Sıralı Keşifsel Faktör Analizi
Ordinal Exploratory Factor Analysis · Ayrıca şöyle bilinir: ordinal factor analysis, polychoric EFA, categorical EFA, EFA for ordinal data
Sıralı keşifsel faktör analizi, öğeler arasındaki polikhorik korelasyonları hesaplayarak ve ardından ağırlıklı en küçük kareler tahmin edicisini uygulayarak, bir dizi sıralı öğenin altında yatan gizil faktörleri keşfeder — tipik olarak Likert ölçekleri —. Sıralı kategorik yanıt verilerine naif olarak sürekli KEFA yöntemleri uygulandığında ortaya çıkan çarpıtmaları önler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Öğeler sıralı kategorik ölçeklerde — kabaca 2 ila 7 kategoriye sahip Likert tipi ölçekler — ölçüldüğünde ve amacınız önceden belirlenmiş bir model olmadan gizil faktör yapısını keşfetmek olduğunda sıralı KEFA'yı kullanın. Psikoloji, eğitim ve sağlık araştırmalarındaki ölçek geliştirme ve doğrulama çalışmaları için uygun varsayılan yöntemdir. Beş veya daha az kategoriye sahip Likert öğelerine standart Pearson tabanlı KEFA uygulamayın, çünkü bu yükleri sistematik olarak hafife alır ve yanlış faktörler üretebilir. Öğeler zaten en az yedi sıralı yanıt seçeneğiyle yaklaşık olarak simetrik, sürekli dağılımlar ürettiğinde sıralı KEFA'ya gerek yoktur. Ayrıca sürekli KEFA'dan daha büyük örneklemler gerektirir; 200'den az katılımcı, özellikle nadir yanıt kategorileri için polikhorik tahminleri kararsız hale getirebilir.
Güçlü yönler & sınırlılıklar
- Pearson korelasyonları kaba sıralı ölçeklerde hesaplandığında faktör yüklerinin zayıflamasının düzeltilmesi.
- Gerçek sürekli altında yatan yanıt değişkenlerini modellediği için faktör yüklerinin istatistiksel olarak tutarlı tahminlerini üretir.
- WLSMV tahmin edicisi, çıkarılan faktör çözümünün resmi değerlendirmesine izin veren küresel uyum indeksleri (RMSEA, CFI, SRMR) sağlar.
- Sıralı veriler üzerinde uygulanan normal teoriye dayalı en büyük olabilirlik yönteminden daha iyi, asimetrik ve çarpık öğe dağılımlarını ele alır.
- Aynı tahmin çerçevesini kullanan doğrulayıcı faktör analizleriyle doğrudan karşılaştırılabilir, bu da KEFA'dan KFA'ya doğrulama hattını kolaylaştırır.
- Polikhorik korelasyon tahmini hesaplama açısından yoğundur ve seyrek frekans hücrelerinde sayısal olarak kararsız olabilir, bu da standart KEFA'dan daha büyük örneklemler gerektirir.
- Tüm yazılımlar polikhorik matrisler ve ağırlıklı en küçük karelerle sıralı KEFA'yı desteklemeyebilir; uygulama bilgisi gereklidir.
- Gizil yanıt değişkenleri için iki değişkenli normal varsayımı geçerli olmayabilir ve ihlaller polikhorik tahminleri bozabilir.
- Çok sayıda öğe olduğunda, polikhorik korelasyon matrisi tahmin hataları nedeniyle pozitif-tanımlı olmayabilir, bu da faktörlemeden önce düzenlileştirme gerektirir.
SSS
Standart KEFA'yı sıralı KEFA yerine ne zaman kullanabilirim?
Standart Pearson tabanlı KEFA, öğelerin en az yedi yaklaşık simetrik yanıt kategorisine sahip olduğu ve yanıtların dağılımının yaklaşık olarak normal olduğu durumlarda kabul edilebilirdir. Beş veya daha az Likert kategorisi veya çarpık dağılımlar olduğunda, sıralı KEFA polikhorik korelasyonlarla şiddetle tercih edilir çünkü sıralı değişkenler arasındaki Pearson korelasyonları zayıflatılır, bu da hafife alınmış yüklemelere ve potansiyel olarak yanlış faktör sayılarına yol açar.
Ne kadar örneklem büyüklüğüne ihtiyacım var?
Polikhorik korelasyon tahmini, Pearson'dan daha fazla örneklem gerektirir. Minimum 200 vaka yaygın bir kuraldır, öğeler çarpıksa, kategoriler seyrekse veya beklenen yükler mütevazı ise 400+ gibi daha büyük örneklemler önerilir. 100'den az vaka ile, polikhorik tahminler genellikle kararsızdır ve dikkatle ele alınmalıdır.
Hangi tahmin ediciyi seçmeliyim — DWLS mi yoksa WLSMV mi?
WLSMV (ortalama ve varyans ayarlı ağırlıklı en küçük kareler, Mplus'ta sıralı KFA/KEFA için varsayılan olarak uygulanır) genellikle tercih edilir çünkü ki-kare istatistiği ve uyum indeksleri ağırlık matrisinin normallikten sapması için düzeltilmiştir. DWLS (lavaan'da kullanılır) eşdeğer parametre tahminleri üretir ancak standart uyum indeksleri ayarlama olmadan daha az doğrudur. Sıralı KEFA'daki çoğu pratik amaç için, her iki tahmin edici de çok benzer faktör yükleri verir.
Aynı analizde sıralı ve sürekli öğeleri karıştırabilir miyim?
Evet, ancak karma bir korelasyon matrisi kullanmanız gerekir — sıralı-sıralı çiftler için polikhorik, sürekli-sıralı çiftler için poliseryal ve sürekli-sürekli çiftler için Pearson. Çoğu modern yazılım (örneğin, lavaan, Mplus) böyle bir matrisi hesaplayabilir ve analiz edebilir, ancak örneklem büyüklüğü gereksinimleri artar ve sonuçlar dikkatle yorumlanmalıdır.
Sıralı KEFA, Likert verileri için madde yanıt teorisinin yerini mi alıyor?
İlgili ancak farklı soruları yanıtlıyorlar. Sıralı KEFA, gizil boyutların sayısını ve hangi öğelerin her birine yüklendiğini — yapısal bir soruyu — ortaya çıkarır. Madde yanıt teorisi (MRT), her yanıt kategorisinin olasılığını gizil özellik düzeyinin bir fonksiyonu olarak modeller — bir ölçüm hassasiyeti sorusu. Tek boyutlu ölçekler için, sıralı KEFA tek bir baskın faktörü doğruladıktan sonra dereceli yanıt MRT modelleri genellikle bir sonraki adımdır.
Kaynaklar
- Flora, D. B. & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. DOI: 10.1037/1082-989X.9.4.466 ↗
- Muthén, B. (1984). A general structural equation model with dichotomous, ordered categorical, and continuous latent variable indicators. Psychometrika, 49(1), 115–132. DOI: 10.1007/BF02294210 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ordinal Exploratory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/ordinal-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
- Cronbach'ın Alfa Katsayısı (Güvenilirlik Analizi)İstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır