Ölçekler için Doğrulayıcı Faktör Analizi
Confirmatory Factor Analysis Method for Scale Validation and Structural Testing · Ayrıca şöyle bilinir: CFA, Confirmatory factor analysis, Path analysis, Structural equation modeling
Doğrulayıcı Faktör Analizi (DFA), hipotez edilen bir faktöriyel yapının ampirik verilere uyup uymadığını test etmek için kullanılan istatistiksel bir yöntemdir. Karl G. Jöreskog tarafından 1969'da geliştirilen DFA, maddelerin teorik olarak belirlenmiş gizil faktörlere beklendiği gibi yüklenip yüklenmediğini değerlendirerek psikometrik ölçekleri doğrulamak için standart bir yaklaşımdır. Keşfedici faktör analizinden farklı olarak, DFA faktör yapısının a priori belirtilmesini gerektirir ve model yeterliliğini değerlendirmek için uyum iyiliği indeksleri sağlar.
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, yerleşik bir ölçeği doğrulamak veya bağımsız bir örneklemde teorik olarak motive edilmiş bir faktör yapısını test etmek için uygundur. Ölçek doğrulama çalışmalarında, kültürlerarası eşdeğerlik testlerinde ve boylamsal ölçüm değişmezliğinde standart yaklaşımdır. DFA, keşifsel ölçek geliştirme (bunun yerine KFA kullanın) veya ölçek yapısı hakkında önceden teori bulunmadığında daha az uygundur. Örneklem büyüklüğü gereksinimleri önemli olduğundan (genellikle 200-500+ yanıtlayan), küçük popülasyonlarda uygulanabilirliği sınırlıdır.
Güçlü yönler & sınırlılıklar
- Ölçek yapısı hakkında a priori hipotezleri test eder, teorik modeller için veya onlara karşı kanıt sağlar
- Basit geçme/kalma kriterlerinin ötesinde nüanslı model değerlendirmeyi kolaylaştıran birden çok uyum indeksi sunar
- Faktör korelasyonlarını ve ölçüm hatasını tahmin ederek ölçek özelliklerinin kapsamlı bir şekilde anlaşılmasını sağlar
- Gruplar arası (örn. cinsiyet, yaş) ölçüm değişmezliğini test etmeye olanak tanır, eşit ölçek işleyişini sağlar
- Büyük örneklem büyüklükleri gerektirir (200–500+); küçük örneklemler kararsız tahminlere ve şişirilmiş Tip II hata oranlarına yol açar
- Verilerin yaklaşık olarak çok değişkenli normal olduğunu varsayar; ihlaller (aşırı normallik dışı durum, kategorik yanıtlar) sağlam yöntemler gerektirir
- Ki-kare testi, büyük örneklemlerde küçük model yanlış belirtimine aşırı duyarlıdır, bazen iyi uyan modelleri reddeder
- A priori belirtim gerektirir; post-hoc model modifikasyonundaki esneklik, şansa dayalı sermayelendirme ve şişirilmiş Tip I hata riskini taşır
SSS
DFA için minimum örneklem büyüklüğü nedir?
Yaygın bir öneri, daha iyi güç için en az 200 yanıtlayan, tercihen 300–500'dür. Bazıları oran tabanlı bir kural önermektedir (tahmin edilen parametre başına 10–20 katılımcı). Daha küçük örneklemler (< 200), kararsız parametre tahminlerine ve yetersiz güce yol açar. Daha büyük örneklemler, model uyumsuzluğunu tespit etme gücünü artırır ancak aşırı katı ki-kare testleri üretebilir.
Birbiriyle rekabet eden iki DFA modelini nasıl karşılaştırırım?
Modeller iç içe geçmişse (biri diğerinin kısıtlanmış bir versiyonuysa), model serbestlik derecelerindeki farka eşit serbestlik dereceleriyle bir ki-kare fark testi (Δχ²) kullanın. İç içe geçmemiş modeller, bilgi kriterleri (AIC, BIC) kullanılarak karşılaştırılır. Ek olarak, uyum indekslerindeki pratik farklılıkları (örn. ΔCFI, ΔRMSEA) inceleyin.
DFA modelim verilere iyi uymuyorsa ne yapmalıyım?
Sorunlu alanları belirlemek için modifikasyon indekslerini ve kalıntı kovaryanslarını inceleyin. Ancak, modeli yalnızca teorik olarak gerekçelendirilmişse değiştirin. Alternatif faktör yapılarını düşünün, verileri aykırı değerler veya varsayım ihlalleri açısından kontrol edin veya yapı tanımı hakkında alan uzmanlarına danışın. Herhangi bir değişikliği doğrulamak için yeni bir örneklemden veri toplayın.
Tüm uyum indekslerini mi yoksa sadece birkaçını mı rapor etmeliyim?
Birden çok uyum indeksini rapor edin: df ve p-değeri ile χ², CFI, %90 GA ile RMSEA, SRMR ve büyük örneklemler kullanılıyorsa örneklem büyüklüğüne göre ayarlanmış indeksler. Bu üçgenleme, model uyumu için kanıtı güçlendirir. Tek bir indekse (örn. sadece χ² veya sadece RMSEA) güvenmek yetersizdir ve yanlış yorumlamalara yol açabilir.
Kaynaklar
- Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183-202. DOI: 10.1007/BF02289343 ↗
- Hoyle, R. H. (Ed.). (2012). Handbook of Structural Equation Modeling. New York: Guilford Press. ISBN: 9781462503254
- Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). New York: Guilford Press. ISBN: 9781462523344
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Confirmatory Factor Analysis Method for Scale Validation and Structural Testing. ScholarGate. https://scholargate.app/tr/psychometrics/confirmatory-factor-analysis-scale
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- İçerik Geçerlik OranıPsikometri↔ karşılaştır
- Ölçek Geliştirme için Faktör AnaliziPsikometri↔ karşılaştır
- Taban ve Tavan EtkisiPsikometri↔ karşılaştır
- Likert Ölçek YapımıPsikometri↔ karşılaştır