Polytomous Doğrulayıcı Faktör Analizi
Polytomous Confirmatory Factor Analysis · Ayrıca şöyle bilinir: CFA for ordered categories, ordinal CFA, categorical CFA, WLSMV-CFA
Polytomous (çok kategorili) doğrulayıcı faktör analizi (DFA), üç veya daha fazla sıralı yanıt kategorisine sahip maddeler (örneğin, Likert ölçekleri) olduğunda önceden belirlenmiş bir faktör yapısını test eder. Polikhorik korelasyonlar ve WLSMV gibi sağlam tahmin edicilerle çalışarak, sıralı kategorik verilerin sürekli olarak ele alınmasından kaynaklanan 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
Teorize edilmiş bir faktör yapınız olduğunda ve maddelerinizde üç veya daha fazla sıralı yanıt kategorisi bulunduğunda polytomous DFA'yı kullanın. Likert tipi veya dereceli yanıt maddeleri birincil veri olduğunda, özellikle kategori dağılımları çarpık olduğunda veya taban/tavan etkileri mevcut olduğunda, standart (sürekli) DFA'ya göre doğru seçimdir. Maddeler gerçekten sürekliyse veya faktör yapısı bilinmiyorsa ve keşfedilmesi gerekiyorsa bunu kullanmayın - son durumda, polytomous EFA, DFA'dan önce gelmelidir. Ayrıca, WLSMV'nin eşikleri kararlı bir şekilde tahmin etmek için yeterli hücre frekansına ihtiyaç duyması nedeniyle, örneklem boyutu çok küçükse (kabaca 200 vakanın altında) bundan kaçının.
Güçlü yönler & sınırlılıklar
- Pearson korelasyonları yerine polikhorik korelasyonlarla çalışarak polytomous maddelerin sıralı, aralıklı olmayan doğasını doğru bir şekilde ele alır.
- WLSMV, tutum ve kişilik ölçeklerinde yaygın olan çoklu normallik ihlallerine karşı sağlamdır.
- Teorize edilmiş faktör yapısının resmi hipotez testlerini küresel ve yerel uyum indeksleriyle birlikte sunar.
- İç içe geçmiş modellerin (örneğin, kısıtlanmış ve kısıtlanmamış yükler) ki-kare fark testleri aracılığıyla doğrudan karşılaştırılmasına olanak tanır.
- Aynı tahmin edici çerçevesiyle gruplar arasında ölçüm değişmezliği testlerini destekler.
- Altında yatan gizil yanıt sürekliliğindeki kesme noktaları olarak doğrudan yorumlanabilen eşik tahminleri verir.
- Makul derecede büyük bir örneklem gerektirir - eşikler ve polikhorik korelasyonlar seyrek kategori çift frekanslarından tahmin edilir ve küçük örneklemlerde kararsız hale gelir.
- WLSMV uyum istatistikleri ML tabanlı indekslerden farklı davranır; araştırmacılar ayarlanmış ki-kare farkları ve WRMR ile aşina olmalıdır.
- Polikhorik korelasyon modeli, altında yatan gizil yanıtların ikili normalliğini varsayar, bu varsayım doğrudan doğrulanamaz.
- Teorize edilmiş yapı yanlışsa, model uyumsuz olacaktır ancak otomatik olarak daha iyi bir yapı önermeyecektir - yanlış belirtme tanısı, modifikasyon indekslerinin dikkatli bir şekilde incelenmesini gerektirir.
SSS
Neden sıralı kategorik maddelerim olduğunda standart DFA'yı ML ile çalıştırmayayım?
Sıralı kategorileri sürekli olarak ele almak ve Pearson korelasyonları ile ML kullanmak, özellikle dağılımlar çarpık olduğunda faktör yüklerini hafife alır ve ki-kare ile RMSEA değerlerini bozar. Polikhorik korelasyonlarla WLSMV, sıralı kategorik maddeler için yerleşik çözümdür.
Ne kadar örnekleme ihtiyacım var?
Kaba bir kural olarak, kararlı polikhorik korelasyon tahminleri ve güvenilir WLSMV uyum istatistikleri için en az 200 vaka gereklidir. Madde başına daha fazla kategori ve daha simetrik dağılımlar biraz daha küçük örneklemlere izin verir; aşırı kategorilerdeki seyrek hücreler daha büyük olanları gerektirir.
Gruplar arasında uyumu (ölçüm değişmezliği) polytomous DFA ile karşılaştırabilir miyim?
Evet. Polytomous maddeler için ölçüm değişmezliği testi, standart DFA'daki gibi yapısal, metrik ve skaler modeller dizisini izler, ancak eşikler kesişim noktelerinin yerini alır ve uygun ki-kare fark testi WLSMV ölçeklendirmesini hesaba katmalıdır.
Polytomous DFA ile IRT'deki dereceli yanıt modeli arasındaki fark nedir?
Her ikisi de eşikler ve gizil bir özellik aracılığıyla sıralı kategorik madde yanıtlarını modeller ve matematiksel olarak yakından ilişkilidir. Polytomous DFA, bir kovaryans yapısı çerçevesinde tahmin edilir ve küresel model uyumunu ve faktör yapısını vurgular; dereceli yanıt modeli, bir IRT çerçevesinde tahmin edilir ve madde düzeyinde parametre yorumunu ve kişi puanlamasını vurgular. Büyük, dikkatlice kalibre edilmiş madde bankaları için IRT tercih edilir; onaylayıcı ölçek doğrulaması için polytomous DFA standarttır.
Hangi yazılım polytomous DFA'yı destekliyor?
Mplus en yaygın kullanılan pakettir ve WLSMV'yi yerel olarak uygular. R paketleri lavaan (estimator='WLSMV' ile) ve sem de sıralı DFA'yı destekler ve OpenMx, ileri düzey kullanıcılar için esnek model belirleme sağlar.
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 ↗
- Muthen, 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). Polytomous Confirmatory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/polytomous-confirmatory-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
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Ölçme Değişmezliği TestiPsikometri↔ karşılaştır
- Sırasal Doğrulayıcı Faktör AnaliziPsikometri↔ karşılaştır
- Polytomous Keşifsel Faktör AnaliziPsikometri↔ karşılaştır