Öncelikle katılımcıların genel özelliklerinin betimsel olarak görülebilmesi için dağılımların tanımlayıcı (Descriptive) istatistikleri (yüzdeleri, ortalamaları, standart sapmaları, mod ve medyan) kullanılmıştır.
Sosyal medya ile ilgili değişkenlerle kategorik olan değişkenler arasında bir farklılaşma olup olmadığını ortaya koyabilmek için ki-kare analizi kullanılmıştır.
Facebook ve Twitter kullanım motivasyonlarının analizinde de öncelikle genel ortalama ve varyans bulunmuş ve daha sonra ise faktör analizi ile anlamlı olan varyansın kaç değişik alana indirgeneceği ve bu alanların neler olacağı saptanmıştır.
Daha sonra ise bu faktörlerle gruplar1 bazında farklılıklar bulunmaya çalışılmıştır. Bu
farklılıkları bulmak için Tek Yönlü Varyans Analizi (ANOVA) ve Bağımsız İki Örneklem T-Testi (Independent Samples T-Test) kullanılmıştır.
Facebook kullanım motivasyonları ile Twitter kullanım motivasyonları arasındaki ilişkiyi belirlemeye yönelik Korelasyon Analizi kullanılmıştır.
3.4.1. Faktör Analizi
Faktör analizi, birbiriyle ilişkili çok sayıdaki değişkeni az sayıda ama anlamlı, birbirinden bağımsız faktörler haline getiren çok değişkenli istatistiki tekniklerden birisidir (Kalaycı, 2010:321). Faktör analizi tekniğinin kullanılma amacı değişkenlerdeki karşılıklı ilişkileri doğru bir şekilde özetlemektir. Böylece ortaya çıkan sonuçlar kavramsallaştırmayı daha da kolaylaştırmaktadır ve kavramsallaştırma, kuram oluşturma için birinci adımdır (Koçak, 2001:85). Genellikle amaç, kavramsallaştırmaya yardımcı olarak değişkenler arasındaki ilişkileri özetlemektir. Faktör analizi orijinal değişkenlerden maksimum bilgi miktarını içerecek şekilde mümkün olduğunca az sayıda türetilmiş değişken ya da faktörlerin içine sıkıştırarak bunu başarmaktadır (Gorsuch, 1974:2 ).
Bir veri setinin faktör analizi için uygun olup olmadığının tespit edilmesindeki ilk adım değişkenler arasında korelasyon katsayısının incelenmesidir. Korelasyon kat sayısı ne kadar yüksekse değişken arasında faktörler oluşturma olasılıkları da o kadar yüksektir (Kalaycı, 2010:321). Faktör analizinde önemli olan diğer bir unsur ise örneklem sayısıdır. Faktör analizinde örneklem sayısının 100’ün altına düşmemesi önerilir (Can, 2014:297).
İyi bir faktörleşmede ya da faktör dönüştürmede değişken azaltma olmalı, üretilen yeni değişken ya da faktörler arasında ilişkisizlik sağlanmalı ve ulaşılan sonuçlar yani elde edilen faktörler anlamlı olmalıdır. Faktör analizinde faktörlerin her bir değişken üzerinde yol açtıkları ortak varyansın ya da ortak faktör
1 Gruplar ile kastedilen, demografik bilgilerden elde edilen verilere göre, cinsiyet, yaş, gelir düzeyi ve
varyansınının (communality) en çoklaştırılması amaçlanır. Bu değer maddelerin her bir faktördeki yük değerlerinin karelerinin toplamına eşittir. Faktör yük değeri maddelerin faktörlerle olan ilişkisini açıklayan katsayıdır (Büyüköztürk, 2010:124).
Faktör analizinde keşfedici ve doğrulayıcı iki temel yaklaşım söz konusudur. Keşfedici faktör analizi, değişken seti arasında bulunan ilişki hakkındaki bilgileri bir araya toplamak için araştırmanın ilk aşamasında sıklıkla kullanılır. Doğrulayıcı faktör analizi ise, değişkenlerin altında yatan yapı ile ilgili belirli hipotez ya da teorileri test etmek için araştırma sürecinin sonunda daha karmaşık ve ileri düzeyde teknikler kullanılır (Pallant, 2002:151).
Faktör analizi için verinin uygunluğu Kaiser-Meyer-Olkin (KMO) ve Barlett Küresellik Testi ile incelenebilir. KMO katsayısı veri matrisinin faktör analizi için uygun olup olmadığı ve veri yapısının faktör çıkarma için uygunluğu hakkında bilgi verir. KMO’nun 0,60’dan yüksek olması gerekir (Büyüköztürk, 2010:126). Oranlar ne kadar yüksek olursa veri seti faktör analizi yapmak için okdar iyi denilebilir.
Faktör analizinde özdeğer (eigenvalues) istatistiği 1’den büyük olan faktörler anlamlı olarak kabul edilir.
3.4.2. One Way ANOVA (Tek Yönlü Varyans Analizi)
Varyans analizi iki ya da daha fazla ortalama arasında fark olup olmadığını test etmek için kullanılır. Varyans analizinde hipotezi test etmek için F değeri kullanılır. Varyans analizinde değişkenlerden birisinin (bağımsız değişkenin) kategorik diğerinin (bağımlı değişkenin) ise sayısal olması gerekmektedir. Bağımsız değişkenlere faktör adı verilir ve faktörlerin bağımlı değişken üzerindeki etkisi araştırılır.
Tek yönlü ANOVA en basit varyans analizidir. Tek yönlü ANOVA gruplara göre bağımlı değişkendeki ortalamalar arasında farklılık olup olmadığını test eder ve iki temel varsayım söz konudur. Bu varsayımlara göre her bir grup normal
dağılımdan gelir ve göreli olarak grupların varyansları homojendir (Antalyalı, 2010:133).
ANOVA analizinde eğer gruplar arasında bir farklılık bulunmuş ise farklılığın hangi gruplardan kaynaklandığını görebilmek için Post Hoc testi oldukça önemlidir. Gruplar arasında ortaya çıkan farklılığın nereden kaynaklandığı, hangi gruplar arasında olduğu Post Hoc testlerinden yaygın olarak kullanılan Tukey testi ile öğrenilebilir.
Tukey testi faktörün tüm düzeylerinde n’nin eşit olduğu durumlar için uygun olan bir çoklu karşılaştırma testidir. Bu test örneklem dağılımına bağlı bir testtir (Köklü vd., 2007:189).
3.4.3. T-Test (Independent Samples T-Test)
Bağımsız örneklemler için t-test, iki örneklem grubu arasında ortalamalar açısından fark olup olmadığını araştırmak için kullanılır. T-test her zaman iki farklı ortalamayı ya da değeri karşılaştırır. Özellikle örneklem büyüklüğünün çok fazla olmadığı, örneklemin alındığı evrenin standart sapmasının bilinmediği ve evrenin parametrelerinin hipotez testinde kullanılmadığı durumlarda tercih edilir (Ak, 2010:74).
İki farklı örneklem grubunun karşılaştırılmasını sağlayan bağımsız iki örneklem t-testinde iki grubun üyeleri birbirinden ayrıdır. Örneğin kadın-erkek ya da normal öğrenim-ikinci öğrenim gibi
3.4.4. Çapraz Tablo ve Ki-Kare Analizi
İki ya da daha fazla sınıflı ölçekte (kategorik) ölçülmüş değişkenler arasında bağımlılık olup olmadığını ölçmek için kullanılan ki-kare analizinde sonuçların doğru olarak yorumlanması için beklenen değerlerin her bir hücrede 5’ten büyük olması beklenir (Durmuş vd., 2013:184). Ki-kare testi x2sembolü ile gösterilir. İki değişken arasında ilişkinin olması bir değişkenin düzeylerindeki cevapların diğer değişkenin düzeylerinde farklılaştığını gösterir.
Ki- kare testinin yapılabilmesi için, değişkenlerin her ikisininde kategorik değişken olması gerekir. En azından iki değişkenden birisinin kategori sayısının 2’nin üzerinde olması durumunda beklenen değeri 5’in altında kalan hücre sayısı çapraz tabloda toplam hücre sayısının %20’sini aşmamalıdır. Yani hücrelerin %80’inde beklenen değer 5’in üzerinde olmalıdır (Can, 2014:324).
3.4.5. Korelasyon Analizi
Korelasyon analizi, iki değişken arasındaki doğrusal ilişkiyi ve ya bir değişkenin iki veya daha çok değiiken ile olan ilişkisini test etmek, varsa bu ilişkinin derecesini ölçmek için kullanılan istatistiksel bir yöntemdir. Korelasyon analizinde amaç, bağımsız değişken değiştiğinde bağımlı değişkenin hangi yönde değişeceğini görmektir. Korelasyon analizi yapabilmek için her iki değikeninde sürekli olmaları ve normal dağılım göstermeleri gerekmektedir (Sungur, 2010:115).
Pearson korelasyon katsayısı, iki sürekli değişkenin arasındaki doğrusal ilişkinin derecesine ve yönüne bakmak istenildiğinde en sık kullanılan katsayısıdır. Pearson korelasyon katsayısı “r” harfi ile gösterilir. (Durmuş vd., 2013:143). Perason korelasyon katsayısı -1 ile +1 arasında değişen değerler alır.
Korelasyon katsayısı ne kadar ±1 yakınsa aradaki ilişki o kadar fazla ya da güçlü demektir. Korelasyon katsayısının işareti (±) ilişkinin yönünü gösterir. Pozitif bir ilişki değişimin yönünün aynı olduğu anlamına gelir. Yani, değişkenlerden biri artıyorsa diğeri de artıyordur. İlişki negatif bir ilişki ise, değişimin yönü farklıdır. Değişkenlerden biri artarken diğerinin azalması anlamına gelmektedir (Can, 2014:348).
Pearson korelasyon katsayısının büyüklük bakımından yorumlanması şu şekilde yapılmaktadır Korelasyon katsayısının mutlak değer olarak 0-0,20 arasında olması çok zayıf bir ilişki, 0,21-0,40 arasında ise zayıf bir ilişki, 0,41-0,60 arasında olması orta düzeyde bir ilişki, 0,61-0,80 arasında olması güçlü bir ilişki ve 0,81- 1arasında olması ise çok güçlü düzeyde ilişki olarak tanımlanmaktadır.
Korelasyon katsayısı, açıklanan varyans açısından da yorumlanmaktadır. Açıklanan varyans değişkenlerden birinde gözlenen değişkenliğin ne kadarının diğer
değişken tarafından açıklandığını yorumlama da kullanılır ve determinasyon katsayısı olarak da isimlendirilen korelasyon katsayısının karesine (r2) eşittir
DÖRDÜNCÜ BÖLÜM
SOSYAL MEDYA KULLANIM MOTİVASYONLARINA YÖNELİK ALAN ARAŞTIRMASI BULGULARI
Bu bölümde sosyal medya kullanım motivasyonlarına yönelik alan araştırması sonuçları değişik başlıklar altında sunulacaktır. Öncelikle araştırmaya katılanların sosyo-demografik özellikleri belirtilecek daha sonra ise sosyal medya kullanımı, Facebook Kullanım davranışları ve motivasyonları ve Twitter Kullanım davranışları ve motivasyonları analiz edilecektir.