Upload
alfaistatistik
View
152
Download
2
Embed Size (px)
Citation preview
1
Ölçek Geliştirme:
AFA - DFA
Alfaistatistik (2015)
2
Faktör Analizi
Alfaistatistik (2015)
3 Faktör AnaliziGiriş
Faktör analizi özellikle ölçek geliştirme ya da uyarlama çalışmalarında
kullanılan ve araştırmacıya ölçeğin psikometrik bir özelliği olan yapı
geçerliği hakkında kanıt sağlayan bir analizdir (Çokluk, Şekercioğlu ve
Büyüköztürk, 2010).
Alfaistatistik (2015)
4 Faktör AnaliziGiriş
Guilford 1946 yılında aşağıdaki ifadeleri kullanmıştır (Akt. Thompson, 2004:18):
«Bence geçerlilik iki türlüdür… Birincisi, bir teste ait genel, anlamlı ve başat faktörlerin verildiği faktör geçerliliğidir. Bu tür geçerlilik tam olarak “bu test ölçmeyi amaçladığı şeyi mi ölçüyor?” ya da daha uygun bir şekli ile “bu test neyi ölçüyor?” sorusu içindir. Bu soruların yanıtı faktörler bağlamında verilmelidir.
…Tahmin ediyorum ki, her test geliştiricisinden, testine ait faktör yapısı bilgilerini sunmasının beklendiği günler gelecektir.»
Alfaistatistik (2015)
5 Faktör AnaliziGiriş
Açımlayıcı Faktör Analizi
Doğrulayıcı Faktör Analizi
Alfaistatistik (2015)
6
Açımlayıcı Faktör Analizi-AFA-
Alfaistatistik (2015)
7 AFAAmaç
Faktör analizi çeşitli amaçlara hizmet etmektedir:
1. Boyut indirgemek diğer bir deyişle değişken (madde) sayısını azaltmak.
2. Maddeler altında yatan gizil yapıları belirlemek, ortaya çıkarmak.
Örneğin 30 maddelik bir test olsun. Faktör analizi, araştırmacıya bu 30
maddenin tek bir başat yapıyı mı yoksa birden fazla yapıyı mı ölçtüğü
hakkında bilgi verir (Alpar, 2011; DeVellis, 2003).
Alfaistatistik (2015)
8 AFAAmaç
Alfaistatistik (2015)
9 AFAVerilerin Hazırlanması: Örneklem Büyüklüğü
Faktör analizinde gizil yapıların ortaya çıkarılabilmesi için her bir madde
(değişken) arasındaki korelasyon değerleri hesaplanır ve buna göre bir
korelasyon matrisi oluşturulur. Korelasyon değerleri küçük
örneklemlerden elde edildiğinde daha az güvenilirdir. Bu nedenle faktör
analizi için örneklem büyüklüğünün seçimi büyük önem taşımaktadır.
Alfaistatistik (2015)
10 AFAVerilerin Hazırlanması: Örneklem Büyüklüğü
Bununla birlikte faktör yük değeri .80 ve üzeri elde edildiğinde örneklem büyüklüğü için
alt sınırların genellikle dikkate alınmadığı (ör: 50 kişilik bir örneklemin bile kabul
edilebileceği) belirtilmiştir (Akt. Tabachnick ve Fidell, 2007).
Örneklem Büyüklüğü
Düzey
50 Çok zayıf
100 Zayıf
200 Orta
300 İyi
500 Çok iyi
Alfaistatistik (2015)
11
Örneklem büyüklüğünün uygunluğuna karar vermenin bir diğer yolu
Kaiser-Meyer-Olkin (KMO) testidir.
KMO değerinin .60’ın üzerinde olması beklenir (Şencan, 2005;
Tabachnick ve Fidell, 2007).
AFAVerilerin Hazırlanması: Örneklem Büyüklüğü
Alfaistatistik (2015)
12
Faktör analizinde, maddeler arasındaki korelasyon matrisi dikkate
alındığından kayıp verilerin analiz edilmesi oldukça önemlidir. Veriler
analize hazırlanırken kayıp değerlerin incelenerek; kayıp değerlerin
tahmin edilmesi, kayıp değerlerin bulunduğu satırın veri setinden
çıkarılması ya da kayıp veri korelasyon matrisinin oluşturulması
önerilmektedir (Çokluk, Şekercioğlu ve Büyüköztürk, 2010).
AFAVerilerin Hazırlanması: Kayıp Değerler
Alfaistatistik (2015)
13
Neredeyse tüm parametrik testler, veri setinin çok değişkenli normal bir
dağılımdan elde edildiğini varsaymaktadır. Bununla birlikte çok
değişkenli normallik varsayımının test edilmesi çok daha karmaşık ve
zordur. Bu nedenle tek boyutlu normallik tartışmaları başlamıştır
(Sharma, 1996).
Gnanadesikan (1977), çok boyutlu normalliğin, tek boyutlu normallik
testleri ile tespit edilemediği durumların oldukça ender olduğunu ifade
etmiştir.
AFAVerilerin Hazırlanması: Normallik
Alfaistatistik (2015)
14 AFAVerilerin Hazırlanması: Normallik ve Doğrusallık
Faktör analizinde normallik varsayımını test etmek için Bartlett küresellik
testi kullanılmaktadır. Bu test bir χ2 istatistiğidir ve χ2 istatistiklerinin
doğası gereği örneklem büyüklüğüne bağlıdır. Dolayısıyla büyük
örneklemler ile çalışıldığında Bartlett testinin sonucunun
yorumlanmasında dikkatli olunmalıdır (Çokluk, Şekercioğlu ve
Büyüköztürk, 2010; Tavşancıl, 2005).
Alfaistatistik (2015)
15 AFAVerilerin Hazırlanması: Doğrusallık
Faktör analizi için gerekli korelasyon değerlerinin hesaplanabilmesi için
maddeler arasındaki ilişkilerin doğrusal olması gerekmektedir. Doğrusal
olmayan ilişkiye sahip maddeler arasında hesaplanacak korelasyon
değerleri olduğundan daha düşük çıkma eğilimi gösterecektir (Kalaycı,
2009).
Alfaistatistik (2015)
16 AFAVerilerin Hazırlanması: Doğrusallık
Doğrusallık, saçılım diyagramları ile incelenebilir (Tabachnick ve Fidell,
2007); aynı zamanda çok değişkenli normallik varsayımının sağlanması
maddeler arasındaki ilişkinin doğrusal olduğuna işaret etmektedir
(Çokluk, Şekercioğlu ve Büyüköztürk, 2010).
Alfaistatistik (2015)
17
Çoklu bağlantılılık ve tekillik maddeler arasındaki korelasyon değerleri çok
büyük olduğunda ortaya çıkmaktadır. İki madde arasındaki korelasyonun .90’dan
büyük olması bu maddeler arasında çoklu bağlantılılık olduğu söylenir. Tekillik
ise bir maddenin, iki ya da daha fazla maddenin birleşimi olduğu anlamına gelir
ve bu madde gereksizdir (Tabachnick ve Fidell, 2007).
Şencan (2005) ise tekilliğin iki madde arasındaki korelasyonun 1.00 olması
durumu olarak tanımlamıştır.
AFAVerilerin Hazırlanması: Çoklu Bağlantılılık ve Tekillik
Alfaistatistik (2015)
18
Veri setindeki tek bir maddede yer alan aşırı değer / uçdeğer (extreme
value) tek değişkenli uçdeğer iken, veri setinde iki ya da daha fazla
maddede yer alan olağan dışı yanıt örüntüsü çok değişkenli uçdeğerdir
(Tabachnick ve Fidell, 2007).
AFAVerilerin Hazırlanması: Uç Değerler
Alfaistatistik (2015)
19
Çok değişkenli uçdeğerleri saptamak için bireyin ölçekten ya da testten aldığı toplam
puan ile işlem yapılır ve daha sonra mahalonobis uzaklığı hesaplanarak, bu uzaklığın χ2
dağılımına göre manidar olup olmadığı incelenir. Manidar çıkan değerler ise uçdeğer
olarak adlandırılır.
Tek değişkenli uçdeğerlerin belirlenmesinde ise toplam puan yerine maddeler üzerinden
işlem yapılır. Ancak bu noktada ham puanların standart z puanına dönüştürülür ve ±3
sınırı dışında kalan değerler uçdeğer olarak adlandırılır (Çokluk, Şekercioğlu ve
Büyüköztürk, 2010).
AFAVerilerin Hazırlanması: Uç Değerler
Alfaistatistik (2015)
20
Uçdeğerler belirlendikten sonra; değerler üzerinde düzeltme yapılabilir.
Örneğin, veri girişi sırasında 4 yerine 34 ya da 44 girilmişse, bu değer
uygun bir şekilde düzeltilebilir. Bir diğer seçenek ise uçdeğere sahip
satırın (bireyin) veri setinden çıkarılmasıdır (Basilevsky, 1994).
AFAVerilerin Hazırlanması: Uç Değerler
Alfaistatistik (2015)
21 AFAVerilerin Analizi: Faktörlerin Çıkarılması
Temel Bileşenler Analizi
Ortak Faktör Analizi
En çok olabilirlik yöntemi
Temel eksen faktörleştirme yöntemi
Alfa faktörleştirme yöntemi
Görüntü faktörleştirme yöntemi
Alfaistatistik (2015)
22 AFAFaktörlerin Çıkarılması: Temel Bileşenler Analizi
Temel bileşenler analizi, elindeki çok sayıda değişkeni (madde) daha az
sayıdaki bileşene indirgemek isteyen araştırmacılar için bir çözüm sunar
(Tabachnick ve Fidell, 2007).
Temel bileşenler analizinde veri setine ait toplam varyans dikkate alınır.
Her maddeye ait toplam varyans, o maddenin kendisi ile olan
korelasyonudur ve bu korelasyon değeri de 1.00’a eşittir (Alpar, 2011).
Alfaistatistik (2015)
23 AFAFaktörlerin Çıkarılması: Ortak Faktör Analizi
Ortak faktör analizi temel bileşenler analizinden farklı olarak ortak
varyansı tahmin eder. Tahmin etme işlemi bir temel bileşenler analizi ile
başlar ve daha sonra tekrarlı işlemler yapılır. Bu tekrarlı işlemler her
durumda ortak varyansa yakınsamayabilir (converge) (Thompson,
2004).
Alfaistatistik (2015)
24 AFAFaktörlerin Çıkarılması: Ortak Faktör Analizi
Ortak varyansın kestirimi sırasında maddeye ait toplam varyans, ortak
varyans ve özel varyans olarak ikiye ayrılır. Özel varyans, maddenin
kendisine özgü varyansı ve maddeye ait hata varyansıyken, ortak
varyans bir maddenin diğer maddelerle ilgili varyans oranıdır. Ortak
faktör analizinin, ortak varyansı kullanma nedeni ise çok sayıda madde
ile ortak bir faktör yapısı tanımlama çabasıdır (Alpar, 2011).
Alfaistatistik (2015)
25 AFAFaktörlerin Çıkarılması: TBA vs. OFA
Temel Bileşenler Analizi Ortak Faktör Analizi
Maddeleri bir araya getirerek ortak bir ölçüm ortaya çıkarmayı amaçlar.
Gizil yapıları ortaya çıkarmayı amaçlar.
Analiz sonucu elde edilen faktörler, basit geometrik soyutlamalardır.
Faktörler gerçek dünyada görülen kavramlardır.
Korelasyon matrisi kullanılır. Kovaryans matrisi kullanılır.
Genellikle test ve ölçek geliştirme çalışmalarında kullanılır.
Genellikle kuram geliştirme çalışmalarında kullanılır.
Hata varyansının düşük olduğu verilerde (eğitim yılı vb.)
Hata varyansının yüksek olduğu verilerde (tutum vb.)
Alfaistatistik (2015)
26 AFAVerilerin Analizi: Eksen Döndürme
Faktör / eksen döndürmenin temel amacı, isimlendirilebilir ve
yorumlanabilir faktörler elde etmektir (Kalaycı, 2009).
Döndürme işlemi iki ya da daha fazla faktör olduğunda uygulanır ve
döndürme sonucunda maddeler bir faktör ile yüksek yük değeri verirken,
kalan faktörlerle sıfıra yakın yük değerleri vermeye başlar (Brown,
2006).
Bu durum da faktör analizinin yorumlanmasını kolaylaştırmaktadır.
Alfaistatistik (2015)
27 AFAVerilerin Analizi: Eksen Döndürme
Döndürme yöntemleri temelde ikiye ayrılır. Eksenlerin 90o açı ile
döndürüldüğü dik (orthogonal) döndürme ve eksenlerin 90o dışındaki
açılarla döndürüldüğü eğik (oblique) döndürme yöntemleri.
Dik döndürme yöntemleri birbiri ile ilişkisiz faktörler oluştururken, eğik
döndürme yöntemi ile oluşturulan faktörler birbirleri ile ilişkilidir (Kalaycı,
2009; Tabachnick ve Fidell, 2007).
Alfaistatistik (2015)
28
Varimax yönteminde her faktördeki bazı yük değerleri 1’e, geriye kalan
faktörler içinse yük değerleri 0’a yaklaştırılır. Bu yöntem Kaiser
tarafından önerilmiştir (Çokluk, Şekercioğlu ve Büyüköztürk, 2010).
Equamax yöntemi ise Varimax ve Quartimax yöntemlerinin birlikte
kullanıldığı melez bir yöntemdir (Çokluk, Şekercioğlu ve Büyüköztürk,
2010).
AFAEksen Döndürme: Dik Döndürme
Alfaistatistik (2015)
29
Quartimax yöntemi, yapı iki faktörlü olduğunda en iyi sonucu
vermektedir. Bununla birlikte, bir maddenin bir faktör altındaki yükünü
en yüksek, diğer faktörler altındaki yükünü ise en düşük değere
getirmeyi amaçlar. Varimax’ın faktörler için yaptığını, Quartimax
maddeler için yapar ve maddeleri sadeleştirir (Çokluk, Şekercioğlu ve
Büyüköztürk, 2010; Tabachnick ve Fidell, 2007)
AFAEksen Döndürme: Dik Döndürme
Alfaistatistik (2015)
30
Direct oblimin yönteminde eksenler 90 derece dışındaki bir açıyla
döndürülür. Bu yöntem, faktörlerin birbirleri ile ilişkili olmasına izin verir.
Promax yöntemi en çok kullanılan eğik döndürme yöntemidir. Direct
oblimin yöntemine göre daha hızlı hesaplama yaptığından büyük veri
gruplarında kullanılması önerilmiştir. Başlangıçta düşük olan faktör yükleri
ve başlangıçta yüksek olan faktör yüklerinin arasındaki farkı daha da
belirginleştirir (Şencan, 2005).
AFAEksen Döndürme: Eğik Döndürme
Alfaistatistik (2015)
31 AFAVerilerin Analizi: Faktör Sayısına Karar Verme
Özdeğer (eigenvalue) kriteri
Scree test grafiği
Alfaistatistik (2015)
32 AFAVerilerin Analizi: Faktör Sayısına Karar Verme
Alfaistatistik (2015)
33DFA (Doğrulayıcı Faktör Analizi)
Alfaistatistik (2015)
34 DFA:Tanım
DFA, ilk olarak Jöroskog (1969) tarafından yapı geçerliği çalışmalarında
kullanılmak üzere geliştirilmiştir.
DFA, kuramsal yapı ile ölçülen yapının ne derece uyumlu olduğunu
incelemek için kullanılan istatistiksel bir tekniktir (Harrington, 2009).
Alfaistatistik (2015)
35 DFA:Amaç
DFA’nın Brown (2006)’a göre dört, Harrington (2009)’a göre ise üç temel
amaç için kullanımı söz konusudur.
Ölçme araçlarının psikometrik özelliklerinin belirlenmesi
Yöntem etkileri
Ölçme değişmezliğinin incelenmesi
Alfaistatistik (2015)
36 DFA:Model Bileşenleri
𝑋𝑖: Gözlenen Değişken
𝛿 (Delta): Hata Varyans-Covaryans
𝜆𝑥 (Lambda-X): Faktör Yükü
ξ (Ksi): Gizil Değişken
ϕ (Phi): Gizil Değişkenler Arasındaki İlişki (Faktör
Varyans-Covaryans)
Alfaistatistik (2015)
37 DFA:Sınıflandırma
DFA, kurulan modele bağlı olarak (Şimşek, 2007);
Birinci düzey (Ölçüm Modeli)
İkinci düzey (Yapısal Model)
Alfaistatistik (2015)
38 DFA:Sınıflandırma
Birinci düzey DFA;
Alfaistatistik (2015)
39 DFA:Sınıflandırma
İkinci düzey DFA;
Alfaistatistik (2015)
40 DFA:Hipotez Testi ve Parametre Kestirimi
DFA ile yapılan istatistiksel analiz temelde bir hipotez testidir. Buna göre;
Beklenen ve gözlenen kovaryans matrisleri farklı değildir.
Beklenen ve gözlenen kovaryans matrisleri farklıdır.
DFA’da parametre kestirimlerinde genellikle MLE kullanılmaktadır (Yılmaz ve Çelik, 2009).
∑ (θ) (beklenen kovaryans matrisinin) geçerliliği için
S (gözlenen kovaryans matrisinin) olabilirliğini en büyükleyen
θ parametrelerine göre kestirim yapmaktadır.
Alfaistatistik (2015)
41
Kaynak: Kline, 2011
DFA:İşlem Adımları
Alfaistatistik (2015)
42 DFA:Varsayımlar
DFA için yeterli örneklem büyüklüğüne sahip veri setinin analiz için
hazırlanması gerekmektedir.
Uç değerlerin temizlenmesi ve kayıp verilerin doldurulması
DFA için en önemli varsayım çok değişkenli normallik varsayımıdır
(Şimşek, 2007; Yılmaz ve Çelik, 2011).
Alfaistatistik (2015)
43 DFA:İndeksler ve Yorumlar
Alfaistatistik (2015)
44 DFA:İndeksler ve Yorumlar
Alfaistatistik (2015)
45 DFA:İndeksler ve Yorumlar
Alfaistatistik (2015)