Yıl: 4, Sayı: 10, Mart 2017, s

Transkript

1 Fatih UĞURLU 1 Faruk AYLAR 2 DERLEME ÇALIġMASI: ÖLÇEK GELĠġTĠRME ÇALIġMALARINDA AÇIMLAYICI FAKTÖR ANALĠZĠNĠN KULLANIMI Özet AraĢtırmacıların çalıģmalarında ortaya koydukları varsayımların uygulamadaki geçerliğinin belirlenebilmesi için alan araģtırmaları ile desteklenmesi önemlidir. AraĢtırmalarda objektif sonuç elde edebilmek ve veri toplayabilmek için uygun test ve ölçeklere ihtiyaç vardır. Bilimsel araģtırmalarda, yeni veriler ortaya koyabilmek veya sorunları doğru tespit edip çözüm üretebilmek noktasında yararlanılan veri toplama kaynaklarından biri de ölçektir. Ölçek geliģtirmek oldukça zorlu ve uğraģtırıcı bir iģtir. Zorluğu mümkün olan en iyi geçerlik ve güvenirliğe sahip ölçek geliģtirmek amaçlanmasından kaynaklanır. Ġyi bir geçerlik için iyi bir yapı geçerliği oluģturmak gerekmektedir. Yapı geçerliği, testle ölçülmek istenen yapının ortaya konulması derecesidir. Yapı geçerliğini sağlamak için Açımlayıcı Faktör Analizi uygulamalarından yararlanılmaktadır. Açımlayıcı Faktör Analizi, aynı yapıyı ölçen değiģkenleri bir araya getirerek daha az değiģkenle açıklamaya çalıģan bir analiz türüdür. Bu derleme çalıģması, Açımlayıcı Faktör Analizinin ölçek geliģtirme çalıģmalarında nasıl uygulandığını, basamakları ve örnekleriyle ortaya koymak; özellikleri, amaçları, varsayımları ve kavramlarını açıklamak amacıyla yapılmıģtır. Anahtar Kelimeler: Ölçek geliģtirme, açımlayıcı faktör analizi. 1 Yüksek Lisans Öğrencisi, Amasya Üniversitesi, Sosyal Bilimler Enstitüsü, Sosyal Bilgiler Eğitimi, ugurlu.85@gmail.com 2 Yrd. Doç. Dr., Amasya Üniversitesi, Eğitim Fakültesi, farukaylar@gmail.com

2 Fatih Uğurlu _Faruk AYLAR THE USE OF EXPLORATORY FACTOR ANALYSIS IN SCALE DEVELOPING STUDIES Abstract In order to identify the validity of the assumptions in practice which are put forward in the studies of researchers, it is important that they are supported with field studies. To gather data and to have objective results in researches, proper tests and scales are needed. In scientific studies, to set forth new data or in the point of diagnosing problems and finding solutions, one of the data gathering sources is scales. Scale developing is an extremely hard and challenging work. Challenge stems from the aim of developing the scale which has the best validity and reliability as much as possible. For a good validity, it is required to form a good construct validity. Construct validity is the degree of revealing the construct which is asked to be measured with tests. To provide construct validity, exploratory factor analysis implementations are benefited. Exploratory Factor Analysis is a kind of analysis type which aims to explain by bringing together the variables testing the same construct with fewer variables. This compilation study is done to exhibit how Exploratory Factor Analysis is carried out in scale developing studies with its steps and examples and also to clarify the features, aims, assumptions and concepts. Keywords: scale developing, exploratory factor analysis GĠRĠġ Çevremizde her geçen gün yeni bir geliģme meydana gelmekte, insanoğlu yeni fikirlerle, yeni durumlarla hatta yeni sorunlarla karģılaģmaktadır. Ortaya çıkan karmaģık durumdaki bu geliģmelerin anlaģılabilir olması için analiz edilmesi gerekir. Artan sorunların veya durumların anlaģılabilir olmasını sağlayacak analizler de her geçen gün zorlaģmaktadır. Bununla birlikte sorunların/durumların çözülmesi noktasında yeni bulguların ortaya konulmasına gereksinim duyulmaktadır. Bu da ancak araģtırmalarla mümkün kılınmaktadır. Bireylere, olaylara ve sorunlara iliģkin bulguların toplanması, düzenlenmesi, analiz edilmesi ve sonuçlarının ortaya konulması birçok istatistiksel iģlemi beraberinde getirir. Ġstatistiki iģlemler kadar verinin hangi tekniklerle elde edildiği de önemlidir. Amaca dönük istatistiksel iģlemler baģta sosyal bilimler olmak üzere bütün bilim alanları için uygulanması zorunlu teknikler haline gelmiģtir (Karagöz ve Ekici, 2004, TavĢancıl, 2006). 196 AraĢtırmacıların çalıģmalarında ortaya koydukları varsayımların uygulamadaki geçerliğinin belirlenebilmesi için alan araģtırmaları ile desteklenmesi önemlidir. AraĢtırmalarda objektif sonuç elde edebilmek ve veri toplayabilmek için uygun test ve ölçeklere ihtiyaç vardır. ÇalıĢmanın varsayımları ne kadar sağlam temellere dayanırsa dayansın, kullanılan test ve ölçekler bilimsel geçerlik göstermiyorsa amaçlanan sonuca da ulaģılamayacaktır. Bu bakımdan kullanılacak ölçeğin bilimsel geçerlik ilkelerine uygunluğu sağlanmalıdır (Karagöz ve Ekici, 2004; TavĢancıl, 2006). Bilimsel araģtırmalarda, yeni veriler ortaya koyabilmek veya sorunları doğru tespit edip çözüm üretebilmek için yararlanılan veri toplama kaynaklarından biri de ölçektir. Bireylerin aynı probleme üretecekleri farklı çözüm önerileri ya da aynı olaylara karģı geliģtirecekleri farklı bakıģ açıları olabilir. Bu öneri ve bakıģ açılarıyla da yeni kuramsal sonuçlar ortaya konulabilir.

3 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı Bu durum araģtırmada veri toplamanın önemini artırmaktadır. Bu sayede bilim dallarında hızlı bir geliģme ve ilerleme yaģanmaktadır (Karagöz ve Ekici, 2004). Günümüzde bir ölçme aracı kullanmayan bilim dalı neredeyse yoktur. Duyarlılık düzeyi yüksek ölçek geliģtirilen bilim dalları diğerlerine göre daha fazla geliģme gösterir. Sosyal bilimler alanında yapılan çalıģmalarda ölçekler çok önemli bir yere sahiptir. Bilim dallarındaki geliģmelerin hız kazanması, o bilime özgü ölçme aracının geliģtirilmesinden kaynaklanmaktadır. Uygulanabilir bir ölçme aracının geliģtirilmesi sonucunda elde edilecek neticelerin uygulamaya yansıtılması ilgili bilim dalındaki geliģmelere daha da hız kazandıracaktır. Bu nedenle ihtiyaç duyulan, problem olarak görülen alanlara yönelik uygun ölçek geliģtirmek, uygulamak ve sonuçlarını değerlendirip pratikte yarar sağlamasını gözetmek ölçekten istenen verimin alınmasını sağlayacaktır (Karagöz ve Ekici, 2004). Ölçek geliģtirmek için öncelikle problemin iyi tanımlanması, araģtırma amacının iyi belirlenmesi gerekmektedir. Devamında ilgili literatür kaynakları taranarak kuramsal çerçeve çizilmeli, maddeler yazılmalı ve taslak form oluģturulmalıdır. Kapsam ve görünüģ geçerliği açısından uzman görüģlerinden yararlanılarak denemelik ölçek formu oluģturulmalı ve ön uygulamaya geçilmelidir. Ön uygulamadan alınan dönütlerle ölçeğe son Ģekli verilmeli ve asıl uygulamaya geçilmelidir. Yeterli örneklem sayısına ulaģıldığında veriler analize hazırlanmalıdır. Bu aģamada verilerin yapı geçerliğini test etmek amacıyla faktör analizi yapılmalıdır (Büyüköztürk, 2015; DeVellis, 2014; TavĢancıl, 2006; TezbaĢaran, 2008). Faktör analizi, değiģkenler arasındaki doğrusal iliģkileri inceleyerek bu iliģkilerin arkasındaki gözlenemeyen yapıları keģfetmeyi amaçlar (BektaĢ, 2015). ÇalıĢmaya konu olan Açımlayıcı Faktör Analizi bu aģamada devreye girmektedir. Bilim insanları aksini belirtmediği sürece faktör analizi, açımlayıcı faktör analizidir. Bu durum, faktör analizini geliģtiren Spearman ın herhangi bir kavram ayrımı yapmadan kullandığı tanımın günümüzde açımlayıcı faktör analizi tanımı olarak kullanılmasından kaynaklanmaktadır (AvĢar, 2007). Açımlayıcı Faktör Analizi, aynı yapıyı ölçen değiģkenleri bir araya getirerek daha az faktörle açıklamaya çalıģan bir analiz türüdür (Büyüköztürk, 2015; DeVellis, 2014; TavĢancıl, 2006; TezbaĢaran, 2008). ÇalıĢmanın Faktör Analizi ne uygun olup olmadığını anlayabilmek için öncelikle bazı testlerin uygulanması gerekmektedir. Bu amaçla Kaiser- Mayer-Olkin (KMO) ve Barlett testleri uygulanır. Kaiser-Mayer-Olkin (KMO) testi, ölçeğin faktör çıkarmaya uygunluğunu; Barlett testi ise değiģkenler arasındaki iliģkiyi inceler. Ardından faktör rotasyonu da iģe koģularak faktör analizi yapılır. Böylece, değiģkenlerin yer aldığı faktörler ve faktör yükleri belirlenir. Faktör sayısı belirlenen ölçeğin yapı geçerliğini desteklemek, sonuçların uygunluğunu test etmek amacıyla Doğrulayıcı Faktör Analizi uygulanır. Faktör analizinden sonra ayrıca madde test toplam korelasyonları ve madde ayırt ediciliği de hesaplanır. Geçerlilik çalıģmalarından sonra çalıģmanın güvenirlik analizleri yapılır. Bütün bu iģlemler sonucunda ölçeğin uygun geçerlik ve güvenirlik düzeyine sahip olduğu ortaya konursa ölçek formu son Ģeklini alır. Böylece ilgili alandaki araģtırmalarda kullanılabilecek yeni bir veri toplama aracı bilim dünyasına sunulmuģ olur (Büyüköztürk, 2015; DeVellis, 2014; Karagöz ve Kösterelioğlu, 2008; TavĢancıl, 2006; TezbaĢaran, 2008). Ölçek geliģtirmek zorlu ve uğraģtırıcı bir iģtir. Zorluluğu mümkün olan en iyi geçerlik ve güvenirliğe sahip ölçek geliģtirmek amaçlanmasından kaynaklanır. Ġyi bir geçerlik için iyi bir yapı geçerliği oluģturmak gerekmektedir. Yapı geçerliği, testle ölçülmek istenen yapının ortaya 197

4 Fatih Uğurlu _Faruk AYLAR konulması derecesidir. Yapı geçerliğini sağlamak için açımlayıcı faktör analizi uygulamalarından yararlanılmaktadır. Bu nedenle bu derleme çalıģması, açımlayıcı faktör analizinin ölçek geliģtirme çalıģmalarında nasıl uygulandığını, basamakları ve örnekleriyle ortaya koymak; özellikleri, amaçları, varsayımları ve kavramlarını açıklamak amacıyla yapılmıģtır. Ġlgili AraĢtırmalar Açımlayıcı Faktör Analizi konusunda ulusal ve uluslararası alanda yapılmıģ çalıģmalar bulunmaktadır. Burada söz konusu çalıģmalardan bir bölümüne yer verilmiģtir. Büyüköztürk (2002), faktör analizini incelediği çalıģmasında, analizle ilgili temel kavramlara ve analizin ölçek geliģtirmede kullanımına iliģkin açıklamalara yer vermiģ; analizin uygulanmasında karģılaģılabilecek sorunlara dikkat çekmiģtir. Kaya (2011) ise çalıģmasında açıklayıcı faktör analizinin amacı, varsayımları ve modeli hakkında bilgiler vermiģtir. Polat (2012), yaptığı çalıģmada faktör analizi ve faktör analizi yöntemlerini açıklamıģ ve analizin yapılması sürecini SPSS paket programından örnekler sunarak adım adım göstermiģtir. Ertürk (2016) ise açımlayıcı faktör analizine iliģkin temel kavramlar, sayıltılar ve analizin diğer gerekliliklerine çalıģmasında yer verilmiģtir. ġimģek (2006), yüksek lisans tezinde çok değiģkenli istatistiksel tekniklerden kümeleme, çok boyutlu ölçekleme, doğrulayıcı ve açımlayıcı faktör analizi ile elde edilen yapı geçerliği kanıtlarını karģılaģtırmıģtır. Khalaf (2007), çalıģmasında, faktör analizinin kuramsal yönü ve temel kavramlarına yer vermiģ, faktörlerin türetilmesi, faktörlerin döndürülmesi ve faktör değerlerinin tahmin edilmesini ele almıģ ve faktör analizine bir uygulama üzerinden adım adım yer vermiģtir. 198 AvĢar (2007), yüksek lisans tezinde açıklayıcı faktör analizi ile doğrulayıcı faktör analizinin etkileģimleri ve farklılıklarını belirten karģılaģtırmalı analizlere yer vermiģtir. Doğan ve BaĢokçu (2010) ise çalıģmasında faktör analizi ve aģamalı kümeleme analizinin sonuçlarını karģılaģtırmıģ ve benzerlik gösterdiğini saptamıģtır. Ancak boyutlardaki maddeler ve madde sayısı bakımından az da olsa farklı sonuçlar verdiği tespit edilmiģtir. Patır (2009) çalıģmasında faktör analizi ile ilgili temel kavramlara (korelasyon matrisi, öz değer, ortak faktör varyansı, faktör yük değeri) yer vermiģ, faktör analizinin aģamalarını ve özelliklerini açıklamıģtır. Okursoy ve Turan (2014) ise yaptıkları çalıģmada verilerin açımlayıcı faktör analizine uygunluğuna iliģkin varsayımlara (örneklem büyüklüğü, kayıp değerler, normallik, doğrusallık, çoklu bağlantı ve tekillik ile uç değerlerin kontrol edilmesi) vurgu yapmıģtır. Öngen (2010), çalıģmasında açımlayıcı faktör analizi ve doğrulayıcı faktör analizinin teorik yapısını ortaya koymuģ, açıklayıcı faktör analizi ve doğrulayıcı faktör analizinin varsayımları, benzerlikleri ve farklılıklarını incelemiģtir. Öngen e göre (2010), iki faktör analizi arasındaki benzerlik ve farklılıklardan bazıları Ģunlardır: Benzerlikler a. Her ikisi de, testin iç güvenilirliğini test eder. b. Teorik yapıyı ve faktörleri meydana getiren unsurları araģtırır.

5 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı c. Faktörlerin korelasyonsuz ve dik olduğunu kabul eder. Farklılıklar a. Açımlayıcı faktör analizi, zayıf literatür tabanlıdır, doğrulayıcı faktör analizi ise güçlü bir teoriye sahiptir. b. Açımlayıcı faktör analizinde faktör sayısına, temel bileģenler analizine göre karar verilirken, Doğrulayıcı faktör analizinde ise faktör sayısına önsel tanımlama ile karar verilir. c. Açımlayıcı faktör analizinde bütün faktör yük değerleri gösterilir. Doğrulayıcı faktör analizinde ise araģtırmacılarca belirlenen faktör yükleri gösterilir. Saraçlı (2011) tarafından yapılan çalıģmada, faktör analizi içerisinde yer alan döndürme tekniklerinin uyumu incelenmiģtir. ĠĢlem sonucunda varimax ve equamax döndürme tekniklerine ait sonuçların uyum içinde olduğu belirlenmiģtir. Göçer (2011), çalıģmasında bir ölçeğin yapı geçerliğini korelasyon, gruplararası fark ve faktör analizi yöntemlerine dayalı olarak incelemiģtir. Bu amaçla, araģtırmacı hazırladığı bir ölçeğin iki farklı ölçekle (matematiğe karģı özyeterlik ölçeği ve öğretmenliğe iliģkin tutum ölçeği) ve öğrencilerin akademik notları ile korelâsyonuna; ölçek puanlarının cinsiyete, sınıflara ve bölümlere göre farklılık gösterip göstermediğine ve doğrulayıcı faktör analizine (DFA) göre yapı geçerliğini irdelemiģtir. Çolakoğlu ve BüyükekĢi (2014) yaptıkları araģtırmada faktör analizi sürecinin sağlıklı iģlemesinde 6 unsurun rol aldığını ifade etmektedir. Bu unsurlar; R-matris, örneklem geniģliği, R-matrisin yapısal uygunluğu, faktör çıkarım yönteminin belirlenmesi, rotasyon ve faktör sayısının belirlenmesidir. Söz konusu unsurlar analiz sonuçlarının kesinliğini belirtmesi açısından önemlidir. Bu nedenle her unsur kendi içinde belirli kurallar ile gerçekleģtirilmeli ve süreç ile olan iliģkisi göz önünde bulundurulmalıdır. 199 Taherdoost, Sahibuddin ve Jalaliyoon (2014) çalıģmalarında açımlayıcı faktör analizini örnek bir uygulamayla vermeyi amaçlamıģlardır. Faktör analizinin uygulanması için beģ aģamalı bir süreç önermiģlerdir. Bunlar; değiģkenlerin faktör analizine uygunluğunun belirlenmesi, faktör tahmini için uygun metodun belirlenmesi, faktör sayısının belirlenmesi, faktör rotasyonu ve faktörlerin yorumlanması ve isimlendirilmesidir. BektaĢ (2015), çalıģmasında ikili değiģkenler için faktör analizi yönteminin teorik yapısı incelemiģ ve bunu uygulamak amacıyla deneysel bir çalıģma gerçekleģtirmiģtir. AraĢtırmacı, çalıģma kapsamında yükseköğretim kurumlarında çalıģan öğretim elemanlarının çalıģma yaģam kalitesinin ölçülmesi bir ölçek önermiģtir. Açımlayıcı Faktör Analizi Yöntemi (Exploratory Factor Analysis) Sosyal ve davranıģçı bilimlerde araģtırmacıların inceleme alanı genellikle doğrudan gözlenemeyen gizil değiģkenler ya da faktörlerdir. Söz konusu gizil değiģken veya faktörler doğrudan gözlenemedikleri için doğrudan da ölçülmeleri mümkün değildir. Bu değiģkenlerin ölçülebilmesi için gözleme dayalı değiģkenler kullanılmaktadır (BektaĢ, 2015). Açıklayıcı faktör analizi, bilinmeyen bu gizil değiģkenlerle gözlenen değiģkenler arasındaki iliģkileri ortaya çıkarmak amacıyla kullanılan bir analiz türüdür (Ertürk, 2016; TavĢancıl, 2006; Yaman ve Köksal, 2014).

6 Fatih Uğurlu _Faruk AYLAR AraĢtırmacılar, ölçme aracındaki faktörlerin sayısı hakkında kesin bir fikre sahip olmadığında bu faktörleri belirlemek amacıyla keģfedici analiz yöntemi olarak da bilinen bu analiz yöntemini kullanırlar (Byrne, 1994; Ertürk, 2016; Yaman ve Köksal, 2014). Bunun sonucunda değiģkenlerin faktör yapısı ortaya konulur. Bu ifade, değiģkenlerin kaç faktör altında toplandığı ve her bir faktörün taģıdığı yük değerleri ile ilgilidir (AvĢar, 2007). AraĢtırmacı, açımlayıcı faktör analizi ile maddelerin (gözlenen değiģkenlerin) ilgili faktörler altında çıkmasını ve bu maddelerin yüksek faktör yük değerlerine sahip olmasını ister (Ertürk, 2016; TavĢancıl, 2006; Yaman ve Köksal, 2014). Açımlayıcı faktör analizi ile değiģken sayısı azaltılırken değiģkenler arasındaki iliģkilerden de yararlanarak yeni yapılar ortaya çıkarılır ve değiģkenler sınıflanarak faktör ya da faktörler altında birleģtirilir. Her faktör grubuna, içinde bulunan maddelerin özelliğine göre bir faktör adı verilir (AvĢar, 2007; Kaya, 2011). Açımlayıcı Faktör Analizinin Tarihçesi Faktör analizi kavramı ilk olarak Spearman tarafından 20. yüzyılın baģlarında ortaya atılmıģtır. Spearman, yaptığı çalıģmada gözlenemeyen değiģken olan insan zekâsı ile gözlenen değiģkenler arasındaki iliģkiyi incelemiģtir. Bu amaçla korelasyon katsayısından faydalanmıģtır. Spearman ın insan zekâsını tek bir gizil değiģken etrafında açıkladığı iki faktör teorisi değiģkenler arasındaki iliģkileri açıklamada yetersiz kalınca Thurstone tarafından çoklu faktör analizi yöntemi geliģtirilmiģtir. Thurstone tarafından geliģtirilen Merkezde Toplama Metodu, iyi bilenen ve sıkça kullanılan bir metottur (BektaĢ, 2015). Lawey, 1940 larda faktör yüklerinin en çok olabilirlik yöntemine göre tahmini için denklemler geliģtirmiģ ancak çok sayıda değiģken olduğunda pratik olmadığı fark etmiģtir. Söz konusu sorun 1967 lerde Karl Jöreskog tarafından geliģtirilen en çok benzerlik yöntemi ile çözülmüģtür. Bununla birlikte bilgisayar teknolojisindeki geliģmeler de karmaģık ve zor olan hesaplamaların kolaylıkla yapılmasına imkân tanımıģtır (BektaĢ, 2015) li yıllara doğru bilim insanları faktör analizinde hipoteze dayalı testlere yönelmiģlerdir. Bock ve Bargmann (1966) ile Jöreskog (1969) gözlenen verilerin yeni modellere uygunluğu ile ilgili çalıģmalara yönelmiģlerdir. Bu önemli geliģme faktör analizinin açımlayıcı faktör analizi ve doğrulayıcı faktör analizi olmak üzere ikiye ayrılmasına neden olmuģtur. ĠĢte bu noktada 20. yüzyılın baģında Spearman tarafından geliģtirilen analiz, açımlayıcı faktör analizi olarak adlandırılmıģtır (BektaĢ, 2015). Temel Kavramlar Açımlayıcı faktör analizini doğru anlayabilmek için konuyla ilgili bazı temel kavramları bilmekte yarar vardır. Geçerlik: Bir ölçme aracının ölçmeyi amaçladığı özelliği, baģka herhangi bir özellikle karıģtırmadan, doğru ölçebilme ve amaca hizmet etme derecesidir (Karakoç ve Dönmez, 2014). Güvenirlik: Ölçme aracının ölçmek istediği değiģkeni, ne tutarlılıkla ölçtüğünün derecesidir. BaĢka bir ifadeyle ölçme sonuçlarının hatalardan arınmıģ olması durumudur (Karakoç ve Dönmez, 2014).

7 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı Korelasyon Matrisi: Gözlenen değiģkenlerden elde edilen korelasyon matrisine, gözlenen korelasyon matrisi; faktörlerden elde edilen korelasyon matrisine, üretilmiģ korelasyon matrisi adı verilir (Büyüköztürk, 2002; Ertürk, 2016; Patır, 2009). Öz Değer: Her bir faktör tarafından açıklanan varyansın oranının hesaplanmasında ve önemli faktör sayısına karar vermede kullanılan bir katsayıdır. Özdeğer yükseldikçe, faktörün açıkladığı varyans da yükselmektedir (Thompson dan aktaran Çokluk ve diğ, 2012; Patır, 2009). Ortak Faktör Varyansı (Ortak Varyans): Ortak varyans ile özgül varyansın toplamı, testin güvenirliğini hakkında fikir verir. Ortak faktör varyansının yüksek olması, modele iliģkin açıklanan toplam varyansın da yüksek olacağını gösterir (Büyüköztürk, 2002; Ertürk, 2016; Patır, 2009). Faktör Yük Değeri: Maddelerin faktörlerle olan iliģkisini açıklayan bir katsayıdır. Bir faktörle yüksek düzeyde iliģki veren maddelerin oluģturduğu bir küme var ise bu bulgu, o maddelerin birlikte bir yapıyı/faktörü ölçtüğü anlamına gelir. Bir değiģkenin 0.3 lük faktör yükü, faktör tarafından açıklanan varyansın % 9 olduğunu gösterir. Faktör yük değerleri, bir korelasyon değeri olarak istatistiksel anlamlılık bakımından da incelenebilir (Büyüköztürk, 2002; Ertürk, 2016; Patır, 2009). FaktörleĢtirme: Faktör analizi, bir faktörleģtirme ya da ortak faktör adı verilen yeni kavramları (değiģkenleri) ortaya çıkarma veya maddelerin faktör yük değerlerini kullanarak kavramların iģlevsel tanımlarını elde etme süreci olarak tanımlanabilir (Büyüköztürk, 2002; Ertürk, 2016; Okursoy ve Turan, 2014). 201 Döndürme: AraĢtırmacı, bir faktör analizi tekniğini uygulayarak elde ettiği önemli faktörleri daha kolay yorumlamak amacıyla bir eksen döndürmesine tabii tutabilir. Eksenlerin döndürülmesi sonrasında maddelerin bir faktördeki yükü artarken diğer faktörlerdeki yükleri azalır. Böylece faktörler, kendileriyle yüksek iliģki veren maddeleri bulurlar ve faktörler daha kolay yorumlanabilir (Büyüköztürk, 2002; Ertürk, 2016). Yamaç-Birikinti Grafiği (Scree Plot): Faktör sayısına karar vermek amacıyla Cattell tarafından önerilen yardımcı bir grafiktir (Thompson, 2004). Açımlayıcı Faktör Analizinin Amaçları Çok değiģkenli istatistiksel bir teknik olan açımlayıcı faktör analizinin en temel amacı, gözlenen değiģkenlerden yola çıkarak, gözlenemeyen faktörleri ortaya çıkarmaktır. Analiz sonucunda aynı faktörü ölçen değiģkenler bir araya toplanır ve böylece, çok sayıda değiģken az sayıda faktör altında bir araya getirilmiģ olur (Kaya, 2011). Genel olarak açımlayıcı faktör analizinin amaçlarını Ģu Ģekilde sıralayabiliriz (BektaĢ, 2015; Uyar, 2012); Çok sayıdaki değiģkeni az sayıdaki faktör altında toplamak, Veri kümesini özetlemek, Verileri sınıflandırmak,

8 Fatih Uğurlu _Faruk AYLAR Gözlenen değiģkenlerden yola çıkarak sürecin temeli için iģlevsel tanım yapmak, Sürecin doğası hakkında kuramı test etmek, Gözlenen değiģkenler arası korelasyon modelini özetlemek, Zekâ, kiģilik vb. yapıları ölçmek amacıyla nesnel bir ölçek geliģtirmektir. Açımlayıcı Faktör Analizinin Varsayımları AraĢtırmacı çalıģmaya, değiģkenliğini araģtırdığı yapıyı ölçmeye yönelik çok sayıda madde oluģturmakla baģlar. Yazılan maddeleri içeren verip toplama aracı, örnekleme uygulanır ve maddelere verilen cevaplar puanlanarak açıklayıcı faktör analizine tabi tutulur. Açımlayıcı faktör analizi, ölçülmek istenen yapıya iliģkin faktörler üretir. Analiz sonuçlarına göre bazı maddeler ölçekten çıkartılır ve analiz tekrar edilir. Bu süreç, ölçmede yeterli sayıda madde içeren uygun bir çözüme ulaģılıncaya kadar devam eder. Bu süreçte açımlayıcı faktör analizi, yapı geçerliliğine iliģkin, bu testten elde edilen puanlar, testin ölçtüğünü varsaydığı Ģeyi ölçüyor mu? sorusuna cevap arar. Bu anlamda açımlayıcı faktör analizi, test/ölçek puanlarının yapı geçerliğinin değerlendirilmesine önemli katkı sağlar. Açımlayıcı faktör modelindeki ölçümün tahmin edilebilmesi için çeģitli varsayımlar vardır. Bu varsayımlardan bazıları Ģu Ģekilde sıralanabilir; - Verilerin en az eģit aralıklı ölçekle ölçülmüģ olması gerekir. - Çok değiģkenli normallik varsayımı, değiģken çiftlerinin arasındaki iliģkinin doğrusal olduğuna da iģaret ettiğinden dolayı iliģkinin tam doğrusal olması gerekir. - DeğiĢkenlerin birbirleri ile çok düģük ya da çok yüksek değil de belirli bir düzeyde iliģkili ( ) olması gerekir. - Her bir gözlenen değiģken, sadece bir hata faktörü ile iliģkilidir. - Hata faktörleri iliģkili oldukları gözlenen değiģken dıģında diğer faktörler ile iliģkisizdir. - Ortak faktörler birbirleri ile ve artık (hata) faktörlerle iliģkisizdir. - Bütün gözlenen değiģkenler, bütün ortak faktörler tarafından doğrudan etkilenir. - Gözlenen değiģkenler çok değiģkenli normal dağılıma sahiptir (AvĢar, 2007; Büyüköztürk, 2002; Doğan ve BaĢokçu, 2010; Kaya, 2011; Öngen, 2010; Özdamar, 2002). Açımlayıcı Faktör Analizinin AĢamaları Açımlayıcı faktör analizinin ölçek geliģtirme çalıģmalarında uygulanması noktasında takip edilmesi gereken bazı süreçler vardır. Bu süreçteki aģamalar, verilerin faktör analizi için uygunluğunun sağlanması, faktör modelinin tahmini için uygun metodun seçilmesi, değiģkenlerin dâhil olduğu yapıları belirlemek için faktör sayısına karar verilmesi, gerek görülmesi halinde faktör döndürme metodunun uygulanması ve son olarak faktörlerin içerdiği maddelere göre isimlendirilmesidir (BektaĢ, 2015; Khalaf, 2007; Polat, 2012; Tabachnick ve Fidell, 2007). 1. Verilerin faktör analizi için uygunluğunun sağlanması Faktör analizinin uygulanabilmesi için bazı temel varsayımların sağlanması gerekmektedir. Aksi durumda veriye faktör analizi uygulamak istatistiksel açıdan anlamsızdır. Bu amaçla 202

9 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı korelasyon matrisi hesaplanır, Bartlett Küresellik Testi ve Kaiser Meyer-Olkin (KMO) Testi uygulanır (Büyüköztürk, 2015; TavĢancıl, 2006) Korelasyon matrisinin hesaplanması: Korelasyon matrisi, faktör analizinde yer alan değiģkenler arasındaki iliģkiyi gösteren bir matristir (Patır, 2009). Açımlayıcı faktör analizinde değiģkenler arasında yüksek korelasyon iliģkisi aranır ve bu beklenen bir durumdur (BektaĢ, 2015). DeğiĢkenler arasında korelasyon azaldıkça, faktör analizinin sonuçlarına olan güven de azalır. Aralarında korelasyon iliģkisinin çok güçlü olduğu değiģkenler genel de aynı faktör içinde olacaklardır. Bunun bir sonucu olarak da, bu değiģkenlerin, içinde bulundukları faktörle iliģkileri güçlü olacaktır (Karagöz ve Kösterelioğlu, 2008; Nakip, 2003). BaĢka bir ifadeyle değiģkenler arasındaki korelasyonun yüksekliği, değiģkenlerin ortak faktör oluģturma olasılıklarının yüksekliğini gösterir (Karagöz ve Kösterelioğlu, 2008) Bartlett Küresellik Testi (Bartlett test of sphericity): Barlett testi, korelasyon matrisinin istatistiksel olarak anlamlılığını ve birim matrisi olup olmadığını sınamaktadır (BektaĢ, 2015; ġekercioğlu, 2009). Bartlett küresellik testi, ki kare (χ 2 ) istatistik değerini verir. Anlamlılık değeri 0.05 ten küçük ise korelasyon matrisinin birim matrisinden farklı olduğu sonucuna varılır. Bu durum, korelasyon matrisinden faktör çıkarılabileceği anlamına gelir. Ancak, anlamlılık değeri 0.05 ten büyük ise matriste paylaģılan varyans olmadığı yorumu yapılır ve söz konusu veri seti için faktör analizi yapılamaz. Bu durumda, faktör modelinin kullanılması yeniden gözden geçirilmelidir (Akgül ve Çevik, 2003; Karagöz ve Kösterelioğlu, 2008; ġencan, 2005; ġekercioğlu, 2009). Barlett küresellik testi, örneklem büyüklüğüne duyarlı olduğundan faktör analizinin uygulanma durumuna karar verilirken diğer kriterlerin de göz önünde bulundurulması gerekmektedir (BektaĢ, 2015) Kaiser Meyer-Olkin (KMO) Testi: Bu test, gözlenen korelasyon katsayılarının büyüklüğü ile kısmi korelasyon katsayılarının büyüklüğünü karģılaģtırarak örneklem yeterliliğini ölçer. KMO değerinin yüksek çıkması, ölçekteki her bir değiģkenin diğer değiģkenler tarafından en iyi Ģekilde belirlenebileceği anlamını taģır. DüĢük çıkması ise değiģkenler arasındaki korelasyon iliģkisinin diğer değiģkenlerce açıklanmayacağını gösterir. Bu durumda faktör analizine devam etmek doğru olmaz (Nakip 2003). KMO, testinde bulunan değer 0,50'nin altında ise kabul edilemez, 0,50-0,59 arası zayıf, 0,60-0,69 arası orta, 0,70-0,79 arası iyi, 0,80-0,89 arası çok iyi, 0,90 ve üzeri mükemmel olarak kabul edilir (BektaĢ, 2015; Kaiser ve Rice, 1974; Karagöz ve Kösterelioğlu, 2008; TavĢancıl, 2006). 2. Faktör Tahmini Ġçin Uygun Metodun Seçilmesi Açımlayıcı faktör analizinin uygulanmasına karar verdikten sonra faktör modelinin tahmini için hangi metodun seçileceği belirlenir. Literatürde faktör türetme metotları olarak belirlenen çok sayıda tahmin metodu vardır. Bunların en önemlileri Temel BileĢen Analizi, Maksimum Olabilirlik ve Temel Eksen Faktörüdür. Bu faktörler, kullandıkları hesaplama yaklaģımlarından dolayı birbirinden ayrılmaktadır. Bu nedenle metotlar genelde benzeri sonuçlar ortaya koyar. Analiz sonucunda hatalı bir çözümlemeye ulaģmamak için araģtırmacının bu yöntemlerin ne zaman kullanılması gerektiğine dikkat etmesi gerekmektedir (BektaĢ, 2015; Khalaf, 2007; Polat, 2012). Temel BileĢen Analizi, faktör analizinin en yaygın kullanımı olan ve en eski olanları arasındadır. Temeli Karl Pearson (1901) ın çalıģmasına dayanmakta olup Hotelling (1933)

10 Fatih Uğurlu _Faruk AYLAR tarafından geliģtirilmiģtir. SPSS programında varsayılan olarak belirlenmiģ durumdadır. Temel bileģen metodu, gözlenen değiģken kümesinden azami sayıda faktör grubu ortaya çıkarmak amacıyla uygulanır. Böylece değiģkenlerin oluģturduğu varyansın önemli bir kısmı yeni faktörlerle ifade edilmeye çalıģılır. Dolayısıyla Temel BileĢen Analizinin amacı gözlenen değiģken kümesinin boyutunu indirgemektir. Bunu yaparken veri kümesinin altında yatan modeli göz önünde bulundurmaz (BektaĢ, 2015; Ertürk, 2016; Khalaf, 2007; Polat, 2012). Temel Eksen Faktörü, değiģken grubunun korelasyonunu açıklayabilen faktörlerin küçük numaralarını araģtıran faktör analizinin bir Ģeklidir. Maksimum Olabilirlik Yöntemi ise ölçülen değiģkenin bağlı olduğu bir baģka değiģkene göre olasılık dağılım fonksiyonunun tanımlanması temeline dayanır. Olasılık dağılım fonksiyonu bize ölçülen değiģkenin hangi sıklıkla bağlı olduğu değiģkeni tekrar ettiğini gösterir. Bu yöntemde amaç gözlenen korelasyona en iyi uyan faktör çözümünü ortaya koymaktır (Polat, 2012). Faktör analizinde faktör modelinin tahmini için kullanılan diğer yöntemler; ağırlıksız en küçük kareler, genelleģtirilmiģ en küçük kareler, alfa faktörü ve görüntü faktörü Ģeklinde sıralanabilir (Polat, 2012). 3. Faktör Sayısının Belirlenmesi Bu aģamada amaç değiģkenler arasındaki iliģkileri en yüksek derecede temsil edecek az sayıda faktör elde etmektir. Kaç faktör elde edileceği ile ilgili çeģitli ölçütler geliģtirilmiģtir. Bunlardan bazıları; açıklanan varyans oranı, özdeğer ölçütü ve çizgi yamaç grafiğidir (BektaĢ, 2015; Kalaycı, 2006; Karagöz ve Kösterelioğlu, 2008; Khalaf, 2007; Özdamar, 2002; Nakip, 2003; Polat, 2012; TavĢancıl, 2006) Açıklanan Varyansın Oranı: Bu kriter, toplam varyansın ardıģık faktörler tarafından açıklanan belirlenmiģ bir birikimli yüzdesine dayanmaktadır. Analiz sonunda elde edilen birikimli varyans oranları ne kadar büyükse faktör yapısı da o kadar güçlü demektir. Bu düzeyin sosyal alanlarda % 40 ile % 60 arasında olması yeterli görülmektedir (TavĢancıl, 2002). Özellikle davranıģ bilimlerinde ölçek geliģtirmede sözü edilen miktara ulaģmak genelde zordur. Analizde faktör sayısının yüksek tutulması, açıklanan varyansı artırır, ancak bu kez de faktörleri isimlendirmede, onları anlamlı kılmada zorluk yaģanabilir. Açıklanan varyansın yüksek olması, ilgili kavram ya da yapının o denli iyi ölçüldüğünün bir göstergesidir. Bu nedenle açıklanan varyansı artırmak için önemli faktör sayısı artırılabilir veya madde çıkartmada daha yüksek faktör yük değerleri aranabilir (BektaĢ, 2015; Büyüköztürk, 2002; Khalaf, 2007; Polat, 2012). Bununla birlikte faktör sayısına karar verilirken eklenecek yeni faktörün, toplam varyansa yapacağı katkının büyüklüğünün de göz önünde bulundurulması gerekmektedir (BektaĢ, 2015) Özdeğer (Eigen values) ve Joliffe Ölçütü: Özdeğer; bir faktör tarafından açıklanan toplam varyansı gösterir (Karagöz ve Kösterelioğlu, 2008). Guttman tarafından ortaya konulup Kaiser tarafından geliģtirilen bu ölçüte göre özdeğeri bir ve birden büyük olan faktörler anlamlı kabul edilerek hesaba katılmakta, 1 den küçük olanlar analiz dıģı bırakılmaktadır. Yani 1 den büyük özdeğer sayısı kadar faktör türetilmektedir. Joliffe kriteri ise 0,7 ve daha büyük değerli özdeğer sayısı kadar faktör alınmasının uygun olacağını ileri süren bir yaklaģımdır. Joliffe kriterinde Kaiser-Guttman ölçütüne göre daha fazla faktör ortaya çıkmaktadır. Bu nedenle değiģken sayısı az olduğunda Joliffe kriteri iyi sonuç ortaya çıkarmayabilir (BektaĢ, 2015; Khalaf, 2007; Özdamar, 2002; Polat, 2012). Kaiser

11 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı Guttman kuralı, SPSS de genellikle varsayılan olarak seçilidir ve kullanımı oldukça yaygındır (BektaĢ, 2015; Velicer ve Jackson, 1990; Zwick ve Velicer, 1986) 3.3. Çizgi Yamaç Grafiği (Scree plot): Cattel (1965) tarafından geliģtirilmiģ özdeğerlerin grafikle gösterimine dayalı bir yöntemdir. Grafikte dikey eksen öz değer miktarlarını, yatay eksen ise faktörleri gösterir. Grafik, faktörlerin öz değerleriyle eģleģtirilmesi sonucunda bulunan noktaların birleģtirilmesiyle elde edilir. Grafikte yüksek ivmeli, hızlı düģüģlerin yaģandığı faktör, önemli faktör sayısını verir. Yatay çizgiler faktörlerin getirdikleri ek varyansların katkılarının birbirine yakın olduğunu gösterir (Büyüköztürk, 2002). Bu yöntemde; özdeğerlerin grafiği incelenir ve çizginin yataylaģtığı yere kadar olan faktörler çözüme dâhil edilir. BaĢka bir deyiģle; varyansı, açıklama oranlarındaki hızlı düģüģ belirlenerek yani yatay eğimli düz çizgi Ģeklinin oluģmaya baģladığı nokta belirlenerek faktör sayısına karar verilmektedir (Büyüköztürk, 2002; Karagöz ve Kösterelioğlu, 2008; Khalaf, 2007; Polat, 2012; Thompson, 2004; Zwick ve Velicer, 1986). Bu eğri dağın yamacından eteğine doğru olan döküntüye benzediği için yamaç testi olarak adlandırılmıģtır (BektaĢ, 2015). Grafik 1: Çizgi Grafiği Örneği 205 (ġekercioğlu, 2009, s. 49) Grafik 1 de görüldüğü üzere, eğim beģinci noktadan sonra doğrusallaģmaktadır. Bu doğrultuda faktör sayısı için kesme noktası, beģ olarak belirlenmiģtir Bu ölçütler dıģında faktör sayısına karar vermek amacıyla, paralel analiz, en küçük ortalamalı kısmi korelasyon metodu ve yorumlanabilirlik kriteri gibi ölçütler de kullanılmaktadır. Bazı durumlarda ise araģtırmacı faktör sayısına kendisi karar verebilmektedir (BektaĢ, 2015; Khalaf, 2007; Polat, 2012). 4. Faktör Rotasyonu (Faktör Döndürme) Faktör analizinde araģtırmacılar, ölçek maddelerinin taģımıģ oldukları faktör yük değerinin 0.30 dan yüksek olması gerektiğini ifade etmektedirler (Büyüköztürk, 2015; DeVellis, 2014; TavĢancıl, 2006). Bu nedenle faktör yük değeri 0.30 un altında olan maddeler ölçekten çıkarılır. Bununla birlikte birden fazla faktör için yüksek yük değeri veren maddeler biniģik madde olarak kabul edildiğinden değerlendirme dıģı bırakılır. Yüksek yük değeri veren maddelerin durumu değerlendirilirken yük değerleri arasındaki farkın en az 0.10 olmasına da dikkat edilmesi gerekir (Büyüköztürk, 2015).

12 Fatih Uğurlu _Faruk AYLAR Faktör modeli tahmin edilip uygun faktör sayısına karar verildikten sonra gerekli görülürse faktör döndürme yöntemleri uygulanır. Faktör analizi sonucunda ilk faktör genellikle önemli faktör yüklerine sahip iken sonraki faktörlerde ise değiģkenler arası yük değerleri düģük olmaktadır. Bununla birlikte bazı değiģkenler birden fazla faktöre yönelik yük değeri taģıyabilmektedir. Bu durumlarda faktör analizi sonucunun kavramsal olarak nasıl yorumlanacağı problemi ortaya çıkmaktadır. ĠĢte bu problem karģısında kavramsal olarak daha anlaģılır ve yorumlanabilir bir yapıya ulaģmak için faktör döndürme yöntemleri uygulanır (BektaĢ, 2015; Ertürk, 2016; Khalaf, 2007; Patır, 2009; ġimģek, 2006). Faktör döndürmesi sonrasında çözümün temel matematiksel özellikleri değiģmez. Eksenlerin döndürülmesinden sonra maddelerin bir faktördeki yükü artarken diğer faktörlerdeki yük değerlerinde azalma olur. Bu Ģekilde faktörler, kendileri ile yüksek iliģkili maddeleri bulurlar ve faktörlerin yorumlanması daha kolay olur (Tabachnick ve Fidell, 2013). Sonuç olarak döndürme iģleminin genel amacı faktör yüklenmelerini daha basit ve net Ģekilde ortaya çıkarmaktadır. Eğer araģtırmacı analiz sonucunda elde ettiği faktör yüklenmelerini basit ve net Ģekilde yorumlayabiliyorsa elde ettiği sonucu çözüm olarak kabul edebilir (Çolakoğlu ve BüyükekĢi, 2014; Öngen, 2010). Rotasyon iģlemlerinde iki yöntem kullanılmaktadır. Bunlardan birincisi dik açı (orthogonal) ile döndürme, ikinci ise eğik açı (oblique) ile döndürmedir (BektaĢ, 2015; Büyüköztürk, 2015; Khalaf, 2007; Polat, 2012; ġimģek, 2006) Dik Açı Ġle Döndürme (Orthogonal) Dik (ortogonal) rotasyon yöntemi, eksenlerin konumları değiģtirilmeden 90 derecelik açı ile döndürülmesi olarak bilinen rotasyon yöntemidir (Polat, 2012; ġimģek, 2006). Bu yöntemde faktörler birbirleri ile iliģkisizdir ve faktörler birbirleri ile korelasyona (iliģkiye) girmezler. Elde edilen faktörlerin daha anlamlı sonuçlar vermesi için faktörlerden her seferinde iki tanesi sabit tutularak ikiģer ikiģer diklik özelliği bozulmayacak biçimde döndürülmesini sağlayan dik döndürme algoritmaları geliģtirilmiģtir. Dik döndürme, araģtırmacıya yorumlama, tanımlama ve sonuçları kolay raporlama avantajı sağlar. Dik döndürme tekniklerinden bazıları; varimax, quartimax, equamax ve orthomax dır (Büyüköztürk, 2015; Khalaf, 2007; Polat, 2012; ġekercioğlu, 2009; ġimģek, 2006; Tabachnick ve Fidell, 2013). 206 a. Varimax (Maksimum DeğiĢkenlik): Kaiser (1958) tarafından geliģtirilmiģtir. Bu yöntem genellikle çok faktörlü yapının söz konusu olduğu durumlarda kullanılmaktadır. Sütunlara öncelik veren bu teknikte sütunlardaki bazı yük değerleri 1 e yaklaģtırılırken, geriye kalan çok sayıda değeri 0 a yaklaģtırır. Bu yöntemde daha iyi yorum yapılabilmek için faktör varyanslarının maksimum olmasını sağlayacak biçimde döndürme yapılmaktadır. Dik döndürme teknikleri arasında en çok tercih edilen yöntem varimax yöntemidir (Büyüköztürk, 2015; Khalaf, 2007; Polat, 2012; ġimģek, 2006). b. Quartimax (En Büyük Çeyrek): Ġki faktörlü yapıların olması durumunda en iyi sonucu veren yöntemlerden biridir. Bu teknikte, her satırdaki herhangi bir değer büyütülüp 1 e yaklaģtırılırken, öteki değerler küçültülerek 0 a yaklaģtırılır. Bu yöntem ile değiģken basitleģtirilmesi yapılarak değiģkenlerin yorumlanabilirliği kolaylaģtırılmaktadır. Yöntemin sakıncası ise değiģkenlerin çoğunu tek bir faktörde açıklama olasılığıdır (Büyüköztürk, 2015; Khalaf, 2007; Polat, 2012; ġimģek, 2006).

13 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı c. Equamax (EĢit Ölçüde Maksimize Etme): Faktörleri ve değiģkenleri basitleģtirmek için eģ zamanlı olarak çalıģan bir yöntem olan equamax yöntemi, faktörleri basitleģtiren varimax ve gözlenen değiģkenleri basitleģtiren quartimax yöntemlerinin bir karıģımıdır. Eğer araģtırmacı faktör sayılarını net bir Ģekilde belirleyemezse bu yöntem kararsız kalma eğilimindedir (ġekercioğlu, 2009; Tabachnick ve Fidell, 2013). d. Orthomax: Bu yöntem, quartimax ve varimax yöntemlerinde kullanılan fonksiyonlardan elde edilen fonksiyonun maksimum yapılması esasına dayanır (Polat, 2012) Eğik Açı Ġle Döndürme (Oblique) AraĢtırmacılar, faktörler arasında bir iliģki olduğunu düģünüyorsa eğik döndürme yöntemini kullanırlar. Eğik döndürme yönteminde her faktör birbirinden bağımsız olarak döndürülür ve eksenlerin birbirine dik olmasına gerek yoktur. Yapılan döndürme sonrasında değiģkenlerle ilgili açıklanan toplam varyans değiģmezken, her bir faktörün açıkladığı varyans miktarları değiģir. Eğik döndürme yöntemleri olarak sıkça kullanılanlar direkt oblimin, promax, oblimax, quartimin, covarimin, biquartimin, ve binoramin yöntemleridir (Büyüköztürk, 2015). Eğik döndürme yöntemleri, dik döndürme yöntemlerine nazaran daha iyi sonuçlar verdiğinden son yıllarda tercih edilmektedir (Polat, 2012). Ancak yorumlama, tanımlama ve sonuçlarını raporlama açısından dezavantajları da vardır (ġekercioğlu, 2009). a. Promax: Eğik döndürme yöntemleri arasında hızlı ve ekonomik olması ile birlikte büyük örneklemeler için uygun olmasından dolayı tercih edilir. Bu teknikte, genellikle 2, 4 veya 6 olarak tanımlanan bir kappa değeri (eksen gücü) hesaplanır. Promax döndürme yöntemini kontrol eden kappa değerinin 4 olması halinde, analiz için en iyi çözüm olduğu ifade edilir. Promax yöntemi, faktörler arasında iliģkili basit yapılar ortaya çıkarır (Ertürk, 2016; Polat, 2012; ġekercioğlu, 2009; ġencan, 2005; Tabachnick ve Fidell, 2013). 207 b. Direct Oblimin: Carroll (1957) tarafından geliģtirilmiģtir. Bu yöntemde faktörlerin kendi aralarındaki iliģkili olma derecesi bir delta değeri ile hesaplanmaya çalıģılır. Delta sıfır veya negatif iģaretli bir değerdir. Sıfır değeri, en yüksek derecede birbirleri ile iliģkili faktörleri ortaya çıkarırken, büyük negatif değerler ise dik açılı döndürmeye yakın değerler verir (Polat, 2012; ġencan, 2005). c. Oblimax: Saunders (1961) tarafından geliģtirilen yöntem, basıklık (kurtosis) katsayısının maksimum yapılması esasına dayanır (Polat, 2012; Sayılgan, 2015). d. Quartimin: Carroll (1953) tarafından önerilen yöntemde, faktör yükleri karelerinin çarpımlar toplamının minimum olması amaçlanmaktadır (Polat, 2012; Sayılgan, 2015). e. Covarimin: Yine Carroll (1953) tarafından geliģtirilen Covarimin yönteminde C ile tanımlanan fonksiyonu minimum yapacak kaynak eksen yapı değerleri bulunmaya çalıģılmaktadır (Polat, 2012; Sayılgan, 2015). f. Biquartimin: Bu yöntemde Quartimin ve Covarimin yönteminde kullanılan fonksiyonlardan yararlanılmaktadır (Polat, 2012; Sayılgan, 2015). g. Binoramin: Dickman (1960) tarafından önerilen yöntem, Oblimin yönteminin özel bir türüdür ve son yıllarda en çok kullanılan yöntemlerden biridir. Yöntemde E ile gösterilen fonksiyonun minimum olması amaçlanır (Polat, 2012; Sayılgan, 2015). 5. Faktörlerin Adlandırılması (Etiketlenmesi)

14 Fatih Uğurlu _Faruk AYLAR Faktörde yer alacak değiģkenlerin sayısı ve değiģkenlerin bu faktörlere dağılımı belirlendikten sonra, sıra faktörlere ad verme iģlemine gelir. Bu iģleme alanyazında etiketleme adı verilmektedir. Faktörlere ad verme bazen çok kolay bazen de oldukça zor olabilmektedir. Bu noktada araģtırmacının alanyazın bilgisi, uygun kavramı bulma konusunda kelime haznesinin zenginliği ve sezgileri gibi etkenler rol oynamaktadır. Bazen ilgisiz değiģkenler bir faktörde toplanabilir. Bu durumda, faktör yükü en fazla olan değiģkeni esas alarak adlandırma yapılabilir (AvĢar, 2007; Karagöz ve Kösterelioğlu, 2008; Polat, 2012; ġencan, 2005; Tabachnick ve Fidell, 2007). Faktörlere seçilen isim anlamlı, ifadeleri kapsayan ve bilinen bir sözcük olmalıdır. Ayrıca, faktör yorumları ve isimler kuramsal bir temele sahip olmalıdır. Faktörlere isim verme, sonuçları tartıģmayı ve yorum yapmayı kolaylaģtırır (ġekercioğlu, 2009; ġencan, 2005). UYGULAMA ÖRNEĞĠ Açımlayıcı faktör analizinin ölçek geliģtirme çalıģmalarında uygulanması ile ilgili olarak aģamaların örneklendirilmesinde Uluçınar Sağır (2015) tarafından geliģtirilen Ġlköğretim Öğrencilerine Yönelik Fen Kaygı Ölçeği iģlem basamaklarından yararlanılmıģtır. AraĢtırmacı, 35 maddelik ölçeğin faktör yapısını ve alt boyutlarını belirlemek amacıyla açımlayıcı faktör analizini uygulamıģtır. Açımlayıcı faktör analizine yeterliliği için Kaiser- Meyer- Olkin (KMO) katsayısına ve Bartlett testinine bakılmıģtır. KMO katsayısı ve Bartlett testi anlamlı bulunmuģtur (X 2 = ; df=300; p=0.000<0.001). Bu sonuçlar verilerin faktör analizi için uygunluğunu göstermiģtir. Fen kaygı ölçeğinin temel bileģenler faktör analizi uygulaması sonucunda ortak faktör yükleri 0.50 nin altında olan maddeler çıkartılarak kalan 25 maddenin analizi tekrar yapılmıģtır. Ölçekteki faktör sayısına karar vermek için öz değerlere göre çizilen grafiğin incelenmiģtir. Grafiğe göre ölçek beģ alt boyuttan oluģmaktadır. 208 Grafik 2: Fen Kaygı Ölçeğine Ait Çizgi Grafiği (Uluçınar Sağır, 2015, s.6)

15 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı Verilere varimax döndürme iģlemi uygulanmıģ, sonuçlar Tablo 4 de verilmiģtir. Döndürme sonrasında faktör yükleri ile arasındadır. Analiz sonucunda öz değerleri 1 den büyük olan beģ faktör, ölçeğe iliģkin varyansın % ünü açıklamaktadır. Analizde elde edilen varyans oranları ne kadar büyükse faktör yapısı da o kadar güçlü olur. Bu düzeyin sosyal alanlarda % 40 ile % 60 arasında olması yeterli kabul edilmektedir (TavĢancıl, 2006). Tablo 4: Faktör Analizi Sonuçları 209 (Uluçınar Sağır, 2015, s.7-8)

16 Fatih Uğurlu _Faruk AYLAR Açımlayıcı faktör analizi sonucunda birinci faktör yedi (9, 10, 13, 14, 15, 17 ve 23 numaralı maddeler); ikinci faktör altı (7, 8, 11, 12, 16 ve 22 numaralı maddeler); üçüncü faktör altı (1, 2, 3, 4, 5 ve 6 numaralı maddeler); dördüncü faktör dört (18, 19, 24 ve 25 numaralı maddeler) ve son faktör ise iki (20 ve 21 numaralı maddeler) maddeden oluģmaktadır. Birinci faktör varyansın % ini, ikinci faktör % ini, üçüncü faktör % sini, dördüncü faktör % ini ve son faktör % ini açıklamaktadır. Alt faktörlerin isimlendirilmesinde üç fen eğitimi ve bir Türkçe dilbilgisi uzmanının görüģleri alınarak birinci faktör derse odaklanma, ikinci faktör özgüven yetersizliği, üçüncü faktör çalıģma ve sınava yönelik kaygı, dördüncü faktör endiģe ve beģinci faktör ilgi olarak adlandırılmıģtır. SONUÇLAR ve ÖNERĠLER Yapı geçerliği, testle ölçülmek istenen yapının ortaya konulması derecesidir. Yapı geçerliğini sağlamak için açımlayıcı faktör analizi uygulamalarından yararlanılmaktadır. Açımlayıcı faktör analizi, aynı yapıyı ölçen değiģkenleri bir araya getirerek daha az değiģkenle açıklamaya çalıģan bir analiz türüdür. Bu çalıģmada, açımlayıcı faktör analizinin ölçek geliģtirme çalıģmalarında nasıl uygulandığını teorik olarak anlatmak ve bir çalıģmadan örnekle ortaya koymak amaçlanmıģtır. Yani analiz sürecinden çok analiz öncesine iliģkin temel bilgiler verilmiģ ve örnek bir çalıģmadan yararlanılmıģtır. ÇalıĢmanın içeriğinde SPSS programı üzerinden hangi süreçlerle açımlayıcı faktör analizinin yapıldığına yer verilmemiģtir. Bu nedenle araģtırmacıların SPSS üzerinden açımlayıcı faktör analizi iģlemlerinin nasıl yapıldığını anlatan makale ve diğer çalıģmaları incelemeleri yararlı olacaktır. KAYNAKLAR AKGÜL, A. ve Çevik, O. (2003). İstatistiksel Analiz Teknikleri: SPPS te İşletme Yönetim Uygulamaları. Ankara: Emek. AVġAR, F., 2007, Doğrulayıcı Faktör Analizi ve Beck Depresyon Envanteri Üzerine Bir Uygulama, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Ġstanbul. BEKTAġ, H. (2015). Ġkili DeğiĢkenler için Faktör Analizi: ÇalıĢma YaĢamı Kalitesi Üzerine Bir Uygulama (Doktora Tezi). Ġstanbul Üniversitesi Sosyal Bilimler Enstitüsü. BÜYÜKÖZTÜRK, ġ. (2002). Faktör Analizi: Temel Kavramlar ve Ölçek GeliĢtirmede Kullanımı. Kuram ve Uygulamada Eğitim Yönetimi, 32(32), BÜYÜKÖZTÜRK, ġ. (2015). Sosyal bilimler için veri analizi el kitabı: İstatistik, araştırma deseni, SPSS uygulamaları ve yorum. Ankara: Pegem Akademi. BYRNE, B. M. (1994). Structural equation modeling with eqs and eqs/windows: Basic concepts, applications, and programming. California: Sage. ÇOKLUK, Ö., ġekercioğlu G. ve Büyüköztürk, ġ., (2012).Sosyal bilimler için çok değişkenli istatistik SPPS ve LISREL uygulamaları. Ankara: Pegem Akademi. ÇOLAKOĞLU, Ö. M. ve BüyükekĢi, C. (2014). Açımlayıcı Faktör Analiz Sürecini Etkileyen Unsurların Değerlendirilmesi. Karaelmas Eğitim Bilimleri Dergisi, 2 (1). 210

17 Derleme Çalışması: Ölçek Geliştirme Çalışmalarında Açımlayıcı Faktör Analizinin Kullanımı DEVELLĠS, R. F. (2014). Ölçek Geliştirme. Kuram ve Uygulamalar (Çev. Ed. T. Totan). Ankara: Nobel Akademik. DOĞAN, N. ve BaĢokçu, T. O. (2010). Ġstatistik tutum ölçeği için uygulanan faktör analizi ve aģamalı kümeleme analizi sonuçlarının karģılaģtırılması. Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 1(2) ERTÜRK, Z. (2016). Ölçeklerin Faktör Yapısını Belirlemede Kullanılan Açımlayıcı Faktör Analizi ve Kümeleme Analizi Ġle Verilerin Sınıflandırılmasında Kullanılan Diskriminant ve Lojistik Regresyon Analizi Tekniklerinin KarĢılaĢtırılması (Yüksek Lisans Tezi). Gazi Üniversitesi Eğitim Bilimleri Enstitüsü, Ankara. GÖÇER, S. (2011). Yapı Geçerliğini Ġrdelemede Kullanılan Korelâsyona, Gruplar Arası Farka ve Faktör Analizine Dayalı Yöntemlerin Ġncelenmesi (Yüksek Lisans Tezi). Mersin Üniversitesi Eğitim Bilimleri Enstitüsü. KAĠSER, H. F. ve Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement. 34(1), KALAYCI, ġ. (2006). Spss Uygulamalı Çok DeğiĢkenli Ġstatistik Teknikleri, Ankara: Asil. KARAGÖZ, Y. ve Ekici, S. (2004). Sosyal Bilimlerde Yapılan Uygulamalı AraĢtırmalarda Kullanılan Ġstatistiksel Teknikler ve Ölçekler. CÜ İktisadi ve İdari Bilimler Dergisi, 5(1), KARAGÖZ, Y. ve Kösterelioğlu, Ġ. (2008). ĠletiĢim Becerileri Değerlendirme Ölçeğinin Faktör Analizi Metodu ile GeliĢtirilmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 21, KARAKOÇ, F. Y. ve Dönmez, L. (2014). Ölçek GeliĢtirme ÇalıĢmalarında Temel Ġlkeler. Tıp Eğitimi Dünyası, 40 (40) KAYA, M. (2011). Doğrulayıcı Faktör Analizi ve Schutte Duygusal Zeka Ölçeği ne Uygulaması (Yüksek Lisans Tezi). Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, EskiĢehir. KHALAF, K., Faktör Analizi ve Bir Uygulaması (Yüksek Lisans Tezi), Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara. NAKĠP, M. (2003). Pazarlama Araştırmaları Teknikler ve (SPSS Destekli)Uygulamalar. Ankara: Seçkin Yayıncılık. OKURSOY, A. ve Turan, A. H. (2014). Açımlayıcı Faktör Analizi ve Üniversite Yemekhanesinde MüĢteri Memnuniyeti Üzerinde Etkili Olan Boyutların Belirlenmesi Üzerine Bir Uygulama. Doğuş Üniversitesi Dergisi, 15 (1) 2014, ÖNGEN, K. B. (2010). Doğrulayıcı Faktör Analizi Ġle Bir Uygulama (Yüksek Lisans Tezi), Uludağ Üniversitesi Sosyal Bilimler Enstitüsü, Bursa. ÖZDAMAR, K., (2002). Paket Programlar ile Ġstatistiksel Veri Analizi (Çok DeğiĢkenli Analizler) II, 4. Baskı, EskiĢehir: Kaan Kitabevi. PATIR, S. (2009). Faktör Analizi Ġle Öğretim Üyesi Değerleme ÇalıĢması. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(4)

18 Fatih Uğurlu _Faruk AYLAR POLAT, Y. (2012). Faktör Analizi Yöntemlerinin KarĢılaĢtırmalı Olarak Ġncelenmesi ve Hayvancılık Denemesine UygulanıĢı (Doktora Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü. Adana. SARAÇLI, S. (2011). Faktör Analizinde Yer Alan Döndürme Metotlarının KarĢılaĢtırmalı Ġncelenmesi Üzerine Bir Uygulama. Düzce Üniversitesi Sağlık Bilimleri Enstitüsü Dergisi, 1(3), SAYILGAN, T. E. (2015). Türkiye de Ġllerin Sosyoekonomik GeliĢmiĢlik Düzeylerinin Faktör Analizi ile Ġncelenmesi (Yüksek Lisans Tezi). Çukurova Üniversitesi Sosyal Bilimler Enstitüsü. Adana. ġencan, H. (2005). Sosyal ve DavranıĢsal Ölçümlerde Güvenilirlik ve Geçerlilik. Ankara: ġeçkin Kitapevi. ġekercġoğlu, G. (2009). Çocuklar Ġçin Benlik Algısı Profilinin Uyarlanması ve Faktör Yapısının Farklı DeğiĢkenlere Göre EĢitliğinin Test Edilmesi (Doktora Tezi). Ankara Üniversitesi Eğitim Bilimleri Enstitüsü. ġġmġek, D. (2006). Kümeleme Analizi, Çok Boyutlu Ölçekleme, Doğrulayıcı ve Açıklayıcı Faktör Analiz ile Elde Edilen Yapı Geçerliği Kanıtlarının KarĢılaĢtırılması (Yüksek Lisans Tezi). Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü. Ankara. TABACHNĠCK, B. G. ve Fidell, L.S. (2013). Multivariate statistics. New Jersey: Pearson Education. TABACHNĠCK, B.G. ve Fidell, L.S. (2007), Using Multivariate Statistics (5th ed.). New York: Allyn and Bacon. TAHERDOOST, H., Sahibuddin, S. ve Jalaliyoon, N. (2014). Exploratory factor analysis; concepts and theory. Advances in Applied and Pure Mathematics: May, TAVġANCIL, E. (2002). Tutumların Ölçülmesi ve SPSS ile Veri Analizi. Ankara: Nobel. TAVġANCIL, E. (2006). Tutumların Ölçülmesi ve SPSS ile Veri Analizi (3. Baskı). Ankara: Nobel. TEZBAġARAN, A. A. (2008). Likert Tipi Ölçek Geliştirme Kılavuzu (3. Baskı). Yayınları. Ankara: Türk Psikologları Derneği. THOMPSON, B. (2004). Exploratory and confirmatory factor analysis: Understanding concepts and applications. Washington: American Psychological Association. ULUÇINAR Sağır, ġ. (2015). Ġlköğretim Öğrencilerine Yönelik Fen Kaygı Ölçeği. Buca Eğitim Fakültesi Dergisi, (37), UYAR, S. (2012). Açımlayıcı Faktör Analizinde Boyut Sayısını Belirlemede Kullanılan Yöntemlerin KarĢılaĢtırılması (Yüksek Lisans Tezi). Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü. Ankara. VELĠCER, W. F. ve Jackson, D. N. (1990). Component analysis versus common factor analysis: Some issues in selecting an appropriate procedure. Multivariate behavioral research, 25(1), YAMAN, S. ve Köksal, M. S. (2014). Fen öğrenmede zihinsel risk alma ve yordayıcılarına iliģkin algı ölçeği Türkçe formunun uyarlanması: geçerlik ve güvenirlik çalıģması. Journal of Turkish Science Education, 11(3), ZWĠCK, W. R. ve Velicer, W. F. (1986). Comparison of five rules for determining the number of components to retain. Psychological bulletin, 99(3),