Çok Düzeyli Keşfedici Faktör Analizi (ML-EFA)
Multilevel Exploratory Factor Analysis · Ayrıca şöyle bilinir: ML-EFA, multilevel factor analysis, two-level exploratory factor analysis, hierarchical exploratory factor analysis
Çok düzeyli keşfedici faktör analizi, veri hiyerarşisinin iki veya daha fazla düzeyinde – örneğin hem bireyler içinde hem de gruplar arasında – önceden sabit bir yapı dayatılmadan gizli faktör yapılarını eş zamanlı olarak ortaya çıkarır. Anket veya test maddeleri, sınıflara, kuruluşlara veya kliniklere yerleştirilmiş (nested) katılımcılardan toplandığında esastır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Maddeler tanımlanabilir gruplara yerleştirilmiş katılımcılardan toplandığında ve ICC'ler ihmal edilemez düzeydeyse – kurumsal anketler, sınıf tabanlı değerlendirmeler, çok merkezli klinik çalışmalar ve deneyim örnekleme verileri bunun başlıca örnekleridir – çok düzeyli EFA kullanın. Ayrıca, yapıların düzeylere göre farklılaşabileceğinden şüpheleniyorsanız da doğru seçimdir. Veriler hiyerarşik olarak yapılandırılmamışsa, grup boyutları çok küçükse (grup başına yaklaşık 10'dan az) veya grup sayısı azsa (yaklaşık 30'dan az) veya ICC'ler tekdüze bir şekilde sıfıra yakınsa, bu durumda standart EFA yeterli olduğundan kullanmayın.
Güçlü yönler & sınırlılıklar
- Madde varyansını grup içi ve gruplar arası kaynaklara doğru bir şekilde ayırarak, karışık faktör çözümlerini önler.
- Tek düzeyli bir EFA'nın gizleyeceği düzeylere özgü boyutluluğu ortaya çıkararak, faktör yapısının düzeylere göre farklılaşmasına izin verir.
- Çok düzeyli bir yaklaşımın gerekli olup olmadığına dair kararları destekleyen, madde başına ICC tahminleri sağlar.
- Çok düzeyli Yapısal Eşitlik Modellemesi (SEM) iş akışlarına doğal olarak entegre olur; burada EFA çözümü daha sonra çok düzeyli Doğrulayıcı Faktör Analizi (CFA) ile test edilebilir.
- Eğitim, kurumsal ve klinik araştırmalarda yaygın olan ve tek düzeyli varsayımların rutin olarak ihlal edildiği tasarımları ele alır.
- Güvenilir bir şekilde gruplar arası düzey kovaryans matrisini tahmin etmek için yeterli sayıda grup (tipik olarak en az 30) ve yeterli grup içi örneklem boyutları gerektirir.
- Model karmaşıklığı önemli ölçüde artar: iki ayrı faktör yapısının yorumlanması, döndürülmesi ve gerekçelendirilmesi gerekir.
- Gruplar arası düzeydeki faktör çözümleri genellikle grup içi düzeydeki çözümlerden çok daha az birim (grup) üzerinden belirlenir, bu da grup sayısı orta düzeydeyken kararsız tahminlere yol açar.
- Yazılım desteği standart EFA'ya göre daha sınırlıdır; Mplus en yetenekli platformdur, R paketleri (lavaan, Mplus-via-MplusAutomation) alternatiflerdir.
SSS
Çok düzeyli EFA, her grubun içinde EFA çalıştırmaktan nasıl farklıdır?
Her grupta ayrı ayrı EFA çalıştırmak, her grubun analizinde grup içi ve gruplar arası varyansı havuzlar ve kararlı bir gruplar arası kovaryans matrisi tahmin edemez. Çok düzeyli EFA, iki varyasyon kaynağını tüm gruplar arasında açıkça ayırarak, karışık olmayan düzeye özgü faktör çözümleri üretir.
Hangi ICC eşiği çok düzeyli bir yaklaşımı haklı çıkarır?
Kesin bir sınır yoktur, ancak yaklaşık 0.05'in üzerindeki ICC'ler yaygın olarak anlamlı kabul edilir. Küme boyutları büyükse, mütevazı ICC'ler bile belirgin şekilde yanlı standart EFA çözümleri üretebilir, çünkü toplam kümeler arası varyans hızla birikir. Tüm ICC'ler 0.02'nin altındaysa ve grup boyutları küçükse, genellikle tek düzeyli EFA yeterlidir.
Faktör sayısı grup içi ve gruplar arası düzeylerde farklılık gösterebilir mi?
Evet – ve sıklıkla da gösterir. Gruplar arası düzeydeki yapı, grup ortalamaları arasındaki varyasyonu yansıtır; bu, gruplar içindeki bireysel varyasyondan farklı bir olgudur. Gruplar içinde çok boyutlu görünen bir yapı, gruplar arasında temelde tek boyutlu olabilir veya grup içi karşılığı olmayan ek grup düzeyinde boyutlar ortaya çıkabilir.
Hangi yazılım çok düzeyli EFA çalıştırır?
Mplus, her düzeyde esnek döndürme seçenekleri ve uyum indeksleri ile en eksiksiz uygulamayı sunar. R paketi lavaan, çok düzeyli CFA'yı destekler ancak sınırlı keşfedici işlevselliğe sahiptir; MplusAutomation, Mplus'un R'den çalıştırılmasına izin verir. Özel çok düzeyli EFA, ek modüller olmadan standart SPSS veya SAS'ta mevcut değildir.
Çok düzeyli EFA'yı çok düzeyli CFA ile mi takip etmeliyim?
Evet, standart iş akışı, tek düzeyli faktör analizi için yapılanlarla aynıdır: düzeye özgü yapıları keşfetmek için bir kalibrasyon örneğinde çok düzeyli EFA kullanın, ardından bu yapıları bağımsız bir örneklemde çok düzeyli CFA ile çapraz doğrulayın. Bu iki adımlı süreç, keşfedici çözümün şans özelliklerinden yararlanmayı önler.
Kaynaklar
- Muthén, B. O. (1994). Multilevel covariance structure analysis. Sociological Methods & Research, 22(3), 376–398. DOI: 10.1177/0049124194022003006 ↗
- Ryu, E. & West, S. G. (2009). Level-specific evaluation of model fit in multilevel structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 16(4), 583–601. DOI: 10.1080/10705510903203466 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multilevel Exploratory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/multilevel-exploratory-factor-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bifaktör Model (Genel ve Özel Faktörler)Psikometri↔ karşılaştır
- Doğrulayıcı faktör analizi (DFA)Psikometri↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır