Akademik Yazımda Açımlayıcı ve Doğrulayıcı Faktör Analizi

Bir ölçeğin, anketin ya da testin gerçekten “ne”yi ölçtüğü, ölçüm modeliyle belirginleşir. Açımlayıcı Faktör Analizi (AFA), verideki boyut yapısını keşfederek hangi maddelerin hangi gizil (latent) yapıya bağlandığını ortaya çıkarır; Doğrulayıcı Faktör Analizi (DFA) ise önceden önerilmiş bir modeli veriye test ederek uyum derecesini değerlendirir. Akademik yazım, yalnızca bu teknikleri uygulamaktan ibaret değildir: Bulguları kuramla ilişkilendirmek, ölçüm hatasını ve belirsizliği dürüstçe göstermek, alternatif modelleri tartışmak, geçerlik–güvenirlik kanıtlarını sistematik bir omurgaya yerleştirmek gerekir. Bu kapsamlı yazı; AFA ve DFA’yı tez, makale ve raporlarda nasıl kurgulamanız, nasıl raporlamanız ve nasıl yorumlamanız gerektiğini uçtan uca ele alır: varsayımlar, örneklem ve güç, madde analizi, çıkarma–döndürme stratejileri, uyum indeksleri, ölçüm eşdeğerliği, kısaltma ve doğrulama döngüleri, IRT ve yapısal eşitlikle (SEM) entegrasyon; her adımda örnek olaylar, karar ağaçları ve rapor şablonlarıyla.

---

1) Kuramsal Çerçeve: “Neyi, Neden, Hangi Boyutlarda Ölçüyoruz?”

AFA/DFA sürecinin ilk sayfası kuramsal sahnedir. “Akademik motivasyon” örneğinde öz-düzenleme, strateji kullanımı ve kalıcılık gibi alt boyutlar kuramsal olarak gerekçelendirilir.
Uygulama: Her alt boyut için kısa tanım + beklenen madde örnekleri + olası birlikte değişim gerekçesi.
Örnek Olay: Uzaktan eğitim doyumunda “teknik erişim” ile “etkileşim” faktörleri beklenir; üçüncü bir “öğretmen geri bildirimi” faktörü kuramdan destek alıyorsa AFA’da görünmesi şaşırtıcı değildir.

---

2) Veri Hazırlığı ve Varsayımlar: Önce Hijyen

AFA/DFA başlamadan önce madde dağılımlarını, aykırı değerleri ve kodlama yönlerini kontrol edin.

• Ölçek yönü: Ters maddeler _r ile yeniden kodlanmalı.

• Eksik veri: MAR varsayımında Çoklu Atama (MI) veya FIML; MCAR testleri yardımcı, MNAR şüphesinde duyarlılık analizleri şart.

• Çok değişkenli düzgünlük: DFA’da özellikle önemli; Mardia katsayısı ve sağlam (robust) kestirimler (MLR, WLSMV) seçenekleri.
  Örnek Olay: Aşırı çarpık üç maddeyi likert çapalarını netleştirip yeniden toplayınca faktör yapısı belirginleşti.

---

3) Örneklem ve Güç: Yükleri Güvenle Yakalamak

Klişe “madde başına 5–10 kişi” kuralı tek başına yeterli değildir.

• AFA gücü: Yük büyüklüğü (≥.40 hedef), faktör sayısı ve komunallikler ile artar; paralel analiz gücün planlanmasında yol gösterir.

• DFA gücü: Uyum indekslerindeki sapmaya duyarlıdır; model karmaşıklığı ve örneklem boyutu birlikte düşünülmelidir (≥200 öneri; karmaşık, çok faktörlü modellerde daha fazla).
  İpucu: AFA ve DFA’yı farklı örneklemlerle yapmak (ya da örneklemi ikiye bölmek) doğrulama güvenini yükseltir.

---

4) AFA’da Çıkarma Yöntemleri: Temel Eksen mi, Maksimum Olabilirlik mi?

• Principal Axis Factoring (PAF): Düzgünlük varsayımına daha az duyarlı; sosyal bilimlerde sık.

• Maximum Likelihood (ML): İstatistiksel çıkarım (χ², GA) sağlar; normallik daha kritik.
  Karar: Veri normallikten sapmışsa PAF, uygunluk testleri ve karşılaştırmalar gerekliyse ML; karma durumlarda ikisini de deneyip duyarlılık analizi raporlanmalı.

---

5) AFA’da Faktör Sayısı: Özdeğer>1 Kuralına Takılmayın

İyi uygulamada paralel analiz ve eğim grafiği (scree plot) birlikte kullanılır; MAP (Minimum Average Partial) testi yararlıdır.
Örnek Olay: Özdeğer>1 dört faktör önerse de paralel analiz üç faktör gösterdi; dört faktör modeli çapraz yükleri artırdı ve yorum gücünü düşürdü. Üç faktör çözümünde maddeler anlamlı kümelendi.

---

6) AFA’da Döndürme: Varimax Her Derde Deva Değil

• Ortogonal (Varimax): Faktörler arası korelasyonun sıfıra yakın olduğu varsayılır; gerçek hayatta ender.

• Oblik (Oblimin/Promax): Faktörler arası ilişkiye izin verir; yorum gücü daha yüksektir.
  İlke: Sosyal ölçümlerde boyutlar çoğu zaman ilişkilidir; oblik döndürme varsayımları gerçekçidir.

---

7) AFA Raporu: Yükler, Komunallikler, Çapraz Yükler

AFA tablosunda her madde için ana yüke ek olarak komunallik (h²) ve çapraz yük alanı gösterilmelidir.

• Eşikler: Ana yük ≥.40; çapraz yük ≤.30; h²≥.30 arzulanır.

• Örnek Rapor: “Madde M7, F2’de .62 yüklenmiş, F1’de .28; h²=.46; kavramsal örtüşme nedeniyle revize edilmiştir.”
  Dipnot: Döndürme türü, çıkarma yöntemi, faktörlere verilen adların gerekçesi.

---

8) DFA’ya Geçiş: Keşfi Teste Bağlamak

AFA’dan elde edilen yapı (ör. 3 faktör, belirli madde kümeleri) DFA’da model olarak test edilir.

• Göstergeler: Her madde yalnız bir faktöre yüklenir (çapraz yükler 0’a sabit).

• Hata kovaryansları: Kuramsal gerekçe olmadan eklenmez; modifikasyon indeksleri cazip ama tehlikelidir.
  Örnek Olay: AFA’da birlikte görünen iki madde çok benzer içerikliyse DFA’da hata kovaryansı verilebilir; gerekçeyi metinde yazın.

---

9) DFA Uyum İndeksleri: Neyi, Neden, Ne Kadar?

• İyi Uyum Aralıkları (yaygın öneriler): CFI/TLI ≥ .90 (ideal ≥ .95), RMSEA ≤ .08 (ideal ≤ .06), SRMR ≤ .08.

• χ² İstatistiği: Örneklem büyüdükçe duyarlıdır; tek başına karar ölçütü değildir.

• Raporlama: Uyum endeksleri birlikte sunulmalı; “CFI=.95, TLI=.94, RMSEA=.052 [GA .045–.059], SRMR=.043”.

---

10) DFA’da Parametre Tahmini: ML, MLR, WLSMV

• ML: Sürekli ve normal varsayımına yakın veride.

• MLR (Robust ML): Normallik ihlallerine dayanıklı.

• WLSMV: Sıralı (Likert) maddelerde sıklıkla daha uygundur; polikhorik korelasyonları kullanır.
  İpucu: Likert veride WLSMV ile ML/MLR sonuçlarını duyarlılık olarak karşılaştırın; farklar büyükse seçiminizi gerekçelendirin.

---

11) Alternatif Modeller: Tek Boyut, Hiyerarşik ve Bifaktör

• Tek Boyut: Tüm maddeler tek faktöre yüklenir—genellikle uyum zayıflar.

• Hiyerarşik (Yüksek Düzen): Alt faktörler ortak bir üst faktöre bağlanır.

• Bifaktör: Her madde hem genel faktöre hem de özel alt faktöre yüklenir; ω_h (omega hierarchical) yorumuna olanak tanır.
  Rapor: Modeller arası karşılaştırmalı uyum (ΔCFI, ΔRMSEA) ve kuramsal gerekçeler beraber verilmelidir.

---

12) Güvenirlik ve Yakınsak–Ayrışan Geçerlik: Alfa’nın Ötesinde

• McDonald ω (toplam ve hiyerarşik), CR (bileşik güvenirlik) ve AVE (ortalama varyans çıkarımı) raporlanmalı.

• Yakınsak: AVE≥.50 ve faktör yüklerinin yüksekliği.

• Ayrışan: Fornell–Larcker (√AVE > faktörler arası korelasyon) veya HTMT < .85/.90 kanıtları.
  Örnek: “Motivasyon–strateji korelasyonu .62; √AVE_mot=.73 > .62 → ayrışan geçerlik yeterli.”

---

13) Ölçüm Eşdeğerliği (Invariance): Karşılaştırmanın Sigortası

Gruplar (cinsiyet, okul türü, kültür) arasında puan karşılaştırmadan önce eşdeğerlik sınanır.

1. Configural: Yapı aynı mı?

2. Metrik: Yükler eşit mi?

3. Skalar: Kesişimler eşit mi? (Ortalama kıyasına izin verir.)

4. Artık: Hata varyansları eşit mi?
   Karar: ΔCFI ≤ .01 ve ΔRMSEA ≤ .015 korunduğunda bir üst düzeye geçilir. Kısmi skalar durumda serbest bırakılan maddeleri metne yazın.

---

14) Ölçek Kısaltma: 24 Maddeden 12 Maddeye Etik Yol

Kısaltma, uygulama verimliliği sağlar ancak kapsam ve geçerliği zedelememeli.

• Seçim Kriterleri: Yük (≥.60 tercihen), madde–toplam r, IRT ayırt edicilik (a), içerik temsili.

• DFA Testi: Kısa form için ayrı DFA; ω/CR/AVE raporu; uzun formla korelasyon.

• Bilgi Fonksiyonu: Hangi yetenek/özellik düzeyinde en duyarlı?
  Örnek Olay: 3 alt boyutlu ölçekten her boyuta 4 madde seçilerek 12 maddelik form; DFA CFI=.96, ω=.86–.89.

---

15) AFA–DFA–SEM Entegrasyonu: Ölçüm ile Yapısal Modeli Birleştirmek

Faktör puanları hesaplayıp regresyon yapmak yerine, ölçüm hatasını açıkta bırakan SEM içinde yapısal ilişkileri test etmek daha doğru.
Uygulama: “Özyeterlik → Çalışma Saati → Başarı” yapısal yolları, doğrulanmış ölçüm modeli üstünde test edilir; aracılık etkisi bootstrap GA ile verilir.

---

16) Sık Yapılan Hatalar ve Kaçınma Stratejileri

• Özdeğer>1’e kör bağlılık → Paralel analiz kullanın.

• Varimax bağımlılığı → Faktörler ilişkiliyse Oblimin/Promax.

• Modifikasyon indeksleriyle “model makyajı” → Kuramsız eklemeler raporu zayıflatır.

• Sadece α raporlamak → ω/CR/AVE/HTMT ekleyin.

• Likert’te ML ısrarı → WLSMV/robust seçenekleri düşünün.

• Eşdeğerlik atlanıyor → Grup/zaman karşılaştırmaları riskli.

• Kısa formda içerik kaybı → Boyut başına temsil şart.

---

17) Uygulamalı Örnek A: Üniversite Öğrencilerinde Akademik Motivasyon

AFA (n=420): PAF + Oblimin; paralel analiz 3 faktör. Yükler .44–.82; çapraz yük <.28.
DFA (n=480): WLSMV; CFI=.95, TLI=.94, RMSEA=.053 [GA .046–.060], SRMR=.045.
Güvenirlik: ω_top=.88; alt boyut ω=.82–.86; AVE=.50–.57; CR=.83–.88.
Eşdeğerlik (cinsiyet): Metrik + skalar sağlandı (ΔCFI=.006).
Yorum: Kızlarda ortalama +0.21 SD; pratik anlam: danışmanlık müdahaleleri kız–erkek farkını azaltmaya değil, düşük puanlı alt gruplara odaklanmalı.

---

18) Uygulamalı Örnek B: Öğretmen Geri Bildirim Ölçeği—Bifaktör

Kuram: Genel “nitelikli geri bildirim” ve üç özel boyut (bilişsel, duyuşsal, davranışsal).
DFA: Bifaktör model CFI=.96 (tek ve hiyerarşik modellere üstün); ω_h=.71 → genel faktör güçlü.
Sonuç: Toplam puan yorumlanabilir, alt boyut puanları bağlama duyarlı kullanılmalı.

---

19) Uygulamalı Örnek C: Çok Dilli Uyarlama ve Eşdeğerlik

Bağlam: Türkçe–İngilizce–Arapça versiyonlar.
Adımlar: Ortak kavramsal sözlük, ileri–geri çeviri, bilişsel görüşmeler.
DFA (çok grup): Configural ve metrik tüm dillerde; skalar kısmi (3 madde kesişimleri serbest).
Not: Ortalama karşılaştırmaları kısmi skalar modelle yapılmalı; raporda serbest bırakılan maddeler listelenmeli.

---

20) İleri Konular: IRT, DIF ve Bayesçi DFA

• IRT (GRM/2PL): Madde ayırt edicilik (a) ve zorluk (b) parametreleri; DFA ile uyumlu kısa form seçimi.

• DIF: Cinsiyet/bölge lehine madde avantajı var mı? (Mantel–Haenszel, IRT-LR).

• Bayesçi DFA/SEM: Küçük örneklem ve karmaşık modellerde zayıf bilgilendirici öncellerle kararlı tahmin; credible interval ile “olasılıksal” anlatı.

---

21) Raporlama Şablonu: Tez/Makale İçin Bölüm Adımları

1. Ölçümün Kuramsal Temeli (alt boyut gerekçeleri).

2. Yöntem–Veri (örneklem, etik, eksik veri, yazılım).

3. AFA (çıkarma, döndürme, faktör sayısı kararı, yük tabloları, çıkarılan maddeler ve gerekçeler).

4. DFA (kestirim, uyum indeksleri, alternatif model karşılaştırmaları).

5. Güvenirlik ve Geçerlik (ω, CR, AVE, HTMT/Fornell–Larcker).

6. Eşdeğerlik (configural–metrik–skalar; kısmi ise detaylar).

7. Kısaltma/IRT (varsa).

8. Tartışma (sınırlılıklar: örneklem temsiliyeti, yöntem; güçlü yanlar; uygulama).

9. Açık Bilim (kod–veri–ek materyal).

---

22) Görselleştirme: Yapıyı Gözle Konuşturmak

• Yük Isı Haritası: Maddelerin faktörlere yükleri; çapraz yükler görselde “soluk”.

• Yol Diyagramı: DFA’da standartlaştırılmış yükler ve hata terimleri.

• Model Karşılaştırma Paneli: Tek, hiyerarşik ve bifaktör CFI/RMSEA barları.

• Eşdeğerlik Grafiği: ΔCFI/ΔRMSEA adım adım; hangi düzeyde durulduğunu gösterir.

---

23) Etik ve Şeffaflık: “Modeli Güzelleştirmek” Yerine “Modeli Açıklamak”

• Modifikasyon indeksleri yalnız kuramsal ve ölçüm bağlamında kullanılmalı; her ekleme ek materyalde belgelenmeli.

• Dışlama ve veri temizliği akış diyagramı şart.

• Sürümleme: Ölçek formunun ve kodun sürümleri (OSF/Git) belirtilmeli; replikasyon için tohum (seed) paylaşılmalı.

---

24) “Sonuçların Çevirisi”: Puanları Karara Dönüştürmek

AFA/DFA yalnız metodolojik başarı değildir; uygulama bağlamına tercüme edilmelidir.

• Danışmanlık/Uygulama: Hangi alt boyut zayıf? Müdahale oraya yoğunlaşır.

• Politika: Kısa formun tarama için uygunluğu; yanlış pozitif/negatif maliyetleri.

• Adalet: Eşdeğerlik/DIF sonuçlarına göre raporlama dili; gruplar arası farkları temkinli yorum.

---

25) Duyarlılık ve Sağlamlık Analizleri: İnandırıcılığın Sigortası

• Kestirim seçenekleri: ML vs MLR vs WLSMV.

• Madde çıkarımı: Sorunlu maddeler çıkarıldığında uyum/ω/AVE nasıl değişiyor?

• Çoklu örneklem: AFA/DFA farklı bölünmelerde tekrarlanıyor mu?
  Rapor: “Ana sonuçlar alternatif kestirimlerde korunuyor; kısa form ve uzun form arasında yüksek korelasyon var (r=.93).”

---

Sonuç: Keşiften Doğrulamaya—Ölçümün Dürüst Hikâyesi

AFA ve DFA, akademik yazımda ölçüm hikâyesinin iki perdesidir. İlk perde (AFA), verinin sesini dinler; ikinci perde (DFA), kuramın iddiasını sınar. Güçlü bir rapor, bu iki perdeyi etik, şeffaf ve tekrarlanabilir bir dramaturji ile birleştirir:

1. Ölçmek istediği yapının kuramsal haritasını çizer;

2. Veriyi temiz ve varsayımları denetlenmiş biçimde sahneye çıkarır;

3. Faktör sayısını paralel analiz ve scree ile savunur;

4. Döndürme ve çıkarma kararlarını gerekçeler;

5. DFA’da robust kestirim, çoklu uyum indeksi ve alternatif model karşılaştırmalarını verir;

6. ω/CR/AVE/HTMT gibi modern göstergelerle geçerlik–güvenirliği derinleştirir;

7. Ölçüm eşdeğerliği olmadan grup karşılaştırmasına gitmez;

8. Kısaltma yaparsa içerik kapsamını korur ve bağımsız doğrular;

9. Sonuçları uygulamaya tercüme eder; etkiyi belirsizliği saklamadan anlatır;

10. Kod–veri–ek materyali paylaşarak bilginin yeniden üretilebilirliğini güvenceye alır.

Ölçüm, bilimin vicdanıdır: ne kadar iyi ölçersek o kadar adil, o kadar etkili kararlar alırız. AFA ve DFA; yalnız rakamlar ve indeksler değil, kanıtın dili ve iknanın mantığıdır. Bu dili kuramsal netlikle, analitik titizlikle ve etik bir anlatıyla konuştuğunuzda, çalışmanız yalnız yayın olmakla kalmaz; alanda referans olur.

Akademi Delisi, eğitim ve akademik destek alanında kapsamlı hizmetler sunan öncü bir platformdur. Öğrencilerin akademik başarılarına yön verirken, onları bilgiyle buluşturmayı ve potansiyellerini en üst düzeye çıkarmayı amaç edinmiş bir ekibiz. Sitemiz bünyesinde ödevlerden projelere, tezlerden makalelere kadar geniş bir yelpazede destek sağlıyoruz. Alanında uzman yazarlarımız, öğrencilere özgün içerikler sunarken, aynı zamanda onlara araştırma, analiz ve yazım konularında rehberlik ederek kendilerini geliştirmelerine yardımcı oluyor.
Akademik hayatın zorluklarıyla başa çıkmak artık daha kolay. Akademi Delisi olarak, öğrencilere sadece ödevlerinde değil, aynı zamanda araştırma projelerinde, tez çalışmalarında ve diğer akademik gereksinimlerinde de destek sağlıyoruz. Sunduğumuz kaliteli hizmetler sayesinde öğrenciler zamanlarını daha verimli bir şekilde kullanabilirler. Uzman ekibimiz, her bir öğrencinin ihtiyaçlarına özel çözümler üreterek, onların akademik hedeflerine ulaşmalarına katkı sağlar.
Gelişmiş kaynaklara erişimden akademik yazım kurallarına, araştırma yöntemlerinden kaynakça oluşturmaya kadar her aşamada öğrencilere destek sunan Akademi Delisi, eğitimde yeni bir perspektif sunuyor. Amacımız, öğrencilere sadece geçici çözümler değil, aynı zamanda uzun vadeli öğrenme ve başarıya giden yolda rehberlik etmektir.