Sağlam Keşifsel Faktör Analizi
Robust Exploratory Factor Analysis · Ayrıca şöyle bilinir: robust EFA, robust factor analysis, outlier-resistant factor analysis, EFA with robust estimation
Sağlam keşifsel faktör analizi, aykırı değerlere ve çok değişkenli normallikten sapmalara karşı dirençli tahmin yöntemleri kullanarak bir dizi maddeye ait gizli faktör yapısını keşfeder. Standart KEFA ile aynı ölçüm modelini uygular ancak klasik kovaryans tahmininin yerine minimum kovaryans determinantı veya iteratif olarak yeniden ağırlıklandırılmış en küçük kareler gibi sağlam karşılıklarını koyar; böylece atipik vakaların küçük bir kesri, elde edilen faktör yüklerini bozamaz.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler çok değişkenli aykırı değerler içerebileceğinde, madde yanıtlarının dağılımları belirgin şekilde normal olmadığında (kalın kuyruklar, çarpıklık veya bulaşma) veya klinik, eğitimsel veya uygulamalı örneklemlerin aşırı puanlar içermesi muhtemel olduğunda sağlam KEFA kullanın. Sağlam KEFA, madde havuzlarının test edilmediği ve alışılmadık yanıt örüntülerinin yaygın olduğu erken ölçek geliştirme aşamasında özellikle değerlidir. Temiz, iyi taranmış, yaklaşık olarak normal veriler üzerinde standart KEFA'nın rutin bir ikamesi olarak kullanmayın - ek karmaşıklık gereksizdir ve aşağı ağırlıklandırılmış vakaların yorumlanması dikkat gerektirir. Ayrıca, örneklem çok küçük olduğunda (n < 100 genellikle MCD tabanlı yöntemler için yetersizdir) veya sıralı maddeler için henüz yazılımınızda sağlam bir tahminci ile eşleştirilmemiş bir polikori korelasyon yaklaşımı gerektirdiğinde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Birkaç aykırı vaka tarafından bozulmak yerine, katılımcıların çoğunluğunu temsil eden faktör yükleri üretir.
- Yerleşik bir aykırı değer tespit mekanizması sağlar - vaka ağırlıklarının kendileri inceleme için etkili gözlemleri işaretler.
- Standart KEFA'nın tam yorumlayıcı çerçevesini (yükler, komünaliteler, döndürme) korur, böylece sonuçlar psikometri kitleleri için tanıdıktır.
- Aykırı yanıt örüntülerinin basit veri hatalarından ziyade anlamsal olarak anlamlı olduğu uygulamalı ve klinik ortamlarda daha güvenilirdir.
- Standart KEFA'dan daha büyük örneklemler gerektirir; MCD tabanlı tahminciler yaklaşık 100 vakadan az olduğunda kararsızdır.
- Yazılım desteği standart KEFA'dan daha az evrenseldir; genellikle özel paketler (örneğin, R'de rrcov veya robustbase) gereklidir.
- Aşağı ağırlıklandırılmış vakaların yorumlanması belirsiz olabilir - işaretlenen gözlemlerin hatalar mı yoksa gerçekten bilgilendirici aşırı puanlar mı olduğu her zaman net değildir.
- Sağlam standart hatalar ve uyum istatistikleri henüz yazılımlar arasında standartlaştırılmamıştır, bu da çalışmalar arası karşılaştırmayı karmaşıklaştırır.
SSS
Sağlam KEFA standart KEFA'dan nasıl farklıdır?
Faktör modeli ve döndürme aynıdır. Fark, girdi kovaryans matrisinin tahmininde yatmaktadır: standart KEFA klasik örnek kovaryansını kullanırken, sağlam KEFA MCD veya IWLS gibi aykırı değerlere dirençli bir tahminci kullanır. Bu, elde edilen yükleri aşırı vakaların küçük bir kesrine karşı duyarsız hale getirir.
Ne zaman standart KEFA yerine sağlam KEFA'yı tercih etmeliyim?
Aykırı değerler veya normallikten sapmalar beklemek için anlamsal nedeniniz olduğunda sağlam KEFA'yı tercih edin - klinik örneklemler, aşırı puanlayıcılara sahip rastgele örneklemler veya önceden taranmamış madde havuzları. İyi taranmış, yaklaşık olarak normal verilerde standart KEFA yeterlidir.
Sağlam KEFA için ne kadar örneklem büyüklüğüne ihtiyacım var?
MCD tabanlı sağlam KEFA genellikle en az 100 vaka gerektirir ve tercihen daha fazlası, çünkü algoritma gözlem alt kümeleri üzerinde arama yapar. Standart KEFA kılavuzları (madde başına en az 5 vaka, faktör başına en az 3 madde) hala gereklidir ancak sağlam yöntemler için tek başına yeterli değildir.
Sağlam KEFA döndürme adımını değiştirir mi?
Hayır. Döndürme - ister dik (varimax) ister oblik (oblimin, geomin) olsun - sağlam bir şekilde çıkarılan faktör matrisine standart KEFA'da olduğu gibi tam olarak uygulanır. Sağlamlık, döndürme yoluyla değil, kovaryans tahmini yoluyla girer.
Sağlam KEFA kullanırken ne rapor etmeliyim?
Kullanılan özel sağlam tahminciyi (örneğin, belirli bir kırılma noktasına sahip MCD veya seçilen ağırlık fonksiyonuna sahip IWLS), düşük ağırlıklar atanan vakaların oranını, çıkarma yöntemini ve döndürmeyi, tutulan faktör sayısını ve kullanılan kriteri ve faktör çözümünün aynı veriler üzerindeki standart bir KEFA'ya göre anlamlı bir şekilde farklı olup olmadığını bildirin.
Kaynaklar
- Yuan, K.-H., & Bentler, P. M. (2000). Robust mean and covariance structure analysis through iteratively reweighted least squares. Psychometrika, 65(1), 43–58. DOI: 10.1007/bf02294185 ↗
- Pison, G., Rousseeuw, P. J., Filzmoser, P., & Croux, C. (2003). Robust factor analysis. Journal of Multivariate Analysis, 84(1), 145–172. DOI: 10.1016/S0047-259X(02)00007-6 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Exploratory Factor Analysis. ScholarGate. https://scholargate.app/tr/psychometrics/robust-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
- Madde Yanıt Teorisi (MYT)Psikometri↔ karşılaştır
- Sağlamlaştırılmış Doğrulayıcı Faktör Analiziİstatistik↔ karşılaştır