Sıralı Ölçek Geliştirme
Ordinal Scale Development · Ayrıca şöyle bilinir: Likert scale development, ordinal measurement scale construction, ordinal item development, polytomous scale construction
Sıralı ölçek geliştirme, yanıt seçeneklerinin sıralı ancak zorunlu olarak eşit aralıklı olmayan bir dizilim oluşturduğu (en yaygın olarak Likert tipi biçimler, örn. 1 = Kesinlikle Katılmıyorum'dan 5 = Kesinlikle Katılıyorum'a kadar) çok maddeli ölçüm araçlarının sistematik olarak oluşturulması ve doğrulanmasıdır. Sürekli veriler gibi işlemeye çalışmak yerine, maddelerin sıralı doğasını dikkate alan psikometrik teknikler kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Maddeleriniz sıralı bir yanıt biçimi (Likert, semantik fark ölçeği veya sıralı kategoriler) taşıdığında ve aralıkları eşit kabul etmek için gerekçe bulamadığınızda sıralı ölçek geliştirme kullanın. Özellikle yanıt seçenekleri kaba olduğunda (5-6 kategoriden az), dağılımlar görünür şekilde çarpık olduğunda veya araştırma bağlamı titiz ölçüm gerektirdiğinde önemlidir. Bu durumlarda genel sürekli veri prosedürlerinden (Pearson korelasyonları, maksimum olabilirlik ile standart CFA, ham puanlardan hesaplanan basit Cronbach'ın alfası) kaçının; güvenilirlik tahminlerini şişirebilir veya azaltabilir ve yanıltıcı faktör çözümleri üretebilirler. Maddeler gerçekten sürekli olduğunda (örn. tepki süreleri, fizyolojik ölçümler) sıralı yöntemler gerekli değildir.
Güçlü yönler & sınırlılıklar
- Likert ve benzeri maddelerin kategorik, sıralı doğasını, aralıklı ölçek varsayımını zorlamak yerine doğru bir şekilde modeller.
- Polikorik tabanlı faktör analizi, veriler sıralı olduğunda Pearson tabanlı yaklaşımlardan daha doğru bir şekilde gizli yapıyı kurtarır.
- WLSMV ve DWLS tahmin edicileri normallikten sapmalara karşı dayanıklıdır ve 200 katılımcı kadar az sayıda katılımcıyla iyi performans gösterir.
- McDonald'ın omegası, çok boyutlu ve sıralı ölçekler için Cronbach'ın alfasından daha teorik olarak sağlam bir güvenilirlik tahmini sağlar.
- Açık içerik geçerlik prosedürleri (uzman panelleri, CVI), ölçek puanlarını amaçlanan yapı alanına bağlar.
- Polikorik korelasyonlar, altta yatan sürekli gizli yanıtlara ilişkin iki değişkenli normallik varsayımlarını gerektirir; ciddi ihlaller tahminleri bozabilir.
- WLSMV tahmini, kararlı sonuçlar için standart ML tahmininden daha büyük bir örneklem gerektirir; öneriler genellikle n = 200'den başlar.
- Süreç, daha basit sürekli veri yaklaşımlarına göre daha fazla karar noktası (yanıt kategorisi sayısı, tahmin edici seçimi, döndürme) içerir, bu da raporlama karmaşıklığını artırır.
- Sıralı alfa ve omega özel yazılımlar (örn. R paketleri lavaan, psych veya FACTOR) gerektirir ve bazı incelemeciler tarafından daha az bilinir.
SSS
Likert maddelerimi sürekli olarak ele alıp standart EFA kullanabilir miyim?
Yaygındır ancak önerilmez. Maddeler 5-6'dan az sıralı kategoriye sahip olduğunda veya çarpık olduğunda, Pearson korelasyonları maddeler arası ilişkileri hafife alır ve maksimum olabilirlik EFA faktör çözümünü bozabilir. Polikorik korelasyonlar ve sıralı bir tahmin edici (WLSMV, DWLS) kullanmak, modern yazılımlarda çok az ek çabayla daha doğru sonuçlar verir.
Kaç yanıt kategorisi kullanmalıyım?
Araştırmalar genellikle güvenilirlik ve katılımcı kolaylığını dengelemek için 5 ila 7 kategori destekler. 4'ten az kategori puan varyansını azaltır ve tavan veya taban etkilerini artırabilir; 9'dan fazlası genellikle pratik hassasiyet katmaz. Seçim, yapıya ve popülasyona göre yönlendirilmelidir.
Sıralı ölçekler için McDonald'ın omegası her zaman Cronbach'ın alfasından daha mı iyidir?
Omega teorik olarak daha tercihtir çünkü tau-denkliğini (eşit faktör yükleri) gerektirmez ve çok boyutluluğu daha iyi ele alır. Ancak, bir ölçek esas olarak tek boyutlu olduğunda ve yükler kabaca eşit olduğunda, alfa ve omega çok benzer olacaktır. Özellikle sıralı maddeler için, sıralı alfa (polikorik matristen) ham puanlardan hesaplanan geleneksel alfadan daha iyidir.
Ne kadar örneklem büyüklüğüne ihtiyacım var?
Yaklaşık 200 katılımcı minimum, WLSMV tahmini için yaygın olarak alıntılanan alt sınırdır. Daha karmaşık ölçekler (daha fazla madde, daha fazla faktör) daha büyük örneklemler gerektirir. Madde başına 5-10 oranları yaygın bir sezgiseldir, ancak mutlak örneklem büyüklüğü orandan daha önemlidir.
Ölçüm değişmezliğini ne zaman test etmeliyim?
Ölçek puanları gruplar arasında (örn. cinsiyet, dil, kültür veya klinik ve klinik olmayan örneklemler) karşılaştırılacaksa, maddelerin gruplar arasında aynı şekilde işlev gördüğünü doğrulamak için çok gruplu sıralı CFA ile ölçüm değişmezliği testi gereklidir. Bu adım olmadan, gözlemlenen grup farklılıkları gerçek yapı farklılıkları yerine ölçüm artefaktlarını yansıtabilir.
Kaynaklar
- DeVellis, R. F. (2017). Scale Development: Theory and Applications (4th ed.). SAGE Publications. ISBN: 978-1506341569
- Finney, S. J. & DiStefano, C. (2006). Non-normal and categorical data in structural equation modeling. In G. R. Hancock & R. O. Mueller (Eds.), Structural Equation Modeling: A Second Course (pp. 269–314). Information Age Publishing. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ordinal Scale Development. ScholarGate. https://scholargate.app/tr/psychometrics/ordinal-scale-development
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Sırasal Doğrulayıcı Faktör AnaliziPsikometri↔ karşılaştır
- Sıralı Keşifsel Faktör AnaliziPsikometri↔ karşılaştır
- Sıralı Güvenilirlik AnaliziPsikometri↔ karşılaştır
- Ölçek GeliştirmePsikometri↔ karşılaştır