Tetrakorik Faktör Analizi

Likert tipi ölçekler için açımlayıcı faktör analizinin nasıl yapıldığı ile ilgili Türkçe bilgiye çeşitli istatistik kitaplarından ulaşmak mümkün. Ancak başarı testleri gibi 1 – 0 olarak iki kategoride kodlanan veriler için faktör analizinin nasıl yapılacağına dair pek fazla Türkçe kaynak bulunmamakta. Bu yüzden kısa bir rehber hazırlamaya karar verdim.

Açımlayıcı faktör analizinin ilk varsayımı, verilerin en az eşit aralık düzeyinde ve sürekli olarak elde edildiğidir. Veriler Likert tipi ölçeklerle toplanıldığında, ilk varsayımın karşılandığını düşünebiliriz. Fakat puanlamayı 1 – 0 olarak yaptığımızda bu varsayımın karşılandığını kabul etmek doğru olmayacaktır. Bu nedenle farklı bir tekniğe ihtiyaç doğmaktadır.

Açımlayıcı faktör analizi korelasyon / kovaryans matrislerine dayalı bir analizdir. Dolayısıyla 1 – 0 / ikili veriler üzerinde açımlayıcı faktör analizi yapmak istediğimizde, temel almamız gereken korelasyon matrisi tetrakorik korelasyon matrisi olmalıdır. Bunun nedeni; gerçekte sürekli olan ancak yapay süreksiz hale getirilmiş iki değişken arasındaki korelasyonun hesaplanmasında tetrakorik korelasyon katsayısı kullanılmasıdır. Başarı testleri düşünüldüğünde, aslında sürekli olan bir psikolojik değişkeni yapay olarak süreksiz hale getirdiğimizi görüyoruz. Bu durumda, başarı testleri için açımlayıcı faktör analizi yapılmak istenildiğinde tetrakonik korelasyon matrisine dayalı bir fatkör analizi yapılması gerektiği açıktır.

Analiz adımları, yazının devamında…

Peki Tetrakorik Açımlayıcı Faktör Analizi Nasıl Yapılır?

Malzemeler:
– 1 adet Mplus yazılımı
– 1 adet .dat dosyası (Verilerinizi .dat olarak kaydetmeniz gerekmekte)
– 1 adet komut (syntax) dosyası.

Gereken Süre: Bilgisayar becerilerinize göre değişmekte.

Hazırlanış:

Öncelikle verilerimizi .dat olarak kaydediyoruz. Çeşitli istatistik yazılımlarında “Farklı Kaydet” seçeneğini kullanarak verilerinizi .dat türüne dönüştürebilirsiniz. Ancak burada dikkat etmeniz gereken iki önemli nokta mevcut.

1- .dat dosyasının karakter kodlaması ANSI olmalı
2- Dosyanın ilk satırında veri adları olmamalı (Veriler direk olarak 1 0 1 1 1 şeklinde başlamalı)

Bunun için kaydettiğiniz .dat dosyasını Not Defteri ya da Notepad++ gibi yazılımlar ile açarak kontrol edebilirsiniz. Ayrıca işinizi garantiye almak istiyorsanız, Not Defteri’nde açtığınız .dat dosyasını “Farklı Kaydet” seçeneğini kullanarak karakter kodlamasını da ayarlayarak yeniden kaydetmeniz faydalı olacaktır (Şekil – 1).

Resimde görebileceğiniz gibi, dosya kayıt türünü “Tüm Dosyalar” olarak seçiyoruz; ardından karakter kodlamasını “ANSI” yapıyoruz ve ardından dosya adı olarak “dosyaadi.dat” yazıp kaydediyoruz.

Sıra geldi Mplus’ta komut dosyası hazırlamaya. Burada iki farklı işlem birden anlatacağım. Bunlardan birincisi tetrakorik korelasyon matrisinin oluşturulması ve ikincisi tetrakorik faktör analizi yapılması. Faktör analizi için korelasyon matrisini oluşturmanıza gerek yoktur.

1. Korelasyon Matrisi Oluşturmak

Mplus yazılımını açarak “yeni” bir dosya oluşturuyoruz. Daha sonra aşağıdaki kodu kopyalayarak Mplus’a yapıştırıyoruz.

Title: Tetrakorik Korelasyon Matrisi
Data:
File is tetrakorik2.dat;
Variable:
Names are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;
Usevariables are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;
Categorical are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;Analysis:
Type = basic;

Title: Çalışmamızın başlığıdır. İstediğiniz ismi verebilirsiniz.

Data: Veri dosyamızı seçtiğimiz bölümdür. “File is”den sonra gelen yere, veri dosyamızın yolunu yazıyoruz. Komut dosyamız ile veri dosyamız aynı klasördeyse, buraya yalnızca veri dosyamızın adını yazmamız yeterlidir.

Variable: Verileri tanımlıyoruz.
Names are: Verilerimizin adlarını tanımlıyoruz. Benim örneğimde 40 madde olduğu için 40 maddenin adını tek tek tanımladım. Burada dikkat etmeniz gereken nokta şudur; bir satır aşırı uzun olursa bir alt satıra geçmeniz gerekmekte. Yoksa program hata veriyor.

Usevariables are: Veri dosyamızdaki verilerden hangilerini kullanacağımızı belirtiyoruz.

Categorical are: Kategorik verilerimizin hangileri olduğunu belirtiyoruz.

Analysis: Hangi analizi yapmak istiyoruz?

Komut dosyasını yukarıdaki açıklamalar doğrultusunda kendinize göre düzenledikten sonra RUN tuşuna basarak komutumuzu çalıştırıyoruz ve tetrakorik korelasyon matrisimizi elde ediyoruz.

2. Tetrakorik Faktör Analizi

Mplus yazılımını açarak “yeni” bir dosya oluşturuyoruz. Daha sonra aşağıdaki kodu kopyalayarak Mplus’a yapıştırıyoruz.

Title: Tetrakorik Faktör Analizi
Data:
File is tetrakorik2.dat;
Variable:
Names are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;
Usevariables are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;
Categorical are
m1 m2 m3 m4 m5 m6 m7 m8 m9 m10 m11 m12 m13 m14 m15 m16 m17 m18 m19 m20 m21 m22 m23
m24 m25 m26 m27 m28 m29 m30 m31 m32 m33 m34 m35 m36 m37 m38 m39 m40;Analysis:
Type = efa 1 4;

Title: Çalışmamızın başlığıdır. İstediğiniz ismi verebilirsiniz.

Data: Veri dosyamızı seçtiğimiz bölümdür. “File is”den sonra gelen yere, veri dosyamızın yolunu yazıyoruz. Komut dosyamız ile veri dosyamız aynı klasördeyse, buraya yalnızca veri dosyamızın adını yazmamız yeterlidir.

Variable: Verileri tanımlıyoruz.
Names are: Verilerimizin adlarını tanımlıyoruz. Benim örneğimde 40 madde olduğu için 40 maddenin adını tek tek tanımladım. Burada dikkat etmeniz gereken nokta şudur; bir satır aşırı uzun olursa bir alt satıra geçmeniz gerekmekte. Yoksa program hata veriyor.

Usevariables are: Veri dosyamızdaki verilerden hangilerini kullanacağımızı belirtiyoruz.

Categorical are: Kategorik verilerimizin hangileri olduğunu belirtiyoruz.

Analysis: Hangi analizi yapmak istiyoruz?

Type: efa (Açımlayıcı Faktör Analizi)

1 4: Faktör analizini 1, 2, 3, 4 boyut için dener.

Komut dosyasını yukarıdaki açıklamalar doğrultusunda kendinize göre düzenledikten sonra RUN tuşuna basarak komutumuzu çalıştırıyoruz ve tetrakorik faktör analizi sonuçlarımızı elde ediyoruz. Buna göre faktör yük değerlerini ve uyum indekslerini yorumluyoruz.

Şimdilik bu kadar…

Detaylı Bilgi İçin:

http://www.statmodel.com/download/usersguide/Chapter4.pdf

http://john-uebersax.com

6 thoughts on “Tetrakorik Faktör Analizi

  1. Merhabalar,

    sayfanızda pek çok önemli başlığa yer vermişsiniz emeğinize sağlık. Yalnız bir şey sormak isterim. Ölçeğimiz hem sıralama ölçeği ve hemse sınıflama gibi ise o zaman faktör analizi nasıl yapabiliriz? Ya da yapabilir miyiz? Yani sorularda 1,2,3,4 değerleri ile geç,erken, en ilk gibi bir sınıflama yapılıyor. yani hem bir artış hem de sınıflama söz konusu olan sorular için nasıl bir faktör analizi yapılır.

  2. Yorumunuz için teşekkür ederim.

    Anladığım kadarıyla derecelendirmelerinizde bir sıralama ilişkisi mevcut.

    Örneğin, cinsiyet hakkında bilgi topladığımızda, kadınların cinsiyet özelliği erkeklerden daha fazla değildir. Dolayısıyla yalnızca sınıflama yapılır. Fakat öğrenim düzeyini düşünürsek “ilkokul, ortaokul, lise, üniversite” şeklinde ölçebiliriz ve bunları aralarında büyükten küçüğe, küçükten büyüğe sıralayabiliriz. Yaptığımız iş, sınıflama gibi görünse de, sınıfladığımız düzeyler arasında sıralama ilişkisi kurabildiğimiz için sıralama düzeyinde bir ölçme yapmış oluruz. Sizin yaptığınız derecelendirmede de benzer bir sıralama mevcut. Bu nedenle tetrakorik faktör analizi yerine (ki bu analiz 1-0 puanlamalar için uygun) istatistik kitaplarının çoğunda bulabileceğiniz açımlayıcı faktör analizi yapmanız uygun olabilir.

    Öte yandan tüm bu işlemleri yapabilmek için, sıralama düzeyindeki ölçmelerimizi (eğitimde kullanılan ölçme araçlarının çok büyük kısmı bu düzeyde ölçme yapıyor) eşit aralıklıymış gibi kabul ettiğimizi de belirtmekte fayda var.

  3. Biraz gec kaldim galiba ama ordinal data ile faktor analizi yapilirken datanin continuous kabul edilmesi yanlis sonuclar elde etmenize sebep olabilir. Eger ordinal datayi continuous kabul edip factor analizine sokarsaniz, Pearson correlationlar hesaplanir. Aslinda ordinal data icin “polychoric” correlationlar hesaplanip factor analizi ondan sonra yapilmalidir. Estimation method olarak polychoric correlationlar hesaplandiktan sonra Maximum Likelihood veya Weighted Least Squares Mean and Variance adjusted uygulanmasi daha dogru sonuclar verir.

  4. Teşekkürler Bilgin hocam.

    Haklısınız, binary yani ikili verilerde tetrakorik kullanıldığı gibi, sıralama ölçeğindeki veriler için polychoric korelasyon matrisinin oluşturulup bundan faktör çıkarılması gerekiyor.

    Aşağıdaki adreste polychoric ve tetrakorik korelasyonların hesaplanması için kullanılabilecek yazılımlar da listelenmiş:

    http://john-uebersax.com/stat/tetra.htm#soft

  5. Evet güzel bilgiler verilmiş. Ben de yurtdışında MPlus aracılığıyla CFA öğrenirken tekrar sitene rastladım. Çok net ve açıklayıcı bilgiler vermişssin 🙂 Bilgin hocanın dediği de doğru, sürekli varsayım yaparak da FA yapılır ama kategorik olarak vermek daha iyi fit çıkarıyor. Bu sanırım ölçek türleriyle ilgili. Likert ordinal bir ölçekken, sürekli olarak farz edilip araştırmalar da yapılabiliyor. Fakat eğilim kategorik olması yönündeymiş.

    Bir de yazıda hangi estimator ın kullanıldığı da yazılabilirmiş. Ayrıca bunun IRT ile bağlantısı da varmış. ona da bir daha değinirsiniz sanırım 🙂

  6. Sözleriniz için teşekkür ederim. Estimator öneriniz için teşekkürler, MPlus varsayılan olarak “robust weighted least squares estimator” kullanıyor. Farklı estimator kullanmak için biraz MPlus’ın el kitabını kurcalamak gerek sanırım.

    Kullandığımız ölçme araçlarının çoğu sıralama düzeyinde ölçümler veriyor. Fakat biz istatistiksel işlemler yapabilmek için onları eşit aralıklıymış gibi varsayıyoruz. Ama 1-0 puanlanan testlerde bu varsayımı yapmak çok daha zor. Bu nedenle 1-0 için tetrakorik korelasyon matrisi kullanmakta fayda var.

Bir Cevap Yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Time limit is exhausted. Please reload CAPTCHA.