالقات بين المتغيرات الداخلة في التحليل العاملي‪.‬‬

‫ونالحظ أن قيمة ‪ Determinant‬أكبر من ‪ 0.0001‬وبالتالي ال نقوم بحذف أي المتغيرات‪.‬‬

‫يتضح من الجدول بأننا قد حصلنا على قيمة قياس ‪ KMO‬وهي أكبر من (‪ )0.50‬وهذا يدل على‬
‫زيادة االعتمادية للعوامل التي نحصل عليها من التحليل العاملي‪ ،‬وكذلك نحكم بكفاية حجم العينة‪،‬‬
‫كما نجد أن قيمة مستوى الداللة الختبار بارتلت ‪ Barlett‬للدائرية‪ .‬تساوي (‪ )0.000‬وهي أقل‬
‫من(‪ )0.05‬وهذا يؤكد على وجود عالقة دالة إحصائيا‪ ،‬بذلك يمكن إجراء التحليل العاملي‪.‬‬

‫يتضح من الجدول وباستخدام طريقة ‪ Principal Components‬على معامالت الشيوع‬

‫للمتغير وهي مربع معامل االرتباط بين المتغير والعامل كمتغيرات مستقلة‪ ،‬وبالتالي قد حصلنا على‬
‫قيم التباين المفسر‪.‬‬
‫ظر لكون قيمها العينية (الجذر الكامن) أكبر من‬
‫يتضح من الجدول بأننا قد توصلنا إلى عاملين ن ًا‬
‫الواحد الصحيح‪ ،‬كما تم التوصل إلى نسب تفسير التباينات من التباين الكلي لكل عامل‪ ،‬حيث أن‬
‫العامل الرئيسي األول له أكبر جذر كامن ويساوي ‪ 2.872‬من التباينات الكلية ويفسر‪.%47.861‬‬

‫الجذر الكامن‬
‫‪100%‬‬ ‫نسبة التباين المفسر للمكون األول =‬
‫مجموع الجذور الكامنة‬

‫‪. % 47.861 = 100%‬‬ ‫=‬

‫‪2.872‬‬
‫‪6‬‬

‫إن الرسم البياني ‪ Scree Plot‬يمثل قيم الجذور الكامنة لكل عامل على المحور الصادي‬
‫ورقم المكون على المحور السيني‪ ،‬ويعتبر الرسم البياني معيا ارً آخر يمكن استخدامه باإلضافة‬
‫إلى معيار اإلبقاء على العوامل التي يزيد جذرها الكامن عن الواحد الصحيح لتحديد العوامل في‬
‫التحليل العاملي واإلبقاء فقط على تلك التي تكون في المنطقة شديدة االنحدار‪.‬‬
 ‫إن الجدول السابق يمثل مصفوفة العوامل قبل التدوير والتي تتضمن عاملين‪.‬‬

‫أيضا‪ ،‬وعند‬
‫إن الجدول السابق يمثل مصفوفة العوامل بعد التدوير والتي تتضمن عاملين ً‬
‫تحليل وتفسير النتائج فإنه يتم هذا السياق مع كل عامل بصورة منفصلة ويتم البدء بالتفسير‬
‫والتحليل مع كل عامل تم قبوله وفق الشروط التي يتم وضعها الباحث كما يتم وفق التشبعات التي‬
‫حصلت على أعلى القيم على العامل‪ ،‬وهنا يتم دور الباحث في تسمية العامل وترشيح القياسات‬
‫التي حصلت على أفضل القيم على العامل لترشيحها كنتائج نهائية‪.‬‬

‫ففي الجدول السابق نجد أن التالي‪:‬‬

‫العامل األول‪ :‬ويفسر ‪ %47.861‬ويضم المتغيرات التالية‪:‬‬

‫‪ -1‬سنوات الزواج‬
‫‪ -2‬عدد األطفال‬
 ‫‪ -3‬العمر‬

‫العامل الثاني‪ :‬ويفسر ‪ %27.257‬ويضم المتغيرات التالية‪:‬‬

‫‪ -1‬الراتب‬
‫‪ -2‬عدد بطاقات االئتمان‬

‫إن الجدول السابق يوضح مقدار وقوة العالقة ما بين العوامل قبل التدوير وبعده‪.‬‬