ANKARA ÜNİVERSİTESİ

EĞİTİM BİLİMLERİ ENSTİTÜSÜ

ÖLÇME VE DEĞERLENDİRME ANA BİLİM DALI

DAVRANIŞ BİLİMLERİNDE İLERİ İSTATİSTİK

FAKTÖR ANALİZİ ÖDEVİ

Öğretim Üyesi
Prof. Dr. Ezel TAVŞANCIL

Hazırlayan

Gözde SIRGANCI

Ankara
2013
 İÇİNDEKİLER

1.Açımlayıcı Faktör Analizi İçin Veri Setinin Hazırlanması

1.1.Kayıp Veri Analizi
1.2. Uç Değer Analizi
1.2.1. Tek Yönlü Uç Değerlerin Belirlenmesi
1.2.2Çok Yönlü Uç Değerlerin Belirlenmesi
1.3. Çoklu Bağlantı ve Tekillik
1.4. Tek Değişkenli Normallik Analizi
1.5. Doğrusallık
2. Açımlayıcı Faktör Analizi Uygulaması
2.1.Örneklem Büyüklüğü
2.2.Korelasyon matrislerinin İncelenmesi
2.3.Barlett Testi
2.4.Kaiser- Meyer-Olkin (KMO) Örneklem Yeterliliği Ölçütü
2.5.Anti- İmage Korelasyon Matrisi
2.6.Ortak Varyansların İncelenmesi
2.7.Açıklanan Toplam Varyansların İncelenmesi
2.8.Yamaç Birikinti Grafiğinin İncelenmesi
2.9.Faktör Yük Değerlerinin İncelenmesi
2.10.Yeniden Üretilmiş ve Artık Korelasyon Matrisinin İncelenmesi
2.11.Döndürme Yönteminin Uygulanması
3.Kaynakça
4.Ekler

2
1.Açımlayıcı Faktör Analizi İçin Veri Setinin Hazırlanması
Açımlayıcı faktör analizini uygulamadan önce verilerin analize uygunluğunu test etmek,
amacıyla veri setine kayıp değer, uç değer, normallik, doğrusallık, çoklu bağlantı ve teklilik
analizleri yapılmıştır.

1.1.Kayıp Veri Analizi

Veri setine ilişkin kayıp veri yapısı ve olası kayıp veri tamamlama yöntemine ilişkin bulgular
aşağıda verilmiştir.

Tablo1. Kayıp veri yapısı

Tablo 1’de kayıp değerlerin gözlemler ve maddelere göre dağılımı verilmiştir. Veri setinde
toplamda 19 kayıp veri olduğu ve bu verilerin hiçbir gözlem numarasında %10 u geçmediği
görülmektedir.
Tablo2. Tahmini Ortalamalar

3
Tablo 2’de Listwise yazan kısımda yalnızca tüm değişkenler için tam olan gözlemler dikkate
alınarak her bir maddenin aritmetik ortalaması hesaplanırken, All Values kısmında ise tüm
değerler dikkate alınarak madde ortalamaları hesaplanmıştır. Ortalamalara dikkat edildiğinde
iki grup arasında önemli bir fark olmadığı görülmektedir. Buradan yola çıkarak kayıp veri
yapısının rastgele olduğu söylenebilir.

Veri setindeki kayıp verilerin %10’u geçmemesi, rastgele dağılmış olmaları ve veri yapısı ile
ilgili başka bilgilere sahip olunmamasından dolayı seri ortalamaları alınarak eksik verileri
tamamlanması yoluna gidilmiştir.

1.2. Uç Değer Analizi

Açımlayıcı faktör analizi sonucunu bozmaması adına veri setindeki tek yönlü ve çok yönlü uç
değerler belirlenmiş ve veri setinden çıkarılması yoluna gidilmiştir.

1.2.1. Tek Yönlü Uç Değerlerin Belirlenmesi

Tek yönlü uç değerler tek bir değişken için olağan olmayan satırlardır (Büyüköztürk,
Şekercioğlu ve Çokluk, 2010). Tek yönlü uç değerler belirlenirken ölçeğin madde puanlarının
standart puana dönüştürülmesi gerekir (Tabachnick ve Fidel, 2001). Buradan yola çıkarak
ham puanlar standart z puanlarına dönüştürülmüştür. Mertler ve Vannata (2005) geniş
örneklemlerde (n>100) normal dağılım için z puan aralığının 4 olarak genişletilebileceğini
ortaya koymuşlardır. Bu doğrultuda veri seti incelendiğinde 36., 178., 147. ve 50. verinin
4 değerini aşarak aşırı uç değer gösterdiği tespit edilmiştir ve bu veriler sırasıyla veri setinden
çıkarılmıştır. Tek değişkenli uç değerleri gösteren spss çıktısı Ek1’de verilmiştir.

1.2.2.Çok Yönlü Uç Değerlerin Belirlenmesi

Çok yönlü uç değerler Regresyon içerisindeki Mahalanobis Uzaklıkları kullanılarak
incelenmiştir. Mahalanobis uzaklığı bağımsız değişkenin uzayındaki merkezden veya
örneklem ortalamasından tek bir veri uzağını ölçen bir istatistiktir ve normalde regresyon
analizinde doğrusallık ve normallik sayıltılarının karşılanmasını güçleştiren uç değerlerin olup
olmadığını anlamak üzere kullanılır (Büyüköztürk, Şekercioğlu ve Çokluk, 2010). Veri setine
ilişkin hesaplanan mahalanobis değerleri tablo3’ de verilmiştir.

4
Tablo3. Veri setine ilişkin çok yönlü uç değerler

Tabachnick and Fidell (2007) ‘e göre MU değerinin, bağımsız değişken sayısını serbestlik
derecesi alan tablo değeriyle karşılaştırılması gerekir. Hesaplanan MU değeri, bulunan
tablo değerinden küçük ise, çok değişkenli normallik varsayımının karşılandığı söylenebilir.
tablo değerinin üzerinde bir MU değerine sahip olan denekler, uç değerler olarak
belirlenmektedir ve verilerden çıkartılabilmektedir. ve 23 serbestlik derecesi için
kritik değeri 49.73’tür. Tablo 3 incelendiğinde kritik değerini 134 nolu maddenin
aştığı görülmektedir. Madde analiz dışı bırakılarak varsayımların test edilmesine devam
edilmiştir.

1.3. Çoklu Bağlantı ve Tekillik

Çoklu bağlantı maddelerin ikişerli olarak birbirleriyle yüksek korelasyon vermesi, tekillik ise
bu korelasyonların 1’e eşit olması durumudur (Tabachnick ve Fidell, 2007). Faktör analizinde
değişkenler arasında belirli düzeyde çoklu bağlantı olması gerekir. Çünkü yöntemin amacı
birbirleri ile ilişkili olan değişkenlerden faktörler üretmektir (Orhunbilge, 2010). Öte yandan
bir değişkenin başka bir değişkenin yerine geçebilecek kadar benzer olması ( böyle bir

benzerlik için referans noktası >.90) istenilen bir durum değildir (Büyüköztürk,

Şekercioğlu ve Çokluk, 2010). Böyle bir durumda, bu tür değişkenlerin veri setinden
çıkarılmasına karar verilebilir. Bunun yanı sıra temel bileşenler analizinde matrisi tersine
çevirmeye ihtiyaç olmadığından çoklu bağlantı bir problem değildir. Ancak pek çok faktör
analizi için tekillik ve aşırı çoklu bağlantı bir problemdir (Tabachnick and Fidel, 2001).
Değişkenler arasındaki çoklu bağlantılılığın incelenmesi için CI (koşul indeksi), VIF (varyans
şişme oranları ve tolerans değerleri incelenmiştir. Değişkenlere ait CI değerinin 30 ve üzeri,
VIF değerinin 10’dan büyük veya tolerans değerlerinin .10 veya üzerinde olması durumunda
çoklu bağlantılılığın olduğu söylenebilir (Hair, Anderson, Tahtam ve Black, 1998).

5
Tablo4. Çoklu Bağlantı Sonuçları

Veri setine uygulanan çoklu bağlantılılık analizi sonucunda VIF değerlerinin 10’dan küçük
olduğu ve tolerans değerlerinin de sıfırdan oldukça farklı olduğu görülmektedir. Ancak koşul
indeksleri (CI) incelendiğinde bazı değerlerin 30’un üzerinde olduğu görülmektedir. bu
durumda bazı maddeler arasında yüksek düzeyde korelasyon olduğu söylenebilir.

1.4. Tek Değişkenli Normallik Analizi

Tek değişkenli normallik varsayımını test etmek için her bir maddenin merkezi eğilim
ölçüleri, çarpıklık (kayışlılık) ve basıklık katsayıları hesaplanmıştır. Çarpıklık ve basıklık

6
katsayılarının 0 ile ±1 arasında olması dağılımın normalliğine işaret etmektedir. Ek2 ve Ek3
de sırasıyla uç değer analizlerinden önceki ve sonraki normal dağılım analizi çıktıları
verilmiştir. Analiz çıktıları incelendiğinde değişkenlerin uç değer analizi sonrasında normal
dağılım için kabul edebileceğimiz 0 ile ±1 aralığına daha fazla yaklaşmış olduğu
görülmektedir. Ancak bazı değişkenlerin hala -1 ve +1 çarpıklık değerinin üzerinde olması
burada araştırmacıyı verilerin normal dağılıma dönüştürülebilmesi için bir yöntem
uygulamaya itebilir. Osborne (2002)’a göre veri dönüşümü, bir değişkenin değerini
matematiksel olarak değiştiren bir uygulamadır. Veri dönüşümü, dağılımın çarpıklığını
normalize ederek ve/veya varyansların homojenliğini sağlayarak uç değerlerin etkisini
azaltmaktadır. Bu doğrultuda analizin başına dönerek hem uç değerlerin etkisini azaltmak
hem de dağılımı normalle yaklaştırmak için veri yapısına uygun bir dönüşüm yapma gereği
duydum ve faktör analizi için en uygun veri yapısını kullanmak adına doğru kararı vermeye
çalıştım. Veri setine en uygun dönüşümü uygulamak için öncelikle maddelerin çarpıklık
katsayıları ve histogram grafikleri incelenerek maddelerin çoğunun orta düzeyde sola çarpık
bir yapı gösterdiği gözlenmiştir. Her deneğin toplam puanı üzerinden yapılan normallik testi
sonucunda da verilerin hafif sola çarpık olduğu gözlenmektedir. Mertler ve Vannatta
(2005)’ya göre bu yapıya en uygun dönüştürme yöntemi yansıtma ve karekök dönüşümüdür.

Şekil1. Yansıtma ve Karekök Dönüşümü

Yansıtma ve karekök dönüşümü sonucun hesaplanan çarpıklık ve basıklık değerleri Ek4’de

verilmiştir. Analiz çıktısına göre çoğu değerin normal dağılım sınırlarında olduğu
görülmektedir. Ancak yapılan uç değer analizi sonucunda verilerdeki tek yönlü uç değerler
kontrol altına alınamayıp dönüşüm sonucunda da veri setinden çıkarılması gerektiği
gözlenmiştir. Ayrıca dönüşüm sonrasında uç değerler atılarak uygunlaştırılan veri setine
yapılan faktör analizi sonuçlarının dönüşüm yapılmadan önce uygulanan faktör analizi
sonuçları ile paralellik gösterdiği gözlenmiştir. Bunun için analizler döndürülmemiş veri seti
üzerinden yapılmıştır.

7
1.5. Doğrusallık
Faktör analizi gibi korelasyon katsayılarına dayanan çok değişkenli tekniklerin
varsayımlarından birisi de doğrusallıktır. Doğrusallık varsayımı saçılma diyagramı ile
incelenmiştir. Tabachnick ve Fidell, (2007) doğrusallık varsayımını incelerken x eksenine en
güçlü negatif çarpıklık değerini veren maddeyi, y eksenine ise en güçlü pozitif çarpıklık veren
maddeyi atayarak incelemiştir. 23 değişken ile çok sayıda ikili saçılma diyagramları elde
edileceğinden dolayı burada da doğrusallığı test etmek için en güçlü negatif çarpıklık
(madde2) ve en güçlü pozitif çarpıklık (madde14) veren maddelerin saçılma diyagramı örneği
incelenmiştir.

Şekil2. Saçılma Diyagramı

5,00

4,00
SMEAN(V14)

3,00

2,00

1,00

2,00 2,50 3,00 3,50 4,00 4,50 5,00

SMEAN(V2)

Saçılma diyagramına göre elips şeklinde dağılımlar elde edilirse çok değişkenli normalliğin
ve doğrusallığın sağlandığı ifade edilebilir (Mertler ve Vannata,2005). Şekil 2’deki veri
örneğinden yola çıkarak maddeler arasında doğrusallık sayıltısının karşılandığı söylenebilir.

2. Açımlayıcı Faktör Analizi Uygulaması

AFA için gerekli olan varsayımlar incelenmiş ve faktör analizi yapılarak spss çıktılarındaki
tablolar yorumlanmıştır.

8
2.1.Örneklem Büyüklüğü
Yapılan ön analizler sonucunda AFA için kullanılacak örneklem büyüklüğü 200 kişiden
oluşmaktadır. Bu sayı Comrey ve Lee (1992) tarafından “orta” düzeyde yeterli örneklem
büyüklüğü olarak nitelendirilmektedir. Kline (1994) ise faktör analizinden güvenilir sonuçlar
elde edebilmek için 200 kişilik örneklemin yeterli olacağını belirtmiştir. Bu nedenle bu sayı
üzerinden faktör analizinin yapılması uygun görülmüştür (Akt: Büyüköztürk,Ş.,Şekercioğlu
ve Çokluk, 2010).

2.2.Korelasyon matrislerinin İncelenmesi

Faktör analizinin ilk aşamasında hesaplanan, değişkenler arası basit doğrusal korelasyon
katsayılarından oluşan korelasyon matrisi verilmiştir. Korelasyon matrisinde %30’dan büyük
korelasyon katsayısı yoksa yöntem uygun değil demektir ( Orhunbilge, 2010). Çünkü
değişkenler arasındaki korelasyon ne kadar yüksekse değişkenlerin ortak faktörler oluşturma
olasılıkları o kadar yüksektir. Maddeler arası korelasyon katsayılarının +0.607 ile -0.214
aralığında değişmekte olduğu görülmektedir.

2.3.Barlett Testi
Faktör analizine devam edilebilmesi için “korelasyon matrisi birim matristir” sıfır hipotezinin
reddedilmesi gerekmektedir. Sıfır hipotezinin reddedilmesi değişkenler arasında yüksek
korelasyonlar olduğu yani veri setinin faktör analizi için uygun olduğu anlamına gelir
(Kalaycı, 2010). Barlett testi ile korelasyon matrisinin birim matristen farklı olup olmadığı
test edilir. Tablo 5’deki Barlett testi sonuçları incelendiğinde elde edilen değerinin .01
düzeyinde manidar olduğu görülmektedir. Bu bulguya göre korelasyon matrisi birim matristen
farklıdır.

Tablo5. KMO ve Barlett testi sonuçları

9
2.4.Kaiser- Meyer-Olkin (KMO) Örneklem Yeterliliği Ölçütü
KMO katsayısı, veri matrisinin faktör analizi için uygun olup olmadığını, veri yapısının faktör
çıkarma için uygunluğu hakkında bilgi verir. KMO gözlenen korelasyon katsayıları
büyüklüğü ile kısmi korelasyon katsayılarının büyüklüğünü karşılaştıran bir indekstir. KMO’
nun 0.50’den yüksek çıkması beklenir tablo5’e göre KMO değeri 0.70 olarak bulunmuştur ve
verilerin faktör analizi için uygun olduğu görülmüştür.

2.5.Anti- İmage Korelasyon Matrisi

Anti image korelasyon matrisi, verilerin faktör analizine uygun olup olmadığını test eder. veri
setinin faktörleştirilebilirliğine ilişkin yorum verir. Bu matris incelendiğinde köşegen
üzerindeki tüm değerlerin 0.5’ten büyük olduğu görülmektedir, dolayısıyla veri seti
faktörleşmeye müsaittir denebilir.

2.6.Ortak Varyansların İncelenmesi

Ortak Varyans (Communality), bir değişkenin analizde yer alan diğer değişkenlerle paylaştığı
varyans miktarıdır ( Kalaycı, 2010). Tablo 6 incelendiğinde ilk sütunda analize dahil edilen
maddeler görülmektedir. İkinci sütun öncelikli varyansları vermektedir. Faktörleştirme tekniği
olarak Temel Bileşenler Analizi seçildiğinden ve bu analizde hata varyansları göz önüne
alınmadığından dolayı öncelikli varyansların tümü 1’dir. Üçüncü sütunda ise çıkartma
değerleri verilmiştir ve bu sütun her bir maddenin ortak bir faktördeki varyansı açıklama oranı
hakkında bilgi verir. Tablo6 incelendiğinde maddelerin ortak faktör varyanslarının %40’ın
üstünde olduğu görülmektedir. Faktör analizinde düşük ortak varyansa sahip olan değişkenler
analizden çıkarılarak faktör analizi yeniden yapılabilir. Ancak madde çıkarma kararı için
diğer çıktıların da incelenmesi gerekmektedir.

Tablo6. Ortak Varyans Tablosu

10
2.7.Açıklanan Toplam Varyansların İncelenmesi
Tablo 7’de öz değer istatistiğine bağlı faktör sayısı ve olası faktörlerce açıklanan varyans
yüzdeleri verilmiştir. Tablo 7 incelendiğinde öz değer istatistiği 1’in üzerinde olan 7 faktör
söz konusudur ve bu 7 faktörün varyansa yaptığı katkı %57,022’dir.

Tablo7. Açıklanan Toplam Varyans Tablosu

Faktör sayısına karar verirken göz önünde bulundurulması gereken bir diğer husus, her bir
faktörün toplam varyansa yaptığı katkıdır. Olası faktörler incelendiğinde 7 bileşenin de
önemli ölçüde varyansa katkı yaptığı görülmektedir.

2.8.Yamaç Birikinti Grafiğinin İncelenmesi

Rotasyona tabi olacak faktör sayısını belirlerken öz değer istatistiğinin yanı sıra yamaç
birikinti grafiği de incelenebilir. Grafikte, y eksenindeki bileşenler x eksenine doğru bir iniş
yapmaktadır ve eğimin kaybolmaya başladığı noktanın işaret ettiği sayıda faktör belirlenir.
Şekil3’de faktör analizine ilişkin yamaç birikinti grafiği verilmektedir. Buna göre grafikte 7.
faktörden itibaren çizgi grafiği eğimini kaybetmeye başlamıştır.

11
Şekil3. Yamaç Birikinti Grafiği

2.9.Faktör Yük Değerlerinin İncelenmesi

Veri seti için uygun döndürme işlemi yapılmadan önce maddelerin faktör yük değerleri
incelenmiştir. Kline (1994)’e göre faktör yük değerleri, maddelerin faktörlerle ilişkilerini
açıklayan bir katsayıdır. Faktörleri oluşturan maddelerin yük değerlerinin yüksek olması o
maddelerin birlikte söz konusu yapıyı ölçtüğü anlamına gelmektedir (Akt:
Büyüköztürk,Ş.,Şekercioğlu ve Çokluk, 2010).

Tabachnick ve Fidel (2001) temel bir kural olarak her bir değişkenin yük değerinin 0.32 ve
üzerinde olması gerektiğini vurgulamışlardır. Buradan yola çıkarak analizde faktör yük değeri
için kesme noktası 0.32 olarak alınmıştır. Tablo 8’de döndürme işleminden önce maddelerin
yük değerleri incelenmiş, kaç maddenin hangi faktör altında toplandığı ve binişik bir yapı
sergileyip sergilenmedikleri yorumlanmıştır.

12
Tablo8. Faktör Yük Değerleri

Tablo 8 incelendiğinde 6.,8.,10.,2.,9.,7., 4. 17. ve 20. madde dışındaki maddelerin birden fazla
faktörde 0.32’nin üzerinde yük değeri verdiği görülmektedir. Ayrıca 12.,13.,21.,22.,
15.,14.,23.,5. ve 1. maddelerin iki ya da daha fazla faktörde sahip oldukları yük değerleri
arasındaki farkın .1’den küçük olduğu yani bu maddelerin binişik bir yapı gösterdiği
gözlemlenmektedir. Tabloya göre 6. faktörü oluşturan hiçbir maddenin en yüksek faktör
yükünü vermemiş olduğu da dikkat çeken bir diğer noktadır.

2.10.Yeniden Üretilmiş ve Artık Korelasyon Matrisinin İncelenmesi

Yeniden üretilmiş korelasyon matrisi, faktörlerden üretilen korelasyon matrisidir. Bu matrisin
köşegeni üzerinde yer alan değerler maddelere ilişkin ortak varyansları içerir. Artık
korelasyon matrisi ise gözlenen korelasyon matrisi ile yeniden üretilmiş korelasyon matrisi
arasındaki farktan elde edilen bir korelasyon matrisidir ve bu matristeki değerlerin
%50’sinden fazlasının .05 ve üzerinde olmaması beklenir. Analiz çıktısı incelendiğinde hata
varyanslarının % 44’ünün .05’ten büyük olduğu görülmektedir. Dolayısıyla gözlenen

13
korelasyon matrisi ile faktörlerden üretilen korelasyon matrisi arasındaki hata miktarı faktör
analizine engel teşkil etmemektedir.

2.11.Döndürme Yönteminin Uygulanması

Döndürme, çok faktörlü yapıların uzayda değişik açılarda geometrik olarak çevrilmesi
işlemidir. Burada amaç maddeleri birbirlerine yaklaştırarak faktörleri daha anlamlı hale
getirmektir. Temel olarak faktörlerin birbirleri ile ilişkisiz olduğu varsayımına dayanan dik
döndürme ve faktörlerin birbirleri ili ilişkili olduğu varsayımına dayanan eğik döndürme
olarak iki tür döndürme yöntemi vardır. Hangi döndürme yönteminin kullanılacağına karar
vermek için faktörler arasındaki korelasyonlar ve maddeler arası korelasyon matrisi
incelenmiştir. Faktörler arası korelasyonlar Ek5’ de verilmiştir ve faktör1-5 ve faktör2-3
arasında orta düzeyde faktör1-7 ve arasında düşük düzeyde korelasyon olduğu görülmektedir.
Erkuş (2012) psikolojik yapının faktöriyel yapısının tümüyle ya birbirleri ile ilişkili ya da
tümüyle ilişkisiz olmasının beklenemeyeceğini ortaya koymuştur. Bundan yola çıkarak
maddeler arası korelasyonlar ve faktörler arası korelasyonlar birlikte incelendiğinde dik
döndürme yöntemlerinden varimax yönteminin uygulanmasına karar verilmiştir. Döndürme
sonrasında elde edilen faktör yük değerleri tablo9’da verilmiştir.

Tablo9. Döndürülmüş Faktör Yük Değerleri

14
Tablo9 incelendiğinde dönüşüm sonrasında maddelerin temsil ettikleri faktörlerdeki yük
değerleri artarken diğer faktörlerdeki yük değerlerinin azaldığı görülmektedir. Bu durum dik
döndürme yönteminin uygun bir döndürme yaklaşımı olduğunu göstermektedir. Döndürme
işlemi sonrasında da bazı maddelerin birden fazla faktörde 0.32’den yüksek faktör yükü
verdiği görülmektedir. Ancak bu maddeler binişik bir yapı göstermemişlerdir.

Göze çarpan bir diğer bulgu ise bazı maddelerin döndürme işlemi sonrasında farklı faktör
yapıları altında toplanmış olmalarıdır. Örneğin 18. madde döndürme işleminden önce ikinci
faktörün iyi bir temsilcisi iken döndürme işlemi sonunda beşinci faktörü iyi bir derecede
temsil eden tek madde olarak çıkması yine 11. maddenin döndürme işlemi öncesinde beşinci
faktörü temsil ederken döndürme işlemi sonrasında 6. faktörü mükemmel düzeyde temsil
eden tek madde olması gibi. Yine 5.6.7. faktörleri temsil eden tek bir madde olması da
dikkatle incelenmesi gereken bir durumdur. Hatırlanacağı üzere faktörler arası korelasyonlar
incelendiğine F1-F5 arası orta düzeyde F1-F7 arasında ise orta düzeye yakın bir korelasyon
olduğu gözlenmişti. Bu bulgular doğrultusunda araştırmacı ölçek maddelerini inceleyerek
tespit ettiği boyutların birbirleri ile ilişkili olup olmadığını ortaya koymalı ve bu doğrultuda
gerekirse faktör sayısını azaltarak faktör analizi işlemine devam etmelidir. Bütün bunların
yanı sıra genel olarak bakıldığında döndürme işlemi sonrasında faktörlerin belirgin bir şekilde
ortaya konduğu sonucuna ulaşılmıştır.

15
KAYNAKÇA

Büyüköztürk, Ş., Çokluk, Ö. ve Şekercioğlu G. (2010). Sosyal Bilimler için Çok Değişkenli
İstatistik, SPSS ve LISREL Uygulamaları. Ankara: Pegem Akademi.

Erkuş, A. (2012). Psikolojide Ölçme ve Ölçek Geliştirme- I temel kavramlar ve işlemler,

Ankara: Pegem Akademi.

Hair, J. F., Anderson, R. E., Tatham, R. L. & Black, W. (1998). Multivariate data analysis
(5th ed.). New York: Prentice Hall.

Kalaycı, Ş. (2010). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikler, Ankara: Asil Yayın
Dağıtım.

Mertler, C.A. ve Vannatta, R. A. (2005). Advanced and Multivariate Statistical Methods.

Tabachnick, B. G. ve Fidel, L. S. (2001). Using Multivariate Statistics (4. Baskı). MA, Allyn,
Bacon, Inc.

Tabachnick, B. G. ve Fidel, L. S. (2007). Using Multivariate Statistics (5. Baskı). MA, Allyn,
Bacon, Inc.

Orhunbilge. N. (2010).Çok Değişkenli İstatistik Yöntemler, İstanbul Üniversitesi İşletme

Fakültesi Yayınları.

Osborne, J. (2002). Notes on the Use of Data Transformations. PracticalAssessment,

Research & Evaluation, 8(6).

16
EKLER
Ek1. Tek Yönlü Uç Değer Analizi Çıktısı
Descriptives

Statistic Std. Error

Zscore: SMEAN(V1) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1157597

Median ,7576997
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,41991
Maximum ,75770
Range 5,17761
Interquartile Range 1,29440
Skewness -1,643 ,170
Kurtosis 3,633 ,338
Zscore: SMEAN(V2) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1271424

Median ,7127104
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,82450
Maximum ,71271
Range 5,53721
Interquartile Range 1,38430
Skewness -1,760 ,170
Kurtosis 4,084 ,338
Zscore: SMEAN(V3) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,0424873

Median ,1735653
Variance 1,000
Std. Deviation 1,00000000
Minimum -2,05024
Maximum 1,28547
Range 3,33571
Interquartile Range 2,22380
Skewness -,258 ,170
Kurtosis -,806 ,338
Zscore: SMEAN(V4) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

17
 5% Trimmed Mean ,1181583
Median ,6773000
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,51322
Maximum ,67730
Range 5,19052
Interquartile Range 1,29763
Skewness -1,775 ,170
Kurtosis 3,898 ,338
Zscore: SMEAN(V5) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1121039

Median -,2783924
Variance 1,000
Std. Deviation 1,00000000
Minimum -3,66921
Maximum ,85188
Range 4,52109
Interquartile Range 1,13027
Skewness -1,365 ,170
Kurtosis 2,009 ,338
Zscore: SMEAN(V6) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1067239

Median ,7765870
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,80939
Maximum ,77659
Range 5,58598
Interquartile Range 1,39649
Skewness -1,459 ,170
Kurtosis 2,975 ,338
Zscore: SMEAN(V7) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1245294

Median ,7058962
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,37160
Maximum ,70590
Range 5,07750
Interquartile Range 1,26937
Skewness -1,757 ,170

18
 Kurtosis 3,790 ,338
Zscore: SMEAN(V8) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1215916

Median ,6940796
Variance 1,000
Std. Deviation 1,00000000
Minimum -5,05687
Maximum ,69408
Range 5,75095
Interquartile Range 1,43774
Skewness -1,916 ,170
Kurtosis 5,702 ,338
Zscore: SMEAN(V9) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1070763

Median -,2794121
Variance 1,000
Std. Deviation 1,00000000
Minimum -3,78632
Maximum ,88956
Range 4,67588
Interquartile Range 1,16897
Skewness -1,240 ,170
Kurtosis 1,660 ,338
Zscore: SMEAN(V10) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1205635

Median ,7651949
Variance 1,000
Std. Deviation 1,00000000
Minimum -4,37792
Maximum ,76519
Range 5,14311
Interquartile Range 1,28578
Skewness -1,541 ,170
Kurtosis 2,797 ,338
Zscore: SMEAN(V11) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,0705906

Median ,1840843
Variance 1,000
Std. Deviation 1,00000000

19
 Minimum -2,57718
Maximum 1,10451
Range 3,68169
Interquartile Range 1,84084
Skewness -,799 ,170
Kurtosis ,004 ,338
Zscore: SMEAN(V12) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,1020762

Median -,2131121
Variance 1,000
Std. Deviation 1,00000000
Minimum -3,75538
Maximum ,96764
Range 4,72303
Interquartile Range 1,18076
Skewness -1,283 ,170
Kurtosis 1,998 ,338
Zscore: SMEAN(V13) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0439178

Median -,3762574
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,14778
Maximum 1,93830
Range 3,08607
Interquartile Range 2,31455
Skewness ,505 ,170
Kurtosis -,925 ,338
Zscore: SMEAN(V14) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0747785

Median -,1270482
Variance 1,000
Std. Deviation 1,00000000
Minimum -,93698
Maximum 2,30275
Range 3,23973
Interquartile Range 1,61986
Skewness ,770 ,170
Kurtosis -,563 ,338
Zscore: SMEAN(V15) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068

20
 Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0166286

Median ,1496574
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,54646
Maximum 1,84577
Range 3,39224
Interquartile Range 1,69612
Skewness ,076 ,170
Kurtosis -1,032 ,338
Zscore: SMEAN(V16) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0960058

Median ,1345905
Variance 1,000
Std. Deviation 1,00000000
Minimum -,84600
Maximum 3,07635
Range 3,92235
Interquartile Range ,98059
Skewness 1,148 ,170
Kurtosis ,778 ,338
Zscore: SMEAN(V17) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0564113

Median -,1858552
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,18360
Maximum 2,80739
Range 3,99100
Interquartile Range 1,99550
Skewness ,620 ,170
Kurtosis -,147 ,338
Zscore: SMEAN(V18) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0357830

Median -,3878410
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,09773
Maximum 1,74182
Range 2,83955

21
 Interquartile Range 2,12966
Skewness ,399 ,170
Kurtosis -1,215 ,338
Zscore: SMEAN(V19) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0079995

Median ,0719954
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,55990
Maximum 1,70389
Range 3,26379
Interquartile Range 1,63190
Skewness ,186 ,170
Kurtosis -1,178 ,338
Zscore: SMEAN(V20) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,0385592

Median ,4434305
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,92796
Maximum 1,23389
Range 3,16185
Interquartile Range 1,58093
Skewness -,404 ,170
Kurtosis -,996 ,338
Zscore: SMEAN(V21) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean -,0258307

Median -,5756566
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,48342
Maximum 2,14764
Range 3,63106
Interquartile Range 1,81553
Skewness ,277 ,170
Kurtosis -,858 ,338
Zscore: SMEAN(V22) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,0869365

Median -,0189778

22
 Variance 1,000
Std. Deviation 1,00000000
Minimum -2,90835
Maximum ,94414
Range 3,85249
Interquartile Range ,96312
Skewness -1,154 ,170
Kurtosis ,813 ,338
Zscore: SMEAN(V23) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068

5% Trimmed Mean ,0176182

Median -,1585635
Variance 1,000
Std. Deviation 1,00000000
Minimum -1,88991
Maximum 1,57278
Range 3,46268
Interquartile Range 1,73134
Skewness -,231 ,170
Kurtosis -,798 ,338

Ek2. Uç Değer Analizinden Önce Normallik Testi Analiz Çıktısı

Mini
mu Maxim Std. Varian
N Range m um Mean Deviation ce Skewness Kurtosis
Statisti Statisti Stati Statisti Statisti Std. Std.
c c stic c Statistic Statistic c Statistic Error Statistic Error
SMEAN(
205 4,00 1,00 5,00 4,4146 ,77256 ,597 -1,643 ,170 3,633 ,338
V1)
SMEAN(
205 4,00 1,00 5,00 4,4851 ,72239 ,522 -1,760 ,170 4,084 ,338
V2)
SMEAN(
205 3,00 2,00 5,00 3,8439 ,89936 ,809 -,258 ,170 -,806 ,338
V3)
SMEAN(
205 4,00 1,00 5,00 4,4780 ,77064 ,594 -1,775 ,170 3,898 ,338
V4)
SMEAN( 205 4,00 1,00 5,00 4,2463 ,88474 ,783 -1,365 ,170 2,009 ,338

23
V5)
SMEAN(
205 4,00 1,00 5,00 4,4439 ,71608 ,513 -1,459 ,170 2,975 ,338
V6)
SMEAN(
205 4,00 1,00 5,00 4,4439 ,78779 ,621 -1,757 ,170 3,790 ,338
V7)
SMEAN(
205 4,00 1,00 5,00 4,5172 ,69554 ,484 -1,916 ,170 5,702 ,338
V8)
SMEAN(
205 4,00 1,00 5,00 4,2390 ,85545 ,732 -1,240 ,170 1,660 ,338
V9)
SMEAN(
205 4,00 1,00 5,00 4,4049 ,77774 ,605 -1,541 ,170 2,797 ,338
V10)
SMEAN(
205 4,00 1,00 5,00 3,8000 1,08646 1,180 -,799 ,170 ,004 ,338
V11)
SMEAN(
205 4,00 1,00 5,00 4,1805 ,84691 ,717 -1,283 ,170 1,998 ,338
V12)
SMEAN(
205 4,00 1,00 5,00 2,4877 1,29615 1,680 ,505 ,170 -,925 ,338
V13)
SMEAN(
205 4,00 1,00 5,00 2,1569 1,23467 1,524 ,770 ,170 -,563 ,338
V14)
SMEAN(
205 4,00 1,00 5,00 2,8235 1,17916 1,390 ,076 ,170 -1,032 ,338
V15)
SMEAN(
205 4,00 1,00 5,00 1,8627 1,01980 1,040 1,148 ,170 ,778 ,338
V16)
SMEAN(
205 4,00 1,00 5,00 2,1863 1,00226 1,005 ,620 ,170 -,147 ,338
V17)
SMEAN(
205 4,00 1,00 5,00 2,5463 1,40867 1,984 ,399 ,170 -1,215 ,338
V18)
SMEAN(
205 4,00 1,00 5,00 2,9118 1,22557 1,502 ,186 ,170 -1,178 ,338
V19)
SMEAN(
205 4,00 1,00 5,00 3,4390 1,26508 1,600 -,404 ,170 -,996 ,338
V20)
SMEAN(
205 4,00 1,00 5,00 2,6341 1,10161 1,214 ,277 ,170 -,858 ,338
V21)
SMEAN(
205 4,00 1,00 5,00 4,0197 1,03829 1,078 -1,154 ,170 ,813 ,338
V22)
SMEAN(
205 4,00 1,00 5,00 3,1832 1,15517 1,334 -,231 ,170 -,798 ,338
V23)
Valid N
205
(listwise)

Ek3. Uç Değer Analizinden Sonra Normallik Çıktısı

Minim Maxim Std.

Range um um Mean Deviation Variance Skewness Kurtosis
Statisti Statisti Statisti Std. Std.
c c c Statistic Std. Error Statistic Statistic Statistic Error Statistic Error
SME
AN(V 3,00 2,00 5,00 4,4650 ,04801 ,67903 ,461 -1,185 ,172 1,305 ,342
1)
SME
AN(V 3,00 2,00 5,00 4,5123 ,04681 ,66204 ,438 -1,462 ,172 2,544 ,342
2)
SME 3,00 2,00 5,00 3,8500 ,06331 ,89527 ,802 -,251 ,172 -,812 ,342
AN(V

24
3)
SME
AN(V 3,00 2,00 5,00 4,5300 ,04697 ,66431 ,441 -1,306 ,172 1,317 ,342
4)
SME
AN(V 4,00 1,00 5,00 4,2475 ,06198 ,87648 ,768 -1,368 ,172 2,112 ,342
5)
SME
AN(V 3,00 2,00 5,00 4,4650 ,04642 ,65645 ,431 -1,054 ,172 ,905 ,342
6)
SME
AN(V 3,00 2,00 5,00 4,4800 ,05060 ,71565 ,512 -1,425 ,172 1,970 ,342
7)
SME
AN(V 3,00 2,00 5,00 4,5452 ,04285 ,60605 ,367 -1,133 ,172 ,964 ,342
8)
SME
AN(V 3,00 2,00 5,00 4,2650 ,05648 ,79873 ,638 -,993 ,172 ,621 ,342
9)
SME
AN(V 3,00 2,00 5,00 4,4300 ,05137 ,72646 ,528 -1,342 ,172 1,882 ,342
10)
SME
AN(V 4,00 1,00 5,00 3,8150 ,07571 1,07075 1,147 -,790 ,172 ,021 ,342
11)
SME
AN(V 3,00 2,00 5,00 4,2100 ,05608 ,79312 ,629 -1,065 ,172 1,148 ,342
12)
SME
AN(V 4,00 1,00 5,00 2,5049 ,09209 1,30229 1,696 ,486 ,172 -,957 ,342
13)
SME
AN(V 4,00 1,00 5,00 2,1358 ,08643 1,22236 1,494 ,788 ,172 -,526 ,342
14)
SME
AN(V 4,00 1,00 5,00 2,8091 ,08278 1,17071 1,371 ,056 ,172 -1,045 ,342
15)
SME
AN(V 4,00 1,00 5,00 1,8593 ,07195 1,01758 1,035 1,154 ,172 ,820 ,342
16)
SME
AN(V 4,00 1,00 5,00 2,1709 ,07021 ,99292 ,986 ,583 ,172 -,261 ,342
17)
SME
AN(V 4,00 1,00 5,00 2,5700 ,10013 1,41602 2,005 ,366 ,172 -1,250 ,342
18)
SME
AN(V 4,00 1,00 5,00 2,8896 ,08618 1,21872 1,485 ,197 ,172 -1,169 ,342
19)
SME
AN(V 4,00 1,00 5,00 3,4200 ,08977 1,26951 1,612 -,384 ,172 -1,023 ,342
20)
SME
AN(V 4,00 1,00 5,00 2,6250 ,07844 1,10929 1,231 ,294 ,172 -,867 ,342
21)
SME
AN(V 4,00 1,00 5,00 4,0302 ,07261 1,02682 1,054 -1,186 ,172 ,977 ,342
22)
SME
AN(V 4,00 1,00 5,00 3,1677 ,08167 1,15500 1,334 -,216 ,172 -,793 ,342
23)
Valid
N
(listwi
se)

25
Ek4. Yansıtma Karekök Dönüşümünden Sonraki Normallik Testi Çıktısı
Minim Maxim Std.
Range um um Mean Deviation Variance Skewness Kurtosis
Statisti Statisti Std. Statisti Std.
Statistic c c Statistic Std. Error Statistic Statistic Statistic Error c Error
sqrt1 1,00 1,00 2,00 1,2122 ,01816 ,25680 ,066 ,810 ,172 -,211 ,342
sqrt2 1,00 1,00 2,00 1,1941 ,01764 ,24952 ,062 1,007 ,172 ,432 ,342
sqrt3 1,00 1,00 2,00 1,4326 ,02214 ,31317 ,098 -,073 ,172 -1,051 ,342
sqrt4 1,00 1,00 2,00 1,1860 ,01785 ,25248 ,064 ,991 ,172 -,052 ,342
sqrt5 1,24 1,00 2,24 1,2879 ,02172 ,30724 ,094 ,829 ,172 ,215 ,342
sqrt6 1,00 1,00 2,00 1,2134 ,01775 ,25097 ,063 ,710 ,172 -,454 ,342
sqrt7 1,00 1,00 2,00 1,2040 ,01880 ,26585 ,071 1,018 ,172 ,267 ,342
sqrt8 1,00 1,00 2,00 1,1830 ,01667 ,23572 ,056 ,836 ,172 -,372 ,342
sqrt9 1,00 1,00 2,00 1,2851 ,02049 ,28970 ,084 ,590 ,172 -,473 ,342
sqrt10 1,00 1,00 2,00 1,2240 ,01900 ,26866 ,072 ,896 ,172 ,149 ,342
sqrt11 1,24 1,00 2,24 1,4352 ,02507 ,35458 ,126 ,355 ,172 -,682 ,342
sqrt12 1,00 1,00 2,00 1,3076 ,02007 ,28379 ,081 ,560 ,172 -,130 ,342
sqrt13 1,24 1,00 2,24 1,8295 ,02727 ,38562 ,149 -,792 ,172 -,440 ,342
sqrt14 1,24 1,00 2,24 1,9348 ,02462 ,34818 ,121 -1,097 ,172 ,334 ,342
sqrt15 1,24 1,00 2,24 1,7529 ,02439 ,34495 ,119 -,386 ,172 -,706 ,342
sqrt16 1,24 1,00 2,24 2,0153 ,01996 ,28222 ,080 -1,603 ,172 2,703 ,342
sqrt17 1,24 1,00 2,24 1,9377 ,01934 ,27346 ,075 -,974 ,172 ,850 ,342
sqrt18 1,24 1,00 2,24 1,8038 ,02976 ,42094 ,177 -,631 ,172 -,865 ,342
sqrt19 1,24 1,00 2,24 1,7245 ,02620 ,37058 ,137 -,487 ,172 -,871 ,342
sqrt20 1,24 1,00 2,24 1,5554 ,02842 ,40198 ,162 ,065 ,172 -1,160 ,342
sqrt21 1,24 1,00 2,24 1,8087 ,02283 ,32280 ,104 -,624 ,172 -,368 ,342
sqrt22 1,24 1,00 2,24 1,3610 ,02429 ,34358 ,118 ,707 ,172 -,153 ,342
sqrt23 1,24 1,00 2,24 1,6452 ,02513 ,35543 ,126 -,184 ,172 -,715 ,342

Ek5. Faktörler Arasındaki Korelasyonlar

26
27