Açıklayıcı (Keşifsel) Faktör Analizi için Kriterler

Faktör analizinin nihayete ermesi için dört aşama gerekmektedir. Bunlar; veri setinin faktör analizi için uygunluğu, faktörlerin elde edilmesi, faktörlerin döndürülmesi (rotation) ve nihayet faktör isimlendirilmesinin yapılması sürecini içermektedir. Bu safhalardan her birini kısaca açıklamak gerekirse, ilk olarak, veri setinin faktör nalizine uygun olup olmadığını ele alalım. Bu aşama, kendi içinde farklı tekniklerle elde edilebilmektedir. Bu teknikler ise, analizlerde kullanılan tüm değişkenler için korelasyon matrisinin oluşturulması, Barlett testi ve Kaiser-Mayer- Olkin (KMO) testleriyle elde edilir. Diğer safhada faktörlerin belirlenmesi için, Öz değer istatistiği (Eigenvalues), scree test (çizgi grafiği), toplam varyansın yüzdesi yöntemi (herbir ilave faktörün toplam varyansa katkısı %5 ve üzeri olana kadar devam edilebilir), jolife kriteri (0,7’nin altındaki tüm faktörler modelden çıkarılır), açıklanan varyans kriteri ve faktör sayısının araştırmacı tarafından belirlenmesi gibi kriterleri içermektedir. Üçüncü aşamada faktörlerin döndürülmesi için, orthagonal (dikey) döndürme ve obligue (yatay) döndürme yöntemlerinden biri kullanılmaktadır. Burada değişkenler arasında ilişkiden söz edilmiyorsa dikey döndürme, değişkenler arasında ilişki varsa yatay döndürme olarak uygulanır. Son olarak faktörlerin isimlendirilmesi aşamasında, ortaya çıkan faktör yüklerinden yararlanarak en yüksek skorlara sahip ve benzer özellikleri bünyesinde bulunduran ifadelere ortak bir isim verme tercih edilir. Burada teorik çerçevede değinilen faktörlerle de uyum içinde isimlendirilmesi daha uygun olmaktadır (Tabachnick ve Fidel, 2015: 613; Kalaycı, 2014: 321-331).

Açıklayıcı faktör analizinin uygulanması için bazı kriterler bulunmaktadır. Bunlar, örneklem büyüklüğü yeterliliği ve kayıp verilerin tasnifi, verilerin normallik dağılımının sağlanması, değişkenler arasındaki doğrusallığın sağlanması, vakalar ve

değişkenler arasında sapkın (uç) değerlerin bulunmaması, R’nin faktörlenebilirliği ve çoklu birlikte doğrusallık ve tekilliğin bulunmaması safhalarından oluşmaktadır (Tabachnick ve Fidel, 2015: 618-620). Yani açıklayıcı faktör analizine başlamadan önce, doğabilecek sorunları en aza indirgemek için, örneklem büyüklüğü, normallik, kayıp değerler, doğrusallık, çoklu bağlantı ve tekillik ile uç değerlerin tartışılması yararlı olacaktır (Çokluk, vd., 2014: 205).

Örneklem büyüklüğü faktör analizinde, ki burada korelasyon katsayıları ile ilişkili değişkenler olduğu için daha fazla örneklem, daha iyi sonuçlar elde edilmesini sağlar, en az 300 örneklemin bulunması genel kanı olarak yeterli sayılmaktadır (Çokluk, vd., 2014: 206). Ancak yüksek faktör yükü değerleri elde etmek için, büyük örneklemlerin gerekmediği, 150 civarında örneklemin yeterli olduğu da belirtilmiştir (Tabachnick ve Fidel, 2015: 6). Aslında örneklem büyüklüğünün tespitinde, evren korelasyonlarının büyüklüğüne ve faktör sayısına göre de belirlenmektedir. Burada eğer ilişkiler kuvvetli ise, az sayıda ve birbirinden belirgin farklılaşan faktörler varsa küçük bir örneklem de yeterli olmaktadır (Tabachnick ve Fidel, 2015: 618). Örneklem büyüklüğünü madde ya da faktör sayısına göre tahmin etmeyi öneren Kline (1994), örneklem büyüklüğünün madde sayısının 10 katı kadar olmasını önermektedir. Örneklem büyüklüğünün faktör analizi için uygunluğunu test etmede kulanılan önemli bir enstrüman da, Kaiser-Mayer-Olkin (KMO) testi ile elde edilen sonuçtur. Bu değerler literatürde kabul gören şekliyle aşağıda sunulmaktadır.

 0,50-0,60 arasında ise kötü  0,60-0,70 aralığında ise zayıf  0,70-,80 aralığında ise orta  0,80-0,90 aralığında ise iyi

 0,90 üzerinde ise mükemmel olduğu kabul edilir (Kalaycı, 2014: 322; Tavşancıl, 2005).

Faktör yüklerinin 0,50’nin altında olması durumunda faktör analizine devam edilemeyeceği ve yüklenen değerin yeterli değeri haiz olmadığı tahmin edilir. Faktör analizinde uygun örneklem büyüklüğünün bulunmasında literatürde yer verilen ölçütlerden en az ikisini karşılayacak değerlendirmeye sahip olması önerilir (Çokluk,

vd., 2014: 207). Bu çalışma özelinde belirlenen ölçütlerin ikiden fazlası uygunluk gösterdiği söylenebilir.

Faktör analizi kriterlerinden bir diğeri olan normallik varsayımında ise, büyük bir veri setindeki gözlenen değişkenler arasındaki ilişkileri betimlemek amaçlı kullanıldığı sürece değişkenlerin dağılımı ile ilgili varsayımlar ehemmiyetli değildir. Yani değişkenler normal dağılım sergiliyorsa, ortaya çıkan bulgu daha güçlü olurken, normallikten sapmanın derecesine göre bulgular (çözümler) kötüleşse de hala değerini yitirmeyecektir. Bununla beraber, faktörlerin sayısını belirlemek için yordamsal istatistik kullanıldığında, çok değişkenli normalliğe ulaşıldığı varsayılır. Çok değişkenli normallik, bütün değişkenlerin ve bunların doğrusal kombinasyonlarının normal olarak dağıldığı varsayımına dayanır. Daha da önemlisi, çok değişkenli normallik testleri aşırı derecede duyarlı olduğundan, her bir değişken için değerlendirilebilecek normallik varsayımı çarpıklık ve basıklık değerleri olarak kabul edilebilir (Tabachnick ve Fidel, 2015: 618). Ayrıca verilerin çok değişkenli normal dağılımdan geldiğine delelat eden önemli bir testte, Bartlett küresellik testidir. Ki-kare istatistik değerini veren bu değerde, testin sonucu ne kadar yüksek olursa, verilerin çoklu normallikten geldiği o oranda kabule yakın olur. Yani 0,05’den küçük anlamlılık düzeyinde bir sonuç çıktığında verilerin çoklu normal dağılıma yaklaştığı ya da sahip olduğu söylenebilir (Tavşancıl, 2005).

Çok değişkenli normallik ayrıca değişken çiftleri arasındaki ilişkilerin doğrusal olduğunu da kabul eder. Doğrusallık başarısız olduğunda analiz de kötüleşir, çünkü korelasyon doğrusal ilişkileri ölçer ve doğrusal olmayan ilişkiyi göstermez. Değişken çifleri arasındaki doğrusallık ise, saçılım grafikleri aracılığıyla ölçülür. Doğrusallıktan sapmalar gözlenirse, değişkenlerin transformasyonu düşünülür (Tabachnick ve Fidel, 2015: 618-619).

Çoklu birliktelik ve tekilliğin bulunmaması durumu ise, test maddelerinin birden fazlasının aşırı derecede ilişkili kolerasyonlar vermesi (0,90’dan fazla) durumunda çoklu birliktelik, madde çiftlerinin arasında korelasyon katsayısının 1 olması ise tekli birliktelik olarak ifade edilir (Şencan, 2005: 378). Açıklayıcı faktör analizinde çoklu birliktelik herhangi bir problem değildir, çünkü matrisin tersine gerek yoktur. Çoğu faktör analizi formları için ve herhangi bir AFA formunda faktör

puanlarının kestirimi için tekillik ya da çoklu birlikte doğrusallık bir sorundur. AFA için eğer R’nin belirleyicisi (determinantı) ve bazı faktörlerle ilişkilendirilen öz değerler 0’a yaklaşırsa, çoklu birlikte doğrusallık ve tekillik mevcut olabilir (Tabachnick ve Fidel, 2015: 619).

R’nin faktörlenebilirliğinden kasıt, değişkenler arasında olması gereken korelasyonların en azından 0,30 ve üzeri olması durumunu ifade etmektedir. Yani, değişkenler korelasyon matrisine bakılarak belirli bir düzeyde ilişkiye sahip olmalıdır. Bunun yanında Anti-İmaj korelasyon testlerine de bakılarak, köşegen değerleri oldukça yüksek ilişki ve köşegen dışındaki değerlerin düşük korelasyonu gözlenmişse, R’nin faktörlenebilir ve manidar olduğu söylenebilir. Son olarak uç değerler ise veri setinin girişi esnasında oluşabilecek aşırı sapkın değerlerin kaldırılmasını öngörmektedir (Tabachnick ve Fidel, 2015: 619).

3.10.2. Doğrulayıcı Faktör Analizi İçin Kabul Edilen Kriterler- Yapısal