Doğrulayıcı faktör analizi (DFA)
Confirmatory Factor Analysis · Ayrıca şöyle bilinir: CFA, confirmatory FA, measurement model, restricted factor analysis
Doğrulayıcı faktör analizi, araştırmacı tarafından belirlenen bir faktör yapısını gözlemlenen verilere karşı test eder. Keşfedici yaklaşımların aksine, araştırmacı hangi göstergelerin hangi gizil faktöre yükleneceğine önceden karar verir ve model, ima edilen kovaryans matrisinin örneklem kovaryans matrisini ne kadar yakından yeniden ürettiğine göre değerlendirilir. DFA, ölçek geçerliliği, yapı geçerliliği değerlendirmesi ve ölçüm değişmezliği testleri için merkezi bir öneme sahiptir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+110 tane daha
Ne zaman kullanılır
Teorik veya ampirik olarak motive edilmiş bir a priori faktör yapısını test etmek istediğinizde DFA kullanın — örneğin, ayrı bir örneklemde KE'den sonra, mevcut doğrulanmış bir ölçeği uyarladıktan sonra veya teorik bir çerçeve hangi maddelerin hangi yapıyı ölçtüğünü belirttiğinde. DFA ayrıca yapısal eşitlik modellemesi ve gruplar arasında ölçüm değişmezliğinin resmi testlerinden önce gerekli ilk adımdır. Yapının gerçekten bilinmediği durumlarda KE'nin yerine DFA kullanmayın: spekülatif bir modeli zorla uydurup ardından modifikasyon indeksleriyle değiştirmek, keşfedici analize doğrulayıcı paketlemeyle indirgenir ve Tip I hatayı şişirir. Örneklem genellikle 200 vakayı aşmalı ve her faktörde en az üç gösterge bulunmalıdır; çok küçük örneklemler kararsız tahminler ve güvenilmez uyum indeksleri üretir.
Güçlü yönler & sınırlılıklar
- Sonradan keşfetmek yerine açık, önceden belirlenmiş bir ölçüm teorisini test eder, bu da sonuçları daha bilimsel olarak savunulabilir kılar.
- Modelin nerede başarılı olduğunu veya başarısız olduğunu tam olarak belirleyen zengin bir uyum indeksi ve modifikasyon tanıları seti sağlar.
- Ortak varyansı (faktörle paylaşılan) benzersiz varyanstan (maddeye özgü hata) ayırarak, güvenilirlik (CR) ve yakınsak geçerlilik (AVE) için daha temiz tahminler sağlar.
- Gizil değişkenlerin birbirleriyle ilişkili olduğu tam yapısal eşitlik modelleri ve aracılık veya moderasyon analizleri için ölçüm omurgasını oluşturur.
- Bir ölçeğin gruplar, zaman noktaları veya kültürel bağlamlar arasında eşit olarak işlev görüp görmediğini belirlemek için titiz ölçüm değişmezliği testleri sağlar.
- Savunulabilir bir a priori yapı gerektirir; eğer özsel bir teori yoksa, DFA uygun değildir ve KE öncelikli olmalıdır.
- Örneklem büyüklüğüne duyarlıdır: uyum indeksleri küçük örneklemlerde (yaklaşık 100–150 vakanın altında) kötü davranır ve ki-kare büyük örneklemlerde (~400'ün üzerinde) neredeyse her zaman anlamlıdır.
- Model benzersiz değildir — birçok farklı faktör yapısı verilere eşit derecede uyabilir (eşdeğer modeller sorunu) ve yalnızca uyum aralarından seçim yapamaz.
- Modifikasyon indeksleri tarafından yönlendirilen model modifikasyonları keşfedicidir ve güvenilir olmaları için bağımsız bir örneklemde çapraz doğrulanmalıdır.
SSS
DFA ile KE arasındaki fark nedir?
KE veriye dayalıdır: kaç faktörün var olduğunu ve hangi maddelerin önceden belirlenmeden birlikte kümelendiğini keşfeder. DFA teoriye dayalıdır: araştırmacı, uyum istatistiklerini görmeden önce tam faktör desenini belirler ve ardından verilerin bu desene uygun olup olmadığını test eder. Standart bir iş akışı, önce bir kalibrasyon örneğinde KE çalıştırır ve ardından elde edilen yapıyı tutulan bir örneklemde DFA ile doğrular.
Hangi uyum indekslerini rapor etmeliyim?
En azından ki-kareyi (df ve p-değeri ile), CFI, TLI, RMSEA'yı (90% GA ile) ve SRMR'yi rapor edin. Kabul edilebilir uyum genellikle CFI/TLI ≥ .95, RMSEA < .06 ve SRMR < .08 ile gösterilir, ancak bunlar kesin eşikler yerine kılavuzlardır. Her zaman büyük, teorik olarak yorumlanabilir yerel uyumsuzluk kaynakları için modifikasyon indekslerini inceleyin.
Likert ölçekli maddelerle DFA kullanabilir miyim?
Evet, ancak standart ML tahmincisi sürekli, normal dağılımlı göstergeleri varsayar. Sıralı maddeler için — genellikle beşten az yanıt kategorisi olan veya çarpık dağılımlara sahip olanlar — girdi olarak polikorik korelasyonları kullanın ve DWLS (lavaan/Mplus'ta WLSMV olarak da adlandırılır) veya sağlam ML (MLR) gibi sağlam bir tahminci seçin.
Ölçüm değişmezliği nedir ve neden DFA bunu test eder?
Ölçüm değişmezliği, ölçeğin gruplar (örneğin, erkekler ve kadınlar veya kültürler) arasında aynı yapıyı aynı şekilde ölçtüğü anlamına gelir. Çok gruplu DFA, giderek daha kısıtlı modellerin — konfigürasyonel, metrik, skaler — bir dizisini uyarlayarak ve bunların uyumunu karşılaştırarak bunu test eder. Skaler değişmezlik, gruplar arasındaki gizil ortalama farklarının geçerli bir şekilde yorumlanabilmesi için gereklidir.
Ne kadar büyük bir örneğe ihtiyacım var?
Yaygın bir minimum 200 vakadır, ancak gereksinimler model karmaşıklığına, faktör sayısına ve gösterge güvenilirliğine bağlıdır. Güçlü yüklemelere sahip daha basit modeller daha az vakayla yeterince çalışabilirken, karmaşık modeller veya zayıf göstergeler önemli ölçüde daha fazlasını gerektirir. Monte Carlo simülasyon çalışmaları, serbestçe tahmin edilen parametre başına en az 5–10 gözlemin yararlı bir başlangıç sezgisel olduğunu göstermektedir.
Kaynaklar
- Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202. DOI: 10.1007/BF02289343 ↗
- Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). Guilford Press. ISBN: 978-1462515363
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Confirmatory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/confirmatory-factor-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yakınsak GeçerlilikPsikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır