Polytomous Keşifsel Faktör Analizi
Polytomous Exploratory Factor Analysis · Ayrıca şöyle bilinir: EFA for ordered-categorical data, polychoric EFA, ordinal exploratory factor analysis, polytomous factor analysis
Polytomous keşifsel faktör analizi (EFA), standart EFA'yı sıralı kategorik (Likert tipi) yanıt verilerine, Pearson korelasyon matrisi yerine polikhorik korelasyon matrisini kullanarak genişletir. Her polytomous öğenin yansıttığı varsayılan gizli sürekli değişkeni geri kazanır, bu da sıralı puanları sanki sürekliymiş gibi ele almaktan daha doğru faktör yükleri ve daha iyi tanımlanmış faktör yapıları sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Öğeleriniz üç veya daha fazla sıralı kategoriye sahip olduğunda ve gizli yapılarını keşfetmek istediğinizde polytomous EFA'yı kullanın. Likert ölçekleri, derecelendirme ölçekleri ve ölçek geliştirmede kullanılan herhangi bir sıralı yanıt formatı için doğru seçimdir. Bu tür verilere standart (Pearson tabanlı) EFA uygulamayın — sıralı puanları sürekli olarak ele almak korelasyonları zayıflatır ve faktör yüklerini bozar. Polytomous EFA, ikili (dikotomik) öğeler için uygun değildir, bunlar tetrakhorik korelasyonları gerektirir, ne de gerçekten sürekli ölçümler için, bu durumda standart EFA yeterlidir. Yaklaşık 200'den küçük örneklemler kararsız polikhorik tahminler verebilir, bu nedenle sürekli EFA'dan daha büyük örneklere ihtiyaç vardır.
Güçlü yönler & sınırlılıklar
- Kaba kategorizasyonun neden olduğu korelasyon zayıflamasını düzeltir, daha doğru faktör yükleri sağlar.
- Doğrusal bir aralık ölçeği varsaymak yerine yanıt kategorilerinin sıralı doğasını açıkça modeller.
- Gözlemlenen yanıtların çok değişkenli normalliğini gerektirmeyen sağlam tahmin edicilerle (WLSMV) uyumludur.
- Aynı öğelerin sonraki doğrulayıcı faktör analizi veya IRT modellemesi için prensipli bir temel sağlar.
- Standart yazılımlarda (R psych, lavaan; Mplus; FACTOR programı) yaygın olarak uygulanır, bu da tekrarlanabilirliği kolaylaştırır.
- Kararlı polikhorik korelasyon tahminleri elde etmek için Pearson tabanlı EFA'dan daha büyük örneklere ihtiyaç duyar; küçük örneklemler pozitif olmayan tanımlanmış matrisler üretebilir.
- Polikhorik tahmin, her öğe çiftinin altındaki gizli değişkenlerin çift değişkenli normal bir dağılım izlediğini varsayar — pratikte nadiren test edilebilir güçlü bir varsayım.
- Hesaplama karmaşıklığı standart EFA'dan daha yüksektir ve seyrek hücreler veya aşırı öğe dağılımları ile yakınsama sorunları oluşabilir.
SSS
Polytomous EFA'yı standart EFA yerine ne zaman kullanmalıyım?
Öğeleriniz üç veya daha fazla sıralı yanıt kategorisine sahip olduğunda (örneğin, 5 noktalı Likert ölçeği). Pearson korelasyonları üzerindeki standart EFA, sıralı puanları sürekli olarak ele alır, bu da korelasyonları zayıflatır ve kurtarılan faktör yapısını bozar. Polikhorik korelasyonları kullanan polytomous EFA, verileri doğru şekilde modeller.
Polytomous EFA ile hangi tahmin ediciyi kullanmalıyım?
Ortalama ve varyans ayarlı ağırlıklı en küçük kareler (WLSMV, ayrıca sağlam WLS olarak da adlandırılır) genellikle önerilir çünkü dağılımdan bağımsızdır ve öğe dağılımları asimetrik olsa bile iyi performans gösterir. Çift değişkenli normal varsayım makul olduğunda maksimum olabilirlik bir alternatiftir, ancak dağılımsal ihlallere daha duyarlıdır.
Ne kadar büyük bir örneğe ihtiyacım var?
Polikhorik korelasyonlar ikili olarak tahmin edilir ve her yanıt kategorisi kombinasyonunda yeterli hücre sayımı gerektirir. Genellikle minimum yaklaşık 200 vaka belirtilir, özellikle öğelerin çok sayıda kategorisi veya aşırı yanıt dağılımları olduğunda daha büyük örneklemler (300-500+) şiddetle tercih edilir.
Polytomous EFA'yı ikili öğeler için kullanabilir miyim?
Hayır. İkili (evet/hayır, doğru/yanlış) öğeler, tam olarak iki kategoriye sahip polikhorik modelin özel bir durumu olan tetrakhorik korelasyonları gerektirir. Çoğu yazılım ikisi arasında ayrım yapar; veri türünüz için uygun seçeneği seçin.
Polytomous EFA, madde yanıt teorisi ile nasıl ilişkilidir?
Her ikisi de gizli özellikler ve sıralı kategorik yanıtlar arasındaki ilişkiyi modeller ve her ikisi de altta yatan sürekli bir gizli değişken varsayar. Polytomous EFA keşifseldir ve faktör sayısını veya öğe parametrelerini sınırlamaz; IRT (örneğin, dereceli yanıt modeli) doğrulayıcıdır ve daha zengin öğe düzeyinde teşhisler sağlar. Tamamlayıcıdırlar: polytomous EFA, IRT kalibrasyonundan önce gelen boyutluluk değerlendirmesine rehberlik edebilir.
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. (1978). Contributions to factor analysis of dichotomous variables. Psychometrika, 43(4), 551–560. DOI: 10.1007/BF02293813 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Polytomous Exploratory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/polytomous-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
- Derecelendirilmiş Yanıt Modeli (GRM)Psikometri↔ karşılaştır
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır