Doğrulayıcı Faktör Analizi (DFA) Nedir? Uyum İndeksleri

Basira Editör Ekibi · · 12 dk okuma · Güncellendi: 16 Kasım 2026 · Bilimsel inceleme: Doç. Dr. Hasan Yıldırım

Aa Yazı boyutu
Yazı boyutu

Anahtar çıkarımlar

  • Doğrulayıcı faktör analizi (DFA), hangi maddenin hangi faktörü ölçtüğü önceden belirlenmiş bir ölçme modelinin veriyle ne ölçüde uyuştuğunu sınar; açıklayıcı faktör analizi ise yapıyı veriden keşfeder.
  • Model veri toplanmadan önce yazılır: faktörler, her faktörün maddeleri, faktörler arası ilişkiler, ölçeklendirme ve serbestlik derecesi.
  • Uyum tek bir indeksle değil birlikte değerlendirilir: χ² testi, CFI, TLI, RMSEA (%90 güven aralığıyla) ve SRMR, standartlaştırılmış yükler ve artıklarla birlikte raporlanır.
  • Hu ve Bentler'in (1999) CFI ve TLI için .95, RMSEA için .06, SRMR için .08 değerleri belirli benzetim koşullarından gelen kılavuz değerlerdir; her model ve örneklem için geçerli kesin kurallar değildir.
  • Düzeltme indekslerine bakarak modeli veriye uydurmak şansı kullanmaktır; her değişiklik kuramsal gerekçeyle yazılır ve yeni bir örneklemde sınanır.

İçindekiler

İçindekiler

Doğrulayıcı faktör analizi (DFA), bir ölçeğin faktör yapısını önceden belirlenmiş bir modelle sınayan yöntemdir: kaç faktör olduğu ve hangi maddenin hangi faktörü ölçtüğü kuramdan ya da özgün ölçekten bilinir, analiz bu modelin veriyle ne ölçüde uyuştuğunu χ² testi ve CFI, TLI, RMSEA, SRMR gibi uyum indeksleriyle gösterir.

Doğrulayıcı faktör analizi nedir?

DFA, ortak faktör modelinin sınayıcı biçimidir. Her madde, ölçmesi beklenen gizil (doğrudan gözlenmeyen) faktörün ağırlıklı bir yansıması ile o maddeye özgü bir hatanın toplamı olarak yazılır. Maddeler arasındaki bütün kovaryanslar bu modelden türetilir. Λ\Lambda faktör yükleri matrisi, Φ\Phi faktörler arası kovaryans matrisi, Θ\Theta hata varyansları matrisi olmak üzere modelin öngördüğü kovaryans matrisi şudur (Brown, 2015):

Σ(θ)=ΛΦΛT+Θ\Sigma(\theta) = \Lambda \Phi \Lambda^{\mathsf{T}} + \Theta

Kestirim, modelin öngördüğü Σ(θ)\Sigma(\theta) matrisini örneklemde gözlenen kovaryans matrisine olabildiğince yaklaştıran parametreleri bulur. Kalan fark modelin uyumsuzluğudur; uyum indeksleri bu farkı farklı açılardan özetler.

Açıklayıcı faktör analizinde her madde her faktöre yüklenebilir ve yapı veriden okunur. DFA’da ise araştırmacı hangi yükün serbest kalacağını, hangisinin sıfıra sabitleneceğini baştan söyler. Tipik bir ölçme modelinde her madde yalnız kendi faktörüne yüklenir, çapraz yükler sıfırdır ve hata terimleri birbirinden bağımsızdır. Bu kısıtlar modeli sınanabilir kılar: veri bu yapıyla çelişiyorsa uyum bozulur.

DFA, geçerlik ve güvenirlik yazısında anlatılan iç yapı kanıtının ana aracıdır. Ölçek geliştirmede açıklayıcı analizle bulunan yapı yeni bir örneklemde DFA ile sınanır; ölçek uyarlamada ise özgün ölçeğin yapısı bilindiği için yapı yeniden keşfedilmez, doğrudan DFA ile sınanır. Ölçme modeli faktörler arasına yönlü yollar eklenerek genişletilirse yapısal eşitlik modeline (YEM) dönüşür; DFA, YEM’in ölçme kısmıdır.

DFA ile AFA arasındaki fark nedir?

İki yöntem aynı ortak faktör modeline dayanır, ama farklı soruları yanıtlar. Açıklayıcı faktör analizi “maddeler kaç boyutta toplanıyor?” diye sorar, DFA ise “bu boyutların bu maddelerden oluştuğu iddiası veriyle uyumlu mu?” diye.

ÖzellikAçıklayıcı faktör analizi (AFA)Doğrulayıcı faktör analizi (DFA)
AmaçYapıyı keşfetmekÖnceden belirlenen yapıyı sınamak
Faktör sayısıVeriden belirlenir (paralel analiz)Kuramdan ya da özgün ölçekten gelir
YüklerHer madde her faktöre yüklenirYalnız belirtilen yükler serbesttir, öbürleri sıfırdır
DöndürmeGerekir (promax, oblimin, varimax)Gerekmez; faktör korelasyonları doğrudan kestirilir
Uyum değerlendirmesiSınırlı (yöntemine göre)χ², CFI, TLI, RMSEA, SRMR
Hata kovaryanslarıModellenmezGerekçe varsa modellenebilir
Tipik kullanımYeni ölçeğin ilk çalışmasıUyarlama, ikinci örneklem, gruplar arası karşılaştırma

AFA ile bulunan bir yapıyı aynı veride DFA ile “doğrulamak” bilgi vermez: model zaten o veriye göre kurulmuştur. Örneklem yeterince büyükse rastgele ikiye bölünüp bir yarıda keşfedilir, öbür yarıda sınanır; daha güçlü kanıt ise bağımsız yeni bir örneklemdir.

DFA modeli nasıl belirlenir?

Model, veri toplanmadan önce yazılır ve şu kararları içerir:

  1. Faktörler ve maddeleri. Her faktörün hangi maddelerle ölçüldüğü. Ölçek geliştirme sürecinde bu eşleşme madde yazımı aşamasında kurulur (ölçek geliştirme yazısında).
  2. Faktörler arası ilişkiler. Faktörlerin ilişkili olmasına izin verilir mi? Sosyal bilimlerde faktörler çoğunlukla ilişkilidir ve korelasyonlarının serbest bırakılması olağandır.
  3. Hata kovaryansları. Varsayılan bağımsızlıktır. Yalnız önceden bilinen bir ortak kaynak varsa (aynı ifadeyi paylaşan iki madde, tersine yazılmış maddelerin ortak yöntem etkisi gibi) modele eklenir. Ters maddelerin puanlaması ters madde kodlama yazısında anlatılır.
  4. Ölçeklendirme. Gizil faktörün ölçü birimi yoktur; ya her faktörün ilk yükü 1’e sabitlenir (işaretçi madde yöntemi) ya da faktör varyansı 1’e sabitlenir. İki yol aynı uyumu verir, yalnız ham parametrelerin ölçeği değişir.
  5. Tanımlanabilirlik. Kestirilecek serbest parametre sayısı, verideki benzersiz varyans ve kovaryans sayısını aşamaz. pp madde sayısı, qq serbest parametre sayısı olmak üzere:
sd=p(p+1)2−q\mathit{sd} = \frac{p(p+1)}{2} - q

Serbestlik derecesi (sd) sıfırsa model tam tanımlıdır ve veriye kusursuz uyar; uyumu sınanamaz. Üç maddeli tek faktörlü bir model böyledir: altı benzersiz varyans ve kovaryans, altı serbest parametre (üç yük, üç hata varyansı). Her faktör için en az üç madde önerilir (Brown, 2015); tek faktörlü bir ölçekte uyumun sınanabilmesi için en az dört madde gerekir. sd negatifse model tanımlanamaz ve kestirim yapılamaz.

Aynı veride tek bir model değil, kuramsal olarak savunulabilir birkaç rakip model önceden yazılır: örneğin iki boyutlu yapıya karşı tek boyutlu yapı. Rakip modellerin karşılaştırılması, tek bir modelin “iyi uyması”ndan daha güçlü bir kanıttır.

Hangi kestirim yöntemi kullanılır?

Kestirim yöntemi verinin ölçeğine ve dağılımına göre seçilir: normal dağılan sürekli veride ML, belirgin normal dışılıkta MLR, beşten az kategorili ya da belirgin asimetrik eşikli sıralı maddelerde WLSMV gibi kategorik bir yöntem.

  • En çok olabilirlik (ML) varsayılan yöntemdir; sürekli ve çok değişkenli normal dağılan verilerde χ² testi ve standart hatalar doğrudur. Belirgin normal dışılıkta ML’nin χ² değeri şişer ve standart hatalar olduğundan küçük çıkar; West vd. (1995) sorunların tek değişkenli ∣c¸arpıklık∣>2{|\text{çarpıklık}| > 2} ya da ∣fazla basıklık∣>7{|\text{fazla basıklık}| > 7} düzeyindeki dağılımlarda belirginleştiğini özetler. Bu durumda χ²’yi ve standart hataları düzelten sağlam en çok olabilirlik (MLR) kullanılır. Dağılımın nasıl inceleneceği normallik testi yazısında anlatılır.
  • Likert maddeleri sıralıdır. Rhemtulla vd. (2012) benzetiminde maddelerin kategori sayısı beşin altındaysa polikorik korelasyonlara dayanan kategorik en küçük kareler kestirimi (WLSMV ya da DWLS olarak geçer) daha doğru yük ve standart hata vermiştir. Beş ya da daha çok kategoride, özellikle örneklem küçük ve kategori eşikleri yaklaşık simetrikse, MLR kabul edilebilir sonuç vermiştir. Tek bir Likert maddesinin neden sıralı sayıldığı Likert ölçeği analizi yazısındadır. Hangi yöntemin seçildiği raporda yazılır, çünkü uyum indekslerinin değerleri kestirim yöntemine göre değişir.
  • Örneklem büyüklüğü için “madde başına 10 kişi” ya da “en az 200” gibi kurallar yaygındır ama modelden bağımsızdır. Wolf vd. (2013) benzetiminde gereken örneklem, faktör ve madde sayısına, yüklerin büyüklüğüne ve eksik veriye göre 30 ile 460 arasında değişmiştir: yüksek yüklü, az parametreli bir model az gözlemle yetinirken düşük yüklü modeller çok daha büyük örneklem ister. Planlama, modelin kendisi için yapılan bir güç ya da benzetim hesabıyla yapılır; genel mantığı örneklem büyüklüğü hesaplama yazısındadır.

DFA, R’de lavaan gibi paketlerle (Rosseel, 2012) ve yapısal eşitlik programlarıyla yapılır; menülü ücretsiz programlardan jamovi ve JASP da DFA içerir.

Uyum indeksleri nelerdir?

Uyum indeksleri üç gruba ayrılır: modelin kitle kovaryanslarını tam olarak üretip üretmediğini sınayan χ² testi, modeli hiçbir ilişki öngörmeyen bir temel modelle karşılaştıran göreli indeksler (CFI, TLI) ve modelin yaklaşık hatasını ya da artıklarını özetleyen mutlak indeksler (RMSEA, SRMR).

χ² (ki-kare) testi. Yokluk hipotezi (H₀), modelin öngördüğü kovaryans matrisinin kitledeki matrise tam olarak eşit olduğudur. Test istatistiği kabaca örneklem büyüklüğü ile uyumsuzluğun çarpımıdır; bu yüzden büyük örneklemde önemsiz farklar bile anlamlı çıkar, küçük örneklemde ise ciddi bir hata gözden kaçabilir. Anlamlı bir χ² tam uyum hipotezini reddeder ama uyumsuzluğun büyüklüğünü söylemez; sonuç yok sayılmaz, sd ve p değeriyle raporlanır, yerel uyumla birlikte değerlendirilir.

Dikkat

Örneklem etkisini “düzeltmek” için sık kullanılan χ²/sd oranının yaygın dolaşan 2, 3 ya da 5 sınırlarının sağlam bir dayanağı yoktur (Kline, 2016).

CFI (karşılaştırmalı uyum indeksi). Modelin uyumsuzluğunu, maddeler arasında hiçbir ilişki öngörmeyen temel modelin (B) uyumsuzluğuyla karşılaştırır. M kurulan modeldir:

ΔM=max⁡(χM2−sdM, 0)CFI=1−ΔMmax⁡(χB2−sdB, ΔM)\begin{aligned} \Delta_{\text{M}} &= \max(\chi^2_{\text{M}} - \mathit{sd}_{\text{M}},\, 0) \\ \mathrm{CFI} &= 1 - \frac{\Delta_{\text{M}}}{\max(\chi^2_{\text{B}} - \mathit{sd}_{\text{B}},\, \Delta_{\text{M}})} \end{aligned}

0 ile 1 arasındadır; 1’e yaklaştıkça model temel modele göre daha iyidir. Maddeler arası korelasyonlar zaten düşükse temel model de kötü uymaz ve CFI yüksek çıkmakta zorlanır.

TLI (Tucker-Lewis indeksi). CFI ile aynı karşılaştırmayı yapar, ama her χ²’yi kendi sd’sine böler; böylece gereksiz parametre ekleyen modeli cezalandırır. Normlanmamıştır: 1’i aşabilir ya da 0’ın altına düşebilir.

RMSEA (yaklaşık hataların ortalama karekökü). Modelin kitledeki yaklaşık hatasını serbestlik derecesi başına ölçer; N örneklem büyüklüğüdür (bazı programlar N − 1 yerine N kullanır):

RMSEA=max⁡(χM2−sdM, 0)sdM (N−1)\mathrm{RMSEA} = \sqrt{\frac{\max(\chi^2_{\text{M}} - \mathit{sd}_{\text{M}},\, 0)}{\mathit{sd}_{\text{M}}\,(N - 1)}}

Nokta değeriyle birlikte %90 güven aralığı raporlanır. Browne ve Cudeck (1992) .05 ve altını yakın uyum, .08’e kadarını makul bir yaklaşık hata olarak yorumlamış, .10’un üstündeki bir modeli kullanmak istemeyeceklerini yazmıştır. Formülün paydasında sd bulunduğu için az serbestlik dereceli modellerde RMSEA kararsızdır: Kenny vd. (2015) doğru kurulmuş, sd’si ve örneklemi küçük modellerde RMSEA’nın sık sık yanlış biçimde kötü uyum gösterdiğini bulmuş ve böyle modellerde RMSEA’nın hesaplanmamasını önermiştir.

SRMR (standartlaştırılmış artıkların ortalama karekökü). Gözlenen korelasyonlarla modelin öngördüğü korelasyonlar arasındaki farkların ortalama büyüklüğüdür. 0 tam uyumdur.

İndeksYaygın kılavuz değerNeyi ölçer; dikkat
χ² (sd, p)Anlamsız olmasıTam uyum: model kitle kovaryanslarını birebir üretir mi? Örneklem büyüdükçe küçük farkları da reddeder
CFI.95’e yakın ya da üstü (Hu ve Bentler, 1999)Temel modele göre iyileşme; maddeler arası korelasyonlar düşükse düşük kalır
TLI.95’e yakın ya da üstü (Hu ve Bentler, 1999)CFI gibi, karmaşıklığa ceza verir; 0–1 aralığına sınırlı değildir
RMSEA (%90 GA).06’ya yakın ya da altı (Hu ve Bentler, 1999); .05 yakın, .08 makul (Browne ve Cudeck, 1992)sd başına yaklaşık hata; küçük sd ve küçük örneklemde yanıltıcıdır (Kenny vd., 2015)
SRMR.08’e yakın ya da altı (Hu ve Bentler, 1999)Korelasyon artıklarının ortalaması; ortalama, tek bir büyük artığı gizleyebilir

Hu ve Bentler eşikleri neden kural değildir?

Hu ve Bentler (1999), belirli DFA modellerinde bilinen hatalar yaratarak hangi indeks değerlerinin doğru modeli hatalı modelden ayırdığını benzetimle araştırdılar. Önerileri “yakın” sözcüğüyle kuruludur: CFI ve TLI için .95’e yakın ya da üstü, RMSEA için .06’ya yakın ya da altı, SRMR için .08’e yakın ya da altı. Ayrıca tek bir indeks yerine iki indeksin birlikte değerlendirilmesini önerdiler (ör. SRMR ile CFI ya da RMSEA).

Bu değerler zamanla katı geçme-kalma sınırlarına dönüştü. Marsh vd. (2004) bu kullanıma itiraz eder: değerler yalnız benzetimdeki model türleri, örneklem büyüklükleri ve hata türleri için bulunmuştur ve bu koşulların dışına “altın kural” gibi genellenemez. Sınırı aşmak modeli “doğru”, aşamamak “yanlış” yapmaz.

İndekslerin aynı hataya ne kadar duyarlı olduğu da modelin özelliklerine bağlıdır: madde sayısı, yüklerin büyüklüğü, örneklem ve kestirim yöntemi değiştikçe aynı yanlış belirlenme farklı indeks değerleri verir. Hu ve Bentler’in benzetimi en çok olabilirlik kestirimiyle yapılmıştır; kategorik kestirimde aynı sınırlar aynı anlamı taşımayabilir. McNeish ve Wolf (2023) bu yüzden sabit sınırlar yerine, araştırmacının kendi modeli (madde sayısı, yükleri, örneklem büyüklüğü) için benzetimle türetilen dinamik sınırlar önerir.

Pratikteki sonuç şudur: eşikler bir yorumu destekleyen kılavuzlardır, yerine geçen kurallar değildir. Raporda indeksler kaynağıyla verilir, birlikte değerlendirilir ve yerel uyumla (aşağıda) desteklenir. “CFI .95’i aştığı için model doğrulandı” cümlesi bir sonuç değil, bir kısaltmadır.

Model uyum göstermezse ne yapılır?

Genel uyum indeksleri modelin nerede yanıldığını söylemez. Önce yerel uyuma bakılır:

  • Standartlaştırılmış yükler. Her maddenin faktörüne beklenen yönde ve anlamlı biçimde yüklenip yüklenmediği. Çok düşük yüklü bir madde faktörle az ortak varyans paylaşır; nedeni madde içeriğinde aranır (madde analizi yazısındaki madde-toplam korelasyonlarıyla birlikte).
  • Uygunsuz çözümler. Negatif hata varyansı ya da 1’i aşan standartlaştırılmış yük (Heywood durumu) modelin ya da verinin bir sorununa işaret eder; böyle bir çözüm yorumlanmaz.
  • Artıklar. Büyük standartlaştırılmış artıklar, modelin hangi madde çiftinin ilişkisini açıklayamadığını gösterir.
  • Faktör korelasyonları. 1’e çok yakın bir korelasyon, iki faktörün ayrışmadığını düşündürür; tek faktörlü rakip modelle karşılaştırılır.

Düzeltme indeksleri (modification index, MI), sabitlenmiş bir parametre serbest bırakılırsa χ²’nin yaklaşık ne kadar düşeceğini gösterir. Bunlara bakarak hata kovaryansı ya da çapraz yük eklemek modeli o örnekleme uydurur. MacCallum vd. (1992), veriye dayalı değişikliklerin şansı kullandığını ve yeni örneklemlerde sık sık tekrarlanmadığını göstermiştir. Bir değişiklik ancak önceden savunulabilecek bir gerekçeyle (aynı ifadeyi paylaşan maddeler gibi) yapılır, raporda açıkça yazılır ve sonuç keşfedici kabul edilir; değiştirilmiş model yeni bir örneklemde sınanmadan “doğrulanmış” sayılmaz.

Rakip modeller iç içeyse (biri ötekinin kısıtlanmış hâliyse) χ² fark testiyle karşılaştırılır; MLR ya da kategorik kestirimde düzeltilmiş fark testi kullanılır. İç içe olmayan modeller AIC ve BIC gibi bilgi ölçütleriyle karşılaştırılır.

Uyum kötüyse ve kuramsal gerekçeli bir düzeltme yoksa dürüst sonuç, modelin bu veride desteklenmediğidir. Yapı yeniden keşfedilecekse bu açıklayıcı bir analizdir ve öyle raporlanır.

Örnek: iki boyutlu bir ölçeğin DFA modeli nasıl kurulur?

Açıklayıcı faktör analizi yazısındaki öğretici örnekte sekiz maddelik bir anket iki boyutta toplanmıştı: ders çalışma motivasyonu (m1–m4) ve sınav kaygısı (k1–k4). Araştırmacı bu yapıyı yeni bir lise örnekleminde DFA ile sınamak istiyor. Aşağıdaki plan veri toplanmadan önce yazılır (örnek öğretici amaçla kurgulanmıştır; sonuç değil, model kurma adımları gösterilir).

  • Model 1 (kuramsal model). Motivasyon faktörü m1–m4 maddeleriyle, kaygı faktörü k1–k4 maddeleriyle ölçülür. Çapraz yük yoktur, hata terimleri bağımsızdır, iki faktörün korelasyonu serbesttir. Faktör varyansları 1’e sabitlenir. Sekiz maddede 8 × 9 / 2 = 36 benzersiz varyans ve kovaryans vardır. Serbest parametreler sekiz yük, sekiz hata varyansı ve bir faktör korelasyonudur, yani 17; modelin serbestlik derecesi 36 − 17 = 19 olur.
  • Model 2 (rakip model). Bütün maddeler tek bir genel faktöre yüklenir. Serbest parametreler sekiz yük ve sekiz hata varyansıdır (16); sd 36 − 16 = 20 olur. Tek faktörlü model, iki faktörlü modelde faktör korelasyonunun 1’e sabitlenmesiyle elde edildiği için iki model iç içedir ve 1 serbestlik dereceli bir χ² fark testiyle karşılaştırılır (MLR seçilirse fark testi düzeltilmiş biçimiyle yapılır).
  • Kestirim. Maddeler beş kategorili Likert maddeleridir. Rhemtulla vd. (2012) bulgusuna göre MLR kabul edilebilir; kategori eşikleri belirgin biçimde asimetrikse (yanıtlar bir uca yığılmışsa) kategorik kestirim seçilir. Karar ve gerekçesi önceden yazılır.
  • Değerlendirme ölçütleri. χ² (sd, p), CFI, TLI, RMSEA ve %90 güven aralığı ile SRMR raporlanır; Hu ve Bentler’in (1999) değerleri kılavuz olarak anılır, sınır olarak kullanılmaz. Her maddenin standartlaştırılmış yükü, faktör korelasyonu ve büyük artıklar incelenir. Düzeltme indeksleri yalnız raporlanır; model onlara göre değiştirilirse bu keşfedici bir adım olarak ayrıca yazılır.
  • Sonraki kanıt. Yapı desteklenirse her faktörün güvenirliği hesaplanır (güvenirlik analizi). Puanlar gruplar arasında karşılaştırılacaksa ölçeğin iki grupta aynı yapıyı aynı biçimde ölçtüğü ayrıca sınanır (ölçme değişmezliği).

Böyle bir planın hangi kestirim yöntemiyle ve hangi rakip modellerle kurulacağı, tezin yöntem bölümünün ölçme araçları kısmına girer. Uzmanla Çalış analiz ve yöntem desteğidir; tezi ya da bölümlerini yazmak, bulguları yorumlamak ve savunmak araştırmacının kendi işidir. DFA bir tez, makale ya da proje için yapılıyorsa analizin kapsamı ve teslim edilenler ölçek geliştirme ve uyarlama desteği sayfasında anlatılır.

DFA sonuçları nasıl raporlanır?

Jackson vd. (2009), yayımlanmış DFA çalışmalarının raporlarını inceleyerek kestirim yöntemi, verinin dağılımı ve eksik veri gibi bilgilerin sık sık eksik kaldığını göstermiş ve raporlanacak bilgiler için öneriler getirmiştir. Raporda şunlar yer alır:

BaşlıkRaporda yazılanlar
ModelFaktörler ve maddeleri, faktör korelasyonları, hata kovaryansları ve gerekçeleri, ölçeklendirme yöntemi; mümkünse bir yol şeması
VeriÖrneklem büyüklüğü, eksik verinin oranı ve nasıl ele alındığı, dağılım bilgisi (çarpıklık, basıklık)
KestirimYöntem (ML, MLR, WLSMV), programın adı ve sürümü
Genel uyumχ² (sd, p), CFI, TLI, RMSEA ve %90 güven aralığı, SRMR; kullanılan kılavuz değerler ve kaynakları
Yerel uyumBütün maddelerin standartlaştırılmış yükleri (tablo), faktör korelasyonları, dikkat çeken artıklar
DeğişikliklerÖnceden planlanmayan her değişiklik, gerekçesi ve değişiklikten önceki ve sonraki uyum
Rakip modellerKarşılaştırılan modeller ve karşılaştırma testi (χ² farkı ya da AIC, BIC)

İstatistik gösterimi, tablo düzeni ve sayıların yazımı APA 7’ye göre istatistik raporlama yazısında anlatılır.

Sık yapılan hatalar

Aşağıdaki hataların çoğu uyum indekslerinin ve düzeltme indekslerinin yorumlanmasıyla ilgilidir.

  • Eşikleri kural gibi kullanmak. “CFI .95’in altında, model reddedildi” ya da “RMSEA .08’in altında, model doğrulandı” demek, Hu ve Bentler’in (1999) kendi sınırlı koşullarını yok sayar (Marsh vd., 2004).
  • Yalnız iyi görünen indeksleri raporlamak. İndeksler birlikte verilir; seçerek raporlamak okuru yanıltır.
  • Düzeltme indeksleriyle modeli veriye uydurmak. Her eklenen hata kovaryansı uyumu iyileştirir ama modeli o örnekleme bağlar (MacCallum vd., 1992).
  • AFA ve DFA’yı aynı veride yapmak. Keşfedilen yapının aynı veride “doğrulanması” kanıt değildir.
  • Tam tanımlı ya da çok az sd’li modelde uyumdan söz etmek. sd sıfırsa uyum sınanamaz; sd küçükse RMSEA yanıltıcıdır (Kenny vd., 2015).
  • İyi uyumu nedensel kanıt saymak. Aynı veriye eşit derecede uyan farklı modeller kurulabilir; uyum, modelin doğru olduğunu değil veriyle çelişmediğini gösterir. Aynı ayrım, korelasyon ve nedensellik yazısında YEM’deki oklar için yapılır.

Sık sorulan sorular

DFA’dan önce AFA yapmak gerekir mi?

Hayır. Yapı kuramdan ya da özgün ölçekten biliniyorsa doğrudan DFA yapılır; uyarlamada beklenen yol budur. Yeni geliştirilen bir ölçekte AFA ve DFA farklı örneklemlerde yapılır.

χ² testi anlamlı çıktı; model reddedilir mi?

Anlamlı χ² tam uyumu reddeder; büyük örneklemde küçük farklar da anlamlı çıkar. Sonuç yok sayılmaz, sd ve p değeriyle raporlanır; karar öteki indeksler, yerel uyum ve rakip modellerle birlikte verilir.

CFI iyi ama RMSEA kötü çıkarsa ne yapılır?

İndeksler farklı şeyleri ölçer. Az serbestlik dereceli modellerde RMSEA’nın şiştiği bilinir (Kenny vd., 2015); maddeler arası korelasyonlar düşükse CFI düşük kalabilir. Çelişki raporda yazılır ve yerel uyuma bakılarak yorumlanır.

DFA için kaç katılımcı gerekir?

Modelden bağımsız tek bir sayı yoktur. Gereken örneklem faktör ve madde sayısına, yüklerin büyüklüğüne ve eksik veriye bağlıdır (Wolf vd., 2013); hesap, kurulan model için yapılır.

Düzeltme indeksine göre hata kovaryansı eklemek doğru mu?

Yalnız önceden savunulabilecek bir gerekçe varsa (aynı ifadeyi paylaşan ya da tersine yazılmış maddeler gibi). Gerekçesiz eklenen kovaryans o örneklemin şansını modelleyebilir; değişiklik raporlanır ve yeni bir örneklemde sınanır.

  • #faktor-analizi
  • #dogrulayici-faktor-analizi
  • #psikometri
  • #gecerlik
  • #olcek-gelistirme

Bilimsel inceleme

Doç. Dr. Hasan Yıldırım

Karamanoğlu Mehmetbey Üniversitesi Öğretim Üyesi

İnceleme tarihi:

Makine öğrenmesi ve biyoistatistik alanlarında çalışır; sağlık, fen ve sosyal bilimlerde disiplinlerarası araştırmalarda istatistik danışmanlığı yürütür.

Kaynakça

  1. Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
  2. Browne, M. W., & Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological Methods & Research, 21(2), 230–258.
  3. 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.
  4. Jackson, D. L., Gillaspy, J. A., & Purc-Stephenson, R. (2009). Reporting practices in confirmatory factor analysis: An overview and some recommendations. Psychological Methods, 14(1), 6–23.
  5. Kenny, D. A., Kaniskan, B., & McCoach, D. B. (2015). The performance of RMSEA in models with small degrees of freedom. Sociological Methods & Research, 44(3), 486–507.
  6. Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
  7. MacCallum, R. C., Roznowski, M., & Necowitz, L. B. (1992). Model modifications in covariance structure analysis: The problem of capitalization on chance. Psychological Bulletin, 111(3), 490–504.
  8. Marsh, H. W., Hau, K.-T., & Wen, Z. (2004). In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler's (1999) findings. Structural Equation Modeling, 11(3), 320–341.
  9. McNeish, D., & Wolf, M. G. (2023). Dynamic fit index cutoffs for confirmatory factor analysis models. Psychological Methods, 28(1), 61–88.
  10. Rhemtulla, M., Brosseau-Liard, P. É., & Savalei, V. (2012). When can categorical variables be treated as continuous? A comparison of robust continuous and categorical SEM estimation methods under suboptimal conditions. Psychological Methods, 17(3), 354–373.
  11. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36.
  12. West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage.
  13. Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934.

Kendi verinizde görün

Psychometric Studio ücretli planlarda açıktır; ücretsiz planda kapalıdır. Planları inceleyin

İlgili yazılar