Verilerin Analizi

Bu çalışmada veri analizi ve bulgulara beşinci bölümde yer verilmektedir. Bu bölümde her bir ürün/hizmet grubu için ayrı kısımlarda yer verilmek üzere, sırasıyla, cep telefonu ve kıyafet ürün grupları ile restoran hizmetlerine yönelik temel betimleyici analizlere ve çalışmanın özünü teşkil eden ölçek değerlendirme sürecine yönelik analizlere yer verilmektedir.

Çalışmada temel betimleyici analizler kapsamında, katılımcıların demografik özellikleri ve anket formunda yer alan sorulara verdikleri cevaplar yer almaktadır.

Şekil 27: Ölçek Değerlendirme Süreci

Şekil 27’de gösterilen ölçek değerlendirme sürecine yönelik analizler ise, önce cep

telefonu ve kıyafet ürün gruplarını, daha sonra ise, restoran hizmetlerine yönelik oluşturulan anketleri değerlendirmek üzere aşağıdaki aşamalar takip edilerek gerçekleştirilmektedir.

1. Aşama: Ölçeğin Sadeleştirilmesi ve Đç tutarlılık Analizleri Sonuçları: Algılanan

değerin ölçümüne yönelik oluşturulan ölçekteki tüm maddelerin iç tutarlılık katsayısı (Cronbach alpha) hesaplanarak, ölçeğin genel güvenilirliğini arttırmak

ÖLÇEĞĐN SADELEŞTĐRĐLMESĐ ve

ĐÇ TUTARLILIK ANALĐZLERĐ

Cronbach Alpha

Alpha if item-deleted

Item-Total Correlation (Madde Toplam Korelasyonu)

Maddeler Arası Korelasyon

AÇIKLAYICI FAKTÖR ANALĐZĐ
Ölçeğin Sadeleştirilmesi ve Algılanan Değerin Boyutlarının Belirlenmesi

BĐRĐNCĐ DERECEDEN DOĞRULAYICI FAKTÖR ANALĐZĐ (DFA)

GEÇERLĐLĐK ve GÜVENĐLĐRLĐK ANALĐZĐ

ĐKĐNCĐ DERECEDEN DFA

REVĐZE EDĐLEN MODELĐN GEÇERLĐLĐK ve GÜVENĐLĐRLĐK

tutarlılığındaki artışa bağlı olarak bazı maddelerin ölçekten çıkarılmasına karar verilmiştir.

2. Aşama: Đç tutarlılık analizleri sonucunda çıkarılan değişkenler ölçekten

elendikten sonra kalan maddelere temel bileşenler faktör analizi (Açıklayıcı Faktör Analizi) uygulanmış ve algılanan değerin olası boyutları hakkında bilgi edinilmiştir. Bunun yanında ölçek maddelerinin teorik olarak beklenen boyutlara yüklenip yüklenmediği de kontrol edilmiştir.

3. Aşama: Faktör analizinden elde edilen boyutları temsil eden ifadelerin yapısal geçerliliğini test etmek amacıyla doğrulayıcı (confirmatory) faktör analizi uygulanmıştır. Doğrulayıcı faktör analizi (DFA) her bir boyutu oluşturan maddelerin ait olduğu boyutu açıklama gücü hakkında bilgi vermekte, diğer taraftan da boyutları birbirleriyle ilişkini değerlendirerek bunların algılanan değer ile ne düzeyde örtüştüğünü göstermektedir.

4. Aşama: DFA sonucunda eldeki veriye en iyi uyum sağlayan modele ait ölçek geçerlilik ve güvenirlik açısından sınanmıştır. Daha sonra her bir boyutun algılanan değeri ne düzeyde açıkladığı, ikinci dereceden DFA analizi kullanılarak belirlenmiştir. Đkinci dereceden DFA sonuçlarına göre, algılanan değeri yeterli düzeyde yapısal katsayılarla temsil etmeyen boyutlar modelden çıkarıldıktan sonra modele son hali verilmiştir. Đkinci dereceden DFA sonucunda revize edilen modele ait ölçeğin geçerlilik ve güvenilirlik açısından değerledirilmesiyle ölçek geliştirme süreci tamamlanmıştır.

Ölçek değerlendirme sürecinde belirtildiği gibi, temel olarak açıklayıcı faktör analizi (AFA) ve doğrulayıcı faktör analizi (DFA)’den faydalanılmıştır.

Pazarlama literatüründe ölçek geliştirme ve ölçeğin geçerliliğinin sınanmasında kullanılan geleneksel yöntemlerin yanında son yıllarda özellikle ileri analiz tekniklerinin kullanıldığı görülmektedir. Bu teknikler temelde yapısal denklem modellerine dayanmaktadır.

Yapısal denklem modelleri, ölçülen ve gizil değişkenler arasındaki “nedensel” ilişkileri sınamada kullanılan kapsamlı bir istatistiksel yaklaşımdır (Sümer, 2000:1). YDM

kapsamlı bir analiz yöntemidir (Sütütemiz, 2005:241). Açıklayıcı faktör analizi (AFA), gizil değişkenli yapıların en çok bilineni ve en yaygın uygulama alanına sahip bir yöntemdir (Sütütemiz, 2005:241).

Açıklayıcı faktör analizi veriler arasındaki ilişkilere dayanarak, verilerin daha anlamlı ve özet bir biçimde sunulmasını sağlayan çok değişkenli bir analiz türüdür (Kurtuluş, 1998:482). AFA’de belirli bir ön beklenti ya da hipotez olmaksızın faktör ağırlıkları temelinde verinin faktör yapısı belirlenir. (Sümer, 2000:52). DFA ise, daha çok ölçek geliştirme ve geçerlilik analizlerinde kullanılmakla birlikte, daha önceden belirlenmiş ya da kurgulanmış bir yapının doğrulanması ya da teyit edilmesi amacını taşımaktadır (Sümer, 2000:52). Daha açık olarak ifade etmek gerekirse, DFA ölçeğin daha önceden belirlenen boyutlara uyum sağlayıp sağlamadığının istatistiksel olarak araştırılmasına dayanmaktadır (Sütütemiz, 2005:242).

Pazarlama araştırmacıları tarafından geçerliliğin sınanması amacıyla özellikle yapısal denklem modeli bakış açısının kullanıldığı DFA’den faydalandıkları görülmektedir. Aslında Yapısal denklem modelleri Karl Jöreskog, Dan Sörbom, Van Thillio, James Keesling ve De. Wiley. ‘nin 30 yıldan fazla süren çalışmalarının bir ürünüdür (Mackenzie, 2001, akt., Bershoff ve Terblance, 2006).

Yapısal denklem modellerinin ve doğrulayıcı faktör analizinin genel olarak pazarlama araştırmacıları spesifik olarak ta ölçek geliştiren araştırmacılar açısından avantajlarını kısaca özetlemek mümkündür:

1. Yapısal denklem modelleri ölçüm hatalarını1 kontrol etme imkanı sağlamaktadır. Gözlemlenmeyen yapılara (algılanan değer, tatmin vb.) ait gözlemlenen değişkenler (örn; anket maddeleri), ölçüm hatalarını içermektedir. Yapısal denklem modelleri ölçüm hatalarını, analizlerde hesaba katması açısından önem teşkil etmektedir. Daha açık ifade etmek gerekirse, pazarlama ve tüketici araştırmalarındaki ölçümlerin büyük bir kısmı amaçlanan yapıyı ifade etmekte yetersiz kalmakta, tesadüfü ve sistematik hataları içermektedir. Söz konusu hatalar araştırma bulgularının geçerliliğini tehdit etmektedir (Mackenzie, 2001 akt. Bershoff and Terblance, 2005).

2. DFA, faktör ağırlıkları ve bunlara ilşkin parametrelerin yanında faktörlerin ve sınanan modelin genel kalitesine illşkin bilgiler verir. Açıklayıcı faktör analizinde ise, sınanan modelin eldeki veriye uyumuna yönelik sonuçlara ulaşmak mümkün değildir (Sütütemiz, 2005:105).

3. DFA, Geliştirilen ölçeklerin değerlendirilmesi imkanını sağlar. DFA’den, ölçek geliştirme sürecinde, açıklayıcı faktör analizi sonucuna göre önerilen modelin benzeşim ve ayrım geçerliliğinin sınanmasında faydalanılmaktadır. Diğer taraftan geleneksel yöntemler dışında kullanılan daha doğru güvenilirlik testlerinin (bileşik güvenilirlik ve çıkarılan ortalama varyans) uygulanması imkanı sağlamaktadır.

1 Ölçme, önceden belirlenmiş olan kurallara gore nesnelere ve objelere sayılar atfetme olarak tanımlanabilir. Ölçme hatası ise, ölçülmek istenen gerçek değerden sapmaları ifade etmektedir (Altunışık ve diğ. 2005: 139).

X (ölçülen değer)= G (gerçek değer)+ E (hatalar)

Genel olarak, ölçme hataları sistematik ve tesadüfi hatalar olmak üzere ikiye ayrılır. Tesadüfi örnekleme hatası seçilen örneğin, anakütleyi tam olarak temsil edemediği durumlarda ortaya çıkar (Gegez, 2005:134). Bu tür hata, aynı anakütleden alınacak değişik örnek değerlerinden elde edilecek tahminler arasındaki farklar alınarak hesaplanır (Kurtuluş, 1998:226). Hangi örnekleme yöntemi kullanılırsa kullanılsın, örnekleme yapıldığında tesadüfi örnekleme hatası ortaya çıkar. Bunun çözümü olarak örneklem hacminin arttırılarak ana kütle ortalamasına yakın bir sonuca ulaşmak mümkündür. Ancak, örneklem hatasının azaltılması, örneklem dışı hataların artmasına yol açmaktadır (Gegez, 2005:134). Sistematik hatalar (örnekleme dışı hatalar), örnekleme dışı hatalar dışında, problem tanımı, ölçekler, veri hazırlama, analiz gibi aşamalarda yapılan tüm hataları kapsar (Gegez, 2005:144). Örneğin, katılımcıların anketi cevaplamaması, ankette soruların sıralamasından kaynaklanan yönlendirme hataları, araştırmacının aslında ihtiyaç duyduğu bilgi ile aradığı bilginin farklı olması, araştırmacının ölçmek istediği şeyi gerçekten ölçememesi, araştırmacının pazarlama araştırması problemini çözmek için ulaşması gereken anakütle yerine farklı ve yanlış anakütlenin belirlenmesi, anakütleden yanlış örneklem seçilmesine yönelik hatalardır (Gegez, 2005:143-144; Altunışık ve diğ., 2005:139-140). Sistematik hata, ana kütle parametresinin gerçek değeri ile bu ana kütleden elde edilecek bütün örneklerden hesaplanacak ortalama değerler arasındaki farkla ölçülür (Kurtuluş, 1998:226).

4. Geleneksel yöntemler, karmaşık ilişki örüntüsüne sahip olan, ve çok sayıda değişken içeren modelleri sınamada yetersiz kalmakta ve bir model çok sayıda istatistiksel aşama ve eşitlikle sınanabilmektedir. YDM ve DFA’de ise, bu tür karmaşık modeller genellikle tek bir işlemle yapılabilmekte ve model parametrelerinin her birine ilişkin anlamlılık ve karşılaştırma istatistikleri bu analizlerden elde edilebilmektedir. (Sümer, 2000:51).

5. Doğrulayıcı faktör analizi, açıklayıcı faktör analizinden farklı olarak “modifikasyon indeksleri2 önermektedir”. Modifikasyon Đndeksleri modelin eldeki veriye daha iyi uyum sağlamasına yönelik çeşitli modifikasyonlar içermektedir. Söz konusu modifikasyonlar gözlenen değişkenlerin farklı gizil değişkenlere kaydırılması, modelden çıkarılmasına yönelik çok sayıda parametre içermektedir. Söz konusu indeksler, ayrıca önerilen değişikliklerin yapılması durumda modelde kazanılacak ki-kare değerini vermektedir.

Çalışmada, AFA’den algılanan değeri oluşturan faktörler, diğer bir deyişle gizil (latent) değişkenler ortaya çıkarılması amacıyla faydalanılmıştır. Ancak açıklayıcı faktör analizi ile henüz bu faktörlerin kendi içsel uyumları ve algılanan değeri ne düzeyde açıkladığı tam olarak açıklanamamaktadır. Bu nedenle çalışmada, ölçek geliştirmenin ilk aşaması olan açıklayıcı faktör analizi ile ortaya çıkarılan boyutların kalitesi, boyutlar arası uyum ve algılanan değerinde içinde yer aldığı genel model uyumunun belirlenmesi açısından doğrulayıcı faktör analizinden faydalanılmştır (Sütütemiz, 2005; Worthington ve Tiffany, 2006:815; Terblance ve Boshoff, 2006:111). Bu çalışmada, ölçek geliştirmenin ikinci aşamasında doğrulayıcı faktör analizinin uygulanması amacıyla SPSS programı altında çalışan ve yapısal denklem modellerinin çözümleri için geliştirilen AMOS 6.0 paket programından faydalanılmıştır. Çalışmanın bundan sonraki kısmında Doğrulayıcı Faktör analizinin uygulanma süreci ele alınacaktır. Bu süreç yapısal denklem modeli (YDM) uygulama süreci ile benzerlik göstermekte ve beş aşamadan oluşmaktadır (Schumacker ve Lemax, 1996: 63; Hair ve diğ., 1998: 617-624; Byrne, 2001).

Bu aşamalar:

1) Model Tanımlama

2) Belirleme (Identification)

3) Tahmin

4) Modelin Eldeki Veriye Uyumunu Sınama

5) Yeniden Tanımlama (Gerektiğinde Modifikasyonlar yapma)

Đzleyen kısımda bu aşamalardan kısaca bahsedilecektir. 1. Model Tanımlama

Genel olarak YDM iki alt modelden oluşmaktadır. Bunlardan ilki, ölçülebilir ve ölçülemeyen değişkenler arasındaki ilişkileri gösteren “ölçüm modeli”dir. (Schumacker ve Lomax, 2001:83) Modeldeki ölçülebilir değişkenler ölçek maddelerini, ölçülmeyen (gözlemlenmeyen) değişkenler ise gizil (latent) değişkenleri (faktörleri) ifade etmektedir. Ölçüm modeli DFA modelini temsil etmektedir ve ölçek geliştirme çalışmalarında bu modelden faydalanılmaktadır. DFA modelinde her bir gözlenen değişken, faktörden yük almaktadır. Diğer taraftan “yapısal denklem modeli” gözlemlenemeyen değişkenler arasındaki ilişkileri açıklamaktadır (Byrne, 2001:12). Doğrulayıcı faktör analizinin ilk aşaması olan model tanımlama aşaması, modelin teorik bir temele dayalı olarak formüle edilmesidir (Schumacker ve Lomax, 1996:63). Model tanımlama sürecinde hem ölçülen (gözlemlenen) hem de gizil (latent) değişkenler içeren bir değişkenler seti tanımlanır (Sütütemiz, 2005). AFA sonucunda ortaya çıkarılan faktörler gizil değişkenleri her bir faktöre ait ifadeler ise, gözlemlenen değişkenleri oluşturmaktadırlar (Kline, 1998:14). Söz konusu değişkenler path diyagramları yardımıyla ölçüm modeli biçiminde yapılandırılmaktadır.

Ölçüm modelinde gizil değişkenler yuvarlak ve elipslerle, gösterge (gözlemlenen) değişkenleri ise kare ya da dikdörtgenlerle gösterilirler. Modelde değişkenler arasındaki tüm oklar hesaplanması gereken parametreleri ifade etmektedir. Ölçüm modelinde göstergeler gizil değişkenleri etkilemez, gizil değişkenler göstergeleri etkiler, bu nedenle okların yönü gizil değişkenlerden onların göstergelerine doğrudur. Gizil

değişkenlerden onların göstergelerine uzanan oklar, faktör analizinde faktör yüklerine karşılık gelmektedir (Sütütemiz, 2005). Ancak, AFA’de faktör yükleri korelasyon olarak yorumlanırken, DFA modelindeki faktör yükleri ise, standardize edilmiş ya da standardize edilmemiş regresyon katsayıları olarak yorumlanmaktadır (Klein, 2000: 199). Göstergelere dışarıdan uzanan oklar ise, onların hata payı olup ilişkili olduğu gizil değişkeni açıklamadığı varyansı göstermektedir. Gizil değişkenlere dışarıdan uzanan oklar ise, o gizil değişkendeki, ondan önce gelen bağımsız gizil değişkenler tarafından açıklanmayan hata varyansını göstermektedir (Sütütemiz, 2005).

Geleneksel YDM yaklaşımında, modelde yer alan değişkenler arasındaki bütün ilişkilerin doğrusal olduğu varsayılır (Sümer, 2000:53). Model içinde yönü belirli ve belirli olmayan iki tür ilişki söz konusudur. Yönü belirlenmiş ilişkiler nedensel ilişkilerdir. Bir değişkenin diğer değişken üzerindeki etkisini, varsayılan doğrusal ilişki yönünde göstermektedir. Bu etki genellikle tek yönlü okla gösterilir (Sütütemiz, 2005:245). Yönü belirlenmiş ilişkilerin rakamsal değeri, regresyon katsayılarına ve bir regresyonda değişkenlere verilen ağırlıklara karşılık gelmektedir.

Ölçüm modelinde yer alan gizil değişkenler arasında ise, sadece yönü belli olmayan ilişkiler olduğu varsayılmaktadır. Yönü belli olmayan ilişkiler, çift yönlü oklarla gösterilir ve değişkenler arasındaki korelasyonel ilişkiyi göstermektedir. Burada bir etkiden söz edilmez. Modeldeki gizil değişkenler arasındaki çift yönlü okların sayısal

değerleri ise, değişkenler arasındaki kovaryans (veya eğer değişkenler

standartlaştırılmışsa korelasyon) değerlerini göstermektedir (Sütütemiz, 2005:245). Yukarıda ifade edildiği gibi, gözlemlenen değişkenler doğrudan ölçülebilen değişkenler olup ölçekteki ifadelere karşılık gelmektedir. Gizil değişkenler ise, doğrudan ölçülemeyen ve bu nedenle bir ölçüm aracına sahip olmayan yapılardır. Bu bağlamda, gizil değişkenler ile ölçülen değişkenler arasındaki ilişkileri (regresyon ağırlıklarını) tahmin etmek için her bir gizil değişkenin belirli bir ölçeğe sahip olması gereklidir (Klein, 2000:204). Ölçüm modelinde, gizil değişken için ölçek oluşturmak amacıyla

2. Modelin Belirlenmesi:

Ölçüm modelinin belirlenmesi, modelde tanımlanan her bir parametre için tek bir sayısal çözüm elde etme koşullarını içermektedir (Bollen 1989., akt., Sütütemiz, 2005:253). Modelin belirlenmesinde, ölçüm modelinde yer alan bütün varyans ve kovaryansların toplamı (p*) ile hesaplanacak parametre sayılarından yararlanılmaktadır. Parametre sayısının (q) hesaplanmasındaki pratik yol, modelde gösterilen ve hesaplanan varyans ile kovaryanslara karşılık gelen bütün tek ve çift uçlu okları saymaktır (Sütütemiz, 2005).

Ölçüm modelleri tam belirlenmiş (just-identified) (q= p*), aşırı belirlenmiş (over identified (q<p*) ve eksik belirlenmiş (q>p*) (under-identified) olabilmektedir (Schucmacker ve Lomax, 1998:103; Byrne, 2001:35; Hair ve diğ., 1998: 608-609). Tam belirlenmiş modelde, varyans ve kovaryansların sayısı tahmin edilecek parametre sayısına eşittir. Bu nedenle, modelin serbestlik derecesi sıfır olduğundan model reddedilememektedir. Eksik belirlenmiş modelde ise, tahmin edilecek parametre sayısı modeldeki varyans ve kovaryanslardan fazladır. Model parametre tahminleri için yeterli veriye (varyans-kovaryans) sahip değildir. Bu nedenle, modelin çözümü mümkün değildir. Aşırı belirlenmiş modelde ise; tahmin edilecek parametre sayısı varyans ve kovaryanslardan azdır (Byrne, 2001:35). Böylece model reddedilebilir. Bu nedenle aşırı belirlenmiş model bilimsel amaçla kullanılabilir.

Modeldeki varyans ve kovaryansların toplamında (p*)=p(p+1)/2 formülü

kullanılmaktadır (Byrne, 2001:35). Formüldeki p gözlenen (ölçülen) değişken sayısıdır. Ölçüm modelinin çözümü için ihtiyaç duyulan koşullardan biri serbest parametre sayısının (q), örneklem kovaryans matrisindeki eleman sayısından (p*) küçük veya eşit olmasıdır (Sütütemiz, 2005). Modelin serbestlik derecesi ise, p*-q olarak hesaplanmaktadır (Byrne, 2001:35).

3. Modelin Tahmin Edilmesi

Modelin tahmin edilmesi, ölçüm modelindeki parametrelerin hesaplanmasından oluşmaktadır. Bu parametreler, gözlemlenen değişkenlerin hataları, gizil değişkenler ile gözlemlenen değişkenler arasındaki regresyon katsayıları, gizil değişkenlerin varyans ve kovaryanslarından oluşmaktadır. Daha önce ifade edildiği gibi, standartlaştırılmış ya da

standartlaştırılmamış regresyon katsayıları açıklayıcı faktör analizindeki faktör

yüklerine karşılık gelmektedir. Kovaryanslar ise, değişkenler arasındaki

standartlaştırılmamış korelasyon değerlerini ifade etmektedir.

Söz konusu parametreler modelin yorumlanması konusunda bilgi verirler. Parametrelerin tahmin edilmesinde öncelikle tahmin yönteminin seçilmesi gereklidir. Yapısal denklem modellerinde en yaygın kullanılan yöntem, maksimum olabilirlik (maximum likelihood) tahmin yöntemidir. Bunun nedeni Maksimum likelihood yönteminin normallik varsayımın ihlaline karşı tamamen dirençli olarak görülmesidir. Bu nedenle, elde edilen tahminler verilerin normal dağılmadığı durumlarda bile tatmin edici veriler olduğu söylenebilir (Sütütemiz, 2005:256).

4. Modelin Đstatistiksel Uyumunun Değerlendirilmesi

Bu aşamada, model tahmin sonuçları ile birlikte modelin eldeki veriye uygunluğunu gösteren model uyum indeksleri değerlendirilmektedir. Yapısal denklem modellerinde kullanılan en genel uyum istatistiği ki-kare değeri olarak verilmektedir. Ki-kare değerinin serbestlik derecesine oranının (χ ²/sd) 5’ten küçük olması, modelin eldeki veriye iyi uyum sağladığı şeklinde yorumlanmaktadır. Diğer taraftan 2 ile 5 arasındaki ki kare değeri “iyi uyumu” 2’den küçük değerler ise “mükemmel uyumu” göstermektedir (Kelloway, 1998:27; Berthon ve diğ., 2005:162). χ ²,nin örneklem büyüklüğüne duyarlı olması sonucu, farklı uyum indeksleri geliştirilmiştir.

Bu indeksler modelin eldeki veriye uygunluğunu göstermektedirler. Araştırmalarda sıklıkla kullanılan uyum iyiliği indeksleri ve referans değerleri Tablo 7’de yer almaktadır.

Tablo 6: Literatürde Sık Kullanılan Uyum Đyiliği Đndeksleri ve Ölçütleri

Đndeks Tanımı Kabul

Edilebilir Düzey Đyi uyum Mükemmel uyum Ki-kare (χ ²) Ki-kare/sd (χ ²/df) Serbestlik derecesi (df)

Anakütle kovaryans matrisinin modelde üretilen kovaryans matrisine eşit olup olmadığını test eder. Modelin uyumu açısından χ ²/sd bakılarak değerlendirme yapılır.

χ ²/sd<5 2> χ ²/sd<5 Χ 2/sd<2

Uyum Đyiliği Đndeksi (Goodness of Fit Index -GFI)

Modelin örneklemdeki varyans-kovaryans matrisiyle ne oranda örtüştüğünü gösterir ve regresyonda R² değerine eşdeğer olarak yorumlanabilir.

GFI>0,90 0,90<GFI<0,95 GFI>0,95

Ayarlanmış (Düzeltilmiş Uyum Đyiliği Đndeksi-AGFI)

Serbestlik derecesine göre ayarlanmış Uyum iyiliği indeksidir.

AGFI>0,90 0,90<GFI<0,95 AGFI>0,95

Karşılaştırmalı Uyum Đndeksi (Comparative Fit Index-CFI)

Hiçbir değişkenler arasında ilişkinin olmadığı bağımsızlık modeli ile model kovaryans matrisinin karşılaştırmasına dayanan uyum ölçüsüdür.

CFI>0,90 0,90<CFI<0,95 CFI>0,95

Normlandırılmış Uyum Đndeksi (Normed Fit Index-NFI)

Önerilen modelin bağımsızlık modelinden ne düzeyde iyi uyum sağladığının ölçüsüdür.

NFI>0,90 0,90<NFI<0,95 NFI>0,95

Normlandırılmamış Uyum Đndeksi (Nonnormed Fit Index-NNFI)

Tucker-Lewis Index (TLI)

Modelin serbestlik derecesine göre NFI’nın ayarlanmış halidir.

NNFI>0,90 0,90<NNFI<0,95 NNFI>0,95

Artmalı Üyum Đndeksi Incremental Fit Index-IFI)

Bollen (1989) tarafından geliştirilen artmalı uyum indeksidir. Bağımsızlık modeli ile YDM arasındaki kovaryans matrisinin karşılaştırmasına dayanan uyum ölçüsüdür.

IFI>0,90 0,90<IFI<0,95 IFI>0,95

Yaklaşık Hataların Ortalama Karekökü (Root Mean Square Error Aproximation-RMSEA)

Önerilen modelin parametreleri arasındaki kovaryans

matrisiyle, örneklemde gözlenen değişkenler arasındaki kovaryans matrisi arasındaki farka (hataya) dayanan uyum ölçüdür. Serbestlik derecesini dikkate alır.

RMSEA<0,10 RMSEA<0,05 RMSEA<0,01

Tablodaki değerler şu kaynaklardan yararlanılarak hazırlanmıştır: (Kelloway, 1998; Arbuckle, 2006: 531; Kline, 1998; 127; Schumacker ve Lomax,1996; 119-129; Bentler, 1990; Hu ve Bentler, 1999)

5. Yeniden Tanımlama (Gerekli Modifikasyonların Yapılması) :

Daha önce belirtildiği gibi, DFA’nın temel amacı önerilen faktör yapısını doğrulamanın yanında modelde daha iyi uyum indeksleri sağlamak amacıyla yapılması gereken anlamlı modifikasyonların tespit edilmesine yardımcı olmasıdır. Bu amaçla öncelikle,

faktör yüklerinin ve faktör korelasyonlarının değerlerine bakılarak gerekli modifikasyonların yapılması gerekmektedir (Hair ve diğ., 1998:625).

Diğer taraftan, önerilen ölçüm modelinin daha iyi uyum vermesi için modelde bir takım

değişikliklerin yapılmasını öneren “modifikasyon indekleri (MI)” den

faydalanılmaktadır (Hair ve diğ., 1998; Byrne, 2001:102, Arbuckle, 2006). Bu indeksler gösterge ve gizil değişkenler arasındaki kovaryansa dayalı olarak daha çok hata matrislerini temel alan modifikasyonlar önerirler (Sütütemiz, 2005:264). Bu modifikasyonlar, gösterge ve gizil değişkenler arasında oluşturulması gereken yeni bağları, modelden çıkarılması gereken değişkenleri ve bazı değişkenlerin farklı faktörlere (gizil değişkenlere) kaydırılması gerektiğini gösteren çok sayıda parametreyi içerirler. Bu indekslere ait değerler değişkenin modelden çıkarılması ya da farklı bir gizil değişkene atanması durumda modelde kazanılacak χ² miktarını göstermektedirler (Sütütemiz, 2005). Ancak, modifikasyon indeksleri sonucunda yapılacak değişikliklerin modelin kuramsal yapısına uygun olması gerekmektedir (Arbuckle, 2006:114).