• Sonuç bulunamadı

3.7 ARAġTIRMA MODELĠNĠN ANALĠZĠ VE

3.7.1 AraĢtırmada Kullanılan Analiz Yöntemleri

3.7.1.1.2 Yapısal EĢitlik Modellerinin ÇeĢitleri

Yapısal eĢitlik modellerinin araĢtırmalarda kullanılan çok çeĢitli türlerine rastlanılmaktadır (Raykov ve Marcoulides, 2006; Khine, 2013: 4) literatürde sıkça bulunan, listelenmiĢ dört YEM modeli:

 Yol Analizi Modelleri (PA)

 Doğrulayıcı Faktör Analizi Modelleri (CFA)

 Yapısal Regresyon Modelleri (SR)

 Gizli DeğiĢim Modeli (LC)

126 ġekil 12: Yapısal EĢitlik Modelinin OluĢturulma Süreci

Kaynak: Meydan ve ġeĢen, 2015: 19

3.7.1.1.2.1 Yol (Rota) Analizi

Nedensel modelleme olarak da bilinen yol analizinin temel amacı değiĢkenler arasındaki nedensel iliĢkileri incelemeye yönelik bir analiz yöntemidir (Bayram, 2010: 41). Yapısal eĢitlik modellerinde yol/rota (path diagram) analizi, değiĢkenler arasındaki iliĢkilerin daire/elips, dikdörtgen/kare Ģekiller ve bunlar arasındaki tek yönlü veya çift yönlü iliĢkilerin tek yönlü veya çift yönlü oklar yardımıyla gösterildiği grafik gösterimlerdir (Byrne, 2010: 9; Hair ve ark., 2009: 609). Modelde bulunan değiĢkenler iki farklı Ģekilde ifade edilir. Birincisi, gizil değiĢkenler olarak ifade edilen doğrudan ölçülemeyen veya gözlenemeyen değiĢkenlerdir. Gizil değiĢkenler daire veya elips Ģekliyle modelde gösterilirler. Ġkincisi, gözlenebilen değiĢkenlerdir. Bu değiĢkenler, gizil değiĢkenlerin ölçeklenmesine ve birinci faktör

127 olarak belirlenmesine katkıda bulunan gözlemlenebilir değiĢkenlerdir (Eroğlu, 2003:161). Yol analizi iki veya daha fazla değiĢken arasındaki nedensel iliĢkilerin test edilmesinde, doğrudan veya dolaylı iliĢkilerin karĢılaĢtırılmasında kullanılır (Meydan ve ġeĢen, 2015: 27). Yol analizi, değiĢkenler arası korelasyonlar, regresyon değerlerinin analizi ve karmaĢık yapıya sahip modellerin test edilmesi amacıyla kullanılmaktadır (Schumacker ve Lomax, 2010: 5). Yapısal eĢitlik modellerinde analizlerin yapılabilmesi için, ilk olarak önceden belirlenmiĢ araĢtırma modeline göre, model değiĢkenleri arasındaki iliĢkileri gösteren yol diyagramı çizilir. Ġkinci olarak, yol diyagramındaki iliĢkiler ıĢığında veriler ile model arasındaki uygunluk, çeĢitli uyum indeksleri ile kontrol edilir (Yücenur ve ark., 2011: 163). Bu nedenle YEM‟ de yer alan değiĢkenler arasındaki yolun doğru belirlendiğinden emin olunması gerekir. Yol analizi, araĢtırma modelinin Ģekilsel bir gösterimini sunduğundan, araĢtırma modelinde belirlediğimiz nedensel iliĢkilerin doğruluğunu gözlemlememize yardımcı olur.

Yol analizi Ģu aĢamalardan oluĢmaktadır;

1. Öncelikle modelin testi (tek faktörlü model, birinci düzey çok faktörlü model, ikinci düzey çok faktörlü model, iliĢkisiz model.)

2. Model modifikasyonu (iyileĢtirilmesi) 3. ĠyileĢtirilmiĢ modelin tekrar test edilmesi

Yapılan araĢtırmalarda araĢtırmacıların kuramsal olarak tasarladığı modelde yer alan değiĢkenler arasındaki iliĢkilerin (yolların) gücü ve anlamlı olup olmadığı yol analizi ile belirlenebilmektedir (Byrne, 2010: 9; Meydan ve ġeĢen, 2015: 27). Yol analizi modelleri gözlenen değiĢkenler yardımıyla da açıklanabilmektedir. Yol analizinde, gözlenen değiĢkenler üzerine odaklanılmasına rağmen, yapısal eĢitlik modelinin oluĢum sürecinin önemli bir parçasını oluĢturur. Yol analizinde gözlenen değiĢkenler dikdörtgenler (veya kareler) olarak temsil edilirken, gizil değiĢkenler daireler veya (elips) olarak temsil edilir (Khine, 2013: 4).

128 Tablo 5: YEM’de Yol Analizinde Kullanılan ġekiller ve Anlamları

Gizil DeğiĢken; gözlemlenemeyen (ölçülemeyen) değiĢkenlerin çiziminde kullanılır.

Gözlemlenen değiĢkenlerin çiziminde kullanılır.

Çift yönlü doğru, Kovaryans/Korelasyon iliĢkilerin varlığını göstermede kullanılır.

Tek yönlü doğru, regresyon yolu çizer Nedensel iliĢkilerin varlığını göstermede kullanılır.

Gözlemlenen bir değiĢkene ait hata terimi eklenmesinde kullanılır.

Kaynak: Byrne, 2010: 9; Meydan ve ġeĢen,2015: 27

3.7.1.1.2.2 Doğrulayıcı Faktör Analizi

Doğrulayıcı faktör analizinin ilk çalıĢmaları Howe (1955), Anderson ve Rubin (1956) ve Lawley (1958)‟nin çalıĢmalarına dayanmaktadır. Belirli bir değiĢken kümesinin, daha kapsayıcı bir yapıyla açıklanıp açıklanamayacağı araĢtıran doğrulayıcı faktör analizinde, Karl Jöreskop‟un 1960 ve 1969 yılında yaptığı çalıĢmalarla bu alanda yazılımların geliĢmesine öncülük etmiĢtir (Schumacker ve Lomax, 2010: 5; Meydan ve ġeĢen, 2015:7). Doğrulayıcı faktör analizi, yapısal eĢitlik modelinin ölçüm modeli ve yapısal model olarak kabul edilen iki temel bileĢeninden biridir. YEM‟de yapısal model, bağımlı ve bağımsız değiĢkenler arasındaki iliĢkileri incelerken, ölçüm modeli (DFA) araĢtırmacı tarafından pek çok değiĢken arasından tek bir bağımlı veya bağımsız değiĢken oluĢturmaya yönelik ölçek geliĢtirme faaliyetlerinin geçerliliğin ve doğruluğunun ölçülmesinde kullanılmaktadır (Hair ve ark., 2009: 20). Aynı zamanda Doğrulayıcı faktör analizi, faktör analizinin bir uzantısıdır. Faktör analizi birbiriyle iliĢkili olan çok sayıda değiĢkeni, daha az sayıda, anlamlı ve birbirinden bağımsız faktörler haline getiren ve yaygın olarak kullanılan çok değiĢkenli istatistik tekniğidir (Schumacker ve Lomax,

129 2010: 164). KeĢfedici ve Doğrulayıcı Faktör analizi olmak üzere iki türlü faktör analizi vardır. Bu analizler analizler, gözlenen değiĢkenler ile gözlenemeyen değiĢkenler arasındaki kovaryanslarının ölçülmesinde kullanılan etkili istatistiksel yöntemler olarak bilinir. Çünkü DFA‟da bir modeldeki faktörler ve onu oluĢturan değiĢkenler üzerinde yoğunlaĢılır (Byrne, 2010: 5-6). KeĢfedici faktör analizinde, değiĢkenler arasındaki iliĢkilerden hareketle faktörler belirlenmeye çalıĢılırken, doğrulayıcı faktör analizinde değiĢkenler arasındaki iliĢkinin önceden belirlenen bir modele veya hipoteze göre test edilmesi söz konusudur (Meydan ve ġeĢen, 2015:

19). Faktör analizinde aralarında yüksek korelasyon bağı olan değiĢkenler setinin bir araya getirilerek faktör adı verilen genel değiĢkenlerin oluĢturulması söz konusudur.

Faktör analizinin amacı, değiĢken sayısını azaltmak ve değiĢkenler arası iliĢkilerdeki yapıyı ortaya koymaktır. Diğer bir ifade ile değiĢkenleri sınıflandırmaktır (Kalaycı, 2009: 321). Daniel‟e (1988) göre faktör analizi, değiĢkenlerin kovaryans yapısını incelemek ve değiĢkenler arasındaki iliĢkileri faktör olarak adlandırılan çok az sayıdaki gözlenemeyen (gizil) değiĢkenler açısından açıklamayı sağlamak üzere düzenlenmiĢ bir tekniktir. Rennie‟ye (1997) göre ise, maksimum varyansı açıklayan, az sayıda açıklayıcı faktöre ulaĢmayı hedefleyen ve gözlenen değiĢkenler arasındaki iliĢkileri temel alan analitik bir teknik olarak tanımlanmaktadır (Eroğlu, 2003: 154 ).

Faktör Analizi, sosyal bilimler alanında sıkça kullanılan çok değiĢkenli istatistiksel analiz tekniklerinden biridir. DFA aynı zamanda gizil değiĢkenler (veya faktörler) ve gözlemlenen değerler arasındaki iliĢkilerin ölçüm modelleriyle ilgilenen YEM‟in bir türü olarak da kabul edilir (Çelik ve Yılmaz, 2013: 43). YEM modelinde de faktör analizi ve regresyon analizi birlikte kullanılmaktadır. Bu sayede değiĢkenler arasındaki iliĢkinin incelenmesi mümkündür (KurtuluĢ ve OkumuĢ, 2006: 11).

Doğrulayıcı faktör analizi modelleri gözlenebilen bazı değiĢkenlerin gizil değiĢken oluĢturup oluĢturmadığını veya gizil değiĢkenler arasında tanımlanan iliĢkilerin var olup olmadığını test etmek için kullanılır (Anderson ve Gerbing, 1988: 411). Her gizil değiĢken bir gözlemlenebilen değiĢken tarafından ölçülmektedir. Bu nedenle doğrulayıcı faktör analizinde bir değiĢkenin diğerini etkilemesi değil, değiĢkenler arasındaki iliĢkiler önemlidir (Meydan ve ġeĢen, 2015:7-14). YEM ve DFA temelde aynı mantığa ve hesaplama tekniğine dayanmasında karĢın kullanım amaçları açısından farklılık göstermektedirler. YEM‟de teoride önerilen bir modelin sınaması ve hipotezlerin test edilmesi sonucunda veriyi en iyi temsil eden modelin belirlenmesi amaçlanırken, DFA ise, genelde ölçek geliĢtirme ve geçerlilik

130 analizlerinde veya önceden belirlenmiĢ bir yapının doğrulanmasında kullanılmaktadır. Bu nedenle ölçüm modelleride bir tür doğrulayıcı faktör analizi olarak ele alınmaktadır (Bayram, 2010: 42). Açıklayıcı faktör analizinde tanımlanan faktörlerin ya da boyutların doğrulanması ile ölçeğin güvenilirliğinin ve geçerliliğinin test edilmesinde kullanılan doğrulayıcı faktör analizi, önceden belirlenen modelin istatistiksel olarak anlamlılığını ve uyumluluğunu gösteren bazı değerler hesaplamaktadır (Bagozzi ve Yi, 1988:74-94; Schumacker ve Lomax, 2010:

5-7; ġimĢek 2007: 5; GüleĢ ve ark.,2011: 72). Bu modeller tek faktörlü model, birinci düzey çok faktörlü model, ikinci düzey çok faktörlü model ve iliĢkisiz model olarak adlandırılabilir (Meydan ve ġeĢen, 2015: 22). AraĢtırmada birden fazla ölçeğe yer verildiğinden öncelikle bu ölçeklerin her birinin birinci düzey çok faktörlü modelleri incelenerek modeli oluĢturan ifadelerden, etkisiz olanların modelden çıkarılması ve yeniden ikinci düzey çok faktörlü modellerin test edilmesi söz konusudur.

Doğrulayıcı faktör analizinde araĢtırma modelinin ve elde edilen verilerin analiz sonuçlarının istatistiksel olarak uygunluğunun test edilmesinde kullanılan temel değer, χ2 (Chi-Square) değeridir. χ2 değeri ana kitleye ait kovaryans matrisinin, modelde uygulanan kovaryans matrisine eĢit olup olmadığını test eder ve χ2 değerinin düĢük olması, p anlamlılık düzeyinin de 0.05‟den büyük olması kabul edilebilir bir değer olarak görülür (Schumacker ve Lomax, 2010: 64-69; Bayram, 2010: 71; Meydan ve ġeĢen, 2015: 22). Bu değer örneklem büyüklüğüne duyarlıdır.

Büyük örneklemlerde yüksek χ2 değerlere ulaĢılacağından dolayı serbestlik derecesi (df) ile düzeltilmiĢ olan χ2/df değerinin kullanılması daha uygun görülmektedir (Bagozzi ve Yi, 1988: 74-94; KurtuluĢ ve OkumuĢ, 2006: 12; Bayram, 2010: 71;

GüleĢ ve ark., 2011: 72).

3.7.1.1.3 Yapısal EĢitlik Modellerinin Uyumluluğunun (Uygunluğunun)