Açımlayıcı faktör analizi (AFA) nasıl yapılır?

Açımlayıcı faktör analizi (AFA), çok sayıda maddenin arkasında yatan az sayıdaki ortak boyutu veriden keşfetmeye yarayan istatistiksel yöntemdir. Yeni geliştirilen ya da yapısı bilinmeyen ölçeklerde kullanılır.

Yapının ne olduğunu bilmiyorsanız AFA, biliyor ve sınamak istiyorsanız doğrulayıcı faktör analizi (DFA) yaparsınız. Bu ayrımı karıştırmak tezlerde sık rastlanan bir yöntem hatasıdır.

Kaç katılımcı gerekir?

Tek bir doğru sayı yok; alan yazında birkaç ölçüt birlikte kullanılır:

• Madde başına katılımcı oranı: 5:1 alt sınır, 10:1 rahat kabul gören oran. 20 maddelik bir ölçek için 100-200 kişi.
• Mutlak sayı: 150 altı riskli, 300 civarı "iyi", 500 üzeri "çok iyi" biçiminde tanımlanır.
• Veri kalitesi ölçütü: Faktör yükleri yüksekse (.70 üzeri) ve her faktörde yeterli madde varsa daha küçük örneklemle de kararlı sonuç alınabilir.

Pratikte tez örneklemlerinde 200-300 arası bir sayı hedeflemek makuldür. Kendi sayınızı örneklem hesaplayıcımızdan planlayabilir, katılımcı bulmak için katılımcı bulma rehberimize bakabilirsiniz.

Adım 1 — Veri uygunluğunu kontrol edin

Analize başlamadan önce verinin faktör analizine uygun olup olmadığına bakılır.

KMO (Kaiser-Meyer-Olkin) örneklem yeterliliği ölçüsü: 0-1 arasında değer alır. Yaygın yorumlama:

• .90 üzeri: mükemmel
• .80 – .90: çok iyi
• .70 – .80: iyi
• .60 – .70: orta
• .50 – .60: zayıf
• .50 altı: kabul edilemez, analiz yapılmaz

Bartlett küresellik testi: Anlamlı çıkmalıdır (p < .05). Anlamsız çıkarsa maddeler arasında faktör analizini haklı çıkaracak kadar ilişki yok demektir.

Ayrıca korelasyon matrisine göz atın: hiçbir madde diğerleriyle .30 üzeri korelasyon vermiyorsa o madde analize katkı sağlamaz.

Adım 2 — Faktör çıkarma yöntemini seçin

SPSS'in varsayılanı temel bileşenler analizidir (PCA) ve Türkiye'deki tezlerde en sık kullanılan budur. Ancak teknik olarak PCA bir faktör analizi değil, veri indirgeme yöntemidir.

Ölçeğin arkasındaki gizil (latent) yapıyı keşfetmek istiyorsanız temel eksen faktörleme (principal axis factoring) ya da maksimum olabilirlik (maximum likelihood) yöntemi kuramsal olarak daha uygundur. Maksimum olabilirlik ayrıca uyum testi verir, ancak çok değişkenli normallik varsayar.

Uygulamada iki yöntem çoğu zaman benzer sonuç verir. Hangisini kullandığınızı yöntem bölümünde açıkça yazın ve gerekçelendirin.

Adım 3 — Kaç faktör alınacağına karar verin

Bu, AFA'nın en kritik kararıdır. Birden fazla ölçüte birlikte bakın:

• Özdeğer > 1 (Kaiser ölçütü): SPSS'in varsayılanı. Kolaydır ama faktör sayısını fazla tahmin etme eğilimindedir. Tek başına kullanmayın.
• Yamaç birikinti (scree) grafiği: Eğrinin dirsek yaptığı noktadan önceki faktörler alınır. Yoruma açıktır ama kullanışlıdır.
• Paralel analiz: Rastgele üretilmiş verinin özdeğerleriyle karşılaştırma yapar. Alan yazında en isabetli yöntem olarak gösterilir. SPSS'te doğrudan yok, makro ile yapılır; jamovi ve JASP'ta hazır gelir.
• Kuramsal beklenti: Ölçek üç boyutlu tasarlandıysa üç faktörlü çözümü de deneyin ve yorumlanabilirliğine bakın.
• Açıklanan toplam varyans: Sosyal bilimlerde %40-60 arası kabul edilebilir sayılır; tek faktörlü yapılarda %30 üzeri yeterli görülebilir.

Karar verirken sayısal ölçüt kadar yorumlanabilirlik de önemlidir. İstatistiğin önerdiği dört faktörden biri anlamlı bir kavrama karşılık gelmiyorsa o çözüm iyi bir çözüm değildir.

Adım 4 — Döndürme yöntemini seçin

Döndürme, faktör yüklerini yorumlanabilir hâle getirir. İki aile var:

Dik (orthogonal) döndürme — faktörlerin birbirinden bağımsız olduğunu varsayar. En bilineni Varimax'tır. Çıktısı temiz ve okunması kolaydır.

Eğik (oblique) döndürme — faktörlerin birbiriyle ilişkili olabileceğini kabul eder. En bilinenleri Direct Oblimin ve Promax'tır.

Sosyal bilimlerde ölçülen kavramlar genellikle birbiriyle ilişkilidir (iş doyumunun alt boyutları birbirinden bağımsız değildir), bu yüzden eğik döndürme çoğu durumda daha gerçekçidir. Eğik döndürme uyguladığınızda faktörler arası korelasyon .32'nin altında çıkıyorsa dik döndürmeye geçebilirsiniz.

Eğik döndürmede iki tablo gelir: Pattern Matrix (yorumlama için kullanılır) ve Structure Matrix. Tezde genellikle pattern matrisi raporlanır.

Adım 5 — Maddeleri değerlendirin

Döndürülmüş matriste her madde için şunlara bakın:

• Faktör yükü eşiği: .32 alt sınır olarak anılır, .40 yaygın kabul görür, .50 üzeri güçlüdür. Örneklem büyüdükçe daha düşük yükler anlamlı hâle gelir.
• Binişik (çapraz yüklenen) maddeler: Bir madde iki faktöre birden .32 üzeri yükleniyorsa ve aradaki fark .10'dan azsa madde binişiktir. Genellikle çıkarılır.
• Ortak varyans (communality): .20'nin altındaki maddeler ortak yapıyla çok az ilişkilidir; çıkarılması düşünülür.
• Tek başına kalan faktörler: Bir faktöre yalnızca iki madde yükleniyorsa o faktör kararsızdır. Üç madde alt sınır kabul edilir.

Madde çıkarırken her seferinde bir madde çıkarıp analizi tekrarlayın. Aynı anda beş madde atarsanız hangisinin etkisiyle yapının düzeldiğini bilemezsiniz.

Ve en önemlisi: madde çıkarma kararını yalnızca sayılara dayandırmayın. Kapsam geçerliliği için gerekli bir madde, düşük yük verdi diye atılmamalı — o zaman ölçeğiniz kavramın bir yönünü ölçmez hâle gelir.

Adım 6 — Faktörleri adlandırın

Her faktöre, altındaki maddelerin ortak anlamını yansıtan bir isim verilir. Bu tamamen kuramsal bir iştir; istatistik size isim vermez. Faktör adlarını alan yazınla uyumlu seçerseniz bulgularınız tartışma bölümünde daha kolay konumlanır.

Nasıl raporlanır?

Yöntem ya da bulgular bölümünde şunlar bulunmalı:

Verilerin faktör analizine uygunluğu KMO = .89 ve Bartlett küresellik testi (χ² = 2148.36, sd = 153, p < .001) ile doğrulanmıştır. Temel eksen faktörleme ve direct oblimin döndürmesi kullanılmıştır. Paralel analiz sonucunda üç faktörlü yapıya karar verilmiş, bu yapı toplam varyansın %58,4'ünü açıklamıştır. Faktör yükleri .48 ile .82 arasında değişmektedir. İki faktöre binişik yüklenen 7. madde ölçekten çıkarılmıştır.

Buna ek olarak faktör yüklerini gösteren bir tablo verilir. Tablo düzeni için APA 7 tablo ve şekil yazımıza bakabilirsiniz.

Sık sorulan sorular

AFA ve DFA'yı aynı veride yapabilir miyim? Yapmamalısınız. Aynı veriyle hem yapı keşfedip hem doğrulamak döngüsel bir akıl yürütmedir. Ya iki ayrı veri toplayın ya da örneklemi rastgele ikiye bölün.

PCA mı, temel eksen faktörleme mi? Gizil yapı arıyorsanız temel eksen faktörleme ya da maksimum olabilirlik kuramsal olarak daha uygundur. PCA yaygın olsa da veri indirgeme yöntemidir. Hangisini seçerseniz seçin gerekçesini yazın.

Varimax mı, oblimin mi? Faktörlerin ilişkili olmasını bekliyorsanız (sosyal bilimlerde genellikle böyledir) oblimin. Bağımsız olmalarını bekliyorsanız varimax.

Açıklanan varyans %50'nin altında, sorun mu? Sosyal bilimlerde %40 üzeri çoğu zaman kabul edilir. Düşük varyans tek başına ölçeği geçersiz kılmaz, ancak yorumda dikkatli olun ve sınırlılıklar bölümünde belirtin.

---

AFA ve DFA sürecini sizin adınıza yürütmemizi isterseniz veri analizi hizmetimize bakabilirsiniz.