Doğrulayıcı Faktör Analizi (DFA)
Confirmatory Factor Analysis · Ayrıca şöyle bilinir: Doğrulayıcı Faktör Analizi (CFA), confirmatory factor analysis, measurement model
Doğrulayıcı faktör analizi, araştırmacı tarafından belirlenen bir faktör yapısının gözlenen verilere uyup uymadığını test eder. Karl Jöreskog tarafından 1969'da biçimlendirilen bu analiz, yapısal eşitlik modellemesi içindeki ölçüm modeli aşamasıdır ve grupları karşılaştırmadan veya gizil ilişkileri tahmin etmeden önce ölçeklerin ve anketlerin faktöriyel yapısını doğrulamak için standart araçtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
DFA, teorik olarak motive edilmiş veya daha önce keşfedilmiş bir faktör yapınız olduğunda ve bunu yeni bir örneklemde doğrulamak istediğinizde uygundur. Genellikle en az 200 örneklem gereklidir — yaygın bir kılavuz, tahmin edilen parametre başına 5-10 gözlemdir. Göstergeler sürekli veya sıralı olmalı (ikincisi için polikorelasyonlar kullanılarak) ve veriler çok değişkenli normalliğe yaklaşmalı veya sağlam bir tahminci kullanılmalıdır. Korelasyon matrisi faktörlenebilir olmalıdır (KMO ≥ 0.60; Bartlett testi anlamlı). Gruplar arasında gizil yapıları karşılaştırırken, önce ölçüm değişmezliği doğrulanmalıdır.
Güçlü yönler & sınırlılıklar
- Veriden bir yapı keşfetmek yerine teorik olarak belirtilmiş bir faktör yapısını doğrudan test eder, bu da bulguları çok daha yorumlanabilir ve tekrarlanabilir hale getirir.
- Önerilen yapının gözlenen kovaryanslarla ne kadar iyi eşleştiğini nicel olarak belirten kapsamlı bir model uyum endeksleri seti (CFI, RMSEA, SRMR) sağlar.
- Yapısal eşitlik modellemesi için temel oluşturur, araştırmacıların ölçüm hatası açıkça modellenmiş gizil ilişkileri tahmin etmelerini sağlar.
- Resmi ölçüm değişmezliği testini destekler, gizil yapıların titiz grup karşılaştırmalarına olanak tanır.
- İyi belirtilmiş bir a priori faktör yapısı gerektirir; ön teori veya keşif aşaması olmadan araştırmacı keyfi olarak kısıtlanmış bir model riskiyle karşı karşıya kalır.
- Örneklem büyüklüğüne duyarlıdır: n < 200'de uyum indeksleri kararsızlaşır ve parametre tahminleri güvenilmez hale gelir; karmaşık modeller önemli ölçüde daha büyük örneklemler gerektirir.
- Standart ML tahmini altında çok değişkenli normalliği varsayar; normal olmama durumu, sağlam bir tahminci kullanılmadıkça ki-kare istatistiğini şişirir ve uyum indekslerini yanlı hale getirir.
- Model uyum indeksleri küreseldir ve yerel uyumsuzlukları maskeleyebilir; bir model genel olarak kabul edilebilir bir uyum gösterirken, bazı belirli gösterge ilişkileri yetersiz yeniden üretilebilir.
SSS
DFA ve EFA arasındaki fark nedir?
EFA keşfedicidir: herhangi bir ön belirtim olmaksızın bir madde kümesinin altında kaç faktör olduğunu ve hangi maddelerin hangi faktöre ait olduğunu keşfeder. DFA doğrulayıcıdır: araştırmacı faktör yapısını önceden belirtir — hangi maddelerin hangi faktörlere yüklendiği ve hangi çapraz yüklemelerin sıfıra sabitlendiği — ve ardından bu yapının verilere uyup uymadığını test eder. Yaygın ve önerilen bir iş akışı, yapıyı keşfetmek için bir örneklemde EFA kullanmak, ardından yapıyı doğrulamak için ikinci, bağımsız bir örneklemde DFA kullanmaktır.
Hangi uyum indekslerini raporlamalıyım?
En az bir mutlak uyum indeksi (90% güven aralığı ile RMSEA ve SRMR) ve en az bir artımlı uyum indeksi (CFI veya TLI) raporlayın. Hu ve Bentler (1999) tarafından belirlenen geleneksel kesme noktileri CFI ≥ 0.95, RMSEA ≤ 0.06 ve SRMR ≤ 0.08'dir. Ki-kare testi de raporlanmalı ancak örneklem büyüklüğüne oldukça duyarlı olduğu için dikkatli yorumlanmalıdır.
Ölçüm değişmezliğini ne zaman test etmem gerekiyor?
İki veya daha fazla grup arasında — örneğin, cinsiyetler, kültürler veya zaman noktaları arasında — gizil faktör ortalamalarını, varyanslarını veya ilişkilerini karşılaştırmak istediğinizde. Sıra yapısal değişmezlik (aynı serbest ve sabit yükleme örüntüsü), ardından metrik değişmezlik (eşit yüklemeler), ardından ölçeksel değişmezliktir (eşit madde kesme noktileri). Yalnızca ölçeksel değişmezlikte gizil ortalama karşılaştırmaları anlamlı bir şekilde yapılabilir.
Ne kadar büyük bir örneğe ihtiyacım var?
Genel olarak belirtilen eşik minimum 200 vakadır, ancak gerçek gereksinim model karmaşıklığına bağlıdır. Yaygın olarak kullanılan bir kural, serbest parametre başına 5-10 gözlemdir. Güçlü yüklemelere sahip basit modeller yaklaşık 100-150 vakada makul performans gösterebilirken, karmaşık çok faktörlü veya gruplar arası modeller 400 veya daha fazlasına ihtiyaç duyabilir.
Kaynaklar
- Brown, T. A. (2015). Confirmatory Factor Analysis for Applied Research (2nd ed.). The Guilford Press. ISBN: 978-1462515363
- Hu, L. & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. DOI: 10.1080/10705519909540118 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Confirmatory Factor Analysis. ScholarGate. https://scholargate.app/tr/statistics/cfa
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cronbach'ın Alfa Katsayısı (Güvenilirlik Analizi)İstatistik↔ karşılaştır
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Yapısal Eşitlik Modellemesi (YEM)İstatistik↔ karşılaştır