Hipotezler

Faktör Analizi

Do's, Dont's Faktör Analizi with ordinal variables Tartışmalar

EFA teori oluşturmak amacıyla, CFA başka verilerle oluşturulan teoriyi test etmek amacıyla. EFA nın amacı gizli yapıları ortaya çıkarark bütünüyle yeni bir teori üretmektir. PCA ile EFA aynı değildir. EFA teori üretirken PCA sadece boyut ve madde azaltması yapar.
Dikkat PCA nın varsayımları
PCA da ölçüm maddelerinin hatası olmadığı varsayımı altında analiz yapılır. Her ikisi de korelasyon analizini kullanamasına karşılık pca köşegen değerlerini 1 olarak yani gerçek güvenilirlik var gibi değerlendirirken EFa tahmini güvenilirlik değerlerini kullanır. Çarpıklık ve basıklığın yüksek olmaması gerekir.

Önce pca ile tara boyut ve değişken azaltması yap, sonra efa ya tabi tut sonra cfa yöntemini uygula. Thomson 2004 ün bu yaklaşımı hibrid yaklaşım olarak isimlendirilmiştir.

PCA aşamasında maddelerin yüzey geçerliliğine sahip olması gerekir. En az 200 örneklem. Bunu bir pilot araştırma gibi görmek gerekiyor. SPSS in Factor komutu öntanımlı olarak PCA ya ayarlanmıştır. Promax rotation ile yapıyoruz "korelated bileşenlerde". Aynı zamanda obliq çözüm olarak isimlendiriliyor. Boyutlar arasında korelasyon yoksa varimax. Faktör yükü kappa yı 4 yapıyoruz. patern ve structure matrisleri inceler ve yorumlarız. ,40 üzerinde ağırlığa sahip olanları seçeriz. PCA yöntemi kullanılan ölçeğin faktör yapısını açıklamaz. PCA allows a researcher to report the total variance explained as a measure of goodness
of fit. Bileşenlerin uyuşma yüzdesi hakkında bir fikir verir.

EFA prosedürü

Gerçek faktör ve değişken sayısı bu işlem sürecinde belirlenir. EFA aşamasında bütünüyle yeni veri setinden yararanır. Aksi halde eski verileri yeniden kullanma şans faktörünün etkisini artıracaktır. Burada örneklem büyüklüğü yeniden ele alınır.

Faktör analizini yapar "principal axis" i ve promax ı kullanıyoruz. Faktör çıkarmak için paralel analiz yöntemini kullanırız (bu konuda makaleye bakınız. Watkins paralel analiz programı) Pattern ve structure matrislerinin her ikisi de inceleriz.

Dikkat. EFA için pearson korelasyon yönteminin kullanılması yapay, sahte (spurious) faktörlerin ortaya çıkmasına neden olmaktadır. (Garrido, Abad, & Ponsoda, 2013; Holgado-Tello, Chacón-
Moscoso, Barbero-García, & Vila-Abad, 2008; Olsson, 1979b).

CFA is selected when a researcher has a hypothesised structure explaining the relationship between variables and wishes to validate the fit of a model using data taken from a sample (Note. CFA can still be used in an exploratory manner, see Schmitt, 2011). On the other hand, EFA is chosen when the researcher cannot assume, a priori, a structure to the variable’s relationships and must rely on the sample to estimate it Matsunaga, 2010). when new assessment instruments or scales are developed and tested for the first time.

Pearson correlations assume data have been measured on, at least, an equal interval scale and a linear relationship exists between the variables. These assumptions are typically violated in the case of variables measured using ordinal rating scales (Timmerman & Lorenzo-Seva, 2011). Pearson correlations have been found to underestimate the strength of relationships between ordinal items (Olsson, 1979a). In relation to EFA procedures, studies have observed Pearson correlation matrices used on ordinal data giving rise to spurious multidimensionality and biased factor loadings (Bernstein & Teng, 1989).

Bunun için polikorik koorelasyon analizi kullanılır. The polychoric correlation, which is an extension of the tetrachoric correlation, is a technique for estimating the correlation between two bivariate normally distributed continuous variables measured using an ordinal scale (Olsson, 1979a).

Bundan sonraki aşamada faktör çıkarma yöntemine bakılır. maximum likelihood is recommended when data are multivariate normally distributed, while principal axis factoring makes no distributional assumptions
(Fabrigar et al., 1999).

Minimum rank factor analysis (MRFA, Shapiro & ten Berge, 2002; ten Berge & Kiers, 1991), as currently implemented only in FACTOR, is able to estimate the percentage of common variance explained by an EFA model. This is an attractive property for an EFA extraction method.

Faktör sayısını belirlemek için: In FACTOR, a powerful variation of PA using MRFA and polychoric correlations is available. Timmerman and Lorenzo-Seva (2011) found PA-MRFA, which is based on random permutation of the sample data and comparing the percentage of common variance extracted by MRFA, outperformed Horn’s PA and PA based on principal axis factoring (Humphreys & Ilgen, 1969).

Orthogonal rotation seeks to find a solution that minimises the relationship between factors. This method has been criticised as most factors that make up a latent variable are expected to share some degree of relationship (Gaskin & Happell, 2013). Costello and Osborne (2005) also demonstrated that an oblique rotation could be used to estimate an orthogonal model, but not vice versa. Therefore, oblique rotation, which allows relationships between factors, should be preferred in most situations, unless a
strong argument can be made as to why the factors should not be correlated (Beavers et al., 2013; Costello
& Osborne, 2005; Gaskin & Happell, 2013; Matsunaga, 2010)

Ordinal veriler için faktör analizi yaparken: Köşegensel Olarak Ağırlıklandırılmış Enküçük Kareler Yöntemi (KAEY) diagonally weighted least squares (DWLS)

CFA analizi

Araştırmacı faktör yapısıyla ilgili olarak ortaya bir model çıkarır ve "bu budur" der. Daha sonra bu modeli Lisrel de ele alır. 1)model tanımlaması yapılır. artık elimizde bir araştırma sonucuna dayanan bir model vardır.

latent faktörler (şimdi terminoloji değişti) gözlem değişkenleri, hata terimi ve gizli faktörler arasındaki ilişkiler.
Model-veri uyuşumuna bakılır. Ki-kare "tam uyuşum indeksi"

In confirmatory factor analysis (CFA), the use of maximum likelihood (ML) assumes that the observed indicators follow a continuous and multivariate normal distribution, which is not appropriate for ordinal observed variables. Robust ML (MLR) has been introduced into CFA models when this normality assumption is slightly or moderately violated. Diagonally weighted least squares (WLSMV), on the other hand, is specifically designed for ordinal data. Although WLSMV makes no distributional assumptions about the observed variables, a normal latent distribution underlying each observed categorical variable is instead assumed.