Sağlamlaştırılmış Doğrulayıcı Faktör Analizi
Robust Confirmatory Factor Analysis · Ayrıca şöyle bilinir: Robust CFA, CFA with robust standard errors, Satorra-Bentler CFA, non-normal CFA
Sağlamlaştırılmış doğrulayıcı faktör analizi, çok değişkenli normallik ihlallerine karşı standart hataları ve uyum iyiliği istatistiklerini düzelterek, önceden belirlenmiş bir faktör yapısını gözlemlenen verilere uydurur. Likert tipi, çarpık veya basık göstergelerin klasik normal-teori tahmincisini güvenilmez kıldığı durumlarda, DFA'nın tercih edilen varyantıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemlenen göstergeler anlamlı normallik dışı durumlar gösterdiğinde — pratikte, mutlak çarpıklık yaklaşık 2'yi veya basıklık yaklaşık 7'yi aştığında veya öğeler Likert tipi sıralı değişkenler olduğunda — sağlamlaştırılmış DFA kullanılmalıdır. Ayrıca, standart ML altında doğrulayıcı uyum zayıf göründüğünde ve normallik dışı durum olası suçlu olduğunda da gereklidir. Hipotezlenen faktör yapısı önceki teoriye veya önceki bir EFA'ya dayanmıyorsa sağlamlaştırılmış DFA kullanmayın; bu durumda önce EFA yapılmalıdır. Ayrıca, örneklem büyüklükleri çok küçük olduğunda (n < 100) sağlamlaştırılmış DFA'dan varsayılan olarak kaçının, çünkü asimptotik düzeltme küçük örneklemlerde güvenilmezdir; bu durumda önyükleme SE'leri veya Bayesçi DFA tercih edilebilir.
Güçlü yönler & sınırlılıklar
- DFA'nın doğrulayıcı, teoriye dayalı mantığını korurken, normallik varsayımına duyarlılığı ortadan kaldırır.
- Satorra-Bentler ölçeklendirilmiş ki-kare ve ilgili uyum indeksleri, geniş bir yelpazedeki normal olmayan koşullarda ve büyük örneklemlerde iyi kalibre edilmiştir.
- Sağlam standart hatalar, dağılımsal varsayım başarısız olduğunda bile bireysel yüklemeler için doğru çıkarım sağlar.
- Standart yazılımlarda (R'de lavaan, Mplus, LISREL) basit seçenek anahtarlarıyla yaygın olarak bulunur, bu da uygulamayı kolaylaştırır.
- WLSMV aracılığıyla sıralı göstergelerle uyumludur, bu da sağlamlık ilkesini Likert ve ikili öğelere genişletir.
- Sağlam düzeltmeler asimptotiktir ve küçük örneklemlerde (n < 100) iyi çalışmayabilir, burada standart hatalar hala yanlı olabilir.
- Yöntem, normallik dışı durumlar için çıkarımı ayarlar ancak faktör yapısını değiştirmez; yanlış belirtilmiş bir model yanlış belirtilmiş kalır.
- Sağlam düzeltmeleri hesaplamak, gözlemlenen momentlerin tam asimptotik kovaryans matrisini tahmin etmeyi gerektirir, bu da p (gösterge sayısı) n'ye göre büyük olduğunda kararsız olabilir.
- Sağlamlaştırılmış DFA'nın farklı yazılım uygulamaları, hafif farklı ölçeklendirilmiş istatistikler ve SE'ler üretebilir, bu da çalışmalar arası doğrudan karşılaştırmayı zorlaştırır.
SSS
Sağlamlaştırılmış DFA ile standart DFA arasındaki fark nedir?
Her ikisi de önceden belirlenmiş bir faktör modelini uydurur. Standart DFA, veriler çok değişkenli normal ise ki-karesi ve standart hataları doğru olan normal-teori maksimum olabilirlik kullanır. Sağlamlaştırılmış DFA, ki-kareye Satorra-Bentler düzeltmesini uygular ve veriler normal olmadığında çıkarımı geçerli tutan sandviç standart hatalar kullanır.
WLSMV yerine MLR'yi ne zaman kullanmalıyım?
Göstergeler gerçekten sıralı olduğunda (az kategorili Likert ölçekleri, ikili öğeler) WLSMV'yi (veya WLSM'yi) kullanın. WLSMV, modeli polikorik korelasyonlara uydurur ve ortalama ve varyans ayarlamaları uygular. Göstergeler sürekli olarak ele alındığında ve normallik dışı durum birincil endişe olduğunda MLR'yi kullanın.
İç içe geçmiş sağlamlaştırılmış DFA modellerini bir ki-kare fark testiyle karşılaştırabilir miyim?
Sıradan ki-kare farklarıyla değil. Modeller MLR veya Satorra-Bentler düzeltmeleriyle tahmin edildiğinde, ki-kare farkları ölçeklendirilmiş fark ki-kare formülü kullanılarak hesaplanmalıdır (lavaan'da lavTestLRT ve Mplus'ta DIFFTEST'te uygulanır), çünkü ölçeklendirilmiş istatistikler standart ki-kareler gibi çıkarılmaz.
Sağlamlaştırılmış DFA için ne kadar büyük bir örnekleme ihtiyacım var?
Asimptotik düzeltmeler, gösterge sayısına ve normallik dışı durumun derecesine bağlı olarak yaklaşık n = 200'den itibaren iyi çalışır. 100'den az vaka ile düzeltmeler güvenilmez olabilir; önyüklemeli standart hatalar veya Bayesçi DFA bu aralıkta daha güvenli alternatiflerdir.
Sağlamlaştırılmış DFA, kötü uyan bir modeli düzeltir mi?
Hayır. Sağlam düzeltmeler, test istatistiğini ve standart hataları normallik dışı durumlar için ayarlar; faktör yapısının kendisini değiştirmezler. Hipotezlenen yapı verilerle eşleşmiyorsa, sağlam ki-kare hala zayıf uyumu gösterecektir. Sağlamlaştırılmış DFA çıkarımı düzeltir; yanlış belirtmeyi kurtarmaz.
Kaynaklar
- Satorra, A. & Bentler, P. M. (1994). Corrections to test statistics and standard errors in covariance structure analysis. In A. von Eye & C. C. Clogg (Eds.), Latent variables analysis: Applications for developmental research (pp. 399–419). Sage. link ↗
- Browne, M. W. (1984). Asymptotically distribution-free methods for the analysis of covariance structures. British Journal of Mathematical and Statistical Psychology, 37(1), 62–83. DOI: 10.1111/j.2044-8317.1984.tb00789.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Confirmatory Factor Analysis. ScholarGate. https://scholargate.app/tr/statistics/robust-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
- Keşfedici Faktör Analizi (KFA)İstatistik↔ karşılaştır
- Çok Düzeyli Doğrulayıcı Faktör Analizi (ÇD-DFA)Psikometri↔ karşılaştır
- Sağlam Keşifsel Faktör AnaliziPsikometri↔ karşılaştır
- Sağlam Yapısal Eşitlik Modellemesiİstatistik↔ karşılaştır
- Yapısal Eşitlik ModellemesiAraştırma istatistiği↔ karşılaştır