Nicel veri analizi, verilerin düzenlenmesi gibi basit iĢlemlerden baĢlayıp karmaĢık istatiksel analizlerden oluĢur (Robson, 2015, s. 509) ve analizler bu doğrultuda ardıĢık olarak gerçekleĢtirilmiĢtir. Veri analizinin ilk aĢamasında verilerin istatistik yazılımlarına doğrudan aktarılacak Ģekilde bir elektronik dosya oluĢturulmuĢ, bu yöntemle veri giriĢlerinde yaĢanacak hatalar önlenmiĢtir.
Ġkinci aĢamada veriler eksik veri, aykırı değerler, normal dağılım, tekli ve çoklu değiĢme açısından incelenmiĢ; analiz yapmak için toplanan gerçek rakamların bir ayıklama ve seçme sürecinden geçirilmesi (Robson, 2015, s. 525) iĢlemi yerine getirilmiĢtir. Veriler elektronik ölçek aracılığı ile toplandığı için ölçek ayarlarında boĢ madde kontrol özelliği kullanılarak doldurulan ölçeklerde hatalı kodlama ve boĢ bırakmanın önüne geçilmiĢtir.
Yapısal eĢitlik modellemesinin oluĢturulması bir dizi hiyerarĢik adımı kapsar. Bu adımları; genel olarak teorinin oluĢturulması, modelin belirlenmesi ve modelin test edilmesi Ģeklinde özetlemek mümkündür (Byrne, 2010, s.199). Yapısal eĢitlik modelleme yöntemi ile bir model oluĢturulurken üzerinde çalıĢılan konu ile ilgili yeterli düzeyde literatür bilgisine sahip olmak gerekir. AraĢtırma için gereken nedensel hipotezler YEM için çok önemlidir. AraĢtırmacı gerçek yaĢamda birbirleriyle iliĢkili olan değiĢkenler arasındaki iliĢkinin yönünü de bilerek verileri toplamalı ve bu verilerin analizini önceden tasarladığı iliĢkiler doğrultusunda yapmalıdır. Görüldüğü üzere YEM araĢtırma baĢlamadan önce var olan değiĢkenler arası iliĢkilere ait modelin araĢtırma sonucu elde edilen veriler kullanılarak sınanması esasına dayanmaktadır (Çerezci, 2010, s.2). Bu kapsamda ilgili araĢtırma sonuçlarına ve kuramsal açıklamalara dayalı olarak ilk aĢamada araĢtırmacı tarafından test edilecek bir model geliĢtirilmiĢtir. Ġkinci aĢamada örneklem grubundan elde edilen verilerle her bir değiĢkene iliĢkin DFA analizi yapılarak ölçme araçlarının yapısı doğrulanmıĢtır. Son olarak test edilecek modelin gerçek verilerle uyumlu olup olmadığı yapısal eĢitlik modellemesi ile incelenmiĢtir.
Yapısal eĢitlik modellemesi ile teorik model test edilmeden önce ölçek yapılarının DFA ile doğrulanması, örneklem büyüklüğünün ve yapısal eĢitlik için normallik varsayımlarının kontrol edilmesi gerekmektedir. Yapısal eĢitlik modellemesi yapılmadan önce örneklem grubundan elde edilen verilerin çok değiĢkenli normallik varsayımlarını karĢılayıp karĢılamadı normallik testleriyle incelenmiĢtir. Bu kapsamda çok değiĢkenli uç değerleri belirlemek amacıyla araĢtırmalarda Mahalanobis uzaklığı kullanılmaktadır. Mahalanobis uzaklığı, iki birim değeri veya noktası arasındaki uzaklığı ölçmede iki değiĢken arasındaki kovaryans veya korelasyon katsayısını da dikkate alan bir uzaklık
ölçütüdür (Kline, 2011, s.54). Her ne kadar verilerdeki uç değerler için kriter olarak p<.001 kullanılsa da (Tabachnick & Fidell, 2013, s.74) (Akbulut, 2010, s.72) çalıĢmada kullanılan veri setine eklenen Mahalanobis uzaklık değerleri incelenirken aĢağıdaki kriterlere uymayan uzaklık değerlerini gösteren deneklerin veri setinden çıkarılmasını önermektedir:
2 yordayan değiĢken için : 13.82 3 yordayan değiĢken için: 16.27 4 yordayan değiĢken için: 18.47 5 yordayan değiĢken için: 20.52 6 yordayan dğiĢken için 22.46 7 yordayan değiĢken için: 24.32
Bu araĢtırmada yöneticilerin kullandıkları algı yönetimi taktikleri, açık okul iklimi ve kapalı okul iklimi öğretmen motivasyonunun yordayıcıları olduğu için üç yordayan değiĢken için belirlenen 16.27 kritik değeri kesme noktası olarak alınmıĢtır. Mahalanobis uzaklık değerleri hesaplanarak 16.27 değerinin üzerindeki veriler uç değer olarak belirlenmiĢtir. Bu kapsamda sekiz adet ölçek formu analizlerden çıkarılmıĢtır.
Çok değiĢkenli normalliği incelerken Mardia‟nın çok değiĢkenli çarpıklık ve basıklık katsayıları, kritik oran değeri olarak kullanılmaktadır (Byrne, 2010, s.104, Kline, 2011, s.54, Brown, 2006, s.383). Ġlgili istatistik paket programlarında değiĢkenlerle ilgili normallik testi sonucu tablo olarak sunulmaktadır. Çok değiĢkenli normalliğe iliĢkin sonuçlar Tablo 3.10.‟da sunulmuĢtur.
Tablo 3. 10. Çok Değişkenli Normalliğe İlişkin Analiz Sonuçları
DeğiĢkenler Çarpıklık c.r. Basıklık c.r.
Algı Yönetimi Taktikleri -,540 -3,943 -,517 -1,538 Destekleyici Müdür DavranıĢları -1,238 -12,832 1,116 4,387 ĠĢbirlikçi Öğretmen DavranıĢları -1,102 -15,602 ,674 4,367 Samimi Öğretmen DavranıĢları -1,312 -11,117 ,603 3,234 Emredici Müdür DavranıĢları -,245 -4,884 -,632 -2,986 Kısıtlayıcı Müdür DavranıĢları ,538 4,221 -,746 -4,112 Umursamaz Öğretmen DavranıĢları ,347 2,398 -,754 -3,657 Öğretmen Motivasyonu -,291 -3,641 -,694 -2,885
Multivariate 1,756 1,598
Veri setlerinde çok değiĢkenli normalliğin değerlendirilirken çarpıklık ve basıklık değerleri için +2 ile -2 kritik değerler olarak alınmaktadır (Byrne, 2010, s.104, Kline, 2011, s.54). Tablo 3.10 incelendiğinde araĢtırma değiĢkenlerine iliĢkin çarpıklık ve basıklık değerlerinin +2 ile -2 arasında değiĢim gösterdiği görülmektedir. Mardia katsayısı incelendiğinde değerin MK=1,756 olduğu görülmektedir Mardia katsayısı çok değiĢkenli
basıklığın normalleĢtirilmiĢ tahminidir. BaĢka bir deyiĢle, Mardia katsayısı çok değiĢkenli basıklığın z-değeridir (Bayram, 2010, s.78). Bu değer için 1, 96 kesme noktası olarak ifade edilmektedir. Hancock ve Liu, (2012) ise 5‟ten büyük değerlerin normal dağılıma uymadığını belirtmiĢtir. Tablo 3.10‟da Mardia katsayısının normal sınırlar içerisinde olduğu görülmektedir. Analiz sonucunda kritik oran (Critical ratio: 1,598) olarak hesaplanmıĢtır. Bu değer de kesme noktası olan 1,96‟dan küçük olduğu için araĢtırma değiĢkenlerinin çok değiĢkenli normal dağılıma sahip olduğu söylenebilir.
Çok değiĢkenli bir analiz olan YEM‟in varsayımlarından birisi de doğrusallıktır. DeğiĢkenler arasında doğrusal iliĢki saçılma diyagramı (Scatter plot) ile kontrol edilmiĢtir. AraĢtırma değiĢkenlerine iliĢkin saçılım grafikleri ġekil 3.7.‟de sunulmuĢtur.
Şekil 3. 7. AraĢtırma DeğiĢkenlerine ĠliĢkin Saçılım Grafikleri
ġekil 3. 7.‟de verilen saçılım grafiklerinin elips biçiminde olması doğrusallık varsayımının karĢılandığına iĢaret etmektedir (Kabacoff, 2011, s.265). Öğretmen motivasyonu-kapalı okul iklimi, öğretmen motivasyonu-algı yönetimi taktikleri ve algı yönetimi taktikleri-açık okul iklimi dağılımlarının ters yönde olması bu kavramlar arasındaki iliĢkinin negatif yönlü olduğunu göstermektedir. Saçılım grafikleri incelendiğinde değiĢkenlerin doğrusallık varsayımını karĢıladıkları söylenebilir.
YEM analizinin aranan varsayımlarından bir diğeri çoklu bağlantı probleminin olmamasıdır. Çoklu bağlantı araĢtırma değiĢkenleri arasındaki korelasyonun .85‟i aĢtığı durumlarda ortaya çıkmaktadır (Büyüköztürk, 2007, s. 34). AraĢtırma değiĢkenleri arasındaki iliĢki .73 ile .63 arasında değiĢmektedir. Çoklu bağlantı problemi olup olmadığını incelemek için varyans artıĢ faktörleri (VIF) ve tolerans değerleri de kullanılmaktadır. Çoklu bağlantı probleminin olmaması için tolerans değerinin sıfırdan uzaklaĢması VIF değerinin ise 10‟dan küçük olması beklenir (Kline, 2011, s.53-54). Çoklu bağlantı varsayımına iliĢkin sonuçlar Tablo 3.11.‟de verilmiĢtir.
Tablo 3. 11. Araştırmanın Bağımsız Değişkenlerine İlişkin Tolerans ve VIF Değerleri
Bağımsız DeğiĢkenler
Tolerans VIF
Algı Yönetimi Taktikleri ,48 2,04
Kapalı Okul Ġklimi ,44 2,22
Açık Okul Ġklimi ,45 2,18
Tablo 3.11. incelendiğinde araĢtırma değiĢkenlerinin tolerans değerlerinin sıfırdan uzaklaĢtığı VIF değerlerinin ise 10‟dan küçük olduğu görülmektedir. Bu durumda araĢtırma değiĢkenleri arasında çoklu bağlantı probleminin olmadığı söylenebilir.
Yapısal EĢitlik Modeli model doğrulamak için büyük örneklem miktarına ihtiyaç duyan bir tekniktir. Ġdeal bir örneklem büyüklüğü ve parametre oranı 20:1‟ dir. Örneğin model parametreleri toplam q=10 adet istatistiksel tahmin gerektiriyorsa ideal minimum örneklem sayısı 20x10 ve N=200 olacaktır. Daha az ideal örneklem büyüklüğü ve parametre oranı 10:1 dir. Örneğin q=10 için minimum örneklem büyüklüğü 10x10 yani N=100 olacaktır (Kline, 2011, s.12). AraĢtırma modelinde tahmin çalıĢması yapılması planlanan parametre sayısı q=13 ve 20x13 ve N= 260 iken örneklemden toplanan veri sayısı 492‟dir.
Veri analizinin üçüncü aĢamasında kullanılan ölçme araçlarının geçerlikleri ve güvenirlilikleri bu araĢtırma kapsamında tekrar incelenmiĢtir. Bu amaçla, bir dizi Doğrulayıcı Faktör Analizi (DFA) gerçekleĢtirilmiĢtir. Analizler bilgisayar destekli istatistik paket programları aracılığıyla ve en yüksek olabilirlik (Maximum Likelihood) yöntemi kullanılarak yapılmıĢtır.
Faktör analizi, birbiriyle iliĢkili olan çok sayıda değiĢkeni bir araya getirerek az sayıda iliĢkisiz ve kavramsal olarak anlamlı yeni değiĢkenler ya da boyutlar bulmayı veya daha önceden bulunmuĢ olan boyutları test etmeye yarayan çok değiĢkenli bir istatistiktir (Büyüköztürk, 2002, s.471). Açımlayıcı Faktör Analizi (AFA) ve Doğrulayıcı Faktör Analizi olmak üzere iki faktör analizi yaklaĢımı vardır (Seçer, 2015, s.78). Açımlayıcı faktör analizinde (AFA) değiĢkenler arasındaki iliĢkilerden hareketle faktör ya da boyut bulmaya yönelik bir iĢlem, doğrulayıcı faktör analizinde (DFA) ise değiĢkenler arasındaki iliĢkiye dair daha önce saptanan bir hipotezin ya da modelin test edilmesi söz konusudur (Büyüköztürk, 2012: 123). Yapılan iĢlemler açısından Açımlayıcı Faktör Analizi aynı madde takımında temelde yer alan yapının ne olduğunu belirlemek için ve daha çok yeni oluĢturulan ölçeklerin yapı geçerliliğinin test edilmesinde kullanılır. Doğrulayıcı Faktör Analizi ise daha önceki çözümsel sonuçların tahmin edilen iliĢki örüntüsünü doğrulamak için ve geçerliliği sağlanmıĢ ölçeklerin, araĢtırmanın yapıldığı örneklemde de benzer olup olmadığını test etmek üzere yapılmaktadır (DeVellis, 2014, s.151). Faktör analizi çalıĢmalarında kullanıldığında araĢtırmacılar bir model uyum indeksi elde etmektedir. Model uyumunun değerlendirilmesi DFA da önemli ve karmaĢık bir süreçtir (Güngör, 2016, s.109). En çok kullanılan ve raporlanması beklenen model uyum istatistikleri Ģu Ģekildedir:
Uyum
Ölçüleri Açıklama Ġyi Uyum
Kabul Edilebilir Uyum
X2 Ki-kare Dağılımı (χ2 değerinin serbestlik derecesine bölünmesiyle elde edilen X2/sd değer iki veya altında olmalıdır)
0 ≤ X2 ≤ 2sd 2sd ≤ X2 ≤ 3sd
Merkezi Olmayan İndeksler
CFI KarĢılaĢtırmalı uyum indeksi
(Comparative Fit Index) 0,97 ≤ CFI ≤ 1.00 0,95 ≤ CFI ≤ 0,97 RMSEA Tahmin hatalarının ortalamasının karekökü
(Root Mean Square Error of Approximation) 0 < RMSEA < 0,05 0,05 < RMSEA <0,10
Göreli /Artan Uyum İndeksleri
NFI NormlaĢtırılmıĢ uyum indeksi
(Normed Fit Index) 0,95 ≤ NFI ≤ 1.00 0,90 ≤ NFI ≤ 0,95 NNFI-
TLI
LISREL‟de normlaĢtırılmamıĢ uyum indeksi,
AMOS‟ta Tucker Lewis Index Ģeklinde yer alır 0,97 ≤ NNFI ≤ 1.00 0,95 ≤ NNFI ≤ 0,97 IFI 0,95 ≤ IFI ≤ 1.00 0,90 ≤ IFI ≤ 0,95
Mutlak Uyum İndeksleri
SRMR
StandartlaĢtırılmıĢ hata kareleri ortalamasının karekökü
(Standardized Root Mean Square Residual)
0 ≤ SRMR ≤ 0,05 0,05 ≤ SRMR ≤ 0,10
GFI Ġyilik uyum indeksi
(Goodness of Fit Index) 0,95 ≤ GFI ≤ 1 0,90 ≤ GFI ≤ 0,95 AGFI DüzeltilmiĢ iyilik uyum indeksi
(Adjustment Goodness of Fit Index) 0,90 ≤ GFI ≤ 1 0,85 ≤ AGFI ≤ 0,90
Not: Tablo Çerezci, E. T. (2010). Yapısal EĢitlik Modelleri ve Kullanılan Uyum Ġyiliği Ġndekslerinin KarĢılaĢtırılması. Gazi Üniversitesi. 65-66. dan UyarlanmıĢtır.
YEM araĢtırmalarında, X2/sd edilmesi konusunda araĢtırmacılar arasında bir görüĢ
birliği olsa da (Mulaik vd., 1989) diğer uyum indekslerinden hangilerinin rapor edilmesi gerektiğine iliĢkin farklı araĢtırmacılar tarafından değiĢik öneriler getirilmiĢtir. McDonald ve Ho (2002); CFI, GFI, NFI ve NNFI (TLI); Garver ve Mentzer (1999); RMSEA, CFI ve NNFI (TLI); Brown (2006); RMSEA, SRMR, CFI ve NNFI (TLI); Iacobucci (2010), CFI ve SRMR uyum indekslerinin rapor edilmesini önermektedir (Ġlhan & Çetin, 2014, s.31). Bu araĢtırmada χ2, χ2/df, RMSEA, SRMR, NNFI (TLI) ve CFI değerleri raporlanmıĢtır.
Ölçme araçlarının iç tutarlılık güvenirlikleri ölçmek için Cronbach Alfa katsayıları hesaplanmıĢtır. Tablo 3.13 Ölçeklerin güvenilirlik derecesini hesaplamak için alfa katsayısı aralığını göstermektedir. Alfa katsayısının değeri arttıkça ölçek daha güvenilir olma eğilimindedir. Alfa'nın kabul edilebilir değerleri hakkında 0.60'dan 0.95'e kadar farklı görüĢler vardır (DeVellis, 2014, s.109).
Cronbach alfa değeri Ġç tutarlılık
α ≥ 0.90 Mükemmel
0.90 > α ≥ 0.80 Çok Ġyi 0.80 > α ≥ 0.70 Kayda Değer
0.70 > α ≥ 0.65 Asgari Düzeyde Kabul edilebilir 0.65 > α ≥ 0.60 TartıĢmaya açık/Ġstenilir değil
0.60 > α Kabul edilemez
Veri analizinin son aĢamasında, öğretmenlerin yöneticilerinin algı yönetimi taktiklerine, örgüt iklimi ve öğretmen motivasyonuna yönelik iliĢkiyi açıklamak için bütünleĢik bir model ortaya konmuĢ, modelde yer alan değiĢkenler arasındaki iliĢki yapısal eĢitlik modellemesi (YEM) kullanılarak incelenmiĢtir. Analizler Yapısal EĢitlik Modellemesi ile ilgili yazılım programlarıyla gerçekleĢtirilecektir.
Ölçme araçlarındaki puan aralıkları yorumlanırken Öğretimde Özerk Motivasyon Envanteri (ÖZMOTEN) ve Yönetici Algı Yönetimi Taktikleri Değerlendirme Ölçeği (YAYTAD)‟nde yer alan maddeler 5‟li Likert tipi derecelendirme ölçeğine göre hazırlanmıĢtır. Ölçekte 1-5 arasında dört aralık bulunmaktadır. OCDQ‐ RE Örgütsel Ġklimi Ölçeğinde yer alan maddeler ise 4‟lü Likert tipi derecelendirmeye göre hazırlanmıĢtır. Ölçekte 1-4 arasında üç aralık bulunmaktadır. Her aralığın puanlanması, aralık sayısının madde sayısına bölünmesiyle elde edilmektedir. Yapılan iĢlem 5‟li Likert tipi için 4:5=0.80 ve 4‟lü Likert tipi için ise 3:4=0.75 Ģeklinde formüle edilmiĢ ve elde edilen sonuçtan hareketle her aralığın sırasıyla 0.80 ve 0.75 puanı kapsaması gerekmektedir. Ölçeklerdeki puan aralıklarına iliĢkin bilgiler Tablo 14‟de verilmiĢtir.
Tablo 3. 14. Ölçeklerdeki Puan Aralıkları
ÖZMOTEN* OCDQ‐ RE** YAYTAD***
1,00-1,80 Çok DüĢük 1,81-2,60 DüĢük 2,61-3,40 Orta 3,41-4,20 Yüksek 4,21-5,00 Çok Yüksek 1,00-1,75 DüĢük 1,76-2,51 Orta 2,52-3,27 Yüksek 3,28-4,00 Çok Yüksek 1,00-1,80 Hiçbir zaman 1,81-2,60 Nadiren 2,61-3,40 Ara sıra 3,41-4,20 Çoğu zaman 4,21-5,00 Her zaman *Puan aralıkları öğretmenlerin içsel motivasyon düzeylerini göstermektedir.
** Puan aralıkları okul müdürlerinin ve öğretmenlerin açıklık ve/veya kapalılık düzeylerini göstermektedir. *** Puan aralıkları algı yönetimi taktiklerinin uygulanma sıklığını göstermektedir.
DÖRDÜNCÜ BÖLÜM: BULGULAR VE YORUM
Bu bölümde, verilerin analizine geçmeden önce verilerin düzenlenmesi aĢamasında yapılan iĢlemlere, Yapısal EĢitlik Modellemesi (YEM)‟in temel varsayımlarının karĢılanıp karĢılanmadığına iliĢkin bulgulara, verilerle ilgili betimsel istatistiklere, YEM modeline iliĢkin çizelge, bulgu, doğrudan ve dolaylı etkilere, araĢtırma soruları çerçevesinde fark testlerinden elde edilen bulgulara yer verilmiĢtir.