FAKTÖR ANALİZİ

Araştırmalarda, değişkenler arasındaki ilişkilerin korelasyon analizi ile incelenmesi

mümkündür. Değişken sayısı fazlalaştıkça bu ilişkilerin korelasyon analizi ile takip edilmesi
zorlaşır. Örneğin 10 değişkenle çalışıyorsanız, karşı karşıya olduğunuz korelasyon katsayısı
miktarı 45’tir, ama 50 değişkenle çalıştığınızda bu sayı 1225’e çıkar. Değişken sayısı daha da
artarsa, değişkenler arasındaki ilişkilerin takibi artan oranlarda güçleşir. Böyle durumlarda
değişkenler arasındaki ilişkilerin izlenmesini kolaylaştıran, hacimli korelasyon matrislerini
sistematik olarak küçülten, özetleyen metotlara ihtiyaç vardır. Faktör analizi bu tip bir veri
özetleme tekniğidir.
Faktör analizi ile korelasyon matrislerinin daraltılmasının yararı ne olacaktır ? Buna
cevap vermek için açıklayıcı (exploratory) ve ispatlayıcı (confirmatory) faktör analizleri
arasındaki farkın açıklanması gerekir. Birinci tip faktör analizi, araştırma kapsamına giren
veriler çok fazla ve hangilerinin önemli olduğu bilinmiyorsa uygulanır. Bu analizi ilk kez
Spearman 1904 yılında uygulamıştır. Bu notlarda açıklanan faktör analizi de budur. İkinci tip
faktör analizi ise, bir konu üzerinde daha önceki araştırmalarla tespit edilmiş olan önemli
değişkenlerin ağırlıklarının test edilmesine dayanır ve ilk kez 1973 yılında Joreskog
tarafından uygulanmıştır (Kline 1999, s7-10).
Faktör analizi ile ilgili açıklamalara geçmeden önce son olarak iki kavramı daha
açıklayalım : R-tipi ve Q-tipi faktör analizleri. R-tipi faktör analizinde (R = regular)
değişkenler arasındaki ilişkiler test edilir. Bu notlarda R-tipi faktör analizi üzerinde
durulmaktadır. Q-tipi faktör analizinde ise test edilen, objeler arasındaki korelasyondur.
Çok Faktörlü Analizler 2

Faktör Analizinin Anlamı

Faktör analizi, çok sayıdaki veri (anket sonuçları, test skorları, test konuları)
arasındaki ilişkileri (korelasyonları), faktör adı verilen ortak boyutlar altında toplayarak daha
iyi bir şekilde açıklamak için yapılan analizdir.
Faktör analizi ile birbiri ile bağlantılı olan değişkenler, “faktör” adı altında bir araya
toplanmaktadır. Bu işlem sonucunda, yapılacak ilerideki araştırmalarda, duplikasyonların
önüne geçilmesi mümkün olur. Faktör analizinin, birbirleriyle yakın ilişki içinde olan verileri,
kabaca da olsa bir araya getirmenin kestirme bir yolu olduğu söylenebilir. Bu durum Şekil
1’de gösterilmiştir.
Şekil 1’de olay basitleştirilmiştir. Bu şekle göre bazı verilerin diğerleri ile ilişkisi hiç
yoktur (Üçüncü ve yedinci değişkenlerin diğerleri ile hiç ilişkisi olmaması gibi, yine ikinci,
altıncı ve dokuzuncu değişkenlerin diğerleri ile ilişkisi sıfırdır.) Gerçek verilerle çalışılırken
her değişkenin bir diğeri ile az da olsa ilişkisi olabilir. Örneğin birinci faktör altında toplanan
4 değişkenin, diğer 5 değişkenle az da olsa ilişkileri bulunabilir. Bu akılda tutulmakla birlikte
faktör analizinde temel hedefin, birbirinden nispeten bağımsız olan faktörleri ortaya çıkarmak
olduğu dikkate alınmalıdır. Netice olarak 1 numaralı faktör altındaki değişkenlerin birbiriyle
olan ilişkilerinin, ikinci ve üçüncü faktörler altındaki değişkenlerle olan ilişkilerinden çok
daha fazla olduğunu söyleyebiliriz.

V4 V3 V2

V1 V5 V9 V6

V8 V7
1.Faktör 2.Faktör 3.Faktör
V1 V3 V2
V4 V7 V6
V5 V9
V8

Şekil 1. Faktör Analizi ile Dokuz Değişkenin Üç Faktöre İndirgenmesi

Faktör Analizi 3

Faktör Analizinin Uygulama Alanı

Faktör analizinin uygulandığı alanlar üç noktada toplanabilir ; (1) verileri homojen

gruplara bölerek özetlemek, “faktör” adı altında yeni kavramlar ortaya çıkarmak, böylece
araştırma konusunun içeriğini daha yakından tanımak, yorumları kolaylaştırmak; (2) yüksek
korelasyon içindeki değişkenleri tespit edip bunlar arasında en önemlisini seçerek regresyon
modellerine dahil etmek, diğerlerini dikkate almamak ve böylece çoklu bağlantı
(multicorrelation) probleminin önüne geçmek ve (3) veri sayısını azaltmak. Faktör analizi
sonucunda ortaya çıkarılan birinci faktör, sistemde yer verilen bütün değişkenler arasındaki
toplam varyansın en büyük kısmını açıklar, bunu sırasıyla ikinci, üçüncü ve diğer faktörler
takip eder. Faktör sayısı arttıkça, her ilave faktörün açıkladığı toplam varyans azalır. Sonuç
olarak bütün sistem 1-2 faktörle açıklanabilir.

Veri Matrisi

Faktör analizinde 3 matris kullanılır: veri matrisi, korelasyon matrisi ve faktör matrisi
(Şekil 2). İstatistik derslerinden hatırlanacağı gibi bir ana kütleden seçilen örneğe bağlı olarak
ana kütle hakkında yapılan yorumların güvenirliliği, örnek hacmi ile yakından ilgilidir. Örnek
hacmi ne kadar büyükse, elde edilen sonuçlar o kadar güvenilirdir. Faktör analizinde
değerlendirmeye alınan verilerle, örnek hacmi (denek veya obje, nesne) arasında belirli bir
ilişkinin olması beklenir. Değişken sayısı arttıkça kullanılması gereken denek sayısı katlamalı
olarak artar. Literatürde bu konuda farklı yaklaşımlar vardır. Kachigan (1991), bu konuda bazı
genel kurallar (RT = rules of thumb) olması gerektiğini ileri sürmektedir; değişken sayısının
on katı kadar veya değişken sayısının karesi kadar denek bulundurmak gibi. Kachigan,
değişken sayısı 10’dan az olduğu durumlarda değişkenler arasındaki korelasyonun anlam
ifade edebilmesi için en az 100 deneğin olması gerektiğini belirtmektedir *. Kline (2000),
denek/değişken oranının 10:1 olmasının arzu edildiğini ancak en az 2:1 oranının kabul
edilebileceğini, oran büyüdükçe elde edilecek sonuçların iyileşeceğini ilave etmektedir **.
Arrindel and van der Ende (1985), denek/değişken oranından ziyade denek/faktör oranının
önemli olduğunu ve bu oranın 20:1 den büyük olması gerektiğini ileri sürmektedir. Hair et al
(1998), denek/değişken oranının en az 5:1 olması gerektiğini, fakat 10:1 oranının daha iyi

*
Sam Kash Kachigan, Multivariate Statistical Analysis, A Conceptual Introduction, Radius Press, New
York,1991 (s.242).
**
Paul Kline, An Easy Guide to Factor Analysis, Routledge, London, 2000 (s.74).
Çok Faktörlü Analizler 4

sonuç vereceğini savunmaktadır. Ayrıca Hair, bazı araştırıcıların denek/değişken oranının en

az 20:1 olması gerektiğini ileri sürdüklerini de ilave etmektedir *.
Yapılan değerlendirmelerden, faktör analizi için toplanacak bilgiler veya yapılacak
anketlerin sayısının belirlenmesinde, araştırmanın amacının ve maliyet faktörünün önemli rol
oynayacağı anlaşılmaktadır.

Korelasyon Matrisi

Şekil 2’de görüldüğü gibi faktör analizinin ikinci aşaması, korelasyon matrisinin elde
edilmesidir. Matris, sistemdeki bütün değişken çiftleri arasındaki kısmî korelasyon
katsayılarının sistematik olarak düzenlenmiş şeklidir. İki değişkene ait korelasyon
katsayısının karesi alındığında, bu değişkenler arasındaki yüzde ilişki ortaya çıkar. Yani 0.8
olan korelasyona göre iki değişken arasında % 64 oranında bir uyuşma vardır, korelasyon
katsayısı 0.3 ise bu uyuşma sadece % 9’dur. Korelasyon katsayısı “0” ise, değişkenler
arasında ilişki yoktur.

Veri matrisi Korelasyon matrisi Faktör matrisi

Değişkenler Değişkenler Faktörler
Denekler V1 V2 .... Vk Değişkenler V1 V2 .... Vk Değişkenler F1 F2 ... Fm
O1 V1 V1
O2 V2 V2
O3 .... Korelasyon .... Faktör
Veriler Katsayıları ağırlıkları

O4 Vk Vk
...
On

Şekil 2. Faktör Analizinde Temel Aşamalar

*
Joseph F. Hair, Rolph E. Anderson, Ronald L. Tatham, William C. Black, Multivariate Data Analysis, Prentice-
Hall International,Inc., New Jersey, 1998 (s.98-99).
Faktör Analizi 5

Faktör Matrisi

Faktör matrisinde sütunlarda faktörler, satırlarda değişkenler vardır. Matrisin

göbeğindeki rakamlar faktör ağırlıklarıdır. Faktör ağırlıkları +1.00 ve –1.00 arasında
değişir.Ağırlıklar, değişkenlerle faktörler arasındaki korelasyonu gösterir. Yüksek korelasyon
değerleri, faktörlerin tanımlanmasını kolaylaştırır. Küçük korelasyon değerlerine sahip
değişkenler, faktörleri açıklamakta yetersizdir. Bir faktörü açıklamakta yetersiz olan bir
değişken, başka bir faktörü çok iyi açıklayabilir.
Faktörlerin elde edilmesinde kullanılan matematiğe girmeksizin şu hususu belirtelim:
faktörler arasında korelasyon yoktur veya fazla değildir. Faktörler birbirinden bağımsızdır
(faktörlerin orthagonal olması durumu, aksi durumda faktörler için oblique terimi kullanılır.
Bakınız : Jae-On Kim, Charles W. Mueller, Introduction to Factor Analysis, What It is and
How to Do It,a Sage University Paper, London,1978, s:25-32). Birbiriyle yüksek korelasyon
içinde olan veriler aynı faktör altında toplanır. Birbiriyle düşük korelasyon içinde olan veriler
ise farklı faktörler altında yer alırlar.

Faktör Sayısı

Faktör sayısını belirlerken kullanılan çeşitli yöntemler vardır. Bunlar arasında en çok
kullanılanı “principal component factor analysis” dir. Bu metodu kullanarak değişken sayısı
kadar faktör elde edilebilir. Bunlardan birincisi, sistemdeki varyansın en büyük kısmını
açıklar, ikinci faktör varyansın daha azını, üçüncüsü daha azını açıklar ve son faktöre
gelindiğinde geriye açıklanacak fazla bir şey kalmaz.

Eigen değeri. Faktör analizinde elde edilen her faktöre karşılık gelen bir “eigen değeri”
vardır.Bu değer, faktörün temsil ettiği değişken sayısını gösterir. Örneğin Tablo’da birinci
faktör toplam varyansın yüzde 41’ini, ikincisi yüzde 23’ünü, bu iki faktör birlikte sistemdeki
toplam varyansın yüzde 64’ünü açıklamaktadır. Ortalama bir faktörün değişimin % 11’ini
açıklayacağı (9/100) dikkate alınırsa, ilk iki faktör değişimin üçte ikisini açıklamış olması
önemlidir. Prensip olarak bir faktör, bir değişkenin açıklayabileceği ortalama varyansdan
(yani 1 eigen değerinden) daha azını açıklıyorsa devre dışı bırakılır. Bu durumda örneğimizde
seçilecek faktör sayısı 3 olacaktır.
Çok Faktörlü Analizler 6

Tablo 1. Dokuz Değişkenli Faktör Analizinde Faktör Sıralamasına Göre Toplam açıklanan
Varyans Yüzdeleri ve Bunlara Karşılık Gelen Eigen Değerleri (principal component Çözümü)
Açıklanan toplam Eigen değerleri
varyans (%)
Faktörler
Basit Birikimli Basit Birikimli
F1 41 41 3.69 3,69
F2 23 64 2,07 5,76
F3 14 78 1,26 7,02
F4 7 85 ,63 7,65
F5 5 90 ,45 8,10
F6 4 94 ,36 8,46
F7 3 97 ,27 8,73
F8 2 99 ,18 8,91
F9 1 100 ,09 9,00

Scree testi. Faktör sayısının belirlenmesinin başka yolları da vardır. Bunlardan biri scree
testidir.bu metotta yatay eksende faktörler, dikey eksende açıklanan varyans (%) olan bir
grafik çizilir. Faktörlerin açıkladığı varyanslar grafik üzerinde işaretlenir ve birer doğru ile
birleştirilir. Ortaya çıkan şekilde eğimin çok az değiştiği bölge, dikkate alınması gereken
faktör sayısının sınırını gösterir. Örnekte faktör sayısının 4 olması uygun olmaktadır (Şekil 3).

Açıklanan
varyans
0,5

0,4

0,3

0,2

0,1

0 Faktörler
0 1 2 3 4 5 6 7 8 9 10
Şekil 3.Faktörlerin Açıkladığı Varyansı Gösteren Scree Eğrisi
Faktör Analizi 7

Açıklanan varyans. Faktör sayısının belirlenmesinde bir diğer kriter, açıklanması öngörülen
varyansdır. Eğer yukarıdaki örnekte, açıklanan varyansın % 64 olması yeterli bulunuyorsa, iki
faktör tespit edilecektir. Yok eğer yapılan çalışmanın daha kapsamlı sonuçlar vermesi
isteniyorsa faktör sayısı artırılacaktır. Burada da görüldüğü gibi faktör sayısı, amaca bağlı
olarak değişebilir.

Faktörlerin Rotasyonu

Faktörlerin sayısı belirlendikten sonra yeniden düzenlenmeleri mümkündür.

Düzenleme ile, açıklanan varyansın faktörler arasında yeniden dağıtımı açıklanmaktadır.Bu
düzenlemeye neden ihtiyaç duyulduğunu açıklayalım. Hatırlanacağı üzere birinci faktör,
sistemdeki toplam varyansın en büyük kısmını açıklamakta, bunu sırası ile ikinci, üçüncü ve
diğer faktörler takip etmektedir. Bu durum faktörlere anlam vermekte güçlük oluşturmaktadır
Birinci faktörün altında korelasyon katsayıları yüksek olan değişkenler yer almakta,
diğerlerinin altında da korelasyon katsayıları nispeten daha az olan değişkenler
bulunmaktadır. Eğer bir faktör içinde korelasyon katsayıları birbirine yakın olan değişkenler
varsa, bu faktörün ne anlama geldiğini açıklamak zor olabilir. Örneğin birinci faktörün altında
yer alan değişkenlerden ürün kalitesinin korelasyon katsayısının 0.77, fiyatın 0.76, dağıtımın
0.63 olduğunu varsayalım. Bu faktör neyi temsil ediyor ? Ürünü mü? Fiyatını mı? Dağıtım
kanalını mı? Bu gibi problemleri ortadan kaldırmak veya azaltmak için rotasyon denilen
işlem tatbik edilmektedir. Bu işlem sonucunda korelasyon katsayılarının bir kısmı büyürken
(+1.00 veya –1.00’e doğru) diğerleri küçülür (0’a doğru), ortanca değerler azalır, sonuçta
faktörlerin anlamları belirginleşir. Dikkat edilmesi gereken husus; rotasyon işlemi sonucunda,
bir faktör altındaki değişkenlerin ağırlıkları değişirken, faktörlerin açıkladığı toplam
varyansın değişmemesidir.
Rotasyon usulleri çeşitlidir, bunlar arasında en yaygın olanları; varimax, quartimax,
equimax ve oblimindir. Bu metotların nasıl uygulandığı ve matematik açıklamaları bizi fazla
ilgilendirmiyor. Hepsi için paket programlar vardır.Bizi ilgilendiren bu metotların işlevidir.
Faktörlerin rotasyona tabi tutulmalarının sonuçları Şekil 4’te görülmektedir. Yatay
eksende birinci, dik eksende ikinci faktör gösterilmiştir. Değişkenlerin faktörlerle olan
ilişkileri (ağırlıkları) eksenlere olan uzaklıkları ile verilmiştir. Örneğin V5, her iki faktörle de
yakın ilişki içindedir ama birinci faktörle olan ilişkisi daha azdır. V 1 değişkeninin her iki
faktörle olan ilişkisi aynıdır. V7’nin birinci faktörle olan ilişkisi fazla, ikinci faktörle olan
ilişkisi daha azdır.
Çok Faktörlü Analizler 8

Şekilde eksenler, saat yelkovanının aksi istikametinde, 45 0 hareket ettirildiğinde ortaya

çıkan durum kırmızı çizgilerle gösterilmiştir. Değişkenler önceki koordinatlarında sabit
tutulmuşlardır. Bu işlem sonucunda değişkenlerin ağırlıkları daha belirginleşmiştir.
Rotasyondan önce V1 değişkeninin her iki faktör altındaki ağırlığı 0.6 iken rotasyondan sonra
birinci faktör altındaki ağırlığı artmış, ikinci faktör altındaki ağırlığı ise sıfıra yaklaşmıştır.
Rotasyon işleminin amacı da budur : faktörlerin ne anlama geldiklerini, hangi değişkenlerin
etkilerini yansıttıklarını mümkün olduğunca belirgin hale getirmek. Şayet bir değişkenin bir
faktör altındaki ağırlığı fazla ise, diğer faktör altındaki ağırlığının da fazla olması hatta orta
değerde olması istenmez. Aksi taktirde faktörlerin bu değişkenle olan ilişkisini süzmek
mümkün olmaz.
Şekil 4’te rotasyondan önce 5 numaralı değişkenin 1 numaralı faktör altındaki
ağırlığının 0.5, 2 numaralı değişken altındaki ağırlığının ise daha fazla olduğu görülmektedir.
Bu oldukça açıklayıcı bir durumdur ancak rotasyondan sonra durum daha da açıklık
kazanmıştır. Rotasyondan sonra 5 numaralı değişkenin, 1 numaralı faktör altındaki ağırlığı
0.8’e yükselirken, 2 numaralı faktör altındaki ağırlığı sıfıra yaklaşmıştır. Dolayısı ile
faktörlerin ne anlam taşıdıkları rotasyondan sonra belirginleşmiştir.Yedi numaralı değişken,
rotasyondan önce –0.7 ve 0.4 iken, rotasyondan sonra bu fark artmıştır (-0.3’e 0.8). Bu
değişkenin hangi faktörü daha çok ilgilendirdiği de, rotasyondan sonra daha açık hale
gelmiştir.
Yukarıdaki örneğimizde, rotasyondan sonra, 3 numaralı faktörde ve diğerlerinde
meydana gelen değişiklikler hakkında bilgi verilmemiştir. Rotasyon işlemi, bütün faktörleri
etkiler. Fakat bunların hepsinin bir arada gösterilmesi karışıklığa sebep olacaktır. Sadece iki,
faktörün rotasyona tabi tutulduğu Şekil 4, bunun en açık göstergesidir.
Korelasyon katsayılarının negatif değerler taşıması, faktörlerle olan ters ilişkiyi
gösterir. Örnekte V7 değişkeni, 1 numaralı faktörle negatif ilişki içindedir. Bunun anlamı,
değişkenin değeri azaldıkça 1 numaralı faktörle olan ilişkisinin arttığıdır. Korelasyonun
büyüklüğü açısından ise – 0.7 ile + 0.7 arasında fark yoktur.
Faktörler rotasyona tabi tutulduğunda açıkladıkları toplam varyans değişmez, değişen
faktörlerin her birinin açıkladığı varyanstır. Faktör ağırlıklarındaki nispî değişiklikler Şekil
5’te gösterilmiştir.
Faktör Analizi 9

II.Faktör
1
0,8
0,6
I.Faktör
0,4
0,2
0
-0,8 -0,6 -0,4 -0,2-0,2 0 0,2 0,4 0,6 0,8

-0,4
-0,6
-0,8
-1

Şekil 4. Faktörlerin Rotasyon İşlemi

Hangi Ağırlık Anlamlı?

Değişkenlerin ağırlıklarını “önemli” veya “önemsiz” olarak yorumlanmasında

istatistik bir ölçü yoktur. Bu, korelasyon katsayılarının istatistik açıdan test edilmesinden
farklı bir durum değildir ve çok sayıda örnekle çalışıldığında her değer (0.1 veya 0.3 vd.)
istatistik açıdan anlamlı çıkabilir.
Hangi ağırlık derecesinin önemli olduğuna araştırıcı karar vermek durumundadır ve bu
durum faktör analiz tekniğini yapılan eleştirilerden biridir (subjektif değer yargısı). Ağırlığa
verilen önemin alt sınırı; 0.5, 0.4, 0.3’e kadar inmektedir.Tekrar belirtmek gerekir ki bu basit
bir varsayımdır ve araştırma konusuna göre değişebilir.
 Varyans
0,5 0,41
0,4
0,3 0,23
0,2 0,14
0,1
0
Faktörler
1 2 3

(a) Rotasyondan Önce

Varyans
0,5
0,4
0,27 0,25 0,26
0,3
0,2
0,1
0
Rotasyona tabi
1 2 3 tutulan faktörler
(a) Rotasyondan sonra

Şekil 5. Rotasyondan Önce (a) ve Sonra (b) Faktörlerin Açıkladıkları Varyans

Faktörlere Ad Vermek

Faktörlere ad vermek, doğan çocuğa ad vermek kadar önemlidir. Bu aşamada

faktörlere ad verilirken hangi değişkenlerin ağırlığını yansıttığına bakılır ve en büyük paya
sahip değişkenin adı verilir ama çoğunlukla ilk sıralarda yer alan faktörlerin içinde ağırlıkları
fazla olan birden çok değişken vardır. Bu açıdan bazı araştırıcılar ad verme yerine faktörlere
numara vermektedir. Çünkü faktörlere dikkatsizce isim vermek, sonuçta büyük yanılgılara yol
açabilir. Bunun önüne geçmek için faktörlere ad vermeden önce ayrıntılı bir inceleme yapmak
gerekir.