Bifaktör Model (Genel ve Özel Faktörler)
Bifactor Measurement Model · Ayrıca şöyle bilinir: Bifaktör Modeli — Genel ve Spesifik Faktörler, hierarchical factor model, general-specific factor model, Schmid-Leiman model
Bifaktör ölçüm modeli, her bir göstergenin eş zamanlı olarak tek bir genel faktöre ve birkaç özel (grup) faktörden birine yüklendiğini belirtir. Holzinger ve Swineford tarafından 1937'de resmi olarak tanıtılan ve Reise (2012) tarafından psikometrinin ana akımına dahil edilen bu model, günümüzde çok boyutlu bir ölçeğin meşru olarak tek bir bileşik puan üretebileceğini değerlendirmek için standart araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bifaktör modeli, iki veya daha fazla anlamlı alt ölçeğe kümelenen çok boyutlu bir ölçeğe sahip olduğunuzda, ancak aynı zamanda toplam (bileşik) bir puan bildirmeyi de haklı çıkarmak istediğinizde uygundur. Minimum pratik örneklem büyüklüğü 200 vakadır ve her faktör - genel ve özel - en az üç göstergeye sahip olmalıdır; beşten az genel madde ile model tanımlanamaz hale gelir ve yakınsama yapmaz. Göstergeler ordinal veya sürekli düzeyde ölçülmelidir; maddeler ordinal ise, polikolik korelasyon matrisi ve WLS tahmin edicisi tercih edilir. Gözlemlenen değişkenlerin normalliği gerekli değildir. Temel koşul, tek bir gizil genel faktörün gerçekten tüm maddeler boyunca işlemesi varsayımıdır: eğer alan bilgisi bunu desteklemiyorsa - örneğin, mantıksal olarak ilgisiz yapıları birleştiren bir batarya - bifaktör yapısı uygun değildir ve bunun yerine ilişkili faktörler KÇK kullanılmalıdır.
Güçlü yönler & sınırlılıklar
- Tek bir tanımlanabilir ölçüm modelinde hem genel gizil faktörü hem de alt alan özel faktörlerini eş zamanlı olarak modeller.
- Çok boyutlu bir ölçekte bileşik bir toplam puanın savunulabilirliği için en doğrudan psikometrik kanıt olan ωh'yi sağlar.
- ECV ve ωh birlikte, araştırmacıların uydurma olmayan tek faktör kısıtlaması yapmadan tek boyutluluğun derecesini ölçmelerine ve raporlamalarına olanak tanır.
- Hiyerarşik modellerin Schmid-Leiman ortogonalizasyonunu kapsar ve genelleştirir, ayrı bir adım olarak ortogonalizasyon gerektirmeyen doğrudan yorumlanabilir yüklemeler üretir.
- Pratikte kararlı tahminler için 300 veya daha fazla olması önerilen en az 200 örneklem gerektirir - bu da onu küçük veya pilot çalışmalar için uygunsuz hale getirir.
- Tanımlama için (genel ve her özel faktör başına) en az üç gösterge gereklidir; bir veya iki öğeli ince alt ölçekler barındırılamaz.
- Bifaktör yapısı yanlış belirtildiğinde veya özel faktörler çok zayıf tanımlandığında model tahmini yakınsamayabilir veya pozitif olmayan tanımlı faktör korelasyon matrisleri üretebilir.
- Genel ve özel faktörler arasındaki diklik kısıtlaması ampirik bir bulgu değil, bir model varsayımıdır; eğer gerçek yapı ilişkili faktörleri içeriyorsa, bifaktör parametrizasyonu yüklemeleri bozabilir.
SSS
Bifaktör modeli ile ikinci dereceden bir KÇK arasındaki fark nedir?
İkinci dereceden (hiyerarşik) bir KÇK'da, genel faktör maddeleri yalnızca dolaylı olarak etkiler: birinci dereceden özel faktörleri tahmin eder, bu da maddeleri tahmin eder. Bifaktör modelinde, genel faktör her maddeyi özel faktörlerle eş zamanlı olarak doğrudan etkiler. Pratik çıkarım, bifaktör modelinin her bir maddenin genel yüklemesini doğrudan ölçmesi, ECV ve ωh'nin basit bir şekilde hesaplanabilmesini sağlamasıdır, oysa ikinci dereceden modeller eşdeğer miktarları elde etmek için Schmid-Leiman ortogonalizasyon adımını gerektirir.
Omega-hiyerarşik (ωh) bana ne anlatır?
ωh, toplam puan varyansının (toplanan tüm maddeler üzerinden) tek genel faktöre atfedilebilir oranıdır. 0.50 veya üzeri bir değer, genel faktörün bileşik puanı anlamlı, yorumlanabilir bir miktar haline getirmek için yeterli varyansı açıkladığı eşik olarak sıklıkla belirtilir. 0.50'nin altındaki değerler, bileşik puanın özel faktör varyansı tarafından domine edildiğini ve tek bir yapı özetinde yanıltıcı olabileceğini düşündürmektedir.
ECV nedir ve neden önemlidir?
ECV (Açıklanan Ortak Varyans), toplam ortak faktör varyansının (maddeler arasında paylaşılan varyans) genel faktör tarafından karşılanan oranıdır. 'Faktörlerin açıkladığı tüm varyansın ne kadarı geneldir?' sorusunu yanıtlar. 0.70 veya üzeri değerler, genel faktörün ortak varyansın baskın kaynağı olduğunu gösterir, bu da bir bileşik puanı savunmak için gerekli - ancak yeterli olmayan - bir koşuldur.
Ne kadar büyük bir örneğe ihtiyacım var?
Kayıt minimumu 200'dür, ancak ampirik simülasyon çalışmaları, özellikle özel faktörler yalnızca üç öğeyle tanımlandığında, güvenilir yakınsama ve kararlı parametre tahminleri tipik olarak 300 veya daha fazla vaka gerektirdiğini göstermektedir. 100'ün altındaki örneklemlerde modelin yakınsaması olası değildir ve yakınlasa bile standart hatalar güvenilmez olacaktır. Örneklem 500'ün altındaysa ωh için bootstrap güven aralıkları raporlanmalıdır.
Kaynaklar
- Reise, S. P. (2012). The Rediscovery of Bifactor Measurement Models. Multivariate Behavioral Research, 47(5), 667–696. DOI: 10.1080/00273171.2012.715555 ↗
- Rodriguez, A., Reise, S. P. & Haviland, M. G. (2016). Evaluating Bifactor Models: Calculating and Interpreting Statistical Indices. Psychological Methods, 21(2), 137–150. DOI: 10.1037/met0000045 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bifactor Measurement Model. ScholarGate. https://scholargate.app/tr/psychometrics/bifactor-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Cronbach'ın Alfa Katsayısı (Güvenilirlik Analizi)İstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- McDonald's Omega (ω) Güvenilirlik KatsayısıPsikometri↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır