Boylamsal Keşfedici Faktör Analizi (Boylamsal KFA)
Longitudinal Exploratory Factor Analysis · Ayrıca şöyle bilinir: LEFA, longitudinal factor analysis, repeated-measures EFA, panel EFA
Boylamsal KFA, aynı gizil faktör yapısının zaman içinde ortaya çıkıp çıkmadığını ve faktör yüklerinin dalgalar boyunca istikrarlı kalıp kalmadığını keşfetmek için her ölçüm anında ayrı ayrı veya anlar boyunca ortaklaşa keşfedici faktör analizi uygular. Panel ve gelişimsel araştırmalarda yapısal değişim ve sürekliliği incelemek için temel veri odaklı yaklaşımdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla dalgadan panel veya tekrarlanan ölçümler madde verilerine sahip olduğunuzda ve özellikle araştırma programının erken aşamalarında, sabit bir onaylayıcı modele bağlı kalmadan önce, faktör yapısının zaman içinde aynı şekilde tutulup tutulmadığına dair veri odaklı bir kontrol istediğinizde boylamsal KFA kullanın. Her dalgadaki faktör yapısının gerçekten bilinmediği veya daha önce önerilen bir yapının bağlamlar veya gelişimsel dönemler boyunca tekrarlanamayabileceği durumlarda doğru araçtır. Yapı kurulduktan ve resmi değişmezlik testlerine ihtiyacınız olduğunda boylamsal KFA'nın yerine kullanmayın. Tek bir ölçüm anı olduğunda, aynı katılımcıların dalgalar boyunca ölçülmediği veya maddelerin dalgalar boyunca önemli ölçüde farklılaştığı durumlarda kullanmayın, çünkü dalgalar arası karşılaştırmanın anlamlı bir temeli yoktur.
Güçlü yönler & sınırlılıklar
- Veri odaklı: faktör yapısını önceden varsaymaz, bu da onu erken aşama boylamsal araştırmalar için uygun kılar.
- Yapısal değişimi, yapı değişimi ile puan değişimi arasında ayrım yaparak ortaya çıkarır.
- Tucker'ın uygunluk katsayısı, dalgalar arası faktör benzerliğinin nicel, yorumlanabilir bir indeksini sağlar.
- Prokrustes döndürmesi, tam değişmezlik kısıtlamaları dayatmadan çözümleri ortak bir referansa sabitler, keşif esnekliğini korur.
- Zaman içinde faktör öneminde kayma gösteren maddeleri işaretler, madde revizyonunu veya teorik yorumlamayı yönlendirir.
- Genel boylamsal model için resmi uyum istatistikleri sağlamaz; yapısal karşılaştırmalar tanımlayıcı kalır, çıkarımsal değil.
- Dalgalar boyunca faktör belirsizliği, iyi eşleşen çözümlerin bile tam olarak aynı faktörlerin kurtarılıp kurtarılmadığı konusunda belirsizlik içerdiği anlamına gelir.
- Her dalgada büyük örneklemler gerektirir; küçük n'ye bağlı yüklerdeki istikrarsızlık, gerçek yapısal değişim olarak görünebilir.
- Büyüme ortalamalarını aynı anda modelleyemez; bunun için tamamlayıcı bir gizil büyüme eğrisi veya ikinci dereceden boylamsal KFA gereklidir.
SSS
Boylamsal KFA, boylamsal KFA'dan nasıl farklıdır?
Boylamsal KFA keşfedicidir: her dalgadaki faktör yapısını önceden belirlemeden keşfeder. Boylamsal KFA onaylayıcıdır: yapıyı sabitlersiniz ve her dalgada verilere ne kadar iyi uyduğunu resmi olarak test edersiniz. Standart iş akışı önce KFA ile keşfetmek, ardından ayrı veya ayrılmış bir örneklemde KFA ile doğrulamak ve değişmezliği test etmektir.
Tucker'ın uygunluk katsayısı nedir ve hangi değer iyi bir tekrarlamayı gösterir?
Tucker'ın uygunluk katsayısı (phi), iki faktör yük vektörü arasındaki benzerliği kosinüsleri ile ölçer. 0.95'in üzerindeki değerler mükemmel tekrarlamayı, 0.90 ile 0.95 arasındaki değerler kabul edilebilir, 0.85'in altındaki değerler ise faktörlerin dalgalar boyunca aynı yapı olarak kabul edilmemesi gerektiğini gösterir.
Her dalgada aynı katılımcılara ihtiyacım var mı?
Anlamlı dalgalar arası faktör yapısı karşılaştırmaları için evet - aynı maddeler, örtüşen veya ideal olarak aynı katılımcı grubuna uygulanmalıdır. Paneller önemli ölçüde farklıysa (yüksek atılım, dönen panel tasarımı), dalgalar arası karşılaştırma, gözlemlenen faktör yapısını yeniden şekillendirebilecek seçim etkilerini hesaba katmalıdır.
Sıralı Likert maddeleriyle boylamsal KFA kullanabilir miyim?
Evet. Her dalgada KFA'nın girdisi olarak Pearson korelasyon matrisleri yerine polikorik korelasyon matrisleri kullanın ve Temel Eksen Faktoringi veya WLSMV tabanlı faktör analizi gibi polikorik girdiye uyumlu bir çıkarma yöntemi seçin. Sıralı KFA varsayımları o zaman tatmin edilir ve yükler Likert tipi veriler için daha doğrudur.
Ne kadar örnekleme ihtiyacım var?
Yaygın bir kılavuz, madde başına en az 5 katılımcı ve istikrarlı yükler için dalga başına yaklaşık 100-200 vaka minimumdur. Daha küçük örneklemler, yüksek örnekleme hatasına sahip yükler üretir, bu da dalgalar boyunca gerçek yapısal değişim olarak yanlış okunabilir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Longitudinal Exploratory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/longitudinal-exploratory-factor-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Uzunlamasına Onayıcı Faktör AnaliziPsikometri↔ karşılaştır
- Boylamsal Ölçüm Değişmezliği TestiPsikometri↔ karşılaştır
- Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Çok Düzeyli Keşfedici Faktör Analizi (ML-EFA)Psikometri↔ karşılaştır