Doğrulayıcı faktör analizi nedir? doğrulayıcı faktör analizi nasıl yapılır?

Amos ile doğrulayıcı faktör analizi yapmak biraz zor ve uğraştırıcı olması nedeniyle bu yazımızda amos kullanmadan doğrulayıcı faktör analizi yapmaktan bahsedeceğim.

Amos'un hem ticari (ücretli) bir yazılım olması hem de her üniversite bünyesinde lisansının olmaması nedeniyle bu analizi ücretsiz bir yazılım olan Jamovi ile gerçekleştireceğiz.

Doğrulayıcı faktör analizi geçerlik güvenirlik çalışmalarında yapı geçerliğini göstermek amacıyla kullanılan bir yöntemdir. Bu yöntem belirli maddelerin aynı alt boyutta toplanıp toplanmadığını ve bu alt boyutların ne kadar uygun olduğunu göstermek amacıyla kullanılır. Diğer bir ifade ile 2 alt boyutu olan 10 maddelik bir ölçekte ilk 5 maddenin ilk boyutta ikinci 5 maddenin ise ikinci boyutta olacak şekilde yer aldığında ne kadar yüksek bir uyum olduğunun bir ölçütüdür.

Öncelikle Jamovi yazılımını bilgisayara yüklüyoruz ve çalıştırıyoruz. Verilerimizi de açtıktan sonra şöyle bir ekran karşımıza çıkıyor.



Factor -> Confirmatory Factor Analysis yolunu izliyoruz.



Aşağıdaki gibi bir pencere açılıyor burada "+Add New Factor" ile ölçek veya yapı kaç boyutlu ise bunu oluşturup ve ardından alt boyutların isimlerini yazıyoruz.



Tüm alt boyutları oluşturduktan sonra ölçek maddelerini kendi alt boyutlarında olacak şekilde sürükle bırak yardımıyla Factors kutucuğuna taşıyoruz.



Sonrasında karıştıcı faktör (değişken) varsa yani bir değişkene göre (örneğin yaş) düzeltme yapmak istiyorsak bunu Residual Covariances menüsü ile seçiyoruz.

Doğrulayıcı Faktör Analizinde Kestirim değerlerinden çok uyum ölçüleri önemli olduğu için Model Fit kutusundan ihtiyacımız olan ölçüleri seçiyoruz.



Bu ölçüleri sırayla açıklayalım Kikare testi ile ilgili maddelerin alt boyutlar ilde bir bütün oluşturup oluşturmadığını istatistiksel olarak görebiliyoruz. Burada p değeri yardımıyla yorum yapabiliriz.

CFI, TLI ve SRMR değerleri de uyumun birer ölçütüdür. P değeri gibi değil korelasyon katsayısı gibi yorumlamak gerekir. Yani istatistiksel olarak anlamlıdır demek yerine uyum iyidir kötüdür şeklinde yorumlanırlar. CFI ve TLI değeri ne kadar yüksek ise uyum o kadar iyidir ve 0.7'nin üzerinde olması dfa'nın amacına ulaştığını veya ölçeğin alt boyutlarının doğru olduğunu gösterir. SRMR ve RMSA'nın da küçük olması daha iyidir. Yani bu değerler 0'dan uzaklaştıkça uyum azalır. AIC ve BIC ise bilgi kriterleridir ve modelleri karşılaştırmak amacıyla kullanılırlar.

Son olarak Additional Output menüsü ile de Path diyagraramını ekleyebilirsiniz. Ancak Path diyagramı madde sayınız fazla olduğunda makalenizde gereksiz yere kalabalık edecek ve güzel gözükmeyecektir.