Professional Documents
Culture Documents
Öğretim Üyesi
Prof. Dr. Ezel TAVŞANCIL
Hazırlayan
Gözde SIRGANCI
Ankara
2013
İÇİNDEKİLER
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.
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.
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.
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.
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.
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.
4,00
SMEAN(V14)
3,00
2,00
1,00
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.
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).
2.3.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.
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.
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.
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.
11
Şekil3. Yamaç Birikinti Grafiği
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.
13
korelasyon matrisi ile faktörlerden üretilen korelasyon matrisi arasındaki hata miktarı faktör
analizine engel teşkil etmemektedir.
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.
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.
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.
16
EKLER
Ek1. Tek Yönlü Uç Değer Analizi Çıktısı
Descriptives
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
18
Kurtosis 3,790 ,338
Zscore: SMEAN(V8) Mean ,0000000 ,06984303
95% Confidence Lower Bound -,1377068
Interval for Mean Upper Bound
,1377068
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
20
Interval for Mean Upper Bound
,1377068
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
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
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)
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
26
27