Doğrulayıcı Faktör Analizi — Ölçek Geçerliliği (DFA)
Confirmatory Factor Analysis for Scale Validation · Ayrıca şöyle bilinir: Doğrulayıcı Faktör Analizi — Ölçek Doğrulama (CFA), confirmatory factor analysis, measurement model testing
Doğrulayıcı faktör analizi, hipotez edilen bir faktör yapısının — tipik olarak teoriden veya önceki bir keşfedici analizden türetilen — yeni bir örneklemden elde edilen gözlemlenmiş verilere uyup uymadığını test eden bir ölçüm modelleme tekniğidir. Karl Jöreskog tarafından 1969'da geliştirilen bu yöntem, araştırmacının hangi maddelerin hangi örtük faktöre ait olduğunu önceden belirtmesini gerektirmesi ve ardından bu belirtimin yeterliliğini açık istatistiksel uyum kriterlerine göre değerlendirmesi nedeniyle psikolojik ölçeklerin geçerliliğini test etmek için baskın bir araç haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
DFA, bir faktör yapısı teorik veya ampirik gerekçelerle zaten belirtilmiş olduğunda uygundur — en yaygın olarak keşfedici faktör analizi ayrı bir örneklem üzerinde yapıldıktan sonra. Maddelerden oluşan bir psikometrik ölçeği esaslı araştırmalarda kullanmadan önce geçerliliğini test etmek için standart bir araçtır. İki koşulun karşılanması gerekir. Birincisi, her faktör tanımlanmış olmalıdır: geleneksel kural, faktör başına en az üç gösterge gerektirir, ölçek belirleme için ilk yükleme sabitlenir ve faktör başına en az iki serbest parametre kalır. İkincisi, örneklem, en çok olabilirlik tahmininin stabil davranması için yeterince büyük olmalıdır; 150 vaka minimum alt sınır olarak yaygın şekilde belirtilse de, birçok faktör ve madde içeren karmaşık modeller 300 veya daha fazlasını gerektirebilir. Sıralı Likert tipi maddeler için, WLSMV (ağırlıklı en küçük kareler ortalama-varyans ayarlı) tahmincisi, yanıt dağılımının çok değişkenli normalliğini varsaymadığı için ML'ye tercih edilir.
Güçlü yönler & sınırlılıklar
- Verilerdeki kalıpları sadece tanımlamak yerine, teorik olarak motive edilmiş faktör yapılarını titiz, nicel testlerle sağlar.
- Önerilen bir ölçüm modelinin ne kadar iyi olduğunu gösteren, birbirini tamamlayan birden fazla uyum indeksi sunar.
- Model karşılaştırmasına olanak tanır: iç içe geçmiş modeller ki-kare fark testleri ile, iç içe geçmemiş modeller ise AIC/BIC ile karşılaştırılabilir, bu da ölçek yapısı hakkında prensipli kararlar alınmasını sağlar.
- Normallik gerektirmeden WLSMV tahmini ve polikorik korelasyon matrisleri aracılığıyla sıralı verileri barındırır.
- Faktör yapısının yeni verileri görmeden önce tam olarak belirtilmesini gerektirir; aynı örneklem üzerinde keşfedici yeniden belirtim, uyum istatistiklerini şişirir ve doğrulayıcı mantığı zayıflatır.
- Ki-kare test istatistiği örneklem büyüklüğüne duyarlıdır ve büyük örneklemlerde neredeyse her zaman reddeder, bu da onu tek başına bilgilendirici olmaktan çıkarır.
- Modifikasyon indeksleri model iyileştirmelerine rehberlik edebilir, ancak teorik dayanak olmaksızın uygulanmaları, örnekleme aşırı uyan ve genelleşmeyen modeller üretir.
- Minimum örneklem gereksinimleri (n ≥ 150), daha basit güvenilirlik analizlerinden daha yüksektir ve karmaşık modeller önemli ölçüde daha fazlasını gerektirebilir.
SSS
DFA ile KFA arasındaki fark nedir?
KFA keşfedicidir: herhangi bir ön belirtim olmaksızın bir dizi maddenin altında kaç faktör yattığını ve hangi maddelerin hangi faktöre yüklendiğini tahmin eder. DFA doğrulayıcıdır: araştırmacı faktör desenini önceden tam olarak belirtir ve bu sabit desenin gözlemlenen verileri ne kadar iyi yeniden ürettiğini test eder. Standart iş akışı, bir örneklem üzerinde KFA ile yapıyı keşfetmek, ardından bu yapıyı yeni, bağımsız bir örneklem üzerinde DFA ile test etmektir.
Hangi uyum değerleri iyi uyum sağlayan bir modeli gösterir?
Hu ve Bentler (1999)'a dayanan en yaygın kullanılan eşikler, artımlı uyum için CFI ≥ 0.95 ve TLI ≥ 0.95, güven aralığı üst sınırı 0.10'un altında olan RMSEA ≤ 0.06 ve SRMR ≤ 0.08'dir. Hiçbir tek indeks belirleyici değildir; hepsi birlikte rapor edilmeli ve model karmaşıklığı ile örneklem büyüklüğü ışığında yorumlanmalıdır.
ML tahmini yerine WLSMV'yi ne zaman kullanmalıyım?
Göstergeleriniz sıralı olduğunda WLSMV kullanın — örneğin, 5'li veya 7'li Likert yanıt ölçekleri. En çok olabilirlik, maddelerin sürekli ve çok değişkenli normal olduğunu varsayar; sıralı veriler bu varsayımı ihlal eder ve ML bu durumda yanlı parametre tahminleri ve şişirilmiş uyum istatistikleri üretir. WLSMV, bir polikorik korelasyon matrisinden çalışır ve sıralı yanıt formatı için test istatistiğini ayarlar, daha iyi kalibre edilmiş tahminler sağlar.
Modifikasyon indekslerine dayanarak korelasyonlu artıkları serbest bırakmak kabul edilebilir mi?
Yalnızca iki maddenin ortak faktörün ötesinde varyansı paylaştığına dair açık, teorik olarak motive edilmiş bir neden olduğunda — örneğin, aynı ifadeye sahip iki madde (yöntem etkisi) veya aynı dar alt yönü ifade eden iki madde. Sadece bir CFI eşiğine ulaşmak için artık kovaryansları gerekçesiz serbest bırakmak, sonradan model avcılığıdır ve tekrarlanması olası olmayan sonuçlar üretir.
Kaynaklar
- Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). Guilford Press. ISBN: 978-1462515363
- Hu, L. & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. DOI: 10.1080/10705519909540118 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Confirmatory Factor Analysis for Scale Validation. ScholarGate. https://scholargate.app/tr/psychometrics/cfa-psychometric
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cronbach'ın Alfa Katsayısı (Güvenilirlik Analizi)İstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Hiyerarşik Doğrusal Modelleme (HLM / Çok Düzeyli Modelleme)İstatistik↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Rasch ModeliPsikometri↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır