MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Doğrulayıcı Faktör Analizi

Doğrulayıcı Faktör Analizianaliz

Bir ölçeğin maddelerinin, kuramdan önceden belirlenmiş gizil faktörlere beklenen biçimde bağlanıp bağlanmadığını, yani önerilen ölçme modelinin veriye uyup uymadığını sınayan analiz.

Kavram

Zekâ, kaygı ya da iş doyumu gibi kavramlar doğrudan ölçülemez; bunlar gizil (örtük) değişkenlerdir ve birkaç gözlenen madde aracılığıyla yakalanır. Açıklayıcı faktör analizi maddelerin kendiliğinden nasıl gruplandığını keşfeder; doğrulayıcı faktör analizi (DFA) ise araştırmacının önceden kurduğu bir yapıyı sınar: hangi maddenin hangi faktörü ölçtüğü baştan belirtilir ve bu modelin verideki korelasyonları ne kadar iyi yeniden üretebildiğine bakılır. Bu nedenle ölçek geliştirme ve uyarlama çalışmalarında yapı geçerliğinin temel kanıtıdır.

Model her maddeyi bir faktörün etkisi ile maddeye özgü bir hatanın toplamı olarak yazar: x = λ·F + e. Burada λ faktör yüküdür ve maddenin faktörü ne kadar iyi temsil ettiğini gösterir. Bu yapıdan bir kovaryans matrisi türetilir ve gözlenen kovaryans matrisiyle karşılaştırılır. Uyum ki-kare testi ile CFI, TLI, RMSEA ve SRMR gibi indekslerle değerlendirilir; yaygın ölçütlere göre CFI ve TLI .90-.95'in üstünde, RMSEA .06-.08'in altında, SRMR .08'in altında olması iyi uyum sayılır.

Ki-kare büyük örneklemlerde küçük uyumsuzluklara bile duyarlıdır; bu yüzden tek başına karar vermek için kullanılmaz, indekslerle birlikte okunur. Standart yüklerin yeterince yüksek olması, birleşik güvenirlik (CR) ve açıklanan ortalama varyans (AVE) gibi ölçütler ölçme kalitesini tamamlar. Uyumu artırmak için modelde yapılan değişiklikler (artık kovaryanslar, çapraz yükler) kuramsal gerekçeye dayanmalı ve yeni bir örneklemde doğrulanmalıdır; aksi halde model yalnız eldeki veriye uydurulmuş olur.

Ne zaman kullanılır?

  • Bir ölçeğin faktör yapısı kuramdan ya da önceki çalışmalardan biliniyorsa ve bu yapının yeni bir örneklemde tutup tutmadığı sınanmak istendiğinde (ölçek uyarlama, yapı geçerliği).
  • Faktör yapısı hakkında henüz bir beklenti yoksa önce açıklayıcı faktör analizi yapılır; aynı veride hem keşfedip hem doğrulamak yerine iki ayrı örneklem kullanılması önerilir.
  • Gizil faktörler arasında yönlü ilişkiler (bir yapının diğerini yordaması) sınanacaksa yapısal eşitlik modeline geçilir; ölçeğin farklı gruplarda aynı biçimde işleyip işlemediği ölçme değişmezliği analiziyle sınanır.

Gündelik bir örnek

Bir okul, öğrencilerin okul yaşamını ölçmek için dokuz soruluk bir anket hazırlıyor: üç soru okula aidiyeti, üç soru öğretmen desteğini, üç soru arkadaş ilişkilerini ölçmek üzere yazılmış. DFA, 300 öğrencinin yanıtlarının gerçekten bu üç boyutlu yapıyı yansıtıp yansıtmadığını sınar. Örneğin 'Bu okulda kendimi yalnız hissederim' sorusu aidiyetten çok arkadaş ilişkileriyle bağlantılı çıkıyorsa, model uyumu zayıflar ve bu soru ya yeniden yazılır ya da başka bir boyuta taşınması kuramsal olarak tartışılır.

MerQur'da parametreler

Faktör sayısı (1-6)

Kavram: Gizil faktör sayısı, ölçeğin kaç ayrı kavramı ölçtüğüne dair kuramsal iddiadır. DFA'da bu sayı ve her faktörün maddeleri veriden keşfedilmez, önceden belirtilir; bir faktörün sağlıklı tanımlanabilmesi için genellikle en az üç madde gerekir.

Gündelik örnek: Okul anketinde aidiyet, öğretmen desteği ve arkadaş ilişkileri olmak üzere üç faktör tanımlanır ve her birine kendi üç sorusu atanır. Faktör sayısını sonuç iyi çıkana kadar değiştirmek, sınamayı keşfe dönüştürür.

Ne işe yarar: Ölçme modelindeki gizil faktör sayısını belirler; her faktör için ayrı değişken seçici açılır (faktör başına en az 3 gösterge). Faktörler arası kovaryanslar serbesttir.

Sonuca etkisi: Parametre sayısı, serbestlik derecesi ve uyum. Faktör sayısı kuramdan ya da önceki açıklayıcı analizden gelmelidir (Brown, 2015).

Doğrulama verisinde: 1 faktör (SAQ q01-q08, n = 2571) ki-kare(20) = 554.19, CFI = 0.871. 3 faktör (HS) ki-kare(24) = 85.306. 4 faktör (HS 24 test) ki-kare = 316.79; 6 faktör 478.93.

→ Ölçüm modeli ve yapısal model

Yapısal yollar (SEM)

Kavram: Klasik DFA'da faktörler arasındaki ilişkiler yönsüz korelasyonlardır. Yapısal yol tanımlandığında bir faktörün diğerini yordadığı (regresyon) varsayılır ve analiz basit bir yapısal eşitlik modeline dönüşür.

Gündelik örnek: Aidiyet, öğretmen desteği ve arkadaş ilişkilerinin yalnızca birbiriyle ilişkili olduğunu söylemek yerine 'öğretmen desteği ve arkadaş ilişkileri aidiyeti yordar' diye yönlü bir iddia kurulabilir.

Ne işe yarar: Gizil faktörler arasında yönlü ilişkiler tanımlar ('F3 ~ F1 + F2'); boşsa faktörler arası kovaryanslar serbesttir (klasik CFA).

Sonuca etkisi: Kovaryanslar yerine regresyon katsayıları raporlanır; doymuş yapısal kısımda ki-kare değişmez.

Doğrulama verisinde: HS 'F3 ~ F1 + F2' ki-kare = 85.306 (CFA ile aynı), F3 ~ F2 = 0.0531 (p = 0.319). PoliticalDemocracy ki-kare(35) = 38.125, F2 ~ F1 = 1.4824.

→ Ölçüm modeli ve yapısal model

Kestirici (ML, MLM, MLR)

Kavram: Kestirici, model parametrelerinin hangi ilkeyle hesaplanacağını ve belirsizliklerinin nasıl ölçüleceğini belirler. En çok olabilirlik (ML) verinin çok değişkenli normal dağıldığını varsayar; sağlam (robust) türevleri aynı kestirimleri verip standart hataları ve ki-kareyi normallik ihlaline karşı düzeltir.

Gündelik örnek: Anket soruları 1-5 arası yanıtlanıyor ve çoğu öğrenci 4 ya da 5'i seçmişse yanıtlar bir uca yığılır. Bu durumda yükler aynı kalır ama sağlam kestirici, sonucun kesinliğini olduğundan iyi göstermeyi engeller.

Ne işe yarar: ML normal kuram en çok olabilirliktir; MLM aynı kestirimler ile Satorra-Bentler ölçekli ki-kare ve sağlam SE (tam veri); MLR Huber-White sandviç SE ve Yuan-Bentler ölçekli ki-karedir. Normallik ihlalinde MLM/MLR, eksik veride MLR (+FIML) kullanılır.

Sonuca etkisi: Kestirimleri değiştirmez; standart hata, z, p, güven aralığı ve ölçekli uyum indekslerini değiştirir.

Doğrulama verisinde: HS: ML ki-kare = 85.306; MLM ölçekli 80.872 (ölçek 1.0548), x2 yükü SE 0.0997 iken 0.1033; MLR ölçekli 87.132 (ölçek 0.9790), x2 SE 0.1321.

→ Sağlam ML tahmincileri (MLM, MLR; Satorra-Bentler)

Eksik veri (Liste bazında silme, FIML)

Kavram: Liste bazında silme, herhangi bir maddesi boş olan kişiyi analizden tümüyle çıkarır. Tam bilgili en çok olabilirlik (FIML) ise her kişinin yanıtladığı maddeleri kullanır; eksikliğin gözlenen bilgilerle açıklanabildiği (MAR) durumda daha az yanlı ve daha verimlidir.

Gündelik örnek: 300 öğrenciden 40'ı tek bir soruyu boş bıraktıysa liste bazında silme bu 40 öğrencinin diğer sekiz yanıtını da çöpe atar. FIML ise o öğrencilerin yanıtladığı sekiz soruyu analizde tutar.

Ne işe yarar: Liste bazında silme eksik satırı atar; FIML her vakanın gözlenen kısmıyla olabilirliğe katkı verir (MAR varsayımı). MLM ile FIML birlikte kullanılamaz.

Sonuca etkisi: n, kestirimler, SE ve ki-kare; FIML'de ortalama yapısı da kestirilir (AIC/BIC değişir).

Doğrulama verisinde: bfi 5 faktör: liste bazında n = 2436, ki-kare(265) = 4165.47; FIML n = 2800, ki-kare = 4674.26. 'missing' örnek verisinde FIML faktör korelasyonu 0.5014. Tam veride FIML gözlenen bilgiyle SE verir (HS x9 SE 0.1951).

→ Tam bilgi en çok olabilirlik (FIML)

RMSEA paydası (N, N - 1)

Kavram: RMSEA, modelin evrende yaklaşık olarak ne kadar uyumsuz olduğunu serbestlik derecesi başına ölçen bir indekstir. Formülün paydasında örneklem büyüklüğünün N ya da N - 1 alınması bir yazılım geleneği farkıdır; büyük örneklemde sonucu fark edilmeyecek kadar az değiştirir.

Gündelik örnek: 300 öğrencilik veride N ile N - 1 arasındaki fark RMSEA'yı ancak üçüncü ondalıkta etkiler. Seçenek, sonucu başka bir programla birebir karşılaştırmak gerektiğinde işe yarar.

Ne işe yarar: RMSEA = kök(max(ki-kare - sd, 0) / (sd x D)) formülünde D'nin N ya da N - 1 olmasını seçer; varsayılan N'dir.

Sonuca etkisi: Yalnız nokta RMSEA (güven aralığı ve PCLOSE her durumda N ile).

Doğrulama verisinde: HS: 0.0921 (N), 0.0923 (N - 1).

→ Model uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)

Güven düzeyi (%90, %95, %99, özel)

Kavram: Faktör yükleri ve yapısal yollar için verilen güven aralıklarının ne kadar güvenceli olacağını belirler. Düzey yükseldikçe aralık genişler.

Gündelik örnek: 'Okula aidiyet' faktörünün bir sorudaki yükü 0,72 bulunduysa %95 güvenle gerçek yükün örneğin 0,64 ile 0,80 arasında olduğu söylenir; %99 istenirse aralık genişler.

Ne işe yarar: Yük ve yapısal yol Wald güven aralıklarının düzeyini belirler (tahmin +- z x SE). RMSEA güven aralığı her zaman %90'dır.

Sonuca etkisi: Yalnız aralık genişliği.

Doğrulama verisinde: HS x2 yükü %95 [0.358, 0.749]; %90, %99 ve %85.5 düzeylerinde de aralık verilir.

→ Güven düzeyi ve güven aralığı

Ölçme değişmezliği (grup)

Kavram: Ölçme değişmezliği, bir ölçeğin farklı gruplarda aynı kavramı aynı biçimde ölçüp ölçmediğini sınar. Adımlar giderek sıkılaşır: aynı faktör yapısı (configural), eşit yükler (metric), eşit kesişimler (scalar) ve eşit hata varyansları (strict). Grup ortalamalarını anlamlı biçimde karşılaştırabilmek için en az scalar değişmezlik gerekir.

Gündelik örnek: Kız ve erkek öğrencilerin okul aidiyetini karşılaştırmadan önce, 'okulda kendimi evimde gibi hissederim' sorusunun iki grup için aynı anlama geldiğinden emin olmak gerekir. Değişmezlik sağlanmazsa ortalama farkı, aidiyet farkını değil sorunun farklı algılanmasını yansıtıyor olabilir.

Ne işe yarar: Seçilen grupta configural, metric (eşit yükler), scalar (+ eşit kesişimler) ve strict (+ eşit artık varyanslar) modellerini art arda kestirir; ki-kare farkı, CFI ve RMSEA farkları ve skor testleri verir (Chen, 2007: CFI farkı <= -0.01).

Sonuca etkisi: Ana CFA sonucunu değiştirmez; değişmezlik tablosu ekler.

Doğrulama verisinde: HS, okul grubu: configural ki-kare(48) = 115.851, metric (54) = 124.044 (fark 8.192, p = 0.224), scalar (60) = 164.103 (fark 40.059, CFI farkı -0.038), strict (69) = 181.511. MLR'de fark Satorra-Bentler (2001) ölçeklidir (metric 6.567).

→ Ölçme değişmezliği (yapısal, metrik, skaler, katı)

Kısmi değişmezlik (serbest parametreler)

Kavram: Kısmi değişmezlik, tam değişmezlik sağlanamadığında yalnız gruplar arasında farklı işleyen birkaç maddenin parametrelerini serbest bırakıp geri kalanların eşitliğini korumaktır. Böylece grup karşılaştırması, sorunlu maddelere dayanmadan yine de yapılabilir.

Gündelik örnek: Arkadaş ilişkileriyle ilgili bir soru kızlarda ve erkeklerde farklı işliyorsa yalnız o sorunun kesişimi serbest bırakılır; diğer sekiz soru iki grupta eşit tutularak karşılaştırma sürdürülür. Hangi sorunun serbest bırakılacağı kuramsal olarak da savunulabilmelidir.

Ne işe yarar: Eşitlik kısıtlarından muaf tutulacak parametreleri belirler ('F1 =~ x2; x7 ~ 1'). Skor testlerinin gösterdiği az sayıda madde için, kuramsal gerekçeyle kullanılmalıdır (Byrne ve ark., 1989).

Sonuca etkisi: Metric, scalar ve strict adımlarında listedeki parametreler gruplar arasında serbest kalır.

Doğrulama verisinde: 'F1 =~ x2; x7 ~ 1' ile scalar ki-kare(58) = 148.587 (tam scalar 164.103), fark(5) = 25.231.

→ Ölçme değişmezliği (yapısal, metrik, skaler, katı)

Ek model satırları

Kavram: Modele kuramın öngördüğü temel yapının dışında ek ilişkiler eklemeyi sağlar: iki maddenin hatalarının ilişkili olması (artık kovaryans) ya da bir maddenin ikinci bir faktöre de yüklenmesi (çapraz yük). Her ek parametre uyumu bir miktar iyileştirir, bu yüzden yalnız gerekçeyle eklenmelidir.

Gündelik örnek: İki soru neredeyse aynı cümleyle yazıldıysa ('Öğretmenim bana yardım eder' ve 'Öğretmenim bana destek olur'), hatalarının ilişkili olması beklenir; bu bir artık kovaryansla modellenebilir. Yalnız uyumu yükseltmek için rastgele ilişki eklemek ise sonucu güvenilmez kılar.

Ne işe yarar: Artık kovaryans ('x7 ~~ x8') ya da çapraz yük ('F1 =~ x9') ekler; yalnız kuramsal gerekçe varsa kullanılmalıdır (modifikasyon indeksine dayalı değişiklik çapraz geçerlik ister).

Sonuca etkisi: Parametre sayısı ve uyum.

Doğrulama verisinde: HS: 'F1 =~ x9' ki-kare(23) = 52.382 (yük 0.4371); 'x7 ~~ x8' ki-kare(23) = 53.272, kovaryans 0.3527 (SE 0.0673). Bu iki aday varsayılan modelin en büyük modifikasyon indeksleridir (36.41 ve 34.15).

→ Ölçüm modeli ve yapısal model

Ek çıktı: Faktör varyansı = 1 tanımlaması (std.lv)

Kavram: Gizil faktörlerin kendi ölçü birimi yoktur; modeli tanımlamak için ya her faktörün ilk maddesinin yükü 1'e ya da faktörün varyansı 1'e sabitlenir. İkinci yol tüm yüklerin standart hatasını verir ve faktörler arası ilişkileri doğrudan korelasyon olarak gösterir; model uyumu her iki yolda aynıdır.

Gündelik örnek: Aidiyetin 'birimi' ilk soruya bağlanırsa o sorunun yükü hep 1 görünür ve sınanamaz. Faktör varyansı 1'e sabitlendiğinde dokuz sorunun hepsinin yükü kendi standart hatasıyla birlikte görülür.

Ne işe yarar: Faktör varyanslarını 1'e sabitleyerek tüm yükleri (ilk madde dahil) ve faktör korelasyonlarını SE ile verir.

Sonuca etkisi: Uyum değişmez; yalnız ölçek. Yapısal yol varsa hesaplanmaz ve çıktıda bunu belirten uyarı satırı yer alır.

Doğrulama verisinde: HS x1 yükü 0.8996 (SE 0.0808), F1-F2 korelasyonu 0.4585 (SE 0.0638). SAQ std.lv yükleri 0.485 ... 0.424.

→ Model tanımlanması (std.lv, birim yük)

Ek çıktı: Çok değişkenli normallik (Mardia)

Kavram: Mardia testleri, maddelerin birlikte çok değişkenli normal dağılıp dağılmadığını çarpıklık ve basıklık yönünden sınar. Normallik bozuksa ML'nin standart hataları ve ki-karesi güvenilmez olur ve sağlam kestirici tercih edilir.

Gündelik örnek: Öğrencilerin çoğu tüm sorulara 'tamamen katılıyorum' dediyse yanıtlar normal dağılmaz. Mardia testi bunu gösterdiğinde sağlam kestiriciye geçmek doğru karar olur.

Ne işe yarar: Çok değişkenli çarpıklık (ki-kare) ve basıklık (z) testleriyle ML'nin normallik varsayımını sınar; anlamlıysa MLM/MLR önerilir (Mardia, 1970).

Sonuca etkisi: Yalnız ek tablo.

Doğrulama verisinde: HS: b1p = 6.807, çarpıklık ki-kare(165) = 341.48 (p < .001), b2p = 102.904, basıklık z = 2.407 (p = 0.016).

→ Mardia çok değişkenli normallik testi

Ek çıktı: Artık korelasyon matrisi

Kavram: Artık korelasyonlar, iki madde arasında gözlenen korelasyon ile modelin öngördüğü korelasyon arasındaki farktır. Büyük artıklar, modelin hangi madde çiftlerinin ilişkisini açıklayamadığını, yani uyumsuzluğun nereden geldiğini gösterir.

Gündelik örnek: 'Okulda kendimi yalnız hissederim' sorusu ile arkadaş ilişkileri soruları arasında modelin öngördüğünden çok daha yüksek korelasyon varsa bu fark artık matrisinde göze çarpar ve sorunun hangi faktöre ait olduğunun yeniden düşünülmesi gerektiğini gösterir.

Ne işe yarar: Gözlenen ve modelin öngördüğü korelasyonların farkını verir; |r| > 0.10 olanları listeler (Kline, 2016).

Sonuca etkisi: Yalnız ek tablo.

Doğrulama verisinde: HS: 5 çiftte |r| > 0.10, en büyüğü x2-x7 = -0.189.

→ Model uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)

Gerçek veride örnek

Veri: Holzinger ve Swineford 1939, lavaan paketi

Değişkenler: 3 faktör: F1 görsel (x1-x3), F2 sözel (x4-x6), F3 hız (x7-x9)

  • Soru: Dokuz zihinsel yetenek testi (x1-x9) önceden tanımlanan üç gizil faktör (görsel, sözel, hız) yapısına uyuyor mu?
  • Model uyumu: χ²(24, N = 301) = 85.31, p < .001; model veriyle tam uyumlu değildir (büyük örneklemde ki-kare hassastır).
  • Uyum indeksleri: CFI = .931 (kabul edilebilir), TLI = .896 ve RMSEA = .092, %90 GA [.071, .114] (kötü), SRMR = .065 (iyi); genel değerlendirme zayıf uyumdur.
  • Yükler: Tüm serbest yükler anlamlıdır (p < .001); standart yükler .42 (x2) ile .86 arasındadır. En zayıf gösterge x2'dir (λ = .42).
  • Güvenirlik ve geçerlik: F2 (sözel) güçlüdür (CR = .89, AVE = .72); F1 (CR = .63, AVE = .37) ve F3 (CR = .69, AVE = .43) ölçütlerin (CR >= .70, AVE >= .50) altındadır. Faktörler arası korelasyonlar .28 ile .47 arasındadır.
  • Ek bulgu: En büyük modifikasyon indeksleri F1 =~ x9 (MI = 36.41) ve x7 ~~ x8 (MI = 34.15); bu parametreler yalnız kuramsal gerekçeyle serbest bırakılmalıdır.
  • APA: χ²(24, N = 301) = 85.31, p < .001, CFI = .931, TLI = .896, RMSEA = .092, 90% CI [.071, .114], SRMR = .065.

İlgili kavramlar

Ölçüm modeli ve yapısal modelÖlçme değişmezliği (yapısal, metrik, skaler, katı)Sağlam ML tahmincileri (MLM, MLR; Satorra-Bentler)Model uyum indeksleri (χ², CFI, TLI, RMSEA, SRMR)Tam bilgi en çok olabilirlik (FIML)Faktör (bileşen) yükleriModel tanımlanması (std.lv, birim yük)Mardia çok değişkenli normallik testi

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.