Doğrulayıcı faktör analizi ve uyum indeksleri

Doğrulayıcı faktör analizi (DFA), önceden belirlenmiş bir faktör yapısının toplanan veriye uyup uymadığını sınayan yöntemdir. Açımlayıcı faktör analizinin aksine yapıyı keşfetmez, var olan yapıyı test eder.

Bir ölçeği başka bir dile, kültüre ya da yaş grubuna uyguluyorsanız DFA neredeyse zorunludur: orijinal çalışmada üç boyutlu olan ölçeğin sizin örnekleminizde de üç boyutlu çalıştığını göstermeniz beklenir.

DFA ne zaman yapılır?

• Uyarlanan ölçeklerde (dil ve kültür uyarlaması)
• Daha önce geliştirilmiş bir ölçeği farklı bir örneklemde kullanırken
• Kendi geliştirdiğiniz ölçeğin AFA'dan çıkan yapısını bağımsız ikinci bir örneklemde doğrularken
• Yapısal eşitlik modellemesinin ölçme modeli aşamasında

Hangi yazılım: AMOS, LISREL, Mplus, R (lavaan paketi), jamovi ve JASP. SPSS tek başına DFA yapmaz; AMOS ayrı bir modüldür.

Kaç katılımcı gerekir?

DFA örnekleme AFA'dan daha aç bir yöntemdir. Yaygın öneriler:

• Kestirilen parametre başına 5-10 gözlem
• Mutlak alt sınır olarak 200 kişi sıkça anılır
• Karmaşık modellerde (çok faktör, çok madde) 300-500 arası

Küçük örneklemde ki-kare testi ve RMSEA kararsız davranır; sonuçlar örneklemden örnekleme değişir.

Uyum indeksleri ve eşik değerleri

DFA çıktısında çok sayıda indeks gelir. Hepsini raporlamak gerekmez; farklı ailelerden birkaçını vermek beklenir.

Ki-kare ve ki-kare / serbestlik derecesi

Ki-kare testi modelin veriye tam uyduğu hipotezini sınar; anlamsız çıkması (p > .05) iyi uyum demektir. Ancak ki-kare örneklem büyüklüğüne aşırı duyarlıdır: 300+ örneklemde neredeyse her zaman anlamlı çıkar. Bu yüzden tek başına kullanılmaz.

Pratikte χ²/sd oranına bakılır:

• 3'ün altı: iyi uyum
• 3-5 arası: kabul edilebilir uyum
• 5 üzeri: zayıf uyum

CFI ve TLI (karşılaştırmalı uyum indeksleri)

Modelinizi, hiçbir ilişkinin olmadığı "boş model" ile karşılaştırır. 0-1 arasında değer alır, yüksek olması iyidir.

• .95 ve üzeri: iyi uyum
• .90 – .95: kabul edilebilir uyum
• .90 altı: yetersiz

TLI (NNFI olarak da geçer) model karmaşıklığını cezalandırdığı için CFI'dan biraz düşük çıkabilir; 1'i aşan değerler görülebilir, bunlar 1 olarak raporlanır.

RMSEA (yaklaşık hataların ortalama karekökü)

Serbestlik derecesini hesaba katan bir hata ölçüsüdür; düşük olması iyidir.

• .05 altı: iyi uyum
• .05 – .08: kabul edilebilir uyum
• .08 – .10: sınırda
• .10 üzeri: zayıf uyum

RMSEA ile birlikte %90 güven aralığını da raporlayın; üst sınırın .08'in altında kalması güçlü bir kanıttır. Küçük örneklem ve az serbestlik derecesinde RMSEA olduğundan kötü çıkma eğilimindedir.

SRMR (standartlaştırılmış artık ortalama karekök)

Gözlenen ve modelin ürettiği korelasyonlar arasındaki ortalama farktır.

• .05 altı: iyi uyum
• .08 altı: kabul edilebilir uyum

GFI ve AGFI

Eski çalışmalarda sık görülür ancak örneklem büyüklüğüne duyarlı oldukları için günümüzde tek başına kullanılmaları önerilmez. Danışmanınız istiyorsa raporlayın, ama CFI/RMSEA/SRMR üçlüsünü de mutlaka verin.

Uyum indeksi eşikleri alan yazında kesin kurallar değil, yol göstericidir. Kaynaklar arasında farklar vardır ve bir indeksin sınırda kalması modeli otomatik olarak geçersiz kılmaz. Bütün indeksleri birlikte değerlendirin ve hangi kaynağın eşiklerini kullandığınızı belirtin.

Faktör yükleri ve diğer çıktılar

Uyum indeksleri iyi olsa bile şunlara bakın:

• Standartlaştırılmış faktör yükleri .50 üzeri olmalı; .70 üzeri güçlüdür. .30'un altındaki maddeler sorgulanır.
• Yükler anlamlı mı? Her yükün kritik oranı (t değeri) 1.96'yı geçmelidir.
• Ortalama açıklanan varyans (AVE) .50 üzeri olmalıdır — yakınsama geçerliliği göstergesi.
• Bileşik güvenilirlik (CR) .70 üzeri olmalıdır.
• Ayrışma geçerliliği: Her boyutun AVE değerinin karekökü, o boyutun diğer boyutlarla korelasyonundan büyük olmalıdır (Fornell-Larcker ölçütü).

Model uymadı, ne yapmalıyım?

Sırayla şunlara bakın:

1. Veriyi kontrol edin. Ters kodlama yapıldı mı? Kayıp veri nasıl işlendi? Aşırı uç değerler var mı? Veri temizleme yazımıza bakın.
2. Normallik varsayımını gözden geçirin. Maksimum olabilirlik kestirimi çok değişkenli normallik varsayar. Ciddi sapma varsa robust ML (MLR) ya da bootstrap kullanın.
3. Düşük yüklü maddeleri inceleyin. .30 altında yüklenen maddeler modeli aşağı çeker.
4. Modifikasyon indekslerine bakın — ama dikkatli. Program size "şu iki hata terimini ilişkilendirirsen uyum artar" der. Bu değişikliği yalnızca kuramsal bir gerekçe varsa yapın: aynı alt boyuttaki, benzer ifadeyle yazılmış iki madde arasında hata kovaryansı savunulabilir; ilgisiz iki madde arasında savunulamaz. Uyumu yükseltmek için körü körüne yapılan modifikasyonlar modeli veriye ezberletir ve başka örneklemde tekrarlanamaz.
5. Yapıyı yeniden düşünün. Belki ölçek sizin örnekleminizde gerçekten farklı çalışıyordur. Bu da bir bulgudur ve tartışma bölümünde değerlidir.

Her modifikasyonu yöntem bölümünde açıkça yazın. Gizlenen modifikasyon, jüri çıktıyı istediğinde sorun çıkarır.

Nasıl raporlanır?

Ölçeğin üç faktörlü yapısı doğrulayıcı faktör analiziyle sınanmıştır. Analiz maksimum olabilirlik yöntemiyle AMOS 26 kullanılarak yapılmıştır. Model uyum değerleri kabul edilebilir düzeydedir: χ²/sd = 2,47; CFI = .94; TLI = .93; RMSEA = .062 [%90 GA: .051-.073]; SRMR = .048. Standartlaştırılmış faktör yükleri .54 ile .83 arasında değişmekte ve tümü p < .001 düzeyinde anlamlıdır.

Buna ek olarak yol diyagramını şekil olarak vermek yaygındır.

Ölçme değişmezliği

Bulgularınızı gruplar arasında karşılaştıracaksanız (kadın-erkek, kamu-özel) örtük bir varsayım yapmış olursunuz: ölçek her iki grupta da aynı şeyi ölçüyor.

Bu varsayım her zaman doğru değildir. Bir madde bir grupta farklı anlaşılıyorsa, gruplar arasında bulduğunuz "fark" gerçek bir fark değil ölçme farkı olabilir.

Ölçme değişmezliği (measurement invariance) bunu sınar ve kademeli olarak test edilir:

1. Yapısal (configural) değişmezlik: Her iki grupta da aynı faktör yapısı geçerli mi? Temel düzeydir.
2. Metrik (weak) değişmezlik: Faktör yükleri gruplar arasında eşit mi? Sağlanırsa ilişkiler karşılaştırılabilir.
3. Skalar (strong) değişmezlik: Kesişimler de eşit mi? Ortalama karşılaştırması yapabilmek için bu düzey gerekir.
4. Kesin (strict) değişmezlik: Hata varyansları da eşit. Nadiren aranır.

Her adımda model uyumunun bir öncekine göre anlamlı biçimde kötüleşmemesi beklenir; genellikle ΔCFI'nin .01'den küçük olması ölçüt alınır.

Yüksek lisans tezlerinde bu analiz genellikle istenmez, ancak gruplar arası karşılaştırma çalışmanızın merkezindeyse danışmanınıza sorun. Sağlanmadığı hâlde yapılan ortalama karşılaştırmaları, yöntem açısından eleştiri alan bir noktadır.

Sık sorulan sorular

CFI .89 çıktı, model reddedilir mi? Otomatik olarak reddedilmez. Diğer indeksler iyiyse ve maddeler kuramsal olarak yerindeyse sınırda uyum olarak raporlanabilir. Ancak sınırlılıklar bölümünde belirtin.

AFA yaptım, DFA da yapmam gerekir mi? Yeni ölçek geliştiriyorsanız evet — ve ikinci, bağımsız bir örneklemde. Var olan bir ölçeği kullanıyorsanız doğrudan DFA yeterlidir.

AMOS yerine ne kullanabilirim? R'ın lavaan paketi ücretsizdir ve alan yazında yaygın kabul görür. jamovi ve JASP de arayüz üzerinden DFA yapar. Çıktının hangi programdan geldiği, doğru raporlandığı sürece sorun yaratmaz.

Modifikasyon indeksi uygulamak hile mi? Kuramsal gerekçesi varsa ve raporlanıyorsa hayır. Yalnızca uyum sayısını yükseltmek için yapılıyor ve gizleniyorsa evet.

---

DFA, AVE/CR hesapları ve yol diyagramlarını içeren analiz raporunu sizin için hazırlayabiliriz: veri analizi hizmetimiz.