Faktör analizinde maddeler beklenen faktöre yüklenmiyor, KMO düşük

Olası nedenler

• Örneklem madde sayısına göre küçüktür.
• Ters maddeler çevrilmeden analize alınmıştır ya da olumsuz ifadeler bir “yöntem faktörü” oluşturmuştur.
• Faktör sayısı yalnızca özdeğer > 1 kuralına bırakılmış, bu da çok sayıda faktör üretmiştir.
• Faktörler birbiriyle ilişkili olduğu hâlde dik döndürme (Varimax) kullanılmıştır.
• Uyarlanmış, yapısı bilinen bir ölçekte açımlayıcı yerine doğrulayıcı faktör analizi yapılması gerekirken açımlayıcı analiz yapılmıştır.
• Bazı maddeler kültürel ya da dil açısından katılımcılar tarafından farklı anlaşılmıştır.

Adım adım çözüm

1. 1

   Hangi analize ihtiyacın olduğunu belirle

   Yeni bir ölçek geliştiriyorsan açımlayıcı faktör analizi (AFA) yapılır. Daha önce geliştirilmiş ve Türkçeye uyarlanmış bir ölçeği kullanıyorsan çoğu zaman yapının senin örnekleminde de geçerli olduğunu göstermek için doğrulayıcı faktör analizi (DFA) daha uygundur. DFA için SPSS AMOS (ayrı lisans), Jamovi (Factor > Confirmatory Factor Analysis), JASP ya da R (lavaan paketi) kullanılabilir. DFA’da model uyumu için yaygın ölçütler: CFI ve TLI ≥ ,90 kabul edilebilir, ≥ ,95 iyi; RMSEA ≤ ,08 kabul edilebilir, ≤ ,05 iyi; SRMR ≤ ,08. Bunlar kesin kurallar değil, kaynağıyla birlikte raporlanan ölçütlerdir.

2. 2

   Uygunluk ölçütlerini kontrol et

   SPSS: Analyze > Dimension Reduction > Factor (Analiz > Boyut İndirgeme > Faktör) → Descriptives → KMO and Bartlett’s test of sphericity ve Anti-image seç. Kaiser’in sınıflamasına göre KMO ,90 ve üzeri mükemmel, ,80’ler çok iyi, ,70’ler iyi, ,60’lar orta, ,50’ler zayıftır; ,50 altı kabul edilmez. Uygulamada ,60 ve üzeri genellikle kabul edilebilir, ,80 ve üzeri iyi sayılır. Bartlett testi anlamlı (p < ,05) olmalıdır. Anti-image korelasyon matrisinin köşegenindeki madde bazlı MSA değeri ,50’nin altında olan maddeler sorun kaynağı olabilir.

3. 3

   Örneklem büyüklüğünü değerlendir

   Kesin bir kural yoktur; madde başına 5–10 katılımcı ve toplamda en az 200–300 katılımcı yaygın öneriler arasındadır. Yükler ve ortak varyanslar yüksekse daha küçük örneklemler de yeterli olabilir. Örneklemin küçükse KMO düşüklüğünün temel nedeni bu olabilir.

4. 4

   Ters maddeleri ve veri hatalarını kontrol et

   Ters maddeleri çevirdiğinden emin ol (faktör yüklerinin işareti çevirmeden etkilenir; güvenirlik ve yorum için çevirmek gerekir). Olumsuz ifadeli maddelerin ayrı faktörde toplanması bilinen bir yöntem etkisidir; literatürdeki tartışmaları kontrol et.

5. 5

   Faktör sayısını tek ölçüte bırakma

   Extraction bölümünde Scree plot iste; özdeğer > 1 kuralı sıklıkla fazla faktör önerir. Paralel analiz (Jamovi ve JASP’ta seçenek olarak bulunur) daha güvenilir bir ölçüttür. Kuramsal yapıyı ve özgün ölçeğin faktör sayısını da dikkate al; gerekirse Extraction > Fixed number of factors ile faktör sayısını belirle.

6. 6

   Uygun çıkarma ve döndürme yöntemini seç

   Faktörlerin birbiriyle ilişkili olması bekleniyorsa (sosyal bilimlerde sık görülür) eğik döndürme (Direct Oblimin ya da Promax) kullan; ilişkisiz varsayılıyorsa Varimax. Çıkarma yöntemi olarak Principal Axis Factoring ya da Maximum Likelihood da değerlendirilebilir; danışmanınla ve alan literatürüyle karar ver.

7. 7

   Madde çıkarma kararlarını ölçütle ver

   Yaygın ölçütler: faktör yükü ,30–,40’ın altında olan maddeler; iki faktöre yüklenip yükleri arasındaki fark ,10’dan az olan binişik maddeler; ortak varyansı (communality) çok düşük maddeler. Maddeleri teker teker çıkarıp analizi her seferinde yenile. Kapsam geçerliğini bozmamak için kuramsal olarak kritik maddeleri gerekçesiz atma.

8. 8

   Kararları raporla

   KMO, Bartlett, çıkarma ve döndürme yöntemi, faktör sayısı ölçütü, çıkarılan maddeler ve gerekçeleri, açıklanan toplam varyans ve faktör yükleri tablosu yöntem/bulgular bölümünde yer almalıdır.

Konuyu derinlemesine öğrenin