Ölçek Geliştirme İçin Keşfedici Faktör Analizi (KFA)
Exploratory Factor Analysis for Scale Development · Ayrıca şöyle bilinir: Açımlayıcı Faktör Analizi — Ölçek Geliştirme (EFA), psychometric EFA, scale construction factor analysis
Ölçek Geliştirme İçin Keşfedici Faktör Analizi, bir madde havuzunun uygulandığı ve elde edilen yanıt verilerinin maddeler arasındaki gizil faktör yapısını keşfetmek için analiz edildiği KFA'nın psikometrik uygulamasıdır. Spearman'ın (1904) faktör teorisi ile başlayan ve Costello ve Osborne (2005) ile Fabrigar ve arkadaşları (1999) tarafından uygulamalı ölçek oluşturma için biçimlendirilen bu varyant, genel KFA'dan daha katı bir örneklem gereksinimi (n ≥ 100, denek-madde oranı ≥ 5) ve daha yüksek bir yükleme eşiği (≥ 0.40) dayatır ve kurtarılan faktör yapısını daha sonra doğrulayıcı analizle doğrulanacak bir taslak olarak ele alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bu yöntem, araştırmacının aday maddelerden oluşan bir havuz oluşturduğu ancak ölçümün kaç alt ölçeğe sahip olması gerektiğini veya hangi maddelerin her birine ait olduğunu henüz belirlemediği yeni bir ölçek oluşturma projesinin erken aşamasında uygundur. Veriler üç ön koşulu karşılamalıdır: en az beş denek-madde oranına sahip en az 100 katılımcıdan oluşan bir örneklem; en az 0.70 KMO indeksi; ve anlamlı bir Bartlett testi. Maddeler sıralı veya aralıklı düzeyde ölçülmelidir; sıralı Likert tipi yanıtlar için polikore korelasyonları gereklidir. Eğer daha önceki çalışmalardan teorik olarak temellendirilmiş bir faktör yapısı zaten mevcutsa, başka bir KFA yerine yeni bir örneklem üzerinde doğrulayıcı faktör analizi uygun seçimdir.
Güçlü yönler & sınırlılıklar
- Bir madde havuzunun gizil yapısının, araştırmacının yapıyı önceden belirlemesini gerektirmeksizin veri odaklı bir haritasını sağlar.
- 0.40 yükleme eşiği ve denek-madde oranı kuralı, kötü maddeleri tutma olasılığını azaltan, ölçek geliştirmeye özgü bir disiplin uygular.
- Dik olmayan döndürme, dik döndürmeden daha zengin bir madde-faktör ilişkileri resmi veren bir desen matrisi ve bir yapı matrisi üretir.
- Doğrulayıcı faktör analizi ile sonuçlanan iki aşamalı bir doğrulama iş akışında ilk adım olarak hizmet eder.
- Çıkarılan faktör çözümü örneğe özgüdür ve özellikle n minimuma yakın olduğunda yeni bir örneklemde tekrarlanmayabilir.
- Tutulacak faktör sayısı, paralel analiz ile bile bir takdir kararı olmaya devam eder ve farklı çıkarma yöntemleri farklı çözümler üretebilir.
- Dik olmayan döndürme, desen matrisi ve yapı matrisinin her ikisinin de dikkate alınması gerektiğinden, yüklemelerin raporlanmasını karmaşıklaştırır.
- KFA tek başına ölçek yapısını doğrulayamaz; ölçek esaslı araştırmalarda kullanılabilmesi için bağımsız bir örneklem üzerinde doğrulayıcı bir çalışma gereklidir.
SSS
Psikometrik KFA genel KFA'dan nasıl farklıdır?
Aynı istatistiksel modeli uygularlar, ancak ölçek geliştirme için psikometrik KFA daha katı kalite kapıları uygular: minimum 100 örneklem (50 yerine), en az beş denek-madde oranı, en az 0.70 KMO eşiği (0.60 yerine) ve en az 0.40 faktör yükleme kriteri. Ayrıca sonucu, kendi başına bir son değil, yeni bir örneklem üzerinde doğrulayıcı faktör analizi ile doğrulanması gereken öncül bir yapı olarak ele alır.
Ölçek geliştirmede neden dik olmayan döndürme tercih edilir?
Psikolojik yapılar — ve çoğu ölçüm aracının alt ölçekleri — pratikte nadiren ilişkisizdir. Promax veya oblimin gibi dik olmayan döndürmeler, kurtarılan faktörlerin ilişkili olmasına izin verir, bu da genellikle daha basit, daha yorumlanabilir bir yükleme örüntüsü verir. Varimax aracılığıyla dikliği zorlamak çözümü yapay olarak sınırlar ve maddelerin gerçek yapısını gizleyebilir.
Çapraz yükleme yapan bir maddeyle ne yapmalıyım?
0.40 veya daha yüksek bir yüklemeye sahip bir madde iki veya daha fazla faktöre yüklenir, teorik olarak belirsizdir: tek bir alt ölçeğe açıkça ait değildir. Standart prosedür, madde kelime anlamını incelemek, daha temiz bir şekilde bir faktöre uyacak şekilde yeniden yazılıp yazılamayacağını düşünmek ve değilse, doğrulayıcı doğrulamaya geçmeden önce nihai ölçekten çıkarmaktır.
Aynı örneklem üzerinde KFA ve KFA çalıştırabilir miyim?
Teknik olarak yapabilirsiniz, ancak metodolojik olarak sorunludur. Bir KFA çözümü, tahmin edildiği örneklem için optimize edilmiştir, bu nedenle aynı veriler üzerinde çalıştırılan bir KFA, gerçek yapıdan bağımsız olarak iyi uyacaktır. En iyi uygulama, verileri bölmek (toplam örneklem yeterince büyükse) veya ayrı bir doğrulayıcı örneklem toplamak, ardından KFA tarafından türetilen yapıyı yeni veriler üzerinde KFA ile test etmektir.
Kaynaklar
- Costello, A. B. & Osborne, J. W. (2005). Best practices in exploratory factor analysis: Four recommendations for getting the most from your analysis. Practical Assessment, Research & Evaluation, 10(7), 1–9. link ↗
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C. & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. DOI: 10.1037/1082-989X.4.3.272 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Exploratory Factor Analysis for Scale Development. ScholarGate. https://scholargate.app/tr/psychometrics/efa-psychometric
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
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır