Faktör Analizi
- Ortaya koyan
- Louis Leon Thurstone
- Yıl
- 1931
- Tür
- Method
- Aile
- dimension-reduction
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Faktör analizi, Louis Leon Thurstone tarafından 1930'larda geliştirilen ve Jöreskog (1969) tarafından biçimlendirilen, gözlemlenen değişkenlerin altında yatan gizil (gözlemlenmeyen) boyutları belirlemeye yönelik istatistiksel bir tekniktir.
Keşfedici faktör analizi (EFA) verilerden bilinmeyen faktör yapısını keşfeder; doğrulayıcı faktör analizi (CFA) ise gözlemlenen ve gizil değişkenler arasındaki varsayılan ilişkileri test eder. Psikometri (test geliştirme), örgütsel araştırmalar (liderlik stili gibi yapıları ölçme) ve biyotıp (hastalık alt tiplerini belirleme) alanlarında temel olan faktör analizi, çok değişkenli verilerdeki kavramsal organizasyonu ortaya çıkarırken boyutluluğu azaltır.
Yöntemin mantığı
Gözlemlenen değişkenler (anket maddeleri, ölçümler), doğrudan ölçülemeyen altında yatan gizil yapıların (zeka, depresyon şiddeti, örgütsel iklim) tezahürleridir. Faktör analizi, gözlemlenen değişkenler arasındaki korelasyonların paylaşılan gizil faktörleri yansıttığını varsayar. Matematiksel olarak, bir korelasyon matrisi ortak varyans (faktörler tarafından açıklanan) ve benzersiz varyans (hata ve maddeye özgü etkiler) olarak ayrıştırılır. Keşfedici faktör analizi şu soruyu sorar: Bu korelasyonları en iyi hangi gizil yapı açıklar? Doğrulayıcı faktör analizi ise şu soruyu sorar: Teorik olarak önerilen bir yapı verilere uyuyor mu? Bu, araştırmacıların soyut kavramları ölçmelerini, değerlendirme araçlarını doğrulamalarını ve karmaşık veri kümelerindeki boyutsal organizasyonu anlamalarını sağlar.
Tarih
Charles Spearman (1904), zihinsel yetenekler arasındaki pozitif korelasyonları (genel zeka 'g') açıklamak için faktör analizini tanıttı. Louis Leon Thurstone (1931), çoklu faktörlere genişletti ve döndürme yöntemleri (merkezcil, eksenler) geliştirdi. Karl Jöreskog'un (1969) doğrulayıcı faktör analizi ve yapısal eşitlik modellemesi, gizil değişken modellerinde hipotez testinde devrim yarattı. Kaiser kriteri (Kaiser, 1960), özdeğere dayalı faktör çıkarma işlemini standartlaştırdı. Modern gelişmeler arasında madde tepki teorisi (Rasch, 1960), sağlam tahmin yöntemleri (dağılımdan bağımsız tahmin) ve popülasyonlar veya iç içe geçmiş veriler arasında yapıları karşılaştırmak için çok gruplu/çok seviyeli faktör analizi yer almaktadır.
Ne zaman kullanılır?
EFA'yı, yeni bir ölçüm yapısının boyutsal yapısını keşfederken, ölçekleri iyileştirirken veya önsel bir teori olmaksızın gözlemlenen değişkenler arasındaki ilişkileri anlamak için kullanın. Psikolojik değerlendirme: yeni depresyon taraması için madde seçimi, liderlik değerlendirme ölçeği. Biyotıp: semptom korelasyonlarından hastalık alt tiplerini belirleme. CFA'yı, daha önce geliştirilmiş ölçekleri doğrulamak, teorik ölçüm modellerini test etmek veya rakip faktör yapılarını karşılaştırmak için kullanın. Psikolojide yaygın: bir yapının tek boyutlu ve çok boyutlu modelini doğrulama. Ayrıca CFA'yı, gizil değişkenleri sonuçlara bağlayan daha büyük yapısal eşitlik modellerinin ölçüm kısmı olarak kullanın.
Sınırlar ve dikkat edilmesi gerekenler
- EFA sonuçları örnekleme bağlıdır; faktör yapısı yeni örneklemde tekrarlanmayabilir. Bulguları her zaman çapraz doğrulayın veya bağımsız örneklemde doğrulayıcı faktör analizi kullanın.
- Değişkenler ve faktörler arasındaki doğrusal ilişkileri varsayar; doğrusal olmayan veya eşik etkileri tespit edilemez.
- Yorumlama özneldir: benzer özdeğer yapısı ve döndürmeler farklı yorumlara yol açabilir. Birden fazla çözüm verilere eşit derecede iyi uyabilir.
- Kararlı tahminler için büyük örneklemler gerektirir: genel kural n > 5 × değişken sayısı; küçük örneklemler (n < 100) kararsız, tekrarlanamayan faktörler üretir.
- CFA, ölçüm modelinin önsel olarak doğru olduğunu varsayar; gerçek yapı farklıysa, model uyum ölçümleri yanlış belirtilmeyi (yerel minimumlar, eşdeğer modeller) tespit etmeyebilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Boyut azaltma: çok sayıda gözlemlenen değişken, daha az sayıda yorumlanabilir gizil faktöre sıkıştırılarak analiz ve iletişimi basitleştirir.
- Gizil yapıları ortaya çıkarır: doğrudan gözlemlenemeyen soyut kavramların (zeka, kişilik, örgütsel kültür) ölçülmesini sağlar.
- Test geliştirme için istatistiksel temel: psikolojik ve eğitsel değerlendirmeler için geçerlilik kanıtlarını destekler; CFA ölçüm modellerini resmi olarak doğrular.
- Esnek: ikili, sıralı ve sürekli verileri barındırır; CFA'da tam bilgi en çok olabilirlik (FIML) yoluyla eksik verileri işler.
- Karmaşık modellere genişler: gizil değişkenleri sonuçlara bağlayan yapısal eşitlik modellemesi için temel oluşturur, aracılık ve moderasyon testlerine olanak tanır.
Uygulama alanları
- Psikolojik test geliştirme: klinik ölçekler (depresyon, anksiyete), kişilik envanterleri (Beş Büyük), bilişsel yetenek testleri oluşturma ve doğrulama; geçerlilik kanıtları oluşturma.
- Örgütsel araştırma: iş tatmini, örgütsel bağlılık, liderlik stili gibi yapıları ölçme; karmaşık kavramların çok boyutlu doğasını doğrulama.
- Yaşam kalitesi değerlendirmesi: sonuç ölçümü için birçok sağlıkla ilgili maddeyi yorumlanabilir boyutlara (fiziksel, zihinsel, sosyal işlevsellik) indirme.
- Eğitim değerlendirmesi: müfredat değerlendirmeleri geliştirme, üniversite giriş sınavlarının geçerliliğini oluşturma, kavramsal kapsamı korurken madde havuzlarını azaltma.
- Biyotıp araştırması: semptom/genetik belirteç korelasyonlarından (endotipler) farklı hastalık fenotiplerini belirleme, yüksek boyutlu genomik verileri yorumlanabilir gizil boyutlara indirme.
Nasıl çalışır?
Nasıl çalışır?
Çok sayıda gözlemlenen değişken (tipik olarak >5) ve yeterince büyük bir örneklemden (genel kural: n > değişken sayısı × 5, veya mutlak minimum n ≥ 100; ideal olarak n > 200) veri toplayarak keşfedici veya doğrulayıcı faktör analizi uygulayın. EFA için: faktör yapısı hakkında önsel bir hipotez olmaksızın veri toplayın; değişkenler makul ölçüde birbiriyle ilişkili olmalıdır (korelasyon matrisini kontrol edin; tüm korelasyonlar < 0.3 ise faktörlerin olası olmadığı anlamına gelir). Örneklem yeterliliğini değerlendirin: Kaiser-Meyer-Olkin (KMO) testi, korelasyonların büyüklüğünü kısmi korelasyonlarla karşılaştırır; KMO > 0.6 kabul edilebilir, > 0.7 iyidir. Bartlett'in küresellik testi anlamlı olmalıdır (p < 0.05), bu da korelasyonların birim matristen farklı olduğunu gösterir. CFA için: teoriye ve önceki araştırmalara dayanarak önsel olarak varsayılan bir faktör yapısı belirtin.
Keşfedici faktör analizi için: faktörleri eksen faktörleştirme (PAF) veya en çok olabilirlik (ML) yöntemleriyle çıkarın. Kaiser kriteri: özdeğerleri > 1 olan faktörleri tutun. Scree grafiği: özdeğerleri azalan sırada çizin; dirseğin öncesindeki faktörleri tutun (azalan getiriler). Paralel analiz: özdeğerleri rastgele verilerden elde edilenlerle karşılaştırın; rastgele eşiği aşan faktörleri tutun. Faktörleri yorumlanabilirliği artırmak ve basit yapıyı (her değişkenin tek bir faktöre güçlü yüklenmesi) elde etmek için döndürün (varimax = dik/ilişkisiz, oblimin = eğik/ilişkili). Faktör yüklerini (değişkenler ve faktörler arasındaki korelasyonlar) raporlayın: tipik olarak |yük| > 0.4 önemli kabul edilir; yükler > 0.7 güçlüdür. Komünaliteleri hesaplayın: her değişkenin varyansının faktörler tarafından açıklanan oranı; düşük komünaliteler (<0.3) o değişken için zayıf uyum önerir. Doğrulayıcı faktör analizi için: varsayılan modeli yapısal eşitlik modellemesi (SEM) yazılımı kullanarak uydurun. Model uyum indekslerini raporlayın: CFI (Karşılaştırmalı Uyum İndeksi) > 0.95, TLI (Tucker-Lewis İndeksi) > 0.95, RMSEA (Yaklaşım Karekök Ortalama Hata) < 0.06, SRMR (Standartlaştırılmış Karekök Ortalama Hata Karesi) < 0.08 (Hu & Bentler, 1999).
EFA'da, hangi değişkenlerin her faktöre yüksek yüklendiğini inceleyerek gizil faktörleri tanımlayın; değişken içeriğine göre faktörü kavramsal olarak yorumlayın. Örneğin, üzüntü, umutsuzluk ve anhedoni ile ilgili maddeler bir faktöre >0.6 yükleniyorsa, bunu 'depresyon' olarak etiketleyin. Açıklanan faktör varyanslarını raporlayın: faktör başına varyans, karelenmiş yüklerin toplamının değişken sayısına bölünmesiyle elde edilir × %100; faktörler arasındaki toplam, genel uyumu gösterir. Her faktör içindeki güvenilirlik: o faktöre yüklenen değişkenler üzerinde Cronbach'ın alfa katsayısını (≥0.70 kabul edilebilir, ≥0.80 iyi) hesaplayın. CFA'da, standartlaştırılmış faktör yüklerini inceleyin (hepsi > 0.4, ideal olarak > 0.6 olmalıdır); anlamsız yükler, maddelerin yapıyı zayıf ölçtüğünü gösterir. Model uyum indeksleri: tüm kriterleri karşılamak (CFI > 0.95, RMSEA < 0.06) önerilen modeli destekler. Modifikasyon indeksleri alternatif yolları önerir; ancak, verilere dayalı model ayarlamaları (post-hoc) model geçerliliğini tehlikeye atar - değiştirilmiş modelleri test etmek için çapraz doğrulama örneklemleri kullanın. Her gözlemlenen değişken için gizil değişken tarafından açıklanan varyansı (R²) raporlayın.
Sık yapılan hatalar
- Küçük örneklemlerle veri güdümlü EFA: şansa dayalıdır; yeni örneklemde tekrarlanabilirlik zayıftır. Her zaman EFA'yı keşif örnekleminde yapın ve tutma örnekleminde doğrulayın.
- Sadece Kaiser kriterine (özdeğer > 1) dayanarak faktör çıkarma; scree grafiği ve paralel analiz ek rehberlik sağlar ve genellikle daha az faktör önerir.
- Yorumlanamayan faktörleri tutma: bir faktör kavramsal olarak etiketlenemiyorsa veya kavramsal olarak ilgisiz yüklemeler içeriyorsa, yorumlamaya zorlamak yerine onu kaldırmayı düşünün.
- CFA model belirleme hataları: faktör yapısını yanlış belirlemek, teorik olarak ilgili yolları atlamak veya gerekçe olmaksızın ilişkili hatalara izin vermek geçerliliği tehlikeye atar.
- Faktör yükü büyüklüğünü yanlış yorumlama: yükler korelasyonlardır, regresyonlar değil; 0.5'lik bir yük, değişken varyansının yalnızca %25'ini açıklar (R² = 0.5²).
- Uygun olmayan döndürme kullanma: varimax (dik) ilişkisiz faktörleri zorlar; oblimin (eğik) korelasyonlara izin verir. Teoriye göre seçin; dik döndürme genellikle gerçekçi değildir.
Sık sorulan sorular
Keşfedici ve doğrulayıcı faktör analizi arasındaki fark nedir?
Keşfedici faktör analizi (EFA), önsel teori olmadan verilerden gizil yapıyı keşfeder; kaç faktör olacağına ve hangi değişkenlerin hangi faktörlere yükleneceğine verilerin rehberlik etmesine izin verirsiniz. EFA'yı yeni bir yapı veya ölçeği araştırırken kullanın. Doğrulayıcı faktör analizi (CFA), teoriye ve önceki araştırmalara dayanarak analizden önce belirtilen varsayılan bir faktör yapısını test eder. CFA resmi uyum testleri sağlar ve istatistiksel olarak daha titizdir. Standart uygulama: modeli önermek için eğitim örnekleminde EFA yapın, ardından bağımsız test örnekleminde CFA ile doğrulayın (veya çapraz doğrulama kullanın). CFA doğrulama için kullanılan aynı örneklemde asla EFA yapmayın.
Kaç faktör çıkarmalıyım? Scree grafiği bana ne anlatıyor?
Faktör çıkarma birden fazla kritere göre yönlendirilir: (1) Kaiser kriteri (özdeğer > 1) gelenekseldir ancak genellikle çok fazla faktör önerir. (2) Scree grafiği: özdeğerler azalan sırada çizilir; dirseğin öncesindeki faktörleri tutun (azalan getirilerin başladığı nokta). 'Scree' dirsekten sonraki eğimdir. (3) Paralel analiz: ampirik özdeğerleri rastgele permütasyonlardan elde edilenlerle karşılaştırın; yalnızca rastgele taban çizgisini aşan faktörleri tutun. Paralel analiz istatistiksel olarak en savunulabilir olanıdır. (4) Yorumlanabilirlik: yalnızca kavramsal olarak etiketleyip açıklayabileceğiniz faktörleri tutun. Farklı kriterler genellikle farklı sayılar verir; birden fazla yönteme ve teoriye danışın.
0.6'lık bir faktör yükü ne anlama gelir ve bir güvenilirlik katsayısından nasıl farklıdır?
0.6'lık bir faktör yükü, gözlemlenen bir değişken ile gizil bir faktör arasındaki korelasyondur; bu değişkenin o faktörü ölçmeye katkıda bulunduğunu gösterir. Karelenmiş yük (0.6² = 0.36), faktör tarafından açıklanan değişken varyansının oranıdır. Yükler > 0.4 minimum kabul edilebilir; > 0.6 güçlüdür. Güvenilirlik katsayısı (Cronbach'ın alfa, tipik olarak ≥0.70), iç tutarlılığı ölçer: aynı yapıyı ölçen birden fazla değişkenin birbirleriyle ne ölçüde ilişkili olduğu. Yük, gizil faktörle ilişkiyi gösterir; alfa, değişkenlerin birlikte tek bir yapıyı tutarlı bir şekilde ölçüp ölçmediğini gösterir. Her ikisi de önemlidir: yüksek yükler ve yüksek alfa birlikte homojen bir gizil boyutu destekler.
Düşük komünaliteleri olan değişkenlerle nasıl başa çıkarım?
Komünalite, bir değişkenin varyansının tüm faktörler tarafından açıklanan oranıdır (faktörler boyunca karelenmiş yüklerin toplamı). Düşük komünaliteler (<0.3), değişkenin faktörler tarafından zayıf temsil edildiğini gösterir, çünkü: (1) faktör modelinin yakalamadığı benzersiz bir yapıyı ölçer, (2) güvenilmez/gürültülüdür veya (3) faktör çözümü yanlıştır. Seçenekler: değişkeni kaldırmak (teorik olarak gerekçelendirilmişse modeli basitleştirir), faktör eklemek (aşırı uyuma neden olabilir) veya değişkenin gerçekten ölçeğe ait olup olmadığını araştırmak. Madde içeriğini her zaman inceleyin; bazen düşük komünalite, kavramsal uyumsuzluktan ziyade kötü yazılmış bir maddeyi yansıtır.
İlgili yöntemler
Kaynaklar
Thurstone, L. L. (1947). Multiple Factor Analysis. University of Chicago Press.
DOI kaynağını açKopyalandı.Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
DOI kaynağını açKopyalandı.Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20(1), 141–151.
DOI kaynağını açKopyalandı.